- 一種有效的無線遠(yuǎn)程人臉追蹤系統(tǒng)的解決方案

　　2.1 AdaBoost人臉檢測算法

　　AdaBcoost是一種基于分類器的算法，其基本思想是利用大量的分類能力較弱的弱分類器通過一定方法疊加起來形成分類能力很強(qiáng)的強(qiáng)分類器。理論證明，只要每個(gè)弱分類器分類能力比隨機(jī)猜測好，當(dāng)分類器的個(gè)數(shù)趨于無窮時(shí)，強(qiáng)分類器的錯(cuò)誤率將趨于零。該算法根據(jù)人臉面部的主要灰度分布特征，選擇采用了Haar特征。Haar特征是一種基于積分圖像的特征，主要用于灰度圖像中，該特征計(jì)算比較簡單，提取速度相對較快。Adaboost算法首先提取樣本圖像中的Haar特征，然后通過在訓(xùn)練過程中選取出最優(yōu)的Haar特征，再將訓(xùn)練得出的Haar特征轉(zhuǎn)換成弱分類器，最終通過一定的方法將這些弱分類器進(jìn)行組合構(gòu)成強(qiáng)分類器。分類器訓(xùn)練完之后，就可以將其應(yīng)用到圖像中進(jìn)行人臉區(qū)域的檢測。由于人臉可能在圖像中的不同位置出現(xiàn)，所以必須在被檢測的圖像中移動(dòng)搜索窗口。

　　對于一個(gè)訓(xùn)練集(xi，yi)，…，(xL，yL)，其中xi是輸入的訓(xùn)練樣本，yi是樣本類別標(biāo)志，yi∈(1，0)對應(yīng)真假樣本。在開始訓(xùn)練前，對所有訓(xùn)練樣本均賦予一個(gè)初始權(quán)值，然后用AdaBoost學(xué)習(xí)算法對訓(xùn)練樣本進(jìn)行T輪訓(xùn)練，在每一輪訓(xùn)練結(jié)束后，從若干個(gè)簡單分類器中選擇誤差最小的那個(gè)作為該輪選出的一個(gè)弱分類器hi。選好了弱分類器之后，將所有弱分類器進(jìn)行線性組合就構(gòu)成了強(qiáng)分類器。

　　訓(xùn)練過程主要包括以下幾個(gè)模塊：

　　(1)樣本的采集，對樣本進(jìn)行圖像預(yù)處理，形成樣本集;

　　(2)以樣本集作為輸入，計(jì)算并獲得矩形特征值集;

　　(3)對特征值集進(jìn)行優(yōu)化處理，選出分辨能力好的特征;

　　(4)采用AdaBoost算法，在每一輪迭代過程中采用窮舉搜索法確定每個(gè)特征對應(yīng)的簡單分類器的閾值，獲得簡單分類器集，并保存其對應(yīng)的參數(shù);

　　(5)選出錯(cuò)誤率最低的簡單分類器作為本輪最優(yōu)的弱分類器;

　　(6)將訓(xùn)練得到的弱分類器根據(jù)其分類能力賦予不同的權(quán)重，然后線性組合構(gòu)成強(qiáng)分類器。

　　2.2 AdaBoost檢測過程

　　級聯(lián)分類器應(yīng)用于人臉檢測是由Viola提出的，這使得人臉檢測能在很高檢測率下同時(shí)達(dá)到實(shí)時(shí)的檢測速度。級聯(lián)分類器由一系列強(qiáng)分類器的組合而成，圖像依次通過每一個(gè)強(qiáng)分類器，最終通過全部分類器的區(qū)域被檢測為人臉。每一層的強(qiáng)分類器由AdaBoost算法訓(xùn)練得到，但是組成強(qiáng)分類器的弱分類器個(gè)數(shù)隨著級數(shù)的增加而增加。通過參數(shù)的調(diào)整可以使前面幾層幾乎讓所有人臉通過，從而拒絕很大一部分非人臉，而后面幾層則對被前面幾層判斷為人臉的圖像進(jìn)行更加嚴(yán)格的檢測。由于前面幾層使用的弱分類器數(shù)目比較少，只是有幾個(gè)重要的特征組合而成，而且排除了大量非人臉區(qū)域?yàn)楹罄m(xù)的檢測減少了檢測對象數(shù)目，所以計(jì)算速度比較快。

　　假定級聯(lián)分類器由K個(gè)強(qiáng)分類器組成，第i級強(qiáng)分類器的誤檢率為fi，檢測率為di，則最終的誤檢率F和檢測率D分別為：

　　測試圖像來自生活中的實(shí)際數(shù)碼照片與從互聯(lián)網(wǎng)上收集的圖像，包括不同人種、不同年齡的正面圖像，人臉檢測結(jié)果如圖1所示。