第4卷第5期 智能系统学报 Vol.4 No.5 2009年10月 CAAI Transactions on Intelligent Systems 0ct.2009 d:10.3969/j.issn.1673-4785.2009.05.010 基于粒特征和连续Adaboost的人脸检测 陈春燕，章品正，罗立民 (东南大学影像科学与技术实验室，江苏南京210096) 摘要：提出了一种基于粒特征和连续Adaboost算法的人脸检测方法.它使用粒特征并扩展贝叶斯决策弱分类器， 设计具有连续置信度输出的查找表型弱分类器形式，构造出弱分类空间，使用大规模的训练集和验证集，采用连续 Adaboost算法学习得到Boostingz动态级联型的人脸检测器.在OM-HIT正面人脸测试集上，误报20个时，检测率为 90%以上.在一台Pentium Dual--1.2Gh的PC上，处理一幅大小为320X240像素大小的图片平均需100s.实验结 果表明该方法取得了比较好的精度和速度 关键词：粒特征：贝叶斯决策：连续Adaboost:Boosting级联：人脸检测测 中图分类号：P391.41文献标识码：A文章编号：1673-4785(200905-0446-07 Face detection using real Adaboost on granular features CHEN Chun-yan,ZHANG Pin-zheng,LUO Li-min (Image Science and Technology Laboratory,Southeast University,Nanjing 210096,China) Abstract:A face detection method based on sparse granular features and the real adaptive boosting(Adaboost)m ta-algorithm was proposed.A sparse granular feature set was introduced into the Adaboost learning framework.A weak look-up-table(LUT)type classifier with real confidence output was designed by extending the Bayesian stump.Then,the space of the weak classifier was constructed.The Adaboost cascade face detector was taught by using a large training set and an evaluation set.Experiments were perfomed on the CMU-MII dataset,a standard public data set for benchmarking frontal face detection systems.The detection rate reached over 90%when false a- larms were 20.The average processing time on a Pentium Dual-1.2CHz PC was about 100 ms for a 320x240-pixel image.This shows the proposed method provides good precision and speed. Keywords;granular features;Bayesian stump;real Adaboost,boosting cascade;face detection 随着人机交互技术的诸多进步，人脸作为非常 等引入一种边缘特征称为边缘方向柱状图(edge 重要的生物信息源，在许多自动人脸处理系统中起 orientation histograms,.EOH).Lienhart"1等使用一系 着至关重要的作用.基于概率框架，许多方法分别论 列的旋转Haar特征.这些方法都是通过增加计算消 证了人脸模式是由各自的分布函数构建的，包括 耗以换取检测精度.Huang等"受Abramson等"的 Rowley等"的神经网络、Schneiderman2的贝叶斯 启发引入了一种基于像素的特征称为粒特征，它具 网络、Osuna等3和Heisele等4的基于SVM的分 有速度快、鲁棒性好的优点.另一方面，在训练级联 类器.2001年，Viola和Jones"提出了一种人脸检测 检测器时，通过引入新的策略以达到高的检测精度. 框架，它结合Haar特征、积分图像，通过Adaboost算 Xiao等10提出Boosting链将级联结构前后层级的 法学习级联结构分类器，获得了很好的检测速度和 阈值组合起来进一步提高人脸检测的效率，L等山 精度.之后对于它的改进，一方面，通过加入新的特 的FloatBoost直接最小化错误率，Bourdev等的 征来增强弱分类器以提高人脸检测器的性能.Levi Soft级联结构通过不断的数据自助(Bootstrap))以校 正检测器.另外为避免因离散Adaboost算法采用的 收离日期：2008-10-24 干切 二值断言损失很多判别性信息，Huang等提出了 通信作话：章品正Emil:lUc4pz@seued山.om, 连续Adaboost算法，这种方法通过构建一个基于查doi: 10.3969/j.issn.1673-4785.2009.05.010 Vol.4 No.5 Oct.2009 CHEN Chun-yan,ZHANG Pin-zheng,LUO Li-min 收稿日期::2008-10-24 基金项目: 通信作者:章品正.E-mail: luckzpz@seu.edu.cn (Image Science and Technology Laboratory,Southeast University,Nanjing 210096,China) 智 能 系 统 学 报 CAAI Transactions on Intelligent Systems 等引入一种边缘特征称为边缘方向柱状图(edge orientation histograms,EOH).Lienhart"1等使用一系 列的旋转 Haar特征.这些方法都是通过增加计算消 耗以换取检测精度.Huang 等"受Abramson等"的 启发引入了一种基于像素的特征称为粒特征,它具 有速度快、鲁棒性好的优点.另一方面,在训练级联 检测器时,通过引入新的策略以达到高的检测精度. Xiao等10提出 Boosting 链将级联结构前后层级的 阈值组合起来进一步提高人脸检测的效率，Li等 的FloatBoost 直接最小化错误率,Bourdev 等 的 Soft 级联结构通过不断的数据自助(Bootstrap) 以校 正检测器.另外为避免因离散 Adaboost 算法采用的 二值断言损失很多判别性信息,Huang等提出了 连续Adaboost算法,这种方法通过构建一个基于查 第4卷第5期 2009年10月 中图分类号:TP391.41 文献标识码: A 文章编号: 1673-4785(2009) 05-0446-07 Face detection using real Adaboost on granular features 随着人机交互技术的诸多进步,人脸作为非常 重要的生物信息源,在许多自动人脸处理系统中起 着至关重要的作用.基于概率框架,许多方法分别论 证了人脸模式是由各自的分布函数构建的,包括 Rowley 等"的神经网络、Schneiderman2的贝叶斯 网络、Osuna 等3和Heisele等4的基于SVM的分 类器.2001年,Viola 和Jones"提出了一种人脸检测 框架,它结合Haar特征、积分图像,通过Adaboost算 法学习级联结构分类器,获得了很好的检测速度和 精度.之后对于它的改进,一方面,通过加入新的特 征来增强弱分类器以提高人脸检测器的性能.Levi Abstract:A face detection method based on sparse granular features and the real adaptive boosting(Adaboost) me￾ta-algorithm was proposed. A sparse granular feature set was introduced into the Adaboost learning framework. A weak look-up-table(LUT) type classifier with real confidence output was designed by extending the Bayesian stump. Then, the space of the weak classifier was constructed. The Adaboost cascade face detector was taught by using a large training set and an evaluation set. Experiments were perfomed on the CMU-MII dataset,a standard public data set for benchmarking frontal face detection systems. The detection rate reached over 90% when false a￾larms were 20.The average processing time on a Pentium Dual-1.2CHz PC was about 100 ms for a 320×240-pixel mage. This shows the proposed method provides good precision and speed. 摘 要: 提出了一种基于粒特征和连续Adaboost算法的人脸检测方法.它使用粒特征并扩展贝叶斯决策弱分类器, 设计具有连续置信度输出的查找表型弱分类器形式,构造出弱分类空间,使用大规模的训练集和验证集,采用连续 Adaboost算法学习得到 Boosting动态级联型的人脸检测器.在CMU-MIT正面人脸测试集上,误报20个时,检测率为 90%以上.在一台Pentium Dual-1.2 GHz的PC上,处理一幅大小为320×240像素大小的图片平均需100 ms.实验结 果表明该方法取得了比较好的精度和速度. 关键词: 粒特征;贝叶斯决策;连续Adaboost;Boosting级联;人脸检测 陈春燕,章品正,罗立民 (东南大学影像科学与技术实验室,江苏南京210096) 基于粒特征和连续 Adaboost 的人脸检测 Keywords;granular features;Bayesian stump; real Adaboost; boosting cascade; face detection