Viola-Jones人脸检测算法由剑桥大学的Paul Viola和Michael Jones于2001年最早提出，是最为成功、并且能满足实时要求的可实用人脸检测算法。Viola-Jones人脸检测算法使用Haar特征值进行目标检测：通过Adaboost算法生成级联分类器，直接对图像的一小块区域进行特征匹配，从而判断该区域内是否有人脸存在。该算法包括训练和检测两部分：训练部分使用Adaboost算法从预先收集的正负样本中提取特征值进行计算，最终生成一个级联分类器。检测部分使用级联分类器，通过检测窗口的移动和缩放，对图像上的人脸进行检测。由于训练部分可脱机执行，对实时要求并不高。因此，本书只讨论算法的检测部分在GPU上的实现和优化。

如图7-1所示，Viola-Jones使用Haar特征值计算特征。Haar特征值共使用了三种类型四种形式的特征模板，每种特征模板内包含黑色和白色两种矩形，该模板的特征值定义为白色矩形像素和减去黑色矩形像素和。

图7-1所示的特征模板称为“特征原型”，“特征原型”在图像窗口中平移伸缩而得到的特征称为“矩形特征”，“矩形特征”的值称为“特征值”。在检测过程中，特征模板可以以任意尺寸放置在图像窗口上的任意位置。从而形成各种形态，每一种形态称为一个特征。这样，通过改变特征模板大小和在图像中的位置，可在图像窗口中穷举出海量特征。

图7-1 Haar特征模板

图7-2显示了人脸检测中的haar特征值在样本窗口中的位置。对于一个24×24的图像样本而言，矩阵特征的数目可达160000，这是非常庞大的计算量。而且随着图像尺寸的不断增大，特征数目也会快速增长，这就对计算能力提出了严峻挑战。同时如果每次Haar特征值的计算，都要统计矩形中所有像素的和，庞大的计算量无疑会降低检测的速度。为此，Viola与Jones引入了积分图作为输入图像的一种中间表达形式。在完成图像的积分图运算后，通过图像积分图来完成Haar特征值的计算。因此，积分图生成算法的性能对于人脸检测算法的性能也至关重要。然而，这超出了本书的讨论范围，关于积分图生成算法的GPU移植，已有大量的研究工作，并且已经非常成熟。(www.daowen.com)

图7-2 人脸检测中的haar特征

图7-3显示了Viola-Jones人脸检测算法的主要流程，Viola-Jones人脸检测算法通过定义检测窗口遍历整幅图像，使用Adaboost方法构建的级联分类器检测窗口中的人脸。值得注意的是，通过使用级联分类器可明显加快检测速度。检测流程具体如下：首先，为了检测出图像中包含的不同大小的所有人脸，需要按照一定大小的缩放因子缩放图像；其次，使用级联分类器对检测窗口进行检测：将检测窗口交给第一级分类器，如果检测窗口检测为未包含人脸，则分类器将此检测窗口丢弃并停止检测，如果当前探测窗口被判为疑似包含人脸，则进入下一级分类器继续检测。最后，只有通过所有分类器检测的窗口才被判定为包含人脸。在级联分类器中，分类器的复杂度是逐层增加的，层数越深，检测要求越高，与之相对应的计算量也越来越大。

图7-3 Viola-Jones人脸检测算法