基于Adaboost人脸检测技术浅析

苏州市职业大学电子信息工程学院 陈海涛 潘 静

1 引言

人脸检测技术是指从图片或者一段视频流中检测是否存在人脸，如果存在，则将人脸的坐标，大小等信息表示出来，如图1所示。如果从技术领域来看，人脸检测属于目标检测领域，而目标检测分为两类:第一类通用目标检测，这种检测主要是检测图像中多个类别的目标；第二类是只针对某一种目标进行检测，人脸检测就属于这一类。

图1 人脸检测

20世纪60年，研究人脸识别技术的专家提出来了人脸定位的问题。当时提出这个问题主要是为了解决人脸识别过程中如何确定人脸位置。但在人脸检测的早期阶段，由于计算机的运算能力和一些其它技术方面的限制，所以，那时人脸检测技术并没有受到重视，发展得十分缓慢。不过由于近些年计算机的性能在不断地提升，计算能力是以前计算机无法比拟的，所以人脸检测在发展初期遇到的技术瓶颈也就迎刃而解了，这几年人脸检测技术得到了快速的发展，人脸检测技术也日趋成熟。

生物特征识别包括生物的指纹、声音、虹膜和人脸等识别，但人脸识别的快速性、准确性和便捷性都是其它生物特征识别无法比拟的。因为它的这些优势和人脸检测的应用范围的扩展，人脸检测早已作为一个独立的研究方向了。目前，国内外都对人脸检测技术有专项的研究，例如中国科学院计算技术研究所，科大讯飞，美国卡耐基梅隆大学，苹果公司等等。

本文将着重介绍人脸检测的方法及存在的一些问题和未来的发展方向。

2 基于Adaboost的人脸检测技术与问题

目前人脸检测有多种方法，也各有各的优缺点，大致可以分为两类。第一类是根据人脸的特征进行人脸检测，主要包括面部轮廓，面部的器官分布，面部对称性，肤色纹理等特征；第二类则是根据图像进行人脸检测[1]。本节主要介绍的是基于Adaboost(Adaptive Boosting)的人脸检测技术，其特点是自适应增强。

Adaboost算法是上世纪90年代由Paul Viola和Michael Jones提出的一种人脸检测的算法，此算法是一种快速的迭代算法，用一个训练集训练不同的弱分类器，再把这些弱分类器放到一起，综合成一个最终分类器，此分类器就是强分类器[2]。要得到这样一个最终分类器，大致可由以下四个步骤完成：

1)对N个训练样本进行权值规一化，使每个样本的权值都为1/N；

2)训练弱分类器，让分类正确的分类器的权值变小，分类错误的权值变大。训练后的分类器用于下一次训练，并根据这个训练方法迭代下去；

3)加大分类错误率低的分类器的权重，减小分类错误率高的分类器的权重，使得前者起决定作用，后者起辅助作用；

4)将训练好的弱分类器集合起来变成一个强分类器。

人脸检测中，Adsboost算法选用一些简单的黑白矩形构成的特征来采集人脸的特征，这些矩形构成的特征就是Haar特征。Haar特征分为三类，如图2所示，图2中的第一类特征是边缘特征，第二类是线特征，第三类是中心环绕特征和对角线特征。

图2 Haar特征

这些特征都可以表示图像的灰度值的变化，像素分模块求差值的一种特征[3]。例如：鼻尖要比鼻尖两边的颜色要浅。由此看出，Haar所描述的特征都是一些简单且特定的特征。Haar特征值是由如下公式计算而来的：

第一类和第三类特征的计算方法：V=Sum白-Sum黑

第二类特征的计算方法：V=Sum白（左）+Sum（右）-2*Sum黑

注：1)V为Haar特征值；2)在第二个公式中。减去两倍的“sum黑”，是因为在计算过程中，需要保持黑白像素比为1：1。

在实际操作中，“Sum黑”和 “Sum白”的Haar特征是通过黑白矩形框在待检测窗口中由放大+平移产生一系列子特征所构成的，但是在这一系列的运动中，黑白矩形框的黑白区域面积比始终保持不变。如图3所示，以Haar_x2特征为例，在经过放大和平移过程中，白：黑面积比始终是1:1。先是在图片所示的橙色矩形框中的检测窗口中生成一个最小的Haar_x2特征，如图3-a所示；然后在待检测窗口中沿着x轴和y轴依次平移，每次平移都会产生一个大小为2个像素的Haar_x2的特征；接着将Haar_x2特征进行等比例放大，重复之前的操作，则会产生放大以后的Haar_x2的特征，如图3-b所示；直到等比例放大后的Haar特征与橙色矩形框所示的待检测窗口同样大的时候结束，这时一个完整的Haar_x2特征就产生了，如图3-c所示。Haar特征的个数可以由下面的公式算得：

灰度图像的Haar特征值是采用离散二维矩阵来计算，积分图公式如下：

注：待检测的灰度图中的任意一点：image（x，y）

虽然现在的人脸检测技术已经得到了快速的发展，是初期人脸检测技术无法比拟的。但是还是有很多因素限制着人脸检测技术的发展。其中较为突出的因素有：光照强度的不同，人脸姿态及表情的多样性，模糊不清的人脸等等。人脸检测对光照强度要求非常苛刻，所以这个因素也是人脸检测中的一大难点。如果光照太强，则会在人脸突出部位造成面部阴影；如果光照太弱，则会致使画面亮度太暗。现在为解决这个难点，技术人员一般选用直方图均衡的方法。采取这种方法可以使得图片的全局对比度变大，使原图的灰度直方图中比较集中的部分在全部灰度范围内进行均匀分布，这样不仅不会影响整体的对比度，还可以增强局部的对比度，使得层次更清晰。

人脸的姿态问题和表情问题同样是人脸检测中的难点，在这种情况下，人脸检测的检测率会瞬间下降。在人脸检测过程中，人脸在很多情况下都不会是正脸。对于这种情况，可以对人脸先进行一个预处理，即将类似于人脸的部分进行一定角度的旋转，在进行下一步检测。或选用一些不随人脸角度改变而变化的特征来检测，如：肤色。

人脸检测过程中，不一定是检测静止的人，大多数情况下，被检测的对象都是运动的，这种情况下的人脸一般都是模糊的，不清晰的。例如检测一段视频流中的对象，可以采用对一帧图像进行检测，并且尽可能多的采集图像进行检测。以避免漏检误检的问题。

3 人脸检测的未来发展

随着科技的发展，人们对于生活智能化的要求也在不断的提高。而在近一段时间内，人脸检测研究基于人体特征的唯一性，取得了一定的进展。例如亚马逊的刷脸购物、蚂蚁金服的“刷脸取件”、英飞拓“人脸布控”工程项目等等。

在未来，有许多问题需要深入研究，人脸检测显然是其中之一。例如：任意集合中的人脸是不是都可以通过一个人脸检测器检测，如果出现一个新的集合，能否利用原来的人脸检测器就可以适应这个新的图像数据集。如果可以，那么这将是有非常高的实用价值和普及推广性。在众多检测中，人脸检测对于环境的适应性的要求更高，在人脸检测的初期阶段，虽然已经有人对这方面进行了研究。但是作者相信，在未来的工作研究中，这仍然是一个的重点发展方向。作者在此做个大胆的预测，在不久的将来，人脸检测会成为学习、工作和生活的重要工具和手段，其重要性不言而喻。

[1]李刚,高政.人脸检测技术研究与发展[J].计算机与现代化,2003,4:2-3.

[2]孔凡芝，张兴周.基于Adaboost的人脸检测技术[J].应用科技,2005,32(6):2-3.

[3]艾海舟,肖习攀.人脸检测与检索[J].计算机学报,2003,26(7):2-3.

[4]布拉德斯基.学习OpenCV(中文版)[M].北京:清华大学出版社,2009.

[5]毛星云.OpenCV3编程入门[M].北京:电子工业出版社,2015.