第5期 陈春燕，等：基于粒特征和连续Adaboost的人脸检测 ·451· 值(a=-1,R=0.98,E=10-7f=0.6),在线数据 的检测率达到了90%；误检人脸个数为60时，本文 集为30000正样本和20000负样本进行训练.从图 方法的检测率达到了92%，取得了比较好的检测性 4可以看出，粒特征比Haar特征具有更高的分类精 能.图7展示了部分检测结果. 度.从图5看出，相对于Haar特征，粒特征能提高训 练收敛率，使得检测器具有更少的弱分类器，且具有 4结束语 更好的收敛速度与检测性能. 提出了一种基于粒特征和连续Adaboost算法 3.3实验结果 的人脸检测方法，并使用该方法用于正面人脸检测。 本文的人脸检测框架包括2部分：离线学习和 粒特征与对称的传统Haar特征相比，更能刻画不对 在线检测.尽管采用了启发式搜索的方法，在庞大的 称性和许多复杂的模式，实验表明该特征同样具有 特征空间寻找合适的特征十分困难，因此这种离线 计算有效性，同时更具判别性.实验采用启发式搜索 学习是相当耗时间的.因而采用一个多线程的训练 的方法在整个冗余的粒空间中快速有效地寻找合适 程序，将上月的训练时间减少为几天.在人脸检测实 的特征用于连续Adaboost学习.其中LUT型弱分类 验中，Pentium Dual-1.2GHz的PC上，320×240像 器的优点在于它几乎能够近似模拟任何形式的概率 素大小的图像，其平均检测时间约在100ms,具有较 分布函数，与二值断言相比，连续的置信度更精确地 高的检测速度。 刻画了两类样本的分类边界.通过使用大规模的训 1.00 练集和一个大的验证集，采用连续Adaboost算法学 0.98 0.96 习出Boosting级联型的人脸检测器.本方法已经通 0.94 0.92 过实验验证了在进行人脸检测时，达到了比较高的 0.90 检测率，并且具有实时性的检测速度， 0.88 0.86 致谢 0.84 0.82 6本文结果 感谢东南大学学习科学研究中心情感信息处理 0.80t +一Viola-Jone结果 实验室郑文明教授给予的帮助. 0.786102030405060708090100 误检数 参考文献： 图6本文与Viola--Jones检测器在CMU-MUT正面人脸 [1]ROWLEY H,BALUJA S,KANADE T.Rotation invariant 测试集的检测结果 neural network-based face detection C]//Proc of IEEE Fig.6 ROC curves for our and Viola-Jones's detector on the CMU-MIT frontal test sets Conf on Computer Vision and Pattern Recognition.Santa Barbara,USA,1998:38-44. [2]SCHNEIDERMAN H.Learning a restricted Bayesian net- work for object detection[C]//Proc of IEEE Conf on Com- puter Vision and Pattern Recognition.Washington DC, USA,2004:639-646. [3]OSUNA E,FREUND R,GIROSI F.Training support vec- tor machines:an application to face detection[C]//Proc of IEEE Conf on Computer Vision and Pattern Recognition. San Juan,Puerto Rico,1997:130-136. [4]HEISELE B,SERRE T,PRENTICE S,et al.Hierarchical classification and feature reduction for fast face detection with support vector machines [J].Pattern Recognition, 2003,36(9):2007-2017. [5]VIOLA P,JONES M.Rapid object detection using a boos- 图7部分检测结果 ted cascade of simple features[C]//Proc of IEEE Conf on Fig.7 Face detection results Computer Vision and Pattern Recognition.Kauai Marriott, 图6给出了本文以及Viola-Jones[2]在CMU- USA,2001:511-518. MT正面人脸测试集中的检测结果.从图中的ROC [6]LEVI K,WEISS Y.Learning object detection from a small 曲线可以看出，当误检人脸个数为20时，本文方法 number of examples:the importance of good features[C]/