一種人臉檢測(cè)方法
【專利摘要】本發(fā)明提出了一種人臉檢測(cè)方法。主要包括以下步驟：首先輸入圖像，預(yù)處理，再進(jìn)行人臉檢測(cè)，檢測(cè)部分采用基于統(tǒng)計(jì)的人臉檢測(cè)方法包括人臉識(shí)別，視頻傳輸，視頻監(jiān)控，其他等，最后結(jié)果輸出。采用此方法可更加精確的進(jìn)行人臉檢測(cè)。
【專利說(shuō)明】一種人臉檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種醫(yī)學(xué)檢測(cè)領(lǐng)域，尤其涉及一種人臉檢測(cè)方法。

【背景技術(shù)】
[0002]在智能化人機(jī)交互和對(duì)計(jì)算機(jī)視覺的研究中，人臉提供了大量有價(jià)值的信息:如膚色、輪廓、表情等信息，是一個(gè)潛在的、友好的人機(jī)交互接口。近年來(lái)，人臉識(shí)別、表情姿態(tài)識(shí)別逐漸成為一個(gè)重要的研究?jī)?nèi)容，并且在視頻監(jiān)控、身份驗(yàn)證、多媒體數(shù)據(jù)庫(kù)的檢索以及網(wǎng)絡(luò)傳輸中的基于內(nèi)容的壓縮與檢索等方面逐漸得到應(yīng)用。人臉信息的利用包括兩個(gè)重要步驟:人臉檢測(cè)和人臉信息提取。人臉檢測(cè)是提取人臉信息的第一個(gè)環(huán)節(jié)，其檢測(cè)性能將直接影響人臉信息提取性能及其應(yīng)用能力。本文將在人臉檢測(cè)算法的魯棒和效率等方面展開研究。人臉信息的第二個(gè)環(huán)節(jié)是人臉信息的提取，主要包括眼睛、鼻子、嘴巴位置信息的提取。人臉檢測(cè)問(wèn)題最初來(lái)源于人臉識(shí)別(face recognit1n)。人臉識(shí)別的研究可以追溯到20世紀(jì)60-70年代，經(jīng)過(guò)幾十年的曲折發(fā)展已日趨成熟。人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)，但是早期的人臉識(shí)別研究主要針對(duì)具有較強(qiáng)約束條件的人臉圖像(如無(wú)背景的圖像)，往往假設(shè)人臉位置己知或很容易獲得，因此，人臉檢測(cè)問(wèn)題并未受到重視。近幾年，隨著電子商務(wù)等應(yīng)用的發(fā)展，人臉識(shí)別成為最有潛力的生物身份確認(rèn)手段，這種應(yīng)用背景要求自動(dòng)人臉識(shí)別系統(tǒng)能夠?qū)σ话悱h(huán)境圖像具有一定的適應(yīng)能力，由此所面臨的一系列問(wèn)題使得人臉檢測(cè)開始作為一個(gè)獨(dú)立的課題受到研究者的重視。今天，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、視覺監(jiān)測(cè)等方面有著重要的應(yīng)用價(jià)值。隨著生物特征技術(shù)的發(fā)展和應(yīng)用，成為身份驗(yàn)證的最理想的依據(jù)手段。而生物特征作為人的內(nèi)在屬性，具有很強(qiáng)的自身穩(wěn)定性和個(gè)體差(如:DNA，指紋、人臉、視網(wǎng)膜、虹膜、聲音等)。其中人臉作為最普通且最具有很強(qiáng)表征性的生物特征模式，廣泛應(yīng)用于許多領(lǐng)域。人臉相比其它人體生物特征具有以下特點(diǎn):(I)人臉蘊(yùn)涵的信息量比人體的其它生物特征豐富；(2)人臉特征信息可以直接應(yīng)用，并且不容易盜用或者假冒；(3)人臉特征具有較為友好的人機(jī)界面，易于為用戶所接受；(4)人臉特征在應(yīng)用上非常方便，不需要其它任何輔助設(shè)備。我們通過(guò)觀察人臉的外部特征，可以判斷一個(gè)人的性另O、種族，甚至身份和性格。因此，對(duì)人臉的研究還不僅局限在工業(yè)、科學(xué)研究上，而且在哲學(xué)、心理學(xué)、醫(yī)學(xué)、人文等領(lǐng)域也有著廣泛的研究意義。


【發(fā)明內(nèi)容】

[0003]為了更精確的對(duì)人臉進(jìn)行識(shí)別，本發(fā)明供一種人臉檢測(cè)方法。
[0004]本發(fā)明提出了一種人臉檢測(cè)方法，主要包括以下步驟:首先輸入圖像，預(yù)處理，再進(jìn)行人臉檢測(cè)，檢測(cè)部分包括人臉識(shí)別，視頻傳輸，視頻監(jiān)控，其他等，最后結(jié)果輸出。利用瀑布(Cascade)算法，即在檢測(cè)過(guò)程中不斷舍棄無(wú)法滿足某一特征閾值的區(qū)域來(lái)減少進(jìn)一步判斷的區(qū)域個(gè)數(shù)，從而達(dá)到了減少計(jì)算量目的。
[0005]本發(fā)明的功能在于，進(jìn)行人臉檢測(cè)。
[0006]本發(fā)明與現(xiàn)有技術(shù)相比有以下優(yōu)點(diǎn):更加精確。

【專利附圖】

【附圖說(shuō)明】
[0007]圖1為人臉檢測(cè)應(yīng)用框架。

【具體實(shí)施方式】
[0008]下面結(jié)合附圖，對(duì)本發(fā)明做進(jìn)一步詳述。
[0009]如圖1所示，本發(fā)明提出了一種人臉檢測(cè)方法。在實(shí)際應(yīng)用中，由于客觀因素的影響，人臉檢測(cè)問(wèn)題的難易程度以及處理方法有很大的差異。在某些情況下，由于圖像(照片)的獲取環(huán)境是可以人為控制的(如身份證照片等)，因而人臉的定位可以輕易地作到；但在大多數(shù)的場(chǎng)合中由于場(chǎng)景較復(fù)雜，人臉的位置是預(yù)先不知道的，因而首先確定場(chǎng)景中是否存在人臉，如果存在人臉，再確定圖像中人臉的位置。臉部毛發(fā)、化妝品、光照、噪聲、面部?jī)A斜和人臉大小變化以及各種各樣遮擋等因素會(huì)使人臉檢測(cè)問(wèn)題變得更為復(fù)雜。
[0010]隨著人臉識(shí)別、表情識(shí)別和人臉跟蹤等人臉感知應(yīng)用系統(tǒng)的研究發(fā)展，臉部特征提取具有重要的研究?jī)r(jià)值，是一切人臉相關(guān)知識(shí)研究的前期工作。同時(shí)，在三維虛擬人臉的自動(dòng)生成、人臉動(dòng)畫以及人臉圖像編碼中面部特征提取也有著重要應(yīng)用，它已成為國(guó)際上一個(gè)非常重要的研究熱點(diǎn)。眼睛作為人面部最重要的器官之一，包含的信息也較其他器官豐富，因此，眼睛定位算法也越來(lái)越引起研究者的關(guān)注。
[0011]基于統(tǒng)計(jì)的人臉檢測(cè)方法
真實(shí)世界是由無(wú)數(shù)個(gè)體樣本組成的，從中分別抽取包含人臉類(正例)和非人臉類(反例)足夠數(shù)量的樣本進(jìn)行統(tǒng)計(jì)分析后，就可以得到代表人臉的普遍特點(diǎn)，這就是利用統(tǒng)計(jì)模型進(jìn)行人臉檢測(cè)的理論根據(jù)。為了檢測(cè)大小不同的人臉，通常采用由粗到細(xì)的分級(jí)策略進(jìn)行處理。對(duì)于每個(gè)分級(jí)圖像，采用一個(gè)固定大小的窗口，滑動(dòng)窗口抽取圖像中的不同區(qū)域進(jìn)行處理。而且最后要合并同一位置上不同分級(jí)所檢測(cè)到的人臉區(qū)域。與基于的檢測(cè)方法相比，統(tǒng)計(jì)模型的優(yōu)點(diǎn)在于通常不需要或需要少量研究者的先驗(yàn)知識(shí)，而是通過(guò)統(tǒng)計(jì)大量樣本得到一個(gè)判別規(guī)則，但這也意味著需要采集數(shù)量很大的學(xué)習(xí)樣本才能夠得到具有普遍意義的分類器，否則往往分類正確性很低。
[0012]主成分分析與特征臉
由于人臉樣本作為平面圖像本身維數(shù)較高，因此降低數(shù)據(jù)維數(shù)的分類學(xué)習(xí)算法就十分重要，其中主成份分析(Principal Component Analysis, PCA)得到了廣泛應(yīng)用。它是一個(gè)最小方差準(zhǔn)則下最優(yōu)的描述方法，能夠?qū)⑤斎霐?shù)據(jù)的維數(shù)從圖像空間的像素?cái)?shù)減少為特征空間的維數(shù)。Moghaddam等人運(yùn)用PCA定義了人臉模式的最優(yōu)子空間并找出其中主要成份的線性關(guān)系。K-L變換是主成份分析中的關(guān)鍵，Kirby在早期先將K-L變換應(yīng)用到人臉檢測(cè)上。對(duì)于一組尺寸固定的訓(xùn)練圖像，代表一個(gè)維數(shù)是其面積的矢量，K-L變換將這組矢量投影到低維子空間，同時(shí)保證其與原始圖像的均方差最小。在這個(gè)子空間里，選取其最大的一組特征向量向原始高維空間投影變換可以恢復(fù)人臉，因此它們代表人臉的特征，被稱為特征臉。Turk等人運(yùn)用此方法，將人臉與非人臉的樣本分別進(jìn)行子空間投影和聚類，得到人臉空間，在檢測(cè)時(shí)將圖像投影并計(jì)算它與人臉空間的距離進(jìn)行判斷，同時(shí)也將該方法應(yīng)用到下一步的人臉識(shí)別過(guò)程當(dāng)中，即計(jì)算不同人的特征臉距離。中科院計(jì)算所研究的人臉檢測(cè)系統(tǒng)也用到特征臉子空間方法。
[0013]神經(jīng)網(wǎng)絡(luò)方法
神經(jīng)網(wǎng)絡(luò)(Neural Networks, NN)也是一種基于樣本統(tǒng)計(jì)學(xué)習(xí)的方法,在許多模與非人臉區(qū)域在圖像上的變化運(yùn)用HMM進(jìn)行了參數(shù)調(diào)整，并將其分別聚類進(jìn)行人臉判別。
[0014]Adaboost 算法
V1la等利用Adaboost算法進(jìn)行了人臉檢測(cè)的研究,取得很好的效果。Adaboost是一種基于統(tǒng)計(jì)的學(xué)習(xí)算法，能夠在學(xué)習(xí)過(guò)程中不斷根據(jù)正例和反例中各個(gè)事先定義好的特征所起的效果調(diào)整該特征的權(quán)值，最終按照特征的性能由好到壞給出判斷準(zhǔn)則，同時(shí)他們利用瀑布(Cascade)算法，即在檢測(cè)過(guò)程中不斷舍棄無(wú)法滿足某一特征閾值的區(qū)域來(lái)減少進(jìn)一步判斷的區(qū)域個(gè)數(shù)，從而達(dá)到了減少計(jì)算量目的。Li的研究組對(duì)該算法進(jìn)行改進(jìn)提出一種基于Floatboost算法的人臉檢測(cè)方法，建立了第一個(gè)實(shí)時(shí)的多視角人臉檢測(cè)系統(tǒng)。Adaboost算法代表目前檢測(cè)速度快、精度高的統(tǒng)計(jì)方法發(fā)展趨勢(shì)，但受樣本集的影響較大?；趫D像的人臉檢測(cè)方法具有很強(qiáng)的適應(yīng)能力和魯棒性，但由于需要對(duì)所有可能的檢測(cè)窗口進(jìn)行窮舉搜索，因此計(jì)算復(fù)雜度高；而且這類方法需要消耗大量的時(shí)間和精力收集和訓(xùn)練樣本，特別是非人臉樣本的選取仍存在很大的困難。
[0015]綜上所述，人們?cè)谌四槞z測(cè)領(lǐng)域做了大量工作，提出了許多方法，但現(xiàn)有的系統(tǒng)仍存在對(duì)限制條件要求較嚴(yán)格、魯棒性較差、誤檢率過(guò)高等缺點(diǎn)，這些也限制了人臉識(shí)別系統(tǒng)的應(yīng)用范圍。所以進(jìn)一步利用人臉的灰度分布、幾何形狀、膚色、紋理、運(yùn)動(dòng)等知識(shí)研究適應(yīng)性強(qiáng)、分割精度高的快速算法仍是人們未來(lái)的工作，因而人臉檢測(cè)方法的發(fā)展方向是建立更有效的人臉描述和搜索計(jì)算策略模型。
[0016]人臉檢測(cè)系統(tǒng)的評(píng)價(jià)標(biāo)準(zhǔn)
(I)檢測(cè)率:被正確檢測(cè)到的人臉數(shù)目與原圖像內(nèi)包含的人臉數(shù)目的比值。檢測(cè)率越高，表明檢測(cè)系統(tǒng)對(duì)人臉的接受能力越強(qiáng)。(2)誤識(shí)率(或虛警率、誤報(bào)率、誤檢率):被誤檢為人臉的非人臉子窗口的數(shù)目與原圖像內(nèi)被檢測(cè)的所有非人臉子窗口數(shù)目的比值。檢測(cè)率無(wú)法反映系統(tǒng)對(duì)非人臉的排除能力，有可能所有人臉都被檢測(cè)到的同時(shí)有大量的非人臉也被誤檢為人臉。因此，引入誤識(shí)率來(lái)衡量系統(tǒng)對(duì)非人臉樣本的排除能力。誤識(shí)率越低，表明檢測(cè)系統(tǒng)對(duì)非人臉的排除能力越強(qiáng)。(3)檢測(cè)速度:大部分應(yīng)用領(lǐng)域需要在線實(shí)時(shí)地檢測(cè)人臉，如人臉識(shí)別、人臉式識(shí)別問(wèn)題，如文字識(shí)別、物體檢測(cè)、機(jī)器人行為中取得了很好的效果。對(duì)于人臉檢測(cè)，其優(yōu)點(diǎn)在于能夠訓(xùn)練出一個(gè)感知人臉復(fù)雜模式的分類器，但是其缺點(diǎn)在于需要指定和調(diào)整神經(jīng)網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)數(shù)、權(quán)值等參數(shù)。MIT的研究者將人臉樣本集和非人臉樣本集的子類之間距離作為識(shí)別特征向量，利用多層感知器(MLP)網(wǎng)絡(luò)作為分類器實(shí)現(xiàn)了人臉檢測(cè)。CMU的Rowley等人直接以圖像作為神經(jīng)網(wǎng)絡(luò)分類器，通過(guò)前饋神經(jīng)網(wǎng)絡(luò)對(duì)檢測(cè)結(jié)果優(yōu)化。這兩種方法的共同之處是都采用了自調(diào)整的學(xué)習(xí)原理，對(duì)分類器一邊訓(xùn)練，一邊測(cè)試，并將測(cè)試過(guò)程中的錯(cuò)誤分類結(jié)果作為反例樣本加入到學(xué)習(xí)過(guò)程中，從而減少了樣本集的規(guī)模，提高了神經(jīng)網(wǎng)絡(luò)的分類性能。
[0017]支持向量機(jī)
支持向量機(jī)(Support Vector Machines, SVM)是一種二次規(guī)劃方法,它是對(duì)結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納原則的近似，其理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論。對(duì)區(qū)分兩類目標(biāo)的模式識(shí)別問(wèn)題比較有效。它在處理大量正反例樣本時(shí)，只選取位于兩個(gè)類別的分界面附近的數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)。因此，這些支持分界平面的數(shù)據(jù)向量被稱為“支持向量”。Osuna等人利用大量人臉與非人臉樣本進(jìn)行訓(xùn)練，得到了一組矢量，分別代表這兩類邊界樣本即支持向量。利用這些向量進(jìn)行判斷的人臉分類器起到了很好的檢測(cè)效果。此外支持向量機(jī)還被應(yīng)用到在小波域進(jìn)行人臉與步態(tài)檢測(cè)的方法中。中科院自動(dòng)化所的研究者采用支持向量機(jī)對(duì)人臉輪廓分類器進(jìn)行了訓(xùn)練，得到一個(gè)多算法融合的人臉定位系統(tǒng)。
[0018]隱馬爾可夫模型
隱馬爾可夫模型(Hidden Markov Model, HMM)針對(duì)的是一組參數(shù)隨機(jī)變化的序列，其中的參數(shù)可以通過(guò)訓(xùn)練找出變化規(guī)律。對(duì)于一種模式識(shí)別問(wèn)題來(lái)說(shuō)，首先需要建立模型并得到一系列隱含狀態(tài)，然后經(jīng)過(guò)樣本訓(xùn)練計(jì)算每個(gè)狀態(tài)的出現(xiàn)概率。HMM對(duì)參數(shù)訓(xùn)練調(diào)整的結(jié)果是模型各個(gè)時(shí)態(tài)出現(xiàn)的概率，與真實(shí)觀察世界中事件的各種狀態(tài)出現(xiàn)的概率相似度最大。HMM被廣泛應(yīng)用到人臉檢測(cè)和人臉識(shí)別當(dāng)中。Samaria將人臉從上到下分為額頭、雙眼、鼻、嘴、下顎等若干狀態(tài)，利用HMM對(duì)人臉區(qū)域進(jìn)行了訓(xùn)練，如果檢測(cè)時(shí)從上到下每一個(gè)狀態(tài)都對(duì)應(yīng)于人臉的各部分，則認(rèn)為是人臉。Samaria和Young在此基礎(chǔ)上建立一個(gè)一維和偽二維HMM來(lái)進(jìn)行人臉特征提取，他們將人臉自頂向下按照器官特征分為若干狀態(tài)，同時(shí)對(duì)每一個(gè)狀態(tài)即特征的長(zhǎng)和寬進(jìn)行訓(xùn)練調(diào)整。Rajagopalan等人則對(duì)人臉區(qū)域跟蹤和可編程視頻監(jiān)控等。通常，提高速度往往是以降低檢測(cè)率為代價(jià)的。因此，在檢測(cè)率和誤檢率達(dá)到滿意的前提下，檢測(cè)速度越快越好。魯棒性:反映了檢測(cè)系統(tǒng)在各種條件下的適應(yīng)能力。這四個(gè)標(biāo)準(zhǔn)有些是相互制約的。例如，誤檢率會(huì)隨著檢測(cè)率的提高而提高，檢測(cè)率隨著誤檢率的降低而降低；或檢測(cè)率和誤檢率都很理想，但檢測(cè)速度很慢，如神經(jīng)網(wǎng)絡(luò)方法；又或檢測(cè)速度雖快，但魯棒性較差。
[0019]人臉檢測(cè)問(wèn)題可用的圖像庫(kù)由于人臉檢測(cè)問(wèn)題最初來(lái)自人臉識(shí)別問(wèn)題，長(zhǎng)期以來(lái)，研究人員雖然提出了大量的人臉檢測(cè)方法，但在說(shuō)明他們的檢測(cè)方法的性能時(shí)，往往使用不同的人臉測(cè)試集，因此，這就給各種人臉檢測(cè)方法的優(yōu)劣評(píng)價(jià)缺乏一個(gè)統(tǒng)一的標(biāo)準(zhǔn)。針對(duì)該問(wèn)題，出現(xiàn)了一些標(biāo)準(zhǔn)測(cè)試人臉圖像集，但是對(duì)于怎樣才是一個(gè)“成功的人臉檢測(cè)方法”，仍舊缺乏一個(gè)統(tǒng)一標(biāo)準(zhǔn)；另一方面，對(duì)于不同的訓(xùn)練集，尤其是一些基于圖像塊的人臉檢測(cè)方法，對(duì)測(cè)試結(jié)果的影響也是很大的。
【權(quán)利要求】
1.一種人臉檢測(cè)方法，本發(fā)明提出了一種人臉檢測(cè)方法，其特征在于，主要包括以下步驟:首先輸入圖像，預(yù)處理，再進(jìn)行人臉檢測(cè)，檢測(cè)部分包括人臉識(shí)別，視頻傳輸，視頻監(jiān)控，其他等，最后結(jié)果輸出。
2.根據(jù)權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，利用瀑布(Cascade)算法，即在檢測(cè)過(guò)程中不斷舍棄無(wú)法滿足某一特征閾值的區(qū)域來(lái)減少進(jìn)一步判斷的區(qū)域個(gè)數(shù)，從而達(dá)到了減少計(jì)算量目的。
【文檔編號(hào)】G06K9/00GK104166833SQ201310187122
【公開日】2014年11月26日 申請(qǐng)日期:2013年5月20日 優(yōu)先權(quán)日:2013年5月20日
【發(fā)明者】李稱鑫, 劉雁飛, 張丹丹 申請(qǐng)人:天津市天堰醫(yī)教科技開發(fā)有限公司