基于Walsh特征的快速人臉檢測(cè)方法

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)分類器比傳統(tǒng)的Haar特征得到的強(qiáng)分類器分類速度快，精度高。
關(guān)鍵詞： Walsh特征；Haar特征；強(qiáng)分類器；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、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，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)