基于模板匹配和支持矢量机人脸检测1.PDF

基于模板匹配与支持矢量机的人脸检测1 梁路宏 艾海舟 肖习攀 叶航军 徐光佑 张钹 （清华大学计算机系，智能技术与系统国家重点实验室，北京 100084 ） 摘要 人脸检测是人脸识别与基于内容的图像及视频检索的一项重要任务。由于非人脸本相对于 人脸样本的多样性和复杂性，使得人脸模式分类器的训练十分困难。本文提出了一种将模板匹配 与支持矢量机 （SVM ）相结合的人脸检测算法。算法首先使用双眼—人脸模板对进行粗筛选，然 后使用 SVM 分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样 本训练 SVM，有效地降低了训练的难度。实验结果的对比数据表明，该算法是十分有效的。 关键词 人脸检测，匹配，支持矢量机，模式分类 1. 引言 人脸检测是指在图片中确定人脸的位置及大小的过程，它作为人脸信息处理的一个重要研究 内容，是当前计算机视觉与模式识别领域的研究热点之一。人脸检测在智能人机接口、视觉监测、 图象标注与检索、数字视频分析等诸多应用领域有着非常广泛的实用价值。尽管人脸是自然界中 具有很强共性的一种三维形体，但是由于外貌、表情以及光照等因素的影响，它的图象具有复杂 而细致的模式变化，使人脸检测成为一个极具挑战性的模式分类问题，具有十分重要的学术价值。 目前在人脸检测方面的研究，按照图片的类型可分为彩色图片和灰度图片。前者可利用肤色 分割限定搜索区域[1]，然后再按照灰度图片来处理，因此可以说人脸检测的关键是灰度图片中的 人脸检测算法。此外，还可以按照人脸的姿态分类，如正面端正人脸，多姿态 （倾斜、侧面等情 况）人脸等。本文讨论灰度图片中正面端正的人脸检测问题。针对此类问题，具有代表性的人脸 检测算法包括基于启发式规则的方法[2]、基于特征脸的方法 [3] 、基于聚类学习的方法[4]和基于 人工神经网的方法 [5]等。 支持矢量机 （Support Vector Machines，以下简称 SVM ）是 Vapnik 等人提出的基于结构风险 最小化原理的统计学习理论[6-7]，用于分类与回归问题。SVM 方法以其许多引人瞩目的特性和 有前途的实验性能而越来越受到重视。人脸检测是一个典型的复杂的分类问题，如何将 SVM 用 于该问题的研究引起了人们的关注。Osuna 等[8]首先将 SVM 方法用于人脸检测问题，取得了较 好的实验结果。 直接使用 SVM 方法解决人脸检测问题面临两个困难：（1）训练 SVM 需要求解 二次规划问题，计算复杂度高、内存需求量巨大；（2 ）在非人脸样本不受限制时，需要极大规模 的训练集合，得到的支持矢量会很多（约占训练样本总数的 20% ），使得分类器的计算量过高。 Platt 提出的 SMO 算法[9]有效地解决了第一个问题，但第二个问题仍然难以解决。针对这一问题， 本文提出了一种将模板匹配与 SVM 方法相结合的人脸检测算法，该算法把模板匹配作为人脸检 测器的粗筛选环节，在模板匹配限定的子空间内采用 “自举（bootstrap ）”方法[5]收集 “非人脸” 样本、训练 SVM，有效地降低了训练的难度和最终得到的支持矢量的规模，使得检测速度比单 纯的 SVM 检测器提高二十倍以上。大量实验表明，该算法是十分有效的。在我们建立的测试集 以及在CMU 测试集[5]上的对比实验表明，该算法的检测性能优于Osuna 的 SVM 方法[8]，达到 了与CMU 的神经网方法[5]可比较的程度。 2. 人脸检测算法 采用基于样本学习的框架，人脸检测算法如图 1 所示。首先，从训练图片集中手工标定人脸， 经过几何和灰度矫正与变换后，构造出“双眼—人脸”模板对，并形成训练 SVM 用的“人脸” 1 受清华大学骨干教师支持计划（百 005 ）和863 计划（863-805-512-9805-11）资助 1 样本集合。在模板匹配限定的空间内采用 bootstrap 方法[5]收集“非人脸”样本，与“人脸”样 本一起通过 SMO 算法[9]训练 SVM 分类器。检测器的工作过程为：输入图象首先经过预处理、 模板匹配和 SVM 分类器各环节的滤波，然后根据局部最优搜索策略定位出各个人脸。