摘要： 通過(guò)對(duì)基于 Adaboost 人臉檢測(cè)算法的研究，利用該算法與計(jì)算機(jī)視覺(jué)類庫(kù) openCV 進(jìn)行人臉檢測(cè)系統(tǒng)的設(shè)計(jì)，實(shí)現(xiàn)了對(duì)出現(xiàn)在視頻或圖像中的人臉檢測(cè)。 此外，在 VC++6.0 環(huán)境下實(shí)現(xiàn)了對(duì)一個(gè)簡(jiǎn)單的人臉檢測(cè)系統(tǒng)軟件的界面開(kāi)發(fā)，該系統(tǒng)對(duì)人臉檢測(cè)的速度較快，檢測(cè)結(jié)果較為準(zhǔn)確，可以作為其他人臉檢測(cè)或人臉模式識(shí)別的系統(tǒng)的開(kāi)發(fā)基礎(chǔ)。

　　隨著計(jì)算機(jī)與數(shù)字信號(hào)處理技術(shù)的高速發(fā)展，人臉檢測(cè)

　　技術(shù)在眾多領(lǐng)域得到廣泛應(yīng)用。 人臉檢測(cè)技術(shù)是指在視頻或

　　圖像中檢測(cè)出現(xiàn)人臉位置、大小的過(guò)程。 作為人臉信息處理

　　中的一項(xiàng)關(guān)鍵技術(shù)，人臉檢測(cè)技術(shù)已經(jīng)超出了其它人臉識(shí)別

　　模式的應(yīng)用范疇，在視頻處理，圖像處理，身份驗(yàn)證，安全監(jiān)

　　測(cè)等方面有著重要的應(yīng)用價(jià)值。 隨著計(jì)算機(jī)語(yǔ)言算法的發(fā)

　　展，近年來(lái)出現(xiàn)了大量的人臉檢測(cè)的算法，其中，能夠較好的

　　解決人臉的檢測(cè)速度與檢測(cè)效果的算法， 是在 2001 年由Paul

　　Viola 和 Michael Jones 首先提出的 Adaboost 算法。 openCV［1］是

　　由 Intel 提供的一系列包括 C 與 C++的提供計(jì)算機(jī)視覺(jué)和圖

　　像處理的開(kāi)源軟件包，它為視頻或圖像處理搭建了很好的軟

　　件平臺(tái)。 本系統(tǒng)就是基于 openCV，利用 Adaboost 算法設(shè)計(jì)的

　　一個(gè)簡(jiǎn)單的人臉檢測(cè)系統(tǒng)，該系統(tǒng)能夠快速、準(zhǔn)確的檢測(cè)到

　　圖像或視頻中的人臉。

　　1 AdaBoost 人臉檢測(cè)算法

　　對(duì)人臉檢測(cè)的研究最初可以追溯到 20 世紀(jì) 70 年代 ，早

　　期的研究方向與現(xiàn)在的研究方向與方法不同。 目前在實(shí)際

　　中應(yīng)用的人臉檢測(cè)方法較為普遍的是基于 Adaboost 算法的

　　方法。

　　Viola 的人臉檢測(cè)方法是一種基于積分圖、級(jí)聯(lián)分類檢測(cè)

　　　器和 Adaboost 算法的方法，方法框架可以分為以下 3 大步驟：

　　1）使用 Haar-like 特征表示人臉 ，使用 “積分圖 ”實(shí)現(xiàn)特

　　征數(shù)值的快速計(jì)算；

　　2）使用 Adaboost 算法挑選出一些最能代表人臉的矩形

　　特征（弱分類器），按照加權(quán)投票的方式將弱分類器構(gòu)造為一

　　個(gè)強(qiáng)分類器；

　　3）將得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層

　　疊分類器，訓(xùn)練得到的強(qiáng)級(jí)聯(lián)結(jié)構(gòu)能有效地提高分類器的檢

　　測(cè)速度。

　　1.1 Haar-like 特征

　　haar 特征是基于灰度圖 ，首先通過(guò)大量的具有比較明顯

　　的 haar 特征 （矩形 ）的物體圖像用模式識(shí)別的方法訓(xùn)練出分

　　類器，分類器是個(gè)級(jí)聯(lián)的，每級(jí)都以大概相同的識(shí)別率保留

　　進(jìn)入下一級(jí)的具有物體特征的候選物體，而每一級(jí)的子分類

　　器則由許多 haar 特征構(gòu)成 （由積分圖像計(jì)算得到 ，并保存下

　　位置），有水平的、豎直的、傾斜的，并且每個(gè)特征帶一個(gè)閾值

　　和兩個(gè)分支值，每級(jí)子分類器帶一個(gè)總的閾值。 識(shí)別物體的

　　時(shí)候 ，同樣計(jì)算積分圖像為后面計(jì)算 haar 特征做準(zhǔn)備 ，然后

　　采用與訓(xùn)練的時(shí)候有物體的窗口同樣大小的窗口遍歷整幅

　　圖像，以后逐漸放大窗口，同樣做遍歷搜索物體；每當(dāng)窗口移

　　動(dòng)到一個(gè)位置 ，即計(jì)算該窗口內(nèi)的 haar 特征 ，加權(quán)后與分類

　　器中 haar 特征的閾值比較從而選擇左或者右分支值 ，累加一