摘  要： 通過(guò)構(gòu)造Walsh變換矩陣，得到相互正交且形狀豐富的Walsh特征算子，將Walsh特征應(yīng)用于快速人臉檢測(cè)。Matlab的仿真實(shí)驗(yàn)結(jié)果表明，由Walsh特征得到的強(qiáng)分類(lèi)器比傳統(tǒng)的Haar特征得到的強(qiáng)分類(lèi)器分類(lèi)速度快，精度高。
關(guān)鍵詞： Walsh特征；Haar特征；強(qiáng)分類(lèi)器；人臉檢測(cè)

　人臉檢測(cè)技術(shù)就是對(duì)所輸入的圖像進(jìn)行檢測(cè)，判斷出圖像是否存在人臉，如果存在，則返回人臉在圖像中的確切位置和范圍的技術(shù)[1]。人臉檢測(cè)是人臉識(shí)別系統(tǒng)中的關(guān)鍵的第一步，這一步所獲得的精度與速度直接影響整個(gè)系統(tǒng)的性能[2]。此外，人臉檢測(cè)技術(shù)在人臉追蹤、視頻會(huì)議、基于內(nèi)容的圖像檢索和人類(lèi)情感研究系統(tǒng)中都有廣泛的應(yīng)用，而且具有重要的學(xué)術(shù)價(jià)值。人臉的自動(dòng)檢測(cè)具有一定的挑戰(zhàn)性，主要有以下難點(diǎn)：(1)由于人臉是一類(lèi)高度非剛性的目標(biāo)，存在相貌、表情、膚色、姿態(tài)等差異；(2)人臉上很可能存在一些附屬物，如眼鏡、胡須、裝飾品等；(3)人臉的姿態(tài)千變?nèi)f化，并且可能存在遮擋物；(4)待檢測(cè)的圖像其性質(zhì)的差異，如圖像的分辨率、攝錄器材的質(zhì)量等；(5)光源的種類(lèi)、強(qiáng)弱和角度的不同，其作用在人臉上所產(chǎn)生的性質(zhì)不同的反射，造成不同區(qū)域的陰影。因此，人臉檢測(cè)成為計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域內(nèi)的一個(gè)研究熱點(diǎn)[3]。目前比較常用的人臉檢測(cè)方式可以概括為基于知識(shí)、基于結(jié)構(gòu)特征、基于模板匹配及基于統(tǒng)計(jì)模型的方法[4]。本文將Walsh特征用于人臉檢測(cè)是基于結(jié)構(gòu)特征的一種方法。本文通過(guò)構(gòu)造Walsh變換矩陣，得到相互正交且形狀豐富的Walsh特征算子，在相同情況下將Walsh特征與傳統(tǒng)的Haar特征用于快速人臉檢測(cè)，通過(guò)對(duì)比其各自的特點(diǎn)得出Walsh特征用于人臉檢測(cè)的優(yōu)越性。
1 Haar特征與積分圖計(jì)算方法
　Haar特征是VIOLA等提出的一種簡(jiǎn)單矩形特征，因類(lèi)似于Haar小波而得名[5]。Haar特征的定義是黑色矩形和白色矩形在圖像子窗口中對(duì)應(yīng)區(qū)域的灰度級(jí)總和之差，可見(jiàn)，它反映了圖像局部的灰度變化。VIOLA等用到的Haar特征共有三類(lèi)，圖1顯示了部分在圖像子窗口起點(diǎn)位置處的Haar特征，其中第一、二行屬于二矩形特征，第三行屬于三矩形特征，第四行屬于四矩形特征[6]。在實(shí)際使用時(shí)，必須將每一特征在圖像子窗口中進(jìn)行滑動(dòng)計(jì)算，從而獲得各個(gè)位置的多個(gè)Haar特征。如果選用的訓(xùn)練圖像分辨率為24×24，每個(gè)圖像得到用于訓(xùn)練的Haar特征超過(guò)18萬(wàn)個(gè)[7]，但是實(shí)際上不一定需要，因?yàn)檫^(guò)多的特征會(huì)大大加大訓(xùn)練過(guò)程的時(shí)間和空間復(fù)雜度，實(shí)際上過(guò)細(xì)的特征中也會(huì)引起過(guò)多的冗余，所以在選擇特征時(shí)可適當(dāng)放粗一些。

　在實(shí)際檢測(cè)過(guò)程中，為了加快Haar特征的計(jì)算，VIOLA等提出了積分圖像的定義，灰度圖像F的積分圖像I定義為[8]：

2.2 Walsh特征的優(yōu)點(diǎn)

　由于所有m×n維的Walsh特征算子都是相互正交，這意味著它對(duì)圖像某個(gè)局部特征的提取不產(chǎn)生冗余，并且特征算子的形狀比Haar特征算子的形狀要豐富。另外，m、n都要求是2的整數(shù)次方，所以對(duì)一幅訓(xùn)練圖像而言，它的全部Walsh特征數(shù)是有限的，即Walsh特征的數(shù)量小于Haar特征的數(shù)量。在實(shí)際的Haar特征提取過(guò)程中，很多特征都非常相近，冗余很大，采用Walsh特征來(lái)代替Haar特征可以大大降低特征之間的冗余。
3 與Haar特征的對(duì)比實(shí)驗(yàn)
　為了證明使用較少的Walsh特征也具備很好的分類(lèi)特性，這里采用了5 785個(gè)Walsh特征和14 091個(gè)Haar-Like進(jìn)行了對(duì)比實(shí)驗(yàn)，分類(lèi)器學(xué)習(xí)算法Real AdaBoost，每個(gè)弱分類(lèi)器按照其對(duì)應(yīng)特征的數(shù)值被劃分為40個(gè)區(qū)間。實(shí)驗(yàn)在MIT-CBCL庫(kù)上進(jìn)行，其訓(xùn)練庫(kù)包含2 429個(gè)分辨率為19×19的配準(zhǔn)人臉樣本，覆蓋各種膚色、遮擋、姿態(tài)、光照等情況；也包含4 548個(gè)分辨率為19×19非人臉樣本，部分樣本如4圖所示，其中圖4(a)是人臉樣本，圖4(b)是非人臉樣本。使用MIT-CBCL訓(xùn)練庫(kù)進(jìn)行實(shí)驗(yàn)的原因是其中的人臉和非人臉圖像具有一定的代表性，并且在實(shí)驗(yàn)中可以將訓(xùn)練庫(kù)中的人臉和非人臉樣本一分為二，使得訓(xùn)練樣本和測(cè)試樣本具有一定的相似性。另外，使用該庫(kù)可以保證所有算法在同樣的訓(xùn)練樣本和測(cè)試樣本下進(jìn)行實(shí)驗(yàn)，以保證實(shí)驗(yàn)結(jié)果的可比性。

　在實(shí)驗(yàn)中，將所有樣本分辨率放大到20×20并作標(biāo)準(zhǔn)化處理(每個(gè)樣本中的所有元素的均值為0，方差為1)，實(shí)驗(yàn)中使用了3種樣本選擇模式得到訓(xùn)練樣本集和測(cè)試樣本集：偶數(shù)編號(hào)訓(xùn)練、奇數(shù)編號(hào)測(cè)試(s1)；奇數(shù)編號(hào)訓(xùn)練，偶數(shù)編號(hào)測(cè)試(s2)；5次隨機(jī)選擇50％樣本訓(xùn)練，剩余樣本測(cè)試，將5次結(jié)果疊加取平均(s3)。實(shí)驗(yàn)環(huán)境為：Matlab7、P4 2.8 GHz CPU、1 GB內(nèi)存。在MIT-CBCL庫(kù)上的實(shí)驗(yàn)結(jié)果如表1所示。從表1可以看出，兩種特征訓(xùn)練得到的弱分類(lèi)器數(shù)目相似，但是使用Haar特征時(shí)訓(xùn)練花費(fèi)的時(shí)間卻大大高于Walsh特征，且每種樣本模式下的測(cè)試精度也比Walsh特征稍低?？梢?jiàn)使用Walsh特征不僅可以加速訓(xùn)練過(guò)程，而且檢測(cè)性能并沒(méi)有下降。
以上的實(shí)驗(yàn)結(jié)果證明，Walsh特征不僅沒(méi)有降低檢測(cè)精度，而且加快了訓(xùn)練速度，說(shuō)明Walsh特征用于人臉檢測(cè)比Harr特征用于人臉檢測(cè)更加優(yōu)越。本文基本達(dá)到了預(yù)期的目標(biāo)。
參考文獻(xiàn)
[1] 蘇景龍，林天威，王科俊，等.視頻流下的人臉檢測(cè)與跟蹤[J].應(yīng)用科技，2011(03)：2-6.
[2] 李偉生，張勤.基于局部線(xiàn)性嵌入和Haar小波的人臉識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(4)：181-184.
[3] 梁路宏，艾海舟，何克忠．基于多模板匹配的單人臉檢測(cè)[J]．中國(guó)圖象圖形學(xué)報(bào)，1999，4(10)：823-830．
[4] 周激流，張曄，郭晶，等．基于先驗(yàn)?zāi)０宓娜四樏娌刻卣魈崛〉难芯縖J]．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2000，12(5)：337-339．
[5] 姜軍，張桂林．一種基于知識(shí)的快速人臉檢測(cè)方法[J]．中國(guó)圖象圖形學(xué)報(bào)，2002，7(1)：6-10．
[6] DAI Y，NAKANO Y． Face-texture model based on SGLD and its application in face detection in a color scene [J]．Pattern Recognition， 1996，29(6)：1007-1017．
[7] YOW K C， CIPOLLA R． Feature-based human face detection [J]． Image and Vision Computing，1997，15(9)：713-735．
[8] JENG S H， LIAO H Y M， HAN C C．Facial feature detection using geometrical face model： an efficient approach[J]． Pattern Recognition， 1998， 31(3)： 273~282．
[9] KONDO T， YAN H． Automatic human Face Detection and Recognition under non-uniform illumination[J]． Pattern Recognition， 1999，32：1707-1718．
[10] HAN C C， LIAO H Y， YU G J， et al． Fast face detection via morphology-based pre-processing[J]． Pattern Recognition， 2000，33(10)：1701-1712．