基于Adaboost 與LDP 算法的人臉識別研究?

傅 銘 劉從軍，2

（1.江蘇科技大學計算機學院 鎮江 212003）（2.江蘇科大匯峰科技有限公司 鎮江 212003）

1 引言

近些年來身份識別廣泛應用于實際生活中，而人臉識別具有易用性、互動性、穩定性等特點受到更多青睞［1~2］，例如購物結賬時的刷臉付款和乘坐火車時的刷臉進站。

為了能夠提高人臉識別的正確率、減少識別時間，首先利用基于YCbcr 模型的皮膚分割算法和Adaboost算法對采集到的圖像進行人臉檢測，確定人臉區域范圍，之后再使用改進后的LDP算法提取特征識別人臉。

2 人臉檢測

2.1 Adaboost

實際生活中采集到的人臉圖像不但包括人臉部分還有非人臉部分，在進行人臉識別之前首先要做好人臉檢測，人臉檢測的效果越好，之后的人臉識別就更省時、成功率更高。在人臉檢測階段使用基于Adaboost 算法的人臉檢測，主要有三部分工作，第一訓練弱分類器，第二訓練強分類器，第三得到級聯分類器。

首先通過訓練Haar-Like矩形特征得到弱分類?(x)［3］，公式如下：

x表示學習圖像，f(x)即Haar-Like 特征值，λ表示區分人臉和非人臉區域的閥值，q為正一或者負一以此來控制不等號的方向，?(x)為符號函數。但是弱分類器的分類能力不強，只比隨機分類精確一些，容易檢測錯誤。

第二將弱分類器訓練成強分類器以提高人臉檢測的效果［4］。訓練過程如下：

1）選取T個弱分類器，m個非人臉圖像樣本，n個人臉圖像樣本［5］。設所有樣本為(x1,y1) ，(x2,y2)… (xm+n,ym+n)，且當yi=1時表示樣本為非人臉，yi=-1時表示樣本為人臉。

2）初始化樣本權重，非人臉樣本為ωt(i)=1/2m，人臉樣本為ωt(i)=1/2n。

3）對當前樣本權重ωt(i)做歸一化處理：

4）每個Haar-Like 矩形特征訓練一個弱分類器［6~7］，再計算每個弱分類器的加權錯誤率之和εt，公式如下：

其中ωt(i)表示第i個樣本的權重，?t(xi)-yi表示第t個弱分類器對第i個樣本是否分類對。

5）在所有弱分類器中選出加權錯誤率之和εt最小的弱分類器?t(x)［8］。

6）更新樣本權重，公式如下：

其中εt表示第t個弱分類器的加權錯誤率之和，ωt(i)表示第i個樣本的權重，ωt+1(i)表示第i+1個樣本的權重。

7）如果t≤T，重復3）至6）的過程。

8）最后得到強分類器為

其中αt=ln1/βt，?t(x)表示第t個弱分類器，H(x)為符號函數。

第三將若干強分類器依次相連組成級聯分類器［9］，前幾級的強分類器由少量弱分類器訓練得到，可以根據人臉典型特征快速區分人臉區域和非人臉區域，后幾級的強分類器相對復雜，用以區分差異性較低的區域。

在得到級聯分類器之后，就可以以此進行人臉檢測，采集到的圖像首先進入第一級強分類器，任何被判斷為零的區域都會被去除，只有被判斷為一的區域才能進入到下一級，以此循環，直到通過所有強分類器，就可以確定圖像中的人臉區域。

2.2 改進Adaboost

基于Adaboost 算法的級聯分類器在檢測人臉存在用時較長，精確度有待提高的問題。因為Haar-Like 矩形特征是對整個采集到的圖像提取的，包括人臉區域和非人臉區域，所以用于訓練弱分類器的Haar-Like 矩形特征數量過多，大量時間浪費在對非人臉區域的特征提取上。

針對上述問題對Adaboost 算法做出了改進。利用基于YCbcr模型的皮膚分割算法，過濾掉采集圖像中的非人臉部分，減少Haar-Like 矩形特性的數量，節約特征提取的時間。

將采集到的圖像從RGB 模型向YCrCb 模型的轉換［10~11］，公式如下：

其中Y表示像素明亮度，Cb表示藍色色度，Cr表示紅色色度。

轉換公式的計算過程中涉及到浮點數，考慮到在現實生活中計算機的運算特點，對于浮點數的計算較慢，應盡量用整數代替，因此對轉換公式的系數作出優化，以計算像素明亮度的公式為例。

得到改進后的轉換公式為

在YCrCb 模型下分量Y對是否是人臉的判斷影響小，主要由Cb分量和Cr分量決定，如圖1 所示，是人臉在YCrCb模型下Cb、Cr的分布。

圖1 Cb、Cr 的分布圖

由實驗可知YCrCb模型下人臉Cb分量主要在80~125之間，Cr分量主要在130~170之間，由此得到膚色分割的公式如下：

其中Cb(x)表示像素點的藍色色度，Cr(x)表示像素點的紅色色度。YCrCb 模型效果圖和膚色分割效果圖如圖2所示。

圖2 處理效果圖

3 特征提取

3.1 LDP

在完成采集圖像的人臉檢測后，使用Local Directional Pattern（LDP）即局部方向模式進行人臉特征的提取，包括邊緣響應值的計算［12］和編碼［13］兩個步驟。

計算邊緣響應值的公式如下：

其中I表示輸入的人臉圖像，Mi表示第i個方向上Kitch 算子，*表示卷積計算，mi為第i 個方向上的邊緣響應值。

Kitch算子模板［14］如下所示。

編碼的公式如下：

其中LDP(x,y)表示坐標(x,y)像素點的LDP 編碼，|mk|為 |mi|中第k大的值，|mi|為mi的絕對值，s(x)為符號函數。

實現原理如下，以人臉圖像中一個像素點為中心建立3×3 的矩陣，這樣中心像素點周圍就存在八個方向上的外圍像素點，再讓這些像素點分別與其方向相同的Kitch算子進行卷積運算得到八個邊緣響應值［15］，取絕對值并按照從大到小的規則排序。令前k 個邊緣梯度值為1，后8-k 個邊緣梯度值為0。最后按照一定次序取出，得到一個二進制數，轉為十進制，這個數就是該像素點的LDP 編碼值。LDP編碼過程如圖3所示。

圖3 LDP編碼過程

在LDP 算法中，一般取k 為3，k=3 時的LDP 編碼過程如圖4 所示。經過LDP 編碼后可得到二進制數00011010，轉為十進是26，那么點x 的LDP 編碼值為26。

圖4 k=3時LDP編碼值

3.2 改進LDP

圖像的方向信息對于人臉識別來說非常重要，而在LDP算法的第二步編碼中，對計算得到的邊緣響應值mi進行了取絕對值的操作，容易丟失圖像的方向信息。為了更好地反映人臉圖像的方向信息，對LDP算法做出了改進。

第一步計算邊緣響應值與傳統LDP算法相同，在第二步編碼中，取消對邊緣響應值mi的取絕對值操作，改進后的編碼公式如下：

其中mk為mi中第k 大的值，s(x)為符號函數。人臉圖像經傳統LDP 和改進LDP 提取特征后的效果圖如圖5所示。

圖5 特征提取效果圖

4 實驗與分析

選用耶魯大學的Yale 人臉庫作為實驗的樣本庫進行實驗，實驗結果如表1和表2所示。

表1 人臉檢測效果比較

表2 人臉識別效果比較

從實驗結果可以看出改進后的Adaboost 算法不僅人臉檢測成功率有所提高，而且耗時也有減少。改進后的LDP 算法因為只是對第二步編碼中的取絕對值操作進行了調整，所有耗時幾乎沒有差別，但是提高了人臉識別成功率。

5 結語

本文對人臉識別算法進行了系統性地研究。首先是采集圖像中人臉區域的檢測，使用基于Adaboost 的級聯分類器，因為其存在檢測時間較長，精確度不大的問題，對傳統Adaboost進行了改進。之后是特征提取階段，利用LDP 算法、改進后的LDP算法對人臉區域進行特征值提取。最后在yale 人臉庫進行了實驗驗證。