结合肤色模型和多模板匹配的增强adaboost算法

综合肤色模型和多模板匹配增强ADABOOST人耳检测摘要人耳检测作为人耳识别的关键步骤，其效果直接影响着人耳识别的性能。利用传统的ADABOOST算法进行人耳检测，会出现的样本训练时间过长、过于依赖样本质量等问题。为克服这些问题，在训练不足及初始人耳定位不好的情况下，本文引进YCBCR肤色模型和多模板匹配技术策略对人耳进行精确定位。实验表明，改进后的人耳检测性能得到较大的提高，对动静态人耳均能达到准确定位和检测的效果，消除了部分误检和减轻了检测过程中出现的多框及人耳框选不全等现象，算法的鲁棒性较好。关键词ADABOOST算法，肤色，多模板匹配COMBININGSKINCOLORMODELANDMULTITEMPLATEMATCHINGFORENHANCEDADABOOSTEARDETECTIONABSTRACTASAKEYSTEPOFEARRECOGNITION,THEEARDETECTIONIMPACTDIRECTLYONTHERECOGNITIONPERFORMANCEBUTMANYPROBLEMSWILLBECAUSEDBYEARDETECTIONWITHTRADITIONALALGORITHMOFADABOOST,SUCHASTHELONGTIMEOFTRAINING、DEPENDENTINGONTHEQUALITYOFSAMPLESOVERLYINORDERTOOVERCOMETHEPROBLEMS,WEINTRODUCETHEMODELOFYCBCRANDTHESTRATEGIESOFMULTITEMPLATEMATCHINGTOPERFORMEARLOCATIONACCURATELYUNDERTHECONDITIONSOFINSUFFICIENTTRAININGWITHADABOOSTANDTHEBADPOSITIONOFRAWDETECTIONTHEMETHODTHATPROPOSEDELIMINATEDSOMEFALSEDETECTIONOFSKINCOLORANDTHEMULTILOCATIONORTHEPHENOMENAOFINCOMPLETESELECTIONTHEEXPERIMENTSOFPRACTICALDETECTIONSHOWTHEPERFORMANCEOFTHEPROPOSEDMETHODISKEPTWELLANDROBUSTSUFFICIENTLYWHETHERUNDERTHESTATICORTHEDYNAMICENVIRONMENTSFOREARDETECTIONANDTHEROBUSTNESSOFTHEALGORITHMISBETTERKEYWORDSADABOOSTALGORITHM,SKINCOLOR,MULTITEMPLATEMATCHING0引言人耳识别技术是20世纪90年代末开始兴起的一种新颖的生物特征识别技术。研究表明，人耳具有唯一性、普遍性和稳定性12，可用来进行人体生物特征识别。与其它生物特征相比，人耳识别具有一些优势与人脸识别相比，人耳数据量小，不受表情变化的影响，其结构不随年龄的增长而改变；与虹膜、指纹识别相比，人耳图像的获取不需要专门传感器或高分辨率相机，采用非接触数据采集方式，简单易行。此外，人耳识别也是以非干涉式方式工作。因此，人耳识别具有较高的理论研究价值和实际应用前景。人耳检测EARDETECTION作为人耳识别的首要环节，其好坏直接影响着人耳识别的效果。同时，由于人耳是一个复杂的3D形体器官，对人耳检测技术的研究具有较普遍的理论共性，其研究成果同样可以应用于其它生物特征的检测和识别上。当前，国内外已经出现利用传统的ADABOOST算法进行人耳检测的工作35。但这种传统做法过于依赖训练样本的数量和质量。若训练样本较多其训练的速度将非常缓慢。若训练样本过少则又会大大降低最后依据其进行检测的性能。本文为弥补传统ADABOOST算法应用人耳检测时遇到的不足，在分类训练时，先对样本进行预处理以提高样本的质量；再在初步检测人耳后，引进肤色模型和多模板匹配策略，以避免因样本数目少而造成的肤色误检并消除人耳检测过程中出现的多框及框选不全的现象，从而实现人耳的精确检测。这种处理方法不但可改善ADABOOST算法训练速度缓慢的缺点，还可大大提高了人耳检测的实际性能。1本文提出的综合肤色模型和多模板匹配技术增强ADABOOST人耳检测方法框图如图1所示。1刘德凯，男，1984年生，汉，山东省德州市，西南科技大学控制理论与控制工程专业硕士研究生。刘恒，男，1976年生，汉，四川省遂宁市，上海交通大学博士毕业，西南科技大学副研究员，硕士生导师，研究方向模式识别与计算机视觉。本课题受2009四川省教育厅重点项目08ZD1109资助。人耳正样本人耳负样本矩形特征由矩形特征形成弱分类器挑选最优弱分类器利用ADABOOST算法训练强分类器级联分类器视频或图片读入初次定位人耳蓝色框抓取蓝色框内容肤色模型人耳肤色区域多模板匹配输出绿色框NYNY图1增强的人耳检测系统流程图1ADABOOST人耳检测原理11矩形特征（HAARLIKE特征）矩形特征即HAARLIKE特征6，部分HAARLIKE特征如下图所示图2部分扩展HAARLIKE特征由于人耳沟壑起伏，形体特征丰富，可运用HARRLIKE特征来提取人耳局部灰度特性。图3应用矩形特征提取人耳图像局部特性实际处理时，使用积分图像7法计算矩形特征值。12ADABOOST算法训练分类器ADABOOST算法的核心是通过调整样本分布和弱分类器权值,自动地从弱分类器空间中筛选出若干关键的弱分类器,并通过某种方式整合为一个强分类器。ADABOOST算法流程设样本集，MYXS,1。IYYXXII,初始化对每一个，YXI。MYXDIT/1,在迭代次数T以内，反复执行1调用WEAKLEARN,作为WEAKLEARN的参数、2获得基本分类规则XYTH3选择RT4更新1TITITITZXHYXDYEP,1此处是标准化常量，使得T。SYXITI,1,迭代结束，最终形成的级联分类器为2TTTXHSIGNH1ADABOOST算法训练所要解决的关键问题就是如何从大量的HAAR特征中挑选出最优的HAAR特征并形成分类器用于人耳检测。ADABOOST算法训练过程就是挑选最优弱分类器，并赋予权重且级联成分类器的过程。关于ADABOOST算法训练的详细原理请见8。13训练样本预处理训练前需要采集得到人耳样本图片并搜集非人耳图片作为负样本。样本采集所用的摄像机为维视公司生产的MVVE120SM/SC型号相机，采集得到原始人耳图片大小为1280960。人耳负样本是指不包含人耳图像的图片。训练集中部分人耳正样本图像和负样本图像如图4所示图4正负人耳样本图像为了提高训练样本的质量，以提高分类器训练的速度和分类器的性能，可对人耳正样本图片进行了图像预处理灰度图像转换、灰度均衡化、中值滤波去噪等。如图5所示原始图像灰度化均衡化中值滤波图5人耳样本图像预处理2综合肤色及多模板匹配的人耳检测21肤色模型大量实验证明，人的肤色色度的变化范围与非肤色（如头发，周围物体）有着较为明显的区别。常用可表达肤色的颜色空间有多种，如等,我们选用YUVHSYCBRRGB、了颜色空间9来检测肤色。CBR空间具有色度与亮度分离的特点,即将（亮度）,（蓝色色度）和（红色色度）分离。并且在色彩空间中肤色的聚类特性比较好,R受亮度变化的影响较小,能较好地限制肤色分布区域。与之间相互转换的坐标对RGBYCB应关系如下3BR081347505168429对于人耳肤色来讲10，其亮度、色度分别在一个固定的范围之内，蓝色色度2,Y范围和红色色度范围分别为。164,38,12094CRB本文就是根据肤色与非肤色的色度差异性将肤色模型引入到人耳检测上来。对输入的图像像素点首先进行颜色空间转换,得到、YCB值,然后进行肤色判断。属于肤色范围的像素R点,则视为肤色区域,反之则为非肤色区域。将上述原理应用到肤色提取，效果如图6所示图6肤色提取效果22多模板匹配技术应用与人耳检测模版匹配1112的目的就是从一幅图像（待匹配图像）中找到已知的物体（模板图像）。人耳检测就是要从侧面人脸图像中找到人耳的具体位置。一般来讲，可以将模板匹配技术分为两类1基于灰度值的方法（2）基于特征提取的方法。基于灰度值的模板匹配方法具有计算简单易行,其数学统计模型以及收敛速度、定位精度、误差估计等均有定量的分析和研究结果等优点。本文在利用模板匹配方法上正是采取此种方法，鉴于归一化互相关算法鲁棒性相对较高的优点，对于人耳的多模板匹配正是采用了NCC算法。NCC算法应用于人耳检测设待匹配图像为，模板为。则归一化SM自相关系数定义为101022,UUVVUUVVXYSCCXYX4式中，为模板图像的均值，为在以XY为起点大小为区域的均值，模板尺YX,UV寸为。归一化互相关算法就是利用模板图UV像和待匹配图像对应区域的灰度互相关性的大小来检测匹配与否或寻找匹配区域。相关系数越大代表越接近所寻找区域，反之则非寻找区域。为了克服人耳检测过程中单一模板对图像尺寸敏感的缺点，本文引入了多个尺寸（相邻尺寸比为0618）人耳模板（模板内容来自于人耳训练样本平均）进行人耳检测，以克服直接ADABOOST人耳定位时的多框现象和框选不足现象，实现人耳的精准定位。每一个尺寸的耳朵模板都用至少30个不同的人耳表达求取，可形式化如下5MKJISJIE1,其中，是用来构建模板的样本个数，是第K个耳朵图像。图7多模板匹配示例3实验结果分析采用GAB类型ADABOOST在AMD64PROCESSR,20GHZ,12G内存的PC机上进行训练。训练预设图片尺寸为2424。大量样本下ADABOOST算法训练时间算法训练级数正样本负样本训练时间GAB16443541629天减少样本下ADABOOST算法训练时间算法训练级数正样本负样本训练时间GAB191714149415天31动态人耳的检测直接应用传统ADABOOST算法的训练结果进行动态视频人耳的检测，由图8可知效果不理想，容易出现非人耳的误检、多框或者是人耳框选不全。图8应用AABOOST算法进行人耳检测效果图针对上述出现的问题，应用我们提出的综合肤色模型和多模板匹配技术用于增强ADABOOST人耳检测。改进后的检测方法提高了人耳检测的训练时间和检测效果。消除了非肤色的干扰以及多框的产生，输出的绿框表明模板应用比较理想。检测效果如图9所示图9改进后人耳检测效果图32静态人耳图像的检测我们同时进行了静态图片的人耳检测，从所采集的最初侧面人脸中随机抽取50张图片进行检测，检测到46张，未被检测到4张，检测率达到96，部分检测到的人耳图片如图10所示图10人耳检测效果1我们也从网上搜集大量人脸侧面图片进行静态人耳的检测，检测效果较好，部分检测效果如图11所示图11人耳检测效果2总的来说，对于可见人耳内容的多姿态或者亮度变化较小情况下的侧面人脸图片或视频，本文提出的方法都能达到较精确定位人耳的效果，而对于个别情况（姿态变化过大以致人耳内容不可见、图片过亮）下的检测效果仍需进一步提高。4结束语本文针对传统ADABOOST算法应用于人耳检测过程中出现的肤色误检以及多框和框选不全等人耳检测部准确的问题，进行了详细研究，并提出了综合肤色模型和多模板匹配策略的改进方法。在分类器训练阶段，可减少人耳样本总数但需增加多姿态人耳样本的比例，并且需对人耳正样本进行了灰度均衡、中值滤波等预处理工作。实验结果表明，训练样本的减少大大缩短了分类器训练的时间。而肤色模型及多模板匹配技术的引进消除了传统ADABOOST算法在样本过少及训练不足时易出现的人耳检测错误。在进行动态人耳检测过程时，本文提出方法的检测速度有较小幅度的降低，主要原因在于多模板匹配较为耗时。因此，如何在动态环境下进一步提高检测速度和精度将是未来工作的研究重点。参考文献1AIANNARELLIEARIDENTICATIONFORENSICIDENTICATIONSERIESPARAMOUNTPUBLISHINGCOMPANY,FREMONT,CALIFORNIA,19892刘恒，张大鹏。3D及多视人耳识别关键技术研究。上海交通大学工学博士学位论文。APRIL,2008。3SMSISLAMMBENNAMOUNDAVIES。FASTANDFULLYAUTOMATICEARDETECTIONUSINGCASCADEDADABOOST。DECEMBER4,2008。IEEE4张惟,穆志纯,袁立基于改进ADABOOST算法的人耳检测与跟踪中国图象图形学报J2007,0222222275张岗亭，杨全等两种ADABOOST方法在人脸检测中的J微计算机信息2009，832462476LIENHART,RANDMAYDT,J,ANEXTENDEDSETOFHAARLIKEFEATURESFORRAPIDOBJECTDETECTION,ICIP02,PPI900903,20027MESSOM,CHANDBARCZAK,ALC,FASTANDEFFICIENTROTATEDHAARLIKEFEATURESUSINGROTATEDINTEGRALIMAGES,AUSTRALIAN