驾驶辅助系统中人脸检测方法研究

2017-10-17张文霞王旭

汽车实用技术 2017年18期

关键词：训练样本驾驶室分类器

张文霞，王旭

（长春汽车工业高等专科学校，吉林长春 130000）

驾驶辅助系统中人脸检测方法研究

张文霞，王旭

（长春汽车工业高等专科学校，吉林长春 130000）

文章从车辆的主动安全角度出发，利用Adaboost算法训练人脸分类器，然后进行人脸检测，从而确定人脸区域。文章采集了大量驾驶室环境样本进行人脸分类器的训练，还对提出的方法进行了对比分析，实验说明提出的人脸姿态估计方法具有高速、精确的特性。这项技术可以应用于驾驶辅助系统的开发。

Adaboost算法；人脸分类器；样本；人脸检测

Abstract:In this paper, the Adaboost algorithm is used to train the face classifier from the point of view of active safety of the vehicle, and then face detection is carried out to determine the face area. In this paper, a large number of cab environment samples are collected for human face classifier training, and the proposed method is compared and analyzed. The experimental results show that the proposed method has high speed and accurate characteristics. This technology can be applied to the development of driving assistance systems.

Keywords: Adaboost algorithm; face classifier; sample; face detection

CLC NO.: V448.15+1 Document Code: A Article ID: 1671-7988 (2017)18-83-02

前言

目前驾驶辅助系统的开发一般都需要人脸区域的准确定位，比如疲劳预警系统，本文要确定驾驶室环境下的人脸区域，然后在人脸区域内进一步检测，再对人脸特征精确定位。

目前，所有人脸检测的方法可以分为两大类：基于知识的方法与基于统计的方法。基于知识的方法：首先根据先验知识将人脸看成是器官特征的组合体，再根据眉毛、眼睛、鼻子和人嘴等器官的特征以及相互之间的几何位置关系来实现人脸检测。基于统计的方法：是把人脸看作一个整体（即为二维像素矩阵），先根据统计的观点应用大量的人脸图像样本构建出人脸的模式空间，然后再根据相似度来判断图像中是否有人脸存在。其中，基于知识的人脸检测方法包括：颜色特征、模板匹配、形状与边缘、纹理特性、人脸特征；基于统计的人脸检测方法包括：支持向量机、主成分分析与特征脸、神经网络方法、隐马尔可夫模型、Adaboost算法。

1 人脸检测

1.1 驾驶人的人脸检测分析

研究驾驶室环境下的驾驶人人脸检测方法需要解决以下几个问题：

（1）驾驶室环境下图像背景的复杂性

驾驶人所处的驾驶室内环境一般较为复杂，这样不利于提高人脸检测的准确性及快速性，增加了误检的可能性和消耗更多时间。

（2）光照不均匀性

汽车在行驶过程中驾驶人会受到不同方向的阳光和各种颜色的灯光的照射，特别是当光线照射到驾驶人的脸部时，人脸检测及眼睛定位的准确性和快速性都会受到很大影响。目前大部分的面部检测算法都不能有效的去除光照的影响。

（3）驾驶人头部姿态的多样性

驾驶人头部在三维坐标系中绕三个坐标轴的旋转运动造成了人脸图像的变化，其中绕Y和Z轴的深度旋转将会造成面部的部分信息缺失，这就增加了人脸检测的难度。

针对以上驾驶室环境下的人脸检测问题，论文提出了新的基于AdaBoost算法，可以有效解决这些不利因素所造成的影响。

1.2 Adaboost算法

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。Adaboost训练强分类器的算法具体描述[i]如下：

（3）t=1…T，T为训练次数

最后，根据本轮选中的弱分类器分类结果更新下一轮样本权重：

（4）最终的强分类器为：

先初始化样本权重，在此样本分布下训练出一个基本分类器h1(x)。对于h1(x)错分的样本，增加其对应样本的权重；反之，对于正确分类的样本，则降低其权重。这样就可以将错分的样本突出出来，并且得到一个新的样本分布。同时，根据分类的情况赋予h1(x)一个权重，代表了该基本分类器的重要程度，被错分的样本越少分类器权重越大。使用更新的样本分布，再对基本分类器进行训练，得到分类器h2(x)及其权重。以此类推，经过T次这样的循环后，就能得到T个基本分类器和T个相应的权重。最后将这T个基本分类器按相应权重累加起来，就得到了最终的强分类器。

1.3 训练样本的选取

由于根据检测目标，针对性的选择人脸训练样本。因此，本文采用了第二种方法，将驾驶室环境的图像的人脸区域裁剪出来作为人脸训练样本，这样使得对于驾驶员的人脸检测的针对性更强。本文的人脸训练样本包含了10个人的不同姿态的1539个人脸训练样本，所有样本大小均为20×20，文件格式均为bmp。图1中列举了其中的一些样本。

图1 部分人脸训练样本

负样本的选取原则是：不同样本之间要存在较大的差异；选取一些与人脸样本相似的非人脸样本。本文使用的非人脸图像有三个来源：一是采用MIT非人脸库中的2000个非人脸样本，其大小均为20×20；二是下载网络上已经收集好的非人脸样本资源，采用了其中的950张640×480的大尺寸非人脸图片；三是从驾驶室环境的图像的背景区域裁剪出来的和下载网络上汽车内饰图片，共包含50张，图2列举了其中的一部分样本。