英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
（Chun-Fu Lin,Sheng-Fuu Lin. Efficient face detection method with eye region judgment [J]. EURASIP Journal on Image and Video Processing, 2013, Vol.2013 (1):1-14.）
关于利用眼睛区域判断面部的高效检测方法
作者：Chun-Fu Lin 1,2 and Sheng-Fuu Lin 1*
（通讯地址：sflin@mail.nctu.edu.tw 台湾新竹大学路1001号国立交通大学电气工程研究所，另：作者的完整信息可在文章末尾找到）
摘要
实时脸部检测技术可应用于许多工业或商业产品。许多面部检测应用程序使用了由Viola和Jones在2004年提出的传统Adaboost人脸检测系统。Viola和Jones在他们提出的传统Adaboost人脸检测系统中使用了Adaboost训练算法和Haar类特征，其检测率高但训练时间长。许多研究尝试减少训练时间，保持传统Adaboost人脸检测系统的高检测率。然而，当训练时间显着降低时，基于Adaboost的面部检测系统的检测率不能与传统的Adaboost人脸检测系统竞争。本研究提出判断存在眼部区域（JEER）方法，以提高以前基于Adaboost的面部检测系统的检测率。眼睛比其他面部部分（如嘴巴或耳朵）更显着和更具代表性，特别是当面部佩戴在人脸上时。因此，使用JEER方法提出的面部检测系统比基于Adaboost的面部检测系统实现更高的检测率。虽然JEER计算导致了更长的训练时间，但是由于有效的JEER计算，所提出的面部检测系统的训练时间仍比传统的Adaboost人脸检测系统短得多。使用灰色FERET和CMU数据库获得的实验结果表明，所提出的面部检测系统在检测和有效的训练中是有效的。
关键词：Adaboost; 面部检测; 存在眼睛区域; 检测率
- 介绍
面部检测技术在许多领域的应用是重要的，例如统计和安全服务[1,2]。许多有用的面部检测系统使用各种基本理论[3,6]。在这些基本理论中，Viola和Jones选择了Adaboost算法来训练一个弱分类器的每个Haar样特征[7,8]。级联所有弱分类器在面部检测系统中产生强大的面部检测分类器。虽然这种强分类器的检测性能很高，但是由于需要为弱分类器训练的Haar样特征数量众多，因此其训练时间非常长。最近的Adaboost面部检测系统已经尝试在两个方面改进传统的Adaboost人脸检测系统：一个是增强检测性能，另一个是训练时间的减少[9,13]。Lienhart等人 呈现了旋转的Haar样特征，以增强旋转面的检测性能[14]。郭等人提出了一种由基于概率的面罩预滤波（PFMPF）和基于像素的分层特征Adaboosting（PBHFA）组成的两级混合面部检测系统，以减少训练时间[15]。首先，PFMPF不使用训练特征作为分类器，但采用基于概率的面罩来排除非面。因此，PFMPF不需要培训时间。 随后，PBHFA训练，像Adaboost强分类器，它们与Haar相似的功能大不相同。由于层次特征的数量明显少于Haar类特征，所以两级混合面部检测系统的训练时间比传统的Adaboost人脸检测系统短得多。
然而，与基于Adaboost的人脸检测系统相比，Adaboost的面部检测系统的检测率与郭等人提出的两级混合面部检测系统相似，减少了很多训练时间，与传统的Adaboost人脸检测系统无法竞争。因此，必须考虑一些关键的面部属性，以提高基于Adaboost的面部防护系统的检测率，其中训练时间比传统的Adaboost脸部检测系统短得多。 眼睛是人脸最具代表性的特征，特别是当面具放在脸上时。虽然许多研究准确地检测到人脸上的眼睛位置，但是这些眼睛检测方法的计算非常复杂，仅适用于高分辨率脸部图像[16,17]。由于在自然图像中检测到的面部具有低分辨率，因此这些眼睛检测方法不能应用于面部检测系统。
因此，本研究提出了适用于自然图像中低分辨率面部图像的眼部区域（JEER）算法的判别特征，以提高基于Adaboost的面部检测系统的检测率。在这项研究中，JEER被应用于基于Adaboost的面部检测系统，该系统是由PF等人提出的PFMPF和PBHFA的混合体。
所提出的面部检测系统实现了与PFMPF和PBHFA混合的基于Adaboost的面部检测系统更高的检测率和更低的假阳性率，并且所提出的系统的训练时间仍然比传统的Adaboost 人脸检测系统。
本文的其余部分结构如下：第2节简要回顾了使用哈尔式特征的传统Adaboost人脸检测系统。第3节介绍了JEER算法。 第4节介绍了JEER在PFMPF和PBHFA混合面部检测系统中的应用。第5节介绍了所提出的面部检测系统的实验结果。 第6节提出了结论。
- 研究背景
传统的Adaboost人脸检测系统已被广泛应用于工业和商业应用。Viola and Jones 在2004年采用Adaboost训练算法和Haar类特征来提出传统的Adaboost人脸检测系统，检测率高，训练时间长。Haar状特征f j是图像的检测窗口中的特定位置处的矩形区域。图1示出了覆盖在典型的训练面部图像上的四个Haar样特征，其被定义为检测窗口。类似haar的功能可以在检测窗口内的任何位置和比例。因此，检测窗口中的Haar类特征的数量非常大。Haar状特征f j的特征值f j（x i）被定义为检测窗口x i中的矩形内的白色和块区域的像素值之和的差。
传统的Adaboost人脸检测系统采用Adaboost算法对检测窗口中弱分类器h j（x，f j，p，theta;）的每个Haar样特征f j进行训练[8]。弱分类器h j（x，f j，p，theta;）是检测窗口x i，Haar样特征f j，极性p和阈值theta;的函数。随后，Adaboost算法在每轮中选择最佳弱分类器ht（x，f t，p，theta;）。最后，它将每一个最好的弱分类器级联到一个强分类器。 算法1描绘Adaboost算法[8]。
图1在检测窗口中显示harr特征
算法1 Adaboost算法：
（1）给定示例图像（x，y）,,,,,其中y = 0,1分别为负和正的例子。
（2）当分别为负和正的例子时，初始化权重 ，其中m和l分别代表负的例子和正的例子。
（3）对于t = 1，...，T;
1：归一化权重：。
弱分类器的权重误差为：。
2：选择关于加权误差的最佳弱分类器：。
3：令，其中为t的极小值。
4：更新权重：
当被正确分类时，=0。
否则，=1，且
5：最终的强分类器：
，其中。
由于检测窗口中Haar类特征的数量非常大，所以训练所有类的弱分类器的Haar样特征，并将每轮中最好的弱分类器选择为强分类器需要超长时间。
- 判断眼睛区域的存在
眼睛比其他脸部特征（如人脸上的面具，口或耳朵）更显着和有代表性。当人眼在窗口中时，人脸必须存在于检测窗口中。相反，当人眼不在窗口中时，人脸不能存在于检测窗口中。因此，本节介绍了JEER算法，它帮助基于Adaboost的人脸检测系统检测人脸。JEER在检测窗口中将眼睛区域的可能区域圈合，并且判断人眼是否可能存在于检测窗口中，也就是说，眼睛区域可能存在于眼睛区域区域，该区域区域由JEER 眼睛可能的区域。虽然当眼睛区域存在时，在切除窗口中存在人脸并不是后果，但是当没有眼睛区域区域时，检测窗口中的人脸不能存在。因此，当JEER判断不存在眼睛区域区域时，在检测窗口中不能存在人脸。 因为JEER计算非常简单，所以它可以很快地排除非空。此外，JEER间接减少了脸部检测时间，因为大部分自然图像的部分是非面部的。
虽然JEER只能过滤掉不能自己检测到的人脸，但可以通过JEER定义的眼睛区域可以应用于PFMPF和PBHFA，以有效地检测人脸以获得更高的检测率，较低的假阳性率分别如4.1和4.2节所示。
JEER程序分为两个步骤，即步骤1和步骤2.步骤1（“眼睛区域的可能区域”），在3.1节中描述，圈出了保护区域中眼睛区域的可能区域窗口。步骤2（“眼睛区域存在的必要条件”），如第3.2节所述，指出了检测窗口中眼睛区域存在的必要条件。最后，对非平面图像进行滤波，或者定义眼睛区域区域。JEER算法的细节在算法2中给出。
图2（frontal bone:额骨；grey value:灰度值；nose tip:鼻尖）
算法2判断眼睛区域（JEER）算法：
输入：检测窗口中的脸部或非面部图像。
输出：眼睛区域或非眼睛区域。
开始
首先初始化K=1；
步骤1：（眼睛区域可能的位置）
当K=1时，找到四个边界像素中最亮的像素，将最亮的像素视为额骨，从中心到前额骨画一条直线，将直线作为鼻梁，将检测窗口中的眼睛区域的可能区域画圈。
K=K 1。
执行步骤2。
当K=2时，找到四个边界像素中第二亮的像素，将最二亮的像素视为额骨，从中心到前额骨画一条直线，将直线作为鼻梁，将检测窗口中的眼睛区域的可能区域画圈。
K=K 1。
执行步骤2。
当K=3时，找到四个边界像素中第三亮的像素，将最三亮的像素视为额骨，从中心到前额骨画一条直线，将直线作为鼻梁，将检测窗口中的眼睛区域的可能区域画圈。
K=K 1。
执行步骤2。
当K=4时，找到四个边界像素中第暗的像素，将最暗的像素视为额骨，从中心到前额骨画一条直线，将直线作为鼻梁，将检测窗口中的眼睛区域的可能区域画圈。
K=k 1。
执行步骤2。
当K=5时，执行步骤4。
步骤2：（眼睛区域存在的必要条件：使用眼睛区域中灰度值的总和来检查可能的人脸眼睛存在的区域）
如果总和在眼睛区域的可能区域中的一部分中的灰度像素值的总和不超过其他部分的三倍，那么进入第三步。否则，回到步骤一执行。
步骤3：（确定人脸眼睛的区域）
确定可能是人脸眼睛区域是否为眼睛区域。
然后停止。
步骤4：（过滤掉非人脸图像）
指明输入的图像为非人脸图像。
停止。
3.1步骤1（眼睛区域的可能区域）
首先，人脸中的人类眼睛被分解。图2a示出了检测窗口中的人脸。鼻尖通常靠近中心。 从中心到检测窗口的每个弹跳绘制四条直线将打到四个像素，如图2a所示。由于当光源靠近前方时，正面骨骼反射更多的光，前额骨的灰色像素值高于其他三个像素的灰度像素值。一旦识别到额骨，鼻子的桥可以从鼻尖到头骨的直线被定义为正确的。因为人眼相对于鼻梁相对于对称，所以它们相对于四个像素之间的中心到最亮像素的直线是对称的（图2a）。
因此，如图3所示，人脸图像的眼区域被圈出。换句话说，可以包含脸部的去除窗口中的眼睛区域的可能区域可以圈出，如图3所示。图3a示出了当检测器的尺寸N时眼睛区域的可能区域 窗口是奇数，而图3b显示出了当N是偶数时的情况。
图3（frontal bone：额骨；nose tip:鼻尖）
然而，当光源远离前方时，正面骨不是四个像素中最亮的像素。当光源完全从侧面时，面对光的一面是最亮的像素。图2b显示，最亮的像素不是正面骨，而是面向光的右侧。因此，从中心到最亮的像素的直线不是鼻梁。在这种情况下，人眼相对于从中心到最亮像素的直线是非对称的。因此，JEER使用步骤2（存在眼睛区域的必要条件）来确定人眼是否可能存在于由步骤1选择的眼睛区域的可能区域中。
3.2步骤2（眼部区域存在的必要条件）
首先，分析了hu-man脸部图像中眼部区域的特征。眼睛区域由左右两部分组成。因为人脸是对称的，所以眼睛区域的每个部分的灰度像素值的总和是相似的，不论眼镜是否磨损。在眼重新只园区域中的每个部分的灰度像素值的总结-和灰非常接近于当光源是前部附近，如图在图2a中。即使当光源远离前面但是完全横向时，如图2b所示，一部分中的灰度像素值的总和不超过另一部分的三倍。这个研究中发现的这个特征被称为眼睛区域灰度值的总和的对称性。
仅当满足眼睛区域中灰度值求和的符号时，将步骤1选择的眼睛区域的可能区域定义为眼睛区域区域。例如，如图2b所示，步骤1选择的第一可能眼睛区域可以是右眼和右脸颊。因为第一可能的眼睛区域区域不能满足眼睛区域特征中的灰度值的和的对称性，所以不能是眼睛区域区域。因此，JEER随后选择四个像素中的第二最亮像素作为前骨，并且确定第二可能的眼睛区域区域。因为第二可能的眼睛区域区域满足眼睛区域特征中的灰度值的和的对称性，所以其被选择为眼睛区域区域。在算法2中有详细的描述。因此，当眼睛区域的所有四个可能区域不满足眼睛区域特征中的灰度值的和的对称性时，在检测窗口中不存在人脸，即，该特征是存在的必要条件 在检测窗口中的眼睛区域区域。
- 推荐的面部检测系统
本节介绍了由郭等人提出的将JEER应用于基于混合Adaboost的PFMPF和PBHFA面部检测系统的面部检测系统，以减少传统系统的训练时间[15]。PFMPF不使用训练特征作为分类器，但采用基
全文共14953字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144474]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
