基于SVM的人臉檢測算法

焦蓬斐　秦品樂

摘 要：人臉檢測作為機器視覺研究的重要內容，在視頻監控、安防等鄰域具有廣泛的用途，是人臉識別的前提條件。本文采用支持向量機（support vector machine， SVM）理論對輸入的訓練樣本進行分類，得到人臉分類器。將輸入的待檢測圖片利用金字塔圖像算法遍歷每個檢測窗口可檢測在該圖像中是否存在人臉。

關鍵詞：機器視覺；人臉檢測；SVM

DOI：10.16640/j.cnki.37-1222/t.2016.08.202

1 引言

隨著機器視覺的快速發展使得生物識別技術不斷推進。其中應用最廣的要數人臉識別技術，該技術主要利用不同人之間固有的生理特征區別進行個人身份的認定。其中人臉檢測技術是人臉識別的前提。

人臉檢測（Face Detection）是自動人臉識別系統中的一個關鍵環節，是一種在任意圖像中找到人臉的位置和大小的技術，是人臉識別的基礎部分。現有的人臉檢測方法可以大致分為兩大類：特征模板匹配與基于人臉灰度統計特征。由于人臉是具有相當復雜的細節變化的自然非剛性結構目標，這類目標的檢測問題的難點在于：（1）人臉由于表情、外貌、膚色等特性的不同，存在模式的可變性；（2）臉上的不同裝飾物，如眼鏡、胡須、刀疤等附屬物；（3）作為三維物體不可避免的會受到光照而產生陰影的影響。因此，想要解決這些問題，就需要構造一個成功的人臉檢測系統，同時也將會為類似的復雜模型提供解決方案。人臉檢測是一個綜合的問題，是一個多角度的分類問題。因此這些分類特征中有用信息有哪些，并且如何將有用信息運用起來，是人臉檢測問題研究中的關鍵性問題。本文采用多種模式特征綜合的方法，構造出快速人臉檢測模型。

2 人臉檢測流程

人臉檢測過程的通常步驟：預處理、特征提取、特征向量轉化到待檢測區待定，對待檢測區的特征向量進行分類檢測，最后得到檢測結果，具體描述如下：

2.1 輸入圖像預處理

圖像的預處理主要包括圖像增強、銳化、平滑濾波、梯度照度修正等方面的處理。因為在實際生活中所獲取的原始圖像挺長受光照、噪聲等影響，需要進行預處理以消除干擾，后續的處理就用消除干擾的圖像。

2.2 圖像特征提取

圖像特征提取指的是使用圖像處理算法提取圖像中具有代表性的信息，決定每個位置的像素點是否屬于一個圖像特征。特征提取的結果是把圖像上的所有點分為不同的子集，這些子集往往屬于孤立的點、連續的曲線或者連續的區域。圖像分析通常是檢測目標的某些特征來進行處理，如：顏色特征、形狀特征、紋理特征、空間關系特征。

2.3 分類器

分類器的訓練和檢測是人臉檢測這類特征模板匹配問題中最關鍵的步驟。訓練樣本分為正樣本和負樣本，其中正樣本是指有待檢測目標（本設計為人臉），負樣本是其它的任意圖像，最后需要將所有的樣本都歸一化為同樣尺寸大小的圖片。應用之前提取到的特征值，需要將特征向量用決策面劃分不同區域，這樣可以提高分類的準確性。

3 基于SVM的人臉檢測算法實現

采用監督式學習方法將采集到的負樣本（非人臉）與正樣本（人臉）一起用HOG算法訓練SVM 分類器。在實驗測試中，算法可以實現在圖像中單個人臉以及多個人臉的檢測。

4 結束語

本文提出使用基于線性和非線性SVM 級聯分類器構造人臉檢測系統。將采集得到正負樣本數據歸一化，得到相同尺寸大小的樣本集，這樣做的好處是減少了運算量，同時了加快了運算速度。其次采用SVM分類器對樣本進行分類，得到最后結果，即人臉分類器。之后就可以輸入待檢測的圖片，利用金字塔圖像算法遍歷每個檢測窗口中的圖像，當遍歷結束，就可以得到在這幀圖像是否是人臉圖像。

參考文獻：

[1]Osuna E，Freund R， Girosi F. Training support vecrot machines：An application to face detection. In Proc of the CVPR.1997.

[2]Chih-Chung Chang，Chih-Jen Lin. LIBSVM[J]. ACM Transactions on Intelligent Systems and Technology （TIST）， 2011（3）：10-47.

[3]陳亞雄.基于Gabor小波和SVM 的人臉表情識別算法[J].現代電子技術，2011（20）：24-57.

作者簡介： 焦蓬斐（1991-），男，山西忻州人，碩士在讀，研究方向：計算機視覺及圖像處理。