基于改进的Adaboost算法在人脸检测与识别中的应用与研究①

DOI：10.16660/j.cnki.1674-098X.2016.32.108

基于改进的Adaboost算法在人脸检测与识别

①

中的应用与研究

卢荣 刘思思 宋权予 周春晖(广东科技学院 广东东莞 523000)

摘　要：随着视频监控的推广与普及，人们对监控质量的要求越来越高，通过人脸识别技术对监控对象进行身份识别也逐渐成为市场需求的主流。人脸识别是包含检测和识别两个方向的，该文通过Adaboost算法进行人脸检测和识别的研究，并提出了多算法融合的改进Adaboost人脸检测算法，通过验证，可提高人脸识别的精准性。关键词：人脸检测 人脸识别 Adaboost算法中图分类号：TP391.4

文献标识码：A

文章编号：1674-098X(2016)11(b)-0108-02

1 研究背景及意义

身份的鉴别可通过人的生理特征来进行辨别，如人的指纹、掌纹、声音、虹膜、人脸等，而视频监控中人脸是最为直观的，不要求被识别者主动配合，通过视频监控方便采集、智能识别，成为刑侦、安全验证、身份核对、智慧城市等多场合的主流技术，也使得对人脸进行检测与识别成为所有生物特征识别中最为热门的研究方向。

典型的人脸检测算法方式如下：对于输入的作为训练集的特定角度拍摄的人脸图像（正面或接近正面），首先使用直方图均衡或标准化、最小化解决由于光照不均对图像的影响，然后使用基于知识或者基于学习的方法提取面部模式。基于知识的方法是用明确的人脸面部规则特征，比如：人脸眼睛、嘴巴等组成部分，面部纹理特征或皮肤颜色；而基于学习的过程则需要使用特定判别式方程从一系列训练数据中学习得到。提取的人脸模式，是通过扫描过程，即需要使用不同尺度的人脸模式进行多次扫描来定位不同尺度的人脸。

人脸检测实质上是一个二分类的问题，即通过图片或是视频监控中将人脸和非人脸的区域相区别，并把属于人脸的区域进行标注。在这个课题上的研究，不同学者提出了不同

的解决方案，但是每种方案都有利有弊，目前还没有哪种方案是确切地能解决所有难题的。如在实际应用中，分类器训练速度和检测速度过慢，检测效率不高；人脸的姿势检测不够精准，尤其是侧脸或是旋转的人脸而不能正确识别，有漏检或是误检的情况发生；鲁棒性较差，光照、肤色的不同同样影响着检测率等。人脸识别主要是将检测到的人脸图像与人脸识别训练样本库中的样本进行比对，找到最佳的匹配人脸。然而，影响人脸识别准确率的因素很多，如训练样本数量，分类器的选择，人脸特征的提取等，故人脸识别准确率仍然需要深入研究。

图1是Rowley提出的人脸检测原理图，此检测机制具有较强的适应性，对不同方位的人脸都可以进行检测。神经网络的方式其优势是获得人脸检测分类器比较容易，但是具有较大的计算量且算法相对复杂，在训练的过程中，针对参数需要修改量过多，且重在初始值及训练样本的选择。

关于人脸检测，国外的技术相对成熟，如德国及美国都已成功开发了人脸识别系统，同时给出了人脸检测及识别的样本库，而我国在人脸识别理论及技术方面相对成熟的机构是：清华大学（自动化系、计算机系）、中科院（自动化所、计算机所）、南京理工大学等，尽管与国际水平还相差甚远，但

图1 Rowley的人脸检测机制

表1 该文收集的人脸测试集检测结果统计对比

检测方法该文方法Adaboost算法

图片数8080

人脸个数380380

检测到的人脸个数360345

检测率（％）94.790.8

误检窗口数79116

（下转110页)

①作者简介：卢荣(1984，10—)，女，汉，湖北人，硕士研究生，讲师，研究方向：图形图像。

科技创新导报 Science and Technology Innovation Herald

108

科技创新导报2016 NO.32Science and Technology Innovation Herald信息科学

因为科学研究的性质存在差异，项目内容也有区别，另外，发表的论文被应用的次数到底有多少，论文的价值到底有多大，这些都应该成为高校科研成果评估考虑的因素。例如在某专项技术的检测中，我们可以对结构化的专业数据库和网页上的非结构数据以及用户的具体需求数据进行不间断的、长期运行的自动监测，以挖掘所需数据和知识，并通过数据分析和处理，自动生成某专项技术领域的科研成果动态监测报告，从而为院校科研成果评估专家提供数据和知识支持。

束”and“毕业学生”=>“酗酒违纪”这一关联规则的支持度和置信度非常高。所以在实际的管理工作中，对毕业学生在学年结束期间要加强行为干预，及时制定策略避免酗酒违纪现象的发生。

3 科研领域

目前，高校承担了大量的科研项目，而传统形式的统计技术以及数据管理工具已经难以满足相关管理人员的实际需求，借助数据挖掘技术能够在数据处理环节显示出相对较强的优点，而且还可以与高校的科研部门进行紧密结合。

(1)科研项目管理领域。科研项目管理包括了项目申报环节、立项环节、跟踪环节、结题环节等。高校科研管理机构建成科研管理的信息系统，其中包含了科研条件信息、课题基本信息以及科研人员信息等。其主要凭借对项目信息的有效增删、查询以及统计等，完成对课题进展、经费使用情况以及课题结题等功能，而对于项目管理者和决策人员来说，必须要对较为丰富的历史数据实施综合化分析以及科学化提炼，通过数据挖掘技术，可以帮助项目决策者发现课题承担人、科研仪器使用等信息间的联系，提高科研管理人员在发现问题以及解决问题上的能力。

(2)科研成果评估。目前，高校科研成果评估方法和数据支持方面还存在许多问题，在对科研成果的评估时还仅仅局限在机构内部的比较上，高校科研机构主要根据论文数量、专利成果、技术转让、获奖情况等指标来对专业技术干部进行评估，但是我们知道，仅仅进行内部比较不够合理，(上接108页）

是它们为中国的人脸识别技术发展起到了领头羊的作用。

4 结语

教学、管理、科研工作是高校的一项经常性和长期性的工作，能从日常积累的海量数据中挖掘出有利于教师和学生发展的信息，是一项重要的工作。将数据挖据技术应用到高校的教学、管理、科研工作中，数据挖掘的结果对各项工作会有一定的监督和指导作用，可以更好地改善现有工作中的弊端，更好地发挥工作中的优势方面。

参考文献

[1] (美)Olivia Parr Rud,著.数据挖掘实践[M].朱杨勇,

译.北京：机械工业出版社,2003.

[2] 蒋孝明.基于LINQ的人事档案管理系统的设计与实现

[J].计算机与现代化,2014(3):69-72.

[3] 王培吉,赵玉琳,吕剑峰.基于Apriori算法的关联规则数

据挖掘研究[J].统计与决策,2011(23):19-21.

3 Adaboost算法的改进

研究表明，Adaboost算法训练人脸检测分类器具有一些缺点，如退化现象较严重，训练速度较慢，因此在Adaboost算法的基础上，该文采用了多算法融合的技术进行了改进，即在Adaboost算法的基础上结合其他算法共同来作用于人脸检测以提高检测的精准性，比如同肤色检测的融合，便可快速从图像中分离出不同的人脸区域，然后再通过Adaboost算法对已分割出的区域进行人脸检测，通过优势互补，建立一种新型的人脸检测的方法。

2 Adaboost算法

Adaboost算法的速度非常快，因此称为第一个实时的人脸检测算法，算法对人脸检测的飞速发展贡献是巨大的，算法的大致步骤如下：

第一：给定训练样本，初始化样本权重。第二：训练弱分类器，更新样本权重，重复训练。第三：将训练所得的强分类器进行级联形成最后的人脸检测分类器。

Adaboost算法是一种迭代算法，核心思想是针对同一个训练样本集训练不同的弱分类器，再将这些弱分类器聚集构成一个强分类器。该算法根据每次训练集中每个样本是否分类正确以及上一次的总体分类正确率，来确定每个样本的权值，并将修改过权值的新数据作为下层分类器的输入进行训练，最终将每次训练得到的分类器融合成最终的强分类器。Adaboost算法通过调整训练集中每个样本对应的权重来训练强分类器。开始时，每个样本被分配相同的权重值，如训练样本集中样本个数为N，则初始化权重为1／N，在此权重分布下训练弱分类器。分类错误的样本，加大其分类权重；分类正确的样本，降低其分类权重，从而凸显出被分类错误的样本的权重，最终得到一个新的样本权重分布。在此新的样本权重分布下，再次训练弱分类器得到新的分类权重。依此类推，经过T次迭代，得到T个弱分类器，按一定权重叠加，则得出最终的强分类器。

科技创新导报 Science and Technology Innovation Herald

4 实验结果与总结

通过图像集进行了人脸检测的测试，并和Adaboost算法训练人脸检测分类器的检测进行了效果的对比，结果如表1所示，针对80张图片中的各个方位的人脸共计380个进行了检测。

实验数据可得出改进的Adaboost算法具有较高的检测准确率，同时又有较低的误检窗口数量，釆用新的样本权重更新规则对退化问题能起到一定的抑制作用,既提升了每个最佳弱分类器的性能,又使串级分类器整体的检测性能得到提高。

参考文献

[1] 岳雷.人脸表情识别新算法研究[D].北京理工大学,2015.[2] 齐光景.基于fast-Adaboost算法的人脸检测与识别方

法研究[D].太原理工大学,2014.

110