本發(fā)明涉及通信技術(shù)領(lǐng)域，具體涉及一種人臉檢測(cè)的訓(xùn)練方法、檢測(cè)方法和裝置。

背景技術(shù)：

人臉檢測(cè)是一項(xiàng)涉及計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)的技術(shù)，主要目的是在圖像和視頻中檢測(cè)出人臉的目標(biāo)實(shí)例，可應(yīng)用于人臉識(shí)別，人機(jī)交互等技術(shù)領(lǐng)域。

目前，人臉檢測(cè)的方法有很多，按照模型來區(qū)分，主流的方案有以下幾種：

1)支持向量機(jī)(Support Vector Machine，SVM)，主要和梯度方向直方圖(Histogram of Oriented Gradient，HOG)特征一起應(yīng)用于行人檢測(cè)領(lǐng)域。該方案計(jì)算稠密的梯度方向特征，使用簡(jiǎn)單的線性SVM對(duì)高維的HOG描述子進(jìn)行分類就能取得很好的檢測(cè)效果。

2)基于部件的變形模型(Deformable Part-based Model，DPM)，主要和HOG特征一起應(yīng)用于泛化目標(biāo)(Generalized Object)的檢測(cè)與識(shí)別，尤其適合對(duì)非剛性目標(biāo)的檢測(cè)和識(shí)別。該方法的核心要素，是將部件相對(duì)位置和整體位置視為隱變量，使用隱形SVM(Latent-SVM)完成半監(jiān)督學(xué)習(xí)。該方法也可以實(shí)現(xiàn)級(jí)聯(lián)檢測(cè)，在不影響檢測(cè)質(zhì)量的前提下，可以實(shí)現(xiàn)一個(gè)數(shù)量級(jí)的速度提升。

3)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是近年大熱的方法，適用于泛化目標(biāo)的檢測(cè)與識(shí)別。通過對(duì)輸入圖像進(jìn)行多層的卷積、池化操作，再通過Softmax分類器進(jìn)行分類，即可完成檢測(cè)過程。

4)自提升級(jí)聯(lián)模型(AdaBoost Cascaded Model)，主要和哈爾(Haar)特征一起應(yīng)用于人臉檢測(cè)(Face Detection)領(lǐng)域。該方案使用簡(jiǎn)單的哈爾特征學(xué)習(xí)許多簡(jiǎn)單的弱分類器(Weak Classifier)，在實(shí)際檢測(cè)時(shí)采用級(jí)聯(lián)結(jié)構(gòu)，每一層濾掉大部分非人臉候選，同時(shí)讓大部分人臉候選通過，從而加速檢測(cè)。

然而，上述人臉檢測(cè)方案均難以兼顧檢測(cè)速度及檢測(cè)效果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例能夠解決在保證檢測(cè)效果的情況下，如何降低人臉檢測(cè)的復(fù)雜度及計(jì)算量，提高檢測(cè)效率。

為解決上述問題，本發(fā)明實(shí)施例提供了一種人臉檢測(cè)器的訓(xùn)練方法，所述人臉檢測(cè)器包括第一分類器及第二分類器，所述方法包括：

采集人臉和非人臉圖像作為訓(xùn)練樣本集；

提取所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本的亮度比較特征；

根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征；

利用所述蕨特征及貝葉斯定理進(jìn)行訓(xùn)練，得到所述第一分類器；

利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，P≥1，且P為整數(shù)；

將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器。

可選地，所述第一分類器分類方法如下：

其中，F(xiàn)_j是所述訓(xùn)練樣本集中第k個(gè)訓(xùn)練樣本的第j個(gè)蕨特征；C_q是第q個(gè)類別，P(F_m|C＝C_q)是第k個(gè)訓(xùn)練樣本的類別為C_q時(shí)，第j個(gè)蕨特征的似然度，J為第k個(gè)訓(xùn)練樣本的蕨特征的總數(shù)；為第一分類器對(duì)第k個(gè)訓(xùn)練樣本的分類結(jié)果；所述第k個(gè)訓(xùn)練樣本為所述訓(xùn)練樣本集中任一訓(xùn)練樣本。

可選地，所述決策樹為回歸樹。

可選地，所述利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，包括：

對(duì)已獲得的p-1個(gè)決策樹分類器誤分類的訓(xùn)練樣本的權(quán)重進(jìn)行更新，1≤p≤P，并根據(jù)更新后的訓(xùn)練樣本的權(quán)重，進(jìn)行第p輪的訓(xùn)練，獲得第p個(gè)決策樹分類器，其中，采用如下步驟獲得第p個(gè)決策樹分類器：

從待劃分的訓(xùn)練樣本的亮度比較特征集合中選取部分亮度比較特征；

根據(jù)所選取的所述部分亮度比較特征對(duì)所述待劃分的訓(xùn)練樣本進(jìn)行分類；

根據(jù)更新后的所述訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重，采用最小化加權(quán)均方差準(zhǔn)則訓(xùn)練所述第p個(gè)決策樹的劃分節(jié)點(diǎn)，直至達(dá)到所述第p個(gè)決策樹的最大深度。

可選地，采用如下公式對(duì)第k個(gè)訓(xùn)練樣本的權(quán)重進(jìn)行更新：

w_k’＝w_k·exp(-l_kT_p(S_k))；

其中，T_p(S_k)是第p個(gè)決策樹分類器在所述第k個(gè)訓(xùn)練樣本的數(shù)據(jù)為S_k時(shí)，對(duì)所述第k個(gè)訓(xùn)練樣本的輸出值；w_k、l_k分別是所述第k個(gè)訓(xùn)練樣本的權(quán)重、真實(shí)值；w_k’為對(duì)所述第k個(gè)訓(xùn)練樣本的權(quán)重w_k更新后的權(quán)重。

可選地，所述第二分類器的分類方法如下：

其中，T_p(S)是第p個(gè)決策樹分類器在訓(xùn)練樣本的數(shù)據(jù)為S時(shí)，對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的輸出值；α_p是第p個(gè)決策樹分類器的權(quán)重，H(S)為所述第二分類器對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果。

可選地，所述根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征，包括：

根據(jù)條件互信息準(zhǔn)則，從每個(gè)訓(xùn)練樣本的亮度比較特征中選取部分亮度比較特征，并將所選取的部分亮度比較特征作為第j個(gè)蕨特征，其中，j為正整數(shù)。

本發(fā)明實(shí)施例還提供了一種人臉檢測(cè)方法，所述方法包括：

遍歷待檢測(cè)圖像，獲得待檢測(cè)子圖像集，所述待檢測(cè)子圖像集中每一待檢測(cè)子圖像對(duì)應(yīng)一窗口；

將各所述待檢測(cè)子圖像依次帶入人臉檢測(cè)器的第一分類器及第二分類器中進(jìn)行人臉檢測(cè)，將通過所述第一分類器及第二分類器的待檢測(cè)子圖像判定為所述待檢測(cè)圖像的人臉檢測(cè)結(jié)果；其中，通過采集人臉和非人臉圖像作為訓(xùn)練樣本集，提取所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本的亮度比較特征，并根據(jù) 所述亮度比較特征獲得對(duì)應(yīng)的蕨特征，利用所述蕨特征及貝葉斯定理進(jìn)行訓(xùn)練得到所述第一分類器，并利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，P≥1，且P為整數(shù)，將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器；

所述將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類，得到所述待檢測(cè)圖像的人臉圖像；

輸出所述待檢測(cè)圖像中所述人臉圖像的位置。

可選地，所述第一分類器分類方法如下：

其中，F(xiàn)_j是所述訓(xùn)練樣本集中第k個(gè)訓(xùn)練樣本的第j個(gè)蕨特征；C_q是第q個(gè)類別，P(F_m|C＝C_q)是第k個(gè)訓(xùn)練樣本的類別為C_q時(shí)，第j個(gè)蕨特征的似然度，J為第k個(gè)訓(xùn)練樣本的蕨特征的總數(shù)；為第一分類器對(duì)第k個(gè)訓(xùn)練樣本的分類結(jié)果；所述第k個(gè)訓(xùn)練樣本為所述訓(xùn)練樣本集中任一訓(xùn)練樣本。

可選地，所述決策樹為回歸樹。

可選地，所述利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，包括：

對(duì)已獲得的p-1個(gè)決策樹分類器誤分類的訓(xùn)練樣本的權(quán)重進(jìn)行更新，1≤p≤P，并根據(jù)更新后的訓(xùn)練樣本的權(quán)重，進(jìn)行第p輪的訓(xùn)練，獲得第p個(gè)決策樹分類器，其中，采用如下步驟獲得第p個(gè)決策樹分類器：

從待劃分的訓(xùn)練樣本的亮度比較特征集合中選取部分亮度比較特征；

根據(jù)所選取的所述部分亮度比較特征對(duì)所述待劃分的訓(xùn)練樣本進(jìn)行分類；

根據(jù)更新后的所述訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重，采用最小化加權(quán)均方差準(zhǔn)則訓(xùn)練所述第p個(gè)決策樹的劃分節(jié)點(diǎn)，直至達(dá)到所述第p個(gè)決策樹的最大深度。

可選地，采用如下公式對(duì)第k個(gè)訓(xùn)練樣本的權(quán)重進(jìn)行更新：

w_k’＝w_k·exp(-l_kT_p(S_k))；

其中，T_p(S_k)是第p個(gè)決策樹分類器在所述第k個(gè)訓(xùn)練樣本的數(shù)據(jù)為S_k時(shí)，對(duì)所述第k個(gè)訓(xùn)練樣本的輸出值；w_k、l_k分別是所述第k個(gè)訓(xùn)練樣本的權(quán)重、真實(shí)值；w_k’為對(duì)所述第k個(gè)訓(xùn)練樣本的權(quán)重w_k更新后的權(quán)重。

可選地，所述第二分類器的分類方法如下：

其中，T_p(S)是第p個(gè)決策樹分類器在訓(xùn)練樣本的數(shù)據(jù)為S時(shí)，對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果；α_p是第p個(gè)決策樹分類器的權(quán)重，H(S)為所述第二分類器對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果。

可選地，所述根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征，包括：

根據(jù)條件互信息準(zhǔn)則，從每個(gè)訓(xùn)練樣本的亮度比較特征中選取部分亮度比較特征，并將所選取的部分亮度比較特征作為第j個(gè)蕨特征，其中，j為正整數(shù)。

可選地，還包括：

對(duì)原始圖像進(jìn)行降采樣處理后獲得多個(gè)不同尺度的圖像，將所述多個(gè)不同尺度的圖像分別作為所述待檢測(cè)圖像；

分別將各待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行升采樣處理后再進(jìn)行聚類。

可選地，在所述將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類后，還包括：

分別對(duì)與所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類；

對(duì)每一幀圖像聚類后的結(jié)果進(jìn)行加權(quán)處理，并將加權(quán)處理后的結(jié)果作為所述待檢測(cè)圖像中的人臉圖像。

可選地，所述將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類，得到所述待檢測(cè)圖像的人臉圖像，包括：

在通過所述第一分類器及第二分類器的待檢測(cè)子圖像中，搜索所有相連接的待檢測(cè)子圖像，將相連接的待檢測(cè)子圖像作為一個(gè)聚類；

對(duì)每個(gè)聚類中的所有待檢測(cè)子圖像進(jìn)行平均操作，生成新的待檢測(cè)子圖像；

在所有所述新的待檢測(cè)子圖像中，剔除嵌入待檢測(cè)子圖像，將剩余的所述新的待檢測(cè)子圖像進(jìn)行合并，得到所述待檢測(cè)圖像的人臉圖像。

本發(fā)明實(shí)施例還提供了一種人臉檢測(cè)器的訓(xùn)練裝置，所述人臉檢測(cè)器包括第一分類器及第二分類器，所述裝置包括：

采集單元，適于采集人臉和非人臉圖像作為訓(xùn)練樣本集；

第一特征提取單元，適于提取所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本的亮度比較特征；

第二特征提取單元，適于根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征；

第一訓(xùn)練單元，適于利用所述蕨特征及貝葉斯定理進(jìn)行訓(xùn)練，得到所述第一分類器；

第二訓(xùn)練單元，適于利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，P≥1，且P為整數(shù)；

級(jí)聯(lián)單元，適于將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器。

可選地，所述第一訓(xùn)練單元訓(xùn)練得到所述第一分類器分類方法如下：

其中，F(xiàn)_j是所述訓(xùn)練樣本集中第k個(gè)訓(xùn)練樣本的第j個(gè)蕨特征；C_q是第q個(gè)類別，P(F_m|C＝C_q)是第k個(gè)訓(xùn)練樣本的類別為C_q時(shí)，第j個(gè)蕨特征的似然度，J為第k個(gè)訓(xùn)練樣本的蕨特征的總數(shù)；為第一分類器對(duì)第k個(gè)訓(xùn)練樣本的分類結(jié)果；所述第k個(gè)訓(xùn)練樣本為所述訓(xùn)練樣本集中任一訓(xùn)練樣本。

可選地，所述決策樹為回歸樹。

可選地，所述第二訓(xùn)練單元包括：更新子單元及訓(xùn)練子單元；其中：

所述更新子單元，適于對(duì)已獲得的p-1個(gè)決策樹分類器誤分類的訓(xùn)練樣本的權(quán)重進(jìn)行更新，1≤p≤P；

所述訓(xùn)練子單元，適于根據(jù)更新后的訓(xùn)練樣本的權(quán)重，進(jìn)行第p輪的訓(xùn)練，獲得第p個(gè)決策樹分類器，包括：提取模塊，分類模塊及訓(xùn)練模塊；

所述提取模塊，適于從待劃分的訓(xùn)練樣本的亮度比較特征集合中選取部分亮度比較特征；

所述分類模塊，適于根據(jù)所選取的所述部分亮度比較特征對(duì)所述待劃分的訓(xùn)練樣本進(jìn)行分類；

所述訓(xùn)練模塊，適于根據(jù)更新后的所述訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重，采用最小化加權(quán)均方差準(zhǔn)則訓(xùn)練所述第p個(gè)決策樹的劃分節(jié)點(diǎn)，直至達(dá)到所述第p個(gè)決策樹的最大深度。

可選地，所述更新子單元適于采用如下公式對(duì)第k個(gè)訓(xùn)練樣本的權(quán)重進(jìn)行更新：

w_k’＝w_k·exp(-l_kT_p(S_k))；

其中，T_p(S_k)是第p個(gè)決策樹分類器在所述第k個(gè)訓(xùn)練樣本的數(shù)據(jù)為S_k時(shí)，對(duì)所述第k個(gè)訓(xùn)練樣本的輸出值；w_k、l_k分別是所述第k個(gè)訓(xùn)練樣本的權(quán)重、真實(shí)值；w_k’為對(duì)所述第k個(gè)訓(xùn)練樣本的權(quán)重w_k更新后的權(quán)重。

可選地，所述級(jí)聯(lián)單元得到所述第二分類器的方法如下：

其中，T_p(S)是第p個(gè)決策樹分類器在訓(xùn)練樣本的數(shù)據(jù)為S時(shí)，對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的輸出值；α_p是第p個(gè)決策樹分類器的權(quán)重，H(S)為所述第二分類器對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果。

可選地，所述第二特征提取單元適于根據(jù)條件互信息準(zhǔn)則，從每個(gè)訓(xùn)練樣本的亮度比較特征中選取部分亮度比較特征，并將所選取的部分亮度比較特征作為第j個(gè)蕨特征，其中，j為正整數(shù)。

本發(fā)明實(shí)施例還提供了一種人臉檢測(cè)裝置，所述裝置包括：

遍歷單元，適于遍歷待檢測(cè)圖像，獲得待檢測(cè)子圖像集，所述待檢測(cè)子圖像集中每一待檢測(cè)子圖像對(duì)應(yīng)一窗口；

檢測(cè)單元，適于將各所述待檢測(cè)子圖像依次帶入人臉檢測(cè)器的第一分類器及第二分類器中進(jìn)行人臉檢測(cè)，將通過所述第一分類器及第二分類器的待檢測(cè)子圖像判定為所述待檢測(cè)圖像的人臉檢測(cè)結(jié)果；其中，所述第一分類器及第二分類器通過人臉檢測(cè)器的訓(xùn)練裝置得到，所述人臉檢測(cè)器的訓(xùn)練裝置包括：采集單元，適于采集人臉和非人臉圖像作為訓(xùn)練樣本集；第一特征提取單元，適于提取所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本的亮度比較特征；第二特征提取單元，適于根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征；第一訓(xùn)練單元，適于利用所述蕨特征及貝葉斯定理進(jìn)行訓(xùn)練，得到所述第一分類器；第二訓(xùn)練單元，適于利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，P≥1，且P為整數(shù)；級(jí)聯(lián)單元，適于將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器；

第一聚類處理單元，適于將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類，得到所述待檢測(cè)圖像的人臉圖像；

輸出單元，適于輸出所述待檢測(cè)圖像中所述人臉圖像的位置。

可選地，所述第一訓(xùn)練單元訓(xùn)練得到所述第一分類器分類方法如下：

其中，F(xiàn)_j是所述訓(xùn)練樣本集中第k個(gè)訓(xùn)練樣本的第j個(gè)蕨特征；C_q是第q個(gè)類別，P(F_m|C＝C_q)是第k個(gè)訓(xùn)練樣本的類別為C_q時(shí)，第j個(gè)蕨特征的似然度，J為第k個(gè)訓(xùn)練樣本的蕨特征的總數(shù)；為第一分類器對(duì)第k個(gè)訓(xùn)練樣本的分類結(jié)果；所述第k個(gè)訓(xùn)練樣本為所述訓(xùn)練樣本集中任一訓(xùn)練樣本。

可選地，所述決策樹為回歸樹。

可選地，所述第二訓(xùn)練單元包括：更新子單元及訓(xùn)練子單元；其中：

所述更新子單元，適于對(duì)已獲得的p-1個(gè)決策樹分類器誤分類的訓(xùn)練樣本的權(quán)重進(jìn)行更新，1≤p≤P；

所述訓(xùn)練子單元，適于根據(jù)更新后的訓(xùn)練樣本的權(quán)重，進(jìn)行第p輪的訓(xùn) 練，獲得第p個(gè)決策樹分類器，包括：提取模塊，分類模塊及訓(xùn)練模塊；

所述提取模塊，適于從待劃分的訓(xùn)練樣本的亮度比較特征集合中選取部分亮度比較特征；

所述分類模塊，適于根據(jù)所選取的所述部分亮度比較特征對(duì)所述待劃分的訓(xùn)練樣本進(jìn)行分類；

所述訓(xùn)練模塊，適于根據(jù)更新后的所述訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重，采用最小化加權(quán)均方差準(zhǔn)則訓(xùn)練所述第p個(gè)決策樹的劃分節(jié)點(diǎn)，直至達(dá)到所述第p個(gè)決策樹的最大深度。

可選地，所述更新子單元適于采用如下公式對(duì)第k個(gè)訓(xùn)練樣本的權(quán)重進(jìn)行更新：

w_k’＝w_k·exp(-l_kT_p(S_k))；

其中，T_p(S_k)是第p個(gè)決策樹分類器在所述第k個(gè)訓(xùn)練樣本的數(shù)據(jù)為S_k時(shí)，對(duì)所述第k個(gè)訓(xùn)練樣本的輸出值；w_k、l_k分別是所述第k個(gè)訓(xùn)練樣本的權(quán)重、真實(shí)值；w_k’為對(duì)所述第k個(gè)訓(xùn)練樣本的權(quán)重w_k更新后的權(quán)重。

可選地，所述級(jí)聯(lián)單元得到所述第二分類器的方法如下：

其中，T_p(S)是第p個(gè)決策樹分類器在訓(xùn)練樣本的數(shù)據(jù)為S時(shí)，對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的輸出值；α_p是第p個(gè)決策樹分類器的權(quán)重，H(S)為所述第二分類器對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果。

可選地，所述第二特征提取單元適于根據(jù)條件互信息準(zhǔn)則，從每個(gè)訓(xùn)練樣本的亮度比較特征中選取部分亮度比較特征，并將所選取的部分亮度比較特征作為第j個(gè)蕨特征，其中，j為正整數(shù)。

可選地，所述裝置還包括：

降采樣處理單元，適于對(duì)原始圖像進(jìn)行降采樣處理后獲得多個(gè)不同尺度的圖像，將所述多個(gè)不同尺度的圖像分別作為所述待檢測(cè)圖像；

升采樣處理單元，適于分別將各待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行升采樣 處理后再進(jìn)行聚類。

可選地，所述裝置還包括：

第二聚類處理單元，適于在將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類后，分別對(duì)與所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類；

加權(quán)處理單元，適于對(duì)每一幀圖像聚類后的結(jié)果進(jìn)行加權(quán)處理，并將加權(quán)處理后的結(jié)果作為所述待檢測(cè)圖像中的人臉圖像。

可選地，所述第一聚類處理單元包括：

搜索子單元，適于在通過所述第一分類器及第二分類器的待檢測(cè)子圖像中，搜索所有相連接的待檢測(cè)子圖像，將相連接的待檢測(cè)子圖像作為一個(gè)聚類；

生成子單元，適于對(duì)每個(gè)聚類中的所有待檢測(cè)子圖像進(jìn)行平均操作，生成新的待檢測(cè)子圖像；

處理子單元，適于在所有所述新的待檢測(cè)子圖像中，剔除嵌入待檢測(cè)子圖像，將剩余的所述新的待檢測(cè)子圖像進(jìn)行合并，得到所述待檢測(cè)圖像的人臉圖像。

與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案至少具有以下優(yōu)點(diǎn)：

通過提取訓(xùn)練樣本的亮度比較特征，進(jìn)而可以根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征，并利用所述蕨特征及貝葉斯定理得到第一分類器，利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則得到P個(gè)決策樹分類器，最后將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器。相對(duì)于HOG特征，所述亮度比較特征的復(fù)雜度較低，因此通過提取所述亮度比較特征來獲得的人臉檢測(cè)器可以提高檢測(cè)速度。相對(duì)于哈爾特征，所述亮度比較特征是隨機(jī)提取的特征，因此通過提取所述亮度比較特征來獲得的人臉檢測(cè)器對(duì)非受限的人臉圖像可以獲得較好的檢測(cè)效果。另外，采用利用所述蕨特征及貝葉斯定理得到的第一分類器進(jìn)行檢測(cè)時(shí)，可以同時(shí)對(duì)多個(gè)窗口進(jìn)行檢測(cè)，因此可以快速排除非目標(biāo)窗口，進(jìn)一步提高檢測(cè)速度。

進(jìn)一步地，通過采用條件互信息準(zhǔn)則構(gòu)建蕨特征，相比于隨機(jī)選擇亮度比較特征來構(gòu)建蕨特征，能夠選擇出鑒別性更好的特征組合，從而可以進(jìn)一步提高人臉檢測(cè)器的檢測(cè)速度。

進(jìn)一步地，通過對(duì)原始圖像的多個(gè)不同尺度的圖像分別進(jìn)行人臉檢測(cè)，能夠獲取多個(gè)尺度的候選窗口，一起進(jìn)行后處理,可以進(jìn)一步提高人臉檢測(cè)的檢測(cè)效果。

進(jìn)一步地，通過對(duì)與所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像進(jìn)行檢測(cè)，并根據(jù)對(duì)所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像的人臉檢測(cè)結(jié)果來獲得最終的人臉檢測(cè)結(jié)果，對(duì)當(dāng)前幀和相鄰數(shù)幀的檢測(cè)結(jié)果進(jìn)行加權(quán)平均，等價(jià)于對(duì)檢測(cè)結(jié)果進(jìn)行平滑濾波，能夠消除檢測(cè)結(jié)果抖動(dòng)的情況,可以進(jìn)一步提高人臉檢測(cè)的檢測(cè)效果。

附圖說明

圖1是本發(fā)明實(shí)施例中一種人臉檢測(cè)器的訓(xùn)練方法流程圖；

圖2是本發(fā)明實(shí)施例中一種人臉檢測(cè)方法流程圖；

圖3是本發(fā)明實(shí)施例中一種剔除嵌入第一檢測(cè)圖像的示意圖；

圖4為應(yīng)用本發(fā)明實(shí)施例中人臉檢測(cè)方法進(jìn)行人臉檢測(cè)的效果圖；

圖5為應(yīng)用本發(fā)明實(shí)施例中一種人臉檢測(cè)器的訓(xùn)練裝置的結(jié)構(gòu)示意圖；

圖6為應(yīng)用本發(fā)明實(shí)施例中一種人臉檢測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

目前，基于SVM和HOG特征的人臉檢測(cè)器，沒有針對(duì)變形和多視角的處理機(jī)制，因此，對(duì)變形或是側(cè)面視角的人臉目標(biāo)的處理是它的弊端。此外HOG特征的復(fù)雜度較高，導(dǎo)致整個(gè)人臉檢測(cè)速度較低，難以應(yīng)用于低功耗的嵌入式設(shè)備。

基于DPM和HOG特征的人臉檢測(cè)器，雖然適用于變形和多視角的目標(biāo)，但同樣由于HOG特征的復(fù)雜度較高，導(dǎo)致整個(gè)人臉檢測(cè)速度較低，難以應(yīng)用于低功耗的嵌入式設(shè)備。

基于CNN和Softmax分類器的目標(biāo)檢測(cè)器，雖然在現(xiàn)有的標(biāo)準(zhǔn)數(shù)據(jù)集(如：Visual Object Classes Challenge，ImageNet)上的檢測(cè)結(jié)果好于其他方法，但該方案的操作近似“黑盒”，針對(duì)特定目標(biāo)的檢測(cè)，調(diào)整參數(shù)也需要耗費(fèi)極大的人力，降低人臉檢測(cè)速度。

基于自提升級(jí)聯(lián)模型和哈爾特征的人臉檢測(cè)器，雖然檢測(cè)速度較高，但由于哈爾特征主要提取紋理信息，而非邊緣輪廓信息，并且所檢測(cè)的人臉特征的形式十分局限，因此該方案對(duì)非受限的人臉圖像(如側(cè)臉，復(fù)雜光照，模糊，遮擋等情況)，檢測(cè)效果一般。

由上述內(nèi)容可知，上述檢測(cè)方案均難以兼顧檢測(cè)速度及檢測(cè)效果。

針對(duì)上述問題，本發(fā)明的實(shí)施例提供了一種人臉檢測(cè)器的訓(xùn)練方法，所述方法通過提取訓(xùn)練樣本的亮度比較特征，進(jìn)而可以根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征，并利用所述蕨特征及貝葉斯定理得到第一分類器，利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則得到P個(gè)決策樹分類器，最后將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器。通過提取所述亮度比較特征來獲得的人臉檢測(cè)器不僅可以提高檢測(cè)速度，而且可以獲得較好的檢測(cè)效果，更適合應(yīng)用于手機(jī)的用戶終端。并且，采用利用所述蕨特征及貝葉斯定理得到的第一分類器進(jìn)行檢測(cè)時(shí)，可以同時(shí)對(duì)多個(gè)窗口進(jìn)行檢測(cè)，因此可以快速排除非目標(biāo)窗口，進(jìn)一步提高檢測(cè)速度。

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更為明顯易懂，下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施例作詳細(xì)的說明。

如圖1所示，本發(fā)明實(shí)施例提供了一種人臉檢測(cè)器的訓(xùn)練方法。其中，所述人臉檢測(cè)器包括第一分類器及第二分類器。

具體地，所述方法如下步驟：

步驟11，采集人臉和非人臉圖像作為訓(xùn)練樣本集。

在具體實(shí)施中，所述訓(xùn)練樣本集中既有包括人臉的圖像，也有不包括人臉的圖像。將所述包括人臉的圖像樣本稱之為正樣本，對(duì)應(yīng)的類別標(biāo)簽q的值可以設(shè)置為“0”，將所述不包括人臉的圖像樣本稱之為負(fù)樣本，對(duì)應(yīng)的類別標(biāo)簽q的值可以設(shè)置為“1”。當(dāng)然，也可以將正樣本對(duì)應(yīng)的類別標(biāo)簽q的 值設(shè)置為“1”，將負(fù)樣本對(duì)應(yīng)的類別標(biāo)簽q的值設(shè)置為“0”，只要能通過數(shù)值將正樣本及負(fù)樣本進(jìn)行標(biāo)識(shí)即可。

在具體實(shí)施中，可以通過多種方式采集訓(xùn)練樣本，所采集到的每一圖像為一訓(xùn)練樣本。其中，比如，可以直接從公開的人臉數(shù)據(jù)集中獲取K個(gè)圖像，也可以通過照相機(jī)等圖像采集設(shè)備實(shí)時(shí)采集K個(gè)圖像，具體采集方式不作限定?？梢岳斫獾氖?，所采集到的圖像中，所述包括人臉的圖像與不包括人臉的圖像的數(shù)量可以由本領(lǐng)域人員根據(jù)實(shí)際情況設(shè)置，所述包括人臉的圖像應(yīng)盡可能具有多種不同的姿態(tài)，以提高根據(jù)所述訓(xùn)練樣本獲得的人臉檢測(cè)器泛化能力。

步驟12，提取所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本的亮度比較特征。

在具體實(shí)施中，以所述訓(xùn)練樣本集中一訓(xùn)練樣本為I為例，通過公式(1)，可以從訓(xùn)練樣本I中提取亮度比較特征：

其中，p₁及p₂分別為從訓(xùn)練樣本I上隨機(jī)選擇的兩像素點(diǎn)；I(p₁)及I(p₂)分別像素點(diǎn)p₁，p₂的像素值，f(I；p₁，p₂)為根據(jù)像素點(diǎn)p₁及p₂所獲得的亮度比較特征。

通過公式(1)可以看出，亮度比較特征是在圖像上隨機(jī)選擇兩像素點(diǎn)進(jìn)行比較，屬于弱特征，不僅容易提取，而且與人臉圖像具體情況無關(guān)，也就是與人臉圖像是否為具有正臉、側(cè)臉、復(fù)雜光照，模糊，遮擋等情況的圖像無關(guān)。

步驟13，根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征。

在具體實(shí)施中，可以采用自助法在從訓(xùn)練樣本I中提取的所有亮度比較特征中一次選取n個(gè)亮度比較特征。在構(gòu)建第j個(gè)蕨特征時(shí)，可以采用條件互信息準(zhǔn)則進(jìn)行構(gòu)建。具體地，若所述第j個(gè)蕨特征由M個(gè)亮度比較特征組成，可以先通過公式(2)從訓(xùn)練樣本I中提取的n個(gè)亮度比較特征中，選取一亮度比較特征f₁，再通過公式(3)從剩余的亮度比較特征中選取所述第j個(gè)蕨 特征的其他亮度比較特征f_m：

f₁＝arg max_n(H(q)-H(q|f_n)) (2)

其中，H(q)是類別標(biāo)簽q的熵；f_l及f_n分別為通過構(gòu)建所述第j個(gè)蕨特征時(shí)，第l次及第n次選取的特征；H(q|f_n)是亮度比較特征f_n已知時(shí)的條件熵；H(q；f_n|f_l)是f_l已知時(shí)類別標(biāo)簽q和亮度比較特征f_n的條件互信息。

在具體實(shí)施中，H(q；f_n|f_l)可以通過公式(4)計(jì)算獲得：

H(q；f_n|f_l)＝H(q|f_l)-H(q|f_n,f_l) (4)

其中，q是亮度比較特征f_l及f_n對(duì)應(yīng)的樣本的類別標(biāo)簽；H(q|f_l)是f_l已知時(shí)的條件熵，H(q|f_n,f_l)是f_l及f_n均已知時(shí)的條件熵。

步驟14，利用所述蕨特征及貝葉斯定理進(jìn)行訓(xùn)練，得到所述第一分類器。

在具體實(shí)施中，設(shè)所述蕨特征之間相互獨(dú)立，根據(jù)貝葉斯定理可以推導(dǎo)出公式(5)，即根據(jù)貝葉斯定理構(gòu)建第一分類器：

其中，F(xiàn)_j是所述訓(xùn)練樣本集中第k個(gè)訓(xùn)練樣本的第j個(gè)蕨特征，C_q是第q個(gè)類別，P(F_m|C＝C_q)是第k個(gè)訓(xùn)練樣本的類別為C_q時(shí)，第j個(gè)蕨特征的似然度，J為第k個(gè)訓(xùn)練樣本的蕨特征的總數(shù)，為第一分類器對(duì)第k個(gè)訓(xùn)練樣本的分類結(jié)果。k為正整數(shù)。所述第k個(gè)訓(xùn)練樣本為所述訓(xùn)練樣本集中任一訓(xùn)練樣本。

通過所述第一分類器，可以同時(shí)對(duì)訓(xùn)練樣本集中的各個(gè)訓(xùn)練樣本屬于正樣本還是負(fù)樣本進(jìn)行分類，進(jìn)而再由所述第二分類器對(duì)正樣本中的人臉圖像進(jìn)行檢測(cè)。

步驟15，利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，P≥1，且P為整數(shù)。

本發(fā)明的實(shí)施例中，以所述決策樹為回歸樹為例，通常采用遞歸的方式來選擇亮度比較特征，并利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則構(gòu)建樹結(jié)構(gòu)。

具體地，先對(duì)已獲得的p-1個(gè)決策樹分類器誤分類的訓(xùn)練樣本的權(quán)重進(jìn)行更新，1≤p≤P，并根據(jù)更新后的訓(xùn)練樣本的權(quán)重，進(jìn)行第p輪的訓(xùn)練，獲得第p個(gè)決策樹分類器。

其中，在構(gòu)建第p個(gè)決策樹分類器時(shí)，先從待劃分的訓(xùn)練樣本的亮度比較特征集合中有放回的選取若干的亮度比較特征，進(jìn)而根據(jù)所選取的部分亮度比較特征對(duì)所述待劃分的訓(xùn)練樣本進(jìn)行分類，從而根據(jù)更新后的各訓(xùn)練樣本的權(quán)重，按照公式(6)計(jì)算對(duì)所述訓(xùn)練樣本集中各訓(xùn)練樣本進(jìn)行分類時(shí)的加權(quán)均方差WMSE，選擇WMSE最小對(duì)應(yīng)的亮度比較特征作為所述第p個(gè)決策樹的劃分節(jié)點(diǎn)，將所述待劃分的訓(xùn)練樣本劃分到左子樹(Left Sub-tree)或右子樹(Right Sub-tree)。

以上步驟將遞歸進(jìn)行，即不斷選擇各子樹中新的亮度比較特征作為劃分節(jié)點(diǎn)，對(duì)劃分進(jìn)左子樹和右子樹的樣本繼續(xù)劃分，直至達(dá)到?jīng)Q策樹的最大深度D為止。當(dāng)達(dá)到?jīng)Q策樹的最大深度D時(shí)，所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本被劃分到對(duì)應(yīng)的葉子節(jié)點(diǎn)。其中，當(dāng)所述劃分節(jié)點(diǎn)為根節(jié)點(diǎn)時(shí)，所述待劃分的訓(xùn)練樣本可以為訓(xùn)練樣本集中的全部訓(xùn)練樣本，當(dāng)所述劃分節(jié)點(diǎn)為其他節(jié)點(diǎn)時(shí)，所述待劃分的訓(xùn)練樣本可以為訓(xùn)練樣本集中的部分訓(xùn)練樣本。

其中，BC_q指選擇某一亮度比較特征對(duì)待劃分的訓(xùn)練樣本進(jìn)行二值分類(Binary Classification)后，被分類為類別標(biāo)簽q的訓(xùn)練樣本；S_k,l_k,w_k分別是第k個(gè)訓(xùn)練樣本的數(shù)據(jù)、加權(quán)真實(shí)值、權(quán)重；是所述訓(xùn)練樣本集中類別標(biāo)簽為q的所有訓(xùn)練樣本的加權(quán)真實(shí)值。

在具體實(shí)施中，可以通過公式(7)計(jì)算

第p個(gè)決策樹構(gòu)建完成后，各個(gè)訓(xùn)練樣本均會(huì)被劃分到對(duì)應(yīng)的葉子節(jié)點(diǎn)(Leaf Node，LN)中，對(duì)應(yīng)葉子節(jié)點(diǎn)的數(shù)值即為所述第p個(gè)決策樹分類器對(duì)該訓(xùn)練樣本的輸出值。以所述第p個(gè)決策樹包括X個(gè)葉子節(jié)點(diǎn)，所述第k個(gè)訓(xùn)練樣本被劃分為第p個(gè)決策樹的第x個(gè)葉子節(jié)點(diǎn)LN_x為例，x∈[0,X]可以通過公式(8)獲得所述第p個(gè)決策樹分類器對(duì)第k個(gè)訓(xùn)練樣本的輸出值，即第x個(gè)葉子節(jié)點(diǎn)的數(shù)值LNS_x：

在具體實(shí)施中，可以采用公式(9)對(duì)第k個(gè)訓(xùn)練樣本的權(quán)重w_k進(jìn)行更新：

w_k’＝w_k·exp(-l_kT_p(S_k)) (9)

其中，T_p(S_k)是第p個(gè)決策樹分類器在所述第k個(gè)訓(xùn)練樣本的數(shù)據(jù)為S_k時(shí)，對(duì)所述第k個(gè)訓(xùn)練樣本的輸出值；w_k、l_k分別是所述第k個(gè)訓(xùn)練樣本的權(quán)重、真實(shí)值；w_k’為對(duì)所述第k個(gè)訓(xùn)練樣本的權(quán)重w_k更新后的權(quán)重。T_p(S_k)的數(shù)值符號(hào)代表所述第p個(gè)決策樹分類器對(duì)該樣本的分類結(jié)果，T_p(S_k)的絕對(duì)值代表置信度。

步驟16，將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器。

在具體實(shí)施中，可以按照公式(7)將所述P個(gè)決策樹分類器進(jìn)行級(jí)聯(lián)，得到所述第二分類器：

其中，T_p(S)是第p個(gè)決策樹分類器在訓(xùn)練樣本的數(shù)據(jù)為S時(shí)，對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的輸出值；α_p是第p個(gè)決策樹分類器的權(quán)重，H(S)為所述第二分類器對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果。

步驟17，將包含所述第一分類器及第二分類器的檢測(cè)器作為所述人臉檢測(cè)器。

由上述內(nèi)容可知，通過提取亮度比較特征，進(jìn)而可以根據(jù)所提取的亮度比較特征生成蕨特征，從而可以根據(jù)所述亮度比較特征生成第一分類器，根據(jù)所述蕨特征生成第二分類器，通過所述第一分類器及第二分類器對(duì)人臉進(jìn) 行檢測(cè)，不僅可以提高檢測(cè)速度，而且可以獲得較好的檢測(cè)效果。

如圖2所示，本發(fā)明實(shí)施例還提供了一種人臉檢測(cè)方法，所述方法應(yīng)用上述人臉檢測(cè)器訓(xùn)練方法獲得的人臉檢測(cè)器進(jìn)行人臉檢測(cè)。具體地，所述人臉檢測(cè)方法可以包括如下步驟：

步驟21，遍歷待檢測(cè)圖像，獲得待檢測(cè)子圖像集，所述待檢測(cè)子圖像集中每一待檢測(cè)子圖像對(duì)應(yīng)一窗口。

在具體實(shí)施中，可以采用滑動(dòng)窗口的方式遍歷所述待檢測(cè)圖像，每一待檢測(cè)子圖像即為一窗口。其中，窗口的大小可以由本領(lǐng)域人員根據(jù)實(shí)際情況進(jìn)行設(shè)置。

步驟22，將各所述待檢測(cè)子圖像依次帶入所述第一分類器及第二分類器中進(jìn)行人臉檢測(cè)，將通過所述第一分類器及第二分類器的待檢測(cè)子圖像判定為所述待檢測(cè)圖像的人臉檢測(cè)結(jié)果。

在具體實(shí)施中，所述第一分類器及第二分類器的原理可以參照上述對(duì)人臉檢測(cè)器訓(xùn)練方法的描述。將各待檢測(cè)子圖像先帶入所述第一分類器，由所述第一分類器進(jìn)行初步檢測(cè)后，再將通過第一分類器的待檢測(cè)子圖像帶入所述第二分類器進(jìn)行檢測(cè)，通過所述第二分類器檢測(cè)的待檢測(cè)子圖像為所述人臉檢測(cè)的檢測(cè)結(jié)果。

其中，所述第一分類器在檢測(cè)所述待檢測(cè)子圖像時(shí)，可以同時(shí)對(duì)多個(gè)待檢測(cè)子圖像進(jìn)行檢測(cè)。對(duì)于每個(gè)待檢測(cè)子圖像，所述第一分類器可以提取對(duì)應(yīng)的蕨特征，再分別計(jì)算出各蕨特征在不同類別時(shí)的似然度，并將每一蕨特征的最大似然度對(duì)應(yīng)的類別標(biāo)簽值作為該蕨特征的類別標(biāo)簽。由此可以獲得各蕨特征的類別標(biāo)簽，最終確定各待檢測(cè)子圖像的類別，區(qū)分所述待檢測(cè)子圖像為人臉圖像還是非人臉圖像。

所述第二分類器在檢測(cè)相應(yīng)的待檢測(cè)子圖像時(shí)，先將各待檢測(cè)子圖像依次分別輸入至P個(gè)決策樹分類器，獲得各決策樹分類器對(duì)該待檢測(cè)子圖像的輸出值，從而可以計(jì)算出對(duì)所述待檢測(cè)子圖像的各決策樹分類器的輸出值級(jí)聯(lián)后的值，獲得所述第二分類器對(duì)該待檢測(cè)子圖像的分類結(jié)果。

步驟23，將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類，得到所述 待檢測(cè)圖像的人臉圖像。

在具體實(shí)施中，將通過所述第一分類器及第二分類器的待檢測(cè)子圖像作為第一待檢測(cè)子圖像，所述第一待檢測(cè)子圖像的數(shù)量為多個(gè)。得到所述第一待檢測(cè)子圖像后，按照公式(11)，使用深度優(yōu)先搜索的方法，在所有第一待檢測(cè)子圖像中搜索所有相連接的第一待檢測(cè)子圖像，也就是搜索所有相連接的窗口。

以W₁、W₂為任意兩個(gè)第一待檢測(cè)子圖像為例，當(dāng)W₁、W₂滿足公式(11)時(shí)，W₁、W₂為相互連接的第一待檢測(cè)子圖像：

其中，R₁為預(yù)設(shè)的第一重疊率閾值，可以由本領(lǐng)域人員設(shè)定。

此時(shí)，可能存在多個(gè)聚類，每個(gè)聚類中的所述第一待檢測(cè)子圖像均相互連接。之后，對(duì)每個(gè)聚類中的所有第一待檢測(cè)子圖像進(jìn)行平均操作，生成一新的第一待檢測(cè)子圖像。新生成的第一待檢測(cè)子圖像與各聚類一一對(duì)應(yīng)。也就是說，新生成的第一待檢測(cè)子圖像的數(shù)量與聚類的數(shù)量相同。每個(gè)聚類均生成新的第一待檢測(cè)子圖像后，在所有所述新的第一待檢測(cè)子圖像中，剔除嵌入第一待檢測(cè)子圖像，將剩余的所述新的第一待檢測(cè)子圖像進(jìn)行合并，也就是在所有新的窗口中，剔除嵌入窗口，將剩余的新的窗口進(jìn)行合并，得到所述待檢測(cè)圖像的人臉圖像。

如圖3所示，第一待檢測(cè)子圖像31，32及33均為所述新的第一待檢測(cè)子圖像，其中，第一待檢測(cè)子圖像31被完全包含在第一待檢測(cè)子圖像33中，第一待檢測(cè)子圖像32被部分包含在第一待檢測(cè)子圖像33中。第一待檢測(cè)子圖像31及32均為嵌入第一待檢測(cè)子圖像，應(yīng)剔除。

在具體實(shí)施中，以W₁、W₂為任意兩個(gè)所述新的第一待檢測(cè)子圖像為例，當(dāng)W₁、W₂滿足公式(11)時(shí)，W₂為嵌入W₁的第一待檢測(cè)子圖像，當(dāng)W₁、W₂滿足公式(12)時(shí)，W₁為嵌入W₂的第一待檢測(cè)子圖像：

其中，R₂預(yù)設(shè)的第二重疊率閾值，可以由本領(lǐng)域人員設(shè)定。

步驟24，輸出所述待檢測(cè)圖像中所述人臉圖像的位置。

即使用矩形框等標(biāo)注方式在所述待檢測(cè)圖像中標(biāo)注所得到的人臉圖像的位置。

在具體實(shí)施中，為了獲得更好的檢測(cè)效果，可以先對(duì)原始圖像進(jìn)行降采樣處理，獲得多個(gè)不同尺度的圖像，再將所述多個(gè)不同尺度的圖像分別作為所述待檢測(cè)圖像，分別對(duì)每個(gè)待檢測(cè)圖像執(zhí)行步驟21及22，獲得各待檢測(cè)圖像的人臉檢測(cè)結(jié)果。之后，分別將所述各待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行升采樣處理后再進(jìn)行聚類，得到所述待檢測(cè)圖像的人臉圖像。

在具體實(shí)施中，為了獲得穩(wěn)定的待檢測(cè)的視頻流，以達(dá)到更好的檢測(cè)效果，可以分別對(duì)所述待檢測(cè)圖像，以及與所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像進(jìn)行步驟21-23的人臉檢測(cè)。在將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類后，再分別對(duì)與所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類，按照公式(14)對(duì)每一幀圖像聚類后的結(jié)果進(jìn)行加權(quán)處理，并將加權(quán)處理后的結(jié)果作為所述待檢測(cè)圖像中的人臉圖像。其中，所述預(yù)設(shè)幀數(shù)可以由本領(lǐng)域人員設(shè)定。

其中，DR_t是第t幀圖像的檢測(cè)結(jié)果，α_t是第t幀圖像對(duì)應(yīng)的權(quán)重，T是參與人臉檢測(cè)的圖像的幀數(shù)。

圖4(a)-(g)為應(yīng)用本發(fā)明實(shí)施例中所述人臉檢測(cè)方法獲得的檢測(cè)效果圖。其中，圖4(a)-(g)中矩形框內(nèi)的圖像即為應(yīng)用所述人臉檢測(cè)方法所檢測(cè)到的人臉圖像。從圖4(a)-(g)的人臉檢測(cè)效果圖可以看出，本發(fā)明實(shí)施例中的人臉檢測(cè)方法可以檢測(cè)受限的人臉圖像，也可以檢測(cè)非受限的人臉圖像。也就是說，本發(fā)明實(shí)施例中的人臉檢測(cè)方法可以檢測(cè)正向人臉圖像，也可以檢測(cè)側(cè)臉，復(fù)雜光照，模糊，遮擋等情況的人臉圖像。

為了使本領(lǐng)域技術(shù)人員更好地理解和實(shí)現(xiàn)本發(fā)明，以下分別對(duì)上述方法 對(duì)應(yīng)的裝置進(jìn)行詳細(xì)描述。

如圖5所示，本發(fā)明實(shí)施例提供一種人臉檢測(cè)器的訓(xùn)練裝置，所述人臉檢測(cè)器包括第一分類器及第二分類器。所述裝置可以包括：采集單元51，第一特征提取單元52，第二特征提取單元53，第一訓(xùn)練單元54，第二訓(xùn)練單元55以及級(jí)聯(lián)單元56。其中：

所述采集單元51，適于采集人臉和非人臉圖像作為訓(xùn)練樣本集。所述第一特征提取單元52，適于提取所述訓(xùn)練樣本集中各個(gè)訓(xùn)練樣本的亮度比較特征。所述第二特征提取單元53，適于根據(jù)所述亮度比較特征獲得對(duì)應(yīng)的蕨特征。所述第一訓(xùn)練單元54，適于利用所述蕨特征及貝葉斯定理進(jìn)行訓(xùn)練，得到所述第一分類器。所述第二訓(xùn)練單元55，適于利用所述亮度比較特征及最小化加權(quán)均方差準(zhǔn)則進(jìn)行P輪訓(xùn)練，得到P個(gè)決策樹分類器，P≥1，且P為整數(shù)。所述級(jí)聯(lián)單元56，適于將所述P個(gè)決策樹分類器級(jí)聯(lián)形成所述第二分類器。

在具體實(shí)施中，所述第一訓(xùn)練單元54訓(xùn)練得到所述第一分類器分類方法如下：

其中，F(xiàn)_j是所述訓(xùn)練樣本集中第k個(gè)訓(xùn)練樣本的第j個(gè)蕨特征；C_q是第q個(gè)類別，P(F_m|C＝C_q)是第k個(gè)訓(xùn)練樣本的類別為C_q時(shí)，第j個(gè)蕨特征的似然度，J為第k個(gè)訓(xùn)練樣本的蕨特征的總數(shù)；為第一分類器對(duì)第k個(gè)訓(xùn)練樣本的分類結(jié)果；所述第k個(gè)訓(xùn)練樣本為所述訓(xùn)練樣本集中任一訓(xùn)練樣本。

在具體實(shí)施中，所述決策樹為回歸樹。相應(yīng)地，所述第二訓(xùn)練單元55包括：更新子單元551及訓(xùn)練子單元552。其中：所述更新子單元551，適于對(duì)已獲得的p-1個(gè)決策樹分類器誤分類的訓(xùn)練樣本的權(quán)重進(jìn)行更新，1≤p≤P。所述訓(xùn)練子單元552，適于根據(jù)更新后的訓(xùn)練樣本的權(quán)重，進(jìn)行第p輪的訓(xùn)練，獲得第p個(gè)決策樹分類器。

進(jìn)一步地，所述訓(xùn)練子單元552包括：提取模塊5521，分類模塊5522及訓(xùn)練模塊5523。所述提取模塊5521，適于從待劃分的訓(xùn)練樣本的亮度比較特 征集合中選取部分亮度比較特征。所述分類模塊5522，適于根據(jù)所選取的所述部分亮度比較特征對(duì)所述待劃分的訓(xùn)練樣本進(jìn)行分類。所述訓(xùn)練模塊5523，適于根據(jù)更新后的所述訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重，采用最小化加權(quán)均方差準(zhǔn)則訓(xùn)練所述第p個(gè)決策樹的劃分節(jié)點(diǎn)，直至達(dá)到所述第p個(gè)決策樹的最大深度。

在具體實(shí)施中，所述更新子單元551適于采用如下公式對(duì)第k個(gè)訓(xùn)練樣本的權(quán)重進(jìn)行更新：

w_k’＝w_k·exp(-l_kT_p(S_k))

其中，T_p(S_k)是第p個(gè)決策樹分類器在所述第k個(gè)訓(xùn)練樣本的數(shù)據(jù)為S_k時(shí)，對(duì)所述第k個(gè)訓(xùn)練樣本的輸出值；w_k、l_k分別是所述第k個(gè)訓(xùn)練樣本的權(quán)重、真實(shí)值；w_k’為對(duì)所述第k個(gè)訓(xùn)練樣本的權(quán)重w_k更新后的權(quán)重。

在具體實(shí)施中，所述級(jí)聯(lián)單元56得到所述第二分類器的方法如下：

其中，T_p(S)是第p個(gè)決策樹分類器在訓(xùn)練樣本的數(shù)據(jù)為S時(shí)，對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的輸出值；α_p是第p個(gè)決策樹分類器的權(quán)重，H(S)為所述第二分類器對(duì)所述訓(xùn)練樣本的數(shù)據(jù)為S的訓(xùn)練樣本的分類結(jié)果。

在具體實(shí)施中，所述第二特征提取單元53適于根據(jù)條件互信息準(zhǔn)則，從每個(gè)訓(xùn)練樣本的亮度比較特征中選取部分亮度比較特征，并將所選取的部分亮度比較特征作為第j個(gè)蕨特征，其中，j為正整數(shù)。

如圖6所示，本發(fā)明實(shí)施例還提供了一種人臉檢測(cè)裝置，所述裝置包括：遍歷單元61，檢測(cè)單元62，第一聚類處理單元63以及輸出單元64。其中：

所述遍歷單元61，適于遍歷待檢測(cè)圖像，獲得待檢測(cè)子圖像集，所述待檢測(cè)子圖像集中每一待檢測(cè)子圖像對(duì)應(yīng)一窗口。所述檢測(cè)單元62，適于采用上述人臉檢測(cè)器訓(xùn)練裝置訓(xùn)練得到的人臉檢測(cè)器，對(duì)所述待檢測(cè)子圖像進(jìn)行檢測(cè)，得到所述待檢測(cè)圖像的人臉圖像。所述輸出單元64，適于輸出所述待檢測(cè)圖像中所述人臉圖像的位置。

在具體實(shí)施中，所述裝置還包括：降采樣處理單元(未示出)以及升采樣處理單元(未示出)。其中，所述降采樣處理單元，適于對(duì)原始圖像進(jìn)行降采樣處理后獲得多個(gè)不同尺度的圖像，將所述多個(gè)不同尺度的圖像分別作為所述待檢測(cè)圖像。所述升采樣處理單元，適于分別將各待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行升采樣處理后再進(jìn)行聚類。

在具體實(shí)施中，所述裝置還包括：第二聚類處理單元(未示出)及加權(quán)處理單元(未示出)。其中，所述第二聚類處理單元，適于在將所述判定為待檢測(cè)圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類后，分別對(duì)與所述待檢測(cè)圖像相鄰的預(yù)設(shè)幀數(shù)的圖像的人臉檢測(cè)結(jié)果進(jìn)行聚類。所述加權(quán)處理單元，適于對(duì)每一幀圖像聚類后的結(jié)果進(jìn)行加權(quán)處理，并將加權(quán)處理后的結(jié)果作為所述待檢測(cè)圖像中的人臉圖像。

在具體實(shí)施中，所述第一聚類處理單元63可以包括：搜索子單元631，生成子單元632，以及處理子單元633。其中，

所述搜索子單元631，適于在通過所述第一分類器及第二分類器的待檢測(cè)子圖像中，搜索所有相連接的待檢測(cè)子圖像，將相連接的待檢測(cè)子圖像作為一個(gè)聚類。所述生成子單元632，適于對(duì)每個(gè)聚類中的所有待檢測(cè)子圖像進(jìn)行平均操作，生成新的待檢測(cè)子圖像。所述處理子單元633，適于在所有所述新的待檢測(cè)子圖像中，剔除嵌入待檢測(cè)子圖像，將剩余的所述新的待檢測(cè)子圖像進(jìn)行合并，得到所述待檢測(cè)圖像的人臉圖像。

本領(lǐng)域普通技術(shù)人員可以理解上述實(shí)施例的各種方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，該程序可以存儲(chǔ)于一計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，存儲(chǔ)介質(zhì)可以包括：ROM、RAM、磁盤或光盤等。

雖然本發(fā)明披露如上，但本發(fā)明并非限定于此。任何本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，均可作各種更動(dòng)與修改，因此本發(fā)明的保護(hù)范圍應(yīng)當(dāng)以權(quán)利要求所限定的范圍為準(zhǔn)。