摘 要： 通過構造Walsh變換矩陣，得到相互正交且形狀豐富的Walsh特征算子，將Walsh特征應用于快速人臉檢測。Matlab的仿真實驗結果表明，由Walsh特征得到的強分類器比傳統(tǒng)的Haar特征得到的強分類器分類速度快，精度高。
關鍵詞： Walsh特征；Haar特征；強分類器；人臉檢測

　人臉檢測技術就是對所輸入的圖像進行檢測，判斷出圖像是否存在人臉，如果存在，則返回人臉在圖像中的確切位置和范圍的技術[1]。人臉檢測是人臉識別系統(tǒng)中的關鍵的第一步，這一步所獲得的精度與速度直接影響整個系統(tǒng)的性能[2]。此外，人臉檢測技術在人臉追蹤、視頻會議、基于內容的圖像檢索和人類情感研究系統(tǒng)中都有廣泛的應用，而且具有重要的學術價值。人臉的自動檢測具有一定的挑戰(zhàn)性，主要有以下難點：(1)由于人臉是一類高度非剛性的目標，存在相貌、表情、膚色、姿態(tài)等差異；(2)人臉上很可能存在一些附屬物，如眼鏡、胡須、裝飾品等；(3)人臉的姿態(tài)千變萬化，并且可能存在遮擋物；(4)待檢測的圖像其性質的差異，如圖像的分辨率、攝錄器材的質量等；(5)光源的種類、強弱和角度的不同，其作用在人臉上所產生的性質不同的反射，造成不同區(qū)域的陰影。因此，人臉檢測成為計算機視覺和模式識別領域內的一個研究熱點[3]。目前比較常用的人臉檢測方式可以概括為基于知識、基于結構特征、基于模板匹配及基于統(tǒng)計模型的方法[4]。本文將Walsh特征用于人臉檢測是基于結構特征的一種方法。本文通過構造Walsh變換矩陣，得到相互正交且形狀豐富的Walsh特征算子，在相同情況下將Walsh特征與傳統(tǒng)的Haar特征用于快速人臉檢測，通過對比其各自的特點得出Walsh特征用于人臉檢測的優(yōu)越性。
1 Haar特征與積分圖計算方法
　Haar特征是VIOLA等提出的一種簡單矩形特征，因類似于Haar小波而得名[5]。Haar特征的定義是黑色矩形和白色矩形在圖像子窗口中對應區(qū)域的灰度級總和之差，可見，它反映了圖像局部的灰度變化。VIOLA等用到的Haar特征共有三類，圖1顯示了部分在圖像子窗口起點位置處的Haar特征，其中第一、二行屬于二矩形特征，第三行屬于三矩形特征，第四行屬于四矩形特征[6]。在實際使用時，必須將每一特征在圖像子窗口中進行滑動計算，從而獲得各個位置的多個Haar特征。如果選用的訓練圖像分辨率為24×24，每個圖像得到用于訓練的Haar特征超過18萬個[7]，但是實際上不一定需要，因為過多的特征會大大加大訓練過程的時間和空間復雜度，實際上過細的特征中也會引起過多的冗余，所以在選擇特征時可適當放粗一些。

　在實際檢測過程中，為了加快Haar特征的計算，VIOLA等提出了積分圖像的定義，灰度圖像F的積分圖像I定義為[8]：

2.2 Walsh特征的優(yōu)點