摘  要： 通過構(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。Matlab的仿真實驗結(jié)果表明,，由Walsh特征得到的強分類器比傳統(tǒng)的Haar特征得到的強分類器分類速度快,，精度高。
關(guān)鍵詞： Walsh特征,；Haar特征,；強分類器；人臉檢測

　人臉檢測技術(shù)就是對所輸入的圖像進行檢測,，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],。人臉檢測是人臉識別系統(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系統(tǒng)的性能[2]。此外,，人臉檢測技術(shù)在人臉追蹤,、視頻會議、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)價值,。人臉的自動檢測具有一定的挑戰(zhàn)性，主要有以下難點：(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，人臉檢測成為計算機視覺和模式識別領(lǐng)域內(nèi)的一個研究熱點[3],。目前比較常用的人臉檢測方式可以概括為基于知識,、基于結(jié)構(gòu)特征、基于模板匹配及基于統(tǒng)計模型的方法[4],。本文將Walsh特征用于人臉檢測是基于結(jié)構(gòu)特征的一種方法,。本文通過構(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,，通過對比其各自的特點得出Walsh特征用于人臉檢測的優(yōu)越性。
1 Haar特征與積分圖計算方法
　Haar特征是VIOLA等提出的一種簡單矩形特征,，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應(yīng)區(qū)域的灰度級總和之差，可見,，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],。在實際使用時，必須將每一特征在圖像子窗口中進行滑動計算,，從而獲得各個位置的多個Haar特征,。如果選用的訓(xùn)練圖像分辨率為24×24，每個圖像得到用于訓(xùn)練的Haar特征超過18萬個[7],，但是實際上不一定需要,，因為過多的特征會大大加大訓(xùn)練過程的時間和空間復(fù)雜度，實際上過細的特征中也會引起過多的冗余,，所以在選擇特征時可適當(dāng)放粗一些,。

　在實際檢測過程中，為了加快Haar特征的計算,，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

　由于所有m×n維的Walsh特征算子都是相互正交，這意味著它對圖像某個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,。在實際的Haar特征提取過程中，很多特征都非常相近,，冗余很大,，采用Walsh特征來代替Haar特征可以大大降低特征之間的冗余。
3 與Haar特征的對比實驗
　為了證明使用較少的Walsh特征也具備很好的分類特性,，這里采用了5 785個Walsh特征和14 091個Haar-Like進行了對比實驗,，分類器學(xué)習(xí)算法Real AdaBoost，每個弱分類器按照其對應(yīng)特征的數(shù)值被劃分為40個區(qū)間,。實驗在MIT-CBCL庫上進行,，其訓(xùn)練庫包含2 429個分辨率為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)練庫進行實驗的原因是其中的人臉和非人臉圖像具有一定的代表性，并且在實驗中可以將訓(xùn)練庫中的人臉和非人臉樣本一分為二,，使得訓(xùn)練樣本和測試樣本具有一定的相似性,。另外，使用該庫可以保證所有算法在同樣的訓(xùn)練樣本和測試樣本下進行實驗,，以保證實驗結(jié)果的可比性,。

　在實驗中，將所有樣本分辨率放大到20×20并作標(biāo)準(zhǔn)化處理(每個樣本中的所有元素的均值為0,，方差為1),，實驗中使用了3種樣本選擇模式得到訓(xùn)練樣本集和測試樣本集：偶數(shù)編號訓(xùn)練、奇數(shù)編號測試(s1),；奇數(shù)編號訓(xùn)練,，偶數(shù)編號測試(s2)；5次隨機選擇50％樣本訓(xùn)練，剩余樣本測試,，將5次結(jié)果疊加取平均(s3),。實驗環(huán)境為：Matlab7、P4 2.8 GHz CPU,、1 GB內(nèi)存,。在MIT-CBCL庫上的實驗結(jié)果如表1所示。從表1可以看出,，兩種特征訓(xùn)練得到的弱分類器數(shù)目相似,，但是使用Haar特征時訓(xùn)練花費的時間卻大大高于Walsh特征，且每種樣本模式下的測試精度也比Walsh特征稍低,?？梢娛褂肳alsh特征不僅可以加速訓(xùn)練過程，而且檢測性能并沒有下降,。
以上的實驗結(jié)果證明,，Walsh特征不僅沒有降低檢測精度，而且加快了訓(xùn)練速度,，說明Walsh特征用于人臉檢測比Harr特征用于人臉檢測更加優(yōu)越,。本文基本達到了預(yù)期的目標(biāo)。
參考文獻
[1] 蘇景龍,，林天威,，王科俊，等.視頻流下的人臉檢測與跟蹤[J].應(yīng)用科技,，2011(03)：2-6.
[2] 李偉生,，張勤.基于局部線性嵌入和Haar小波的人臉識別方法[J].計算機工程與應(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[J]．中國圖象圖形學(xué)報,，1999,，4(10)：823-830．
[4] 周激流，張曄,，郭晶,，等．基于先驗?zāi)０宓娜四樏娌刻卣魈崛〉难芯縖J]．計算機輔助設(shè)計與圖形學(xué)學(xué)報，2000,，12(5)：337-339．
[5] 姜軍,，張桂林．一種基于知識的快速人臉檢測方法[J]．中國圖象圖形學(xué)報，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．