基于Walsh特征的快速人脸检测方法

摘 要： 通过构造Walsh变换矩阵，得到相互正交且形状丰富的Walsh特征算子，将Walsh特征应用于快速人脸检测。Matlab的仿真实验结果表明，由Walsh特征得到的强分类器比传统的Haar特征得到的强分类器分类速度快，精度高。
关键词： Walsh特征；Haar特征；强分类器；人脸检测

　人脸检测技术就是对所输入的图像进行检测，判断出图像是否存在人脸，如果存在，则返回人脸在图像中的确切位置和范围的技术[1]。人脸检测是人脸识别系统中的关键的第一步，这一步所获得的精度与速度直接影响整个系统的性能[2]。此外，人脸检测技术在人脸追踪、视频会议、基于内容的图像检索和人类情感研究系统中都有广泛的应用，而且具有重要的学术价值。人脸的自动检测具有一定的挑战性，主要有以下难点：(1)由于人脸是一类高度非刚性的目标，存在相貌、表情、肤色、姿态等差异；(2)人脸上很可能存在一些附属物，如眼镜、胡须、装饰品等；(3)人脸的姿态千变万化，并且可能存在遮挡物；(4)待检测的图像其性质的差异，如图像的分辨率、摄录器材的质量等；(5)光源的种类、强弱和角度的不同，其作用在人脸上所产生的性质不同的反射，造成不同区域的阴影。因此，人脸检测成为计算机视觉和模式识别领域内的一个研究热点[3]。目前比较常用的人脸检测方式可以概括为基于知识、基于结构特征、基于模板匹配及基于统计模型的方法[4]。本文将Walsh特征用于人脸检测是基于结构特征的一种方法。本文通过构造Walsh变换矩阵，得到相互正交且形状丰富的Walsh特征算子，在相同情况下将Walsh特征与传统的Haar特征用于快速人脸检测，通过对比其各自的特点得出Walsh特征用于人脸检测的优越性。
1 Haar特征与积分图计算方法
　Haar特征是VIOLA等提出的一种简单矩形特征，因类似于Haar小波而得名[5]。Haar特征的定义是黑色矩形和白色矩形在图像子窗口中对应区域的灰度级总和之差，可见，它反映了图像局部的灰度变化。VIOLA等用到的Haar特征共有三类，图1显示了部分在图像子窗口起点位置处的Haar特征，其中第一、二行属于二矩形特征，第三行属于三矩形特征，第四行属于四矩形特征[6]。在实际使用时，必须将每一特征在图像子窗口中进行滑动计算，从而获得各个位置的多个Haar特征。如果选用的训练图像分辨率为24×24，每个图像得到用于训练的Haar特征超过18万个[7]，但是实际上不一定需要，因为过多的特征会大大加大训练过程的时间和空间复杂度，实际上过细的特征中也会引起过多的冗余，所以在选择特征时可适当放粗一些。

　在实际检测过程中，为了加快Haar特征的计算，VIOLA等提出了积分图像的定义，灰度图像F的积分图像I定义为[8]：

2.2 Walsh特征的优点