基于扩展三角特征的AdaBoost快速人眼检测算法

D0I:10.13374/.issn1001-053x.2012.01.009 第34卷第1期 北京科技大学学报 Vol.34 No.1 2012年1月 Journal of University of Science and Technology Beijing Jan.2012 基于扩展三角特征的AdaBoost快速人眼检测算法 黄坤韩飞杨月全四王正群 张天平 扬州大学信息工程学院，扬州225127 区通信作者，E-mail:yangyq(@yzu.edu.cm 摘要首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块 在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际，提出了一种结合Haar特征和三角特征的AdaBoost 快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本：然后，通过后续强分类器进行判断大部 分的眼晴图像块和少量非眼睛图像块.检测时间消耗有所下降，这样可以保证整体的检测速度，实验结果进一步表明该算法 具有更好的检测性能，与仅使用Haar特征相比正检率有一定程度提高 关键词人眼检测：算法：面部特征：特征抽取：模式分类：图像匹配 分类号TP391.41 AdaBoost fast eye detection algorithm based on extended triangular features HUANG Kun.HAN Fei,YANG Yue-quan,WANG Zheng-qun,ZHANG Tian-ping College of Information Engineering,Yangthou University,Yangzhou 225127,China Corresponding author,E-mail:yangyq@yzu.edu.cn ABSTRACT Eight extended feature prototypes were presented by combining rectangular feature blocks and triangular feature blocks. In consideration of the fact that the amount of eye image blocks is far less than that of non-eye image blocks during a scanning block passing through face images,a fast eye location detection scheme based on AdaBoost algorithm combining rectangular feature blocks and triangular feature blocks was proposed.After most of non-eye blocks are excluded through the foregoing strong classifiers,most eye image blocks and a few of non-eye image blocks are detected through the rear parts of the cascade classifier,which can reduce the de- tection time and boost the detection speed.The experiments further show that the scheme has better detection performance and positive detection rate compared to the case only employed Haar features. KEY WORDS eye detection:algorithms;facial features:feature extraction:pattern classification:image matching 人脸表情研究是模式识别研究的重要内容. 提出了旋转特征.文献[5]提出了三角特征，并 眼睛状态是人脸表情的体现方式之一，眼睛的快 引用三角积分图实现特征值的快速计算.文献 速准确定位是识别眼睛状态的前提.文献]将 [6]提出了一种运用较少的Walsh特征的双阈值 眼睛检测的方法分为基于模板匹配的方法、基于 增强型AdaBoost算法.文献7]利用Open CV图 灰度投影的方法、基于统计的方法和基于知识的 像处理工具，进行了扩展Haar特征的AdaBoost 方法，研究重点是统计方法中的Boosting算法. 人脸检测. Viola和Jones提出的AdaBoost算法是最早的实 本文在Haar特征的基础上结合三角特征作为 时目标检测算法之一，它使用Haar特征并利用 AdaBoost算法的弱特征，训练的级联分类器在眼晴 积分图实现了特征值的快速计算-).Lienhart 识别率上有一定程度的提高，在部分测试图像上具 和Maydt在文献[4]中对Haar特征进行了扩展， 有更好的检测性能. 收稿日期：20110401 基金项目：国家自然科学基金资助项目(60874045)：江苏省高校自然科学研究资助项目(10KJB510027):江苏省自然科学基金资助项目 (BK2009184)

第 34 卷 第 1 期 2012 年 1 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 34 No． 1 Jan． 2012 基于扩展三角特征的 AdaBoost 快速人眼检测算法 黄 坤 韩 飞 杨月全 王正群 张天平 扬州大学信息工程学院，扬州 225127 通信作者，E-mail: yangyq@ yzu． edu． cn 摘 要 首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块． 考虑扫描块 在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际，提出了一种结合 Haar 特征和三角特征的 AdaBoost 快速眼睛检测算法． 通过级联分类器的前几层强分类器完成排除大部分非眼睛样本; 然后，通过后续强分类器进行判断大部 分的眼睛图像块和少量非眼睛图像块． 检测时间消耗有所下降，这样可以保证整体的检测速度． 实验结果进一步表明该算法 具有更好的检测性能，与仅使用 Haar 特征相比正检率有一定程度提高． 关键词 人眼检测; 算法; 面部特征; 特征抽取; 模式分类; 图像匹配 分类号 TP391. 41 AdaBoost fast eye detection algorithm based on extended triangular features HUANG Kun，HAN Fei，YANG Yue-quan ，WANG Zheng-qun，ZHANG Tian-ping College of Information Engineering，Yangzhou University，Yangzhou 225127，China Corresponding author，E-mail: yangyq@ yzu． edu． cn ABSTRACT Eight extended feature prototypes were presented by combining rectangular feature blocks and triangular feature blocks． In consideration of the fact that the amount of eye image blocks is far less than that of non-eye image blocks during a scanning block passing through face images，a fast eye location detection scheme based on AdaBoost algorithm combining rectangular feature blocks and triangular feature blocks was proposed． After most of non-eye blocks are excluded through the foregoing strong classifiers，most eye image blocks and a few of non-eye image blocks are detected through the rear parts of the cascade classifier，which can reduce the de￾tection time and boost the detection speed． The experiments further show that the scheme has better detection performance and positive detection rate compared to the case only employed Haar features． KEY WORDS eye detection; algorithms; facial features; feature extraction; pattern classification; image matching 收稿日期: 2011--04--01 基金项目: 国家自然科学基金资助项目( 60874045) ; 江苏省高校自然科学研究资助项目( 10KJB510027) ; 江苏省自然科学基金资助项目 ( BK2009184) 人脸表情研究是模式识别研究的重要内容． 眼睛状态是人脸表情的体现方式之一，眼睛的快 速准确定位是识别眼睛状态的前提． 文献［1］将 眼睛检测的方法分为基于模板匹配的方法、基于 灰度投影的方法、基于统计的方法和基于知识的 方法，研究重点是统计方法中的 Boosting 算 法． Viola 和 Jones 提 出 的 AdaBoost 算法是最早的实 时目标检 测 算 法 之 一，它 使 用 Haar 特 征 并 利 用 积分图实现了特征值的快速计算［2--3］． Lienhart 和 Maydt 在文献［4］中对 Haar 特征进行了扩展， 提出了旋转特征． 文献［5］提出了三角特征，并 引用三角积分图实现特征值的快速计算． 文 献 ［6］提出了一种运用较少的 Walsh 特征的双阈值 增强型 AdaBoost 算法． 文献［7］利用 Open CV 图 像处理 工 具，进 行 了 扩 展 Haar 特 征 的 AdaBoost 人脸检测． 本文在 Haar 特征的基础上结合三角特征作为 AdaBoost 算法的弱特征，训练的级联分类器在眼睛 识别率上有一定程度的提高，在部分测试图像上具 有更好的检测性能． DOI:10.13374/j.issn1001-053x.2012.01.009

第1期 黄坤等：基于扩展三角特征的AdaBoost快速人眼检测算法 ·49 图，它利用了三角积分图实现了三角区域像素和的 1基于AdaBoost的眼睛定位方法 快速计算，如图2所示.文献⑧]描述了眼晴在空域 首先，眼晴定位的步骤如下：第一，先选择弱特 的灰度分布状态特性 征，AdaBoost算法要求使用大量的弱特征，为保证学 习速度和检测速度需要使用能够快速计算的弱特 征；第二，使用AdaBoost算法，选择最优弱特征构 成弱分类器，组合弱分类器成为强分类器，将强分类 图1基本的Haar-ike特征 器级联得到级联分类器；第三，使用训练的级联分 Fig.1 Basic Haar-ike features 类器，对背景为人脸的测试图像中的眼晴进行快速 准确定位 1.1三角特征构造 Viola和Jones用于Adaboost算法的特征是四种 最基本的Haar-Like特征回，如图1所示.这些矩形 图2使用三角积分图快速计算的两种三角像素块 Fig.2 Two triangular pixel blocks using integral imaging 块内的像素和以相应权重加减构成了弱特征，弱特 征反映了图像局部灰度变化的情况或者图像局部的 在此基础上，本文构造了八种扩展三角特征 灰度状况.Lienhart和Maydt扩展了Haar特征，增 原型作为眼睛的弱特征描述.利用矩形块与三角 加了旋转特征0，这些特征由2~3个矩形或者旋转 像素块构造的八种用于眼睛检测的特征原型，见 矩形块组成.文献5]介绍了三角特征和三角积分 图3. 图3八种特征原型 Fig.3 Eight feature prototypes 1.2 AdaBoost算法回 选取对训练样本误判率最小的弱特征和弱分类器作 设训练样本数量为n,眼睛样本数量为m,非眼 为此次学习过程中得到的弱特征和弱分类器. 睛样本数量为l,训练样本为（x1,y1),（x2,y2),, (2)更新眼睛训练样本和非眼睛训练样本的权 (xnyn).其中，x:为第i个训练样本，y:为第i个训 重，更新规则如下： 练样本的标识，1和0分别为眼睛样本和非眼睛样 ,+1,d=10.B-. (3) 本，眼睛样本和非眼睛样本的初始化权重分别为1/ 式中：0：为第i个训练样本在第t次学习过程中的 (2m)和1/(2). (1)眼睛样本总共的弱特征的数量为k,对于 权重旧，=二。6为第1次学习过程中选择的最优 第j个弱特征使用决策树h:(x:)对训练样本进行 的弱分类器对训练样本的误判率，使用第1次学习 分类， 4)=,p听)>pg: 过程得到的弱分类器对训练样本分类，如果分类正 (1) 0,其他. 确则e:=0,否则e:=1. 式中：P为第j个决策树的符号，为+1或者-1； (3)将训练得到的所有弱分类器组合成最终的 f(x:)为第i个训练样本的第j个特征值；0：为第j 强分类器，如下： 个弱特征使用的阈值，使用每一个弱特征决策树对 训练样本分类得到误判率 h(x)= 1, (4) 0, 其他 6=∑：hx)-y1, (2) 式中：T为强分类器中弱分类器的数量；，为第t个

第 1 期 黄 坤等: 基于扩展三角特征的 AdaBoost 快速人眼检测算法 1 基于 AdaBoost 的眼睛定位方法 首先，眼睛定位的步骤如下: 第一，先选择弱特 征，AdaBoost 算法要求使用大量的弱特征，为保证学 习速度和检测速度需要使用能够快速计算的弱特 征; 第二，使用 AdaBoost 算法，选择最优弱特征构 成弱分类器，组合弱分类器成为强分类器，将强分类 器级联得到级联分类器; 第三，使用训练的级联分 类器，对背景为人脸的测试图像中的眼睛进行快速 准确定位． 1. 1 三角特征构造 Viola 和 Jones 用于 Adaboost 算法的特征是四种 最基本的 Haar--Like 特征［2］，如图1 所示． 这些矩形 块内的像素和以相应权重加减构成了弱特征，弱特 征反映了图像局部灰度变化的情况或者图像局部的 灰度状况． Lienhart 和 Maydt 扩展了 Haar 特征，增 加了旋转特征［4］，这些特征由 2 ～ 3 个矩形或者旋转 矩形块组成． 文献［5］介绍了三角特征和三角积分 图，它利用了三角积分图实现了三角区域像素和的 快速计算，如图 2 所示． 文献［8］描述了眼睛在空域 的灰度分布状态特性． 图 1 基本的 Haar--Like 特征 Fig． 1 Basic Haar-Like features 图 2 使用三角积分图快速计算的两种三角像素块 Fig． 2 Two triangular pixel blocks using integral imaging 在此基础上，本文构造了八种扩展三角特征 原型作为眼睛的弱特征描述． 利用矩形块与三角 像素块构造的八种用于眼睛检测的特征原型，见 图 3． 图 3 八种特征原型 Fig． 3 Eight feature prototypes 1. 2 AdaBoost 算法［2］ 设训练样本数量为 n，眼睛样本数量为 m，非眼 睛样本数量为 l，训练样本为( x1，y1 ) ，( x2，y2 ) ，…， ( xn，yn ) ． 其中，xi 为第 i 个训练样本，yi 为第 i 个训 练样本的标识，1 和 0 分别为眼睛样本和非眼睛样 本，眼睛样本和非眼睛样本的初始化权重分别为 1 / ( 2m) 和 1 /( 2l) ． ( 1) 眼睛样本总共的弱特征的数量为 k，对于 第 j 个弱特征使用决策树 hj ( xi ) 对训练样本进行 分类， hj ( xi ) = 1， pj fj ( xi ) ＞ pjθj ; {0， 其他． ( 1) 式中: pj 为第 j 个决策树的符号，为 + 1 或者 － 1; fj ( xi ) 为第 i 个训练样本的第 j 个特征值; θj 为第 j 个弱特征使用的阈值，使用每一个弱特征决策树对 训练样本分类得到误判率 εj = ∑ n i = 1 wi | hj ( xi ) － yi |， ( 2) 选取对训练样本误判率最小的弱特征和弱分类器作 为此次学习过程中得到的弱特征和弱分类器． ( 2) 更新眼睛训练样本和非眼睛训练样本的权 重，更新规则如下: wt + 1，i = wt，iβ1 － ei t ． ( 3) 式中: wt，i为第 i 个训练样本在第 t 次学习过程中的 权重; βt = εt 1 － εt ，εt 为第 t 次学习过程中选择的最优 的弱分类器对训练样本的误判率，使用第 t 次学习 过程得到的弱分类器对训练样本分类，如果分类正 确则 ei = 0，否则 ei = 1． ( 3) 将训练得到的所有弱分类器组合成最终的 强分类器，如下: h( x) = 1， ∑ T t = 1 αtht ( x) ＞ 1 2 ∑ T t = 1 αt ; 0， 其他 { ． ( 4) 式中: T 为强分类器中弱分类器的数量; αt 为第 t 个 ·49·

·50* 北京科技大学学报 第34卷 弱分类器的评价因子，a,=ln(1/B,). 为第i层强分类器的过检率*/ 1.3 Cascade分类器 while (f >f)and (d.>=d))/# 由于眼晴的尺寸通常较小，对待检测图像中的 检率f大于目标值f且正检率d大于d*/ 眼睛进行定位时采用先定位人脸再在人脸中定位眼 晴的方法，当以不同大小的扫描图像块在人脸背景 d,-=step min us;Calculatef::/* 中遍历时发现眼晴样本图像块数量远少于非眼睛样 降低强分类器阈值，正检率下降，计算此时过检率f 本图像块数量，在检测时可以采用逐层排除的方法， */ 将所有的眼睛图像块和非眼晴图像块，通过级联分 If(f<=f)break;/*如果强 类器.一般通过前几层的强分类器即可完成大部分 分类器此时过检率∫小于∫，结束循环*/ 非眼睛样本的排除，检测时间与弱分类器的数量相 关，前几层强分类器中的弱分类器数量较少，完成大 f(f<=f力 break; 部分非眼睛图像块排除花费的时间也就不多.然后 让大部分的眼晴图像块和少量的非眼睛图像块通过 Reload eye samples and non-eye samples; 后续的强分类器进行判断.虽然使用的弱分类器数 /*保留通过前i层强分类器的眼睛和非眼睛训 量较多，但由于需要级联分类器后续的强分类器判 练样本*/ 断的图像块数量较少，所以时间消耗也不多，这样就 保证了整体的检测速度 } 设P、N分别为眼晴训练样本集和非眼睛训练 2眼睛训练样本和非眼睛训练样本的选择 样本集，D:为前i层强分类器总体的正检率，F,为 前i层强分类器总体的过检率，n:为第i层强分类 眼睛模式存在很多状态：睁开的、微张的、闭合 器中弱分类的数量，每层最小的正检率为d(对眼睛 的、倾斜的和侧面的，并且受光照和遮挡的影响.文 样本判断正确的概率)，最大的过检率为f(对非眼 献⑨]提出了两种眼睛模式，第一种是以眼睛轮廓 晴样本判断错误的概率)，级联分类器的目标过检 的外接矩形为眼睛训练模式，第二种是以瞳孔为中 率为Fge 心眉毛为上界作为眼晴训练模式，这样做主要是为 具体的Cascade算法如下： 了增加眼睛模式的特征和一致性，解决了正眼和闭 {F。=1.0,D=1.0,i=0: 眼模式差别太大导致寻找不到足够多的有效特征的 while(F:>F）/朱级联分类器过检率没 问题可，但是这样检测出来的图像块还要积分投 有达到目标值*/ 影@进行眉毛和眼睛的分离.本文训练以眼睛轮 廓的外接矩形为眼晴模式，眼睛状态主要为张开的、 i++:n:=0;F:=F-1;/体第i强分类 微张的、倾斜度较小的和侧面角度较小的，眼睛模式 器的训练，初始化弱分类器数量n:为0*/ 的一致性得到了保障，为了检测较小尺寸的眼睛，训 while(F,>fF:-1)/体当第i层强分类器的 练样本的尺寸为20×12，眼睛训练样本来自于 过检率大于设定值∫时*/ BiolD-Database人脸库中的眼睛以及采集图片中的 眼睛，不区分左右眼，共5256张，部分眼睛样本如 n:++;/*弱分类器的数量加1*/ 图4所示. Calculate the false negative rate f;/ 非眼晴训练样本可以选用任意不包含眼睛的图 图4部分眼睛样本 Fig.4 Partial eye samples

北 京 科 技 大 学 学 报 第 34 卷 弱分类器的评价因子，αt = ln( 1 /βt ) ． 1. 3 Cascade 分类器 由于眼睛的尺寸通常较小，对待检测图像中的 眼睛进行定位时采用先定位人脸再在人脸中定位眼 睛的方法，当以不同大小的扫描图像块在人脸背景 中遍历时发现眼睛样本图像块数量远少于非眼睛样 本图像块数量，在检测时可以采用逐层排除的方法， 将所有的眼睛图像块和非眼睛图像块，通过级联分 类器． 一般通过前几层的强分类器即可完成大部分 非眼睛样本的排除，检测时间与弱分类器的数量相 关，前几层强分类器中的弱分类器数量较少，完成大 部分非眼睛图像块排除花费的时间也就不多． 然后 让大部分的眼睛图像块和少量的非眼睛图像块通过 后续的强分类器进行判断． 虽然使用的弱分类器数 量较多，但由于需要级联分类器后续的强分类器判 断的图像块数量较少，所以时间消耗也不多，这样就 保证了整体的检测速度． 设 P、N 分别为眼睛训练样本集和非眼睛训练 样本集，Di 为前 i 层强分类器总体的正检率，Fi 为 前 i 层强分类器总体的过检率，ni 为第 i 层强分类 器中弱分类的数量，每层最小的正检率为 d( 对眼睛 样本判断正确的概率) ，最大的过检率为 f( 对非眼 睛样本判断错误的概率) ，级联分类器的目标过检 率为 Ftarget ． 图 4 部分眼睛样本 Fig． 4 Partial eye samples 具体的 Cascade 算法如下: { F0 = 1. 0，D0 = 1. 0，i = 0; while ( Fi ＞ Ftarget ) /* 级联分类器过检率没 有达到目标值* / { i + + ; ni = 0; Fi = Fi － 1 ; /* 第 i 强分类 器的训练，初始化弱分类器数量 ni 为 0 * / while ( Fi ＞ fFi － 1 ) /* 当第 i 层强分类器的 过检率大于设定值 f 时* / { ni + + ; /* 弱分类器的数量加 1 * / Calculate the false negative rate fi ; /* fi 为第 i 层强分类器的过检率 * / while( ( fi ＞ f) and ( di ＞ = d) ) /* 过 检率 fi 大于目标值 f 且正检率 di 大于 d * / { di － = step min us; Calculate fi ; /* 降低强分类器阈值，正检率下降，计算此时过检率 fi * / If( fi ＜ = f) break; /* 如果强 分类器此时过检率 fi 小于 f，结束循环 * / } If ( fi ＜ = f) break; } Reload eye samples and non-eye samples; /* 保留通过前 i 层强分类器的眼睛和非眼睛训 练样本 * / } } 2 眼睛训练样本和非眼睛训练样本的选择 眼睛模式存在很多状态: 睁开的、微张的、闭合 的、倾斜的和侧面的，并且受光照和遮挡的影响． 文 献［9］提出了两种眼睛模式，第一种是以眼睛轮廓 的外接矩形为眼睛训练模式，第二种是以瞳孔为中 心眉毛为上界作为眼睛训练模式，这样做主要是为 了增加眼睛模式的特征和一致性，解决了正眼和闭 眼模式差别太大导致寻找不到足够多的有效特征的 问题［7］，但是这样检测出来的图像块还要积分投 影［10］进行眉毛和眼睛的分离． 本文训练以眼睛轮 廓的外接矩形为眼睛模式，眼睛状态主要为张开的、 微张的、倾斜度较小的和侧面角度较小的，眼睛模式 的一致性得到了保障，为了检测较小尺寸的眼睛，训 练样本 的 尺 寸 为 20 × 12，眼睛训练样本来自于 BioID-Database 人脸库中的眼睛以及采集图片中的 眼睛，不区分左右眼，共 5 256 张，部分眼睛样本如 图 4 所示． 非眼睛训练样本可以选用任意不包含眼睛的图 ·50·

第1期 黄坤等：基于扩展三角特征的AdaBoost快速人眼检测算法 ·51· 像.由于采用人脸-人眼的定位方法，眼睛的主要背 景是人脸，检测时眼睛的主要误判位置也出现在人 脸上，所以这里需要从人脸上选取大量的非眼睛训 练样本，一般非眼睛训练样本要求数量非常巨大 基于此，本文选取了7868幅不包含眼睛的图像. 3实验结果与分析 实验环境为windows XP操作系统，VC6.0开发 环境，OpenCV1.0视觉库.通过对OpenCV1.0中的 Haartraining工程进行改造，增加三角特征作为训练 图5Haar特征检测结果（过检情形） 样本的弱特征，然后训练分别使用14种Haar特征 Fig.5 Detection result with Haar features (excessive detection) 原型分类器，及结合14种Haar特征和10种三角特 征的分类器，并进行比较研究.在测试图片上检测 时，为了体现AdaBoost算法在Haar和三角特征上 的差别，没有使用带有其他预处理的OpenCV 1.0 中的cvHaarDetectObjects函数，而采用了仅有Ada- Boost算法的检测框架.结合Haar和三角特征训练 得到的分类器总共包含560个Haar特征和113个 三角特征，AdaBoost算法在学习过程中总是选择最 优的特征，可见部分三角特征也是十分有效的具有 模式区别性的特征.对200幅眼睛模式正常的单人 图6结合Haar和三角特征检测结果（过检情形） 脸图像进行眼睛定位，并进行了正检率精度比较，如 Fig.6 Detection result with the mixture of Haar and triangular fea- 表1所示. tures (excessive detection) 表1使用Haar特征与结合Haar和三角特征的眼睛识别率比较 Table 1 Comparison of detection rate between the used Haar feature and the used mixture with Haar features and triangular features 使用特征 眼睛数量 正检率/% Haar特征 400 90.50 结合Haar和三角特征 400 91.25 由于非眼睛训练样本不足，均存在过检，如图5 和图6所示.对于三角特征较好的图像，结合Haar 特征进行检测，部分结果如图7所示.可见，结合 Haar和三角特征的检测算法在正检率上有一定的 图7结合Haar和扩展三角特征检测结果 提高 Fig.7 Detection result with the mixture of Haar and extended trian- 结合Haar和三角特征训练得到的分类器总共 gular features 包含560个Haar特征和113个三角特征，AdaBoost 眼晴的快速准确定位的方法.实验结果表明，该算 算法在学习过程中总是选择最优的特征，可见部分 法比仅使用Haar特征在正检率上有一定的提高. 三角特征也是十分有效的具有模式区别性的特征. 建立标准而全面的眼晴库，搜集大量具有代表性的 4结论 非眼睛样本，抽取有效的眼睛特征将是下一步研究 重点 对目前眼晴检测中检测速度和定位精度存在的 不足，本文给出了矩形块与三角像素块结合构造的 八种用于眼睛检测的扩展特征原型：提出了结合 参：考文献 Haar和三角特征作为AdaBoost算法的弱特征实现 [1]Xu L,Zhou D L.Technology of human eyes detection.Comput

第 1 期 黄 坤等: 基于扩展三角特征的 AdaBoost 快速人眼检测算法 像． 由于采用人脸"人眼的定位方法，眼睛的主要背 景是人脸，检测时眼睛的主要误判位置也出现在人 脸上，所以这里需要从人脸上选取大量的非眼睛训 练样本，一般非眼睛训练样本要求数量非常巨大． 基于此，本文选取了 7 868 幅不包含眼睛的图像． 3 实验结果与分析 实验环境为 windows XP 操作系统，VC6. 0 开发 环境，OpenCV1. 0 视觉库． 通过对 OpenCV1. 0 中的 Haartraining 工程进行改造，增加三角特征作为训练 样本的弱特征，然后训练分别使用 14 种 Haar 特征 原型分类器，及结合 14 种 Haar 特征和 10 种三角特 征的分类器，并进行比较研究． 在测试图片上检测 时，为了体现 AdaBoost 算法在 Haar 和三角特征上 的差别，没有使用带有其他预处理的 OpenCV 1. 0 中的 cvHaarDetectObjects 函数，而采用了仅有 Ada￾Boost 算法的检测框架． 结合 Haar 和三角特征训练 得到的分类器总共包含 560 个 Haar 特征和 113 个 三角特征，AdaBoost 算法在学习过程中总是选择最 优的特征，可见部分三角特征也是十分有效的具有 模式区别性的特征． 对 200 幅眼睛模式正常的单人 脸图像进行眼睛定位，并进行了正检率精度比较，如 表 1 所示． 表 1 使用 Haar 特征与结合 Haar 和三角特征的眼睛识别率比较 Table 1 Comparison of detection rate between the used Haar feature and the used mixture with Haar features and triangular features 使用特征 眼睛数量 正检率/% Haar 特征 400 90. 50 结合 Haar 和三角特征 400 91. 25 由于非眼睛训练样本不足，均存在过检，如图 5 和图 6 所示． 对于三角特征较好的图像，结合 Haar 特征进行检测，部分结果如图 7 所示． 可见，结合 Haar 和三角特征的检测算法在正检率上有一定的 提高． 结合 Haar 和三角特征训练得到的分类器总共 包含 560 个 Haar 特征和 113 个三角特征，AdaBoost 算法在学习过程中总是选择最优的特征，可见部分 三角特征也是十分有效的具有模式区别性的特征． 4 结论 对目前眼睛检测中检测速度和定位精度存在的 不足，本文给出了矩形块与三角像素块结合构造的 八种用于眼睛检测的扩展特征原型; 提出了结合 Haar 和三角特征作为 AdaBoost 算法的弱特征实现 图 5 Haar 特征检测结果( 过检情形) Fig． 5 Detection result with Haar features ( excessive detection) 图 6 结合 Haar 和三角特征检测结果( 过检情形) Fig． 6 Detection result with the mixture of Haar and triangular fea￾tures ( excessive detection) 图 7 结合 Haar 和扩展三角特征检测结果 Fig． 7 Detection result with the mixture of Haar and extended trian￾gular features 眼睛的快速准确定位的方法． 实验结果表明，该算 法比仅使用 Haar 特征在正检率上有一定的提高． 建立标准而全面的眼睛库，搜集大量具有代表性的 非眼睛样本，抽取有效的眼睛特征将是下一步研究 重点． 参 考 文 献 ［1］ Xu L，Zhou D L． Technology of human eyes detection． Comput ·51·

·52· 北京科技大学学报 第34卷 Syst Appl,2010,19(6):226 Boo时人脸快速检测算法.中国工程科学，2008,10(7)：125) (徐来，周德龙。人眼检测技术的方法研究.计算机系统应用， [7]Guo L,Wang QG.Research of face detection base on AdaBoost 2010,19(6):226) algorithm and OpenCV implementation.J Harbin Unir Sci Techn- Viola P,Jones M.Robust real-time object detection /8th IEEE od,2009,14(5):123 International Conference on Computer Vision.Vancouver,2001: (郭磊，王秋光.AdaBoost人脸检测算法研究及OpenCV实现. 151 哈尔滨理工大学学报，2009,14(5)：123) B]Viola P,Jones M.Rapid object detection using a boosted cascade [8]Chen R,Lin X R,Ding T H.High-speed iris detection and local- of simple features /Proceedings of the 2001 IEEE Computer Soci- ization based on AdaBoost algorithm.J Tsinghua Unirer Sci Techn- ety Conference on Computer Vision and Pattern Recognition.Cam- od,2008,48(11):1923 bridge,2001:511 (陈瑞，林喜荣，丁天怀.基于AdaBoost算法的快速虹膜检测 4]Lienhart R,Maydt J.An extended set of Haar_like features for 与定位.清华大学学报：自然科学版，2008,48(11)：1923) rapid object detection //Proceedings of International Conference on 9]Zhao X Z,Wang X,Zhu X F.Research of samples selection in Images.Santa Clara,2002:900 eye detection based on AdaBoost algorithm.Comput Technol Dev, [5]Tsai CC.A New Feature Set for Face Detection [D/OL].010- 2010,20(2):133 08-10 ]http://wenku.baidu.com/view/e720c0c62cc58- (赵雪竹，王秀，朱学峰.基于Adaboost算法的人眼检测中样 bd63186bd48.html 本选择研究.计算机技术与发展，2010,20(2)：133) [6]Guo Z B,Yang J Y,Liu H J,et al.A fast face detection algo- [10]Cao J Y.Driver eye location with image processing based on inte- rithm using enhanced AdaBoost based on Walsh features.Eng Sci, gral projection.Inf Technol,2007.31(7)20 2008,10(7):125 (曹菊英.基于积分投影的司机图像眼睛定位方法.信息技 (郭志波，杨静宇，刘华军，等.基于沃尔什特征的增强型Ada- 术，2007,31(7)：20)

北 京 科 技 大 学 学 报 第 34 卷 Syst Appl，2010，19( 6) : 226 ( 徐来，周德龙． 人眼检测技术的方法研究． 计算机系统应用， 2010，19( 6) : 226) ［2］ Viola P，Jones M． Robust real-time object detection / / 8th IEEE International Conference on Computer Vision． Vancouver，2001: 151 ［3］ Viola P，Jones M． Rapid object detection using a boosted cascade of simple features / / Proceedings of the 2001 IEEE Computer Soci￾ety Conference on Computer Vision and Pattern Recognition． Cam￾bridge，2001: 511 ［4］ Lienhart R，Maydt J． An extended set of Haar_like features for rapid object detection / / Proceedings of International Conference on Images． Santa Clara，2002: 900 ［5］ Tsai C C． A New Feature Set for Face Detection［D/OL］． ［2010-- 08-- 10 ］． http: / /wenku． baidu． com/view /c720c0c62cc58- bd63186bd48． html ［6］ Guo Z B，Yang J Y，Liu H J，et al． A fast face detection algo￾rithm using enhanced AdaBoost based on Walsh features． Eng Sci， 2008，10( 7) : 125 ( 郭志波，杨静宇，刘华军，等． 基于沃尔什特征的增强型 Ada￾Boost 人脸快速检测算法． 中国工程科学，2008，10( 7) : 125) ［7］ Guo L，Wang Q G． Research of face detection base on AdaBoost algorithm and OpenCV implementation． J Harbin Univ Sci Techn￾ol，2009，14( 5) : 123 ( 郭磊，王秋光． AdaBoost 人脸检测算法研究及 OpenCV 实现． 哈尔滨理工大学学报，2009，14( 5) : 123) ［8］ Chen R，Lin X R，Ding T H． High-speed iris detection and local￾ization based on AdaBoost algorithm． J Tsinghua Univer Sci Techn￾ol，2008，48( 11) : 1923 ( 陈瑞，林喜荣，丁天怀． 基于 AdaBoost 算法的快速虹膜检测 与定位． 清华大学学报: 自然科学版，2008，48( 11) : 1923) ［9］ Zhao X Z，Wang X，Zhu X F． Research of samples selection in eye detection based on AdaBoost algorithm． Comput Technol Dev， 2010，20( 2) : 133 ( 赵雪竹，王秀，朱学峰． 基于 Adaboost 算法的人眼检测中样 本选择研究． 计算机技术与发展，2010，20( 2) : 133) ［10］ Cao J Y． Driver eye location with image processing based on inte￾gral projection． Inf Technol，2007，31( 7) : 20 ( 曹菊英． 基于积分投影的司机图像眼睛定位方法． 信息技 术，2007，31( 7) : 20) ·52·