淺析人臉檢測(cè)技術(shù)的探究

引 言

隨著計(jì)算機(jī)技術(shù)的高速發(fā)展，計(jì)算機(jī)的應(yīng)用已滲入到人們生活的各個(gè)方面。尤其是近年來(lái)人工智能的發(fā)展，其可利用計(jì)算機(jī)取代人的工作，利用智能設(shè)備完成信息交互和控制，極大地推動(dòng)了智能技術(shù)和智能設(shè)備的研究應(yīng)用。其中，人臉識(shí)別技術(shù)是人工智能領(lǐng)域的關(guān)鍵技術(shù) [1]，包括人臉檢測(cè)、識(shí)別和跟蹤等，廣泛應(yīng)用于智能視頻監(jiān)控系統(tǒng)、門(mén)禁控制系統(tǒng)中。人臉檢測(cè)是從輸入的圖像中檢測(cè)出是否有人臉圖像的存在，并將其從背景中分離出來(lái)的過(guò)程，是人臉識(shí)別技術(shù)的基礎(chǔ)，也是人臉識(shí)別的第一步。人臉檢測(cè)的算法非常多，目前常用的方法有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、AdaBoosting 等。

1 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上[2]，用于對(duì)線性可分的模型進(jìn)行分類的算法。對(duì)于訓(xùn)練樣本而言，就是尋找最優(yōu)的分類面來(lái)完成樣本的分類。支持向量機(jī)工作原理圖如圖 1 所示。

其本質(zhì)是一個(gè)二分類問(wèn)題，實(shí)心圓和空心圓分別代表兩 類不同的訓(xùn)練樣本。尋找最優(yōu)的分類線 L，這條分類線不僅能 正確地將樣本分開(kāi)，還能夠使得與它平行的直線 L1 和 L2 之間 的距離最小。

最初該算法用于線性可分的問(wèn)題模型，經(jīng)過(guò)發(fā)展后也可用于線性不可分的模型問(wèn)題。采用非線性映射將低維空間的非線性問(wèn)題轉(zhuǎn)化為高維空間的線性問(wèn)題，從而在高維空間利用線性算法對(duì)樣本的非線性問(wèn)題進(jìn)行分析，求出最優(yōu)分類面， 達(dá)到對(duì)樣本進(jìn)行分類的目的。但獲取的分類器是在高維空間得到的，維度很高，訓(xùn)練過(guò)程比較復(fù)雜，實(shí)現(xiàn)實(shí)時(shí)檢測(cè)非常困難。

2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）從信息處理的角度模擬人腦神經(jīng)元網(wǎng)絡(luò)。利用大量節(jié)點(diǎn)即神經(jīng)元組成一個(gè)網(wǎng)絡(luò)，然后將大量的人臉圖像樣本和非人臉圖像樣本數(shù)據(jù)輸入進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)逐漸具有對(duì)樣本正確分類的能力。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 2 所示，該網(wǎng)絡(luò)結(jié)構(gòu)是前饋型網(wǎng)絡(luò)[3]，分為輸入神經(jīng)元、隱含神經(jīng)元和輸出神經(jīng)元，其中隱含神經(jīng)元可以有多層。將提取的特征值輸入至輸入層，并傳到后方的隱含層，最后通過(guò)連接權(quán)輸出到輸出層。在訓(xùn)練的過(guò)程中不斷調(diào)整連接權(quán)值，直到網(wǎng)絡(luò)輸出的誤差減小到可以接受的程度。因此， 在非線性分類中可以充分逼近理想結(jié)果。但是分類器的獲取太復(fù)雜，對(duì)多姿態(tài)的容忍度很低，不太適合實(shí)時(shí)的人臉檢測(cè)。

3 AdaBoost

AdaBoost 算法是利用分類能力一般的弱分類器通過(guò)推選構(gòu)成的具有很強(qiáng)分類能力的強(qiáng)分類器，采用分類能力遞增的方式將多個(gè)強(qiáng)分類器組成級(jí)聯(lián)分類器[4]。對(duì)于這樣的級(jí)聯(lián)系統(tǒng)， 正確檢測(cè)率（Correct Detection Rate，CDR）越大越好，而虛假正確率（False Positive Rate，F(xiàn)PR）越小越好[5]。

對(duì)輸入圖像進(jìn)行檢測(cè)時(shí)，提取的特征值絕大多數(shù)都是非人臉圖像，只有極少的是存在人臉的圖像，所以人臉檢測(cè)是一個(gè)小概率事件的檢測(cè)過(guò)程。在構(gòu)造訓(xùn)練樣本時(shí)，非人臉訓(xùn)練樣本的數(shù)量應(yīng)多于人臉訓(xùn)練樣本的數(shù)量。

為方便表述，將訓(xùn)練樣本總數(shù)記為 M，每個(gè)樣本提取的特征數(shù)記為 N。大致的訓(xùn)練過(guò)程如下：

(1) 將 M個(gè)訓(xùn)練樣本以及與之對(duì)應(yīng)的 N個(gè)特征值構(gòu)造為二維矩陣 F[i][ j]，其中 1 ≤ i≤ N，1 ≤ j≤ M，每個(gè) F[i][ j] 表示第 j個(gè)樣本的第 i個(gè)特征值，而 F[i][] 則表示所有訓(xùn)練樣本的第 i個(gè)特征值的集合。

(2) 對(duì)所有樣本的第 i個(gè)特征值進(jìn)行排序，并設(shè)置初始權(quán)重為 wj=1/M，其中 wj為第 j個(gè)樣本的權(quán)重。

error為訓(xùn)練樣本被錯(cuò)誤分類的均方差值誤差，yk為樣本的類型值，當(dāng) k為人臉圖像時(shí)，yk=1，否則 yk= － 1。hj（F[i][ j]）為第 j 個(gè)弱分類器。

if（error<minerror） 

minerror=error， 

θ=F[i][ j]，

最終將均方差值最小的 θ 值作為弱分類器的閾值。此時(shí)得到的弱分類器是經(jīng)過(guò)訓(xùn)練的最優(yōu)弱分類器。

(3) 對(duì)所有的特征值進(jìn)行計(jì)算，從得到所有的均方差值最小的最優(yōu)弱分類器中挑選出本輪誤差值最小的最優(yōu)弱分類器作為第一個(gè)強(qiáng)分類器，若用 t表示當(dāng)前強(qiáng)分類中包含的弱分類器的數(shù)量，那么此時(shí) t=1。

然后根據(jù)最優(yōu)弱分類器的分類結(jié)果，分別調(diào)整樣本的權(quán)重。增大被錯(cuò)誤分類的樣本的權(quán)重，減小被正確分類的樣本的權(quán)重，以利于提高非人臉樣本被檢測(cè)出的概率。

(4) 為了提高檢測(cè)的效率，采用遞進(jìn)復(fù)雜度的級(jí)聯(lián)分類器，具體如圖 3 所示。

前面的幾個(gè)最優(yōu)強(qiáng)分類器由于包含的弱分類器數(shù)量較少， 結(jié)構(gòu)也比較簡(jiǎn)單，可以快速過(guò)濾掉大量比較容易排除的非人臉圖像。但隨著后面最優(yōu)強(qiáng)分類器包含的弱分類器的增多，過(guò)濾非人臉的能力越來(lái)越強(qiáng)，能夠進(jìn)一步對(duì)難以排除的非人臉圖像進(jìn)行過(guò)濾，但檢測(cè)速率也隨之下降。

強(qiáng)分類器對(duì)非人臉圖像的判別準(zhǔn)確度非常高，一旦發(fā)現(xiàn)為非人臉圖像，就將它過(guò)濾掉，后面的分類器將不再對(duì)它進(jìn)行處理。而且在采集到的圖像中，絕大多數(shù)都是非人臉圖像， 人臉圖像只占很少一部分，所以采用級(jí)聯(lián)的方法提高人臉檢測(cè)的速度，滿足實(shí)時(shí)檢測(cè)的需求。

4 結(jié) 語(yǔ)

人臉檢測(cè)與識(shí)別技術(shù)是人工智能領(lǐng)域的熱點(diǎn)研究課題， 在視頻監(jiān)控、門(mén)禁系統(tǒng)等領(lǐng)域都有廣泛的應(yīng)用。本文從構(gòu)造人臉檢測(cè)的分類器出發(fā)，分析了支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)以及AdaBoost 算法。相比較而言，AdaBoost 算法通過(guò)尋找弱分類器，利用訓(xùn)練過(guò)程將弱分類器構(gòu)造為強(qiáng)分類器，并將多個(gè)強(qiáng)分類器按由簡(jiǎn)單到復(fù)雜的次序進(jìn)行級(jí)聯(lián)，從而將大量的非人臉圖像過(guò)濾掉，極大地降低了處理時(shí)間，提高了檢測(cè)效率， 在實(shí)時(shí)人臉檢測(cè)與識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。