第四章 影像前處理
4.1 人臉/眼偵測（Face/Eyes Detection）
4.1 人臉/眼偵測（Face/Eyes Detection）
在執行辨識任務之前，必須先從影像中偵測出人臉和眼睛的位置。人臉偵測 方法，一般可以分成特徵和學習兩大類：
(1) 以特徵為基礎（Feature-Based）的方法，主要是藉由多個人臉特徵，包括利用 膚色、邊緣偵測、人臉對稱性、人臉形狀、人臉五官的相對位置、人臉範本
（Face Template）等方法來偵測臉部。
(2) 以學習為基礎（Learning-Based）的方法，主要是利用機器學習的方式，藉由 類神經網路學習整張人臉的分布。最後透過固定大小的範圍去比對整張影像，
即可找出人臉的位置，這種方法比較不會因為特徵不明顯而導致偵測失敗。
Hsu [14]和 Yang [15]等學者整理了人臉偵測的往年相關研究及研究現況，並 作了一個系統性的介紹。Viola [16]等學者提出一種基於積分影像（Integral Image）
特徵的 Adaboost 方法，用於訓練人臉偵測層疊分類器（Cascade of Classifiers），
並由 Lienhart [17]對這一種方法提出改善。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
37
圖 4. 1 改良後的三類 Haar-like 特徵
改良後的三類 like 特徵如圖 4.1 所示。有別於 Viola 方法中使用 Haar-like 特徵來訓練分類器，Liao[18]等學者提出 LBP 特徵（Local Binary Patterns）
作為分類器的訓練方式，由於 LBP 特徵是整數特徵，因此訓練和偵測過程都會 比 Haar-like 特徵快幾倍。
本論文的人臉偵測分為以下步驟：訓練分類器：利用樣本（人臉圖片）的 LBP 特徵（Local Binary Patterns）來訓練一個層疊的 Boosted 分類器。訓練樣本分為 正樣本和負樣本，正樣本為人臉圖片，負樣本指除了人臉以外的其它任意圖片，
所有的樣本圖片在訓練前都被標準化（Normalization）為同樣的尺寸大小。
(1) 人臉偵測：完成分類器的訓練後，即可應用於輸入影像中感興趣區域（與訓 練樣本同尺寸）的偵測。在影像中移動搜索視窗，偵測整張影像的每一個位 置來確定影像中是否有人臉存在，若偵測到人臉，則分類器輸出為 1，否則輸 出為 0。通常需要用不同比例大小的搜索視窗對圖片進行多次掃描程序，以 偵測影像中未知大小的人臉。
(2) 人眼偵測：以人臉偵測為基礎，以巢狀偵測的方式尋找眼睛的位置。如果在 前一個步驟有偵測到一個人臉，則開始偵測眼睛位置並計算偵測到眼睛的數
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
38
量，如果在人臉中總共偵測到兩隻眼睛，則記錄影像中人臉和兩隻眼睛的坐 標範圍。
(3) 感興趣區域（Region of Interest，ROI）：作為原影像的子圖，根據人臉和兩 隻眼睛的坐標範圍個別輸出另存影像。
層疊分類器是由一層層的強分類器「層疊」組合而成，每一層都是一個強分 類器，每一個強分類器都可以從中選取一個 Boosting 演算法（權重投票），利用 基礎分類器（至少有兩個葉結點的決策樹分類器）的自我訓練得到。目前支持層 疊分 類 器的 Boosting 技術有四種：Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
層疊分類器中的每一個強分類器經過門檻值調整後，能讓幾乎全部的人臉樣 本通過所有的強分類器，藉此排除掉大部分的非人臉樣本。層疊分類器的分類流 程如圖 4.2 所示。
圖 4. 2 層疊分類器的分類流程
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
39