摘  要: 人耳检测是人耳识别系统的第一个环节。本文在比较已有人耳检测方法的基础上，介绍了一种复杂背景下的快速人耳检测方法。该方法主要分为两个阶段，离线级联分类器训练阶段和在线检测阶段。在离线训练阶段，首先结合人耳轮廓清晰，凹凸有致的特点，采用扩充后的haar-like型特征，依最近邻法则构造出弱分类器空间，然后根据经验选择GAB算法训练出强分类器，最后将多个强分类器级联成多层人耳检测器。在线检测阶段，为提高检测率，我们采用了调整分类器阈值和缩放检测子窗口的策略。最终检测器在实验室人耳库上测试，检测率能达到98%以上。实验结果表明，我们的人耳检测方法具有较高的检测率和较好的鲁棒性。
关键词: 人耳检测；GAB；haar-like型特征；级联分类器

1    引    言

    本文的研究背景基于人耳识别系统。人耳作为人类生物体独特的生物特征之一，其识别技术的研究越来越受到关注。人耳检测作为人耳识别的第一个环节，其效果直接影响到后续工作。

    目前已有的人耳检测方法主要有以下几种：一是首先利用动态序列图像祯间关系和肤色模型粗定位侧面人脸，然后提取人耳轮廓信息精确定位人耳[1][2]；二是利用图像形状指数的平均直方图建立人耳模板，然后通过图像变换、模板匹配实现静态人耳检测[3]。这些方法充分利用了人耳与侧面人脸之间颜色和位置的关系，同时结合人耳椭圆形的外耳轮廓和凹凸有致的内耳沟回信息，实现了正常光照和较复杂背景下的单人耳检测。

    借助侧面人脸定位人耳虽然简单易行，但是肤色信息对光照十分敏感，人耳的形状和相对于侧面人脸的位置又因人而异，如果人脸信息丢失，人耳检测也便失效；且这些方法只适用于实验室状态下的人耳检测，未考虑人耳的姿态、饰物、遮挡等因素的影响，一旦将其置于真实世界复杂多变的情况下检测人耳，多样的背景、丰富的种族、地域特征，姿态、年龄、性别、数量等都将对系统性能造成极大影响。如何运用人耳自身的特点，将其独立于其它生物特征进行检测，并使其对真实复杂的环境具有一定的适应性成为我们研究的关键。考虑到人耳自身轮廓鲜明，线条丰富，形态各异，背景又千差万别，人为寻找不同人耳之间，人耳与非人耳之间的差异和共性十分困难，而统计学习的方法能够借助机器对大量样本进行统计计算，便于我们从中找出规律，挑选出合适的特征进行分类，因此我们选用了统计学习方法中已成功应用于人脸检测的Adaboost算法。