Nest层次型分类器的快速、精确的眼睛定位算法.pdfVIP

第 10 警第 17 期 2010 年 6 月 1671 幽 1815(2010)17-4186峭06 科学技术句工程 Science Technology and Engineering Vol. 10 No. 17 June 2010 @ 2010 Sci. Tech. En伊昏 Nest 层次型分类器的快速、精确的眼睛定位算法 刘福军 1 ，2 高鑫t (中国科学院电子学研究所I 研究生院2 ，北京 1∞190) 摘要 人脸特征点定位是人脸识别、表情识别等人脸处理技术的基础，脸都特征点定位，尤其是眼睛的定位性能很大狡度 上影响着算法的精度。首先利用积分图像的概念快速计算眼睛样本的 Ha且←like 特征，然后训练了 Real Adaboost 分类器，为 了提高训练速度采用了层次型结构的 Real Adah唰t 分类器。相比子传统 Cascade 结构的层次裂分类器，本文采用了暴子 Nest 结构的层次型分类器算法。研究表明这种新的算法，定位速度更快，定位精确度也更高。 关键闯 Haax-like 特征 积分阁像 Re,a} Adahoost 分类器 Cascade 结构 Nest 结构 中附法分樊号币391. 41 ; 文献标志同 A 心理学研究川表明，眼睛、嘴等器官在人服感 知过程中起着重要作用，其中眼睛的作用尤为重 要。绝大多数人脸识别算法[川]在提取人脸特征之 前需耍根据器官位置进行人脸的几何仿射校正等 预处理;一些识别方法还要特别提取器官部位的特 征以及器官间的距离等信息作为识别特征。 眼睛定位是一个困难的问题。即使是在已知 人脸粗略位置的情况下，眼睛的精确定位仍很闲 难。这主要是由外界干扰租器官本身复杂的变化 造成的。除了由光照、尺寸、姿态、平面旋转、图像 质健等因素造成的变化外，眼睛的开闭、眼镜的反 光、头发和镜框的遮挡等也给眼睛的外观造成较大 的变化;特别是在眼睛闭合的情况下，眉毛以及粗 镜框合给眼睛定位带来较大干扰。目前的眼睛定 位算法可以分为基于启发式规则的方法和基于样 本统计学习的方法。基于启发式规则的方法一般结 合阳像处理方法，根据眼睛分布、形状、颜色、边缘等 先验知识来定位眼睛。而基于样本统计学习的方法 一般需要收集大量样本，对模型的参数进行训练获 取，并采用训练获得的模型对未知样本进行定位。 基于启发式规则的方法，由于其假设模型一般 克法代表较多情况下的外现，而且参数获取通常会 很繁复，需要大量的人工干预，还容易受主观影响， 2010 年 3 月 22 日收到 可扩展性很差，对于一些特殊条件无法处理，对于 新的没有考虑的情况也缺乏可扩展性，因而应用受 到很多限制。而以往的慕于样本统计学习的方法， 常常采用与人脸相似的处理方式，忽略了人脸外观 模式强于眼睛外观模式这一特点。由于，眼睛的外 观比人脸变化程度更大，模式更加不确定，肉阳，果 用普涌样本统计方法获得的定位算法或者由于限 制太死，无法定位到特殊情况下的器官位置，或者 由于限制太少，使得脸测结果存在大最虚警，造成 定锚，或者受虚警影响而偏离真实位置。这些不可 克服的缺点表现为或者无法定位到侧丽、戴眼镜等 特殊模式下的特征点，或者会错把眉毛当作眼睛发 生定位错误。 现采用经典的 Real Adaboost 算法进行人眼检 测，这种算法不仅稳定，而且能处理多种模式。而 且其已在人脸检测中得到成功应用，成为人脸检测 的一种主流算法，也将证明其在人眼检测中体现很 好的性能。 1 Haar-Iike 特征放积分图像 在进行目标检测时，往往用一些特征值来表达 阁像，而非慕于罔像的像素筒。 Viola[4] 首先将 HaarψIike 特征引到人脸检测中去，并体现出了非常 好的性能。现将证明 Haar-like 特征在眼睛定位中 17 期 刘福军，等: Nest 层次型分类器的快速、精确的眼睛定位算法 4187 现有很好的效果。 1.1 Haar-Like 特征 Haar-like 特征尾…种姐形特征(见图 1 )。其中 A 和 B 是两个姐形榷的特征，C 是三个矩形框的特 征，D 是四个姐形框的特征，而且每个特征内所包含 的矩形概是全簿，的。每个 Haar刷like 特征的特征值 是白色矩形艇的所有像素的和喊去放色距形枢内 的所有像素的和。 A通丁 哩回国。 图 1 儿种常见的 Haa.r-like 特征 2 4 困 2 帜分图像计算示例 在实际计算中，每个矩形特征在于窗口中进行 滑动，并在每个位置该特征又有多个尺度，因此在 一子阁像中将包含大量的矩形特征。比如在我们 实验程序中，对于 24 x 12 的子阁像，都要计算 129∞个 haar-like 特征。再考虑到 Adaboost 训练时 往往需要几万个，甚至几十万个 24 x 12 的