第1期 黄坤等：基于扩展三角特征的AdaBoost快速人眼检测算法 ·51· 像.由于采用人脸-人眼的定位方法，眼睛的主要背 景是人脸，检测时眼睛的主要误判位置也出现在人 脸上，所以这里需要从人脸上选取大量的非眼睛训 练样本，一般非眼睛训练样本要求数量非常巨大 基于此，本文选取了7868幅不包含眼睛的图像. 3实验结果与分析 实验环境为windows XP操作系统，VC6.0开发 环境，OpenCV1.0视觉库.通过对OpenCV1.0中的 Haartraining工程进行改造，增加三角特征作为训练 图5Haar特征检测结果（过检情形） 样本的弱特征，然后训练分别使用14种Haar特征 Fig.5 Detection result with Haar features (excessive detection) 原型分类器，及结合14种Haar特征和10种三角特 征的分类器，并进行比较研究.在测试图片上检测 时，为了体现AdaBoost算法在Haar和三角特征上 的差别，没有使用带有其他预处理的OpenCV 1.0 中的cvHaarDetectObjects函数，而采用了仅有Ada- Boost算法的检测框架.结合Haar和三角特征训练 得到的分类器总共包含560个Haar特征和113个 三角特征，AdaBoost算法在学习过程中总是选择最 优的特征，可见部分三角特征也是十分有效的具有 模式区别性的特征.对200幅眼睛模式正常的单人 图6结合Haar和三角特征检测结果（过检情形） 脸图像进行眼睛定位，并进行了正检率精度比较，如 Fig.6 Detection result with the mixture of Haar and triangular fea- 表1所示. tures (excessive detection) 表1使用Haar特征与结合Haar和三角特征的眼睛识别率比较 Table 1 Comparison of detection rate between the used Haar feature and the used mixture with Haar features and triangular features 使用特征 眼睛数量 正检率/% Haar特征 400 90.50 结合Haar和三角特征 400 91.25 由于非眼睛训练样本不足，均存在过检，如图5 和图6所示.对于三角特征较好的图像，结合Haar 特征进行检测，部分结果如图7所示.可见，结合 Haar和三角特征的检测算法在正检率上有一定的 图7结合Haar和扩展三角特征检测结果 提高 Fig.7 Detection result with the mixture of Haar and extended trian- 结合Haar和三角特征训练得到的分类器总共 gular features 包含560个Haar特征和113个三角特征，AdaBoost 眼晴的快速准确定位的方法.实验结果表明，该算 算法在学习过程中总是选择最优的特征，可见部分 法比仅使用Haar特征在正检率上有一定的提高. 三角特征也是十分有效的具有模式区别性的特征. 建立标准而全面的眼晴库，搜集大量具有代表性的 4结论 非眼睛样本，抽取有效的眼睛特征将是下一步研究 重点 对目前眼晴检测中检测速度和定位精度存在的 不足，本文给出了矩形块与三角像素块结合构造的 八种用于眼睛检测的扩展特征原型：提出了结合 参：考文献 Haar和三角特征作为AdaBoost算法的弱特征实现 [1]Xu L,Zhou D L.Technology of human eyes detection.Comput第 1 期 黄 坤等: 基于扩展三角特征的 AdaBoost 快速人眼检测算法 像． 由于采用人脸"人眼的定位方法，眼睛的主要背 景是人脸，检测时眼睛的主要误判位置也出现在人 脸上，所以这里需要从人脸上选取大量的非眼睛训 练样本，一般非眼睛训练样本要求数量非常巨大． 基于此，本文选取了 7 868 幅不包含眼睛的图像． 3 实验结果与分析 实验环境为 windows XP 操作系统，VC6. 0 开发 环境，OpenCV1. 0 视觉库． 通过对 OpenCV1. 0 中的 Haartraining 工程进行改造，增加三角特征作为训练 样本的弱特征，然后训练分别使用 14 种 Haar 特征 原型分类器，及结合 14 种 Haar 特征和 10 种三角特 征的分类器，并进行比较研究． 在测试图片上检测 时，为了体现 AdaBoost 算法在 Haar 和三角特征上 的差别，没有使用带有其他预处理的 OpenCV 1. 0 中的 cvHaarDetectObjects 函数，而采用了仅有 Ada￾Boost 算法的检测框架． 结合 Haar 和三角特征训练 得到的分类器总共包含 560 个 Haar 特征和 113 个 三角特征，AdaBoost 算法在学习过程中总是选择最 优的特征，可见部分三角特征也是十分有效的具有 模式区别性的特征． 对 200 幅眼睛模式正常的单人 脸图像进行眼睛定位，并进行了正检率精度比较，如 表 1 所示． 表 1 使用 Haar 特征与结合 Haar 和三角特征的眼睛识别率比较 Table 1 Comparison of detection rate between the used Haar feature and the used mixture with Haar features and triangular features 使用特征 眼睛数量 正检率/% Haar 特征 400 90. 50 结合 Haar 和三角特征 400 91. 25 由于非眼睛训练样本不足，均存在过检，如图 5 和图 6 所示． 对于三角特征较好的图像，结合 Haar 特征进行检测，部分结果如图 7 所示． 可见，结合 Haar 和三角特征的检测算法在正检率上有一定的 提高． 结合 Haar 和三角特征训练得到的分类器总共 包含 560 个 Haar 特征和 113 个三角特征，AdaBoost 算法在学习过程中总是选择最优的特征，可见部分 三角特征也是十分有效的具有模式区别性的特征． 4 结论 对目前眼睛检测中检测速度和定位精度存在的 不足，本文给出了矩形块与三角像素块结合构造的 八种用于眼睛检测的扩展特征原型; 提出了结合 Haar 和三角特征作为 AdaBoost 算法的弱特征实现 图 5 Haar 特征检测结果( 过检情形) Fig． 5 Detection result with Haar features ( excessive detection) 图 6 结合 Haar 和三角特征检测结果( 过检情形) Fig． 6 Detection result with the mixture of Haar and triangular fea￾tures ( excessive detection) 图 7 结合 Haar 和扩展三角特征检测结果 Fig． 7 Detection result with the mixture of Haar and extended trian￾gular features 眼睛的快速准确定位的方法． 实验结果表明，该算 法比仅使用 Haar 特征在正检率上有一定的提高． 建立标准而全面的眼睛库，搜集大量具有代表性的 非眼睛样本，抽取有效的眼睛特征将是下一步研究 重点． 参 考 文 献 ［1］ Xu L，Zhou D L． Technology of human eyes detection． Comput ·51·