【文章內(nèi)容簡介】 ,、XYZ、YCbCr等等，其中YCbC是使用最多的一種，YCrCb是YUV模型中的一種，是一個色差模型，利用了人對色度遠(yuǎn)沒有對亮度敏感而建立的，更符合人眼的視覺特點。其中，Y是亮度信號，CrCb是色度或彩度信號。利用膚色特征檢測出的人臉區(qū)域可能不夠準(zhǔn)確，但如果在整個系統(tǒng)實現(xiàn)中作為人臉檢測的粗定位環(huán)節(jié)，它具有直觀、實現(xiàn)簡單、快速等特點，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，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，國內(nèi)的清華大學(xué)的研究人員對人類膚色進(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)人臉檢測的方法。他們還提出一種基于多模板匹配的單人臉檢測方案，但是檢測速度并不適應(yīng)實時應(yīng)用。哈爾濱工業(yè)大學(xué)的研究者實現(xiàn)了一個復(fù)雜背景下的多級結(jié)構(gòu)的人臉檢測與跟蹤系統(tǒng)，其中，采用了模板匹配、特征子臉、彩色信息等人臉檢測技術(shù)，能夠檢測平面內(nèi)多姿態(tài)正面人臉，并可以跟蹤任意姿態(tài)的運動的人臉。研究實踐也表明，這種交叉使用能夠得到更高的檢測效率。二、AdaBoost算法相關(guān)知識概述（一）Boosting算法簡介Boosting是機(jī)器學(xué)習(xí)(ML)中的一個概念，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，若存在一個多項式學(xué)習(xí)算法來識別一組概念，并且識別正確率很高，那么這組概念是強(qiáng)可學(xué)習(xí)的；而如果學(xué)習(xí)算法識別一組概念的正確率僅比隨機(jī)猜測略好，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，那么在學(xué)習(xí)概念時，我們只需要找到一個比隨機(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)練集提出來的一個子集，各個樣本是否出現(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)更加專注于處理對已有學(xué)習(xí)機(jī)來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，但是還存在兩個缺點：該方法需要知道弱學(xué)習(xí)機(jī)學(xué)習(xí)正確率的下限，而這在實際問題中是很難做到的；其次，這一方法可能導(dǎo)致后來的學(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單分類器(weaker classifier)通過一定方法迭加(boost)起來,構(gòu)成一個分類能力很強(qiáng)的強(qiáng)分類器。理論證明,只要每個簡單分類器分類能力比隨機(jī)猜測要好,當(dāng)簡單分類器個數(shù)趨向于無窮時,強(qiáng)分類器的錯誤率將趨于零。AdaBoost用于人臉檢測時,從人臉中抽取大量的一維簡單特征。這些簡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)千個一維簡單分類器,組合起來達(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，得到一個級聯(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。檢測到人臉區(qū)域分類器輸出為1，否則輸出為0。為了檢測整副圖像，可以在圖像中移動搜索窗口，檢測每一個位置來確定可能的目標(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圖片進(jìn)行幾次掃描。分類器中的“級聯(lián)”是指最終的分類器是由幾個簡單分類器級聯(lián)組成。在圖像檢測中，被檢窗口依次通過每一級分類器，這樣在前面幾層的檢測中大部分的候選區(qū)域就被排除了，全部通過每一級分類器檢測的區(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即指級聯(lián)分類器的每一層都可以從中選取一個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。矩形特征對一些簡單的圖形結(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、對角)的結(jié)構(gòu)。臉部一些特征能夠由矩形特征簡單地描繪，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或多個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)，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型特征值的計算是通過積分圖像實現(xiàn)的。有關(guān)積分圖像的知識將在下一節(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。實驗證明：這種特征選取方法的訓(xùn)練速度雖然不快，但是檢測效率很高。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)建比較簡單，但這種特征在人臉檢測上需要多次檢測確認(rèn)，而且檢測率也沒有達(dá)到人們預(yù)計的那么好。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： 圖7 特征與圖像的匹配如圖7中(1)為待檢測人臉圖像，(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)看作傾斜時的人臉檢測特征。這種特征中的矩形要比前人提出的特征中的矩形多，計算起來更復(fù)雜一些，因為它的形狀類似于圖形處理中做卷積的3階矩陣，所以可以考慮一些，因為它的形狀類似于圖形處理中做卷積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整體處理，這樣應(yīng)用在卷積方面的知識也可以拿到這里來用。由于開始構(gòu)建這種特征時，就是把前人的兩種特征混合使用，所以在計算這種特征的特征值時，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。對人臉檢測更直觀，更直接。（三）檢測器內(nèi)特征數(shù)計算找出窗口中所有特征，是進(jìn)行弱分類訓(xùn)練的基礎(chǔ)。對于一個的檢測器而言，其內(nèi)部的特征矩形數(shù)的計算如下：首先介紹一下條件矩形：圖8 計算檢測器所有可能的矩形的數(shù)量對于窗口，我們只需要確定矩形左上頂點和右下頂點,即可以確定一個矩形；如果這個矩形還滿足下面兩個條件(稱為條件，滿足條件的矩形稱為條件矩形)：x方向邊長必須能被自然數(shù)s 整除(能均等分成s段)y方向被邊長必須能自然數(shù)t整除(能均等分成t段)則這個矩形最小尺寸為或，最大尺寸為或 (其中[]為取整運算)。接下來我們計算條件矩形的數(shù)量，我們通過下面兩步就可以定位一個滿足條件的矩形：確定: （1） （2）確定A點后，B點只能在圖中陰影內(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)以上公式計算子窗口的特征矩形數(shù)量，實際上，條件描述了矩形特征的特征，下面列出了不同矩形特征對應(yīng)的條件：圖9 5種特