專利名稱：帶有弱分類器的組合系數(shù)的人臉檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的人臉檢測方法，具體是一種帶有弱分類 器的組合系數(shù)的人臉檢測方法。
背景技術(shù)：
人臉檢測是基于圖像進行人機交互的基礎(chǔ)技術(shù)，是人臉識別、表情檢測、年 齡估計的先決條件。因此如何快速有效的進行人臉檢測是各種基于人臉應(yīng)用的關(guān) 鍵性技術(shù)。而人臉作為一個復(fù)雜的非剛性物體，決定了其檢測過程是非平凡的。
經(jīng)過對現(xiàn)有技術(shù)的文獻檢索發(fā)現(xiàn)，在總計超過150種人臉檢測方法中，目前 最流行，使用最廣泛的是Viola和Jones在2001年IEEE Computer Society Conference on Computer Vision and Pattern Recognition (計算機視覺與模 式識別會議)中發(fā)表的使用提升級聯(lián)的快速物體檢測(Rapid Object Detection using a Boosted Cascade of Simple Features)中提出的級聯(lián)人臉檢測方法。其采 用基于類似Haar小波的弱分類器為基礎(chǔ)，通過采用Adaboost方法構(gòu)建集成分類 器，取得了良好的效果。類似Haar特征的區(qū)域性特點是使其具有一定的抗噪性， 而積分圖級聯(lián)檢測的大大加快了速度。相比于其他方法，其具有速度快，準(zhǔn)確度 高的特點。然而其方法中未能有效利用弱分類器之間相互關(guān)系。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有技術(shù)存在的上述不足，提供一種帶有弱分類器的 組合系數(shù)的人臉檢測方法，使其能夠進一步提高人臉檢測的準(zhǔn)確率，加快人臉檢 測速度。
本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括如下步驟
第一步，對人臉圖像進行特征提取，稱為人臉圖像特征向量，形成樣本集合；
第二步，使用樣本集合構(gòu)建級聯(lián)檢測器對于級聯(lián)檢測器的每一級節(jié)點，使 用提升方法選取基于特征的弱分類器構(gòu)成集成分類器，并對于已構(gòu)成的集成分類 器，通過使用弱類器的組合系數(shù)來提高進一步提高分類效率。
第三步，最后通過上述構(gòu)建的級聯(lián)檢測器來實現(xiàn)自動人臉檢測。
通過對于集成分類器的研究可以知道，對于任何一個樣本要通過集成分類 器，需要通過其下一組弱分類器。對于這一點可借由經(jīng)驗觀察，及采用無權(quán)重 的特征選擇方法的成功可知。故既然一個樣本必須通過一組弱分類器，那么這 一組弱分類器如何組織，其組合上是否具有特定的分布，則是具有相當(dāng)多的信 息。而組合系數(shù)則正是用來描述弱分類器之間的相關(guān)系數(shù)，而通過使用組合系 數(shù)，則能有效利用這一信息，進而取得較好的分類效果提升。
所述級聯(lián)檢測器，其級聯(lián)結(jié)構(gòu)是指一種退化的決策樹，用于加速人臉檢測過 程。對于給定的對象只要任意一級節(jié)點拒絕該對象則該對象不被之后任意一級處 理。
所述提升方法，是一類用于弱分類器組合以獲得更強的分類器的算法，
Adaboost為其典型代表。
所述集成分類器是指將多個弱分類器組合后所獲得的分類器。 所述帶有弱分類器組合系數(shù)的集成分類器，是指使用原有基礎(chǔ)弱分類器的組
合作為擴展弱分類器及描述組合價值的相關(guān)系數(shù)來對原有集成分類器進行拓展
的集成分類器。
對于帶有弱分類器組合系數(shù)的集成分類器，首先為每一個弱分類器的組合模 式定義一個組合值。弱分類器的組合值被定義為每個弱分類器的輸出的二進制值
的組合的。組合值是對于總計2M個可能的組合模式的數(shù)值索引，其中M是組合的
階數(shù)。如對于三個弱分類器hl (x) ， h2 (x)， h3 (x)以及對應(yīng)的值0， 1， 1，然后 組合的三階組合值是
v(Mx)h3(x)hg(x)) = (001)2 = 3
對應(yīng)于給一個具體的組合模式的擴展弱分類器函數(shù)被定義為該組合模式值 的指示函數(shù)。如上述例子，其對應(yīng)擴展弱分類器函數(shù)為
<formula>formula see original document page 7</formula>
其中I(x)為指示函數(shù)
對于一個已訓(xùn)練的集成分類器<formula>formula see original document page 7</formula>
經(jīng)使用弱分類器的相關(guān)系數(shù)后，集成分類器拓展為 <formula>formula see original document page 7</formula>
其中B及入是所謂弱分類器的相關(guān)系數(shù)。B是指的對應(yīng)基礎(chǔ)弱分類器hi、hj組
合模式k的組合系數(shù)。其中具體組合模式對應(yīng)的擴展弱分類器的選取及弱分類器 的組合系數(shù)的確定則用原本的提升方法完成。弱分類器的組合系數(shù)對應(yīng)于提升方 法中得出弱分類器權(quán)重。
與現(xiàn)有技術(shù)相比，本發(fā)明能夠進一步提高人臉檢測的準(zhǔn)確率，加快人臉檢測
速度。當(dāng)僅使用二階系數(shù)時，其選取的特征數(shù)量要小許多，僅472個，t是指原
來集成分類器中的弱分類器的個數(shù)。對于典型的弱分類配置，這一數(shù)量遠小于人 臉檢測中所用的特征數(shù)量，而且在其選取過程中還可以避免分類器重新調(diào)整的過 程，故其學(xué)習(xí)過程相當(dāng)快捷，而其在處理上也十分簡易，由于其使用的弱分類器 的組合，而原有結(jié)構(gòu)中每個基礎(chǔ)弱分類器的結(jié)果總是需要被計算的，故額外運算 代價較小(對于2階情況為5個運算操作)。同時，本發(fā)明在表述能力上也是比 較強，通過允許負系數(shù)以及允許各種組合，相關(guān)系數(shù)可以表述多種弱分類器之間 的合取，或取，排除關(guān)系。這些組合有力的表述了各種弱分類器之間的關(guān)系，從 而提高了分類效果。
本發(fā)明采用相關(guān)系數(shù)的集成分類器，可以被看作是對于原有的線性組合的多 項式拓展，其成功利用具有分類能力的高級系數(shù)，提升了原有分類器的效能，能 有效提升人臉檢測效率。


圖l為本發(fā)明實施例與其原Viola and Jones方法(VJ)構(gòu)成單級節(jié)點的 測試結(jié)果對比圖。
圖2本發(fā)明實施例與其原Viola and Jones方法(VJ)在CMU+MIT人臉檢 測庫上的測試結(jié)果對比圖。
具體實施例方式
下面結(jié)合附圖對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術(shù)方案 為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于 下述的實施例。
步驟一，對人臉圖像進行提取并縮放至指定大小24*24，稱為人臉圖像，形 成樣本集合fe,yA...fe,ja;并收集不含有人臉的非臉圖片集(z'/^,A/附J，并在 非臉圖片集上進行隨機采樣并縮放之指定大小24*24,與之前獲取的人臉圖片集 形成初始訓(xùn)練集。(:c^J，A {;,;^}
步驟二，訓(xùn)練級聯(lián)檢測器。初始級聯(lián)檢測器為空。
a. 使用當(dāng)前訓(xùn)練集^，;;山八更據(jù)當(dāng)前訓(xùn)練策略，訓(xùn)練使用t個
基礎(chǔ)弱分類器帶有弱分類器相關(guān)系數(shù)的集成分類器
B. 將所獲得的集成分類器作為級聯(lián)檢測器的最后一級添加。
C. 將當(dāng)前檢測應(yīng)用于訓(xùn)練集，將所有正確分類的負樣本從訓(xùn)練集中剔除。
D. 運用當(dāng)前級聯(lián)檢測器于非臉圖片集O'mi,A fmj ，對于所有被錯誤分類的
子窗口將其縮放并添加至訓(xùn)練集中，直到訓(xùn)練集數(shù)量恢復(fù)至初始。若無法獲得足 夠樣本則訓(xùn)練結(jié)束，當(dāng)前級聯(lián)檢測器為最終檢測器。否則重復(fù)步驟二。
步驟三，最后通過級聯(lián)檢測器來實現(xiàn)自動人臉檢測。
步驟二 (a)具體過程如下
(l)對于給定樣本集(A，yJ,A {jcw，>v}，使用提升方法Adaboost選取T個基 于類似Haar特征的弱分類器ht(x)構(gòu)成集成分類器，其中ht(x) = g =，，
ft (x)是類似Haar特征中的特征值，Pt是簡單分類器的方向，并且9 t是被選
擇使誤差率減到最小的門限。
(2)對上述己構(gòu)成的集成分類器，使用相關(guān)系數(shù)來進一步提高分類效率。過 程如下對于t=l，…，T或2T選擇在當(dāng)前權(quán)重分布下的最小化目標(biāo)誤差的弱分 類器組合系數(shù)/ZOc)或其逆及其對應(yīng)的相關(guān)系數(shù)"。對于Adaboost提升算法和二
階組合系數(shù)其過程如下
(a) 歸一化權(quán)重
<formula>formula see original document page 9</formula>
(b) 計算誤差
<formula>formula see original document page 9</formula>
(c) 選擇具有最小<formula>formula see original document page 9</formula>
(d) 計算^=^和^=1縛^
(e) 更新權(quán)重
(3)最終獲得的強分類器是
<formula>formula see original document page 9</formula>
o 其他情況 其中e'是閥值，可以通過調(diào)節(jié)e'以控制檢測率與假陽率。
本實施例1中，當(dāng)僅使用1級級聯(lián)檢測節(jié)點，采用7000個人臉正樣本，及 14000個非臉背景作負樣本，在一個由3000張人臉和20000非臉的數(shù)據(jù)集上作 測試，測試了采用相關(guān)系數(shù)的分類器，以及原有方法的效果。對于相關(guān)系數(shù)，僅
選了二階系數(shù)，在數(shù)量上則為原有系數(shù)的一倍或兩倍。
在測試中，取得平均20%至30%的性能提升。其實驗效果請見附圖1，圖中 Cl代表的是額外使用一倍于原有弱分類器總數(shù)的相關(guān)系數(shù)時構(gòu)成的集成檢測
器；C2代表的是額外使用兩倍于原有弱分類器總數(shù)的相關(guān)系數(shù)時構(gòu)成的集成檢
測器；VJ代表的是原Viola and Jones方法。
在實施例2中采用5000個人臉正樣本，及7000個非臉圖片作為非臉圖片集 合。當(dāng)同樣采用配置，即每級節(jié)點通過99%的正樣本時，帶有相關(guān)系數(shù)的分類器 僅需15級就能完成訓(xùn)練，而原方法則需42級級聯(lián)分類器來完成，并且在MIT+CMU 的數(shù)據(jù)集上的測試結(jié)果顯示(見附圖2)，圖中C2代表的是額外使用兩倍于原有 弱分類器總數(shù)的相關(guān)系數(shù)時構(gòu)成的集成檢測器；VJ代表的是原Viola and Jones 方法。
本發(fā)明上述實施例的方法產(chǎn)生的分類器在性能上優(yōu)于原有方法，尤其是在誤 檢率上。充分的顯示出了采用相關(guān)系數(shù)法的優(yōu)勢。
權(quán)利要求
1、一種帶有弱分類器的組合系數(shù)的人臉檢測方法，其特征在于，步驟如下第一步，對人臉圖像進行特征提取，稱為人臉圖像特征向量，形成樣本集合；第二步，使用樣本集合構(gòu)建級聯(lián)檢測器對于級聯(lián)檢測器的每一級節(jié)點，使用提升方法選取基于特征的弱分類器構(gòu)成集成分類器，并對已構(gòu)成的集成分類器通過使用組合系數(shù)來提高進一步提高分類效率；第三步，最后通過上述構(gòu)建的級聯(lián)檢測器來實現(xiàn)自動人臉檢測。
2、 根據(jù)權(quán)利要求1所述的帶有弱分類器的組合系數(shù)的人臉檢測方法，其特 征是，所述第二步，使用樣本集合構(gòu)建級聯(lián)檢測器，初始級聯(lián)檢測器為空，具體 如下A. 使用當(dāng)前訓(xùn)練集^，w，A {^,;^}，更據(jù)當(dāng)前訓(xùn)練策略，訓(xùn)練使用T個基礎(chǔ)弱分類器帶有弱分類器組合系數(shù)的集成分類器；B. 將所獲得的集成分類器作為級聯(lián)檢測器的最后一級添加；C. 將當(dāng)前檢測應(yīng)用于訓(xùn)練集，將所有正確分類的負樣本從訓(xùn)練集中剔除；D. 運用當(dāng)前級聯(lián)檢測器于非臉圖片集0'/^，A /mm}，對于所有被錯誤分類的子窗口將其縮放并添加至訓(xùn)練集中，直到訓(xùn)練集數(shù)量恢復(fù)至初始，若無法獲得足 夠樣本則訓(xùn)練結(jié)束，當(dāng)前級聯(lián)檢測器為最終檢測器；否則重復(fù)第二步。
3、 根據(jù)權(quán)利要求2所述的帶有弱分類器的組合系數(shù)的人臉檢測方法，其特征 是，所述帶有弱分類器組合系數(shù)的集成分類器，是指使用原有基礎(chǔ)弱分類器的組 合作為擴展弱分類器及描述組合價值的相關(guān)系數(shù)來對原有集成分類器進行拓展 的集成分類器。
4、 根據(jù)權(quán)利要求2或3所述的帶有弱分類器的組合系數(shù)的人臉檢測方法，其 特征是，對于帶有弱分類器組合系數(shù)的集成分類器，首先為每一個弱分類器的組 合模式定義一個組合值，弱分類器的組合值被定義為每個弱分類器的輸出的二進制值的組合的，組合值是對于總計2 個可能的組合模式的數(shù)值索引，其中M是組 合的階數(shù)，對于三個弱分類器hl(x)， h2 (x)， h3 (x)以及對應(yīng)的值0， 1， 1，然 后組合的三階組合值是 1氛缺3缺3幼=(001)2 = 3對應(yīng)于給一個具體的組合模式的擴展弱分類器函數(shù)被定義為該組合模式值 的指示函數(shù)，對于上述三個弱分類器，其對應(yīng)擴展弱分類器函數(shù)為/(v(/^C(;c)/z3(x))-3)其中/(JC)為指示函數(shù)對于一個已訓(xùn)練的集成分類器cOc)-j1 §°^")>: T為基礎(chǔ)弱分類器0其他情況經(jīng)使用弱分類器的相關(guān)系數(shù)后，集成分類器拓展為1 (x) + Z AJ(—', W)") + Z 'W (諷W)") +L > ^0 其他情況其中&t及~w是所謂弱分類器的相關(guān)系數(shù)，&4是指的對應(yīng)基礎(chǔ)弱分類器&, ~組合模式k的組合系數(shù)，其中具體組合模式對應(yīng)的擴展弱分類器的選取及弱分類器 的組合系數(shù)的確定則用原本的提升方法完成，弱分類器的組合系數(shù)對應(yīng)于提升方 法中得出弱分類器權(quán)重。
5、根據(jù)權(quán)利要求2所述的帶有弱分類器的組合系數(shù)的人臉檢測方法，其特 征是，所述步驟A，其具體實現(xiàn)如下a. 對于給定樣本集(A,力hA {~,:^}，使用提升方法選取T個基于Haar特征的弱分類器ht00構(gòu)成集成分類器，其中、(力-g ，:S2ft， ft (x)是Haar特征中的特征值，pt是簡單分類器的方向，并且8t是被選擇使誤差率減到最小 的門限；b. 對上述已構(gòu)成的集成分類器，使用組合系數(shù)來進一步提高分類效率，過程 如下對于t=l,…，T或2T選擇在當(dāng)前權(quán)重分布下的最小化目標(biāo)誤差的弱分類 器組合系數(shù)i/(x)或其逆及其對應(yīng)的相關(guān)系數(shù)/ ，對于Adaboost提升算法和二階組合系數(shù)其過程如下 (a)歸一化權(quán)重<formula>formula see original document page 4</formula>其中 是樣本K,y,怖第t輪樣本權(quán)重(b)計算誤差(c)選擇具有最小化<formula>formula see original document page 4</formula>(d) 計算<formula>formula see original document page 4</formula>(e) 更新權(quán)重<formula>formula see original document page 4</formula>(3)最終獲得的強分類器是<formula>formula see original document page 4</formula> 其他情況其中w是閥值，通過調(diào)節(jié)w以控制檢測率與假陽率。
6、根據(jù)權(quán)利要求1所述的帶有弱分類器的組合系數(shù)的人臉檢測方法，其特 征是，所述級聯(lián)檢測器，其級聯(lián)結(jié)構(gòu)是指一種退化的決策樹，用于加速人臉檢測 過程，對于給定的對象只要任意一級節(jié)點拒絕該對象則該對象不被之后任意一級 處理。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的帶有弱分類器的組合系數(shù)的人臉檢測方法，步驟如下第一步，對人臉圖像進行特征提取，稱為人臉圖像特征向量，形成樣本集合；第二步，使用樣本集合構(gòu)建級聯(lián)檢測器對于級聯(lián)檢測器的每一級節(jié)點，使用提升方法選取基于特征的弱分類器構(gòu)成集成分類器，并對已構(gòu)成的集成分類器通過使用組合系數(shù)來提高進一步提高分類效率；第三步，最后通過上述構(gòu)建的級聯(lián)檢測器來實現(xiàn)自動人臉檢測。本發(fā)明方法能有效提升人臉檢測效率。
文檔編號G06K9/62GK101099675SQ200710044218
公開日2008年1月9日 申請日期2007年7月26日 優(yōu)先權(quán)日2007年7月26日
發(fā)明者呂寶糧, 郭佳騁 申請人:上海交通大學(xué)