论文导读：本文采用AdaBoost算法，并对其样本训练方法进行改进，提出了一种新的权值更新方法，并把训练结果应用于驾驶员疲劳检测系统中，取得了较好效果。
关键词：人脸检测，AdaBoost算法，人脸定位
人脸区域检测是驾驶员疲劳检测系统的基础部分，也是模式识别和计算机视觉领域持续的研究热点。本文采用AdaBoost算法，并对其样本训练方法进行改进，提出了一种新的权值更新方法，并把训练结果应用于驾驶员疲劳检测系统中，取得了较好效果。
1.图像预处理
为了减少噪声和不均匀光照对检测性能的影响，首先需要进行图像分析。本文采用了像素水平投影和垂直投影的方法，以及灰度直方图方法来分析图像，根据分析的结果给出图像适合的阈值。考虑到传统单阈值图像处理的结果都不是很好的现状，本文根据统计信息选取了多个阈值，在每个阈值下分别得到不同的人脸细节特征，然后把得出的细节信息综合起来从而找出人脸区域。当图像进行二值化之后，可能会存在很多与区域信息无关的噪声点，此时采取腐蚀方法对图像进行处理，从而消除这些噪声点。
2. 基于AdaBoost的人脸检测算法
AdaBoost算法是一种迭代方法，它本身是通过改变数据分布来实现的。根据每轮训练中每个样本的分类是否正确，以及上轮的总体分类准确率，来确定每个样本的权值。然后将每次训练得到的分类器级连起来，作为最后的决策分类器。在AdaBoost算法中，每个训练样本都被赋予一个权重，表明它被某个弱分类器选入训练集的概率。如果某个样本没有被正确的分类，那么在构造下一个训练集时，它被选中的概率就会增加，如果相反，它被选中的概率就会降低。通过这样的方式，AdaBoost算法能够“聚焦“于那些较困难(更富信息) 的样本上。具体实现中，最初令每个样本的权重都相等，对于第t次迭带操作，就根据这些权重来选取样本点，进而训练分类器。然后根据这个分类器，来提高被它错分的那些样本点的权重，并降低被正确分类的样本的权重。经权重更新后的样本集被用来训练下一个分类器。整个训练过程如此循环。
3.使用Haar2like特征构造弱分类器
特征一般是对待分类对象所拥有的知识进行编码得到，这些知识从原始像素中很难得到。特征对人脸图像进行建模有利于减小人脸和非人脸的类内距离，同时可以增加人脸与非人脸的类间距离，有利于判别函数的建立。另外，特征更容易形式化，形式化了的特征计算更加方便快捷，有利于人脸检测速度的提高。Harr2like特征最早由Papageorgion等人[1]应用于人脸的表示。Viola 等[2]在此基础上作了扩展，使用3种类
A B C D
图1 4种特征形式
型4种形式的特征。3种类型分别为2-矩形特征、3-矩形特征、4-矩形特征，4种形式，如图1所示。
对于图1中的A 、B 和D 这类特征,特征数值计算公式为：
v = Sum白-Sum黑 (1)
而对C来说,计算公式为:
v = Sum白–2*Sum黑 (2)
通过改变特征模版的大小和位置，可在图像子窗口中穷举出大量的特征。为了描述的方便，将图1的特征模版称为“特征原型”：特征原型在图像子窗口中扩展得到的特征称为“矩形特征”；矩形特征的特征数值称为“特征值”。
假设训练检测窗口大小为W×H个像素；w ，h分别为特征原型的长、宽，图1所4种特征原型对应的长宽比分别为:2/ 1、1/ 2、3/ 1、2/ 2。
令：X = (~W)/w，Y = (~H)/h。“~”表示取整。一个w×h 的特征原型在W×H 子窗口产生的矩形特征数量可用下面公式计算[5]：
由于训练样本通常有近万个，并且矩形特征的数量特别庞大，如果每次计算特征值都需要统计矩形内所有像素之和，将会降低训练和检测速度。所以本系统采用Paul Viola 引入的积分图像法[3]快速计算矩形特征。
Viola基于矩形特征,采用了一种计算量小，结构简单的弱分类器[3]，其形式如下：
4.AdaBoost
这个算法的主要特点是在训练分类器的同时进行特征选择。它使得每个特征对应于一个弱分类器，弱分类器的数目是与矩形特征数目相等。训练过程中从大量的弱分类器中选择一个在当前样本权重分布情况下分类错误最小的弱分类器作为本轮训练结果，这样经过T次迭代，选择出了T个特征(弱分类器)，最终按照加权投票的方式组合成一个强分类器。
定义X为样本空间，Y= {0 ,1}为样本类别标识集合,1和0分别对应样本的正(人脸)和负(非人脸)；假定共有K个矩形特征；ωt，j为第t轮循环第i个样本的权重；训练强分类器具体算法描述如下：
1)给定一个系列训练样本( x1，y1 )，…，(xn，yn )。式中；xi∈X；yi∈Y。论文参考。假设样本集中共有l个样本，m个负样本，l +m = n。
2) 初始化样本权重。
3) 对于t = 1，…，T ( T为循环次数) 。
(1) 归一化样本权重分布；
其中j = 1，2，…，K；i = 1，2，…，n。 （6）
(3) 选择第t轮最优弱分类器ht( x)：令k = arg minεt ，j ，则ht，j = f t，k(x)，并且对样本集的分类错误率取为εt =εt，k。
(4) 按照这个最优的弱分类器更新样本权重：wt + 1，i = wt，βt1 –ei
ei = 0表示xi被ht (x)正确分类，ei = 1表示xi被错误分类。
4) 最终强分类器为：
5.级联分类器
图2 级联分类器结构示意图
级提高检测精度。首先使用结构较简单的强分类器进行非人脸窗口的排出，后续的强
分类器的弱分类器进行非人脸窗口的排除，后续的强分类器的弱分类器数目越来越多，检测精度越来越高，但需要检测的子窗口越来越少，从而达到提高检测速度的目的。
设级联分类器共有L层。Hi(x)为各层分类器；Ti为各级强分类器中弱分类器个数( i = 1，…，L)； hi, j ( x)为第i层强分类器的第j个弱分类器,αi , j器为其对应的权值( j = 1，…，Ti)。联分类器的结构如图2所示。
级联分类器的结构事实上就是一个退化的决策树，前面一层的分类器对于子窗口的图像进行分类后，如果分类结果为“是”，那么可能包含人脸的窗口就传递到下一个分类器，并且触发下一个分类器进行处理，如此下去直到最后一个分类器。这样可以先排除大量的不包含人脸的子窗口，提高检测速度。
6.系统实现
系统由USB接口的CCD摄像头以及图像处理设备(计算机)组成。论文参考。整个系统运行过程是：CCD摄像头将物体的光学信息转换为视频数字信号。数字信号通过USB接口传入计算机，计算机把通过USB接口到的信号进行处理，完成分析过程，定位人脸区域。论文参考。软件方面，采用WindowsXP操作系统以及Visual Studio 2005集成开发环境。
7.实现过程
软件系统流程如图3所示。
图3 系统流程图
8. 结 语
基于AdaBoost算法训练得到一个具有较强鲁棒性的分类器。试验证明，系统可以达到1帧/ 200ms的处理速度，满足了系统需求。
参考文献
[1]Papageorgiou C，Oren M，Poggio T．A general framework for object detection[R]．In InternationalConference on Computer Vision，1998.
[2]Voila P ，Jones M．Robust real-time facediction[J]．InternationalJournal of Computer Vision．2004，57(2)：137－154.
[3]Viola P，Jones M．Robust real-time face detection[J]．International Journal of Computer Vision．2004，57(2)：137－154.
[4]Viola P ，Jones M．Rapid object diction usinga boosted cascade of simple features [C]．Proceedings IEEE conf．on Computer Vision and PatternRecognition，Kauai，Hawaii，USA ，2001：511－518.
[5]Viola P ，Jones M．Robust real-time objectdetection [R]．CambridgeResearch Laboratory，Technical Report Series．CRI 2001/ 01.
|
