基于Adaboost算法的人脸检测系统设计与实现【文献综述】.doc

1、1 毕业论文文献综述 计算机科学与技术 基于 Adaboost 算法的人脸检测系统设计与实现 引言： 人作为个体置身于人类社会中拥有很多代表自身身份的证明，而人本身就有很多可以作为检测的因素，比如指纹、 DNA、眼角膜，而人脸是这些因素当中最为直观的因素之一。在人与人交往过程中，首先被看到并记忆住的便是人脸，通过人脸可以得到一个人的性别、年龄、表情和身份等个体信。目前在日常生活中也有相应的人脸识别技术的应用，比如数码相机，安保系统。人脸信息在提取时方便简洁没有接触性，识别方式友好，可隐蔽备受学术界和工业界关注。 在国内外在有着诸多对于人脸识别这一技术的相关机构，而且人脸信息的处理技术一直都是模

2、式识剐与机器视觉研究领域内关注的重要问题，是现阶段基于生物特征的身份识别技术的重要组成之一。众多的人脸检测方法中，由 Paul Viola 和 Michael Jones 于 2001 年提出的 Adaboost 算法从根本上解决了检测速度的问题 ,并有较好的检测效果，本篇论文的人脸识别设计与实现只涉及人脸分析的第一步，指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果含有则返回人脸的位置、大小和姿态。 1 研究动 态 自从 1995 年一种能根据弱学习的反馈，适应性地调整假设的错误率 ,使在效率不降低的情况下，检测正确率得到了很大的提高的快速人脸检测算法 Ada

3、Boost 算法的提出，人脸检测领域便有了程碑式的进步。目前，国外对入脸检测问题研究的专业机构有很多，比较著名的有 MIT、 CMU 和 FERET 等；国内的清华大学、上海交通大学、华中理工大学、北京工业大学、中国科学院计算技术研究所和中国科学院自动化研究所等科研杌构都有专业人员从事与人脸检测技术相关的研究。 人脸识别系统在金融、证券、社保、公安、军队及其他需要安全认证的行 业和部门有着广泛的应用，典型的应用有：犯罪调查、访问控制、人员考勤、重要门票、信用卡、身份证、驾驶执照等。 我国在人脸识别研发与应用方面取得了较好的成就， 国家 863 项目“面像检测与识别核心技术”通过成果鉴定并初步应

4、用，就标志着我国在人脸识别这一当今热点科研领2 域掌握了一定的核心技术。 我国比较成熟的人脸识别系统有：中科奥森人脸识别系统、南京理工的人脸识别系统和深圳康贝人脸识别系统。其中，中科院自动化所研发的“ AuthenMetric 中科奥森”人脸识别系统和智能视频监控系统采用了目前最先进的人脸检测与识别技术，具 有人脸获取隐蔽，识别速度快，监测与识别率高，鲁棒性好、安全性高和实用方便等优点，已在包括中国奥运会和边境检查等多个国家重大安全部门实施并发挥作用。 2 Adaboost 算法简介 2.1 Adaboost 算法 的特点 Adaboost算法自从 1995年提出被 Viola等人应用于人脸检

5、测之后，因其所涉及新兴的且被广泛研究应用人脸检测技术，涌现出了很多相关的研究成果。例如基于 Adaboost算法的车牌号码识别、人脸识别、以及手写数字体识别等等。 Intel公司提供的 OpenCV开发包软件就带有 Adaboost算法的训 练函数，大大方便了研究人员的使用和研究。 AdaBoost 全称为 Adaptive Boosting，被作者取名叫作 AdaBoost是因为这个算法和以前的 Boosting算法都不同（原先的 Boosting算法需要预先知道假设的错误率下限），它根据弱学习的反馈适应性地（ adaptively）调整假设的错误率 也就是说， AdaBoost算法不需要任

6、何关于弱学习器性能的先验知识，加上它和原来 Boosting算法的效率一样，因此可以非常容易地应用到实际问题中。 AdaBoost算法提出后在机器学习领域受到了极大的 关注，实验结果显示无论是应用于人造数据还是真实数据， AdaBoost都能显著提高学习精度 1。 传统的 AdaBoost 学习过程可以简单的理解为一种贪心法特征选取过程。考虑到学习过程的一个普遍的问题，就是在学习过程中有一个很大的分类函数集，需要以不同的权重（类似投票法）把它们连接起来。那么，这之中最大的问题就是如何给好的分类器分配大的权值而给不好的分类器分配较低的权值。 AdaBoost是一种很高效的机制，它能选出很小一部分

7、并且具有多样性的优秀分类器。如果把选取的特征和简单分类器等同起来， AdaBoost也 能很有效的找出很小一部分的特征，并且这些特征是有明显区别的。 2.2 Adaboost 算法算法原理 AdaBoost 算法针对不同的训练集训练同一个基本分类器（弱分类器），然后把这些在不同训练集上得到的分类器集合起来，构成一个更强的最终的分类器（强分类器）。理论证明，只要每个弱分类器分类能力比随机猜测要好，当其个数趋向于无穷个数时，强分类器的错误率将趋向于零。 AdaBoost 算法中不同的训练集是通过调整每个样本对应的权重实现的。3 最开始的时候，每个样本对应的权重是相同的，在此样本分布下训练出一个基本

8、分类器h1(x)。对于 h1(x)错分的样本，则增加其对应样本的权重；而对于正确分类的样本，则降低其权重。这样可以使得错分的样本突出出来，并得到一个新的样本分布。同时，根据错分的情况赋予 h1(x)一个权重，表示该基本分类器的重要程度，错分得越少权重越大。在新的样本分布下，再次对基本分类器进行训练，得到基本分类器 h2(x)及其权重。依次类推，经过T 次这样的循环，就得到了 T 个基本分类器，以及 T 个对应的权重。最后把这 T 个基本分类器按一定权重累加起来，就得到了最终所期望的强分类器。 AdaBoost 算法的具体描述如下： 假定 X 表示样本空间， Y 表示样本类别标识集合，假设是二值

9、分类问题，这里限定Y=-1,+1。令 S=(Xi,yi)|i=1,2, ,m为样本训练集，其中 Xi X， yi Y。 始化 m 个样本的权值，假设样本分布 Dt为均匀分布： Dt(i)=1/m， Dt(i)表示在第 t 轮迭代中赋给样本 (xi,yi)的权值。 令 T 表示迭代的次数。 For t=1 to T do 根据样本分布 Dt，通过对训练集 S 进行抽样（有回放）产生训练集 St。 在训练集 St上训练分类器 ht。 用分类器 ht 对原训练集 S 中的所有样本分类。 得到本轮的分类器 ht： X Y，并且有误差 t=Pri-Diht(xi) yi。 令 t=（ 1/2） ln(1

10、- t)/ t。 更新每个样本的权值 ，其中， Zt是一个正规因子，用来确保 iDt+1(i)=1。 end for 最终的预测输出为： 4 3 实现基于 Adaboost 算法检测人脸的方法 本次人脸识别的设计相对来说比较的简单，只涉及有关人脸检测的第一步：判断出图片中是否有人脸，有就返回如片，没有就不反回图片。根据参考文献，我们了解到 Freundt和 Schapire 提出了 AdaBoost 算法，它的基本思想是利用大量的分类能力一般的弱分类器(weaker classifier)，通过一定方法叠加 (boost)起来，构成一个分类能力较强的强分类器，而不必直接去寻找通常情况下很难获得

11、的强学习算法。所以可以采用基于 AdaBoost 算法的级联分类器实现快速的人脸检测。 15 Adaboost 算法根据人脸面部的灰度分布特征，选择使用 haar 特征 ,首先提取图像中的haar 特征，然后通过训练过程从中选出最优的 haar 特征，再将训练得到的 haar 特征转换成弱分 类器，最后将得到的弱分类器进行优化组合用于人脸检测。 Adaboost 算法脸检测的流程分为两部分： 1.离线训练：将人脸样本与非人脸样本图片放入 Adaboost 算法训练集进行简单预处理（包括：提取 haar 特征；生成若分类器；训练过程 挑选若分类器，并赋予其权重的过程）。 2.检测过程：将处理过的

12、图像输入进 Adaboost 算法的检测集进行检测，检测后输出结果，如果是人脸样本就返回图片。其中检测的第一步是将待检测图像转换成灰度图像。第二步是通过灰度图像得到积分图像。第三步对积分图像在不同尺度上进行检测，并在不同的尺 度上分别将检测结果合并。第四步将不同尺度下的检测结果舍若后输出。 4 当然，虽然这些弱分类器几乎可以检测出所有的人脸训练样本，但仍然会有大量的非入脸样本会通过分类器，所以还需要利用训练过程得到的弱分类器，使用公式策略将部分弱分类器组合得到若干强分类器，各强分类器对人脸都有较强的检测能力。如果将多个强分类器级联在一起，那么能够通过各级强分类器检测的对象是人脸的可能性也最大。

13、级联分类器要求各级强分类器从简单到复杂，一级比一级严格，这样才能保证用最少的时间排除最多的非人脸。这里有一个指导性的原则：就是尽可能的保 证人脸图像通过率的同时减少非人脸图像的通过率，随着分类器级数的增长，组成强分类器所需的弱分类器个数将会不断增加，对通过的要求也越来越严格，直到所有非人脸样本都无法通过为止，这一过程始终要求尽可能的保证人脸样本的通过。算法可以采用人脸库作为训练样本集，取其中大量的人脸图像和非人脸图像进行人脸分类器的训练。在训练开始前，要先将样本图像进行预处理归一化为 2 4 x 2 4 像素大小，训练后可以得到分类能力相对较强的弱分类器。但是实际图片中人脸的大小有很大变化范围

14、，各人脸的大小不尽相同。为了能够检测出各种尺度大小的 人脸，这里还需引入多尺度检测机制。一种方法是将分类器的尺度进行变换，同时还需要改变弱分类器的域值，实现起来复杂，但检测速度较快。另一种方法是对图像在不同尺度下抽样，这种方法实现起来简单，但是比前一种方法稍微费时。把这些弱分类器组合成一系列的强分类器。将所得的强分类器级联成多层分类器 (级联分类器 )，使得每层都可以排除一些非人脸。这样可以提高人脸检测的速度。 5 级联分类器的结构可以如图 1 所示， 1， 2， 3， n 每个节点代表一个强分类器。在级联分类器的设计时。前面级的强分类器所包含的弱分类器的数量很小，检测率很高，从 而让人脸区域

15、能全部通过，并排除掉大部分的非人脸区域，可以加快系统的检测速度和精度。图 1 级联分类器结构图 在检测过程中，级联分类器获得待检的人脸区域后，将依次调用每级强分类器对该区域检测，如果检测的结果大于该强分类器的阈值就认为是人脸，否则是非人脸。只有被认为是人脸的区域进入下一级强分类器检测，被认为是非人脸的区域将被排除。一个区域要通过所有的强分类器才能被认为是人脸区域。 同时应该很好的了解 adaboost 算法中矩形特征和积分图的理论以及实现方法，因为Adaboost 用于人脸检测时，首先计算出大 量的简单 Harr 型特征。这些 Harr 型特征都有一定的人脸和非人脸区分性，再用 AdaBoos

16、t 学习方法挑选一些重要特征，最终系统使用数千个一维 Harr 特征组合起来达到很好的分类效果并大大提高检测速度。 AdaBoost 用于人脸检测时使用的特征是 Harr 型特征，由 Viola 和 Jones 提出，因其类似于 Haar 小波而得名。 图 2 简单的 haar 型特征 图 3 45 度脚方向的 haar 型特征 如图 2 所示， Haar 型特征的定义是黑色矩形和白色矩形在图像子窗口中覆盖的区域的6 灰度级总和之差，可见，它 反映了图像局部的灰度变化。 P Viola和 Mdone 最初用到的 Haar型特征共有 4 种。此后的文献中对 Haar 特征的扩充不断出现，其中较具

17、代表性的有R Lienhart 和 J Maydt 的 45。方向的 Haar 特征，如图 3所示 5。 4 总结 此次设计的人脸识别系统所实现的主要功能就是，在给出的任意一幅图像，对于这幅图像，我们采用一定的策略，在整个图片的范围内进行检索，搜索的目的是确定这幅幅图像中是否含有人脸。若次图像中含有人脸，则确定人脸的区域位置，并且将人脸的位置、大小和形态作为结果返回。根据实验要求此设 计主要应用静态多幅图像的人脸检测。对于静态检测技术来说，应该把检测率和误检率放在首要考虑从而得到性能更好的人脸识别系统。在近十多年来，计算机科学技术在人机交互领域的研究取得了较大的进步。我相信人脸检测技术作为其中

18、一项重要技术，其应用的范围以及发展前景将会越来越广越来越好。 7 参考文献 1 赵楠 . 基于 adaboost 算法的人脸检测 . 北京大学本科生毕业论文， 2005.6 2 蔡亦铮 . 基于 AdaBoost 的人脸检测系统设计与实现 . 百度论文库 ， 2003.6 3 张长安，王鹤 . 基于改进 Adaboost 算法的人脸检测系统的设计实现 . 中国科技论文在线， 2005. 4 林鹏 . 基于 Adaboost 算法的人脸检测研究及实现 . 百度论文库 ， 2007.3.1 5 许书环，孔斌，郑飞 . 基于肤色特征的 AdaBoost 人脸检测方法 . 计算机系统应用 ， 2010.第 19 卷第 6 期 6 唐旭晟，欧宗瑛，苏铁明，华顺刚 .基于 AdaBoost 和遗传算法的快速人脸定位算法 . 华 南理工大学学报 ， 2007.1 7 宗欣露，熊盛武，朱国锋 . 基于肤色和 AdaBoost 算法的彩色人脸图像检测 ， 计算机应 用研究， 2007.10 8 邓薇 . MATLAB 函数速查手册 2 版（修订本） .人民邮电出版社 ， 2010.5 9 吴鹏， Murphy Ho. MTALAB 高效编程技巧与应用 25 个案例分析 . 北京航空航天大学出版 社， 2010.6 10 张德丰 . MATLAB 数字图像处理 . 机械工业出版社 ,2009.1