基于红外照明的adaboos人脸定位方法.docxVIP

基于红外照明的adaboos人脸定位方法 1 确定人脸的方法因条件而发生的检测 面部定位是模式识别领域的一个热点问题。有很多应用。例如，在人机接口方面，表情被认为是一种更方便的人工交流方式。面部定位作为前序环节不可或缺。再比如在身份识别领域,人脸识别是最便捷的识别方式。 笔者设计的系统主要用于多用户立体显示。在多用户立体显示时,左右视图需要被精确投影在多个用户的2个眼睛上,只有人脸定位正确精确了,用户才能获得一个良好的立体视感。人脸识别有多种方法,有基于经验模板匹配的方法,有基于积分投影的方法,还有基于机器学习的方法。常见的机器学习算法有Supporting Vector Machine(SVM),Neutral Network,Adaboost,Primary Components Analysis(PCA)等。为了更快地定位人脸,通常使用引入候选区的方法,在候选区的小范围内定位人脸。目前常用的候选区的产生方法有:肤色模型,运动检测或Kalman预测等。 在文献中,首次将红眼效应用于定位人脸,该方法基于一些经验规则来定位人脸,在候选点过多比如运动过快的情况下定位效果不好。文献提出了鲁棒的Real Adaboost算法。在此基础上,文献提出了积分图的概念,并首次使用瀑布型的级联结构实现了Adaboost算法,极大地提高了分类速度。但是,若将Adaboost直接用于实时人脸定位,速度仍显不够快。本文提出的方法将红眼效应与Adaboost相结合,兼具两者的优点。 本文描述的是基于主动红外照明的鲁棒人眼定位方法。首先利用眼睛特有的红眼特征得到眼睛的候选点,然后使用Real Adaboost算法对候选窗口做分类。在同样精度的条件下,本文的方法相比以往的方法速度更快,单帧人脸定位时间只要6 ms,可以方便地做成嵌入式应用。 笔者设计的系统如图1所示,它是一个2级结构,第1级是候选区域的产生及处理,第2级使用Adaboost定位人脸,只有第1级选出的候选窗口才会被送入第2级。由于红眼效应是眼睛的特有现象,因此会被送入下一级的候选窗口很少,大部分背景模式等简单模式都在第1级被快速筛除。 2 系统设计 2.1 最佳选择点筛选 摄像头和红外LED的配置如图2所示,当临近相机镜头的红外灯组点亮时,得到的图像将拥有亮的瞳孔图像,如图3(a)所示;当内圈熄灭,远离相机镜头的红外灯组点亮时,得到的是暗的瞳孔图像,如图3(b)所示。将红外灯的驱动信号与摄像头的帧频信号同步,在奇偶帧就能得到瞳孔处亮暗相间的连续视频。相邻帧相减取阈值后就能得到瞳孔位置的候选区。 差值图像取阈值后如图3(c)所示。不难看出,大部分背景图像已经被排除,但部分脸部其他特征和边缘也被当成候选点选了进来。 假定红眼候选点位于(x,y),依下式得到人脸候选窗的左上角坐标和相应宽高: 其中,window Size代表人脸候选窗的大小,可以按照20%的比例缩放以适应不同的人脸大小。 为了减少运算量,有必要对候选点做一个筛选。令filter Size=window Size/10为滤波尺度,思想如下: 图3(d)是filter Size=8时图3(c)滤波后的结果,很容易看到在该尺度下的候选点数已大大减少。 2.2 强分类器算法仿真 Adaboost算法是将许多弱分类器综合提升为强分类器的算法。在系统的第2级使用Adaboost算法定位人脸的位置,为第3级确定人眼确立搜索范围。 2.2.1 haar小波变换 笔者使用了5类Haar特征,如图4(a)所示。特征值的计算是用白块中像素灰度和减去黑块中像素灰度和,计算结果对应的是二维Haar小波变换的系数。人的脸部的灰度变化非常明显,非常适合用Haar特征做分类。如图4(b)、图4(c)中2个位置处的Haar特征显然是分类能力较好的特征。 2.2.2 时间节拍类，即 引入积分图后,Haar特征的计算可简化到几个数的加减法,大大减少了分类的时间开销。图像i(x,y)的积分图定义为 使用积分图,某一矩形方块内(如图5所示)的像素和可表示为 积分图的计算可以通过迭代实现: 其中,v(x,0)=i(x,0),Int Img(0,y)=i(0,y)。 2.2.3 daboast训练流程 Adaboost训练程序能保证前级被错分的训练样本在后级能得到更高的权重,从而使最后训练出的分类器有更强的针对性。 Real Adaboost训练流程如下: Step1建立训练样本库: 归一化,并初始化权重。 Step2训练选择Haar特征,使∫P1(x)w1(x)P-1(x)w-1(x)dx最小,Pi(x)为类i在Haar特征取值为x时的概率密度函数。wi(x)为权重调整函数,通过这个函数可以将分类器导向易被错分的x。 Step3改变wi(x):若 回到Step1。 最后