摘要： 通過對基于 Adaboost 人臉檢測算法的研究，利用該算法與計算機視覺類庫 openCV 進行人臉檢測系統的設計，實現了對出現在視頻或圖像中的人臉檢測。 此外，在 VC++6.0 環境下實現了對一個簡單的人臉檢測系統軟件的界面開發，該系統對人臉檢測的速度較快，檢測結果較為準確，可以作為其他人臉檢測或人臉模式識別的系統的開發基礎。

　　隨著計算機與數字信號處理技術的高速發展，人臉檢測

　　技術在眾多領域得到廣泛應用。 人臉檢測技術是指在視頻或

　　圖像中檢測出現人臉位置、大小的過程。 作為人臉信息處理

　　中的一項關鍵技術，人臉檢測技術已經超出了其它人臉識別

　　模式的應用范疇，在視頻處理，圖像處理，身份驗證，安全監

　　測等方面有著重要的應用價值。 隨著計算機語言算法的發

　　展，近年來出現了大量的人臉檢測的算法，其中，能夠較好的

　　解決人臉的檢測速度與檢測效果的算法， 是在 2001 年由Paul

　　Viola 和 Michael Jones 首先提出的 Adaboost 算法。 openCV［1］是

　　由 Intel 提供的一系列包括 C 與 C++的提供計算機視覺和圖

　　像處理的開源軟件包，它為視頻或圖像處理搭建了很好的軟

　　件平臺。 本系統就是基于 openCV，利用 Adaboost 算法設計的

　　一個簡單的人臉檢測系統，該系統能夠快速、準確的檢測到

　　圖像或視頻中的人臉。

　　1 AdaBoost 人臉檢測算法

　　對人臉檢測的研究最初可以追溯到 20 世紀 70 年代 ，早

　　期的研究方向與現在的研究方向與方法不同。 目前在實際

　　中應用的人臉檢測方法較為普遍的是基于 Adaboost 算法的

　　方法。

　　Viola 的人臉檢測方法是一種基于積分圖、級聯分類檢測

　　　器和 Adaboost 算法的方法，方法框架可以分為以下 3 大步驟：

　　1）使用 Haar-like 特征表示人臉 ，使用 “積分圖 ”實現特

　　征數值的快速計算；

　　2）使用 Adaboost 算法挑選出一些最能代表人臉的矩形

　　特征（弱分類器），按照加權投票的方式將弱分類器構造為一

　　個強分類器；

　　3）將得到的若干強分類器串聯組成一個級聯結構的層

　　疊分類器，訓練得到的強級聯結構能有效地提高分類器的檢

　　測速度。

　　1.1 Haar-like 特征

　　haar 特征是基于灰度圖 ，首先通過大量的具有比較明顯

　　的 haar 特征 （矩形 ）的物體圖像用模式識別的方法訓練出分

　　類器，分類器是個級聯的，每級都以大概相同的識別率保留

　　進入下一級的具有物體特征的候選物體，而每一級的子分類

　　器則由許多 haar 特征構成 （由積分圖像計算得到 ，并保存下

　　位置），有水平的、豎直的、傾斜的，并且每個特征帶一個閾值

　　和兩個分支值，每級子分類器帶一個總的閾值。 識別物體的

　　時候 ，同樣計算積分圖像為后面計算 haar 特征做準備 ，然后

　　采用與訓練的時候有物體的窗口同樣大小的窗口遍歷整幅

　　圖像，以后逐漸放大窗口，同樣做遍歷搜索物體；每當窗口移

　　動到一個位置 ，即計算該窗口內的 haar 特征 ，加權后與分類

　　器中 haar 特征的閾值比較從而選擇左或者右分支值 ，累加一