專利名稱：一種基于gpu的多光譜人臉檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人物目標(biāo)查詢捜索技術(shù)方法領(lǐng)域，尤其是涉及ー種基于GPU的多光譜人臉檢測(cè)方法。
背景技術(shù)：
目前對(duì)可見(jiàn)光圖像和紅外圖像單方面的人臉檢測(cè)的方法可以分為四類，具體介紹如下，I)基于先驗(yàn)知識(shí)的方法。這些基于先驗(yàn)知識(shí)的方法對(duì)組成典型人臉的知識(shí)進(jìn)行編碼。通常，先驗(yàn)知識(shí)包含了 這些人臉特征之間的相互關(guān)系。此類方法主要用于人臉定位。這種方法的一個(gè)難點(diǎn)是怎樣把人臉知識(shí)轉(zhuǎn)化為定義良好的準(zhǔn)則。如果準(zhǔn)則過(guò)于詳細(xì)，那么有些人臉將被漏檢，因?yàn)槠錄](méi)有通過(guò)所有的準(zhǔn)則。如果準(zhǔn)則過(guò)于粗略，則將可能犯很多積極錯(cuò)誤。此外，這種方法很難被擴(kuò)充到檢測(cè)不同姿勢(shì)的人臉，因?yàn)橐杜e出所有可能的情況比較困難。另ー方面，這種啟發(fā)式方法對(duì)于特定場(chǎng)景中的正面人臉檢測(cè)具有很好的效果。2)特征不變方法。這些算法的目標(biāo)是找出存在的ー些結(jié)構(gòu)特征，這些特征在姿勢(shì)、觀察點(diǎn)、光照條件改變的情況下保持不變。然后使用這些特性來(lái)定位人臉。這些方法主要用于人臉定位。與基于知識(shí)的方法相對(duì)，研究者們一直在試圖找到人臉的不變量，用來(lái)檢測(cè)人臉。利用象皮膚顏色、大小、形狀等全局特征來(lái)找出候選人臉，然后用局部特征驗(yàn)證這些候選人臉，例如眉毛、鼻子和頭發(fā)。ー個(gè)典型的方法是，開(kāi)始的時(shí)候檢測(cè)出像皮膚的區(qū)域，然后利用組合分析或集群算法將似人臉像素分組并聯(lián)系起來(lái)。如果被聯(lián)系起來(lái)的區(qū)域有橢圓形或卵形，那么該區(qū)域就成為候選人臉。3)模版匹配法。這種方法首先是存儲(chǔ)一張人臉的幾個(gè)標(biāo)準(zhǔn)模版，用來(lái)描述整張人臉或人臉的部分特性。然后通過(guò)計(jì)算輸入圖像與已經(jīng)存儲(chǔ)模版之間的相關(guān)度來(lái)進(jìn)行檢測(cè)。這些方法既可用于人臉檢測(cè)也可用于人臉定位。早期的時(shí)候Sakai等使用眼睛、鼻子、嘴巴和人臉輪廓的子模版建立人臉模型。Miao等提出用一種分層模版匹配法進(jìn)行人臉檢測(cè)。將輸入圖像按一定步長(zhǎng)從進(jìn)行旋轉(zhuǎn)，形成圖像分層，用拉普拉斯變換提取邊緣。人臉模版包含六個(gè)人臉結(jié)構(gòu)元的邊緣兩個(gè)眉毛、兩只眼睛、ー個(gè)鼻子、ー張嘴巴。最后使用啟發(fā)式方法決定人臉的存在與否。Sinha使用ー組空間圖像不變量描述人臉模式的空間特性。當(dāng)變量隨著光照的改變而改變?nèi)四槻煌糠值牧炼葏?，這些部分的相對(duì)亮度基本保持不變。確定ー些類似區(qū)域的成對(duì)亮度比，保留這些比例的大致趨勢(shì)，比如ー個(gè)區(qū)域比另ー個(gè)區(qū)域亮更或更暗，這些比例就給我們提高供了一個(gè)很好的不變量。因此，觀察到的亮度規(guī)律被編碼成一個(gè)粗糙的人臉空間比例模版，這個(gè)模版中包含適當(dāng)選擇的對(duì)應(yīng)于主要人臉特征的子區(qū)域，如眼睛、臉頰和額頭。通過(guò)子區(qū)域間的ー組適當(dāng)?shù)拿饕话店P(guān)系對(duì)獲取人臉特征間的亮度限制。4)基于外觀的方法。與模版匹配不同的是，這里的模版是從ー組訓(xùn)練圖像經(jīng)過(guò)學(xué)習(xí)而得來(lái)的，這些圖像應(yīng)該包括人臉外觀的具有代表性的變化因素。這些方法主要用于人臉檢測(cè)?；谕庥^的方法可以通過(guò)使用概率框架來(lái)理解。令從一幅圖像中獲取的圖像向量或特征向量為ー個(gè)隨機(jī)變量X，通過(guò)條件密度函數(shù)決定X的值。然后可以使用貝頁(yè)斯分類法和最大似然法決定候選圖像位置是人臉或不是人臉。基于外觀方法的另ー個(gè)實(shí)現(xiàn)途徑是在人臉和非人臉之間找出ー個(gè)判別函數(shù)。按照慣例，將圖像模式映射到低維空間，然后形成判別函數(shù)用于分類，或者用多層神經(jīng)網(wǎng)絡(luò)形成一個(gè)非線性判決面。在速度上人臉檢測(cè)技術(shù)的發(fā)展可以分為幾個(gè)階段，在研究初期主要是以檢測(cè)精度的提高和各種視角的人臉檢測(cè)為主要內(nèi)容，對(duì)速度的關(guān)注相對(duì)較少。ー些代表行的研究有k_均值聚類的方法，該方法通過(guò)聚類的方法在特征空間中建立多個(gè)人臉模板，利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練樣本到各個(gè)模板之間的距離。基于膚色特征的人臉檢測(cè)方法認(rèn)為人臉的皮膚的顔色具有一致性，可以用ー種統(tǒng)ー的模型進(jìn)行描述。膚色用于人臉檢測(cè)時(shí)，可以采用不同的建模方法，主要有高斯模型、高斯混合模型以及非參數(shù)估計(jì)等。非參數(shù)的核函數(shù)概率密度估計(jì)法也可以用于建立膚色模型，在此基礎(chǔ)上mean shift方法能夠?qū)崿F(xiàn)臉的檢測(cè)和跟蹤。該算法提高了人臉的檢測(cè)速度，對(duì)于遮擋和光照也有一定的魯棒性。但是這種方法處理復(fù)雜背景和多個(gè)人臉時(shí)存在困難。為了解決光照問(wèn)題，有學(xué)者提出了針對(duì)不同光照進(jìn)行補(bǔ)償，然后再檢測(cè)膚色區(qū)域的方法。人臉檢測(cè)速度提高的ー個(gè)轉(zhuǎn)折點(diǎn)是P. Viola提出的Adaboost和Cascade算法實(shí)現(xiàn)了實(shí)時(shí)的人臉檢測(cè)系統(tǒng),使得人臉檢測(cè)從真正意義上走向?qū)嵱?。基于AdaBoost的學(xué)習(xí)算法。它能從一個(gè)很大的特征集中選擇很小的一部分關(guān)鍵的特征，從而產(chǎn)生ー個(gè)極其有效的分類器?；贐oosting和Cascade算法的系統(tǒng)在速度方面具有很大的優(yōu)越性。它是在提出的一系列Haar-Iike特征的基礎(chǔ)上,通過(guò)Boosting算法學(xué)習(xí)ー些弱分類器，再組合成一個(gè)強(qiáng)分器。但一般一個(gè)強(qiáng)分類器還不足以圓滿完成任務(wù)，還要級(jí)聯(lián)一系列這樣的強(qiáng)分類器。但是要進(jìn)ー步提高檢測(cè)精度，就需要級(jí)聯(lián)更多的強(qiáng)分類器，但是這樣又會(huì)降低檢測(cè)速度。

發(fā)明內(nèi)容
為了彌補(bǔ)上述多光譜下人臉檢測(cè)存在空白的缺陷，滿足復(fù)雜環(huán)境下圖像增強(qiáng)以及檢測(cè)速度的需求，本發(fā)明提出一種基于GPU的多光譜人臉檢測(cè)方法。其技術(shù)方案為，本方法采用基于CUDA構(gòu)架的GPU對(duì)同步錄制的紅外光視頻和可見(jiàn)光視頻進(jìn)行運(yùn)算，分別檢測(cè)出人臉在紅外光圖像和可見(jiàn)光圖像下的特征，并將紅外光檢測(cè)結(jié)果和可見(jiàn)光檢測(cè)結(jié)果進(jìn)行同步融合，將融合后的結(jié)果作為人的臉部特征輸出
可見(jiàn)光視頻中的人臉特征檢測(cè)步驟包括
(1)將視頻中的圖像采用LBP(Local Binary Pattern)算子方式提取出特征點(diǎn)；
(2)將步驟(I)中提取出的特征點(diǎn)用SVM分類器按照特征點(diǎn)表示的圖像姿勢(shì)的不同，劃分為正姿勢(shì)、左姿勢(shì)、右姿勢(shì)三個(gè)子類；
(3)再次采用SVM方式分別對(duì)步驟(2)中三個(gè)子類的特征點(diǎn)進(jìn)行分類，利用人膚色色度與非膚色色度的不同，將人臉特征從所有特征點(diǎn)中區(qū)別出來(lái)。紅外光視頻中的人臉特征檢測(cè)步驟包括
①將視頻中的圖像采用LBP(Local Binary Pattern)算子方式提取出特征點(diǎn)；
②將步驟①中提取出的特征點(diǎn)用SVM分類器按照特征點(diǎn)表示的圖像姿勢(shì)的不同，劃分為正姿勢(shì)、左姿勢(shì)、右姿勢(shì)三個(gè)子類；
③利用adaboost算法對(duì)步驟②中劃分好的三個(gè)子類進(jìn)行運(yùn)算，將人臉特征區(qū)分識(shí)別出來(lái)。對(duì)于可見(jiàn)光或紅外光圖像中人臉姿態(tài)的劃分規(guī)則為以圖像豎直方向軸作為0度角，以順時(shí)針為正向，把-30到30度之間劃分為為正姿態(tài)，把-90到-30度之間劃分為左姿態(tài)，把30到90度之間劃分為右姿態(tài)。紅外光內(nèi)容的檢測(cè)識(shí)別結(jié)果與可見(jiàn)光內(nèi)容的檢測(cè)識(shí)別結(jié)果在融合時(shí)，參照兩個(gè)視頻的錄制時(shí)間，將同一時(shí)間進(jìn)行同步錄制的紅外圖像和可見(jiàn)光圖像的檢測(cè)結(jié)果進(jìn)行融合，其融合公式為
權(quán)利要求
1.一種基于GPU的多光譜人臉檢測(cè)方法，其特征在于，本方法采用基于CUDA構(gòu)架的GPU對(duì)同步錄制的紅外光視頻和可見(jiàn)光視頻進(jìn)行運(yùn)算，分別檢測(cè)出人臉在紅外光圖像和可見(jiàn)光圖像下的特征，并將紅外光檢測(cè)結(jié)果和可見(jiàn)光檢測(cè)結(jié)果進(jìn)行同步融合，將融合后的結(jié)果作為人的臉部特征輸出。
2.根據(jù)權(quán)利要求I所述的基于GPU的多光譜人臉檢測(cè)方法，其特征在于，GPU對(duì)可見(jiàn)光視頻中的人臉特征檢測(cè)步驟包括 (1)將視頻中的圖像采用LBP(Local Binary Pattern)算子方式提取出特征點(diǎn)； (2)將步驟(I)中提取出的特征點(diǎn)用SVM分類器按照特征點(diǎn)表示的圖像姿勢(shì)的不同，劃分為正姿勢(shì)、左姿勢(shì)、右姿勢(shì)三個(gè)子類； (3)再次采用SVM方式分別對(duì)步驟(2)中三個(gè)子類的特征點(diǎn)進(jìn)行分類，利用人膚色色度與非膚色色度的不同，將人臉特征從所有特征點(diǎn)中區(qū)別出來(lái)。
3.根據(jù)權(quán)利要求I所述的基于GPU的多光譜人臉檢測(cè)方法，其特征在于，GPU對(duì)紅外光視頻中的人臉特征檢測(cè)步驟包括 ①將視頻中的圖像采用LBP(Local Binary Pattern)算子方式提取出特征點(diǎn)； ②將步驟①中提取出的特征點(diǎn)用SVM分類器按照特征點(diǎn)表示的圖像姿勢(shì)的不同，劃分為正姿勢(shì)、左姿勢(shì)、右姿勢(shì)三個(gè)子類； ③利用adaboost算法對(duì)步驟②中劃分好的三個(gè)子類進(jìn)行運(yùn)算，將人臉特征區(qū)分識(shí)別出來(lái)。
4.根據(jù)權(quán)利要求2或3所述的基于GPU的多光譜人臉檢測(cè)方法，其特征在于，對(duì)于可見(jiàn)光或紅外光圖像中人臉姿態(tài)的劃分規(guī)則為以圖像豎直方向軸作為O度角，以順時(shí)針為正向，把-30到30度之間劃分為為正姿態(tài)，把-90到-30度之間劃分為左姿態(tài)，把30到90度之間劃分為右姿態(tài)。
5.根據(jù)權(quán)利要求I所述的基于GPU的多光譜人臉檢測(cè)方法，其特征在于，紅外光內(nèi)容的檢測(cè)識(shí)別結(jié)果與可見(jiàn)光內(nèi)容的檢測(cè)識(shí)別結(jié)果在融合時(shí)，參照兩個(gè)視頻的錄制時(shí)間，將同一時(shí)間進(jìn)行同步錄制的紅外圖像和可見(jiàn)光圖像的檢測(cè)結(jié)果進(jìn)行融合，其融合公式為 R17 R1 =R1 or 1 2 = OR= [R2 Rl = QJ^miOrIlKm2 其中，分別為可見(jiàn)光圖像和紅外圖像中人臉檢測(cè)的人臉特征，Jf1為可見(jiàn)光圖像中與紅外圖像中人臉特征對(duì)應(yīng)圖像區(qū)域的平均亮度，TH1是判斷圖像塊平均亮度較低時(shí)的閾值,TO2是判斷圖像塊平均亮度較高時(shí)的閾值；上式中，若可見(jiàn)光圖像和紅外圖像中的檢測(cè)結(jié)果相同，則取可見(jiàn)光圖像的檢測(cè)結(jié)果；若可見(jiàn)光圖像中沒(méi)有檢測(cè)到人臉而紅外圖像中檢測(cè)到人臉，則對(duì)可見(jiàn)光圖像中對(duì)應(yīng)的區(qū)域進(jìn)行亮度判斷，如果是因?yàn)榱炼冗^(guò)大或者過(guò)小造成人臉檢測(cè)失敗，則以紅外圖像的檢測(cè)結(jié)果作為最終的檢測(cè)結(jié)果。
全文摘要
一種基于GPU的多光譜人臉檢測(cè)方法，本方法采用基于CUDA構(gòu)架的GPU對(duì)同步錄制的紅外光視頻和可見(jiàn)光視頻進(jìn)行運(yùn)算，分別檢測(cè)出人臉在紅外光圖像和可見(jiàn)光圖像下的特征，并將紅外光檢測(cè)結(jié)果和可見(jiàn)光檢測(cè)結(jié)果同步進(jìn)行融合，將融合后的結(jié)果作為人的臉部特征輸出。本發(fā)明基于多光譜的人臉檢測(cè)方法，融合了可見(jiàn)光圖像和紅外圖像的人臉檢測(cè)結(jié)果。檢測(cè)方法不受光照影響而且檢測(cè)到的人臉圖像為準(zhǔn)確的可見(jiàn)光圖像。能夠?qū)崿F(xiàn)對(duì)惡劣環(huán)境下圖像的人臉檢測(cè)。在檢測(cè)中，對(duì)人臉姿態(tài)建立了姿態(tài)分類的SVM分類器，通過(guò)姿態(tài)分類器進(jìn)行分類，對(duì)紅外圖像的子類進(jìn)行基于adaboos檢測(cè)算法的人臉檢測(cè)。該技術(shù)能夠?qū)t外圖像中多種姿態(tài)的人臉進(jìn)行檢測(cè)，打破了以往紅外圖像中只能夠?qū)φ嫒四槞z測(cè)的局限。
文檔編號(hào)G06K9/00GK102622589SQ20121006449
公開(kāi)日2012年8月1日 申請(qǐng)日期2012年3月13日 優(yōu)先權(quán)日2012年3月13日
發(fā)明者李 燦 申請(qǐng)人:輝路科技(北京)有限公司