基于MB_LBP旋转不变特征的AdaBoost人脸检测算法研究

亢 洁， 李 珍， 王晓东， 李晓静

(陕西科技大学 电气与信息工程学院， 陕西 西安 710021)



基于MB_LBP旋转不变特征的AdaBoost人脸检测算法研究

亢 洁， 李 珍， 王晓东， 李晓静

(陕西科技大学 电气与信息工程学院， 陕西 西安 710021)

传统的基于Haar特征的AdaBoost人脸检测算法，由于Haar特征数量过多，导致训练时间过久，而且不能快速检测出人脸。针对这一问题，本文提出一种基于多块局部二值模式(Multi-block Local Binary Pattern，MB_LBP)特征的AdaBoost人脸检测算法，这种MB_LBP特征结合了旋转不变局部二值模式(Local Binary Patterns，LBP)描述符，表达能力更强，特征数量更少.仿真结果表明，在训练时间大幅缩减的同时，使用MB_LBP特征时可以达到Haar特征的检测效果，且检测速度大大提高.

人脸检测； 多块局部二值模式； AdaBoost

0 引言

近年来，伴随国民经济飞速发展，机动车保有量大幅上升，然而每年频发的交通事故已成为社会关注的焦点.交通安全问题当中因疲劳驾驶引发的事故约占四分之一比重，疲劳驾驶已经成为行车安全的大敌[1].因为人脸检测技术具有非接触、方式友好、对行车干扰因素小以及更易被人接受等特点，因此非常适合用于驾驶员行车过程中疲劳状态的检测.

传统的基于Haar特征的AdaBoost人脸检测算法尽管检测效果良好，但由于Haar特征的数量过多，其检测速度受很大制约[2-5].相较于Haar特征，MB_LBP特征包含了更多的结构模式，它能够更加精确反映出图像的局部纹理的空间结构.此外，有研究文献表明，对于大小为24×24的图像当中Haar特征数有超过十万之多，这会让整个特征的计算过程异常复杂，而且计算量巨大使得整个流程很耗时[6]，而相应大小的图像其MB_LBP特征数只有8 000多种.可见，倘若用MB_LBP特征来构建最终的级联分类器所需的训练时间要远低于采用Haar特征时所需的训练时间.因此本文提出一种结合旋转不变LBP描述子的MB_LBP特征，利用AdaBoost算法训练人脸检测分类器来进行人脸检测.

1 基于MB_LBP旋转不变特征的AdaBoost人脸检测算法

1.1 传统LBP特征

1.2 MB_LBP特征

传统LBP特征的信息冗余度过高，描述不够精确且算法的鲁棒性不够[9,10].文献[11]提及Zhang等学者对传统的LBP算子进行了新的改进，提出了MB_LBP算子.相比于传统的LBP算子，MB_LBP特征则是将窗口中的每个像素点升级为对应块状区域的像素均值，整体结构看起来依然是3×3窗口，此外，在尺度上也是可以进行拓展的，如图1所示，给出了MB_LBP特征的计算过程[12,13].

图1 MB_LBP特征计算示意图

在计算过程中，只需进行缩放利用不同尺度的MB_LBP模板在整个图片上遍历一次就可以获得许多MB_LBP特征.图2为几种MB_LBP的特征[14].

图2 几种MB_LBP特征示例

1.3 基于MB_LBP特征的人脸检测分类器训练

(1)弱分类器的构造

采用多分支树作为弱分类器，可知总共有36个分支，且每一分支都对应于一个确定的离散MB_LBP的特征值，弱分类器定义如下：

(1)

式(1)中：xk表示特征向量X中的第m个元素的MB_LBP特征，aj(j=0,…,35)表示对应训练回归参数，其定义如下：

(2)

(2)弱分类器的训练

本文选择目前实现简单，泛化能力较好的Gentle AdaBoost算法来对弱分类器进行训练，对弱分类器进行训练得到强分类器的具体步骤[15,16]：

①给定待训练样本(x1,y1),(x2,y2),…,(xN,yN)，总共包含N个训练样本，其yi=-1或1分别对应负例样本和正例样本：已知训练样本中有p个负例样本，q个正例样本；并对人脸样本的权重初始化为w1=1/2q，非人脸样本的权重初始化为w1=1/2p；

②对m=1,…,M(M表示迭代次数，本文中设定为200)：寻找一个最优的弱分类器fm(x)，使得权重均方误差和最小，即使得函数

(3)

③输出强分类器F(x)

(4)

式(4)中：Q是强分类器的阈值.

(3)级联分类器的设计及训练

级联分类器是由多个强分类器叠加而成的，而每个强分类器都是采用AdaBoost算法在经过步骤(2)中的训练过程所得到的，其目的就是为了在检测的时候更加准确.从某种意义上来看，级联分类器是一种类似于决策二叉树的方法.将待检测图片输入之后，特征计算过程中会将图片划分成多块待测窗口，这些子窗口从进入级联分类器开始，会不断地被每一个节点筛选，检测为人脸时，就会送入下一层继续筛选，直至每一层的强分类器都认定其为人脸，最终结果才会认定该窗口为人脸部分；只要其中任意一节点的判定过程中，该子窗口被判定为不是人脸，该子窗口会马上被抛弃，从而继续下一窗口的整个过程的判定，具体的过程如图3所示，其中T表示True，判别为人脸，F表示False，判别为非人脸.

图3 级联分类器示意图

2 仿真结果及分析

表1 不同弱分类器数下的两种特征的误检率对比

Haar特征训练的级联分类器为20层共2 094个弱分类器，MB_LBP特征训练的级联分类器为9层共319个弱分类器.从表2可以看出，基于MB_LBP特征的人脸检测算法训练时间远小于基于Haar特征的人脸检测算法训练时间.

表2 两种特征训练级联分类器的时间对比

本文测试样本选用网络搜集的包含人脸的图像，其中单人脸样本100张和多人脸样本200张，共计1 107个人脸进行测试，测试结果如表3所示.可以看到，本文算法在使用更少的特征情况下也能达到与Haar特征分类器相当的效果，甚至在有些测试样本如人脸偏转、墨镜遮挡等较复杂的情况下，本文方法表现更好，如图4～5所示.

图4 (a)为本文采用的MB_LBP特征对多人脸图的检测效果，耗时75.453 2 ms，图片大小为490×325；图4(b)为Haar特征对多人脸图的检测效果图，耗时约160.13 ms.可以看到MB_LBP特征相对于Haar特征能够更加快速精准的检测到人脸.

(a)采用的MB_LBP特征时的检测效果 (b)采用Haar特征时的检测效果图4 两种特征检测效果对比

图5的尺寸为440×587，人脸偏转35度左右的MB_LBP特征检测效果图，检测时间为97.7 ms，而Haar特征检测时间约为208 ms，但未能检测出人脸.可以看出，MB_LBP特征结合了旋转不变的描述子之后相对于Haar特征来说，对有旋转的人脸也能够比较有效的检测.可以看到，在检测速度方面，MB_LBP特征耗时比Haar特征的耗时要少一半左右.

图5 采用MB_LBP特征时对旋转人脸的检测效果

3 结论

本文针对使用Haar特征在构建分类器的过程中，特征数量过高、特征描述能力不够强以及检测时间过长等问题，提出了一种在AdaBoost架构下基于MB_LBP特征的人脸检测算法.相比于传统的Harr特征，MB_LBP特征只需要很少的特征数量就能够对分类器完成快速训练.仿真结果表明，相较于Haar特征分类器，在检测效果相当的情况下，本文算法所需的训练时间更小，检测速度更快.

[1] 李绍文,王江波.驾驶员疲劳检测系统的研究[J].计算机工程与应用,2013,49(15):253-258.

[2] Tomar S,Pandey Y.A review over face detection and recognition for frontal face images[J].Engineering Universe for Scientific Research and Management(International Journal),2013,5(5):1-5.

[3] Pavani S K,Delgado D,Frangi A F.Haar-like features with optimally weighted rectangles for rapid object detection[J].Pattern Recognition,2010,43(1):160-172.

[4] 陈 骁,金 鑫.基于级联AdaBoost与示例投票的人脸检测[J].计算机技术与发展,2015,25(12):18-21.

[5] Sharifara A,Rahim M S M,Anisi Y.A general review of human face detection including a study of neural networks and Haar feature-based cascade classifier in face detection[C]//International Symposium on Biometrics and Security Technologies.Kuala Lumpur,Malaysia:IEEE,2015:73-78.

[6] Shen J,Sun C,Yang W,et al.A novel distribution-based feature for rapid object detection [J].Neurocomputing,2011,74(17):2 767-2 779.

[7] Xiaopeng H,Guoying Z,Matti P,et al.Combining LBP difference and feature correlation for texture description.[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,2014,23(6):2 557-2 568.

[8] 刘 丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,14(4):622-635.

[9] 张洁玉,武小川.加权局部二值模式的人脸特征提取[J].中国图象图形学报,2014,19(12):1 794-1 801.

[10] 李 根,李文辉.主方向旋转LBP特征的平面旋转人脸检测[J].电子学报,2015,43(1):198-202.

[11] 刘 丽,谢毓湘,魏迎梅,等.局部二进制模式方法综述[J].中国图象图形学报,2014,19(12):1 696-1 720.

[12] 戴桂平,林洪彬.基于非下采样 Contourlet 变换和 MB_LBP直方图的掌纹检测[J].传感技术学报,2014,27(10):1 387-1 393.

[13] 崔 浩,刘军清,陈 鹏,等.基于MB_LBP与改进Fast PCA算法的人脸特征提取[J].微型机与应用, 2015,34(15):29-32.

[14] 潘秋萍,杨万扣,孙长银.基于Haar与MB-LBP特征的车牌检测算法[J].东南大学学报(自然科学版),2012,42(S1):74-77.

[15] 孟子博,姜 虹,陈 婧，等.基于特征裁剪的AdaBoost算法以及在人脸检测中的应用[J].浙江大学学报(工学版),2013,47(5):906-911.

[16] 贾慧星,章毓晋.基于动态权重裁剪的快速AdaBoost训练算法[J].计算机学报,2009,32(2):336-341.

【责任编辑：蒋亚儒】

Research on the AdaBoost face detection algorithm based on the rotation invariant features of MB_LBP

KANG Jie， LI Zhen， WANG Xiao-dong， LI Xiao-jing

(College of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China)

The training time of the traditional AdaBoost face detection algorithm based on the Haar features is too long,and the face can not be detected quickly due to the excessive number of Haar features. Aiming at this problem,the AdaBoost face detection algorithm based on the multi-block local binary pattern (MB_LBP) features is proposed in this paper.The MB_LBP features are combined with the rotation invariant local binary pattern (LBP) descriptor,which have stronger representation ability and fewer features.The simulation results show that the MB_LBP features performed as well as the Haar features do,and the training time is significantly reduced at the same time,and the detection rate is greatly improved.

face detection； MB_LBP； AdaBoost

2017-03-09

陕西省科技厅自然科学基础研究计划项目(2014JM8329)； 陕西省教育厅专项科研计划项目(14JK1029，2013JK1044)； 咸阳市科技计划项目(2011K07-03)； 陕西省大学生创新创业训练计划项目(2015-1237)

亢 洁(1973-)，女，陕西潼关人，副教授，博士，研究方向：图像处理与模式识别

2096-398X(2017)04-0164-04

TP391.41

A