基于改进的Adaboost算法在人脸检测与识别中的应用与研究.docVIP

基于改进的Adaboost算法在人脸检测与识别中的应用与研究 　　摘 要：随着视频监控的推广与普及，人们对监控质量的要求越来越高，通过人脸识别技术对监控对象进行身份识别也逐渐成为市场需求的主流。人脸识别是包含检测和识别两个方向的，该文通过Adaboost算法进行人脸检测和识别的研究，并提出了多算法融合的改进Adaboost人脸检测算法，通过验证，可提高人脸识别的精准性。 　　关键词：人脸检测 人脸识别 Adaboost算法 　　中图分类号：TP391.4 文献标识码：A 文章编号：1674-098X（2016）11（b）-0108-02 　　1 研究背景及意义 　　身份的鉴别可通过人的生理特征来进行辨别，如人的指纹、掌纹、声音、虹膜、人脸等，而视频监控中人脸是最为直观的，不要求被识别者主动配合，通过视频监控方便采集、智能识别，成为刑侦、安全验证、身份核对、智慧城市等多场合的主流技术，也使得对人脸进行检测与识别成为所有生物特征识别中最为热门的研究方向。 　　典型的人脸检测算法方式如下：对于输入的作为训练集的特定角度拍摄的人脸图像（正面或接近正面），首先使用直方图均衡或标准化、最小化解决由于光照不均对图像的影响，然后使用基于知识或者基于学习的方法提取面部模式。基于知识的方法是用明确的人脸面部规则特征，比如：人脸眼睛、嘴巴等组成部分，面部纹理特征或皮肤颜色；而基于学习的过程则需要使用特定判别式方程从一系列训练数据中学习得到。提取的人脸模式，是通过扫描过程，即需要使用不同尺度的人脸模式进行多次扫描来定位不同尺度的人脸。 　　人脸检测实质上是一个二分类的问题，即通过图片或是视频监控中将人脸和非人脸的区域相区别，并把属于人脸的区域进行标注。在这个课题上的研究，不同学者提出了不同的解决方案，但是每种方案都有利有弊，目前还没有哪种方案是确切地能解决所有难题的。如在实际应用中，分类器训练速度和检测速度过慢，检测效率不高；人脸的姿势检测不够精准，尤其是侧脸或是旋转的人脸而不能正确识别，有漏检或是误检的情况发生；鲁棒性较差，光照、肤色的不同同样影响着检测率等。人脸识别主要是将检测到的人脸图像与人脸识别训练样本库中的样本进行比对，找到最佳的匹配人脸。然而，影响人脸识别准确率的因素很多，如训练样本数量，分类器的选择，人脸特征的提取等，故人脸识别准确率仍然需要深入研究。 　　图1是Rowley提出的人脸检测原理图，此检测机制具有较强的适应性，对不同方位的人脸都可以进行检测。神经网络的方式其优势是获得人脸检测分类器比较容易，但是具有较大的计算量且算法相对复杂，在训练的过程中，针对参数需要修改量过多，且重在初始值及训练样本的选择。 　　关于人脸检测，国外的技术相对成熟，如德国及美国都已成功开发了人脸识别系统，同时给出了人脸检测及识别的样本库，而我国在人脸识别理论及技术方面相对成熟的机构是：清华大学（自动化系、计算机系）、中科院（自动化所、计算机所）、南京理工大学等，尽管与国际水平还相差甚远，但是它们为中国的人脸识别技术发展起到了领头羊的作用。 　　2 Adaboost算法 　　Adaboost算法的速度非常快，因此称为第一个实时的人脸检测算法，算法对人脸检测的飞速发展贡献是巨大的，算法的大致步骤如下： 　　第一：给定训练样本，初始化样本权重。 　　第二：训练弱分类器，更新样本权重，重复训练。 　　第三：将训练所得的强分类器进行级联形成最后的人脸检测分类器。 　　Adaboost算法是一种迭代算法，核心思想是针对同一个训练样本集训练不同的弱分类器，再将这些弱分类器聚集构成一个强分类器。该算法根据每次训练集中每个样本是否分类正确以及上一次的总体分类正确率，来确定每个样本的权值，并将修改过权值的新数据作为下层分类器的输入进行训练，最终将每次训练得到的分类器融合成最终的强分类器。Adaboost算法通过调整训练集中每个样本对应的权重来训练强分类器。开始时，每个样本被分配相同的权重值，如训练样本集中样本个数为N，则初始化权重为1/N，在此权重分布下训练弱分类器。分类错误的样本，加大其分类权重；分类正确的样本，降低其分类权重，从而凸显出被分类错误的样本的权重，最终得到一个新的样本权重分布。在此新的样本权重分布下，再次训练弱分类器得到新的分类权重。依此类推，经过T次迭代，得到T个弱分类器，按一定权重叠加，则得出最终的强分类器。 　　3 Adaboost算法的改进 　　研究表明，Adaboost算法训练人脸检测分类器具有一些缺点，如退化现象较严重，训练速度较慢，因此在Adaboost算法的基础上，该文采用了多算法融合的技术进行了改进，即在Adaboost算法的基础上结合其他算法共同?碜饔糜谌肆臣觳庖蕴岣呒觳獾木?准性，比如同肤色检测的融合，