【文章內(nèi)容簡(jiǎn)介】 ,、XYZ、YCbCr等等，其中YCbC是使用最多的一種，YCrCb是YUV模型中的一種，是一個(gè)色差模型，利用了人對(duì)色度遠(yuǎn)沒有對(duì)亮度敏感而建立的，更符合人眼的視覺特點(diǎn)。其中，Y是亮度信號(hào)，CrCb是色度或彩度信號(hào)。利用膚色特征檢測(cè)出的人臉區(qū)域可能不夠準(zhǔn)確，但如果在整個(gè)系統(tǒng)實(shí)現(xiàn)中作為人臉檢測(cè)的粗定位環(huán)節(jié)，它具有直觀、實(shí)現(xiàn)簡(jiǎn)單、快速等特點(diǎn)，可以為后面進(jìn)一步進(jìn)行精確定位創(chuàng)造良好的條件，以達(dá)到最優(yōu)的系統(tǒng)性能。各種方法各有優(yōu)、缺點(diǎn)，由于在單通道上的可靠性是有限的，研究者們借助多種方法，交叉使用。取得了更好的效果。例如，國(guó)內(nèi)的清華大學(xué)的研究人員對(duì)人類膚色進(jìn)行了較為系統(tǒng)的分析，并提出了基于顏色和特征的自適應(yīng)人臉檢測(cè)的方法。他們還提出一種基于多模板匹配的單人臉檢測(cè)方案，但是檢測(cè)速度并不適應(yīng)實(shí)時(shí)應(yīng)用。哈爾濱工業(yè)大學(xué)的研究者實(shí)現(xiàn)了一個(gè)復(fù)雜背景下的多級(jí)結(jié)構(gòu)的人臉檢測(cè)與跟蹤系統(tǒng)，其中，采用了模板匹配、特征子臉、彩色信息等人臉檢測(cè)技術(shù)，能夠檢測(cè)平面內(nèi)多姿態(tài)正面人臉，并可以跟蹤任意姿態(tài)的運(yùn)動(dòng)的人臉。研究實(shí)踐也表明，這種交叉使用能夠得到更高的檢測(cè)效率。二、AdaBoost算法相關(guān)知識(shí)概述（一）Boosting算法簡(jiǎn)介Boosting是機(jī)器學(xué)習(xí)(ML)中的一個(gè)概念，Boosting方法源于PAC(Probably Approximately Correct，概率近似正確)學(xué)習(xí)模型的理論分析。它是由Valiant于1984年首先提出來(lái)的。Kearns和Valiant提出了強(qiáng)可學(xué)習(xí)(strong learning)和弱可學(xué)習(xí)(weaklearning)的概念。在PAC學(xué)習(xí)模型中，若存在一個(gè)多項(xiàng)式學(xué)習(xí)算法來(lái)識(shí)別一組概念，并且識(shí)別正確率很高，那么這組概念是強(qiáng)可學(xué)習(xí)的；而如果學(xué)習(xí)算法識(shí)別一組概念的正確率僅比隨機(jī)猜測(cè)略好，那么這組概念是弱可學(xué)習(xí)的；Kearns和Valiant提出了弱學(xué)習(xí)算法與強(qiáng)學(xué)習(xí)算法的等價(jià)性問題，即是否可以將弱學(xué)習(xí)算法提升成強(qiáng)學(xué)習(xí)算法。如果兩者等價(jià)，那么在學(xué)習(xí)概念時(shí)，我們只需要找到一個(gè)比隨機(jī)猜想略好的方法就可以將它提升為強(qiáng)學(xué)習(xí)算法。1990年，Schapir發(fā)表了第一個(gè)boosting方法，這種算法可以將弱分類規(guī)則轉(zhuǎn)化成強(qiáng)分類規(guī)則。Freund隨后對(duì)其做了改進(jìn)提出了更魯棒的方法BBM(boostbymajority)方法。Boosting方法在訓(xùn)練中先后產(chǎn)生一系列學(xué)習(xí)機(jī)，各個(gè)學(xué)習(xí)機(jī)所使用的訓(xùn)練集都是從總訓(xùn)練集提出來(lái)的一個(gè)子集，各個(gè)樣本是否出現(xiàn)在該子集中取決于此前產(chǎn)生過的學(xué)習(xí)機(jī)的表現(xiàn)，已有學(xué)習(xí)機(jī)判斷出錯(cuò)的樣本將以較大的概率出現(xiàn)在新的訓(xùn)練子集中。這使得其后產(chǎn)生的學(xué)習(xí)機(jī)更加專注于處理對(duì)已有學(xué)習(xí)機(jī)來(lái)說較為困難的樣本區(qū)分問題。Boosting方法可以增強(qiáng)給定算法的泛化能力，但是還存在兩個(gè)缺點(diǎn)：該方法需要知道弱學(xué)習(xí)機(jī)學(xué)習(xí)正確率的下限，而這在實(shí)際問題中是很難做到的；其次，這一方法可能導(dǎo)致后來(lái)的學(xué)習(xí)機(jī)過分集中于少數(shù)特別困難的樣本，導(dǎo)致表現(xiàn)不穩(wěn)定。目前有很多改進(jìn)版的Boosting方法，下面一節(jié)就將介紹AdaBoost算法。（二）AdaBoost算法簡(jiǎn)介AdaBoost算法是一種分類器算法,是由Yoav Freund和Robert ESchapire在1995年提出的其基本思想是利用大量的分類能力一般的簡(jiǎn)單分類器(weaker classifier)通過一定方法迭加(boost)起來(lái),構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器。理論證明,只要每個(gè)簡(jiǎn)單分類器分類能力比隨機(jī)猜測(cè)要好,當(dāng)簡(jiǎn)單分類器個(gè)數(shù)趨向于無(wú)窮時(shí),強(qiáng)分類器的錯(cuò)誤率將趨于零。AdaBoost用于人臉檢測(cè)時(shí),從人臉中抽取大量的一維簡(jiǎn)單特征。這些簡(jiǎn)特征都有一定的人臉和非人臉區(qū)分性。最終系統(tǒng)使用數(shù)千個(gè)一維簡(jiǎn)單分類器,組合起來(lái)達(dá)到很好的分類效果。下面用文字形式陳述一下AdaBoost算法。首先，利用樣本(大約幾百幅樣本圖片)的Haar特征進(jìn)行分類器訓(xùn)練，得到一個(gè)級(jí)聯(lián)的Boosted分類器。訓(xùn)練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢人臉樣本，反例樣本指其它任意片，所有的樣本圖片都被歸一化為同樣的尺寸大小(例如2020,2424)。分類器訓(xùn)練完以后，就可以應(yīng)用于輸入圖像中的感興趣區(qū)域(與訓(xùn)練樣本相同的尺寸)的檢測(cè)。檢測(cè)到人臉區(qū)域分類器輸出為1，否則輸出為0。為了檢測(cè)整副圖像，可以在圖像中移動(dòng)搜索窗口，檢測(cè)每一個(gè)位置來(lái)確定可能的目標(biāo)。為了搜索不同大小的目標(biāo)物體，分類器被設(shè)計(jì)為可以進(jìn)行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測(cè)未知大小的目標(biāo)物體，掃描程序通常需要用不同比例大小的搜索窗口對(duì)圖片進(jìn)行幾次掃描。分類器中的“級(jí)聯(lián)”是指最終的分類器是由幾個(gè)簡(jiǎn)單分類器級(jí)聯(lián)組成。在圖像檢測(cè)中，被檢窗口依次通過每一級(jí)分類器，這樣在前面幾層的檢測(cè)中大部分的候選區(qū)域就被排除了，全部通過每一級(jí)分類器檢測(cè)的區(qū)域即為目標(biāo)區(qū)域。目前支持這種分類器的boosting技術(shù)有四種：DiscreteAdaboost,RealAdaboost,GentleAdaboost and Logitboost。boosted即指級(jí)聯(lián)分類器的每一層都可以從中選取一個(gè)boosting算法(權(quán)重投票)，并利用基礎(chǔ)分類器的自我訓(xùn)練得到。三、Haar型特征和積分圖像（一）Haar型特征將矩形作為人臉檢測(cè)的特征向量，稱為矩形特征。在給定有限的數(shù)據(jù)情況下，基于特征的檢測(cè)能夠編碼特定區(qū)域的狀態(tài)，而且基于特征的系統(tǒng)比基于象素的系統(tǒng)要快得多。矩形特征對(duì)一些簡(jiǎn)單的圖形結(jié)構(gòu)，比如邊緣、線段比較敏感，但是其只能描述特定走向(水平、垂直、對(duì)角)的結(jié)構(gòu)。臉部一些特征能夠由矩形特征簡(jiǎn)單地描繪，例如，通常眼睛要比臉頰顏色更深；鼻梁兩側(cè)要比鼻梁顏色要深；嘴巴要比周圍顏色更深。如圖4。圖4 （2）和（3）是（1）與給定矩形特征的匹配Haar特征是Viola等提出的一種簡(jiǎn)單矩形特征，因類似于Haar小波而得名。Haar型特征的定義是由兩個(gè)或多個(gè)全等的矩形相鄰組合而成，特征模板內(nèi)有白色和黑色兩種矩形(定義左邊開始的為白色，緊挨著的為黑色，然后依次交錯(cuò))，并將此特征模板的特征值定義為白色矩形像素和減去黑色矩形像素和。可見，它反映了圖像局部的灰度變化。Haar型特征值的計(jì)算是通過積分圖像實(shí)現(xiàn)的。有關(guān)積分圖像的知識(shí)將在下一節(jié)的文章中介紹。本文的算法主要利用下面的幾種Haar型特征。實(shí)驗(yàn)證明：這種特征選取方法的訓(xùn)練速度雖然不快，但是檢測(cè)效率很高。圖5 Haar特征的幾種主要特征圖5中1的a、b、c、d為邊緣特征。2的a、b、c、d為線形正面特征，e、f、g、h為多態(tài)特征。3的a、b為圓心環(huán)繞特征。4的為特定方向特征。圖5的1和3稱做雙矩形特征(tworectangle feature)，2和4分別稱做三矩形特征(threerectanglefeature)和四矩形特(fourrectangle feature)。其中雙矩形特征定義為圖中相鄰兩個(gè)矩形內(nèi)象素顏色之和的差。三矩形特征定義為兩邊的兩個(gè)矩形減去中間的矩形中象素的顏色值之和。（二）一種組合式新型特征由于以前的研究都提出的特征中包含人臉茍非吾之所有特征的部分比較少，例如圖6中(1)圖就只橫向描繪人臉的眼睛和鼻子特征，(2)圖就只縱向描繪人臉眼睛和鼻子特征。它們包含的人臉基本特征比較少，雖然特征構(gòu)建比較簡(jiǎn)單，但這種特征在人臉檢測(cè)上需要多次檢測(cè)確認(rèn)，而且檢測(cè)率也沒有達(dá)到人們預(yù)計(jì)的那么好。為了更好的解決這種特征的不足，這里我提出一種新的特征，這種特征是上面某些特征的組合形式，如下的2種：圖6 提出的新特征這種特征主要是根據(jù)人臉的特征分布，比如人臉的眼睛，鼻子和嘴的特征分布。如下面的人臉圖就可以用圖7中的(1)進(jìn)行檢測(cè)： 圖7 特征與圖像的匹配如圖7中(1)為待檢測(cè)人臉圖像，(2)為所用到相應(yīng)的特征圖。其中圖(2)中1可以看作是圖(1)中人的右眼，2可以看作兩眼之間的地方，3可以看作人的左眼，4可以看作人的鼻子部分，5可以看作人的嘴。 這樣整個(gè)特征就和人臉基本特征吻合。也比前人提出的特征更接近人臉特征分布，按照這種劃分，我們可以把圖7中的(2)看作傾斜時(shí)的人臉檢測(cè)特征。這種特征中的矩形要比前人提出的特征中的矩形多，計(jì)算起來(lái)更復(fù)雜一些，因?yàn)樗男螤铑愃朴趫D形處理中做卷積的3階矩陣，所以可以考慮一些，因?yàn)樗男螤铑愃朴趫D形處理中做卷積3階矩陣，所以可以考慮把它看做3階矩陣。不過這是我做了以下修改，就是把下2層矩陣元素分別看做一個(gè)整體處理，這樣應(yīng)用在卷積方面的知識(shí)也可以拿到這里來(lái)用。由于開始構(gòu)建這種特征時(shí)，就是把前人的兩種特征混合使用，所以在計(jì)算這種特征的特征值時(shí)，就可以先分別求出構(gòu)建它的兩種基本特征的特征值，然后把兩個(gè)特征值做和，最后得到新特征的特征值。雖然新特征在組織上要比以前的特征復(fù)雜，但是更接近人臉器官特征的分布。對(duì)人臉檢測(cè)更直觀，更直接。（三）檢測(cè)器內(nèi)特征數(shù)計(jì)算找出窗口中所有特征，是進(jìn)行弱分類訓(xùn)練的基礎(chǔ)。對(duì)于一個(gè)的檢測(cè)器而言，其內(nèi)部的特征矩形數(shù)的計(jì)算如下：首先介紹一下條件矩形：圖8 計(jì)算檢測(cè)器所有可能的矩形的數(shù)量對(duì)于窗口，我們只需要確定矩形左上頂點(diǎn)和右下頂點(diǎn),即可以確定一個(gè)矩形；如果這個(gè)矩形還滿足下面兩個(gè)條件(稱為條件，滿足條件的矩形稱為條件矩形)：x方向邊長(zhǎng)必須能被自然數(shù)s 整除(能均等分成s段)y方向被邊長(zhǎng)必須能自然數(shù)t整除(能均等分成t段)則這個(gè)矩形最小尺寸為或，最大尺寸為或 (其中[]為取整運(yùn)算)。接下來(lái)我們計(jì)算條件矩形的數(shù)量，我們通過下面兩步就可以定位一個(gè)滿足條件的矩形：確定: （1） （2）確定A點(diǎn)后，B點(diǎn)只能在圖中陰影內(nèi)（包括邊緣）取值，因此有: （3） （4）其中, 。并且由上分析可知，在子窗口中，滿足條件的所有矩形的數(shù)量為： （5）下面根據(jù)以上公式計(jì)算子窗口的特征矩形數(shù)量，實(shí)際上，條件描述了矩形特征的特征，下面列出了不同矩形特征對(duì)應(yīng)的條件：圖9 5種特