駕駛輔助系統中人臉檢測方法研究

張文霞，王旭

（長春汽車工業高等專科學校，吉林 長春 130000）

駕駛輔助系統中人臉檢測方法研究

張文霞，王旭

（長春汽車工業高等專科學校，吉林 長春 130000）

文章從車輛的主動安全角度出發，利用Adaboost算法訓練人臉分類器，然后進行人臉檢測，從而確定人臉區域。文章采集了大量駕駛室環境樣本進行人臉分類器的訓練，還對提出的方法進行了對比分析，實驗說明提出的人臉姿態估計方法具有高速、精確的特性。這項技術可以應用于駕駛輔助系統的開發。

Adaboost算法；人臉分類器；樣本；人臉檢測

Abstract:In this paper, the Adaboost algorithm is used to train the face classifier from the point of view of active safety of the vehicle, and then face detection is carried out to determine the face area. In this paper, a large number of cab environment samples are collected for human face classifier training, and the proposed method is compared and analyzed. The experimental results show that the proposed method has high speed and accurate characteristics. This technology can be applied to the development of driving assistance systems.

Keywords: Adaboost algorithm; face classifier; sample; face detection

CLC NO.: V448.15+1 Document Code: A Article ID: 1671-7988 (2017)18-83-02

前言

目前駕駛輔助系統的開發一般都需要人臉區域的準確定位，比如疲勞預警系統，本文要確定駕駛室環境下的人臉區域，然后在人臉區域內進一步檢測，再對人臉特征精確定位。

目前，所有人臉檢測的方法可以分為兩大類：基于知識的方法與基于統計的方法。基于知識的方法：首先根據先驗知識將人臉看成是器官特征的組合體，再根據眉毛、眼睛、鼻子和人嘴等器官的特征以及相互之間的幾何位置關系來實現人臉檢測。基于統計的方法：是把人臉看作一個整體（即為二維像素矩陣），先根據統計的觀點應用大量的人臉圖像樣本構建出人臉的模式空間，然后再根據相似度來判斷圖像中是否有人臉存在。其中，基于知識的人臉檢測方法包括：顏色特征、模板匹配、形狀與邊緣、紋理特性、人臉特征；基于統計的人臉檢測方法包括：支持向量機、主成分分析與特征臉、神經網絡方法、隱馬爾可夫模型、Adaboost算法。

1 人臉檢測

1.1 駕駛人的人臉檢測分析

研究駕駛室環境下的駕駛人人臉檢測方法需要解決以下幾個問題：

（1）駕駛室環境下圖像背景的復雜性

駕駛人所處的駕駛室內環境一般較為復雜，這樣不利于提高人臉檢測的準確性及快速性，增加了誤檢的可能性和消耗更多時間。

（2）光照不均勻性

汽車在行駛過程中駕駛人會受到不同方向的陽光和各種顏色的燈光的照射，特別是當光線照射到駕駛人的臉部時，人臉檢測及眼睛定位的準確性和快速性都會受到很大影響。目前大部分的面部檢測算法都不能有效的去除光照的影響。

（3）駕駛人頭部姿態的多樣性

駕駛人頭部在三維坐標系中繞三個坐標軸的旋轉運動造成了人臉圖像的變化，其中繞Y和Z軸的深度旋轉將會造成面部的部分信息缺失，這就增加了人臉檢測的難度。

針對以上駕駛室環境下的人臉檢測問題，論文提出了新的基于AdaBoost算法，可以有效解決這些不利因素所造成的影響。

1.2 Adaboost算法

AdaBoost算法中不同的訓練集是通過調整每個樣本對應的權重實現的。Adaboost訓練強分類器的算法具體描述[i]如下：

（3）t=1…T，T為訓練次數

最后，根據本輪選中的弱分類器分類結果更新下一輪樣本權重：

（4）最終的強分類器為：

先初始化樣本權重，在此樣本分布下訓練出一個基本分類器h1(x)。對于h1(x)錯分的樣本，增加其對應樣本的權重；反之，對于正確分類的樣本，則降低其權重。這樣就可以將錯分的樣本突出出來，并且得到一個新的樣本分布。同時，根據分類的情況賦予h1(x)一個權重，代表了該基本分類器的重要程度，被錯分的樣本越少分類器權重越大。使用更新的樣本分布，再對基本分類器進行訓練，得到分類器h2(x)及其權重。以此類推，經過T次這樣的循環后，就能得到T個基本分類器和T個相應的權重。最后將這T個基本分類器按相應權重累加起來，就得到了最終的強分類器。

1.3 訓練樣本的選取

由于根據檢測目標，針對性的選擇人臉訓練樣本。因此，本文采用了第二種方法，將駕駛室環境的圖像的人臉區域裁剪出來作為人臉訓練樣本，這樣使得對于駕駛員的人臉檢測的針對性更強。本文的人臉訓練樣本包含了10個人的不同姿態的1539個人臉訓練樣本，所有樣本大小均為20×20，文件格式均為bmp。圖1中列舉了其中的一些樣本。

圖1 部分人臉訓練樣本

負樣本的選取原則是：不同樣本之間要存在較大的差異；選取一些與人臉樣本相似的非人臉樣本。本文使用的非人臉圖像有三個來源：一是采用MIT非人臉庫中的2000個非人臉樣本，其大小均為20×20；二是下載網絡上已經收集好的非人臉樣本資源 ，采用了其中的950張640×480的大尺寸非人臉圖片；三是從駕駛室環境的圖像的背景區域裁剪出來的和下載網絡上汽車內飾圖片，共包含50張，圖2列舉了其中的一部分樣本。

圖2 部分駕駛室背景樣本

1.4 檢測結果分析

使用訓練得到的級聯分類器檢測有一定角度的駕駛人人臉時檢測效果比OpenCV提供的檢測器好，圖3列舉了一部分對比圖像，圖中（a）是使用OpenCV提供的檢測器檢測的結果，（b）是使用訓練得到的分類器檢測的結果。

圖3 人臉檢測效果對比示意圖

2 結論

本文提出了一種基于Adaboost算法的人臉檢測算法，訓練得到的分類器進行人臉檢測確定人臉區域的估計。訓練分類器時應有了大量的人臉樣本和非人臉樣本，通過大量實驗對結果進行了分析，結果證明了提出的人臉檢測方法的有效性、精確性。這為以后的輔助駕駛系統的開發研究奠定了基礎。

[1] 翟中華.基于膚色和Adaboost算法的人臉檢測方法研究[D].廣州:華南理工大學,2012.

[2] 邸巍.駕駛員頭部檢測算法研究[D].長春:吉林大學,2007.

[3] 張應麗,王建華,王生進.駕駛員面部特征點定位方法研究[J]. 北京機械工業學院學報,2009,24（1）：4-7.

Study on Face Detection Methods in Driver Assistance System

Zhang Wenxia, Wang Xu
（Changchun Automobile Industry Insititute, Jilin Changchun 130000）

V448.15+1 文獻標識碼：A 文章編號：1671-7988 (2017)18-83-02

10.16638/j.cnki.1671-7988.2017.18.029

張文霞，就職于長春汽車工業高等專科學校。