孙文君　王海龙曲阜师范大学物理工程学院



基于AdaBoost算法的快速人脸检测方法

孙文君王海龙
曲阜师范大学物理工程学院

文章基于当今最为流行的AdaBoost算法，训练出自己的人脸检测级联分类器，通过对人脸图像方差特点的统计分析，确定了人脸方差的阈值，增加了方差预处理。增加方差预处理后训练出的级联分类器在人脸检出率相对较高的前提实现了检测速度的提升，增强了人脸检测的实时应用性。

人脸检测 AdaBoost算法 Haar-like特征 方差预处理

人脸检测技术是板顶所给的图像中是否存在人脸并给出定位的过程。在司法、金融、军事、海关以及人们的日常生活等各个领域都占有举足轻重的位置。依据不同的人脸相关知识就有不同的检测方法，目前常用的有基于人脸知识分析、基于人脸外观，基于人脸特征以及模版匹配等几类方法。目前在人脸检测方面的难点之一就是怎样应用简单快速的算法使其保证检测率的情况下进一步的提升检测速度，增强其实时应用性。本文基于当今最为流行的AdaBoost算法，对待检图像增加了方差预处理的环节，训练出的级联分类器在人脸检出率相对较高的前提实现了检测速度的提升，增强了人脸检测技术的时应用性。

1　基于AdaBoost的人脸检测算法介绍

基于AdaBoost的人脸检测算法是一种基于统计理论的一种方法，它是在2001年由Volia与Jones共同提出来的。在众多的实验验证下证明，这种人脸检测算法可以在保证准确度的前提下极大的提高检测速度，目前大部分用于人脸实时检测的系统基本上都是基于此算法。

算法主要分为两大部分：分类器训练与模式识别。可以简单描述为：在分类器训练部分通过训练使其对可以在很大的特征集中选取占有量很小的关键特征，从而级联成一个有效性极高的分类器：在模式识别部分就利用这些训练好的级联分类器将人区分人脸与非人脸背景，从而判断出人脸所在位置与人脸大小。

2　人脸方差特征分析及阈值确定

分析人脸的方差值发现其方差的变化有一定的区间性，不同方差的图像看起来有很大差别，我们可以发现，方差大的人脸图像，它的棱角更加分明一些，而前两副图说明当方差过小的 几乎看不出人脸。由此我们推断，人脸图像的方差是否存在一个阈值，可以应用在人脸检测过程中，快速排除方差不在阈值内的非人脸窗口，加快其检测速度。

为了验证猜想，了解人脸的确切分布规律，将用于训练的MIT人脸库作为测试集，对其中的2592 个人脸进行人脸方差统计。人脸的方差值大部分集中在 300～4000之间。为了更加直观的分析数据，将人脸方差统计图按照直方图的形式进一步归类统计，以200方差值为一段。更加直观的显示了测试数据的整体分布情况，可以看出了人脸方差的集中分布规律。预处理来排除方差值不在人脸方差的合理范围内的大部分的图像背景区域便可大大加快其检测速度，这比起简单Haar-1ike特征的弱分类器的特征计算更加迅速，并且在需要考虑光照影响的图像中对方差的计算是必须的，所以该预处理几乎没有再占据其他额外时间。

这里必须注意的是虽然在预处理时人脸方差的范围越小设置的越小排除的非人脸区域越多，其检测速度提升越快，但是，由此也会提升漏检率导致人脸检出的下降，权衡上述两点，确定方差的门限阈值为：THH=4 5 00，THL=200。

3　增加方差预处理后的人脸检测算法实现

3.1实验环境介绍

由于Mat l lab在图像处理，复杂的分析计算中极高的编程效率，本文以Mat lab R2014a作为操作平台，在Intel（R）Core（TM）i5.2520M CPU @2.50GHz，内存为4G的PC机上实现。

3.2采用的人脸数据库

本文在训练过程中主要应用了MIT人脸数据库，应用20x20的正面人脸样本与非人脸样本进行训练，得到了22个阶段共2135个Haar-1ike特征组成的级联分类器。在检测验证时主要应用了Bao数据库与 Bio ID数据库。

3.3实验流程

（1）应用主要来源于MIT人脸数据库的20x20的正面人脸样本与非人脸样本训练脸险测级联分类器。

（2）将训练出来的级联分类器应用于Bao数据库与BiolD数据库检测人脸，从检测率，漏检率，虚惊率以及检测时间方面分析其性能，并作相关统计。

（3）分析方差与人脸的关系，对数据库中的人脸方差统计，合理确定第一级分类器的人脸方差阈值。 俐｜练增加方差预处理后的人脸检测级联分类器。

（5）将增加方差预处理后的级联分类器应用于 Bao数据库与BiolD数据库检测人脸，从人脸检出率，漏检率，虚警率以及检测时间方面分析其性能，并作相关统计。增加预处理。

（6）整合实验结果，并作相关分析。

3.4实验结果与分析

可以看出，本文训练的级联分类器效果较好，检测率较高。对比增加方差预处理前后的检测效果图可得，增加方差预处理后漏检率略有上升，虚警率有所下降。

Bao数据库与BiolD数据库都是属于有着较复杂背景和光线变化的人脸数据库，人脸面积在图像中的面积也不尽相同，增加方差预处理对它们的影响大致相同。阈值为200至1J4500方差预处理使虚警率有所下降，但是与此同时也略微引起了人脸检出率的下降与漏检率的上升。除此之外，增加方差预处理的影响也体现在检测速度上，增加方差预处理后会减少需要进行级联的窗口数，从而提高检测速度。以处理前的检测时间与窗口数均为单位一计算。

综合上述实验结果与分析可知本文基于AdaBoost算法训练出的级联分类器效果较好，人脸 检测性能较优。方差预处理可以快速排除非人脸背景，提升人脸检测的速度，降低虚警率，但是对人脸检出率与漏检率有一定的负面影响。

4　结语

本文基于经典的AdaBoost算法，在对其进行详细分析与研究的基础上，训练出了比较良好的人脸检测级联分类器，另外，本文引入人脸方差特征做预处理，在保证良好检测率的前提下增加方差阈值，进一步的提升了检测速度，对人脸检测在实时应用发面的研究有重要价值。

［1］Hj elmas，E.，Face detection：Asurvey，computer vision and image understanding.2001：236—274

［2］Viola E Rapid object detection using a Boosted cascade of simple features.In：Proc IEEE Conference on Computer Vision and Pat tern Recogni tion，pp：511-518. 2001.

［3］DQ Feng，K Ding.Face detection in video based on color model.Computer Applicat ions and Sof tware， 27（2）（2010），PP.28—30

［4］J Wei，Y Yang，XM Lu.Face detection based on multi—f eature ex t raction.Compute r Engineering andApplicat ions，48（1）（2012），PP.183—188

［5］Schneiderman H.A statistical method for 3D object detection applied to faces and cars.In International Conference on Computer Vision，2000

［6］周薇娜，人脸检测算法及其芯片实现关键技术研 究.复旦大学，2012.4.