融合Adaboost和光流算法的视频人脸实时检测

m
。本文 融合 AdaBoost 算法 和
光流算法对视频人脸 进行实时检测, 利用图像目标 运动 的连续性规律, 计算人脸区域的位置变化, 较好地解决了 人脸自身的偏转、 遮挡、 表情变化以及光照影响等下的实 时检测问题。
[ 6]
2 基于 A daBoost的人脸检测
F reund 和 S ch ap ire 于 1995 年 提 出 了 AdaBoost 算 法
Face detection and track ing based on fusion AdaBoost and optical flow algorithm s
Gong W e ig uo, Gu i Zuhong , L i Zhenghao, Gu X iaohua
(K ey Laboratory for O p toelectronic T echnology and Sy stem of the Education M inistry of China, Chongq ing University, Chongqing 400044, China)
j= 1 n
L
{ J } L = 0, !, L
m
L
m
2) 初始化最高级金字塔图像的光流: L L L T g = [ gx gx ] = [ 0 0]
m m
( 3)
3) 从最高 级金字塔 图像递 推求各级 金字塔 图像的 光流: forL = Lm ! - 1 & 利用 Sobel滤波器求得图像 对 x、 y 的导数: Ix (x, y ) 、Iy (x, y ) 。 ∋ 求空间梯度矩阵:
[5]
[ 7]
(见
, 它的核心思想 是: 通过迭代, 在当前迭代的概 率分
布上找到一个具有最 小错误率的弱分类器, 然后调 整概 率分布, 增大当前弱分类器错分类样本的概率值, 降低当 前弱分类器正确分类 的样本的概率值, 以突出错分 类的 样本, 使下一次 迭代更 加针对样 本的错 分类, 即 针对 更 难 的样本, 使 得那些被错 分的样本得到 进一步 重视。 A daB oost 算法中不同的训练集是通过调整每个样本对应 的权重实现的 ( 训练的详细过程见算法 1 ) 。最后利用设 计的分类器检测视频人脸。 算法 1: A daB oost算法 步骤: 1) 己知: (x 1, y 1 ), !, (x n, y n ) 是训练样本集, x i ∀ X, y i ∀ Y = { 0, 1 } 2) 初始化权重, m、 l 分别是正例 样本、 反例样本 的 1 1 数目 ( 正、 反例样本的初始化权重分别设为 、 ) 2m 2l 3) For t = 1, !, T I) 规格化权重, w t, i # w t, i / ∃ w t, j , 使 w t, i 是一个概
L L k- 1 L
=
∃w
i
hj (x i ) - yi
t
( 1)
1- ei t
∀ Ik (x, y) = I ( x, y ) - J (x + gx + vx , y + gy + vy )
L k- 1
III) 选择误差
最小的弱分类器 h t 。 , 如果 x i 被分类正确
t
( 8) ) 估计 L - 1级金字塔图像的光流: g = [ gx gy ] = 2( g + d ) 4) 计算图像中人脸区域的光流。
通过对两种算法的比较, 本文提出了 AdaBoost 与光 流的融合算法。在视频图像 序列中, A daB oost 能很好 地 检测出正面人脸, 当人脸发生偏转时, 该方法的检测效果 不理想。为了更好地实时检测人脸, 融合算法采用 A da Boost算法检测正面人脸, 并利用 A daB oost 的检测结果对 视频图像进行光流计算, 得到 AdaBoost方法无法检 测到 的偏转人脸的位置 ( 具体流程见图 1 ) 。
收稿日期 : 2008 05 R eceived D ate : 2008 05
[ 3]
, 此后,
* 基金项目 : 国家 863 计划项目 ( 2007AA 01Z423) 、 国防 十一五 基础研究项目 ( C10020060355) 、 重庆市 自然科学基金重 点项目 ( CSTC20 05BA 2002, CSTC2007AC 2018 )资助
[ 4]
h (x ) =
1 ,
∃
T
t
ht( x ) %
t= 1
1 2
∃
T
t
,
t
t= 1
= log
1
t
0 , 其他
( 2) 利用训练得到的分类器 h ( x) 对视频图像进行人脸 检测, 获得人脸在图像中的位置。
3 人脸区域的光流计算
光流计算最 初是由 H orn 和 S chunck 提出 。目前 为止, 出现了很多计算光流的方法, 其中基于一阶梯度的 局部优化方法有很好的 总体性能。但是, 当图像的运动 速度较大时, 帧间图像的差距很大, 使得这种方法的误差 非常明显。本文采用多分辨率分层算法提高光流的计算 精度。首先由高斯金 字塔将 图像分解 成不 同的分 辨率 层; 在此基础上由低分辨率层的流速来 估计下一高分辨 率层的流速, 在高分辨率层中, 进一步修 正光流值 算法 2 ) 。 算法 2: 改进的多分辨率光流算法 步骤: 1) 建立相邻两帧图像的金字塔表示: { I } L = 0, !, L 和
Abstract : A fusion algorithm based on A daBoost and optica l flow is proposed to detect and track faces. It usesAda Boost algorithm to detect faces and adopts optical flow a lg orithm to esti m ate the continuity of the v id eo fram es and ob tain th e posit ion of faces in the fra m es. T ak in g advan tages of both algo rithm s , the proposed m ethod , in som e de grees , gives a so lu t io n to the effects o f face rotat io n , partial occlusion , expressio n variation and illum in ation on face detecting and face trackin g . K ey w ord s : face de tect io n ; AdaBoos; t optical flow; fusion algor ithm
L- 1 L- 1 L- 1 T L L
I V ) 更新权重 w t+ 1, i = w t, i ei = 0 , 否则 ei = 1。其中
t
( 9)
=
1-
。
t
4) 输出最终得到的分类器:
1400
仪
器
仪
表
学
报
第 2 9卷
式中: S # 为高斯滤波器, 局部彩色梯度用 D erich e 滤波器
4 A daBoost与光流的融合算法
px +wx
L
-k
- k- 1
+ ! ( k = 1, !, K )
-k
率分布。 II) 对每个特征 j 训练一个弱分类 器 hj 只使用 这一 个特征。计算加了权重 w t 的误差:j源自( 5) ( 6) ( 7)
bk =
x = px-w x x = px -wx
∃
p x+w x
∃
∀ Ik (x, y ) Ix ( x, y ) ∀ Ik (x, y ) Iy ( x, y )
px +wx
G =
x = px-w x y = py-w y
∃
p y+wy
∃
Ix (x, y ) Ix ( x, y) Iy (x, y)
2
Ix ( x, y) Iy (x, y) Iy (x, y )
2
( 4) ( 利用 N ew ton- R aph on 迭代方 法求 L 级 金字塔图 像的光流: d = v = v k -1 式中: ! = G bk
第 29 卷 第 7 期 2008 年 7 月
仪
器
仪
表
学
报
Ch inese Journa l o f Sc ientific Instrum ent
V ol 29 N o 7 Ju. l 2008
融合 Adaboost和光流算法的视频人脸实时检测
龚卫国 , 桂祖宏 , 李正浩 , 辜小花
( 重庆大学光电技术及系统教育部重点 实验室 摘 重庆 400044)
国内外学者们提出了很多有效的人 脸检测算法, 总体上
1 引
言
可以概括为: 基于先验知识、 基于结 构特征、 基于模板匹 配以及基于统计模型 4 种方法。基于先验知识的方法是 基于人们在认识人脸过程中总结 出来的一些先验知识, 把它们归结成为一些复杂程度由简 到繁的规则, 适用性 不强; 结构特征的方法比较直观, 但是它要求特征点的定 位准确, 且计算量大; 模板匹配方法在环境不变的情况较 好, 但是它计算量大且对环境的适应性较差。近年来, 基 于统计模型的方法成为研究的热点, 主要有: 基于神经网 络的 方法、 基于 SVM 的方 法、 基于 AdaBoost 的 方法等。 其中, Ad aBoost 算法和其他方法相比, 检测速度和稳定性 好, 被广泛应用在动态人脸检测中。