基于無線數(shù)據(jù)傳輸?shù)倪h程人臉追蹤

摘要：在此提出了一個有效的無線遠程人臉追蹤系統(tǒng)實現(xiàn)方案，將人臉檢測技術、人臉識剮技術和窄帶通信技術有效結合，采用AdaBoost追蹤算法獲取圖像中可分辨的人臉，把各個點攝像終端的數(shù)據(jù)進行壓縮后采用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)庫進行篩選，對實時傳輸?shù)娜四樳M行識別，從而達到輔助尋找和追蹤特定人的目的。該方案通過實驗證明是可行的。

關鍵詞：人臉檢測；人臉識別；窄帶傳輸；支持向量機

0 引言

人臉作為圖像與視頻中最重要的視覺圖像之一，在計算機視覺、模式識別、多媒體技術研究中占有很重要的地位?？梢暬治龊湍繕俗R別研究中最具有挑戰(zhàn)性的任務之一就是理解人們如何處理和識別彼此的相貌，并進行相應的計算機建模來最終完成人臉的自動識別。近年來，隨著計算機科學在人機交互領域的快速發(fā)展，作為人臉信息處理中的一項關鍵技術，人臉檢測與識別現(xiàn)在已經(jīng)成為模式識別與計算機視覺領域內一項受到普遍重視。無線視頻監(jiān)控系統(tǒng)將被監(jiān)控點實時采集的圖片、視頻文件通過無線網(wǎng)絡及時地傳輸給遠程監(jiān)控中心，實時動態(tài)地報告被監(jiān)測點的情況，及時發(fā)現(xiàn)問題并進行處理。

本文提出了一種有效的無線遠程人臉追蹤系統(tǒng)的解決方案。采用AdaBoost算法進行人臉的檢測，選擇了Haar特征方法，把訓練得出的Haar特征轉換成弱分類器，通過一定的方法將弱分類器進行組合構成強分類器，對分類器進行訓練后應用到圖像中進行人臉區(qū)域的檢測，從而得到較準確的人臉信息；采用GPRS技術進行人臉圖像數(shù)據(jù)的無線傳輸，通過GPRS／CDMA無線窄帶網(wǎng)絡連接Internet互聯(lián)網(wǎng)絡，在無線視頻監(jiān)控終端對視頻信號進行實時采集，無線傳送到遠程服務器；采用Gabor小波進行特征提取，獲得人臉圖像的Gabor特征；采用SVM進行分類，對人臉圖像進行分類識別，得出識別結果，對符合條件的人臉給出警報。本系統(tǒng)可以應用于商場、機場、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，使圖像質量下降。所以在進行圖像分析和處理之前都需要對圖像進行去噪處理。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，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)計理論的一種能有效抑制噪聲的非線性處理技術。其核心運算是將模板中的數(shù)據(jù)進行排序，這樣一個亮點(暗點)的噪聲，就會在排序過程中被排在數(shù)據(jù)序列的最右側或最左側，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的值。由此便可以達到抑制噪聲的目的；均值濾波實際上就是用該像素對應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，對待處理的當前圖像，選擇一個模板，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 亮度調整

由于采集圖像時的光照強度和相機自身性能的不同，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系。所以即使圖像對應的特征結構相同，但是由于亮度不同，通常會被分類器認為是不同的圖像。所以無論是在訓練分類器階段還是在檢測階段都需要對圖像進行亮度的調整，需要將不同亮度的圖像調整到同一范圍。常用的亮度調整技術包括：線性動態(tài)范圍調整、非線性動態(tài)范圍調整、直方圖均衡化等。線性動態(tài)范圍調整的方法是其中比較簡單的一種，計算量也比較小。調整的計算公式如下：

1．3 圖像的形狀變換

圖像形狀變換是指用數(shù)學建模的方法對圖像形狀發(fā)生的變化進行描述的過程。最基本的圖像變換包括圖像的縮小、放大、旋轉等。本文中的訓練階段和檢測階段都需要對圖像進行形狀的變換，比如在建立訓練樣本庫的時候將不同尺寸的圖像歸一化到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的倍數(shù)。數(shù)字圖像的縮小是通過減少像素個數(shù)來實現(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，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)進行估計。由于圖像相連像素之間的相關性很強，所以可以利用這個相關性來實現(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制到子快中，而是只填寫在子快的某一個像素的位置上。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的強分類器。理論證明，只要每個弱分類器分類能力比隨機猜測好，當分類器的個數(shù)趨于無窮時，強分類器的錯誤率將趨于零。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，然后通過在訓練過程中選取出最優(yōu)的Haar特征，再將訓練得出的Haar特征轉換成弱分類器，最終通過一定的方法將這些弱分類器進行組合構成強分類器。分類器訓練完之后，就可以將其應用到圖像中進行人臉區(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搜索窗口。

對于一個訓練集(xi，yi)，…，(xL，yL)，其中xi是輸入的訓練樣本，yi是樣本類別標志，yi∈(1，0)對應真假樣本。在開始訓練前，對所有訓練樣本均賦予一個初始權值，然后用AdaBoost學習算法對訓練樣本進行T輪訓練，在每一輪訓練結束后，從若干個簡單分類器中選擇誤差最小的那個作為該輪選出的一個弱分類器hi。選好了弱分類器之后，將所有弱分類器進行線性組合就構成了強分類器。

訓練過程主要包括以下幾個模塊：

(1)樣本的采集，對樣本進行圖像預處理，形成樣本集；

(2)以樣本集作為輸入，計算并獲得矩形特征值集；

(3)對特征值集進行優(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特征對應的簡單分類器的閾值，獲得簡單分類器集，并保存其對應的參數(shù)；

(5)選出錯誤率最低的簡單分類器作為本輪最優(yōu)的弱分類器；

(6)將訓練得到的弱分類器根據(jù)其分類能力賦予不同的權重，然后線性組合構成強分類器。