基于SVM的人脸检测算法

焦蓬斐　秦品乐

摘 要：人脸检测作为机器视觉研究的重要内容，在视频监控、安防等邻域具有广泛的用途，是人脸识别的前提条件。本文采用支持向量机（support vector machine， SVM）理论对输入的训练样本进行分类，得到人脸分类器。将输入的待检测图片利用金字塔图像算法遍历每个检测窗口可检测在该图像中是否存在人脸。

关键词：机器视觉；人脸检测；SVM

DOI：10.16640/j.cnki.37-1222/t.2016.08.202

1 引言

随着机器视觉的快速发展使得生物识别技术不断推进。其中应用最广的要数人脸识别技术，该技术主要利用不同人之间固有的生理特征区别进行个人身份的认定。其中人脸检测技术是人脸识别的前提。

人脸检测（Face Detection）是自动人脸识别系统中的一个关键环节，是一种在任意图像中找到人脸的位置和大小的技术，是人脸识别的基础部分。现有的人臉检测方法可以大致分为两大类：特征模板匹配与基于人脸灰度统计特征。由于人脸是具有相当复杂的细节变化的自然非刚性结构目标，这类目标的检测问题的难点在于：（1）人脸由于表情、外貌、肤色等特性的不同，存在模式的可变性；（2）脸上的不同装饰物，如眼镜、胡须、刀疤等附属物；（3）作为三维物体不可避免的会受到光照而产生阴影的影响。因此，想要解决这些问题，就需要构造一个成功的人脸检测系统，同时也将会为类似的复杂模型提供解决方案。人脸检测是一个综合的问题，是一个多角度的分类问题。因此这些分类特征中有用信息有哪些，并且如何将有用信息运用起来，是人脸检测问题研究中的关键性问题。本文采用多种模式特征综合的方法，构造出快速人脸检测模型。

2 人脸检测流程

人脸检测过程的通常步骤：预处理、特征提取、特征向量转化到待检测区待定，对待检测区的特征向量进行分类检测，最后得到检测结果，具体描述如下：

2.1 输入图像预处理

图像的预处理主要包括图像增强、锐化、平滑滤波、梯度照度修正等方面的处理。因为在实际生活中所获取的原始图像挺长受光照、噪声等影响，需要进行预处理以消除干扰，后续的处理就用消除干扰的图像。

2.2 图像特征提取

图像特征提取指的是使用图像处理算法提取图像中具有代表性的信息，决定每个位置的像素点是否属于一个图像特征。特征提取的结果是把图像上的所有点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。图像分析通常是检测目标的某些特征来进行处理，如：颜色特征、形状特征、纹理特征、空间关系特征。

2.3 分类器

分类器的训练和检测是人脸检测这类特征模板匹配问题中最关键的步骤。训练样本分为正样本和负样本，其中正样本是指有待检测目标（本设计为人脸），负样本是其它的任意图像，最后需要将所有的样本都归一化为同样尺寸大小的图片。应用之前提取到的特征值，需要将特征向量用决策面划分不同区域，这样可以提高分类的准确性。

3 基于SVM的人脸检测算法实现

采用监督式学习方法将采集到的负样本（非人脸）与正样本（人脸）一起用HOG算法训练SVM 分类器。在实验测试中，算法可以实现在图像中单个人脸以及多个人脸的检测。

4 结束语

本文提出使用基于线性和非线性SVM 级联分类器构造人脸检测系统。将采集得到正负样本数据归一化，得到相同尺寸大小的样本集，这样做的好处是减少了运算量，同时了加快了运算速度。其次采用SVM分类器对样本进行分类，得到最后结果，即人脸分类器。之后就可以输入待检测的图片，利用金字塔图像算法遍历每个检测窗口中的图像，当遍历结束，就可以得到在这帧图像是否是人脸图像。

参考文献：

[1]Osuna E，Freund R， Girosi F. Training support vecrot machines：An application to face detection. In Proc of the CVPR.1997.

[2]Chih-Chung Chang，Chih-Jen Lin. LIBSVM[J]. ACM Transactions on Intelligent Systems and Technology （TIST）， 2011（3）：10-47.

[3]陈亚雄.基于Gabor小波和SVM 的人脸表情识别算法[J].现代电子技术，2011（20）：24-57.

作者简介： 焦蓬斐（1991-），男，山西忻州人，硕士在读，研究方向：计算机视觉及图像处理。