基于AdaBoost的人脸检测算法

　　人脸检测是目标检测问题的典型代表，也是模式识别和机器视觉领域的一个研究热点。人脸检测是指对于给定的图像或视频序列中，要确定其中是否包含人脸，如有，则确定其大小、位置。人脸检测的方法大致可分为三类：基于知识的方法、基于模型的方法、基于外观的方法。基于知识的方法使用先验规则来进行人脸检测。基于模型的方法包括模板匹配，可变性模板等。基于外观的方法包括神经网络、ICA(Independent Component Analysis)等统计学习方法。Viola P[1]等提出了一种基于Haar-Like 小波特征的 AdaBoost 的人脸检测方法，该方法允许设计者不断地加入新的弱分类器，直到达到某个预定的足够小的误差率，在保证检测精度的同时，极大的提高了人脸检测速度，成为目前人脸检测领域的主流方法。

　　1 基于Haar-Like 小波的级联式分类器

　　1.1 Haar-Like 小波

　　Haar-Like 小波是 Viola P 等提出的一种简单矩形特征，因类似于 Haar 小波而得名[2]，如图 1 所示，图 1(a)为边缘特征，图 1(b)为线性特征。

　　Haar-Like 的每个特征由 2~3 个矩形组成，分别检测边缘和线性特征，特征值计算为组成的矩形区域灰度积分之和：

　　式中， 为矩形的权;RecSum 为矩形 所围区域的灰度积分; 是组成 Feat 的矩形个数。Haar-Like小波特征可以描述图像模式相邻区域的特征差异，反映了图像局部的灰度变化。在实际使用时，将每一特征在图像子窗口中进行滑动计算，从而获得各个位置的多个 Haar-Like 特征，如果选用的训练图像分辩率为 24×24，每个图像得到用于训练的 Haar-Like 小波特征超过 个。

　　1.2 积分图

　　为了加快 Haar-Like 小波特征的计算，Viola P等提出积分图像的定义，积分图能够在多种尺度下，使用相同的时间来计算不同的特征，因此，大大提高了检测速度。如图 2 所示，对于图像中的某一点，如点a，设图像中某点灰度值表示为积分图表示为则有：

　　区域D和区域F组成了 Haar-Like 特征中的一个边缘特征，特征值的计算只与此特征端点的积分图有关，而与图像坐标值无关。其他 Haar-Like 特征值的计算依此类推。

　　1.3 基于级联结构的分类器模型

　　通常待检测图像中绝大多数区域不包含目标，如何能快速地排除非目标区域是提高检测速度的关键。Viola P等提出的级联结构检测模型(如图 3 所示)有效地解决了这一问题。级联结构分类器由多个弱分类器组成，逐级复杂，每个分类器几乎可让所有的目标通过，并滤掉大部分非目标。这样在检测开始阶段，用少量的计算就能够快速排除大量的非目标，进行后续检测的目标越来越少，从而大大提高了检测速度。