基于無線數(shù)據(jù)傳輸?shù)倪h(yuǎn)程人臉追蹤

摘要：在此提出了一個(gè)有效的無線遠(yuǎn)程人臉追蹤系統(tǒng)實(shí)現(xiàn)方案，將人臉檢測技術(shù)、人臉識(shí)剮技術(shù)和窄帶通信技術(shù)有效結(jié)合，采用AdaBoost追蹤算法獲取圖像中可分辨的人臉，把各個(gè)點(diǎn)攝像終端的數(shù)據(jù)進(jìn)行壓縮后采用GPRS／CDMA無線傳輸發(fā)送至處理中心，采用Gabors特征提取算法和SVM分類算法對人臉數(shù)據(jù)庫進(jìn)行篩選，對實(shí)時(shí)傳輸?shù)娜四樳M(jìn)行識(shí)別，從而達(dá)到輔助尋找和追蹤特定人的目的。該方案通過實(shí)驗(yàn)證明是可行的。

關(guān)鍵詞：人臉檢測；人臉識(shí)別；窄帶傳輸；支持向量機(jī)

0 引言

人臉作為圖像與視頻中最重要的視覺圖像之一，在計(jì)算機(jī)視覺、模式識(shí)別、多媒體技術(shù)研究中占有很重要的地位?？梢暬治龊湍繕?biāo)識(shí)別研究中最具有挑戰(zhàn)性的任務(wù)之一就是理解人們?nèi)绾翁幚砗妥R(shí)別彼此的相貌，并進(jìn)行相應(yīng)的計(jì)算機(jī)建模來最終完成人臉的自動(dòng)識(shí)別。近年來，隨著計(jì)算機(jī)科學(xué)在人機(jī)交互領(lǐng)域的快速發(fā)展，作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù)，人臉檢測與識(shí)別現(xiàn)在已經(jīng)成為模式識(shí)別與計(jì)算機(jī)視覺領(lǐng)域內(nèi)一項(xiàng)受到普遍重視。無線視頻監(jiān)控系統(tǒng)將被監(jiān)控點(diǎn)實(shí)時(shí)采集的圖片、視頻文件通過無線網(wǎng)絡(luò)及時(shí)地傳輸給遠(yuǎn)程監(jiān)控中心，實(shí)時(shí)動(dòng)態(tài)地報(bào)告被監(jiān)測點(diǎn)的情況，及時(shí)發(fā)現(xiàn)問題并進(jìn)行處理。

本文提出了一種有效的無線遠(yuǎn)程人臉追蹤系統(tǒng)的解決方案。采用AdaBoost算法進(jìn)行人臉的檢測，選擇了Haar特征方法，把訓(xùn)練得出的Haar特征轉(zhuǎn)換成弱分類器，通過一定的方法將弱分類器進(jìn)行組合構(gòu)成強(qiáng)分類器，對分類器進(jìn)行訓(xùn)練后應(yīng)用到圖像中進(jìn)行人臉區(qū)域的檢測，從而得到較準(zhǔn)確的人臉信息；采用GPRS技術(shù)進(jìn)行人臉圖像數(shù)據(jù)的無線傳輸，通過GPRS／CDMA無線窄帶網(wǎng)絡(luò)連接Internet互聯(lián)網(wǎng)絡(luò)，在無線視頻監(jiān)控終端對視頻信號進(jìn)行實(shí)時(shí)采集，無線傳送到遠(yuǎn)程服務(wù)器；采用Gabor小波進(jìn)行特征提取，獲得人臉圖像的Gabor特征；采用SVM進(jìn)行分類，對人臉圖像進(jìn)行分類識(shí)別，得出識(shí)別結(jié)果，對符合條件的人臉給出警報(bào)。本系統(tǒng)可以應(yīng)用于商場、機(jī)場、車站、地鐵站等場所。

1 視頻圖像處理

1．1 去噪處理

圖像在生成和傳輸過程中常受到各種噪聲的干擾和影響，使圖像質(zhì)量下降。所以在進(jìn)行圖像分析和處理之前都需要對圖像進(jìn)行去噪處理。噪聲的模型按照對圖像的影響可以分為加性噪聲模型和乘性噪聲模型兩大類。假設(shè)，f(x，y)為原始圖像，g(x，y)為有噪聲的圖像，n(x，y)為噪聲。

加性噪聲模型為：

g(x，y)=f(x，y)+n(x，y) (1)

乘性噪聲模型為：

g(x，y)=f(x，y)[1+n(x，y)] (2)

空域中去噪方法包括：中值濾波、均值濾波等。中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性處理技術(shù)。其核心運(yùn)算是將模板中的數(shù)據(jù)進(jìn)行排序，這樣一個(gè)亮點(diǎn)(暗點(diǎn))的噪聲，就會(huì)在排序過程中被排在數(shù)據(jù)序列的最右側(cè)或最左側(cè)，因此，最終選擇的數(shù)據(jù)序列中間位置上的值一般不是噪聲點(diǎn)的值。由此便可以達(dá)到抑制噪聲的目的；均值濾波實(shí)際上就是用該像素對應(yīng)的模板中各像素值的均值替代該像素的像素值，均值濾波的方法是，對待處理的當(dāng)前圖像，選擇一個(gè)模板，該模板為其近鄰的若干像素組成，用模板中像素的均值來替代原像素值。

1．2 亮度調(diào)整

由于采集圖像時(shí)的光照強(qiáng)度和相機(jī)自身性能的不同，使得采集到的圖像的亮度有許多不同。而本文的人臉檢測是基于特征的，特征值與圖像的灰度值有很大關(guān)系。所以即使圖像對應(yīng)的特征結(jié)構(gòu)相同，但是由于亮度不同，通常會(huì)被分類器認(rèn)為是不同的圖像。所以無論是在訓(xùn)練分類器階段還是在檢測階段都需要對圖像進(jìn)行亮度的調(diào)整，需要將不同亮度的圖像調(diào)整到同一范圍。常用的亮度調(diào)整技術(shù)包括：線性動(dòng)態(tài)范圍調(diào)整、非線性動(dòng)態(tài)范圍調(diào)整、直方圖均衡化等。線性動(dòng)態(tài)范圍調(diào)整的方法是其中比較簡單的一種，計(jì)算量也比較小。調(diào)整的計(jì)算公式如下：

1．3 圖像的形狀變換

圖像形狀變換是指用數(shù)學(xué)建模的方法對圖像形狀發(fā)生的變化進(jìn)行描述的過程。最基本的圖像變換包括圖像的縮小、放大、旋轉(zhuǎn)等。本文中的訓(xùn)練階段和檢測階段都需要對圖像進(jìn)行形狀的變換，比如在建立訓(xùn)練樣本庫的時(shí)候?qū)⒉煌叽绲膱D像歸一化到19×19的尺寸。圖像縮小從物理意義上來說，是將描述圖像的物理尺寸縮小相應(yīng)的倍數(shù)。數(shù)字圖像的縮小是通過減少像素個(gè)數(shù)來實(shí)現(xiàn)的，所以就需要根據(jù)所期望縮小的尺寸數(shù)據(jù)，從原圖像中選擇合適的像素點(diǎn)，使圖像縮小之后可以盡量保持原有的特征不丟失。

圖像放大，從物理含義上來講是指圖像縮小的逆運(yùn)算。但是圖像放大是從小數(shù)據(jù)量到大數(shù)據(jù)量的過程，因此需要對許多數(shù)據(jù)進(jìn)行估計(jì)。由于圖像相連像素之間的相關(guān)性很強(qiáng)，所以可以利用這個(gè)相關(guān)性來實(shí)現(xiàn)圖像的放大。比較好的圖像放大的方法是雙線性插值法，該方法不是將原圖像的像素復(fù)制到子快中，而是只填寫在子快的某一個(gè)像素的位置上。采用雙線性插值的方法可以平緩像素塊之間的過度，有效的抑制了馬賽克現(xiàn)象的產(chǎn)生。本文采用了雙線性插值的方法。

2 基于AdaBoost算法人臉檢測

2．1 AdaBoost人臉檢測算法

AdaBcoost是一種基于分類器的算法，其基本思想是利用大量的分類能力較弱的弱分類器通過一定方法疊加起來形成分類能力很強(qiáng)的強(qiáng)分類器。理論證明，只要每個(gè)弱分類器分類能力比隨機(jī)猜測好，當(dāng)分類器的個(gè)數(shù)趨于無窮時(shí)，強(qiáng)分類器的錯(cuò)誤率將趨于零。該算法根據(jù)人臉面部的主要灰度分布特征，選擇采用了Haar特征。Haar特征是一種基于積分圖像的特征，主要用于灰度圖像中，該特征計(jì)算比較簡單，提取速度相對較快。Adaboost算法首先提取樣本圖像中的Haar特征，然后通過在訓(xùn)練過程中選取出最優(yōu)的Haar特征，再將訓(xùn)練得出的Haar特征轉(zhuǎn)換成弱分類器，最終通過一定的方法將這些弱分類器進(jìn)行組合構(gòu)成強(qiáng)分類器。分類器訓(xùn)練完之后，就可以將其應(yīng)用到圖像中進(jìn)行人臉區(qū)域的檢測。由于人臉可能在圖像中的不同位置出現(xiàn)，所以必須在被檢測的圖像中移動(dòng)搜索窗口。

對于一個(gè)訓(xùn)練集(xi，yi)，…，(xL，yL)，其中xi是輸入的訓(xùn)練樣本，yi是樣本類別標(biāo)志，yi∈(1，0)對應(yīng)真假樣本。在開始訓(xùn)練前，對所有訓(xùn)練樣本均賦予一個(gè)初始權(quán)值，然后用AdaBoost學(xué)習(xí)算法對訓(xùn)練樣本進(jìn)行T輪訓(xùn)練，在每一輪訓(xùn)練結(jié)束后，從若干個(gè)簡單分類器中選擇誤差最小的那個(gè)作為該輪選出的一個(gè)弱分類器hi。選好了弱分類器之后，將所有弱分類器進(jìn)行線性組合就構(gòu)成了強(qiáng)分類器。

訓(xùn)練過程主要包括以下幾個(gè)模塊：

(1)樣本的采集，對樣本進(jìn)行圖像預(yù)處理，形成樣本集；

(2)以樣本集作為輸入，計(jì)算并獲得矩形特征值集；

(3)對特征值集進(jìn)行優(yōu)化處理，選出分辨能力好的特征；

(4)采用AdaBoost算法，在每一輪迭代過程中采用窮舉搜索法確定每個(gè)特征對應(yīng)的簡單分類器的閾值，獲得簡單分類器集，并保存其對應(yīng)的參數(shù)；

(5)選出錯(cuò)誤率最低的簡單分類器作為本輪最優(yōu)的弱分類器；

(6)將訓(xùn)練得到的弱分類器根據(jù)其分類能力賦予不同的權(quán)重，然后線性組合構(gòu)成強(qiáng)分類器。