基于Adaboost 与LDP 算法的人脸识别研究∗

傅 铭 刘从军，2

（1.江苏科技大学计算机学院 镇江 212003）（2.江苏科大汇峰科技有限公司 镇江 212003）

1 引言

近些年来身份识别广泛应用于实际生活中，而人脸识别具有易用性、互动性、稳定性等特点受到更多青睐［1~2］，例如购物结账时的刷脸付款和乘坐火车时的刷脸进站。

为了能够提高人脸识别的正确率、减少识别时间，首先利用基于YCbcr 模型的皮肤分割算法和Adaboost算法对采集到的图像进行人脸检测，确定人脸区域范围，之后再使用改进后的LDP算法提取特征识别人脸。

2 人脸检测

2.1 Adaboost

实际生活中采集到的人脸图像不但包括人脸部分还有非人脸部分，在进行人脸识别之前首先要做好人脸检测，人脸检测的效果越好，之后的人脸识别就更省时、成功率更高。在人脸检测阶段使用基于Adaboost 算法的人脸检测，主要有三部分工作，第一训练弱分类器，第二训练强分类器，第三得到级联分类器。

首先通过训练Haar-Like矩形特征得到弱分类ℎ(x)［3］，公式如下：

x表示学习图像，f(x)即Haar-Like 特征值，λ表示区分人脸和非人脸区域的阀值，q为正一或者负一以此来控制不等号的方向，ℎ(x)为符号函数。但是弱分类器的分类能力不强，只比随机分类精确一些，容易检测错误。

第二将弱分类器训练成强分类器以提高人脸检测的效果［4］。训练过程如下：

1）选取T个弱分类器，m个非人脸图像样本，n个人脸图像样本［5］。设所有样本为(x1,y1) ，(x2,y2)… (xm+n,ym+n)，且当yi=1时表示样本为非人脸，yi=-1时表示样本为人脸。

2）初始化样本权重，非人脸样本为ωt(i)=1/2m，人脸样本为ωt(i)=1/2n。

3）对当前样本权重ωt(i)做归一化处理：

4）每个Haar-Like 矩形特征训练一个弱分类器［6~7］，再计算每个弱分类器的加权错误率之和εt，公式如下：

其中ωt(i)表示第i个样本的权重，ℎt(xi)-yi表示第t个弱分类器对第i个样本是否分类对。

5）在所有弱分类器中选出加权错误率之和εt最小的弱分类器ℎt(x)［8］。

6）更新样本权重，公式如下：

其中εt表示第t个弱分类器的加权错误率之和，ωt(i)表示第i个样本的权重，ωt+1(i)表示第i+1个样本的权重。

7）如果t≤T，重复3）至6）的过程。

8）最后得到强分类器为

其中αt=ln1/βt，ℎt(x)表示第t个弱分类器，H(x)为符号函数。

第三将若干强分类器依次相连组成级联分类器［9］，前几级的强分类器由少量弱分类器训练得到，可以根据人脸典型特征快速区分人脸区域和非人脸区域，后几级的强分类器相对复杂，用以区分差异性较低的区域。

在得到级联分类器之后，就可以以此进行人脸检测，采集到的图像首先进入第一级强分类器，任何被判断为零的区域都会被去除，只有被判断为一的区域才能进入到下一级，以此循环，直到通过所有强分类器，就可以确定图像中的人脸区域。

2.2 改进Adaboost

基于Adaboost 算法的级联分类器在检测人脸存在用时较长，精确度有待提高的问题。因为Haar-Like 矩形特征是对整个采集到的图像提取的，包括人脸区域和非人脸区域，所以用于训练弱分类器的Haar-Like 矩形特征数量过多，大量时间浪费在对非人脸区域的特征提取上。

针对上述问题对Adaboost 算法做出了改进。利用基于YCbcr模型的皮肤分割算法，过滤掉采集图像中的非人脸部分，减少Haar-Like 矩形特性的数量，节约特征提取的时间。

将采集到的图像从RGB 模型向YCrCb 模型的转换［10~11］，公式如下：

其中Y表示像素明亮度，Cb表示蓝色色度，Cr表示红色色度。

转换公式的计算过程中涉及到浮点数，考虑到在现实生活中计算机的运算特点，对于浮点数的计算较慢，应尽量用整数代替，因此对转换公式的系数作出优化，以计算像素明亮度的公式为例。

得到改进后的转换公式为

在YCrCb 模型下分量Y对是否是人脸的判断影响小，主要由Cb分量和Cr分量决定，如图1 所示，是人脸在YCrCb模型下Cb、Cr的分布。

图1 Cb、Cr 的分布图

由实验可知YCrCb模型下人脸Cb分量主要在80~125之间，Cr分量主要在130~170之间，由此得到肤色分割的公式如下：

其中Cb(x)表示像素点的蓝色色度，Cr(x)表示像素点的红色色度。YCrCb 模型效果图和肤色分割效果图如图2所示。

图2 处理效果图

3 特征提取

3.1 LDP

在完成采集图像的人脸检测后，使用Local Directional Pattern（LDP）即局部方向模式进行人脸特征的提取，包括边缘响应值的计算［12］和编码［13］两个步骤。

计算边缘响应值的公式如下：

其中I表示输入的人脸图像，Mi表示第i个方向上Kitch 算子，*表示卷积计算，mi为第i 个方向上的边缘响应值。

Kitch算子模板［14］如下所示。

编码的公式如下：

其中LDP(x,y)表示坐标(x,y)像素点的LDP 编码，|mk|为 |mi|中第k大的值，|mi|为mi的绝对值，s(x)为符号函数。

实现原理如下，以人脸图像中一个像素点为中心建立3×3 的矩阵，这样中心像素点周围就存在八个方向上的外围像素点，再让这些像素点分别与其方向相同的Kitch算子进行卷积运算得到八个边缘响应值［15］，取绝对值并按照从大到小的规则排序。令前k 个边缘梯度值为1，后8-k 个边缘梯度值为0。最后按照一定次序取出，得到一个二进制数，转为十进制，这个数就是该像素点的LDP 编码值。LDP编码过程如图3所示。

图3 LDP编码过程

在LDP 算法中，一般取k 为3，k=3 时的LDP 编码过程如图4 所示。经过LDP 编码后可得到二进制数00011010，转为十进是26，那么点x 的LDP 编码值为26。

图4 k=3时LDP编码值

3.2 改进LDP

图像的方向信息对于人脸识别来说非常重要，而在LDP算法的第二步编码中，对计算得到的边缘响应值mi进行了取绝对值的操作，容易丢失图像的方向信息。为了更好地反映人脸图像的方向信息，对LDP算法做出了改进。

第一步计算边缘响应值与传统LDP算法相同，在第二步编码中，取消对边缘响应值mi的取绝对值操作，改进后的编码公式如下：

其中mk为mi中第k 大的值，s(x)为符号函数。人脸图像经传统LDP 和改进LDP 提取特征后的效果图如图5所示。

图5 特征提取效果图

4 实验与分析

选用耶鲁大学的Yale 人脸库作为实验的样本库进行实验，实验结果如表1和表2所示。

表1 人脸检测效果比较

表2 人脸识别效果比较

从实验结果可以看出改进后的Adaboost 算法不仅人脸检测成功率有所提高，而且耗时也有减少。改进后的LDP 算法因为只是对第二步编码中的取绝对值操作进行了调整，所有耗时几乎没有差别，但是提高了人脸识别成功率。

5 结语

本文对人脸识别算法进行了系统性地研究。首先是采集图像中人脸区域的检测，使用基于Adaboost 的级联分类器，因为其存在检测时间较长，精确度不大的问题，对传统Adaboost进行了改进。之后是特征提取阶段，利用LDP 算法、改进后的LDP算法对人脸区域进行特征值提取。最后在yale 人脸库进行了实验验证。