基于概率加權AdaBoost與YCrCb顏色空間算法的人臉檢測系統

摘" 要：隨著計算機技術的快速發展，人臉檢測已經應用到各個領域，但是依然存在在低光照和有遮擋等復雜背景下人臉檢測率低的問題，針對這一問題，文章提出了一種基于概率加權的AdaBoost與YCrCb顏色空間算法相結合的人臉檢測方法。文章使用Haar-like矩形特征作為人臉特征的提取算法，將概率加權的AdaBoost算法與改進的YCrCb顏色空間算法相結合提高人臉檢測的檢測率。實驗證明，在不同光照下、不同角度以及面部遮擋下的情況下，文章提出的算法可以在提高檢測率的同時，大幅度地降低計算的復雜度。

關鍵詞：人臉檢測；矩形特征；概率加權的AdaBoost；檢測率

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2096-4706（2025）03-0079-06

Face Detection System Based on Probability-weighted AdaBoost and YCrCb Color Space Algorithm

MA Wenting， JIANG Nannan

（Harbin Huade University， Harbin" 150025， China）

Abstract： With the rapid development of computer technology， face detection has been applied to various fields， but there are still problems of low face detection rate in complex backgrounds such as low light and occlusion. Aiming at the problem， this paper proposes a face detection method based on probability-weighted AdaBoost and YCrCb color space algorithm. Haar-like rectangular features are used as the extraction algorithm for face features in this paper， and the probability-weighted AdaBoost algorithm is combined with the improved YCrCb color space algorithm to improve the detection rate of face detection. Experiments show that the algorithm proposed in this paper can greatly reduce the complexity of the calculation while improving the detection rate under the conditions with different light， different angles and face occlusion.

Keywords： face detection; rectangular feature; probability-weighted AdaBoost; detection rate

0" 引" 言

人臉檢測是計算機視覺領域的一個活躍的研究領域，人臉檢測技術已經廣泛應用于移動支付、門禁、安檢等場景，給大眾生活帶來了便利的同時也引發了新的安全問題[1]。在復雜環境中光照條件不穩定，如強光、弱光、背光等，都可能導致人臉圖像特征不明顯[2-3]。從而影響檢測效果；人群、建筑物、樹木等遮擋物，以及光影變化、動態物體等干擾因素，會直接影響人臉檢測的準確性[4-5]。檢測率的高誤報可能影響用戶體驗，引發安全隱患，提高人臉檢測的準確度已經是得到高度重視。目前，已經發表了許多人臉檢測算法。

Majumder等人提出了應用Haar級聯分類器的進行人臉識別的技術，通過使用來自全正面面部照片，從而提高人臉識別的檢測度[6]。針對人臉不同的面部表情，為了精準識別，提出了一種利用深度學習技術進行多模態面部表情識別的新方法，利用灰度共現矩陣（GLCM）從面部中提取顯著特征，利用多類人工神經網絡（MCANN）和Adaboost對人臉數據進行數據集訓練和特征分類，區分數據庫中的每一個獨特人臉[7]。同時，采用AdaBoost算法進行人臉檢測的研究利用Haar-like模型來表征人臉器官，在仿真軟件中通過“積分圖”轉換來尋求Haarlike特征數值的快速計算。利用AdaBoost算法訓練出一些具備人臉特性的弱分類器，通過設置不同權重的方式，把性能最佳的弱分類器群打造成為強分類器[8]。以上方法可以在一定程度上提高人臉檢測技術的檢測率，但在復雜的背景下，依舊面臨著誤報率增加的挑戰。

本文提出了將計算機視覺庫OpenCV的人臉檢測和YCrCb（YUV）顏色空間算法相結合進行人臉檢測，利用概率加權AdaBoost算法進行人臉特征提取的Haar分類器訓練，通過提取檢測人臉的特征與訓練分類器中的數據進行比較，提高人臉識別的檢測率。

1" YCrCb顏色空間算法

1.1" YCrCb顏色空間算法

YCrCb主要用于優化彩色視頻信號的傳輸，壓縮視頻與圖像。與RGB視頻信號傳輸相比，其最大的優點在于YCrCb不需要三個獨立的視頻信號同時傳輸，減少了頻寬的占用。其中“Y ”表示明亮度，也就是灰階值；而“U ”和“V ”表示的則是色度，作用是描述影像色彩及飽和度，用于指定像素的顏色。“Y ”將RGB信號的特定部分疊加到一起，透過RGB輸入信號來建立。“U ”與“V ”則定義了顏色的色調和飽和度，分別用Cr與Cb來表示。Cr反映了RGB輸入信號紅色部分與其亮度值之間的差異。而Cb反映的是RGB輸入信號藍色部分與其亮度值之間的差異[9]。

大部分圖像是基于RGB空間，在RGB空間里亮度對人臉膚色影響特別大，使膚色點難以從非膚色點中分離出來，其為膚色區域的標定帶來了難題。因此，RGB空間不適用于人臉檢測。若將RGB空間轉化為YCrCb空間，可以忽略Y（亮度）的影響，空間受亮度影響越小，膚色會類聚越高。如果將三維的空間轉化為二維的CrCb，膚色點則會形成一定形狀。

1.2" YCrCb顏色空間算法的改進

傳統的YCrCb算法，在光照強度Y為[70，200]時，Cr值和Cb的值隨著光照強度Y變化很小，聚類性較強，表現出很強的穩定性。然而，當光強度Y大于200時，Cr的值逐漸變小并且趨近于零。該現象的產生是由于YCrCb顏色空間固有的性質決定的，Y增大且趨向于255時，即圖像趨近于白色，此時像素點的RGB值為0xffffff，即R、G、B趨向于255，即R與Y的值、B與Y的值越接近，而Cr值和Cb值則為紅色分量、藍色分量與亮度的差值，因此，Cr值與Cb值也同樣趨近于0。如式（1）所示：

（1）

為了考察強光下，光照強度Y的變化與Cr、Cb的值的變化[10]，通過采集若干幅光照強度大于200的人臉樣本圖片，選取每幅樣本的固定位置的像素點，然后取其像素的RGB值，將其轉化為YCrCb顏色空間的Cr、Cb的值，然后繪制Cr、Cb的值隨光照強度Y變化的函數圖像。根據函數圖像擬合出Cr、Cb的值與光照強度Y的函數表達式。當光照強度大于200時，YCrCb顏色空間的計算式（2）如下所示：

2" AdaBoost算法及其改進

2.1" AdaBoost算法中的弱學習和強學習算法

AdaBoost算法中弱學習算法以及強學習算法，具體指的是分類器。在學習之后辨識準確率僅僅比隨機的推測學習略高，或者辨識的準確率大于50%，可以認為是弱學習算法；能在多項式的運算中完成，并且學習之后精確率變得很高，則可以認為是強學習算法。

在任務的構造過程中，構造強學習算法是非常困難的。Valiant發表了弱PAC學習算法論文，Kearns發表了強PAC學習算法概念，這兩種算法在算法機制上具有等價的關系，兩位研究學者證明了多個弱的學習分類器如果能夠疊加起來那就能轉化為強學習分類器。其算法的原理圖如圖1所示。

2.2" AdaBoost算法中的Haar特征

AdaBoost算法的設計，采用的是圖片的輸入的矩形特征，也叫Harr特征。因而，對AdaBoost辨識訓練算法速度影響的因子，主要有兩方面是特征的提取和特征值的計算。面部的大部分特征是可以采用矩形特征簡單的描繪，如圖2所示。

通過圖2表現的這幾個矩形特征，人臉的一些特征被表示出來。比如右邊一幅表示鼻梁兩側相對于鼻梁的顏色就比較深，中間一幅人臉圖像表示臉頰區域的顏色相對于眼睛區域的顏色就比較淺。由此可見，相對于單運用像素點，使用矩形特征具有很大的優越性，而且人臉的比對速度變得更快。

2.3" 概率加權的AdaBoost算法

和Viola-Jones方法一樣，本文使用了正樣本（裁剪臉部）和負樣本（無臉部的隨機圖像）構成的訓練數據，并使用類Haar特征來構建弱分類器，在Adaboost算法中，權重被歸一化使得總的加權誤差和為1。正如Viola-Jones方法，弱分類器被選作為“最好的弱分類器”，其總加權誤差小于0.5。

假設給定模式xi，每個最好的弱分類器?j提供?j（xi） ∈ {1，0}，最終選擇的最好的弱分類器H的最終決策是H（xi），則最好的弱分類器的加權和如下：

（3）

其中h1，h2，…，hm表示m個最好的弱分類器，α1，α2，…，αm表示每個分類決策的權重，hj對分類的取值為1（yes）或者0（no），其結果是分類器非線性決策（符號函數）的線性組合。

在原始的Adaboost方法中，兩個最好的弱分類器具有相同的誤差，無論正或負樣本分類的概率有多大，都會被賦予相同的權重。本文引入一個新的加權系統，最好的弱分類器的選擇（“是”或“否”）的權重作為最好的弱分類器在分類正樣本和負樣本的能力。通過給予最好的弱分類器更多的權重來降低誤報率。

假如輸入數據分類效果比隨機數據效果好，則認為其弱分類是最好的弱分類器。假定給定一個最好的弱分類器的輸出中為假陽性與假陰性的概率計算如式（4）所示：

（4）

其中，ETotal表示總誤差，EFP表示假陽性誤差，EFN表示假陰性誤差，PFP表示假陽性錯誤概率，PFN表示假陰性錯誤概率。用計算的概率來建立一個考慮誤差和概率來加權每個分類器選擇的新的加權算法。實際上，具有相同誤差但具有不同分類概率的兩個分類器將有不同的權重，因為在為分類器分配權重時考慮了概率。則權重則可以為：

（5）

其中，εt表示一個分類器在t階段的總誤差。新alpha被稱為“alpha的概率”，計算式如下：

（6）

本文提出的alpha與假陽性誤差概率成反比，當給定的分類器具有較高的假陽性錯誤差時，其權重會降低；反之亦然。最好的弱分類器產生高PFP，就會給它一個相對較小的權重，從而產生一個強大的分類器，減少誤報的數量。當分類器產生PFN增加時，式（6）中乘法符號項的分子值減小，降低了提出的alpha的權重。alpha的概率在更新權重是允許從錯誤分類的圖像再次更新。根據式（6）提出的alpha將總是大于原始的alpha。因此，本文所提出的方法可以使錯分樣本的權重相對較高，提高最好的弱分類器的準確性。其算法步驟如下：

步驟1：輸入數據。訓練樣本為（x1，y1），（x2，y2），…，（xn，yn），令y ∈ {1，0}分別用來標記正樣本和負樣本。

步驟2：初始化權重。，其中m，l分別表示正樣本與負樣本數量。

步驟3：訓練T輪。具體如下：

1）規范第t階段的權重w：

（7）

2）根據加權誤差選擇最好的弱分類器?t（）：

（8）

（9）

3）計算正樣本i的假陽性誤差，i=1，…，P：

（10）

4）計算負樣本i的假陰性誤差，i=1，…，N：

（11）

5）計算弱分類器分類概率：

（12）

6）計算alpha：

（13）

7）更新權重：

（14）

步驟4：輸出的強分類器H（x）：

（15）

其中，表示概率權重，?t（）表示第t階段的弱分類器。

3" 基于概率加權AdaBoost與YCrCb顏色空間算法

3.1" 訓練樣本提取

本文采用YCrCb顏色空間算法對檢測樣本進行預處理，其目的是為了提高檢測速度及其基于概率加權的AdaBoost算法的誤檢率。

本算法采用的檢測樣本為Wider Face數據集，在trains訓練集中共有158 989張圖片，39 496個人臉用于驗證集，這些人臉在尺度、姿態、光照、表情、遮擋方面都有很大的變化范圍。首先對人臉面部的一些特性進行提取，并將其存儲起來。本文使用的是開源計算機視覺庫OpenCV分類器[11]，目前OpenCV僅支持三種特征的訓練檢測，分別為HAAR、LBP、HOG。進行數據訓練操作前，在數據集中選擇部分人臉圖片作為訓練集，根據正樣本與負樣本進行處理，圖例如圖3所示。

正樣本圖片是由訓練集的170張人臉圖片組成，將正樣本的圖片進行大小歸一化處理，處理成30×30的灰度圖像樣本進行保存。并將jpg替換為jpg 1 0 0 30 30，圖片包含了一個正樣本目標，矩形區域為0 0 30 30，這里由于我們的正樣本只有一個目標，而且已經大小歸一化為30×30的圖像，獲取供訓練的vec文件，如圖4所示。

負樣本由網上隨機的200張非人臉圖片形成一個集合。將負樣本進行歸一化處理，并將其灰度化保存，灰度化的目的是提高運算效率，由于原始圖片的信息量過大，而灰度的信息足夠滿足識別的需要，如果灰度化的信息量過大，可以采用二值化。

3.2" 訓練算法

本文采用的是Haar分類器，Haar分類器比較常用的矩形特征如圖5所示。

將預處理的樣本圖像進行處理，換而言之，提取灰度的Haar-like特征，利用積分圖的概念是特征探測探測器在圖像不同尺度下的特征計算都十分迅速，表征圖像可以選用矩形特征。正常規格30×30的檢測器中的矩形特征數量已經超過211 111個，恰當的矩形特征可以通過特定算法來進行篩選，將分類器合并成強分類器是這個算法的核心。此后，本文采用基于概率加權的AdaBoost算法對樣本進行訓練，獲得對應的特征以及提取位置，其目的是減少檢測時間。

3.3" 級聯分類器

級聯（cascade）的級數是由樣本數量有一定關聯的，適當的級數可以降低虛警率，提高檢出率。級聯結構應該在建立一個分類器時被注意，人臉圖像中的人臉可以用來進行快速估計較可能出現的區域，進而能對其進行重點的關注。前期做的是使用cvHaarDetectObject（）函數，利用Haar特征，其中包括邊緣特征、線特征以及中心環繞特征，樣例被級聯boosted分類器進行訓練。

如圖6所示，通過前面正負樣本的準備，利用OpenCV中opencv-traincascade，exe進行訓練，通過執行命令為：opencv_haartraining.exe -vec pos.vec -bg neg＼neg.txt -h 30 -w 30 -mem 800 -npos 170 -nneg 200 -mode all -data xml進行訓練。

4" 實驗測試與分析

為了測試基于概率加權的AdaBoost算法的人臉識別的可行性與有效性。首先，對單個人臉和多個人臉進行個體識別。單個人臉與多個人臉檢測的辨識結果和辨識時間分別如圖7所示。

在不同關照下、不同角度以及面部遮擋下等復雜情況中，同時進行多個人臉的檢測，檢測結果如圖8所示。

基于概率加權的AdaBoost算法的人臉識別可以準確地檢測到人臉，為了進一步測試本文提出算法的有效性，在Wider Face數據庫與ORL數據集進行對本文提出的算法進行測試。ORL數據集由英國劍橋大學ATamp;T實驗室創建，包含40人共400張面部圖像，部分志愿者的圖像囊括了姿態、表情和面部飾物的變化，其中訓練樣本為234張。Wider Face數據庫隨機抽取400張具有不同光照與表情的彩色人臉圖片作為測試樣本，檢測結果如表1所示。

本文提出的基于概率加權的AdaBoost算法與YCrCb顏色空間算法相結合的人臉識別的方法不僅可以較為精準的識別圖片樣本中的人臉，且相比于傳統的AdoBoost算法具有較高地檢測率。本文算法的檢測率高達98.41%，比傳統的AdoBoost算法的檢測率高出將近6%，檢測時間僅為傳統算法的1/8。通過對檢測結果的分析，本文提出的算法可以在提高檢測率的同時，降低計算的復雜度。

5" 結" 論

本文提出了基于概率加權的AdaBoost與YCrCb顏色空間算法人臉檢測系統設計與實現，使用Haar矩形特征算法進行人臉特征的提取，通過概率加權的AdaBoost算法對人臉圖像樣本進行訓練，將弱的分類器組合成更強的分類器，之后將訓練的數據存入XML文件中，然后將待檢測的樣本提取特征后與訓練的數據進行比對，之后比較計算直方圖值的大小。本文提出的基于概率加權的AdaBoost與YCrCb顏色空間算法的人臉識別方法更加有效地提高了人臉識別的檢測率。

當然，人臉識別的準確率和訓練樣本的多少和質量有密切的聯系，通過增加正負樣本的數量可以提高檢測的準確率。在某些特殊場合進入的人員，可以專門的對其人員的圖像進行采集和訓練，這樣對特殊人群的訓練也能提高人臉識別的準確率。

參考文獻：

[1] 王春東，李泉，付浩然，等.具有對抗魯棒性的人臉活體檢測方法 [J].計算機科學，2024，51（S1）：987-993.

[2] 楊晨皓.基于復雜卷積神經網絡的混合場景人臉識別研究與實現 [J].電子世界，2022（2）：157-158+161.

[3] 楊彥青，宋星.不同光照強度變化下融合深度學習的人臉識別技術研究 [J].自動化與儀器儀表，2023（4）：49-52+57.

[4] 張拓.基于多路徑融合的人臉識別算法研究 [J].智能計算機與應用，2024，14（7）：64-70.

[5] 孫金龍，吳振寧，肖仲喆，等.關于人臉識別算法對不同照明技術的魯棒性研究 [J].電子器件，2022，45（5）：1123-1128.

[6] SHAMRAT F M J M，MAJUMDER A，ANTU P R，et al. Human Face Recognition Applying Haar Cascade Classifier [C]//Pervasive Computing and Social Networking.Singapore：Springer，2022：143-157.

[7] YAN P，CHEN C. A Helmet Wearing Detection Algorithm Based on Face Localization [C]//2022 International Conference on Big Data， Information and Computer Network （BDICN）.Sanya：IEEE，2022：88-92.

[8] 楊衍宇，魏為民，張運琴.一種改進的雙流Faster R-CNN圖像篡改識別模型 [J].計算機應用與軟件，2023，40（12）：189-194.

[9] 肖俊杰.基于YOLOv3和YCrCb的人臉口罩檢測與規范佩戴識別 [J].軟件，2020，41（7）：164-169.

[10] 楊磊.基于AdaBoost的人臉檢測算法 [J].山西大同大學學報：自然科學版，2023，39（3）：12-17.

[11] 何祥芝，涂海寧，劉建勝.基于OpenCV的人臉黑頭識別算法 [J].南昌大學學報：工科版，2024，46（1）：111-116.

作者簡介：馬文亭（1993—），女，漢族，黑龍江哈爾濱人，講師，碩士，研究方向：計算機應用、網絡安全；姜楠楠（1989—），女，漢族，黑龍江哈爾濱人，副教授，碩士，研究方向：計算機應用。