高斯噪声下的人脸检测算法研究

朱强 徐颖 王壮才

摘要：OpenCV是一个开源的跨平台计算机视觉库，可以在Windows、Linux、Mac os等运行。它是由一系列的c和c++编写而成，实现了计算机视觉与图像处理等方面的通用算法以供大家使用。由于受到环境的影响，在人脸图像的获取中存在噪声。因此，通过进一步分析高斯滤波、Adaboost算法、Haar的特征等方法，提高了人脸检测的准确度。

关键词：高斯滤波;Adaboo st;Haar特征;人脸检测

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2020）05-0125-02

0引言

在当今社会，实时人脸检测已在我国各方面全面发展，已经成为我们日常生活中重要的环节，面对如此庞大的数据，人脸检测也面临着巨大的挑战。主要难点在于人脸的角度、表情、肤色等。在实际情况下，由于光照条件、面部遮挡，人脸角度的原因，人脸检测的稳定性和准确性必然会受到影响。本文提出的是openCV下，采用Haar特征的adaboost人检测算法，通过实验证明，利用高斯滤波对图像进行降噪处理，在进行人脸检测，从而大大的提高了人脸检测的效率。

1高斯滤波

高斯噪声是一种常见的噪声，它的概率密度服从正态分布。常见的高斯噪聲包括起伏噪声、热噪声和散粒噪声等。除常见的抑制噪声的方法外，我们可以通过高斯滤波器对图片进行去噪处理。

高斯滤波是对整幅图像的像素进行加权平均的过程，即图像中的每个像素点的值都是其本身和它的某个邻域内的其他像素经过加权平均后得到的结果。它首先要确定一个固定的窗口，然后在窗口内选择任意一个像素，判断它到窗口中心点的像素距离。其中系数权值的分配是由高斯函数来实现。

2Adaboost算法

Adaboostig法是目的是用于训练人脸、分类人脸的方法，该算法利用大量简单的积分图特征，再利用Adaboost学习算法选出重要的特征，并训练出若干分类能力不是很强的分类器，再通过线性叠加组合成一个能力很强的分类器，最后通分类器构成一个检测速度快的分类器。引。最开始先训练若干个弱分类器，强分类器有若干个若分类器组合而成，最后的级联分类器则由若干个强分类叠加而成。

3Haar特征

Haar特征又叫做特征矩阵，它是描述图像中人脸的灰度分布情况，它包含四种模板，分为描述的是上下差值特征，左右差值特征，中心差值特征。Haar特征值为图像中所有白色矩阵的值减去所有黑色矩阵部分的像素值，计算公式为：

图2为图像预处理分为3部分，一为原始图像，二为调用高斯滤波处理后的图像，三为对图像进行直方图均衡化的结果。

经过上述处理后，我们将图片进行人脸检测，检测的效果有大幅度提升，具体如图3所示。

5总结

本系统是在OPENCV下使用的是基于Haar寺征的AdabooSt算法，可以有效的对图片中的人脸进行陕速检测、实时性好等。在图像预处理阶段使用高斯滤波器，降低了图像原有的噪声，提高了图像的质量，最终提高了人脸检测的效率。