基于adaboost的人脸快速检测

人脸检测方法

• 基于规则/知识方法 归纳描述人脸特征的规则，如灰度分布、比例关系、纹理信息等.
• 基于模板的方法 固定模板法、可变形模板法
• 基于不变特征的方法 如彩色信息，基于肤色
• 基于表观分类器学习的方法 将人脸检测视为区分非人脸样本和人脸样本的PR问题.

基于肤色特征的检测

RGB、normalized RGB、HSV、YIQ、YES、CIE XYZ、CIE LUV等.

高斯肤色模型

• 一元正态分布肤色模型，以F颜色特征为例 F N(μ,σ)μ=1N∑i=1NFi,σ2=1N−1∑i=1N(Fi−μ)2 F~N(\mu,\sigma)\\ \mu = \frac{1}{N}\sum_{i=1}^NF_i,\sigma^2 = \frac{1}{N-1}\sum_{i=1}^N(F_i-\mu)^2 F N(μ,σ)μ=N1​i=1∑N​Fi​,σ2=N−11​i=1∑N​(Fi​−μ)2

一元正态分布肤色.jpg

• 二元正态分布肤色模型 N(μ,∑),where μ=(rˉ,gˉ)rˉ=1N∑i=1Nri,gˉ=1N∑i=1Ngi∑=[σrrσrgσgrσgg] N(\mu,\sum),where\ \ \mu=(\bar{r},\bar{g})\\ \bar{r} = \frac{1}{N}\sum_{i=1}^Nr_i,\bar{g} = \frac{1}{N}\sum_{i=1}^Ng_i\\ \sum = \bigg[\begin{matrix} \sigma_{rr}&\sigma_{rg}\\ \sigma_{gr}&\sigma_{gg} \end{matrix}\bigg] N(μ,∑),where μ=(rˉ,gˉ​)rˉ=N1​i=1∑N​ri​,gˉ​=N1​i=1∑N​gi​∑=[σrr​σgr​​σrg​σgg​​]

二元正态分布肤色.jpg

• 多人脸训练肤色模型 训练肤色模型
  • 手工标注部分人脸图象
  • 统计方法得到μ,∑\mu,\sumμ,∑
  • 设置合适的阈值截断

  测试阶段

  • 逐像素判断其是否在设定的肤色特征范围内

肤色模型的缺点

• 肤色模型难以适应各种环境光照变化
  • 背景和前景的光照变化，肤色通常不稳定.
  • 单纯的肤色信息对于人脸检测通常是不充分的.
• 如何适应在不同光照下的人脸跟踪
  • 如果环境光照有变化，原有的肤色模型可能不再适用，如何建立一个自适应的肤色模型.

基于AdaBoost的快速人脸检测

1. 采用简单的Haar-like矩形特征作为弱特征，可快速计算.
2. 基于AdaBoost的分类器设计.
3. 采用了Cascade(分级分类器)技术提高检测速度.

Haar-like矩形特征

所有白色矩形中像素的亮度值的和，减去所有灰色矩形中点的亮度值的和，得到的差即为Haar-like特征.

Haar-like特征.jpg

Haar-like特征的表示

可以用一个五元组来表示

r(2,2,4,2,A)表示下面的特征

Haar-like.png

快速计算任意矩阵内所有像素的亮度之和

利用动态规划的思想求任意一点左上角的所有像素亮度积分值ii(x,y)ii(x,y)ii(x,y).

矩形D内像素亮度积分值:

=ii(4)−(ii(2)+ii(3))+ii(1)ii(4)-(ii(2)+ii(3))+ii(1)ii(4)−(ii(2)+ii(3))+ii(1)

Haar-like计算.jpg

AdaBoost

采用AdaBoost算法对Haar-like矩形特征进行分类，为了求得在图像中所有尺寸及角度的人脸，我们需要采取所有可能的矩阵大小甚至旋转对整个图像遍历多次.

基于AdaBoost的快速人脸检测

基于分级分类器的加速策略

• 大量候选窗口可以利用非常少的特征就可以排除是人脸的可能性。
• 只有极少数需要大量特征.

分级分类器的构建

• 采用由粗至细的思想(coarse to fine)
  • 将少量区分性好的特征构成简单分类器置于前面若干层. 放过检测绝大数人脸的同时，排除大量非脸.
  • 后面曾包含更多次重要的特征对非脸进行进一步排除.
• 训练方法关键思路 每层训练的非脸样本使用前面层分类器误判为人脸的那些样本.

coarsetofine.png