【正文】 沒有限制，可以采用SVM分類器，也可以采用AdaBoost分類器，只要每級分類器訓練時滿足預先指定的檢測率與虛警率即可。利用該級的訓練樣本，訓練滿足指定檢測率和虛警率的分類器。采用級聯(lián)結(jié)構(gòu)，有兩個明顯的好處：首先是大大增加了樣本分類的平均速度，由于在目標檢測時大部分樣本是較為簡單的背景圖片，可以通過十分簡單的分類器在級聯(lián)結(jié)構(gòu)的前幾級去掉，所以大大提高了估值的速度；其次是在每次訓練新的單級分類器時，需要利用已經(jīng)訓練得到的分類器在背景圖片上檢測出的虛警圖片來作為下一級的負面樣本，這樣使用的負面樣本越來越多，并且它們之間具有相對的獨立性，使得使用的負面樣本空間也越來越大，從而提高了分類器的精度。每個單級分類器在訓練時有較高的檢測率和中等的虛警率，將這些分類器級聯(lián)起來后就可以達到極低的虛警率和較高的檢測率。 算法流程圖 算法流程圖 級聯(lián)強分類器結(jié)構(gòu)人臉檢測問題是一個非對稱的分類問題，背景中非人臉樣本占大多數(shù)，且大部分可以用很簡單的判別規(guī)則去掉，為此。計算對應所有特征的弱分類器的加權(quán)（）錯誤率： （）選取最佳的弱分類器（擁有最小錯誤率）： （）由此可得最佳弱分類器為。l歸一化權(quán)重： （）這樣可以使得呈現(xiàn)概率分布。l 初始化權(quán)重，在這里提供一種初始化權(quán)重的方法：（對負樣本）或（對正樣本）。 算法描述AdaBoost訓練強分類器的算法描述如下[15]，（算法流程圖見下節(jié)）：l 給定一系列訓練樣本，其中表示其為負樣本（非人臉），表示其為正樣本（人臉）。樣本的權(quán)重代表了該樣本被誤分類的可能性。 （）本文采用上下限閾值的方法來選取弱分類器，與以往只選取一個閾值的方法不同，我們嘗試用這種方法來提高檢測率與降低虛警率。 弱分類器中的閾值選取下限閾值上限閾值人臉圖像特征值，所有人臉樣本的特征值都關聯(lián)于兩個特定的閾值，上限閾值是這些樣本特征值的最大值，下限閾值是這些樣本特征值的最小值。弱分類器包括特征、權(quán)重和兩個閾值。 人臉檢測中強弱分類器與AdaBoost算法 弱分類器Weak Classifier強分類器中包含若干個弱分類器。Viola and Jones最先在解決人臉檢測問題中使用AdaBoost。Freund和Schapire提出了Boosting算法和它的具體應用AdaBoost算法，AdaBoost算法是Adaptive Boosting 的縮寫。正因如此，積分圖的引入，大大地提高了檢測速度。 基于積分圖的特征值計算，此矩形特征模板的特征值C為：C=區(qū)域A的像素值－區(qū)域B的像素值 矩形特征的特征值計算由剛才的推導可知：所以此特征模板的特征值C為： （）由此可見，矩形特征的特征值計算，只與此特征端點的積分圖有關，而與圖像坐標值無關。 基于積分圖的像素值計算，區(qū)域D的像素值，可以用4點的積分圖來計算。其中A(x, y)的積分圖定義為其左上角矩形所有像素之和（即灰度值之和），s(x, y)為A(x, y)及其y方向向上所有像素之和。 “積分圖”與積分的類比yxab對于圖像內(nèi)一點，定義其積分圖為為 （）其中是處的原始圖像，代表該點的顏色值，對于灰度圖像，其值為0~255，對于彩色圖像，可以先按照人臉彩色空間將其轉(zhuǎn)化為灰度取值。，積分圖的原理與定積分的計算類似，而引入積分圖的目的在于從圖像繁雜的像素級運算處理中擺脫出來，在積分圖的形式下處理圖像。 積分圖Integral Images通過將原圖像轉(zhuǎn)化為積分圖的方法我們可以用很快的速度計算出系統(tǒng)的特征，在這一章節(jié)，我們將介紹在圖像處理領域非常著名的積分圖，和使用積分圖來計算特征值的方法。加上特殊的對角線特征，共得到15個特征模板。不失一般性，假設=1于是；這些特征模仿了haar特征和其他的視覺響應，如中心周圍響應和對角響應。 豎直和傾斜的矩形的例子WH分類窗口whhwwh假設矩形r內(nèi)所有像素之和為RecSum(r)，擴展的haar特征定義為所有的矩形框的像素之和的組合，即： （）其中，矩形框和N可以任意選取。擴展的haar特征集合可以提高特征對于人臉模式和非人臉模式的區(qū)分能力。該特征的個數(shù)十分龐大，例如對于一個大小為的檢測器模板，相應矩形框的個數(shù)有160000多個，必須通過特定算法甄選合適的矩形特征，并將其組合成強分類器才能檢測人臉。這類特征模板由兩個或者是多個完全一樣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（定義左上角的為白色，然后依次交錯）。我們用如圖的矩形組合去檢測人臉。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。 haar矩形特征 概述人臉部的具體特征對人臉檢測是有重要意義的。Viola 提出將積分圖(integral image)應用到特征值的計算之中。將矩形作為人臉檢測的特征向量，稱為矩形特征。大多數(shù)被排除的子圖像是非人臉子窗口，極少數(shù)是人臉圖像。對于一幅圖像，我們可以通過從不同的位置和大小來產(chǎn)生眾多的子圖像。裁剪圖像圖像對比拉伸人臉檢測人臉非人臉轉(zhuǎn)變?yōu)榉e分圖 人臉檢測系統(tǒng)流程AdaBoost人臉檢測系統(tǒng)是以強分類器級聯(lián)的方式構(gòu)成的。第三個方向是減少子圖像的數(shù)目從而達到加速檢測速度。第一個方向是尋找新的圖像特征去減少分類器的數(shù)量。3 基于AdaBoost的人臉檢測方法概述在上文中詳細介紹了人臉檢測的研究方法以及基于學習的人臉檢測方法的一般流程。同時需要注意的是當一個真實目標對應多個檢測結(jié)果時，只有一個檢測結(jié)果可以作為正確的檢測結(jié)果，其余的檢測結(jié)果被視為虛警（false positive）。對每個檢測結(jié)果進行分析，得到每個閾值點的查全率（recall）和查準率（precision），它們的定義如下： （） （）一個檢測結(jié)果是否正確，取決于它與目標真實位置間的重疊程度。RP曲線可以有效地評價一個檢測器的檢測結(jié)果，無論該檢測結(jié)果是否由基于統(tǒng)計學習的方法得到。ROC曲線或DET曲線評價方法簡單、直接，可以有效地評價一個分類器對目標的鑒別性。是基于MIT+CMU測試集的人臉檢測ROC曲線。曲線越靠近左上角，表明性能越好。ROC一般定義為檢測率（detection rate, DR）和虛警率（false alarm rate, FAR或false positive rate, FPR）之間的變化關系。 基于學習的目標檢測方法有兩種性能評價方法：針對分類器性能評價的ROC（receiver operating characteristic）曲線和針對檢測結(jié)果評價的RP（recallprecision）曲線。為促進人臉識別算法的深入研究和實用化，美國國防部發(fā)起了人臉識別技術（Face Recognition Technology, FERET）工程，它包括一個通用人臉庫和一套通用測試標準，用于定期對各種人臉識別算法進行性能測試，其分析測試結(jié)果對未來的工作起到了一定的指導作用。左側(cè)為測試圖像，右側(cè)為檢測結(jié)果。當然，設計者由于不同研究任務的需要，必要時可以設計和建立具有專用工程特色的數(shù)據(jù)庫。T(Olivetti)40個主題，每個主題10張圖像Harvard在不同光照條件下的剪裁好的人臉圖像ftp://M2VTS一個包含不同圖像序列的多態(tài)數(shù)據(jù)庫Purdue AR3276 張在不同光照條件下的表情和有遮擋的人臉圖像~aleix/ 常用的人臉圖像數(shù)據(jù)庫 典型的正面人臉圖像數(shù)據(jù)庫中的人臉圖像，就是MIT的一個典型的正面人臉數(shù)據(jù)庫中的圖像，圖像的尺寸都為。通常人臉識別實驗所采用的人臉庫不大，一般僅包括100幅左右的人臉圖像，如MIT 庫、Yale 庫、CMU 庫等都是小型庫。 人臉圖像數(shù)據(jù)庫人臉圖像數(shù)據(jù)庫可用于人臉檢測的訓練和測試。目前滿足這3條原則的較好的融合方法是變帶寬的均值漂移算法（variable bandwidth mean shift）[11]。 檢測結(jié)果的融合需要對這些對應同一個目標的窗口進行融合，找到分類器相應的局部極值，然后用這個3D空間中的極值點作為目標出現(xiàn)的真實位置。某一尺度下任意一個窗口對應3D空間中的一個固定點y，對應的分類器的響應值為，概率大于預先設定閾值的窗口可以加入候選目標集合Y。由于目標的長寬比是固定的，所以目標在尺度上只有一個自由度，目標在圖像上的位置退化為3個自由度，可以用3D空間中的一個點表示。 目標檢測的金字塔原始圖像按照預定尺度步長逐步縮小，直到達到預先設定的尺度或者小于模板為止。自舉的方法可以反復進行直到所得到的分類器在測試集合或者驗證數(shù)據(jù)集合上的性能沒有明顯改善為止。自舉的意思是利用已經(jīng)訓練好的分類器對背景圖片上的窗口進行分類，將得到的虛警加入到非人臉樣本中，然后重新訓練分類器。AdaBoost集成分類器的優(yōu)點是可以從一個特征池中選擇出對分類最有用的特征，其設計方法將在下文第5章有詳細介紹。神經(jīng)網(wǎng)絡在20世紀90年代早期應用較多；隨著SVM的發(fā)展，目前可以采用神經(jīng)網(wǎng)絡的地方已大多由SVM替代。haar特征的定義簡單，同時計算復雜度較低，是現(xiàn)有人臉檢測算法中廣泛采用的特征表示形式，將在第4章詳細介紹。特征提取要同時考慮特征的鑒別能力和計算復雜度。 特征提取特征提取的目的是將訓練圖像的像素值映射到特征空間，以降低類內(nèi)距離，提高類間距離，方便分類。考慮最基本的統(tǒng)計量——灰度的均值和方差，將它們調(diào)整到給定值。這些陰影可以看作是人臉模式中固有的干擾分量，需采用統(tǒng)計學習的方法使分類器適應這些變化。假設待處理的圖像中包含N個像素，灰度為，需要擬合的平面為，此平面應該使與z間的均方誤差最小，即 （）式（）可以用最小二乘法求解。 預處理預處理的目的是降低光照不均勻的影響。得到標準人臉的坐標位置和每個訓練圖像的映射參數(shù)后，可以通過插值的方法[8]剪裁得到對齊的固定大小的人臉訓練圖像。（3）利用更新平均位置。這個迭代過程包括以下步驟[7]：（1）初始化所有訓練樣本上的對應樣本點的平均位置作為“標準人臉”上的特征點。假定式（）等號左邊的矩陣為A，求解變量，等號右邊的向量為B，則有 （）通過式（）的逆變換，任意一個訓練圖像上的特征點可以變換到“標準人臉”坐標。為了對齊人臉，可首先手工標注各個圖像上人臉的一些特征點的位置，如眼角、嘴角等。訓練圖像中不同尺度、形狀和傾斜角度的人臉被認為是由一個“標準人臉”經(jīng)平移、旋轉(zhuǎn)或縮放得到。對齊的目的是降低訓練樣本在尺度、形狀、旋轉(zhuǎn)和平移等幾何特性方面的模式變化。 基于學習的人臉檢測流程（左半部分為離線學習，右半部分為在線檢測） 分類器的離線學習，分類器的離線學習包括圖像對齊、預處理、特征提取和分類器訓練四個基本模塊，下面對這四個模塊的具體操作做出詳細講解。離線學習指利用收集的訓練樣本結(jié)合機器學習算法學習得到表示目標模型的分類器結(jié)構(gòu)，在線檢測指利用學習得到的分類器模型掃描輸入圖片從而得到人臉在圖像中的位置。2 基于學習的人臉檢測流程AdaBoost算法是基于學習的人臉檢測的典型方法，所以有必要在介紹AdaBoost算法之前詳細講解一下基于學習的人臉檢測方法的一般流程。這4種方法在檢測器的精度上沒有本質(zhì)的差別，但速度上借助haar矩形特征和AdaBoost算法的級聯(lián)檢測器結(jié)構(gòu)的計算效率卻遠遠超越了其他方法[4]。與基于知識的方法相比，基于學習的方法能夠處理復雜環(huán)境下的人臉檢測問題，是當前的主流研究方向?；趯W習的方法收集大量人臉和非人臉樣本，然后利用機器學習算法，通過學習得到一個分類器，最后利用該分類器進行人臉檢測。如果規(guī)則過于嚴格，則容易出現(xiàn)漏檢的情況；過于簡單時又容易出現(xiàn)誤檢的情況。這種方法出現(xiàn)于早期的人臉檢測工作中，具有簡單、可行和易用的特點。例如人臉一般包括位置互相對稱的兩只眼睛、一個鼻子和一張嘴等特征，而且它們具有相對固定的位置關系。 人臉的遮擋、不同表情和圖像的旋轉(zhuǎn)會影響到人臉的檢測 不同角度人臉帶來的檢測結(jié)果也有可能不同利用圖像技術的人臉檢測研究已經(jīng)有20多年的歷史，現(xiàn)有的人臉檢測方法可以分為兩類，一類是基于知識的方法（knowledgebased approach），另一類是基于學習的方法（learningbased approach）[3]。（5）多變的成像條件。（4）復雜的背景。（3）人臉的視角變化。人臉中包含很多細節(jié)和特性，比如人的發(fā)型、膚色、眼睛的大小和睜閉等，都可能給人臉檢測帶來困難。 人臉檢測的難點與研究方法人臉檢測需要考慮較多方面的因素，既要保證較高的檢出率（high detection rate），又要保證較低的誤檢率（low false positive rate）。總體而言，目前非理想成像條件下的人臉檢測問題逐漸成為研究的熱點問題。另一方面則全面總結(jié)了人臉檢測技術發(fā)展的現(xiàn)狀：較理想條件下（正面簽證照），針對37437人121589幅圖像的人臉檢測(Identification)最高首選檢測率為73%，人臉驗證(Verification)的等錯誤率大約為6%。FERET項目之后，涌現(xiàn)了若干人臉檢測商業(yè)系統(tǒng)，美國國防部有關部門進一步組織了針對人臉檢測商業(yè)系統(tǒng)的評測——Face Recognition Vendor Test(FRVT)，至今已經(jīng)舉辦了兩次：FRVT2000以及FRVT2002測試。Basri和Jacobs則利用球面諧波（Spherical Harmonics）表示光照、用卷積過程描述朗博反射的方法解析地證明了一個重要的結(jié)論：由任