| 标题 | 基于Adaboost算法的人脸检测及OpenCV实现 |
| 范文 | 丁业兵 摘要：人脸检测是人脸识别等人脸信息处理系统中的关键问题。基于学习的方法中，Adaboost算法的级联检测器结构计算效率高，可以有效检测图像中的人脸。应用开源计算机视觉库（OpenCV） 开发了人脸检测系统，该系统给出了直观的人机交互界面，先装载人脸检测分类器，再运用Adaboost算法检测图像中出现的人脸，并用椭圆框标示人脸。文中介绍了Adaboost目标检测算法和系统实验结果，实验结果表明，在OpenCV基础上，采用Adaboost算法可以快速、准确的实现人脸检测。 关键词：图像；人脸检测；Adaboost算法；OpenCV；人机交互 中图分类号：TP317.4 文献标识码：A 文章编号：1009-3044（2018）27-0167-03 Face detection Based on Adaboost algorithm and OpenCV DING Yebing （Department of Communication Engineering， Anhui Post and Telecommunication College， Hefei 230031， China） Abstract：Face detection is the key issues in face recognition and other face information processing system. The cascade detector structure of Adaboost algorithm calculation efficiency， it can effectively detect the face in image. Face detection system with Open Source Computer Vision Library （OpenCV） is developed， the system has intuitive human-compute interaction interface， first， load the face detection classifier， and then， using Adaboost algorithm to detect face in images， and ellipses labeled faces. This paper introduced the Adaboost target detection algorithm and experimental results of the system. The experimental results show that the Adaboost algorithm can quickly， accurately realize the face detection using OpenCV. Key words：Image； face detection； Adaboost algorithm； OpenCV； human-compute interaction interface 人工智能正在深刻改变人类的生活和生产，人脸检测是人工智能领域的发展方向之一。人脸检测是人脸识别，表情、性别识别等人脸信息处理的关键技术。图像人脸检测有基于知识的方法和基于学习的方法两种。基于知识的方法是根据人脸特定的先验知识，如面部器官的位置关系等进行人脸检测，简单易行，但容易漏检和误检；基于学习的方法是通过学习人脸和非人脸样本，获得分类器来进行人脸检测，性能取决于学习算法，能检测复杂环境下的人脸。Adaboost（adaptive boosting）方法[1-3]是基于学习的方法，借助Harr特征[4]，将一组弱分类器自适应的提升为强分类器，级联检测效率较高，也可用于其它目标检测中。 Open CV是一种开源计算机视觉库，用C++语言[5]编写，主要应用于计算机视觉和数字图像处理方面，实现了很多通用的算法，接口丰富，为应用开发提供了极大的方便。 在VC++平台基础上，结合Open CV图像函数库[6]，装载Adaboost算法离线学习的人脸检测分类器，面向对象，开发了人脸检测系统。该系统操作简单，既可以对输入图像中的人脸进行检测，也可以对视频中的人脸进行动态检测，检测结果准确，效率高。 1 Adaboost算法 Adaboost算法运用离线学习的分类器进行人脸检测，基于Harr矩形特征积分图进行级联检测，算法计算效率高，检测速度快[7-8]。 基本Harr矩形特征有二矩形特征、三矩形特征、四矩形特征，如图1所示，二矩形特征（a）和（b）是白色矩形中的像素值与黑色矩形中的像素值之差，三矩形特征（c）是两个白色矩形中的像素值与一个黑色矩形中的像素值之差，四矩形特征（d）是两个白色矩形中的像素值与两个黑色矩形中的像素值之差。扩展的Harr特征有边缘特征、线性特征、中心特征，分别从图像边缘、线性、中心方面增强了Harr基本特征的表示能力。 4 结论 本文主要论述了Adaboost算法原理，并运用OpenCV函数和C++编程语言，以VC++为平台开发了人脸检测系统。实验结果表明，此人脸检测系统可以对静态图像和动态视频中的人脸进行检测，检测效果准确可靠。 Adaboost人脸检测算法的检测效果较强的依赖于离线学习的分类器，也就是说分类器的好坏决定了人脸检测结果的准确性。通过学习正面人脸或侧面人脸，同时转载两种分类器，则既能检测出图像中的正面人脸也可以检测出侧面人脸，减少漏检率，提高检测正确率。 参考文献： [1] Freund Y， Schapire R E.A Decision-theoretic Generalization of Online Learning and an Application to Boosting [J].Journal of Computer and System Sciences， 1997， 55（1）：119-139. [2] Viola P， Jones M. Rapid objects detection using a boosted cascade of simple features [C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition， Kauai， Hawaii， 2001，12：12-14. [3] Mohan A， Papageorgiou C， PoggioT. Example-based object detection in images by components [J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2001， 23（4）：349-361. [4] Rainer Lienhart， Jochen Maydt. An Extended Set of Harr-like Features for Rapid Object Detection[C]// IEEE ICIP 2002， 2002， l （1）：900-903. [5] 朱振元，朱承. 數据结构—C++语言描述[M].北京：清华大学出版社，2007：10-18. [6] 章毓晋，贾彗星，李乐，等.基于子空间的人脸识别[M].北京：清华大学出版社，2009：47-61.. [7] 于世琪，刘瑞祯，译.Gary Bradski， Adrian Kaebler. 学习OpenCV [M].北京：清华大学出版社，2009：8-28. [8] 李晶皎，王爱侠，张广渊，等译.Sergios Theodoridis，Konstantinos Koutroumbas.模式识别[M].第三版.北京：电子工业出版社，2006：1-4. [通联编辑： ] |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。