基于Adaboost算法的远距离人脸检测

徐 信，郝晓丽＋，王 芳

（1.太原理工大学 计算机科学与技术学院，山西 太原030024；2.太原理工大学 信息学院，山西 太原030024）

0 引 言

由于摄像头和观测人群之间距离较远，使得监控视频图像中的感兴趣区域 （人脸区域）面积往往很小，图像模糊、噪声大并且分辨率低，检测时准确率低误报较高［1］。检测并识别远距离获取的图像中的人类对象时，还需要手动操作，耗费的时间与工作量较大［2］。因此人脸检测需进一步研究，准确检测人脸也是现实中亟待解决的问题。

Adaboost算法是一种流行的快速检测物体算法［3］，并在人脸检测领域取得了突破性进展，实现了实时快速人脸检测［4］。但是，在远距离获取的图像中只运用Adaboost算法进行人脸检测并不充分，误报高检测精确度低，所以常结合其它算法一起使用。肤色信息是人脸的重要特征，也常常被应用到人脸检测中［5，6］，人脸肤色空间在整个色度空间中只是一个很小的子空间，有较强的聚类特点，并且易于提取。利用肤色信息进行人脸检测，算法简单、速度快［7］。因此提出了基于Adaboost算法的误报缩减机制用来去除在低分辨率图像中的检测误报。

误报缩减机制包括肤色检测和可变边缘蒙版筛选，肤色检测需运用图像的颜色信息，可变边缘蒙版用来评价人脸边缘形状。待检测窗体区域的肤色检测是基于GRB这3种颜色分量的评价值。随后生成的二进制群集图像，是由已经通过了肤色检测窗口区域的部分组成，二进制集群由通过检测的每个像素点颜色确定。马氏距离的计算使用的是均值矢量和替代区域集群的协方差矩阵，并且遵循卡方分布［8，9］。边缘蒙版的大小与椭圆的长轴短轴类似，都为服从于90%置信区间的卡方分布。实验运用监控系统和普通相机抓取到的图像进行研究，实验结果表明，平均误报得到显著降低，基于Adaboost算法的误报缩减机制不但适用于在远距离拍摄图像中进行人脸检测，也适用于一般图像，具有较强的实用性。

1 Adaboost算法的人脸检测原理

1.1 人脸检测原理

所有通过计算机检测人脸的算法或方法都包含3个主要的子任务：①将输入图像转换为初步表示 （可包含预处理以及数学变换，如主成分的计算）；②选择主要特征（如：把前n个元素或系数离散余弦变换）；③分类／聚类任务 （如：聚类分析模型，神经网络等）。

给定一组被划分在不同类别中的对象 （图像），即预定义拓扑结构是分离的。根据这种拓扑结构，那些已被分到已知类的对象 （图像）称为训练样本，其它对象 （图像）的归属类是未知的。立足于训练样本的信息，需要建立一个能够对任何给定的对象进行分类的算法，即分类器——一个数学函数，通过分类算法实现，输入数据后可以映射到一个类别。

机器学习的术语中，分类被认为是监督学习的一个实例，在学习中被正确识别的观测训练集是可用的。图像分类的主要任务是目标检测，人脸检测中的Adaboost算法有两个类，分类的定义如下：包含对象特征的集合X，属于类的对象数量Y。有等式关系：Y＊：X＝＞Y，训练样本为Xm＝｛（x1，y1），…（xm，ym）｝。函数f是由特征向量 X建立的，它能判断任何可能的X以及x∈X的对象是否属于已知类，这条简单的规则对于给出的新数据有很好的分类效果。

1.2 Adaboost算法简介

Adaboost算法中，在构造弱分类器的基础上进一步提出级联分类器的思想［10］，除第一个以外的所有分类器需要学习前一个分类器的错误分类对象，通过多数分类器检测的对象将被判决到某个已知类中。然而，学习和创建训练样本是一个需要很长的过程，分类检测任务假定分为两个类：Y＝ ｛－1，＋1｝，AdaBoost算法包括以下主要步骤：

预先给定

初始化权重

For t＝1，…，T：①运用Dt的分布训练弱学习算法；②获取弱假设 （即弱分类结果）

对于分类错误的样本

选择

更新权重

Zt是常量因子，输出最终假设

AdaBoost算法具有许多优点，如快速、简单且易于编程，并且不需要任何参数来调整 （除了循环次数），不需要任何关于弱学习的先验知识，因此可以灵活运用任意组合的方法寻找弱假设。Adaboost方法在近距离获取的图像中检测人脸效果很好，可快速检测图像中的正面直立人脸［11］。但是，Adaboost算法在远距离获取图像中人脸尺寸低于30＊30像素时很难发挥作用，误报会大幅度增加。基于Adaboost上述特点，本文提出了误报缩减机，用来提高检测准确率。

基于Adaboost算法的误报缩减机制人脸检测系统分为以下几个阶段：Adaboost检测，肤色检测，可变边缘蒙版筛选检测。在第一阶段，Adaboost过滤器产生一定数量的候选窗口，随后肤色检测和可变边缘蒙版过滤机制用来验证候选窗口并删除误检区域。本文算法步骤如图1所示。

2 基于肤色和边缘蒙版的误报缩减

Adaboost过滤器之后的肤色过滤方法和边缘蒙版过滤方法用来移除误报，首先，待检测窗口运用肤色过滤器进行检测。

图1 人脸检测方法框架

式 （8）中，mr，mg和mb分别为候选窗口中红 （red）、绿 （green）和蓝 （blue）分量的平均值，另外，ξr，ξg，ξb和ξd为预定义阈值，符号 “∩”是逻辑与，算法如式 （9）所示

式（9）为二进制群集图像产生算法，其中Ir（j），Ig（j）和Ib（j）为组成像素j的红、绿、蓝分量的强度。可选择像素在二进制群中的位置为Xj＝ ［xjyj］t，xj和yj为像素j在x轴与y轴方向上的位置，t代表矩阵转置。马氏距离（Δ）介于xj与mx之间，定义如下

其为群集中可选择的图像中心像素点平均矢量mx；∑xx为可选择像素点协方差矩阵；Δ服从卡方分布（），因此椭圆可通过卡方转置累计分布函数 （CDF）的90%置信区间进行估算。边缘屏蔽大小由椭圆的最长轴线与最短轴线共同决定，当k为常量时，最长轴线Imax＝k最短轴线和λ2（λ1＞λ2＞0）同为协方差矩阵的特征值。图2为可变边缘屏蔽设计步骤，图3为一副25＊25的人脸图像，图3为在生成的二进制群集图像中做出估计椭圆，为后续生成边缘蒙版做准备，图4为根据二进制群集图像生成的边缘蒙版。

边缘蒙版由－1，0，1这3个不同的数字组成，图5显示的是本文实验，边缘蒙版中像素值Imax＝Imin＝15。边缘蒙版过滤器定义如下

当he作为边缘蒙版时，we为窗口区域的边缘图像，ξe为阈值，nw是窗口中像素点的数量。边缘蒙版过滤器检测人脸形状边缘是否在窗口范围内，即图4中标记为1的位置。

3 实验结果

本文实验运行环境：Pentium IV 2.0GHz CPU，2G内存，Windows XP操作系统，在 Matlab 6.5以及 VC＋＋6.0仿真软件平台上编程实现。在实验中，由监控摄像机拍摄得到人体图像。图6是由监控视频获取图像，图7由普通相机距离人体15m处获得待检测图像，图6（a）和图7（a）为Canny边缘检测方法得到的边缘图像；图6（b）和图7（b）表示拍摄得到的图像进行Adaboost过滤后输出的候选窗口情况；图6（c）和图7（c）表示Adaboost算法与肤色检测结合后输出的候选窗口情况；图6（d）和图7（d）是运用了由本文提出的误报缩减机制，显示最终通过边缘蒙版过滤器检测的人脸面部区域图像。

检测效果图像如图6和图7所示。

由表1可看出，运用传统Adaboost对远距离抓取得到的图像进行人脸检测时，检测窗口数量高达349，误报检测窗口数量为261，高达检测窗口总量的75%。Adaboost之后添加肤色检测对检测窗口进行过滤时，检测窗口数量下降到92个，随之误报检测窗口数目也下降到7个，此时，误报检测窗口数量约占检测窗口总量的7.6%。运用本文提出的误报缩减机制，对Adaboost和肤色过滤后的图像继续筛选，可变边缘蒙版对可疑人脸区域进一步排除，此时检测窗口数量下降到44，误报检测窗口个数减少为0。

图2 候选窗口

图3 带有估计椭圆的二进制群集图像

图4 边缘蒙版

图5 可变边缘蒙版

图6 监控视频获取图像检测结果

图7 普通相机获取图像检测结果

表1 监控视频图像检测结果对比

由表2可看出，运用传统Adaboost对远距离抓取得到的图像进行人脸检测时，检测窗口数量为165，误报检测窗口数量为119。Adaboost算法对待检测图像过滤之后添加肤色检测继续对检测窗口进行过滤时，检测窗口数量下降到51个，误报检测窗口数目下降到4个。运用本文提出的误报缩减机制进过图像筛选后，检测窗口数量下降到37，误报检测窗口个数为0。由实验结果表明，该方法能显著减少远距离人脸检测中的误报数量。

表2 相机获取图像检测结果对比

4 结束语

针对Adaboost人脸检测算法对远距离图像中的人脸识别误报率高，本文提出了一种远距离人脸检测方法，用颜色与形状信息将误报被移除，检测肤色和边缘信息来确定候选窗口。实验显示，本文算法处理远距离抓取图像时，移除错误感兴趣区域的性能要优于Adaboost算法，有较高的效率，实现了准确的人脸定位。该算法也具有一定的实用性，改变训练样本后，可以用来检测其它物体。

［1］Pandya JM，Rathod D，Jadav JJ.A survey of face recognition approach ［J］.International Journal of Engineering Research and Applications，2013，3 （1）：632－635.

［2］Zhang C，Zhang Z.A survey of recent advances in face detection ［R］.Tech Rep，Microsoft Research，2010.

［3］Chen S，Ma X，Zhang S.Adaboost face detection based on haar－like intensity features and multi－threshold features ［C］／／International Conference on Multimedia and Signal Processing.IEEE，2011：251－255.

［4］Dai W，Yang Q，Xue GR，et al.Boosting for transfer learning ［C］／／Proceedings of the 24th International Conference on Machine Learning.ACM，2007：193－200.

［5］Vincenzo R，Lisa U.An improvement of adaboost for face－detection with motion and color information ［C］／／14th International Conference on Image Analysis and Processing.IEEE，2007：518－523.

［6］Wu YW，Ai XY.Face detection in color images using Ada－Boost algorithm based on skin color information ［C］／／First International Workshop on Knowledge Discovery and Data Mining.IEEE，2008：339－342.

［7］KANG Jinfeng，WANG Guoying.Algorithm of skin detection based on color space YCgCr ［J］.Computer Engineering and Design，2009，30 （19）：4443－4446 （in Chinese）. ［康进峰，王国营.基于YCgCr颜色空间的肤色检测方法 ［J］.计算机工程与设计，2009，30 （19）：4443－4446.］

［8］Tsai HC，Wang WC，Wang JC，et al.Long distance person identification using height measurement and face recognition［C］／／Region 10Conference TENCON.IEEE，2009：1－4.

［9］Lee D，Yeom S，Kim S.Improved face detection method at a distance with skin－color and variable edge－mask filtering ［J］.Journal of the KICS，2012，37：105－112.

［10］Ma S，Du T.Improved adaboost face detection ［C］／／Inter－national Conference on Measuring Technology and Mechatronics Automation.IEEE，2010：434－437.

［11］YE Yanliang.Application of Adaboost algorithm in face detection ［J］.Journal of Beihua University （Natural Science），2007 （5）：451－453 （in Chinese）. ［叶延亮.Adaboost算法在人脸检测中的应用 ［J］.北华大学学报 （自然科学版），2007 （5）：451－453.］