一种基于维度约减的快速人脸检测方法

《一种基于维度约减的快速人脸检测方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第８卷第２期杭州师范大学学报（自然科学版）Vol．８No．２２００９年３月JournalofHangzhouNormalUniversity（NaturalScienceEdition）Mar．２００９文章编号：１６７４－２３２X（２００９）０２－０１４４－０４一种基于维度约减的快速人脸检测方法袁贞明，卢志平（杭州师范大学信息科学与工程学院，浙江杭州３１００３６）摘要：针对视频监控中的高维度和复杂环境的困难，文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空

2、间进行降维，并以PCA特征建立误分率最小化弱分类器，最后使用Adaboost算法提升弱分类器性能，将所有已训练的弱分类器联合成一个强分类器．实验证明，在正面人脸样本和具有复杂表情变化的人脸测试集上，该方法可以得到很好的检测结果．关键词：PCA；Adaboost；人脸检测；视频监控中图分类号：TP３９１．４文献标志码：A０引言人脸检测是指在输入图像中确定是否存在人脸，并指出所检测到人脸的个数、位置和大小，它在视频会议、基于内容的图像压缩与检索、智能视频监控中都有广泛的应用．然而，视频监控中的人脸检测受到

3、不同分辨率、光照条件、人脸方位、人脸表情，以及高维度数据量的影响，使得视频监控中的检测准确率和检测速度难以同时满足要求．［１‐２］近年来研究人员提出大量的人脸检测算法，主要分为３类：基于肤色特征的方法、基于知识模型的方法、基于统计理论的方法．在复杂环境下，基于肤色特征的方法和基于知识模型的方法很难满足要求，因此基于统计理论的方法越来越受到重视，是人脸检测发展的主要方向．主成份分析（PrincipleComponentAnalysis，PCA）和Adaboost算法是基于统计理论的两种典型方［３］法．T

4、urkM和PentlandA提出将PCA方法应用于人脸检测和人脸识别中，取得了较好的检测效果通过正交变换（K‐L变换）该方法将人脸图像变换到某一特征空间中，从而消除原图像中各个向量间的相关性，根据其在特征空间中的分布划分为“人脸”和“非人脸”．该方法的优点是可以将高维图像用低维向量表［４］示，从而避免维度灾难．然而该方法检测率不高，在复杂的背景下检测性能下降得很快．Viola等于２００１年提出一种基于Adaboost的人脸检测算法，该方法采用了一种“积分图像”的图像表示方法，能够快速计算出检测器用到的

5、特征，并采用Adaboost级联算法提升弱分类器性能，其特点是简单、实时性好．但该方法也存在一些缺点：算法训练需要很长时间，并且需要大量的训练样本，对于一些小样本的分类性能非常低．收稿日期：２００８‐１２‐２０基金项目：国家自然科学基金项目（６０７７３０５１）；浙江省自然科学基金项目（Y１０７６３１）；浙江省科技计划项目（８C２３０３３）；浙江省科技厅新苗计划项目（２００８R４０G２１５０１７９）．作者简介：袁贞明（１９７２—），男，浙江杭州人，副教授，博士，主要从事模式识别与人工智能、多媒体和空间数

6、据处理的研究．E‐mail：zmyuan＠cs．zju．edu．cn２杭州师范大学学报（自然科学版）２００９年文章先利用PCA方法提取图像特征，将PCA特征作为候选弱分类器，根据样本误分率最低得到最优弱分类器，再利用Adaboost算法将得到的弱分类器构造成一个强分类器．该方法既利用PCA的降维优势，又利用Adaboost级联提升检测速度，同时弥补单纯PCA或Adaboost方法的不足．实验表明，这种方法在正面人脸上有很高的检测率，在复杂背景和人脸表情变化下也有较高的检测性能．１基于PCA与Adabo

7、ost的人脸检测1．1弱分类器的构造弱分类器的训练由两个过程组成：首先从训练样本中提取特征；然后将样本投影到特征空间中，根据［３］样本误分率最小建立每一个特征的弱分类器．TurkM和PentlandA在K‐L变换的基础上，提出了一种特征脸的人脸识别算法，该方法也可以用于人脸检测中．假设进行特征提取的人脸图像数据集中有N幅人脸图像，归一化后图像的分辨率是m×n，将图像矢量化为m×n维的向量，则数据集可表示为X＝｛x１，x２，⋯，xN｝，其中xi为每一个样本图像．则x的均值为：N１＝∑xiΨ（１）Ni＝１

8、每个样本减去均值得到的平均脸为：i＝xi－ΦΨ（２）样本的协方差矩阵定义为：N１TC＝∑iiΦΦ（３）Ni＝１通过求训练样本的协方差矩阵得到PCA特征向量，将PCA特征向量看作是一个线性分类器的权向量，构造弱分类器，假设u为PCA特征向量，x为训练样本，它所对应的线性分类器的判别函数为g（x）＝Tux＋h，其中h为阈值，该判别函数将所有的样本投影到每一个特征向量上，得到N个特征值，在这N个排序后的特征值中取一个值作为该特征的阈值，从而得到该特征下的样本误