動(dòng)態(tài)百分比特征裁剪AdaBoost人臉檢測算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種動(dòng)態(tài)百分比特征裁剪AdaBoost人臉檢測算法，屬于模式識別技 術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 生物特征識別技術(shù)是通過每個(gè)個(gè)體所獨(dú)有的生理特征和行為特征來實(shí)現(xiàn)身份證 實(shí)或個(gè)體鑒別的目的。人臉作為生物特征的一種，具有易于獲取，接口友好等特點(diǎn)，相較于 現(xiàn)在常用的方式，如口令、信用卡、身份卡等，具有不可復(fù)制、攜帶方便、鑒別性強(qiáng)等優(yōu)勢。因 此在視頻監(jiān)控、智能家居和刑事偵查等領(lǐng)域具有廣闊的前景。隨著嵌入式設(shè)備運(yùn)算能力越 來越強(qiáng)，智能算法越來越多地應(yīng)用于嵌入式開發(fā)領(lǐng)域，實(shí)現(xiàn)不同的功能。其中人臉檢測作為 人臉識別的基礎(chǔ)，成為了人工智能領(lǐng)域的研究熱點(diǎn)。
[0003] AdaBoost算法其核心是通過迭代的方法從大量的Haar特征中提取出分類效果最 好的特征作為弱分類器，而最終生成的強(qiáng)分類器是由大量的弱分類器組成。AdaBoost實(shí) 用而簡單，而基于AdaBoost算法的人臉檢測算法對于單一人臉圖像的檢測不僅具有極高 的檢測精度，而且具備很快的檢測速度，因此基于該算法的人臉識別技術(shù)得到了廣泛的應(yīng) 用。
[0004] 當(dāng)訓(xùn)練樣本，樣本特征，弱分類器個(gè)數(shù)較多的時(shí)候，采用AdaBoost算法訓(xùn)練的分 類器會(huì)消耗大量的訓(xùn)練時(shí)間。特征個(gè)數(shù)決定了算法的迭代次數(shù)，每次迭代獲取相應(yīng)特征在 訓(xùn)練樣本集中的錯(cuò)誤率，最后通過比較錯(cuò)誤率取得最佳弱分類器。每訓(xùn)練完一個(gè)最佳弱分 類器，訓(xùn)練樣本的權(quán)重會(huì)相應(yīng)的發(fā)生變化，因此如果需要更多的弱分類器，則需要重復(fù)相應(yīng) 次數(shù)的上述步驟。由此可見，當(dāng)訓(xùn)練樣本，樣本特征個(gè)數(shù)和弱分類器個(gè)數(shù)增加時(shí)，訓(xùn)練時(shí)間 會(huì)以三次方的數(shù)量級增加。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種動(dòng)態(tài)百分比特征裁剪 AdaBoost人臉檢測算法，解決現(xiàn)有技術(shù)中采用AdaBoost算法訓(xùn)練的分類器會(huì)消耗大量的 訓(xùn)練時(shí)間的技術(shù)問題。
[0006] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：動(dòng)態(tài)百分比特征裁剪 AdaBoost人臉檢測算法，在每次迭代開始的時(shí)候，首先確定所需裁剪特征個(gè)數(shù)的百分比f， 然后選用分類性能好的特征參與下一輪訓(xùn)練；當(dāng)訓(xùn)練得到的本次迭代的最佳弱分類器錯(cuò)誤 率大于隨機(jī)抽取值，通過減小本次迭代的裁剪系數(shù)，擴(kuò)大參與訓(xùn)練的特征個(gè)數(shù)；如果當(dāng)采用 全部特征進(jìn)行訓(xùn)練時(shí)，錯(cuò)誤率仍然超過〇. 5,則停止迭代；
[0007] 具體算法包括如下步驟：
[0008] 步驟一：設(shè)輸入的訓(xùn)練樣本總數(shù)為N，其中負(fù)樣本為m個(gè)，正樣本為n個(gè)，訓(xùn)練樣本 集為S= ((Xyy1),... (xn,yn)}，其中Xi表示第i個(gè)樣本，y;= {1,0}，分別用于標(biāo)識正負(fù)樣 本；
[0009] 步驟二：初始化樣本權(quán)重：
[0011] 步驟三：假設(shè)每一輪舍去的樣本百分比為f，那么每一輪參與訓(xùn)練的樣本個(gè)數(shù)為 NX(1-f)，迭代次數(shù)t= 1，2,…，T;
[0012] 步驟四：獲取最優(yōu)弱分類器，求得弱分類器匕在強(qiáng)分類器中的加權(quán)系數(shù)at，方法 如下：
[0016] 其中，A(X)為特征值，P]表示不等號方向，0 ,為弱分類器閾值；
[0017] 步驟403 :選擇最小錯(cuò)誤率對應(yīng)的弱分類器ht(x)，其中最小錯(cuò)誤率定義為：
[0019] 步驟404 :如果et= 0或者在第一輪訓(xùn)練時(shí)就出現(xiàn)e0. 5,則令T=t-1，跳 到步驟六；如果et彡〇. 5且不是第一輪，則令T=t-1，判斷f是否大于2/3,若大于則令f= 2Xf-l，否則令f=f/2跳轉(zhuǎn)到步驟五；
[0024] 步驟五：對每個(gè)特征的分類誤差從大到小進(jìn)行排序，假如t= 1，則根據(jù)裁剪的百 分比f，裁剪掉參與訓(xùn)練的特征中分類誤差的前nXf個(gè)特征，如果t>l，除了裁剪掉參與訓(xùn) 練的特征中分類誤差的前nXf?個(gè)特征外，還需要將上一輪中未參與訓(xùn)練的特征加入到下 一輪的訓(xùn)練當(dāng)中；
[0025] 步驟六：輸出強(qiáng)分類器：
[0026]
[0027] 與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：適用于參與訓(xùn)練的特征個(gè)數(shù)過多 時(shí)，通過選取上一輪中錯(cuò)誤率較低的特征參與下一輪的訓(xùn)練，來達(dá)到節(jié)省訓(xùn)練時(shí)間的目的。
【附圖說明】
[0028] 圖1是本發(fā)明方法的流程圖。
[0029] 圖2是獲取最優(yōu)弱分類器的流程圖。
【具體實(shí)施方式】
[0030] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。
[0031] 附圖中各函數(shù)所表示的含義如下：
[0032] 函數(shù)cvGetTickCount():返回從操作系統(tǒng)啟動(dòng)到當(dāng)前所經(jīng)過的毫秒數(shù)，通過計(jì)算 兩個(gè)返回量的差值便可以統(tǒng)計(jì)訓(xùn)練所耗費(fèi)的時(shí)間。
[0033] 函數(shù)Single_Classifier(inti):用于產(chǎn)生一個(gè)強(qiáng)分類器，傳入的參數(shù)表示構(gòu)成 此強(qiáng)分類器的弱分類器個(gè)數(shù)。
[0034] 函數(shù)Generate_AllFeatures(intcount):用于生成所有Haar-like的特征， count表示使用特征類型的數(shù)量。本發(fā)明選用了 5種常用特征模板，因此count值為5。
[0035] 函數(shù)Input_Samples():從指定目錄中讀入正負(fù)樣本。
[0036] 函數(shù)SelectJVeakClassifier():用于獲取最優(yōu)弱分類器。
[0037] 函數(shù)Output_WeakClassifier():用于輸出生成的分類器。
[0038] 函數(shù)Cal_HaarValue(j,k):用于計(jì)算第k個(gè)樣本的第j個(gè)特征。
[0039] 函數(shù)qsortO:根據(jù)特征值的大小對樣本進(jìn)行排序。
[0040] 如圖1所示，動(dòng)態(tài)百分比樣本裁剪AdaBoost人臉檢測算法，在每次迭代開始的時(shí) 候，首先確定所需裁剪樣本個(gè)數(shù)的百分比f，每一輪按照f?裁剪掉權(quán)重較小的樣本，用剩余 樣本進(jìn)行訓(xùn)練；
[0041] 當(dāng)訓(xùn)練得到的本次迭代的最佳弱分類器錯(cuò)誤率大于隨機(jī)值產(chǎn)生的錯(cuò)誤率，通過減 小裁剪的常量f，擴(kuò)大樣本集數(shù)量，對于本次迭代重新進(jìn)行訓(xùn)練；
[0042] 如果當(dāng)采用全部樣本進(jìn)行訓(xùn)練時(shí)，錯(cuò)誤率仍然超過0. 5,則停止迭代；
[0043] 具體算法包括如下步驟：
[0044] 步驟一：設(shè)輸入的訓(xùn)練樣本總數(shù)為N，其中負(fù)樣本為m個(gè)，正樣本為n個(gè)，訓(xùn)練樣本 集為S= ((Xyy1),... (xn,yn)}，其中Xi表示第i個(gè)樣本，y;= {1,0}，分別用于標(biāo)識正負(fù)樣 本；
[0045] 步驟二：初始化樣本權(quán)重：
[0047] 步驟三：假設(shè)每一輪舍去的樣本百分比為f，那么每一輪參與訓(xùn)練的樣本個(gè)數(shù)為 NX(1-f)，迭代次數(shù)t= 1，2,…，T;
[0048] 步驟四：獲取最優(yōu)弱分類器，求得弱分類器匕在強(qiáng)分類器中的加權(quán)系數(shù)at，如圖 2所示，方法如下：
[0052] 其中，fjx)為特征值，P]表示不等號方向，0 ,為弱分類器閾值；
[0053] 步驟403:選擇最小錯(cuò)誤率對應(yīng)的弱分類器ht(x)，其中最小錯(cuò)誤率定義為：
[0055]步驟404:如果et= 0或者在第一輪訓(xùn)練時(shí)就出現(xiàn)e0. 5,則令T=t-1，跳 到步驟六；如果et彡0.5且不是第一輪，則令T=t_l，判斷f是否大于2/3,若大于則令 f= 2Xf-l，否則令f=f/2跳轉(zhuǎn)到步驟五；
[0060] 步驟五：對每個(gè)特征的分類誤差從大到小進(jìn)行排序，假如t= 1，則根據(jù)裁剪的百 分比f，裁剪掉參與訓(xùn)練的特征中分類誤差的前nXf個(gè)特征，如果t>l，除了裁剪掉參與訓(xùn) 練的特征中分類誤差的前nXf?個(gè)特征外，還需要將上一輪中未參與訓(xùn)練的特征加入到下 一輪的訓(xùn)練當(dāng)中；
[0061] 步驟六：輸出強(qiáng)分類器：
[0062]
[0063] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形 也應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1.動(dòng)態(tài)百分比特征裁剪AdaBoost人臉檢測算法，其特征在于，在每次迭代開始的時(shí) 候，首先確定所需裁剪特征個(gè)數(shù)的百分比f，之后根據(jù)弱分類器錯(cuò)誤率的大小，選用分類性 能好的特征參與下一輪訓(xùn)練；當(dāng)訓(xùn)練得到的本次迭代的最佳弱分類器錯(cuò)誤率大于隨機(jī)抽取 值，通過減小本次迭代的裁剪系數(shù)，擴(kuò)大參與訓(xùn)練的特征個(gè)數(shù)；如果當(dāng)采用全部特征進(jìn)行訓(xùn) 練時(shí)，錯(cuò)誤率仍然超過〇. 5,則停止迭代； 具體算法包括如下步驟： 步驟一：設(shè)輸入的訓(xùn)練樣本總數(shù)為N，其中負(fù)樣本為m個(gè)，正樣本為η個(gè)，訓(xùn)練樣本集為 S = IXx1, Y1),... (xn,yn)}，其中Xi表示第i個(gè)樣本，y i= {1，〇}，分別用于標(biāo)識正負(fù)樣本； 步驟二：初始化樣本權(quán)重：步驟三：假設(shè)每一輪舍去的樣本百分比為f，那么每一輪參與訓(xùn)練的樣本個(gè)數(shù)為 NX (Ι-f)，迭代次數(shù) t = 1，2,…，T ; 步驟四：獲取最優(yōu)弱分類器，求得弱分類器匕在強(qiáng)分類器中的加權(quán)系數(shù)a t，方法如 下： 步驟401 :歸一化樣本的權(quán)重值：步驟4〇2:針對每個(gè)特征」，訓(xùn)練一個(gè)簡單弱分類器11,〇^1，？,，0]):其中，AU)為特征值，表示不等號方向，Θ ,為弱分類器閾值； 步驟403 :選擇最小錯(cuò)誤率對應(yīng)的弱分類器ht(x)，其中最小錯(cuò)誤率定義為：步驟404 :如果ε t= 0或者在第一輪訓(xùn)練時(shí)就出現(xiàn)ε 0. 5,則令T = t-Ι，跳到步 驟六；如果ε 0. 5且不是第一輪，則令T = t-1，判斷f是否大于2/3,若大于則令f = 2Xf-l，否則令f = f/2跳轉(zhuǎn)到步驟五； 步驟405 :更新樣本權(quán)重當(dāng)樣本Xi被錯(cuò)誤分類時(shí)e ; = 0,反之步驟406 :求得弱分類器ht在強(qiáng)分類器中的加權(quán)系數(shù)：步驟五：對每個(gè)特征的分類誤差從大到小進(jìn)行排序：假如t = 1，則根據(jù)裁剪的百分比 f，裁剪掉參與訓(xùn)練的特征中分類誤差大的前nXf個(gè)特征，如果t>l，除了裁剪掉參與訓(xùn)練 的特征中分類誤差大的前nXf個(gè)特征外，還需要將上一輪中未參與訓(xùn)練的特征加入到下 一輪的訓(xùn)練當(dāng)中； 步驟六：輸出強(qiáng)分類器：
【專利摘要】本發(fā)明公開了一種動(dòng)態(tài)百分比特征裁剪AdaBoost人臉檢測算法，具體為：在每次迭代開始的時(shí)候，首先確定所需裁剪特征個(gè)數(shù)的百分比f，然后選用分類性能較好的特征參與下一輪訓(xùn)練；當(dāng)訓(xùn)練得到的本次迭代的最佳弱分類器錯(cuò)誤率大于隨機(jī)抽取值，通過減小本次迭代的裁剪系數(shù)，擴(kuò)大參與訓(xùn)練的特征個(gè)數(shù)；如果當(dāng)采用全部特征進(jìn)行訓(xùn)練時(shí)，錯(cuò)誤率仍然超過0.5，則停止迭代。本發(fā)明適用于參與訓(xùn)練的特征個(gè)數(shù)過多時(shí)，通過選取上一輪中錯(cuò)誤率較低的特征參與下一輪的訓(xùn)練，來達(dá)到節(jié)省訓(xùn)練時(shí)間的目的。
【IPC分類】G06K9/00, G06K9/62
【公開號】CN105069396
【申請?zhí)枴緾N201510391351
【發(fā)明人】李東新, 左卜
【申請人】河海大學(xué)
【公開日】2015年11月18日
【申請日】2015年7月6日