基于Adaboost的人脸图像检测系统

杨才广 李林峰 郑鑫 凌永国

摘 要：人脸检测是汽车驾驶辅助系统的关键技术，本文提取了目标图像的Haar特征，并利用Adaboost算法检测目标图像中的可能存在的人脸区域，结合OpenCV计算机视觉开源库实现了人脸检测系统。实验结果表明，采用Haar特征和Adaboost算法可以较好地从目标图像中检测人脸区域，且系统检测速度快，具有较好的稳定性。

关键词： 人脸检测;Adaboost算法;Haar特征;OpenCV

【Abstract】 Face detection is the key technology of car driving assistance system. This paper extracts the Haar feature of the target image， and uses Adaboost algorithm to detect possible face regions in the target image. The face detection system is realized by combining OpenCV computer vision open source library. The experimental results show that the Haar feature and Adaboost algorithm can detect the face region from the target image well， and the system detection speed is fast and has good stability.

【Key words】  Face detection; Adaboost algorithm; Haar feature; OpenCV

0 引 言

对视频图像或者图片进行人脸检测是计算机视觉上的一个热门研究课题，相关主题方面成果也不断涌现。研究时是通过Adaboost算法和Haar特征，将多组弱分类器级联成为强分类器对人脸图像进行人脸检测，对此拟展开探讨论述如下。

1 Haar提取

Haar特征最先由 Viola等科学家提出，目前常使用的共计14种，包括5种Basic特征、3种Core特征和6种Titled（即45°旋转）特征，如图1所示。

Haar特征提取流程如图2所示。

2 Adaboost算法

Adaboost算法由Boosting算法推导更新出来的新算法，是一种将弱学习算法提升为强学习算法的技术。但是与Boosting不同的是，Adaboost算法不需要任何关于弱分类器性能的先验知识、即分类误差，而且Adaboost算法还有效保留Boosting算法的高效率特性。

级联分类器是将多种弱分类器进行连接，生成决策树，强分类器是由许多个弱分类器组成，通常情况下，每个强分类器中的弱分类器个数不随着树的深度依次递增或者递减，甚至可能出现无规律变化，级联分类器的设计解析即如图3所示。

在确定好矩形特征并计算了所有特征值后，研究对每一个特征训练一个分类器，对于每个特征，计算所有训练样本的特征值。通过遍历一组特征值向量，选择错误率最低的特征，就可以为这个特征确定一个最优的阈值，从而将其训练成一个弱分类器。

用分类器检测图像时，等于让其组成的强分类器进行投票决定，每个强分类器都是由多个弱分类器组成，形象地说来就是：由下至上进行投票，将投票结果的错误率进行加权求和计算，再将其结果与平均投票结果进行比较得出结论。研究得到的整体检测流程如图4所示。

3 实验结果

本次实验环境为Intel i7，8G内存，Windows10操作系统，编程语言为python。通过对多张不同类型的人脸图片进行实验测试，本次测试数据来源是随机在网络上搜索的2张测试图片，测试图片大小为250×250像素。实验结果表明，2张测试图片都能精确检测识别到人脸，实验结果详见图5、图6。

4 结束语

本文提取了测试图像的Haar特征并且利用Adaboost算法检测目标图像中的可能存在的人脸区域，使用python語言和OpenCV计算机视觉开源库实现了人脸检测系统框架的效果测试，实验结果表明，使用这种算法可以较为高效地对静态图片进行人脸检测。

参考文献

[1]苏楠，吴冰，徐伟，等.人脸识别综合技术发展[J].信息安全技术研究，2016（1）：33-39.

[2]黄立威，刘艳博，李德毅. 基于深度学习的推荐系统[J]. 计算机学报，2017，40：1-29.

[3]陈虹.基于OpenCV的人脸检测系统设计与实现[J].科技信息，2013（23）：384，406.

[4]王慧琴. 基于OpenCV的人脸识别的研究[J].长治学院学报，2016，33（5）：42-44.

[5]张晓薇，张文俊.视频人脸检测与特征点定位研究[J].计算机技术与发展，2012，22（5）：202-204，208.