基于AdaBoost方法的人脸检测研究

凌鹏程

摘 要：伴随城镇化的进展，在测控以及监管流动人口部分，给政府人员的巡查以及监管带来一定难度，首先概述了人脸检测方法，包括人脸检测方式和学习策略，进而研究了AdaBoost人脸检测算法，包括算法基本流程、Haar长方形特征、AdaBoosting级联分类装置。给出人脸特征获取，图像空间映射和主分量解析算法，最后分析了AdaBoost方法訓练方法和检测算法、误检与漏检情况。

关键词：人脸检测；AdaBoost；图像空间映射；主分量解析

中图分类号：TB 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.17.097

1 引言

由于人脸检测成为身份认定的主要方式，并且应用在现有的民用、商业的行业中，并得到好的发展。此外，国家为构建安定和谐社会，国内加强针对经济领域，刑事犯罪领域的攻击力度。并且在安全控制者实现犯罪事件的处理中，常将犯罪人员的相片以及特点材料公布给社会。但选取该方式会消耗大量人力以及财力，并且由于犯罪人员的狡猾以及伪装特点该方式效率低而代价大。若选取人脸检测方案，能够提升处理效率，譬如在主要的车站模块，码头模块，机场模块以及海关部分装设摄像装置能够录入出入者的人脸特征，将获取的人脸特点在数据集合中和犯罪人员的面部特点实现比较，得到精准的身份认证，便于处理犯罪人员的自动报警，该方式给安全防护人员给出了强大的策略支撑。

本文结合AdaBoost方法和Haar like特点划分算法，针对人类皮肤颜色选取meanshift策略和人眼算法二值化实现决策化结合，并依据视频时序特征完成搜索。

2 人脸检测方法概述

2.1 人脸检测方式

人脸检测即采用给定的录入图像判定能否包含人脸区域，若包含，则应当给定人脸区间的大小，方位以及姿势等相关信息。人脸检索包含人脸的多样特征，遮挡特征，复杂背景算法以及人脸状态的作用。科研人员选取图像检索策略处理了人脸检测问题。基于知识算法的人工识别方案包含针对人脸模型的判别，采用规则实现人脸检测，譬如人脸的对称性，并且选取简约的规则给出两者之间的关联，并且转换为相应的测算，采用解析算法构建人脸校验方案。若该方案较为简单并且容易实现，因而有可能出现漏检的状况。

2.2 学习策略

采用学习策略获取大部分人脸以及非人脸的训练算法，进而利用机器学习算法构建分类装置，采用分类装置实现人脸检测。采用学习策略搜索人脸和机器方法的处理性能以及训练样本算法的实际表现能力相关，与采用知识算法的策略比较，专门针对复杂环境的算法存在较好的鲁棒性。

2.3 本章小结

采用人脸检测方法能够完成身份鉴别，并给出相关标准，在商务行业中得到相关应用。在静态图像中得到实时的图像配准算法成为现有的计算机行业的检测重点。此外，针对监控序列中的人脸检测算法实现拓展，并且在人脸检测识别中融入姿势，面部状况等因素。

3 AdaBoost人脸检测算法

3.1 AdaBoost人脸检测算法概述

AdaBoost人脸检测算法人脸检测装置主要包含三个模块，其一为Haar长方形特征；其二为Adaboost分类装置；其三为分类装置的级联算法。

3.2 AdaBoost人脸检测算法基本流程

3.2.1 Haar长方形特征

Haar特征包含三个部分，水平模块以及垂直模块的边缘特征，水平特征以及垂足模块的线性特征以及对角特征。Haar长方形模块中包含白色以及黑色的颜色标定，此外针对Haar的矩阵算法给定特征结果为白色矩阵中的像素并且除去黑色矩阵中的像素和。为测算Haar特征，Viola以及Jone给出积分算法，选取该方法能够完成图像实现快速测算。

3.2.2 AdaBoosting的训练算法

针对24*24的检测模块，其矩形框的数目高达四万个左右，为获取相应的矩形算法的特征，需要针对特征点的集合进行计算，由于计算数目较大，因而Viola选取Adaboot方法算法得到弱分类装置，进而构建得到强分类装置。

3.2.3 级联的分类装置

人脸检测算法是一个非堆成算法的分类模块，即选取大部分训练样本的简单分类准则实现划分，并选取单位级联装置实现级联，各个单位的分类装置在训练时能够得到较好的检测结果，而采用单层级分类装置实现级联能够得到较高的校验效率。

3.3 人脸特征获取

3.3.1 特征获取

人脸检测包含主要模块的特征获取，其首要的目标为把检测得到的人脸图像提取并且转换为人脸特点模块，能够实现降低空间维度的作用，能便于之后的分类。特征获取的主要性能为加速、简化测算速率以及识别算法中的精确程度，为实现以上几个模块，本文选取除去图像的繁杂信息和获取特点向量算法实现人脸检测功能。

3.3.2 图像空间映射

为实现迅速高效的图像解析和处理，常用的方法即将给定的图像空间采用映射的算法透射到另外一个空间，并且采用该转换算法实现分析，常见的转换算法为K-L变换，傅里叶变换，小波变换算法以及Z变换算法。由于人脸为非刚性模块，想要表述人脸特性，即应保障很高的维数特点形成繁杂的计算算法。

3.3.3 主分量解析算法

主分量的解析算法选取信息缩小的算法得到正交变换模型，把初始的高维算法转换到信息压缩之中，实现初始信息的关联消除，进而使得信息的排布变得紧密，给分类的处理方法得到好的方法。

3.4 本章小结

本章主要给出采用视频监测的人脸检索方法，并且分析了当前的主要人脸检索方法，详细地给出Adaboosting的人脸校验方法，其中包含Haar长方形特点，训练分化以及级联层级算法，进而采用主分量分析算法获取人脸特点。

4 AdaBoost方法训练方法和检测算法

4.1 训练方法

一个Haar特点即为一个弱分类装置，由于各个人脸的样本Haar数目较多，并且Haar参量并不能体现人脸灰度结果。AdaBoost训练算法首先将人脸特点用作弱分类算法。将人脸训练分为四个部分：其一为训练样本；其二为获取Haar特点；其三弱分类装置选取；其四为级联方法的强分类算法级联。

4.2 AdaBoost方法训练过程

（1）获取样本，AdaBoost训练样本包含人脸和非人脸样本，即依据光线，姿势，装饰以及表情等模块的样本训练，完成尺寸统一和光照平衡。

（2）haar特点获取，具体分析和测算如上个章节。

（3）弱分类装置获取，各个Haar特点即为一个弱分类装置，本文测算Haar方位特点，统筹样本数据

（4）级联分类，基于AdaBoost训练，完成弱分类装置的选取和提升，增强分类装置。

4.3 检测算法

实际生活中人脸图像的尺度存在差别，因而需要构建多层级的人脸检测算法，本文主要选取以下两类方法：其一为保障窗体不变，但按照比例缩小图像的尺度，该方法需要较长时间处理图像尺寸；其二为在检测图像恒定的状况下，按照比率放大窗体，获取全部特征。

4.4 误检与漏检情况

AdaBoost算法在人脸检测方法中具有监测效率高，持续性好的特点，但误检和漏检的状况也时有发生。

误检：AdaBoost根据人脸不同区间的灰度差值为依据，依照灰度差别条件判别人脸。由于该方法自身的局限性，需要对检测值完成反复校验。

漏检：AdaBoost检测方法也有对人脸检测失误的状况，当人脸转换角度较大时，由于特征获取并不完备，且OpenCV人臉训练的样本均以正面的人脸为多，使得人脸易产生检索失误的状况。

4.5 结论

以上主要分析了 AdaBoost方法训练方法和检测算法，给出特征检测和计算方法，并给出AdaBoost方法训练方法和检测算法，AdaBoost方法训练过程，具体的检测算法，误检与漏检情况。

5 总结

选取人脸检测方案，能够提升处理效率，譬如在主要的车站模块，码头模块，机场模块以及海关部分装设摄像装置能够录入出入者的人脸特性，并且将获取的人脸特点在数据集合中和犯罪人员的面部特点实现比较，进而得到精准的身份认证，并且便于处理犯罪人员的自动报警，该方式给安全防护人员给出了强大的技术支撑。

本文首先研究了AdaBoost方法的人脸检测方法的意义。进而概述了人脸检测方法，即采用人脸检测方法能完成身份鉴别，并给出相关标准，在商务行业中得到相关应用。在静态图像中得到实时的图像配准算法成为现有的计算机行业的检测重点。此外，针对监控序列中的人脸检测算法实现拓展，并且在人脸检测识别中融入姿势，面部状况等因素。

然后采用视频监测的人脸检索方法，分析了当前的主要人脸检索方法，详细地给出AdaBoosting的人脸校验方法，其中包含Haar长方形特点，训练分化以及级联层级算法，进而采用主分量分析算法获取人脸特点。

最后分析了 AdaBoost方法训练方法和检测算法，给出特征检测和计算方法，并给出AdaBoost方法训练方法和检测算法，AdaBoost方法训练过程，具体的检测算法，误检与漏检情况。

参考文献

[1]E L Andrade，R B Fisher.Simulation of Crowd Problems for Computer Vision[C].Proceedings of the First International Workshop on Crowd Simulation，2015：71-80.

[2]丁锐，刘甲甲，李柏林，马静恒，熊鹰，王凯.改进的Otsu图像多阈值分割方法[J].计算机应用，2013，（S1）：214-217.

[3]陈博华，戴少鹏.基于OpenCV的图像处理方法[J].电子技术与软件工程，2015，（19）：125.

[4]季玉龙，杨光，戈文一.基于粒子滤波的目标主动轮廓跟踪算法[J].电子科技大学学报，2015，（01）：91-96.