1已阅基于Boosted+Cascade算法的人脸检测和跟踪系统

基于(西安电子科技大学通信工程学院西西安710071)摘要将基于ca 结合图像序列中的运动信息，提出并实现了一种实时的人脸检测跟踪系统。首先根据图像的运动信息提取出可能存在人脸的候选区域，然后在候选区域中用ca 验结果表明该系统能够实时地对于人脸进行检测跟踪，可以被应用在智能视频监控方面。关键词人脸检测；人脸跟踪；1A 陌u(i如71007l，Ca of ：髂he is in he be in 言广义上的人脸检测包括人脸定位，人脸特征检测，人脸跟踪等几个方面。狭义上的人脸检测则是指确定一幅静态图片中是否存在人脸，如果存在人脸，则输出人脸的数目、每个人脸的位置及其大小。人脸跟踪就是要在检测到人脸的基础上，在后续的图像中继续捕获人脸的位置及其大小等性质。可以看出，人脸跟踪是人脸检测问题的发展。很自然的想法就是把视频序列分解成一帧一帧的图像，在每一单幅图像中进行人脸检测。但是以往的人脸检测算法大都注重如何提高检测的精度，对于运算速度考虑得很少，由于这些算法的运算复杂度很高，使得在视频中实时检测跟踪人脸的要求难以实现。直到P人脸检测的速度大大的提高，才使得实时地进行人脸检测成为可能。收稿日期：20051020作者简介：杜宇(1 981一)，男，硕士研究生。研究方向：数字图像处理与图像识别。文中基于以从摄像机采集到的图像当中实时地检测跟踪一个或多个人脸，在智能监控方面有直接应用的价值。以往的视频监控系统大都只是将摄像机采集到的视频直接保存到硬盘或录像带上，而往往其中大部分只是毫无意义的背景图像。实际上有用的信息一般只包含在那些含有人脸的图像当中，所以本系统仅仅储存那些检测出来存在人脸的图像，从而大大节约了存储空间。此外，实际上从系统中也可以得到人脸的位置和大小的等信息，为进一步地利用人脸信息例如实时人脸识别等应用作了准备。2 终形成一个有效的分类器，将候选子窗口的人脸和非人脸区分开来。其中每一级分类器都是若干个被称之为“弱分类器”的集成，而每一个弱分类器对应一个“弱特征”，该特征可以在一定程度上区分人脸和非人脸。算法万方数据基于1)如何选取合适的弱特征，为了达到运算速度的要求，这些特征必须是简单并且容易计算的；(2)如何从诸多弱特征中选取很小的一部分关键特征来训练分类器以区分人脸及非人脸；(3)如何加速学习和控制错误率。以下将从这3个方面分别论述。D【双矩形特征如A，矩形特征如为四矩形特征)图1待检测子窗口的矩形特征范例21选取弱特征本算法选取的特征是矩形特征(如图1)，该特征值即为矩形中灰色部分的像素和与白色部分的像素和的差值。算法中使用了一种被称为积分图(方法，得到一幅图像的积分图只需对图像遍历一次，之后任一矩形的特征即可通过其4个顶点在积分图中的值计算出来。可见，所选取的矩形特征确实是简单且容易计算。22训练分类器矩形特征虽然简单，却在边缘检测上有很好的表现，通过选取其中关键的特征，可以使分类器达到很好的性能。对于每一层强分类器，都要确定一个它要达到的检测率和虚警率，使最终的分类器到达预定的性能(具体将在23节中论述)。每一层强分类器都是若干弱特征的带权值的线性组合，要得到能达到这个性能的强分类器，最重要的是如何找到有效的弱特征。每个弱分类器对应一个弱特征，被设计为从能对正例和反例进行正确分类的所有弱分类器的集合中选择错误率最小的一个。对每个特征而言，弱学习器决定弱分类器的最佳门限值，使其具有最小的误分样本数。一个子窗口f 0)包括如下部分：该子窗口的矩形特征值7；O)，阈值式(1)。工)=1 ， (x)p够 (1)。 0， 其他分类器学习的算法的基本框架如下：给定一组包含人脸和非人脸的训练图像。对每一幅训练图像初始化权值为(0。，丁归一化权值，；对于每一个特征7，训练一个分类器f，且该分类器仅对应一个特征；选取使错误率达到最小的分类器；更新权值，+。得到最终的强分类器23学习过程分类器进行学习时，使用两个训练集对分类器进行训练：包含人脸的正例集和不包含人脸的负例集。在学习过程中，让全部正例通过所有的分类器，而负例逐渐被删选掉。用于训练后一层分类器的负例集是从当前分类器对非人脸图像集进行检测后判断为正例的但事实上没有人脸的那些图像中获得的，显然，分类器的层数越高，对于该分类器的负例就越接近人脸，这时就对该层分类器加入更多的弱特征来排除负例。整个系统的检测率和虚警率可以通过确定多层分类器的各个阶段的检测率和虚警率来达到。而每一层的检测率和虚警率在该层分类器的学习过程中达到，如果该层分类器不能够排除足够的负例，则增加弱特征的个数并重新进行分类器的学习过程直到达到要求为止。分类器的结构如图2所示，最终通过所有分类器的子窗口被认为是人脸。每一级分类器都会拒绝一定数量的非人脸子窗口，使得进入下一级分类器的子窗口数量减小，从而提高运算效率。系统实际使用了22层的分类器来达到分类的目的。其中第一层分类器仅用了3个特征，第二层用了16个，而最后一层使用了213个特征来进行分类。显然，分类器的第一层仅有很少的特征，可以用非常少的计算量排除掉大量明显是非人脸的子窗口，以后各层的分类器用更大的计算量排除通过了前若干层分类器的非人脸，随着分类器层数的增加，虽然所需计算的特征增加了，但需要检测的候选子窗口急剧减少。所以与以往的人脸检测算法比较，具有很高的运算速度。68 5，2006画因圃日万方数据基于层分类器的结构3系统实现31系统结构系统结构如图3所示，对摄像机采集到的图像进行实时检测，将检测出存在人脸的图像储存起来，否则丢弃，然后继续进行下一帧图像的处理。将当前从摄像机得到的图像与已有的背景图像相比较，求出它们的差分图像，显然，对于其中差值较大的部分，很可能是由于人进入了摄像机的镜头拍摄范围内引起的，将这一部分运动区域作为人脸检测的候选区域。设定阈值的方法考虑到光照和环境细微变化的影响，可根据实际的系统由经验得出。实验表明，将阈值取为10即可满足要求。然后通过腐蚀膨胀等形态学操作滤除小的噪声区域，在大多数情况下可以精确地确定候选检测区域，在该区域内检测人脸，先期排除了大量不可能是人脸的区域，将检测运算确定在一个较小的范围内进行。对于少数图像变化十分剧烈的情况，可以将整幅图像作为候选区域。所以这一方法可以在不降低检测率的条件下，进一步提高检测速度。运动区域检测如图4所示，为简单及考虑到运算效率，使用灰度图做图像差分。图3系统框运动区域检测使用了达到实时统利用了图像前后序列之间的相关性来进一步提高运算速度。由于从摄像机得到的图像在实际的工作环境 图4运动区域检测下很长时间内会具有一个几乎固定的背景，而当有 当然随着光照或环境的变化，背景也不是始终人进入摄像机拍摄范围内时图像则会发生突变。先 固定的。当连续若干幅图像与已有的背景图像有很电子科技，2006年7月15日69万方数据基于认为此时背景发生了变化，需要更新背景。4实验结果图5，图6为模拟实际环境条件下的一些检测结果。图5在视频序列中跟踪人脸图6视频中多人脸的检测可以看出，系统能够实时地在图像序列中找到并确定人脸的位置，即实现了人脸跟踪。也能够在同样的速度下对于多个人脸同时进行处理。采集到的图像分辨率为320240。在00，256 幅图像的检测速度仅需O2秒左右，可以看出系统满足实时性的要求。对于采集到的包含207个正面人脸的100幅图像进行实时检测，正确检测出189个人脸，检测率为913，共出现6个虚警。5结论文中提出的人脸检测跟踪系统，使用了基于且结合了视频图像中的运动信息，不但能满足实时人脸检测所需要的精度，而且在速度上有较好的表现，可以应用于视频监控等方面。下一步可以考虑结合人脸内在的特征，如肤色信息等，进一步提高性能。参考文献l H， 002，24(1)：34582 a n：00l，5 l 83 1003，25(6)：7257404 DB，v，1999一1211精英一S 着9l 5系列芯片组逐步淡出，市场上最热的产品也莫过于94 5系列芯片组的主板。但自从芯片组，进军个格局似乎有改变的趋势。系列芯片组拥有比94 5系列更高的规格，包括1 066 00内存，更强大的磁盘性能和网络硬件防火墙等功能，更为重要的，是一是是最为吸引高端玩家的一个特色。尽管规格更高，但目前来说至更低一些，这无疑会是近期芯片组主板大热的另一个重要原因。近日，精荚科技也同样推出一款采用一A 上为大家奉上。前了早期发布的有近期推出的合双通道内存控制器的于1 30高支持1066合的双通道内存控制器有着非常强大的性能，内存异步功能使前端总线和内存在不同频率之下运作，充分发挥系统性能。跟定位高端发烧级的不同是南桥，通过版就是10。拥有3Gb持IO+15。还有以更加灵活地应对市场需求。来源：5，2006万方数据基于杜宇， 西安电子科技大学,通信工程学院西,西安,710071刊名： 电子科技英文刊名： (期)： 2006(7)被引用次数： 2次参考