一種基于維度約減的快速人臉檢測方法

《一種基于維度約減的快速人臉檢測方法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、第８卷第２期杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版）Vol．８No．２２００９年３月JournalofHangzhouNormalUniversity（NaturalScienceEdition）Mar．２００９文章編號：１６７４－２３２X（２００９）０２－０１４４－０４一種基于維度約減的快速人臉檢測方法袁貞明，盧志平（杭州師范大學(xué)信息科學(xué)與工程學(xué)院，浙江杭州３１００３６）摘要：針對視頻監(jiān)控中的高維度和復(fù)雜環(huán)境的困難，文章提出一種基于主成份分析與Adaboost的視頻人臉檢測算法．該方法先使用PCA方法對特征空

2、間進(jìn)行降維，并以PCA特征建立誤分率最小化弱分類器，最后使用Adaboost算法提升弱分類器性能，將所有已訓(xùn)練的弱分類器聯(lián)合成一個(gè)強(qiáng)分類器．實(shí)驗(yàn)證明，在正面人臉樣本和具有復(fù)雜表情變化的人臉測試集上，該方法可以得到很好的檢測結(jié)果．關(guān)鍵詞：PCA；Adaboost；人臉檢測；視頻監(jiān)控中圖分類號：TP３９１．４文獻(xiàn)標(biāo)志碼：A０引言人臉檢測是指在輸入圖像中確定是否存在人臉，并指出所檢測到人臉的個(gè)數(shù)、位置和大小，它在視頻會(huì)議、基于內(nèi)容的圖像壓縮與檢索、智能視頻監(jiān)控中都有廣泛的應(yīng)用．然而，視頻監(jiān)控中的人臉檢測受到

3、不同分辨率、光照條件、人臉方位、人臉表情，以及高維度數(shù)據(jù)量的影響，使得視頻監(jiān)控中的檢測準(zhǔn)確率和檢測速度難以同時(shí)滿足要求．［１‐２］近年來研究人員提出大量的人臉檢測算法，主要分為３類：基于膚色特征的方法、基于知識模型的方法、基于統(tǒng)計(jì)理論的方法．在復(fù)雜環(huán)境下，基于膚色特征的方法和基于知識模型的方法很難滿足要求，因此基于統(tǒng)計(jì)理論的方法越來越受到重視，是人臉檢測發(fā)展的主要方向．主成份分析（PrincipleComponentAnalysis，PCA）和Adaboost算法是基于統(tǒng)計(jì)理論的兩種典型方［３］法．T

4、urkM和PentlandA提出將PCA方法應(yīng)用于人臉檢測和人臉識別中，取得了較好的檢測效果通過正交變換（K‐L變換）該方法將人臉圖像變換到某一特征空間中，從而消除原圖像中各個(gè)向量間的相關(guān)性，根據(jù)其在特征空間中的分布劃分為“人臉”和“非人臉”．該方法的優(yōu)點(diǎn)是可以將高維圖像用低維向量表［４］示，從而避免維度災(zāi)難．然而該方法檢測率不高，在復(fù)雜的背景下檢測性能下降得很快．Viola等于２００１年提出一種基于Adaboost的人臉檢測算法，該方法采用了一種“積分圖像”的圖像表示方法，能夠快速計(jì)算出檢測器用到的

5、特征，并采用Adaboost級聯(lián)算法提升弱分類器性能，其特點(diǎn)是簡單、實(shí)時(shí)性好．但該方法也存在一些缺點(diǎn)：算法訓(xùn)練需要很長時(shí)間，并且需要大量的訓(xùn)練樣本，對于一些小樣本的分類性能非常低．收稿日期：２００８‐１２‐２０基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（６０７７３０５１）；浙江省自然科學(xué)基金項(xiàng)目（Y１０７６３１）；浙江省科技計(jì)劃項(xiàng)目（８C２３０３３）；浙江省科技廳新苗計(jì)劃項(xiàng)目（２００８R４０G２１５０１７９）．作者簡介：袁貞明（１９７２—），男，浙江杭州人，副教授，博士，主要從事模式識別與人工智能、多媒體和空間數(shù)

6、據(jù)處理的研究．E‐mail：zmyuan＠cs．zju．edu．cn２杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版）２００９年文章先利用PCA方法提取圖像特征，將PCA特征作為候選弱分類器，根據(jù)樣本誤分率最低得到最優(yōu)弱分類器，再利用Adaboost算法將得到的弱分類器構(gòu)造成一個(gè)強(qiáng)分類器．該方法既利用PCA的降維優(yōu)勢，又利用Adaboost級聯(lián)提升檢測速度，同時(shí)彌補(bǔ)單純PCA或Adaboost方法的不足．實(shí)驗(yàn)表明，這種方法在正面人臉上有很高的檢測率，在復(fù)雜背景和人臉表情變化下也有較高的檢測性能．１基于PCA與Adabo

7、ost的人臉檢測1．1弱分類器的構(gòu)造弱分類器的訓(xùn)練由兩個(gè)過程組成：首先從訓(xùn)練樣本中提取特征；然后將樣本投影到特征空間中，根據(jù)［３］樣本誤分率最小建立每一個(gè)特征的弱分類器．TurkM和PentlandA在K‐L變換的基礎(chǔ)上，提出了一種特征臉的人臉識別算法，該方法也可以用于人臉檢測中．假設(shè)進(jìn)行特征提取的人臉圖像數(shù)據(jù)集中有N幅人臉圖像，歸一化后圖像的分辨率是m×n，將圖像矢量化為m×n維的向量，則數(shù)據(jù)集可表示為X＝｛x１，x２，?，xN｝，其中xi為每一個(gè)樣本圖像．則x的均值為：N１＝∑xiΨ（１）Ni＝１

8、每個(gè)樣本減去均值得到的平均臉為：i＝xi－ΦΨ（２）樣本的協(xié)方差矩陣定義為：N１TC＝∑iiΦΦ（３）Ni＝１通過求訓(xùn)練樣本的協(xié)方差矩陣得到PCA特征向量，將PCA特征向量看作是一個(gè)線性分類器的權(quán)向量，構(gòu)造弱分類器，假設(shè)u為PCA特征向量，x為訓(xùn)練樣本，它所對應(yīng)的線性分類器的判別函數(shù)為g（x）＝Tux＋h，其中h為閾值，該判別函數(shù)將所有的樣本投影到每一個(gè)特征向量上，得到N個(gè)特征值，在這N個(gè)排序后的特征值中取一個(gè)值作為該特征的閾值，從而得到該特征下的樣本誤