專利名稱：基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，屬于計(jì)算機(jī)視覺(jué)和視頻智能監(jiān) 控領(lǐng)域中的關(guān)鍵技術(shù)之一。
背景技術(shù)：
在計(jì)算機(jī)視覺(jué)領(lǐng)域和視頻智能監(jiān)控領(lǐng)域中，人臉檢測(cè)已經(jīng)變成了一個(gè)非常重要和前 沿的研究課題。精確定位人臉可以提供身份驗(yàn)證、人的捕捉和跟蹤等等，是智能監(jiān)控中 的基礎(chǔ)算法之一。新一代的數(shù)碼相機(jī)中己經(jīng)帶有實(shí)時(shí)人臉檢測(cè)，用以臉部?jī)?yōu)先對(duì)焦。人 臉檢測(cè)的研究和開(kāi)發(fā)主要側(cè)重在兩方面的改進(jìn)上檢測(cè)精度和檢測(cè)速度。人臉檢測(cè)是目標(biāo)檢測(cè)領(lǐng)域最為實(shí)用的一個(gè)成果，其核心算法一般采用基于監(jiān)督學(xué)習(xí) 的模式識(shí)別方法，首先采用大量的正反樣本學(xué)習(xí)得到分類器，然后進(jìn)行分類，目前的分 類器理論對(duì)于高維特征的處理尚得不到很好的性能，因此需要好的特征提取方法。絕大多數(shù)研究工作利用圖片的局部結(jié)構(gòu)來(lái)描述特征，并且采用降維的方法來(lái)選擇一個(gè)有效的特征子集。有代表性的是哈爾(Haar)小波特征、哈爾擴(kuò)展(Haar-like)特征以及 梯度直方圖特征等等，他們都可以看作描述圖像紋理的一種方法。這些方法采用的特征 都著眼于圖片的局部結(jié)構(gòu)，但并不能完備和精確的表達(dá)圖片的全局信息。由于多數(shù)基于圖像結(jié)構(gòu)的特征提取方法都產(chǎn)生海量特征，因而簡(jiǎn)化分類器設(shè)計(jì)與快 速計(jì)算是算法實(shí)時(shí)性的關(guān)鍵之處。哈爾(Haar)小波特征善于在多分辨率下提取圖像的邊緣信息，Papageorgiou等人率 先采用哈爾(Haar)小波提取特征作為人臉描述子。利用哈爾(Haar)小波算子提取原圖像 中水平、垂直以及對(duì)角的差分信息作為特征，采用支持向量機(jī)方法(SVM)訓(xùn)練分類器。哈 爾(Haar)小波特征集合沒(méi)有表現(xiàn)出人臉的遠(yuǎn)距離器官之間的關(guān)系。并且該方法的分類器計(jì)算復(fù)雜度很高，無(wú)法獲得實(shí)時(shí)計(jì)算能力。Viola等人把哈爾(Haar)小波做了推廣。在特征提取方面，采用任意位置和任意大 小的鄰域間差分信息作為特征，于是一幅圖像得以提取出海量特征，它們中間具有極高 的冗余度，特征描述子如圖l所示，稱為哈爾擴(kuò)展(Haar-like)算子，采用的分類器設(shè)計(jì)是一種稱為瀑布型自適應(yīng)激勵(lì)過(guò)程(Cascade of AdaBoost)的級(jí)聯(lián)分類器。
然而，即使哈爾擴(kuò)展(Haar-like)特征的邊緣描述范圍更廣，但是他們?nèi)耘f不能反映遠(yuǎn)距 離宏塊間的對(duì)比度，因此仍舊是一種局部特征。并且采用的弱分類器是一種最簡(jiǎn)單的決策樹(shù)， 性能比較差，影響了最終級(jí)聯(lián)分類器的性能。

發(fā)明內(nèi)容
本發(fā)明的目的在于，通過(guò)提供一種基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，以改變目甜在本 領(lǐng)域普遍存在的著眼于圖片的局部結(jié)構(gòu)，但并不能完備和精確的表達(dá)圖片的全局信息，使其 可以快速精確的檢測(cè)出人臉。
本發(fā)明是采用以下技術(shù)手段實(shí)現(xiàn)的
一種基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，包括人臉模型的訓(xùn)練過(guò)程和人臉圖像的檢 測(cè)過(guò)程，其特征在于，該方法包括以下步驟
其中所述的人臉模型的訓(xùn)練過(guò)程包括訓(xùn)練條件有標(biāo)定好的人臉樣本集、背景樣本 集和海量背景圖片，其訓(xùn)練過(guò)程分為如下步驟
訓(xùn)練樣本歸一化步驟；
特征提取歩驟
所述的特征步驟進(jìn)一步包括
根據(jù)訓(xùn)練樣本的大小，采用合適大小的塊對(duì)樣本進(jìn)行劃分的分塊步驟； 定義分塊后的宏塊序列為A,^,A,...,^ ; 計(jì)算任意兩個(gè)宏塊的塊間差分步驟；該步驟的公式定義為
^ 一.
其中，/和7分別代表第/和第/個(gè)宏塊，《.、、是宏塊的像素值，/是宏塊的像素?cái)?shù)；該 公式的物理意義是兩個(gè)宏塊的像素平均值之差，反映了兩個(gè)宏塊的亮度差信息； 將計(jì)算獲得所有差分值拉成特征列向量歩驟，提交分類器學(xué)習(xí)； 瀑布型支持向量機(jī)的學(xué)習(xí)過(guò)程；
訓(xùn)練樣本集為上述特征提取步驟輸出的特征，其中；
向量；假定訓(xùn)練集樣本大小是M。xM。，設(shè)定第一級(jí)分類器到最終分類器的最大可接 受錯(cuò)檢率乂、每級(jí)分類器最小可接受檢測(cè)率《、全局錯(cuò)檢率&， 設(shè)定SVM的維數(shù)"。=10初始化尸。=1,/)。=1" = 0 將正樣本集放入P，負(fù)樣本集放入iV，
記每輪迭代中的錯(cuò)檢率為F,，檢測(cè)率為Z),，則訓(xùn)練流程的步驟如下 首先訓(xùn)練第一個(gè)階段的自適應(yīng)激勵(lì)分類器，然后采用該弱分類器進(jìn)行分類，根據(jù)錯(cuò) 誤率重新設(shè)定樣本權(quán)重，進(jìn)行下一次弱分類器挑選，直到錯(cuò)檢率達(dá)到乂.，調(diào)整該自適應(yīng) 激勵(lì)分類器的閾值，使得檢測(cè)率達(dá)到《x 該階段訓(xùn)練結(jié)束，進(jìn)入下一階段訓(xùn)練；直
到總錯(cuò)檢率小于全局錯(cuò)檢率&后，訓(xùn)練過(guò)程結(jié)束；
其中所述的人臉圖像的檢測(cè)過(guò)程包括
訓(xùn)練樣本歸一化；
采用級(jí)聯(lián)分類器針對(duì)每個(gè)窗口中的樣本圖片進(jìn)行分類，該過(guò)程是一個(gè)全圖的多分辨 率搜索的過(guò)程；
樣本依次經(jīng)過(guò)輸出分類器的串行過(guò)程，任一階段中的支持向量機(jī)判決為負(fù)樣本，則 結(jié)論為負(fù)樣本，跳出判決過(guò)程；否則繼續(xù)進(jìn)行下一個(gè)支持向量機(jī)的判決，直到所有支持 向量機(jī)輸出均為正樣本，判決才為正樣本；這樣的分類過(guò)程對(duì)于絕大多數(shù)背景窗口來(lái)說(shuō) 都能在前幾個(gè)支持向量機(jī)判決即被正確分類成負(fù)樣本，只有真正的人臉才會(huì)進(jìn)入最后一 級(jí)，需要更多的計(jì)算量；
對(duì)檢測(cè)到的人臉進(jìn)行標(biāo)記；
采用訓(xùn)練集反饋技術(shù)，對(duì)分類器進(jìn)行穩(wěn)定性處理，將學(xué)習(xí)所得的分類器對(duì)大量背景 樣本進(jìn)行檢測(cè)，將錯(cuò)檢的樣本放入負(fù)樣本集，重新做以上所有步驟，直到分類器的錯(cuò)檢 率保持在穩(wěn)定狀態(tài)；將最終的級(jí)聯(lián)分類器的參數(shù)記錄下來(lái)，作為在線檢測(cè)。
前述的最終分類器形式總共分為"個(gè)階段，每個(gè)階段包含m,個(gè)支持向量機(jī)，每個(gè)階 段對(duì)應(yīng)上述學(xué)習(xí)過(guò)程中的自適應(yīng)激勵(lì)分類器，每個(gè)支持向量機(jī)是該自適應(yīng)激勵(lì)分類器的 弱分類器；
根據(jù)樣本大小，調(diào)節(jié)支持向量機(jī)的訓(xùn)練維數(shù)和增加維數(shù)；輸出是一個(gè)級(jí)聯(lián)分類器， 包括參數(shù)集和選用特征對(duì)應(yīng)的塊的位置、顏色通道等等。 前述的塊間差分的計(jì)算在RGB三個(gè)通道分別進(jìn)行。 前述的塊間差分計(jì)算采用積分圖方法。 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯的優(yōu)勢(shì)和有益修改
本發(fā)明能夠快速精確的檢測(cè)人臉，在錯(cuò)檢率是10—6左右時(shí)，漏檢率低于10%。給出ROC曲線如圖7所示，其中橫軸代表每窗口錯(cuò)檢率，縱軸代表漏檢率，曲線越靠近橫坐標(biāo)軸越好。 由于本發(fā)明適合采用積分圖快速計(jì)算特征，并且采用級(jí)聯(lián)分類器快速排除背景窗口，因 此具有計(jì)算量低的特點(diǎn)，采用主流PC機(jī)均可達(dá)到實(shí)時(shí)。在相當(dāng)于Intel PIII 700MHz的處理器 下，對(duì)于CIF的灰度圖片(352x288)達(dá)到15fps的速度。另外，本發(fā)明尤其適合數(shù)字信號(hào)處理器 (DSP)移植。
根據(jù)樣本大小，調(diào)節(jié)支持向量機(jī)(SVM)的訓(xùn)練維數(shù)和增加維數(shù)。輸出是一個(gè)級(jí)聯(lián)分類 器，每一級(jí)是以支持向量機(jī)(SVM)為弱分類器的自適應(yīng)激勵(lì)(AdaBoost)，其中的2)過(guò)程 中的權(quán)重更新是一個(gè)標(biāo)準(zhǔn)的自適應(yīng)激勵(lì)(AdaBoost)訓(xùn)練過(guò)程。線性支持向量機(jī)(SVM)的輸 出分類器形式是點(diǎn)積，自適應(yīng)激勵(lì)(AdaBoost)級(jí)聯(lián)分類器的形式也是點(diǎn)積，因此，最終 的輸出分類器形式是點(diǎn)積，經(jīng)過(guò)定點(diǎn)化之后非常適合數(shù)字信號(hào)處理器(DSP)計(jì)算。


圖1為哈爾擴(kuò)展(Haar-like)特征示意圖； 圖2為圖片的幾何結(jié)構(gòu)示意圖； 圖3為訓(xùn)練過(guò)程示意圖4為瀑布自適應(yīng)激勵(lì)型支持向量機(jī)的訓(xùn)練過(guò)程流程圖； 圖5為輸出分類器結(jié)構(gòu)示意圖； 圖6為級(jí)聯(lián)分類器檢測(cè)過(guò)程流程圖； 圖7為ROC曲線。
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施例加以說(shuō)明
基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)思路人識(shí)別物體時(shí)，常常會(huì)很自然的用一種基于部 件結(jié)構(gòu)的方法來(lái)描述。例如人臉就是一個(gè)鼻子、兩個(gè)眼睛、 一張嘴巴規(guī)則排列而成。而 人臉的五官總是要比其他部分的皮膚顏色深一些。采用宏塊間的差分關(guān)系來(lái)描述部件之 間的對(duì)比度關(guān)系，所得的特征稱為圖片的幾何結(jié)構(gòu)。
本發(fā)明第一步對(duì)人臉樣本進(jìn)行歸一化，第二步提取圖片的幾何結(jié)構(gòu)作為特征，第三 歩采用特征訓(xùn)練瀑布型級(jí)聯(lián)分類器，其內(nèi)核弱分類器采用支持向量機(jī)(SVM)分類器。最終 的分類器是一個(gè)點(diǎn)積形式的計(jì)算，該計(jì)算經(jīng)過(guò)定點(diǎn)化之后，非常適合數(shù)字信號(hào)處理器件 (DSP)的優(yōu)化。下面簡(jiǎn)要解釋本發(fā)明所采用的關(guān)鍵技術(shù)
(1) 圖片的幾何結(jié)構(gòu)
圖片的幾何結(jié)構(gòu)(Geometrical Picture Structure)是定義在宏塊圖上的差分。定義 宏塊序列A,把每個(gè)宏塊看作是圖的一個(gè)頂點(diǎn)，則可以定義圖的邊￡"。
，,'jel,2,…義"乂
宏塊圖就是邊的集合el,2,...,A^V)，如圖2所示。它的物理意義是各個(gè)宏 塊之間的位置關(guān)系的總合。因?yàn)槿四樣兄恢梅稚⒌?、固定的五官，而皮膚的顏色也非 常固定，因此采用塊對(duì)的顏色差分定義幾何關(guān)系特征是很合適的，也可以看作在宏塊圖 上拓展哈爾(Ha虹)小波算子，定義特征如下-
其中，Z'和/分別代表第/和第J'個(gè)宏塊，6,、 6,是宏塊的像素值，/是兩個(gè)宏塊的像 素個(gè)數(shù)。差分特征的集合稱為圖片的幾何結(jié)構(gòu)。
回顧哈爾擴(kuò)展(Haar-1 ike)特征背后的幾何結(jié)構(gòu)，他們反映的都是相鄰宏塊之間的關(guān) 系，這是由哈爾(Haar)小波算子的相鄰差分性質(zhì)決定的。假如哈爾擴(kuò)展(Haar-1 i ke)特征 需要表達(dá)相隔較遠(yuǎn)的宏塊之間的關(guān)系，則其必須用降低分辨率的代價(jià)來(lái)?yè)Q取大的尺度。 因此，本專利所提出的幾何結(jié)構(gòu)，是既包含相鄰關(guān)系，又包含遠(yuǎn)距關(guān)系的一種全面的結(jié) 構(gòu)。
(2) 瀑布自適應(yīng)激勵(lì)型支持向量機(jī).-
將上述特征提取方法獲得的特征排列成向量，訓(xùn)練瀑布分類器。其中每個(gè)自適應(yīng)激 勵(lì)(AdaBoost)的弱分類器采用支持向量機(jī)(SVM)分類器。該分類器擁有一種類似于瀑布的 級(jí)聯(lián)結(jié)構(gòu)，可以在前幾級(jí)排除絕大多數(shù)的背景窗口，只在遇到極少數(shù)難分樣本時(shí)才采用 后續(xù)級(jí)數(shù)的分類器，因此實(shí)際檢測(cè)人臉時(shí)計(jì)算復(fù)雜度低，具有很好的實(shí)時(shí)性。
整個(gè)瀑布分類器的輸出采用如圖3所示的結(jié)構(gòu)分類過(guò)程按照輸出分類器模型，樣 本依次經(jīng)過(guò)輸出分類器的串行過(guò)程，任一階段中的支持向量機(jī)(SVM)判決為負(fù)樣本，則結(jié) 論為負(fù)樣本，跳出判決過(guò)程；否則繼續(xù)進(jìn)行下一個(gè)支持向量機(jī)(SVM)的判決，直到所有支 持向量機(jī)(SVM)輸出均為正樣本，判決才為正樣本。
輸出分類器釆用特殊的訓(xùn)練方法，最終形成特殊的瀑布結(jié)構(gòu)。絕大多數(shù)背景樣本將會(huì) 在前幾個(gè)支持向量機(jī)(SVM)的判決時(shí)被正確分類成負(fù)樣本，因此只需要很少的計(jì)算量；只 有真正的人臉才會(huì)進(jìn)入最后一級(jí)，需要更多的計(jì)算量。
具體實(shí)施步驟包括訓(xùn)練過(guò)程和檢測(cè)過(guò)程，其中訓(xùn)練過(guò)程是離線的，因此時(shí)間復(fù)雜度并不重要，訓(xùn)練過(guò)程的輸出是分類器模型。檢測(cè)過(guò)程是在線的，因此時(shí)間復(fù)雜度很重要， 必須具有實(shí)時(shí)性。檢測(cè)過(guò)程的輸入是測(cè)試樣本和分類器模型，輸出檢測(cè)結(jié)果。下面按照
訓(xùn)練過(guò)程和檢測(cè)過(guò)程分別敘述實(shí)施步驟。 1、訓(xùn)練過(guò)程
訓(xùn)練過(guò)程如圖3所示。以下分別敘述各步驟實(shí)施辦法。 步驟ll(訓(xùn)練樣本歸一化)-
該步驟用于圖片的光照影響去除，方差歸一化、對(duì)比度拉伸、直方圖均衡化等等都可 以采用。本發(fā)明推薦方差歸一化方法，具有計(jì)算復(fù)雜度低。
其中，/是像素值，/'是歸一化之后的像素值，F(xiàn)w(尸)是樣本圖片的方差。該步驟在 RGB三通道分別進(jìn)行。
步驟12 (特征提取)
該過(guò)程所提取的特征稱為圖片的幾何結(jié)構(gòu)特征?？梢约?xì)分為三個(gè)步驟分塊12K塊 間差分122和向量化123，如圖3所示，以下分別敘述各個(gè)步驟。 步驟121 (分塊)
根據(jù)樣本的大小，采用合適大小的塊對(duì)樣本進(jìn)行劃分，如圖4所示。根據(jù)不同情況， 分塊是可以交疊的。
步驟122 (塊間差分) 計(jì)算塊間差分。
其中，Z和y分別代表第z'和第7個(gè)宏塊，6、是宏塊的像素值，Z是宏塊的像素?cái)?shù)。公
式的物理意義是兩個(gè)宏塊的像素平均值之差，反映了兩個(gè)宏塊的亮度差信息。人臉有一 個(gè)相對(duì)穩(wěn)定的亮度空間分布，即五官的較暗，臉頰等等皮膚部位較深。因此宏塊的亮度 差信息比較適合表達(dá)這種空間分布。塊間差分計(jì)算可以采用積分圖方法快速計(jì)算。值得
一提的是在RGB三個(gè)通道分別計(jì)算特征可以獲得更好的性能。 歩驟123 (向量化)
將計(jì)算獲得各通道所有塊間差分值拉成特征列向量，提交分類器學(xué)習(xí)。 步驟13 (訓(xùn)練分類器)
該步驟是瀑布型支持向量機(jī)的學(xué)習(xí)過(guò)程，訓(xùn)練樣本集為步驟l-2輸出的特征向量。假定訓(xùn)練集樣本大小是M。xM。，設(shè)定*每級(jí)分類器最大可接受錯(cuò)檢率,和每級(jí)分類器最小可接受檢測(cè)率《'*全局錯(cuò)檢率Fg '*設(shè)定SVM的維數(shù)"^^ 初始化^=1,"。=1，/ = 0*將正樣本集放入？，負(fù)樣本集放入W記每輪迭代中的錯(cuò)檢率為《，檢測(cè)率為A，則訓(xùn)練過(guò)程如圖4所示。整個(gè)流程是標(biāo) 準(zhǔn)的瀑布型自適應(yīng)激勵(lì)(AdaBoost)流程，而其中每個(gè)自適應(yīng)激勵(lì)分類器(AdaBoost)采用 的弱分類器訓(xùn)練方法是基于支持向量機(jī)(SVM)的隨機(jī)子空間思想。即隨機(jī)挑選n, 2 iV。 /100 個(gè)樣本訓(xùn)練支持向量機(jī)(SVM)，總共訓(xùn)練大約是S/100次，其中 是總樣本數(shù)，S是樣本 的維數(shù)。得到一組支持向量機(jī)(SVM)弱分類器，然后分別計(jì)算其錯(cuò)誤率，選擇錯(cuò)誤率最小 的作為該輪迭代產(chǎn)生的弱分類器?？梢宰C明，這樣學(xué)習(xí)所得的弱分類器構(gòu)建瀑布型自適 應(yīng)激勵(lì)(AdaBoost)是收斂的。學(xué)習(xí)所得的最終分類器形式如圖5所示，總共分為n個(gè)階段，每個(gè)階段包含w,個(gè)支持 向量機(jī)(SVM)分類器，每個(gè)階段對(duì)應(yīng)上述學(xué)習(xí)過(guò)程中的自適應(yīng)激勵(lì)(AdaBoost)，每個(gè)支持 向量機(jī)(SVM)是該自適應(yīng)激勵(lì)(AdaBoost)的弱分類器。根據(jù)樣本大小，調(diào)節(jié)支持向量機(jī)(SVM)的訓(xùn)練維數(shù)和增加維數(shù)。輸出是一個(gè)級(jí)聯(lián)分類器， 包括參數(shù)集和選用特征對(duì)應(yīng)的塊的位置、顏色通道等等。訓(xùn)練集反饋步驟采用訓(xùn)練集反饋技術(shù)，對(duì)分類器進(jìn)行穩(wěn)定性處理，提高負(fù)樣本集的遍歷性。即將學(xué)習(xí)所 得的分類器對(duì)大量背景樣本進(jìn)行檢測(cè)，將錯(cuò)檢的樣本放入負(fù)樣本集，重新做以上所有步驟， 直到分類器的錯(cuò)檢率保持在穩(wěn)定狀態(tài)。將最終的級(jí)聯(lián)分類器的參數(shù)記錄下來(lái)，作為在線檢測(cè)。 2、檢測(cè)過(guò)程檢測(cè)過(guò)程的輸入是測(cè)試圖片和分類器模型，是逐像素多分辨率搜索過(guò)程。檢測(cè)對(duì)象為 窗口。對(duì)每個(gè)窗口的樣本判決過(guò)程，包括以下步驟步驟2-1 (樣本歸一化)窗口歸一化，方法同樣本歸一化相同； 分類判決步驟采用級(jí)聯(lián)分類器進(jìn)行分類，如圖6所示。分類步驟如下樣本依次經(jīng)過(guò)輸出分類器的串行 過(guò)程，任一階段中的支持向量機(jī)判決為負(fù)樣本，則結(jié)論為負(fù)樣本，跳出判決過(guò)程；否則繼續(xù)進(jìn)行下一個(gè)支持向量機(jī)的判決，直到所有支持向量機(jī)輸出均為正樣本，判決才為正樣本。這 樣的分類過(guò)程對(duì)于絕大多數(shù)背景窗口來(lái)說(shuō)都能在前幾個(gè)支持向量機(jī)判決即被正確分類成負(fù)樣 本，只有真正的人臉才會(huì)進(jìn)入最后一級(jí)，需要更多的計(jì)算量。其中的特征計(jì)算只需要計(jì)算該級(jí)所對(duì)應(yīng)維數(shù)的特征即可，不需要計(jì)算全圖的所有維數(shù)得 特征。在計(jì)算特征時(shí)，推薦使用積分圖算法，其計(jì)算復(fù)雜度遠(yuǎn)低于其他算法。對(duì)檢測(cè)到的人 臉進(jìn)行標(biāo)記采用畫(huà)框、染色等等方法對(duì)檢測(cè)到的人臉進(jìn)行標(biāo)記。本發(fā)明能夠快速精確的檢測(cè)人臉，在錯(cuò)檢率是10—6左右時(shí)，漏檢率低于10%。給出ROC 曲線如圖7所示，其中橫軸代表每窗口錯(cuò)檢率，縱軸代表漏檢率，曲線越靠近橫坐標(biāo)軸越好。最后應(yīng)說(shuō)明的是以上實(shí)施例僅用以說(shuō)明本發(fā)明而并非限制本發(fā)明所描述的技術(shù)方 案；因此，盡管本說(shuō)明書(shū)參照上述的各個(gè)實(shí)施例對(duì)本發(fā)明已進(jìn)行了詳細(xì)的說(shuō)明，但是， 本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，仍然可以對(duì)本發(fā)明進(jìn)行修改或等同替換；而一切不脫 離發(fā)明的精神和范圍的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。
權(quán)利要求
1、一種基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，包括人臉模型的訓(xùn)練過(guò)程和人臉圖像的檢測(cè)過(guò)程，其特征在于，該方法包括以下步驟其中所述的人臉模型的訓(xùn)練過(guò)程包括訓(xùn)練條件有標(biāo)定好的人臉樣本集、背景樣本集和海量背景圖片，其訓(xùn)練過(guò)程分為如下步驟訓(xùn)練樣本歸一化步驟；特征提取步驟；所述的特征提取步驟進(jìn)一步包括根據(jù)訓(xùn)練樣本的大小，采用合適大小的塊對(duì)樣本進(jìn)行劃分的分塊步驟；定義分塊后的宏塊序列為B1，B2，B3，...，Bn；計(jì)算任意兩個(gè)宏塊的塊間差分步驟；該步驟的公式定義為
2、根據(jù)權(quán)利要求1所述的基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，其特征在于所述的最終分類器形式總共分為w個(gè)階段，每個(gè)階段包含M,個(gè)支持向量機(jī)，每個(gè)階段對(duì)應(yīng)上 述學(xué)習(xí)過(guò)程中的自適應(yīng)激勵(lì)分類器，每個(gè)支持向量機(jī)是該自適應(yīng)激勵(lì)分類器的弱分類器;根據(jù)樣本大小，調(diào)節(jié)支持向量機(jī)的訓(xùn)練維數(shù)和增加維數(shù)；輸出是一個(gè)級(jí)聯(lián)分類器， 包括參數(shù)集和選用特征對(duì)應(yīng)的塊的位置、顏色通道等等。
3、根據(jù)權(quán)利要求l所述的基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，其特征在于所述 的塊間差分的計(jì)算在RGB三個(gè)通道分別進(jìn)行。
4、根據(jù)權(quán)利要求l所述的基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，其特征在于所述的 塊間差分計(jì)算采用積分圖方法。
全文摘要
本發(fā)明公開(kāi)了一種基于圖片幾何結(jié)構(gòu)的人臉檢測(cè)方法，包括人臉模型的訓(xùn)練過(guò)程和人臉圖像的檢測(cè)過(guò)程該方法包括以下步驟人臉模型的訓(xùn)練過(guò)程步驟訓(xùn)練樣本歸一化步驟；特征提取步驟；采用合適大小的塊對(duì)樣本進(jìn)行劃分的分塊步驟；將計(jì)算獲得所有差分值拉成特征列向量步驟，提交分類器學(xué)習(xí)；瀑布型支持向量機(jī)的學(xué)習(xí)過(guò)程；采用級(jí)聯(lián)分類器針對(duì)每個(gè)窗口中的樣本圖片進(jìn)行分類，人臉圖像的檢測(cè)步驟對(duì)檢測(cè)到的人臉進(jìn)行標(biāo)記；本發(fā)明改變了目前在本領(lǐng)域普遍存在的著眼于圖片的局部結(jié)構(gòu)，但并不能完備和精確的表達(dá)圖片的全局信息的問(wèn)題，使其可以快速精確的檢測(cè)出人臉。
文檔編號(hào)G06K9/00GK101236608SQ20081005685
公開(kāi)日2008年8月6日 申請(qǐng)日期2008年1月25日 優(yōu)先權(quán)日2008年1月25日
發(fā)明者張偉東, 曹子晟, 峰 陳 申請(qǐng)人:清華大學(xué)