·50* 北京科技大学学报 第34卷 弱分类器的评价因子，a,=ln(1/B,). 为第i层强分类器的过检率*/ 1.3 Cascade分类器 while (f >f)and (d.>=d))/# 由于眼晴的尺寸通常较小，对待检测图像中的 检率f大于目标值f且正检率d大于d*/ 眼睛进行定位时采用先定位人脸再在人脸中定位眼 晴的方法，当以不同大小的扫描图像块在人脸背景 d,-=step min us;Calculatef::/* 中遍历时发现眼晴样本图像块数量远少于非眼睛样 降低强分类器阈值，正检率下降，计算此时过检率f 本图像块数量，在检测时可以采用逐层排除的方法， */ 将所有的眼睛图像块和非眼晴图像块，通过级联分 If(f<=f)break;/*如果强 类器.一般通过前几层的强分类器即可完成大部分 分类器此时过检率∫小于∫，结束循环*/ 非眼睛样本的排除，检测时间与弱分类器的数量相 关，前几层强分类器中的弱分类器数量较少，完成大 f(f<=f力 break; 部分非眼睛图像块排除花费的时间也就不多.然后 让大部分的眼晴图像块和少量的非眼睛图像块通过 Reload eye samples and non-eye samples; 后续的强分类器进行判断.虽然使用的弱分类器数 /*保留通过前i层强分类器的眼睛和非眼睛训 量较多，但由于需要级联分类器后续的强分类器判 练样本*/ 断的图像块数量较少，所以时间消耗也不多，这样就 保证了整体的检测速度 } 设P、N分别为眼晴训练样本集和非眼睛训练 2眼睛训练样本和非眼睛训练样本的选择 样本集，D:为前i层强分类器总体的正检率，F,为 前i层强分类器总体的过检率，n:为第i层强分类 眼睛模式存在很多状态：睁开的、微张的、闭合 器中弱分类的数量，每层最小的正检率为d(对眼睛 的、倾斜的和侧面的，并且受光照和遮挡的影响.文 样本判断正确的概率)，最大的过检率为f(对非眼 献⑨]提出了两种眼睛模式，第一种是以眼睛轮廓 晴样本判断错误的概率)，级联分类器的目标过检 的外接矩形为眼睛训练模式，第二种是以瞳孔为中 率为Fge 心眉毛为上界作为眼晴训练模式，这样做主要是为 具体的Cascade算法如下： 了增加眼睛模式的特征和一致性，解决了正眼和闭 {F。=1.0,D=1.0,i=0: 眼模式差别太大导致寻找不到足够多的有效特征的 while(F:>F）/朱级联分类器过检率没 问题可，但是这样检测出来的图像块还要积分投 有达到目标值*/ 影@进行眉毛和眼睛的分离.本文训练以眼睛轮 廓的外接矩形为眼晴模式，眼睛状态主要为张开的、 i++:n:=0;F:=F-1;/体第i强分类 微张的、倾斜度较小的和侧面角度较小的，眼睛模式 器的训练，初始化弱分类器数量n:为0*/ 的一致性得到了保障，为了检测较小尺寸的眼睛，训 while(F,>fF:-1)/体当第i层强分类器的 练样本的尺寸为20×12，眼睛训练样本来自于 过检率大于设定值∫时*/ BiolD-Database人脸库中的眼睛以及采集图片中的 眼睛，不区分左右眼，共5256张，部分眼睛样本如 n:++;/*弱分类器的数量加1*/ 图4所示. Calculate the false negative rate f;/ 非眼晴训练样本可以选用任意不包含眼睛的图 图4部分眼睛样本 Fig.4 Partial eye samples北 京 科 技 大 学 学 报 第 34 卷 弱分类器的评价因子，αt = ln( 1 /βt ) ． 1. 3 Cascade 分类器 由于眼睛的尺寸通常较小，对待检测图像中的 眼睛进行定位时采用先定位人脸再在人脸中定位眼 睛的方法，当以不同大小的扫描图像块在人脸背景 中遍历时发现眼睛样本图像块数量远少于非眼睛样 本图像块数量，在检测时可以采用逐层排除的方法， 将所有的眼睛图像块和非眼睛图像块，通过级联分 类器． 一般通过前几层的强分类器即可完成大部分 非眼睛样本的排除，检测时间与弱分类器的数量相 关，前几层强分类器中的弱分类器数量较少，完成大 部分非眼睛图像块排除花费的时间也就不多． 然后 让大部分的眼睛图像块和少量的非眼睛图像块通过 后续的强分类器进行判断． 虽然使用的弱分类器数 量较多，但由于需要级联分类器后续的强分类器判 断的图像块数量较少，所以时间消耗也不多，这样就 保证了整体的检测速度． 设 P、N 分别为眼睛训练样本集和非眼睛训练 样本集，Di 为前 i 层强分类器总体的正检率，Fi 为 前 i 层强分类器总体的过检率，ni 为第 i 层强分类 器中弱分类的数量，每层最小的正检率为 d( 对眼睛 样本判断正确的概率) ，最大的过检率为 f( 对非眼 睛样本判断错误的概率) ，级联分类器的目标过检 率为 Ftarget ． 图 4 部分眼睛样本 Fig． 4 Partial eye samples 具体的 Cascade 算法如下: { F0 = 1. 0，D0 = 1. 0，i = 0; while ( Fi ＞ Ftarget ) /* 级联分类器过检率没 有达到目标值* / { i + + ; ni = 0; Fi = Fi － 1 ; /* 第 i 强分类 器的训练，初始化弱分类器数量 ni 为 0 * / while ( Fi ＞ fFi － 1 ) /* 当第 i 层强分类器的 过检率大于设定值 f 时* / { ni + + ; /* 弱分类器的数量加 1 * / Calculate the false negative rate fi ; /* fi 为第 i 层强分类器的过检率 * / while( ( fi ＞ f) and ( di ＞ = d) ) /* 过 检率 fi 大于目标值 f 且正检率 di 大于 d * / { di － = step min us; Calculate fi ; /* 降低强分类器阈值，正检率下降，计算此时过检率 fi * / If( fi ＜ = f) break; /* 如果强 分类器此时过检率 fi 小于 f，结束循环 * / } If ( fi ＜ = f) break; } Reload eye samples and non-eye samples; /* 保留通过前 i 层强分类器的眼睛和非眼睛训 练样本 * / } } 2 眼睛训练样本和非眼睛训练样本的选择 眼睛模式存在很多状态: 睁开的、微张的、闭合 的、倾斜的和侧面的，并且受光照和遮挡的影响． 文 献［9］提出了两种眼睛模式，第一种是以眼睛轮廓 的外接矩形为眼睛训练模式，第二种是以瞳孔为中 心眉毛为上界作为眼睛训练模式，这样做主要是为 了增加眼睛模式的特征和一致性，解决了正眼和闭 眼模式差别太大导致寻找不到足够多的有效特征的 问题［7］，但是这样检测出来的图像块还要积分投 影［10］进行眉毛和眼睛的分离． 本文训练以眼睛轮 廓的外接矩形为眼睛模式，眼睛状态主要为张开的、 微张的、倾斜度较小的和侧面角度较小的，眼睛模式 的一致性得到了保障，为了检测较小尺寸的眼睛，训 练样本 的 尺 寸 为 20 × 12，眼睛训练样本来自于 BioID-Database 人脸库中的眼睛以及采集图片中的 眼睛，不区分左右眼，共 5 256 张，部分眼睛样本如 图 4 所示． 非眼睛训练样本可以选用任意不包含眼睛的图 ·50·