基于MB-LBP人脸检测算法.doc

基于MB-LBP人脸检测算法 张伦，楚如峰，向世明，廖胜才，斯坦·李 生物识别与安全技术研究中心，中国科学院自动化模式识别研究所，国家重点实验室 摘要 通过使用基于AdaBoost学习算法的矩阵Haar-like特征方法，有效和实时脸部检测已经成为可能。在本文中，我们介绍了一组新的独特的人脸检测矩阵特征方法，称为多块局部二值模式（MB-LBP）。通过局部二进制模式操作，MB-LBP将矩阵区域编码成强度，得到的二值模式可以描述图像的多种局部结构。基于MB-LBP特征，研究出了一种基于AdaBoost学习算法的人脸检测方法。为了处理MB-LBP特征的非度量特征值，算法采用多分支回归树作为弱分类。实验表明，基于MB-LBP弱分类比Haar特征和原始LBP特征更加有区别度。鉴于相同的许多特征，在一个给定的0.001误报率下，所提出的人脸检测比haar-like特征高15％的正确率，比原始LBP特征高8％的正确率。这表明，MB-LBP特征可以捕获更多的图像结构信息，同时在简单地测量矩阵之间的差异下，比传统haar-like特征有更突出的性能。MB-LBP特征的另一优点是其较小的特征集，这使得训练时间要少得多。 1引言 人脸检测具有广泛的应用，例如自动人脸识别，人机交互，监控等。在最近几年，出现了基于脸部外观检测方案一个实质性的进展。这些方法解决的人脸检测作为两类（人脸/非人脸）的分类的问题。由于人脸外观，光照，表情和其它因素的变化，具有良好的性能的人脸/非人脸分类器应该是非常复杂的。用于构造人脸/非人脸分类的最有效的方法是基于学习的方法。例如，基于神经网络的方法，支持向量机制等。 最近，由Viola和Jones提出的基于Boosting算法的检测被认为是在人脸检测的研究的一个突破。实时性能是通过学习一个简单的Haar-like矩阵特征的序列来实现。Haar-like特征编码在两个矩阵区域之间的平均强度的差异，并且可以迅速地通过积分图像进行计算。完整的Haar-like特征集大且包含冗余信息的质量。Boosting算法被引入到选择少数独特的矩阵特征，构建一个功能强大的分类器。此外，使用级联结构进一步加快的计算。李等人用一系列扩展的Haar特征多视图人脸，并改进的Boosting算法。但是，这些Haar-like矩阵特征显得过于简单，并且检测器通常含有成千上万的矩阵特征影响了相当大的性能。大量的选择特征，无论是在训练和测试阶段，导致了较高的计算成本。特别是，在级联的后期阶段，基于这些特征的弱分类器变得太弱以至于无法提高分类性能。提出了其他许多功能来代表面部图像，包括旋转Haar-like特征，人口普查变换，稀疏特征等。 在本文中，我们提出了一个新的独特的特征，被称为多块局部二进制模式（MB-LBP）特征，用来表示人脸图像。 MB-LBP的基本思想是通过局部二元模式操作器进行编码的矩形区域。MB-LBP特征也可以通过积分图像迅速计算，相比Harr-like特征而言，MB-LBP特征能够捕获更多的图像结构信息，并表现出更鲜明的性能。与局部二元模式相比，在像素之间的局部3×3的邻域计算方面，MB-LBP特征可以捕捉大尺度结构，这些结构可能是图像结构的主要特征。我们直接使用原始LBP算的输出作为特征值。但一个问题是，该值仅仅是一个用于表示二进制字符串符号。对于这种非十进制特征值，多分支回归树被设计为弱分类器。我们实现的特征选择和分类解释的Gentle Adaboost算法。然后建造一个级联探测器。MB-LBP的另一优点是详尽组MB-LBP特征的数量比Haar-like特征小得多（尺寸为20×20的子窗口Haar-like特征的约1/20）。基于Boosting算法方法用Adaboost算法，从较大的、完整的特征集合中选择出一个明显的特征集合。这个过程往往花费很多时间，甚至数周。MB-LBP的较小的特征集合可以让这个过程更加简单。 本文的其余部分安排如下。第2节介绍了MB-LBP特征。在第3节中，讲述了基于AdaBoost学习算法的特征以及分类解释。级联探测器也在本节所述。实验结果在第4给出第5节总结本文。 2多块局部二元模式特征 传统Haar-like矩阵特征测量矩形区域（参见图1）的平均强度之差。例如，一个双矩形滤波器的值是两个矩形区域内的像素的总和之间的差。如果我们改变的位置，大小，形状和矩形区域的布置中，Haar-like特征可以捕获在不同的位置，空间频率和方向的强度梯度。 Viola和 Jones采用3种这些特征用于检测正面人脸。通过使用积分图像，任何矩形滤波器类型，在任何规模或位置，可以在固定的时间进行评估。然而，Haar特征显得过于简单，显示出一定的局限性。 (图1)传统的Haar特征这些特性测量矩形区域的平均强