基于红外照明的adaboos人脸定位方法

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SupportingVectorMachine(SVM),NeutralNetwork,Adaboost,PrimaryComponentsAnalysis(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RealAdaboost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RealAdaboost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6ms,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,windowSize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filterSize=windowSize/10为滤波尺度,思想如下:图3(d)是filterSize=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。2.2.1haar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),IntImg(0,y)=i(0,y)。2.2.3daboast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。RealAdaboost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。最后由多个Haar弱分类器组合得到强分类器。2.2.4筛选背景和分类器在人脸检测的应用中,对于一个好的分类算法,很多简单模式例如明显不是人脸的背景等应当可以快速筛除。在笔者的检测算法中,为了减少候选窗的平均分类时间,使用了由粗到细的级联结构。简单的非人脸模式在前级用简单的分类器就可以快速剔除,只有复杂的模式才会被送到后级精细判定。级联结构构建如图6所示。3adabolst算法在个人人脸学习系统中的应用在红眼候选点的产生阶段,在不同尺度下对红眼候选点做了一个滤波处理,表1给出了实验结果(滤波前共1754个候选点)。由表1可以看到,滤波后,候选点数已大大减少,后级人脸定位消耗时间必将减少。在Adaboost人脸检测阶段,建立了一个23000个人脸,100000个非人脸的训练库,样本大小为20×20。构建了一个11级强分类器的级联结构,第1级强分类器只用了5个Haar特征构建,而最后一级用了300个。每一级的时间开销和筛除非人脸窗口的比例如表2所示。从中可以看到,前级用较少的时间筛除了较大比例的候选窗,后级虽然计算复杂,但到该级的候选窗数量已很少,因此,在后级所消耗的时间必然很少。经简单计算,使用级联算法后,速度较单级300个Haar特征的Adaboost分类器快了10倍。毋庸置疑,引入红眼候选区的Adaboost算法大大加快了分类速度。将这种候选区产生方法和基于运动预测的Adaboost方法作了一个比较,比较结果如表3所示。可以看出,该系统更快。下面给出部分图片结果,如图7所示。4模块定位的精度将引起用户保险本文介绍了一种基于红眼候选区的Adaboost实时人脸定位算法。这种候选区选择方法较已有的人脸定位方法在速度上有很大的优势。笔者未来的工作将集中在精