何強1，2，馬文1

　　（1.重慶郵電大學 通信新技術應用研究中心,重慶 400065;  2.重慶信科設計有限公司，重慶 400065)

       摘要：針對Adaboost人臉檢測算法訓練時間長以及不能有效區分特征值聚集分布的情況，提出了一種基于雙閾值的改進型Adaboost人臉檢測算法，并給出了雙閾值的搜索算法。在MIT-CBCL和MIT+CMU人臉庫上對算法進行了仿真驗證。仿真結果顯示，改進的雙閾值Adaboost算法在不降低檢測率的同時大幅度提升了訓練的速度，同時檢測速度也有所提升，該方法的綜合性能優于單閾值算法。

　　關鍵詞：Adaboost；雙閾值；人臉檢測

0引言

　　 人臉檢測是伴隨著人臉識別的發展出現的一個課題，其可以既快速又準確地從復雜背景圖片中檢測出人臉，直接影響后續的識別研究。隨著計算機科學技術的快速發展，研究人員提出了許多基于統計學習的方法，例如主成分分析方法［1］、人工神經網絡［2］、支持向量機［3］等，Adaboost算法就是其中優秀代表。

　　Adaboost由FREUND Y和SCHAPIRE R E率先提出［4］，其主要思想就是將大量的弱分類器通過某種方式構成強分類器。理論已經證明，弱學習可以通過訓練變成強學習，可以通過增加弱分類器的數量來使強分類器的錯誤率下降趨于無窮小，基于此，VIOLA P和JONES M提出了將積分圖和級聯兩個新技術與Adaboost算法相結合，檢測速度能夠滿足實際需求，使人臉檢測算法能夠滿足實際應用；另一方面,該算法還存在著以下缺點：（1）算法需要大量時間，VIOLA P等人為了訓練一人臉檢測分類器曾花費多周時間［5］；（2）訓練過程中可能會由于罕見樣本而給該樣本分配過高的權重，產生過適應等問題，進而影響整體性能指標。其缺點是由于樣本數和特征數過多以及算法本身決定的。

　　針對以上問題，本文提出了一種基于雙閾值的改進型Adaboost算法，通過提升單個弱分類器的質量，縮短訓練時長，從而提高系統性能。

1Adaboost算法研究

　　1.1傳統的Adaboost算法描述

　　Adaboost算法的核心思想就是經過訓練得到一系列單個特征的弱分類器。其主要目的是從大量的矩形特征中挑選出更有利于人臉檢測的HaarLike特征集。將挑選出來的HaarLike特征構造成弱分類器，繼而采用迭代的方法從所有弱分類器當中挑選一批相對更優的弱分類器。最后將這些弱分類器按照權重進行線性疊加得到一個強分類器。由于檢測的核心任務是判斷圖像是否是一個人臉，故而能夠把檢測過程視為一個模式識別的問題。訓練過程初始階段，所有的樣本都被賦予相等的初始權重，接著就用該學習算法對樣本進行T輪訓練，一輪訓練之后將所有樣本權重更新，降低被正確分類樣本的權重，提高被錯誤分類樣本的權重,以便算法能夠在后面的訓練過程中更加針對于困難的樣本。訓練的結果是產生T個弱分類器，強分類器是將這些弱分類器按照權重進行一個線性疊加得到，其中分類質量更好的弱分類器對強分類器的影響比較大。

　　1.2算法分析與改進

　　在Adaboost算法中，每個HaarLike特征都有一個對應的弱分類器hj(j=1,2...k)，其中k是分類器窗口所有的HaarLike特征總數。hj 的求導必須搜索全體樣本的全體特征值，但是一般情況下為了保證分類器的效果，訓練樣本數和特征值數都很大，故一個hj的訓練所花費的時間很大。另外通過統計分析發現,由于各種原因,人臉樣本與非人臉樣本的特征值并不滿足兩側分布,而是人臉樣本的特征值集中分布,非人臉樣本的特征值分散分布。經過分析, 發現對于MITCBCL人臉訓練庫和MITCBCL非人臉訓練庫中的3 510個HaarLike特征，其中2 676個HaarLike特征是如此分布的，占比達76.2%［6］, 也說明了這些特征對應檢測更有效一些。

       圖1的橫坐標表示HaarLike特征對應的所有特征值，縱軸表示某特征值的正樣本數和負樣本數所占樣本總數值的百分比。如圖1所示，兩個端點形成的區間可將正負樣本進行區分，所以兩個端點作為雙閾值分類器的閾值是可行的。為了提高單個弱分類器的質量，提出了一種基于雙閾值的Adaboost訓練算法，現在的問題是如何確定兩個閾值,一個精確的算法是采用兩層嵌套循環,然后通過比較所有可能的閾值,取其中錯誤率最小的兩個閾值,然而這種算法的時間復雜度為O(n2)［7］ ,其中n為訓練的樣本數目，一般n的取值都很大，由此導致一個訓練過程可能會花費一個月的時間，這種方式是得不償失的，也是不可能在實際環境下應用的。因此本文在保證正確率和訓練時間的基礎上提出了一種新的雙閾值搜索算法。

　　步驟如下：

　　（1)計算某個HaarLike特征在所有樣本的特征值，求出該特征在所有樣本特征值中的最小值fmin和最大值fmax，然后從小到大依次計算每個特征值所對應的正負樣本數n1和n2。

　　（2)計算每個特征值其所對應的正樣本數n1與負樣本數n2的比值T，T=n1/(n2+1)。

　　（3)計算出T最大時對應的特征值x。

　　（4)從x向左右分別搜索過渡點θ1，θ2(θ1<θ2)。即T=1時所對應的特征值;如果沒有這樣的特征值，那么就取邊界點,這樣的兩個點就是弱分類器的兩個閾值θ1、θ2。

　　本文提出的雙閾值尋找算法極大地提高了閾值的尋找速度。雙閾值分類器替代單閾值分類器,使得分類器的精度更高。單閾值分類器其實是雙閾值的一種特殊情況，當x分別向左右進行搜索時，如果取的是邊界,那么實際上就是減少了閾值搜索的次數,也加快了訓練過程，提高了檢測速度［8］。

　　1.3改進型Adaboost算法

　　改進后的雙閾值Adaboost算法具體步驟如下：

　　（1）給定訓練集：(x1,y1),…,(xn,yn)，其中yi∈{0,1}，yi=0表示xi是非人臉樣本，yi=1表示xi是人臉樣本。

　　（2）初始化樣本權重，設定第t次循環中第i個樣本的權重ωt,i，人臉樣本的初始權重為ω1,i=1/2m，非人臉樣本的起始權重為ω1,i=1/2l，其中，m是人臉正樣本集的個數，l 是人臉負樣本集的個數［9］，n 是人臉樣本的總數，滿足n=m+l。

　　（3）t=1,…,T(T為訓練過程的最大循環次數)

　　①將權重作歸一化處理，

　　②按照本文提出的雙閾值搜索算法計算雙閾值分類器的兩個閾值。訓練中每一個特征j 的弱分類器記為hj，然后根據樣本分類情況，依照下式得出該弱分類器對應的加權錯誤率：

　　③從所有的弱分類器中挑選分類錯誤率εt相對更小的弱分類器ht。

　　④將樣本權重進行更新，其中βt=εt/(1－εt)，第i個樣本被準確分類時，

　　（4）根據一定原則把弱分類器構造成強分類器：

2實驗結果分析

　　通過仿真對本文提出的算法進行驗證,選擇正負樣本的HaarLike特征進行訓練,在MITCBCL人臉訓練庫和非人臉訓練庫的樣本進行訓練并驗證。仿真實驗中人臉樣本訓練庫共有2 429個大小為19×19的人臉樣本，其中樣本的背景很豐富，比如：膚色、遮擋、姿勢、光線等等。4 548個負樣本組成了負樣本訓練庫。本次仿真實驗所用的計算機是Inter(R) Core(TM)i32310M CPU @2.1GHz,4G安裝內存。

　　取人臉樣本中的前2 000個作為正樣本訓練使用，前4 000個非人臉樣本作為負樣本進行訓練，訓練得到強分類器，用強分類器對剩下的正負樣本分別進行測試實驗，表1給出了實驗仿真結果。

　　從表1中可發現，原始的Adaboost算法和改進的雙閾值Adaboost算法在檢測率和誤檢個數方面是極為接近的。但是在分類器的構成以及訓練時間上改進Adaboost有明顯的優勢，其訓練時間較傳統的Adaboost算法少了近40%。利用雙閾值弱分類器線性疊加得到的強分類器質量更高，其中弱分類器的數量更少，因此擁有更快的收斂速度，檢測速度也有所提高。

　　算法的優勢在以上仿真中得到了驗證，但是一個好的算法對于其余的圖像庫也應該是適用的。人臉檢測最典型的圖片測試庫就是MIT+CMU測試庫，該庫含有130幅不同背景、亮度及大小的灰度圖像，其中包含了507個不同民族、不同形態、光照及遮擋等情況的人臉。表2為測試效果對比。圖2為部分檢測效果。

3結束語

　　基于傳統的Adaboost算法需要大量的特征來進行訓練，因此其需要的訓練時間非常驚人。本文提出了一種改進型雙閾值Adaboost算法，通過雙閾值的方法來提升弱分類器的質量，并且用一種新的閾值選擇算法來減少由此增加的時間，以此使訓練時間大幅度減少，也使檢測時間減少，且并沒有明顯降低檢測率。實驗結果顯示，改進后的雙閾值算法其綜合性能優于單閾值的算法。接下來的工作是進一步改善分類器的質量，進一步提高算法的檢測精度。

　　參考文獻

　　［1］ 盧世軍. 生物特征識別技術發展與應用綜述［J］. 計算機安全，2013（1）:63-67.

　　［2］ Liu Kewen， Zhou Haiming， Yang Zhanyong， et al. Application of BP neural network for line losses calculation based on quantum genetic algorithm［C］.4th International Symposium in Computational Intelligence and Design (ISCID).Hangzhou: IEEE Press, 2011: 3-7, 28-30.

　　［3］ Wang Wei, Duan Hongyu. The research of SMO algorithm self adaption improvement on SVM［C］.Communication Software and Networks (ICCSN).Xi’an: IEEE Press,2011:27-29.

　　［4］ FREUND Y, SCHAPIRE R E. A short introduction to boosting［J］.Journal of Japanese Society for Artificial Intelligence,1999,14(5):771-780.

　　［5］ VIOLA P,JONES M.Robust real time face detection［J］.International Journal of Computer Vision,2004,57(2):137-154.

　　［6］ 嚴云洋. 圖像的特征抽取方法及其應用研究［D］.南京:南京理工大學,2008.

　　［7］ ZHANG W, TONG R, DONG J. Z AdaBoost: boosting 2 thresholded weak classifiers for object detection［C］. 2008. IITA '08. Second International Symposium on Intelligent Information Technology Application, Shanghai, 2008(2):839-844.

　　［8］ Wu Shuqiong, NAGAHASHI H. Parameterized AdaBoost: introducing a parameter to speed up the training of real AdaBoost［J］. IEEE Signal Processing Letters,2014,21(6):687-691.

　　［9］ NAVABIFAR F，YUSOF R，EMADI M. Using rotated asymmetric haarlike features for non frontal face detection［J］. Advanced Science Letters，2013，19(12)：3520-3524.