基于改进的AdaBoost算法的人脸检测与定位

迎新

(江苏大学电气与信息工程学院，江苏镇江212013 )。

摘要：针对传统AdaBoost算法在训练中出现的退化现象和检出率低的问题，提出了有效的解坚决执行的方法。 该方法在传统AdaBoost算法的基础上，对样本权重参数和弱分类器权重参数进行了改进，包括有效抑制了困难样本权重的过度增大，增强了分类器对样本的识别能力，提高了系统的检测率。 实验证书明：用该方法训练的级联人脸检测器具有良好的性能。关键词：面部检测； 权重参数； 级联分类器； 检测率

图分类编号： TP 274. 2文献识别代码： A文章编号：1000(9787 ) 2010 ) 01 ) 0094 ) 04facedetectionandlocationbasedonimprovedAdaBoost a lgorithm徐向前，赵德昂，赵建二bo

(schoolofelectricalandinformationengineering，J iangsu Un iversity，Zh en jian g 212013，Ch ina )abstract : aimedatthephenomenonofdegradationandtheissueoflowdetectionrateintrainingprocessoftraditional AdaBoost algorithm，aneffectivemethodispresented.onthebasisofthetraditionaladaboostalgorithm，thismethodeffectivelyrestrainsweightsofhardsamplesnottoexpandlargelyandstrengthensthecapacityofclassifierforrecognitionofsamplesbyimprovingtheparametersofsampleweightsandtheweakclassifierweightingvalue.theexperimentalresultsshowthefacedetectorestablishedbythenewmethodhas谷歌性能key word s :面检测； 微信参数； cascade classifier； 检测速率0领先

人脸检测是指在输入图像中决定人脸的位置、大小和姿势势的过程作为人脸信息处理中的关键技术之一在于人脸识别另外，面部跟踪、姿势估计、表情识别、图像检索、数字视频等有重要的APP应用[ 1]。目前人脸检测的主流方法是基于AdaBoost算法的检测

测定方法[ 2]。 AdaBoost算法是一种自适应Boosting算法，利用通过该算法可以将家族的弱学习算法提升为一个强学习算法，

其基本思想是根据分类结果调整样本权重分布，准确通过分类后的样本的权重减少，错误分类后的样本的权重增加，学习算法可以在下一次迭代中集中学习难以分类的东西样本最终将每轮生成的弱分类器通过加权投票方式进行合并是很强的分类器。AdaBoost算法的权重更新规则是该算法的重要优势点，它保证了学习算法集中在比较困难的训练样本的处理上，但是，如果训练样本集中包含罕见的困难样本，则AdaBoost算法向这些样本分配较高的权重，最终引起权重分布稿件受理日期：2009(06 ) 15严重扭曲现象，即退化现象。 本文是AdaBoost算法的基础在此基础上，改变样本的权重参数和弱分类器的权重参数我进去。 通过改进样本权重参数，对样本权重更新过程进行FPR

(fa lse positive rate ) )的影响通过调节因子l调节权重来修正弱分类器参数的改进限制困难样本权重过度增大的程度可以提高分类器对样品的识别能力。 实验证明：这个方法有良好的性能，有效地限制了退化现象的发生，提高了系统检出率。1传统的AdaBoost算法

AdaBoost算法是一种迭代算法，与Yoav Freund由Roberte Schapire于1995年提出，其核心思想相同训练集合训练不同的弱分类器，随后使这些弱分类器聚集在一起起来，构成强分类器[ 3]。 以下是AdaBoost算法的具体内容说明：1 )输入为n个训练样本

(x1，y1 )，xi，yi )，xN，yN )，i=1，n，yi=0，1分不要表示非人的脸部样本和脸部样本；94

首开前等：基于改进AdaBoost算法的人脸检测与定位2 )对yi=0，1分别初始化权重w1，i=12米，

1

2l

其中，

m、l分别表示训练集中非人脸样本和脸样本的数量；3 )开始迭代循环(for t=1 to T ) )。a .权重归一化wt，i=wt，Ie

n

j=1

wt，j

其中，n是特征总数

b .针对每个特征j的弱分类器hi，计算当前权重值的错误率Ej=En

i=1

wt，I#|HJ(Xi )- yi|；c .此次选择针对最小错误率Et的判定函数ht迭代得到的弱分类器；d .根据ht对每个训练样本的判断是否正确，更新样本相应权重，即wt 1、iz wt、i # B1- ett

其中，ht对第I个样本

如果本判断正确，则ei=0； 相反，ei=1，Bt=Et1- Et；

4 )生成强分类器是h(x )=1，eT it=1

atht(x )\ 0. 5 ET it=1At

0、其他同调

其中At=log21Bt。

AdaBoost算法的改进

训练中，为了不使困难样本的权重分布变得严重可以在防止扭曲、老化现象的同时，提高系统的检测率通过改变样本权重参数和弱识别器权重参数两者来实现现在。2. 1改进样本权重参数

职教在线

一些样本的权重在增大。 如果这些样品被错分了几次，那就是？它们的权重不断扩张，这直接导致每次发生的弱分类器ht的错误率Et相对变大，弱分类器最好在后来的加权投票中所占的比例变小。本文对样本权重的更新过程进行了wt 1，i=wt，I(b1- E tt）

(1- FPR ) l同调

其中l为调节因子(0 L 1)。 新的样本权重更新者方法在样本权重的更新过程中受到FPR的影响，导致它们被错误划分的样本本权重的扩张幅度对FPR变得敏感，l可以调节或改变本权重的扩张取决于FPR的程度。 在行人检测中，FNR由于(fa lse negative rate )的要求远远大于FPR的要求，采用1 - FPR修正面部样本权重，降低FNR。 令0 L 1调节权重修正程度，有效限制样本总体假阳性率升高。因为0 B 1

1- FPR 1](b1- E tt

）

(1- FPR ) )。l\ B

1- Ett所以，这种

改进的权重更新算法使得样本权重更新过程更加引人注目面部样本的得分率是上次弱分类器错误分类的样本的权重扩张幅度减小，有效地抑制了困难样本权重的过度增大。2. 2弱分类器加权参数的改进

在级联结构中，各类别的分类器的判定阈值的选择不再像传达一样的两种分类问题那样选择与最小错误率对应的阈值，而调整以适应满足要求的故障恢复(frr ) (4)。在这种情况下，基于整体最小错误率上限的传统AdaBoost算法和解的权重参数在低FRR端未必能得到良好的结果的表演。 针对这种情况，本文对弱分类器的权重参数进行分析改善可以通过将判定阈值调整到对应低FRR侧来得到比传统的AdaBoost算法性能提高，适合目标检测测量问题中通常采用的级联型分类器。改进后的算法采用了与传统AdaBoost算法不同的加法权重参数At的求法

At=12

ln

1- EtEtkep

t，

式中k是常数； pt=E yI=1，ht

(xI=1

d(I )、pt是第t次循环的弱点

类中所有被识别为正确的面部样本的权重及其可以代表弱分类器ht对面部样本的识别能力。 还有kept是pt递增函数，

这里，k是常数。 这样求出的新的权重参数通过差错率Et在相同的情况下，具有较强的正样本识别能力的弱分类器更大的权重。

采用改进的AdaBoost算法，弱分类器的加权参数不同但与整体错误率有关，也与人脸样本的识别能力有关。在实际训练过程中，后期对人脸样本识别能力较强的弱分类因为器皿的权重上升比较大，对这类样品更容易准确识别然后，可以有效地弥补前面弱分类器的不足，提高最后的加法根据权重和h(Xi )，改进的AdaBoost算法由相同的FRR要求获得更小的故障转移(far )，提高了系统检出率。2.3改进AdaBoost算法的具体训练方法1 )、2 )与传统的AdaBoost算法相同3 )开始迭代循环(for t=1 toT ) )。a .权重归一化wt，i=

wt，Ien

j=1

wt，j

其中，n是特征总数

b .针对每个特征j的弱分类器hj，计算当前权重的值的错误率，即Ej=En

i=1

wt，j# | hj(xi )- yi|；

c .此次选择与最小差错率Et对应判定函数ht迭代得到的弱分类器；d .令At=1

2

ln

1- EtEtkep

t，其中pt=E y i=1，hi(xi )=1d(I )；95

传感器和微系统第29卷e .更新对样品的权重wt 1，i=wt，I(b1- Ett）

(1- FPR ) l其中，Bt=Et

1- Et；

4 )生成强分类器是h(x )=1，eT it=1

报名招生

3构建人脸检测器

Pau l V和M ichae l J在2001年提出了级联AdaBoost面部检测方法[ 5，6 ]。 该方法采用了积分图的形象表示

方法，可快速计算H aar2like特征，利用AdaBoost学学习算法通过将从H a ar2like特征中生成的简单分类器进行叠加将强分类器，再将强分类器级联作为层次分类器，用于检测测量人脸。 该设计的主要思想是逐步提高检测精度。首先，使用具有较少分类器的强分类器进行非人脸窗口的排除，后续强分类器的弱分类器数量越来越多，检测测量精度越来越高，需要检查的子窗口越来越少，达到以下目的达到提高检测速度的目的。级联分类器共享n层，hI(x )表示各层的强分类器、类联锁的结构如图1所示。

图1级联分类器结构图

fig1structurediagramofcascadeclassifier在前一层的分类器对子窗的图像进行分类后，如果

分类结果为/T0，可能包含人脸的窗口被传递到下一个窗口启动个分类器，然后启动下一个分类器进行处理，这样最好后一类分类器可以通过这种方式大量排除不包含人脸的子窗口口，提高检测速度。讨论级联分类器的检测率和误判率：

假设级联分类器共享n层，第I层强分类器的假阳性率我要f了I

检测率为di，检测图像中检测对象的人脸窗口的数量为米。 根据该假设，Md1个人的面部窗口正演到第一强分类器确实，正确分类的子窗口将转移到第二个强大的分类器，如下所示Md1d2个人脸窗口通过第二个强大的分类器正确分类。 按此类别推，最后，有中场n

i=1

di个人脸窗口由第n强分类器正确实分类的话，有M Fni=1

di个人脸窗口由级联分类器正确划分因此，整个级联分类器的检测D=Fni=1

迪。 导出过程如下如图2所示。

图2级联分类器的检测率推导过程fig 2处理器技术驱动程序同样可以推导出级联分类器的假阳性率为F=Fni=1f

I .

给定最终级联分类器的检测率和假阳率的期望

可以通过限制构成级联分类器的每个级别的强分类器的检验来完成该值达到测定率和假阳性率。 例如，如果：级联分类器具有10级强度分类器结构优选最终目标检测率在0. 9以上0. 9U 0. 9910

那么，各级检测率在0. 99以上就令人满意了虽然要求、检出率似乎很难保持在0. 99以上，但值得关注可以通过降低各级强分类器的假阳率来实现，即使各级强分类器的假阳率较低因为级强分类器的假阳性率为0. 3，为0. 310U 6 @10- 6、水平

联分类器的假阳率仍然很低。4实验结果与分析

将改进的AdaBoost算法作为级联分类器的每一层进行增强分类器训练方法训练级联人脸检测器。 测试样品采集使用CMU MIT脸库，另外在测试集中放入了40张睡意困难的样例图像主要由人脸一样的图像构成。 采用宣传方式的AdaBoost算法与改进的AdaBoost算法进行比较。由图3可知，随着弱识别器个数的增多，检测率不是1之所以笔直变大，是因为样品的权重发生了扭曲，无法正确检查测量人脸。 比较图3的两条曲线，传统的AdaBoost算法比较快达到了检测率的最大值，但随着弱识别器的个数变多，检测率下降马上下降。 虽然这表明传统的AdaBoost算法确实会退化本文的AdaBoost算法很好地避免了退化现象的发生，并随着弱分辨器的增加，检出率仍有缓慢增加的趋势。图3检出率与弱分辨器数的关系fig3relationshipbetweendetectionrateandweakclassifier图4使用传统AdaBoost算法并使用改进的Ada2

Boost算法训练的人脸级联检测器检测结果比较图。 从图4是由于：改进的AdaBoost算法改变了样本权重参数数量和弱分类器的加权参数提高了对正确样本的识别能力，在性能优于传统的AdaBoost算法。图5和图6是改良AdaBoost算法进行训练的脸部级联检测器在一张人脸和多张人脸部分检测结果。96

首开前等：基于改进AdaBoost算法的人脸检测与定位图4改进后算法与传统算法的实验结果比较

fig4camparisonofexperimentalresultsofimprovedalgorithmandtraditionalalgorithm图5一张脸各角度的检测结果fig5facedetectionleafletsresultsfromdifferentangles图6多人面部检测结果

fig6facedetectionresultsonmanyfaces结束语5

本文提出了一种改进AdaBoost算法的人脸检测与辨识位法，该方法在CMU M IT人脸检测集合上的准确检测率为95. 5%。 在相同的错误检出率的情况下，可以得到本文的方法的正确检出率高于AdaBoost算法的结果。 实验结果是：该算法取得了更好的学习效果，有效地抑制了退化现象的发生老师，提高了面部检测率。参照文献：

[ 1]梁路宏，艾海舟，徐光佑，等.人脸检测研究综述[ J] .计算机学报，2002，25 (5) : 449- 458。

[2] schapirere.abriefintroductiontoboosting [ c ] mprocofthe16 thinternationaljointconferenceofartificialintelligence.SanFrancisco: Publishers Inc，1999: 1401- 1406。[ 3 ]蔡忠志.基于新特征的人脸检测系统[D ] .台北：台湾清华大学学，2005: 205- 209。[ 4] Zhu K H，Q iF H，JiangR J，eta.lautomaticcharacterdetectionandsegmentationinnaturalsceneimages [ j ].journalofzhejiangUn iversity: ScienceA，2007，8 (1) : 63- 71。

[ 5] Paul V，michaelj.robust real2timeobjectdetection [ c ] MSE 2condinternationalworkshoponstatistica，l and ComputationalTheories ofV isionModeling，Learn ing，Compu ting，and SamplingVan couver. Canada，2001: 1035 - 1042。[ 6 ] H ou X W，L iu C L，tantn.learningboostedasymmetricclassi 2iersforobjectdetection [ c ] m 2006 ieecomputersocietycon 2ferenceoncomputervisionandpatternrecognition.new York :IEEE Compu ter Society Press，2006: 330- 335。个人资料：徐向前(1983-)，男，江苏连云港人，硕士研究生，研究方向机器人视觉技术，无线视频传输技术。

图5目标2位RM SE

F ig 5 RM SE o f position for target 24结论

MGM算法比GM算法的滤波精度更高，同样证实了分类信道信息对数据关联具有很好的辅助作用。 说明目标运动性能接近，目标间距小，即运动学信息接近，但对其输出种类进行分类在不同条件下，可有效提高数据关联正确率。 也就是说，如果目标运动学测量信息接近，属性信息差异较大，则为、分类信息有助于数据的关联。 运动学信息接近时得到的分类结果为同种情况下，分类结果对于数据关联几乎没有帮助。参照文献：

[ 1] Chen Le，i W ainwrightM J，Mujdat Cetin，et a.l Mu ltitarget2mu tl2tisensordataassociationusingthetree2reweightedmax 2产品

algorithm [ c ] mspiesignalprocessingofsensorfusionandtar 2get Recogn ition，O rlando，f，l USA，2003: 127- 138。[ 2 ] Chen L e，iMu jdatCetin，willskyas.distributeddataassociationfor multi2targettrackinginsensornetworks [ c ] m7internationalCon feren ce on in formation Fusion，2005: 9 - 16。[ 3 ]邹澄澄，陈小惠.基于模糊聚类的数据关联融合算法[ J] .华东船舶工业学院学报：自然科学版，2003，17 (6) : 58- 62。[ 4 ]李辉、张安、赵敏等.多基于两点式数据关联算法

机动目标跟踪[ J] .电子报，2005，33 (12 ) : 2125- 2129 .[ 5 ]胡文龙，毛士艺.弱信噪比条件下多传感器最优数据互连[ J] .北京航空航天大学学报，1996(5) : 37- 41个人资料：付兴武(1962-)，男，黑龙江哈尔滨人，工学博士，教授，硕士领导者，主要研究定向工业过程的控制和优化。

97