盧榮+劉思思+宋權予+周春暉

摘 要：隨著視頻監(jiān)控的推廣與普及，人們對監(jiān)控質量的要求越來越高，通過人臉識別技術對監(jiān)控對象進行身份識別也逐漸成為市場需求的主流。人臉識別是包含檢測和識別兩個方向的，該文通過Adaboost算法進行人臉檢測和識別的研究，并提出了多算法融合的改進Adaboost人臉檢測算法，通過驗證，可提高人臉識別的精準性。

關鍵詞：人臉檢測 人臉識別 Adaboost算法

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1674-098X（2016）11（b）-0108-02

1 研究背景及意義

身份的鑒別可通過人的生理特征來進行辨別，如人的指紋、掌紋、聲音、虹膜、人臉等，而視頻監(jiān)控中人臉是最為直觀的，不要求被識別者主動配合，通過視頻監(jiān)控方便采集、智能識別，成為刑偵、安全驗證、身份核對、智慧城市等多場合的主流技術，也使得對人臉進行檢測與識別成為所有生物特征識別中最為熱門的研究方向。

典型的人臉檢測算法方式如下：對于輸入的作為訓練集的特定角度拍攝的人臉圖像（正面或接近正面），首先使用直方圖均衡或標準化、最小化解決由于光照不均對圖像的影響，然后使用基于知識或者基于學習的方法提取面部模式?；谥R的方法是用明確的人臉面部規(guī)則特征，比如：人臉眼睛、嘴巴等組成部分，面部紋理特征或皮膚顏色；而基于學習的過程則需要使用特定判別式方程從一系列訓練數(shù)據(jù)中學習得到。提取的人臉模式，是通過掃描過程，即需要使用不同尺度的人臉模式進行多次掃描來定位不同尺度的人臉。

人臉檢測實質上是一個二分類的問題，即通過圖片或是視頻監(jiān)控中將人臉和非人臉的區(qū)域相區(qū)別，并把屬于人臉的區(qū)域進行標注。在這個課題上的研究，不同學者提出了不同的解決方案，但是每種方案都有利有弊，目前還沒有哪種方案是確切地能解決所有難題的。如在實際應用中，分類器訓練速度和檢測速度過慢，檢測效率不高；人臉的姿勢檢測不夠精準，尤其是側臉或是旋轉的人臉而不能正確識別，有漏檢或是誤檢的情況發(fā)生；魯棒性較差，光照、膚色的不同同樣影響著檢測率等。人臉識別主要是將檢測到的人臉圖像與人臉識別訓練樣本庫中的樣本進行比對，找到最佳的匹配人臉。然而，影響人臉識別準確率的因素很多，如訓練樣本數(shù)量，分類器的選擇，人臉特征的提取等，故人臉識別準確率仍然需要深入研究。

圖1是Rowley提出的人臉檢測原理圖，此檢測機制具有較強的適應性，對不同方位的人臉都可以進行檢測。神經(jīng)網(wǎng)絡的方式其優(yōu)勢是獲得人臉檢測分類器比較容易，但是具有較大的計算量且算法相對復雜，在訓練的過程中，針對參數(shù)需要修改量過多，且重在初始值及訓練樣本的選擇。

關于人臉檢測，國外的技術相對成熟，如德國及美國都已成功開發(fā)了人臉識別系統(tǒng)，同時給出了人臉檢測及識別的樣本庫，而我國在人臉識別理論及技術方面相對成熟的機構是：清華大學（自動化系、計算機系）、中科院（自動化所、計算機所）、南京理工大學等，盡管與國際水平還相差甚遠，但是它們?yōu)橹袊娜四樧R別技術發(fā)展起到了領頭羊的作用。

2 Adaboost算法

Adaboost算法的速度非?？?，因此稱為第一個實時的人臉檢測算法，算法對人臉檢測的飛速發(fā)展貢獻是巨大的，算法的大致步驟如下：

第一：給定訓練樣本，初始化樣本權重。

第二：訓練弱分類器，更新樣本權重，重復訓練。

第三：將訓練所得的強分類器進行級聯(lián)形成最后的人臉檢測分類器。

Adaboost算法是一種迭代算法，核心思想是針對同一個訓練樣本集訓練不同的弱分類器，再將這些弱分類器聚集構成一個強分類器。該算法根據(jù)每次訓練集中每個樣本是否分類正確以及上一次的總體分類正確率，來確定每個樣本的權值，并將修改過權值的新數(shù)據(jù)作為下層分類器的輸入進行訓練，最終將每次訓練得到的分類器融合成最終的強分類器。Adaboost算法通過調整訓練集中每個樣本對應的權重來訓練強分類器。開始時，每個樣本被分配相同的權重值，如訓練樣本集中樣本個數(shù)為N，則初始化權重為1/N，在此權重分布下訓練弱分類器。分類錯誤的樣本，加大其分類權重；分類正確的樣本，降低其分類權重，從而凸顯出被分類錯誤的樣本的權重，最終得到一個新的樣本權重分布。在此新的樣本權重分布下，再次訓練弱分類器得到新的分類權重。依此類推，經(jīng)過T次迭代，得到T個弱分類器，按一定權重疊加，則得出最終的強分類器。

3 Adaboost算法的改進

研究表明，Adaboost算法訓練人臉檢測分類器具有一些缺點，如退化現(xiàn)象較嚴重，訓練速度較慢，因此在Adaboost算法的基礎上，該文采用了多算法融合的技術進行了改進，即在Adaboost算法的基礎上結合其他算法共同來作用于人臉檢測以提高檢測的精準性，比如同膚色檢測的融合，便可快速從圖像中分離出不同的人臉區(qū)域，然后再通過Adaboost算法對已分割出的區(qū)域進行人臉檢測，通過優(yōu)勢互補，建立一種新型的人臉檢測的方法。

4 實驗結果與總結

通過圖像集進行了人臉檢測的測試，并和Adaboost算法訓練人臉檢測分類器的檢測進行了效果的對比，結果如表1所示，針對80張圖片中的各個方位的人臉共計380個進行了檢測。

實驗數(shù)據(jù)可得出改進的Adaboost算法具有較高的檢測準確率，同時又有較低的誤檢窗口數(shù)量，釆用新的樣本權重更新規(guī)則對退化問題能起到一定的抑制作用，既提升了每個最佳弱分類器的性能，又使串級分類器整體的檢測性能得到提高。

參考文獻

[1] 岳雷.人臉表情識別新算法研究[D].北京理工大學，2015.

[2] 齊光景.基于fast-Adaboost算法的人臉檢測與識別方法研究[D].太原理工大學，2014.