1、人臉檢測(cè)與幾何面歸一化作者：K.T.Talele電子工程系薩達(dá)爾?帕特爾研究所的技術(shù)印度孟買400058電子郵件：.ukSunilKadam電子工程系薩達(dá)爾帕特爾大學(xué)工程（UnaidedWing），孟買，印度400058電子郵件：摘要：人臉檢測(cè)是人臉識(shí)別的前提步驟,包括相關(guān)的應(yīng)用程序識(shí)別和面部分析。面對(duì)目的檢測(cè)系統(tǒng)，要識(shí)別和定位所有的面孔，無論他們的位置，規(guī)模，方向，照明條件，表達(dá)式等，在各種條件下檢測(cè)人臉，會(huì)影響人臉的識(shí)別率。各種方法都能檢測(cè)圖像中的面孔，但是，作為人臉檢測(cè)任務(wù)是相當(dāng)復(fù)雜的，每一種方法只是建立一個(gè)自己的檢索范圍。兩個(gè)主要的人臉檢測(cè)方法有：基于圖像的方法、基于幾何方法。我們將集

2、中于一個(gè)探測(cè)器處理圖像速度非?？?，同時(shí)實(shí)現(xiàn)高檢出率的方法。這種檢測(cè)是基于對(duì)提高算法，被稱為AdaBoost和簡(jiǎn)單的Haar（哈爾，荷蘭語）型功能反應(yīng)Viola和Jonesl。本文提出了一種幾何歸一化方法的基礎(chǔ)，對(duì)眼睛檢測(cè)Haar特征和Adaboost算法。該方法有效地正?；R(shí)別中的平面導(dǎo)向，增進(jìn)和提高人臉的識(shí)別率。關(guān)鍵詞：人臉檢測(cè)，人臉的規(guī)范化，Adaboost算法，Haar哈爾。一、導(dǎo)言人臉檢測(cè)是在不同的人臉分析的初始步驟應(yīng)用。無數(shù)的人臉檢測(cè)方法已經(jīng)在過去幾年被開發(fā)出來。每一種方法都是在特定情況下使用，我們可以群集這些眾多的方法。分為兩種主要方法：基于圖像方法和基于特征的方法。第一種方法使用

3、分類靜態(tài)如一個(gè)給定的例子集。然后分類通過整幅圖像掃描。另一種方法包括在檢測(cè)特定的人臉特征，如眼睛，鼻子，等等。使用人臉檢測(cè)的兩個(gè)方法是基于圖像和基于特征。在這個(gè)意義上，它采用了基于圖像學(xué)習(xí)算法，精心挑選的分類正面和負(fù)面的例子。它還具有基于地段的特點(diǎn)，選擇學(xué)習(xí)算法直接關(guān)系到面的特定功能（眼睛位置，鼻梁的對(duì)比）。是一種提高技術(shù)、提高識(shí)別率的很好的例子。學(xué)習(xí)使用這種方法是對(duì)主流人臉檢測(cè)技術(shù)的貢獻(xiàn)。另一方面，用于簡(jiǎn)單的分類提高，是Haar的類似的功能，它可以實(shí)現(xiàn)快速而良好的檢測(cè)率的計(jì)算。這最快和最強(qiáng)大的人臉檢測(cè)系統(tǒng)能提高檢測(cè)速度。檢測(cè)速度是取決于功能的簡(jiǎn)潔和良好的識(shí)別率，獲得的最根本方法是提高高性能算

4、法的使用，AdaBoost方法是從一個(gè)大集選擇重要特征。在384X288像素的工作圖像，用傳統(tǒng)的700兆赫的英特爾奔騰處理器，檢測(cè)面部時(shí)每三秒能檢測(cè)15幀圖像1。該探測(cè)器在不同尺度的窗口對(duì)圖像有一個(gè)不斷變化的掃描。每個(gè)子窗口由一個(gè)測(cè)試分類做幾個(gè)階段（級(jí)聯(lián)的概念）。如果子窗口顯然不是一張臉，它會(huì)被拒絕的在級(jí)聯(lián)的第一步，如果它是更難識(shí)別的內(nèi)容，將被后續(xù)具體的分類（后來在級(jí)聯(lián)）識(shí)別。Adaboost算法的第一個(gè)貢獻(xiàn)是選擇面孔的功能描述。該檢測(cè)申請(qǐng)先后的原則，然后給予簡(jiǎn)單的分類，并結(jié)合他們?cè)谧詈蟮膹?qiáng)分類器。這些功能能實(shí)現(xiàn)基本性能檢測(cè)。困難是要找到簡(jiǎn)單到足以允許快速分類的面孔，即其特征足以區(qū)別面孔和非面

5、孔。獲得一個(gè)很好的折中，讓人聯(lián)想到Haar的基礎(chǔ)功能。其實(shí)功能實(shí)現(xiàn)區(qū)域無非是兩個(gè)，三個(gè)不同或者四個(gè)不同的尺度和形狀的矩形區(qū)域。至于改善這些功能的計(jì)算時(shí)間，我們引入了新形象代表整體形象的方法，它允許四種基本計(jì)算操作一個(gè)矩形區(qū)域，即加法和減法之類。然后，因?yàn)槲覀兊姆椒ㄓ幸粋€(gè)大的特點(diǎn)，AdaBoost是選擇其中的一小集，以建立一個(gè)強(qiáng)大的最終分類。我們要保持唯一的功能分隔，找出最明顯的正面和負(fù)面的樣式。所以在每個(gè)選擇的第一步，AdaBoost的提供一個(gè)弱分類器（功能）選擇一個(gè)有效的識(shí)別算法和強(qiáng)大的邊界泛化功能。最后，第三個(gè)重要的貢獻(xiàn)是級(jí)聯(lián)，即實(shí)施重點(diǎn)檢測(cè)關(guān)鍵區(qū)域。因此，它首先迅速消除所在地區(qū)沒有正面的

6、區(qū)域，然后，我們?cè)酵伦?，在?jí)聯(lián)過程中，會(huì)有更具體的分類，所以最終幾乎只有臉部能被檢測(cè)到。對(duì)于人眼檢測(cè)，已提出不同的方法23。李贛擬議的亮度直方圖的方法2:通過眼球定位，使用候選窗口找到眼睛。但是，確定識(shí)別窗口坐標(biāo)中所有圖片都不能正常工作。二、算法概述在一些面部分析系統(tǒng)中，直接將人臉圖像作為輸入。雖然，在一般的第一步將是人臉檢測(cè)和位置定位。在人臉檢測(cè)步驟中，難度最高的阻礙是由于在光的強(qiáng)度，存在或不存在可識(shí)別的結(jié)構(gòu)組件，面部表情，膚色，面積，姿勢(shì)，形象定位和閉塞等。對(duì)于任何給定的圖像，需要在識(shí)別進(jìn)行前進(jìn)行亮度正?；幚?。亮度正?；倪M(jìn)行，有利于直方圖的均衡。在這里，我們采用的人臉檢測(cè)方法是基于A

7、daBoost和級(jí)聯(lián)開發(fā)和由Viola使用矩形的Haar特征的算法。選定haarlike掩碼能有效地識(shí)別特定面部特征。在給定一個(gè)圖像進(jìn)行檢測(cè)過程中，將這些面部進(jìn)行提取。根據(jù)兩只眼睛的位置為提取的面孔正面對(duì)的方向進(jìn)行測(cè)量。幾何正常化使用的是仿射對(duì)象轉(zhuǎn)換的方法。步驟參與提出的方法所示的流程圖（見圖1）。幾何正?；?，我們將概述臉的檢測(cè)過程，同樣也適用于眼睛定位偵測(cè)。圖。1。建議系統(tǒng)流程圖。三、人臉檢測(cè)1哈爾的特點(diǎn)人臉模型，特別是難以識(shí)別的那些臉部對(duì)象，主要是由于他們?cè)诟鞣N顏色和質(zhì)地的區(qū)別，并沒有背景上的限制。在與存在的臉相比，我們使用的是應(yīng)用程序的建模方法和要求，我們獲得一個(gè)結(jié)論，基于特征的方法

8、將更為合適，而不是基于像素的方法。有許多使用功能（讓人聯(lián)想到一些Haar基礎(chǔ)的動(dòng)機(jī)比像素更加直接的功能）。最常見的原因是，功能可以充當(dāng)編碼點(diǎn)對(duì)點(diǎn)，難以處理使用數(shù)量有限的數(shù)據(jù)。正如我們會(huì)看到，這些功能的運(yùn)行速度遠(yuǎn)遠(yuǎn)超過像素系統(tǒng)的能力。這些功能是為那些由Papageorgiou使用的方法4。Haar小波是一種天然的整套基礎(chǔ)功能，能計(jì)算相鄰地區(qū)的差異強(qiáng)度。2.矩形Haar特征在指定的人臉檢測(cè)系統(tǒng)，只使用到了簡(jiǎn)單的功能。我們使用了的讓人聯(lián)想到哈爾的基礎(chǔ)小波功能。相應(yīng)的Haar小波是：1It0諷工）=-11T左O1(I)0有3種Haar的功能。一種是在兩個(gè)矩形區(qū)域的像素中兩個(gè)矩形功能的總和之間的差額。區(qū)

9、別有矩形的大小，形狀和水平或垂直相鄰（見圖2）。一種是三矩形特征計(jì)算的總和，減去在外面的兩個(gè)矩形內(nèi)中心的矩形。最后一種，是基于矩形的對(duì)角線，對(duì)四個(gè)矩形進(jìn)行差異特征計(jì)算。鑒于探測(cè)器的基本分辨率為24X24，詳盡的一套矩形的識(shí)別功能是相當(dāng)大的：180,000。請(qǐng)注意，在Haar的基礎(chǔ)上，矩形的功能集是超出范圍的。圖2。例如矩形特征表現(xiàn)出相對(duì)封閉的檢測(cè)窗口。躺在白色矩形內(nèi)的像素的總和減去在灰色矩形的像素的總和。兩個(gè)矩形（A）和（B）所示功能。圖（c）顯示了三個(gè)矩形的功能，及（D）四個(gè)矩形特征。四、整體形象我們現(xiàn)在知道，我們需要Haar的樣的功能進(jìn)行分類。這一部分的目標(biāo)是引進(jìn)一個(gè)新的形象，代表調(diào)用整體

10、形象產(chǎn)生一個(gè)快速的特征計(jì)算。這一表示形式，是在關(guān)系密切的總和面積圖形中表示出來的5。坐標(biāo)（X,Y），表示整體形象的是所有離開（X,Y）像素的上方的面積總和，其中包括這一點(diǎn)上，如圖3所示。圖。3。整體形象的表示形式。整體形象即（X,Y）點(diǎn)上方和左側(cè)的所有像素（X,Y）的總和。公式（2）是初始圖像I和II（X，Y）的整體位于點(diǎn)值（X,Y）的整體形象。我們可以定義整體形象（2）：和0,甘）=力心、心H七H,使用這種表示形式的主要優(yōu)點(diǎn)是，任何在原始圖像中的矩形的總和，可以分別在四個(gè)有整體形象的數(shù)組中引用。它們之間的差異由兩個(gè)矩形的總和被八次計(jì)算。因此,計(jì)算特征,是只有一個(gè),兩個(gè),三個(gè)或四個(gè)不同長方形的

11、款項(xiàng)。兩個(gè)矩形特征分別被引用6次，因?yàn)閮蓚€(gè)矩形相鄰。三矩形特征需要8次引用，四個(gè)矩形數(shù)組只有九次引用。五，研究Adaboost的考慮一個(gè)特征分類和一套功能，我們可以建立人臉檢測(cè)，通過運(yùn)用所有的面部，在每個(gè)圖像的位置（每次移位，每個(gè)規(guī)模）進(jìn)行識(shí)別。對(duì)于此可用于許多不同的識(shí)別方法。此外，我們有一個(gè)包含18萬特征的整套基礎(chǔ)分辨率24X24的探測(cè)器，這是遠(yuǎn)遠(yuǎn)大于像素?cái)?shù)的，因此，即使響應(yīng)的功能是非常簡(jiǎn)單的運(yùn)算（特別是與整體形象代表），就應(yīng)用所有功能集未免太浪費(fèi)昂貴的時(shí)間。在下一階段的臉部識(shí)別探測(cè)器的建設(shè)中，要積極使用選擇功能，選擇一個(gè)實(shí)惠的功能的設(shè)置：最好盡快的分離負(fù)面的模型。產(chǎn)生最后的分類，將是一個(gè)H

12、aar類似的功能簡(jiǎn)單的線性組合。對(duì)于這個(gè)調(diào)用AdaBoost的算法的系統(tǒng)（自適應(yīng)促進(jìn)）（見圖4）,其中有兩個(gè)主要目標(biāo)：選擇幾集的功能，即代表可能的面部，還有強(qiáng)大的最終分類器的線性組合，從而最好地實(shí)現(xiàn)這些功能。圖4。對(duì)AdaBoost的基本計(jì)劃AdaBoost的是一個(gè)有效的Boosting算法，結(jié)合簡(jiǎn)單的統(tǒng)計(jì)，同時(shí)顯著降低了識(shí)別的錯(cuò)誤，同時(shí)也糾正了更難以捉摸的泛化錯(cuò)誤。六。級(jí)聯(lián)分類AdaBoost的選擇提供的一組包含18萬特征的小的功能集。初步實(shí)驗(yàn)表明，從200特征構(gòu)建的正面人臉分類產(chǎn)生檢出率95，假陽性率140841。這些結(jié)果是令人滿意的，但不足夠應(yīng)付許多真實(shí)世界的任務(wù)。而且，我們需要大大減少

13、計(jì)算時(shí)間。為了實(shí)現(xiàn)這一目標(biāo)的我們應(yīng)該使用可以進(jìn)一步取得更好集中識(shí)別的聯(lián)檢測(cè)性能。這是可能的，以盡量減少數(shù)量的假陰性，而不是一直有的識(shí)別的錯(cuò)誤，這正是用于建立這個(gè)級(jí)聯(lián)的主要思想。與Adaboost的選擇初始矩形特征差距比較大的檢測(cè)子窗口，即識(shí)別不易識(shí)別的臉的大小和位置，可以通過級(jí)聯(lián)，建造更小、更高效、更簡(jiǎn)單的分類，其中還包括用于剔除負(fù)面窗口的分類，從而實(shí)現(xiàn)更復(fù)雜的分類，幫助我們減少假陽性率。在檢測(cè)過程中的整體形式是退化決策樹。圖5顯示了這個(gè)級(jí)聯(lián)的過程。TTCI.1CLCL3FF/AllSub-windowFeatures一7圖。5。級(jí)聯(lián)檢測(cè)原理說明。一系列的分類精確到每個(gè)子窗口。消除了大量的初步

14、分類，很少出現(xiàn)處理的負(fù)面。隨后層消除額外的干擾，但需要額外的計(jì)算。經(jīng)過幾個(gè)階段的加工，子窗口的數(shù)量已經(jīng)從根本上減少。最后歸類為對(duì)我們有利的數(shù)據(jù)明顯增多。任何單一的圖像內(nèi)的大部分子數(shù)據(jù)都是負(fù)面數(shù)據(jù)。級(jí)聯(lián)結(jié)構(gòu)，如果要試圖拒絕負(fù)面數(shù)據(jù)，應(yīng)盡可能在最早階段就進(jìn)行否定。如果一個(gè)子窗口劃分為一個(gè)階段，它的收益最早將在級(jí)聯(lián)的下一階段進(jìn)行評(píng)估。直到這個(gè)子窗口認(rèn)定這是一個(gè)階段，或發(fā)現(xiàn)所有的負(fù)面數(shù)據(jù)都已經(jīng)清除。在最后這種情況下的它會(huì)終于被視為一個(gè)對(duì)我們有利的數(shù)據(jù)。A.培訓(xùn)級(jí)聯(lián)分類器級(jí)聯(lián)實(shí)現(xiàn)過程中涉及到兩種類型的取平衡。在大多數(shù)情況下，與更多的功能分類可實(shí)現(xiàn)更高的檢測(cè)率和低誤報(bào)率。在同時(shí)進(jìn)行非常多的功能分類，需要更

15、多的時(shí)間進(jìn)行計(jì)算。級(jí)聯(lián)結(jié)構(gòu)有三個(gè)主要參數(shù)，我們必須確定：總數(shù)，分類k和每個(gè)階段的i,門檻的Thetai,多項(xiàng)功能的NI。在實(shí)踐中，目標(biāo)設(shè)置為最大限度減少誤報(bào)和最大降幅減少浪費(fèi)。每加入一個(gè)參數(shù)，直到目標(biāo)檢測(cè)功能和訓(xùn)練階段數(shù)據(jù)正確率得到滿足，才能進(jìn)行下一步。添加階段，直至整體數(shù)據(jù)有效性檢出率的目標(biāo)得到滿足才行。七。幾何正?；覀儽仨毷褂?D基本交換律。2D基本矩陣形式變換（反時(shí)針方向）公式是:L1J（X，Y）對(duì)應(yīng)像素的原始位置，圖像的（X，Y）對(duì)應(yīng)的旋轉(zhuǎn)后的圖像的像素位置。二維的基本旋轉(zhuǎn)變換矩陣旋轉(zhuǎn)原點(diǎn)的對(duì)象有關(guān)。在提出的方法中，我們必須旋轉(zhuǎn)有關(guān)面對(duì)頂點(diǎn)的點(diǎn)的圖像。因此，我們必須執(zhí)行三個(gè)步驟來旋轉(zhuǎn)

16、關(guān)于頂點(diǎn)的點(diǎn)的圖像。因?yàn)?，我們沒有任何2D關(guān)于支點(diǎn)的基本旋轉(zhuǎn)變換。為此，我們需要使用二維基本平移變換。二維基本平移變換矩陣形式：10i/yr01打1Jooi(41其中，tx和ty是沿x軸平移參數(shù)和Y軸的方向。三個(gè)步驟的實(shí)施的解釋如下：首先包括翻譯支點(diǎn)原點(diǎn)，然后旋轉(zhuǎn)的對(duì)象和翻譯的頂點(diǎn)指向原來的位置?？紤]對(duì)象ABC即有一個(gè)支點(diǎn)點(diǎn)P（XC,YC）。圖7（a）顯示在初始的對(duì)象位置。圖。6。人臉檢測(cè)系統(tǒng)的輸出。圖。7。對(duì)象轉(zhuǎn)換步驟?，F(xiàn)在，我們首先計(jì)算出P到原點(diǎn)的和的相應(yīng)變換矩陣是：TOC o 1-5 h z0 xc2i=01yc500換算的對(duì)象在fig7(B)可以看出。換算后，我們旋轉(zhuǎn)一個(gè)角度逆時(shí)針對(duì)象

17、？(順時(shí)針旋轉(zhuǎn)替換?獲得通過(?)。相應(yīng)的旋轉(zhuǎn)變換矩陣是：cosHsinR0i?=陽卅00DL可以看出在fig7(C)對(duì)象的旋轉(zhuǎn)。到了最后，再次的我們變換支點(diǎn)到原來的位置。10 xj兀=D1%(71D01關(guān)于支點(diǎn)的對(duì)象的旋轉(zhuǎn)可以看出，在fig7(D)。復(fù)合變換矩陣所得為:%=網(wǎng)込10cos&sin&01DEm=o1ycsin&i?i?s住0oi頭001一0010D1Tmsin0cos&0,rci1cosH；i-I-ifl：sinHyci：1cosH：isinH要旋轉(zhuǎn)任何支點(diǎn)對(duì)象，我們需要乘以對(duì)象的坐標(biāo)變換矩陣TM。一)測(cè)試圖像二)順時(shí)針旋轉(zhuǎn)圖像三)測(cè)試圖像1四）逆時(shí)針旋轉(zhuǎn)圖像圖。8。面對(duì)正常化

18、的測(cè)試圖像輸出八。人臉正?；四槞z測(cè)步驟后，必須提取他們。提取的面部掃描人眼檢測(cè)。然后進(jìn)行眼睛周圍的人眼檢測(cè)，圓的中心點(diǎn)分別位于瞳孔。給這些點(diǎn)加入線段（長）然后通過L的中點(diǎn)繪制一條水平線（L“）與之相交。然后，我們得到這兩者之間的角度?。在這里，我們?cè)龠\(yùn)用旋轉(zhuǎn)變換矩陣方程9以XC=128YC=128為每一個(gè)輸入像素統(tǒng)籌的價(jià)值。我們有測(cè)試圖像調(diào)整大小為256X256。九。識(shí)別結(jié)果系統(tǒng)已經(jīng)進(jìn)行測(cè)試圖像的試驗(yàn)。這些面部圖像識(shí)別包括各種條件：光照，規(guī)模，構(gòu)成。圖（9）和（10）給出了實(shí)驗(yàn)測(cè)試圖像輸出。數(shù)字。9（一）,9（b）及9（c）顯示測(cè)試圖像及預(yù)處理后的圖像。圖9（c）是一個(gè)直方圖。人臉檢測(cè)器的輸

19、出顯示在圖9（d）。執(zhí)行幾何正常化所需的步驟，見過程中顯示的數(shù)字（10）。圖10（a）所示提取的面孔。眼睛和眼球檢測(cè)分別由顯示圖10（b）和10（c）表示。經(jīng)過變換矩陣的應(yīng)用檢測(cè)人臉，我們得到的歸一面由figure.10（D）所示。為了驗(yàn)證人的的識(shí)別率的提高，面部的幾何正常化后，我們還進(jìn)行的人臉識(shí)別實(shí)驗(yàn)。對(duì)于這一點(diǎn)，我們有表示出來ORL人臉數(shù)據(jù)庫。表示出來的人臉的算法識(shí)別是基于輪廓匹配。我們完成了對(duì)原始圖像的人臉識(shí)別ORL人臉庫，以及對(duì)后續(xù)圖像應(yīng)用正?；牟僮?。用于測(cè)試圖片的實(shí)驗(yàn)者由100人中取出23人，每個(gè)人取出3至5幅圖像用于測(cè)試。十，結(jié)論在本文中，我們已經(jīng)提出了基于Haar特征和Adaboost的算法。算法有效實(shí)現(xiàn)所需的檢測(cè)。使用Haar特征和Adaboost人臉檢測(cè)和人眼檢測(cè)任務(wù)，可用于實(shí)時(shí)人臉識(shí)別