本發(fā)明涉及圖像處理
技術(shù)領(lǐng)域：
，具體涉及一種基于額頭區(qū)域的人臉檢測方法及系統(tǒng)。
背景技術(shù)：
：隨著安全需求的提高，人流量統(tǒng)計、人員特征識別、人臉識別等技術(shù)的商業(yè)價值已經(jīng)開始顯露，并逐步開始應(yīng)用，而人臉檢測作為這些任務(wù)的首要環(huán)節(jié)，具有非常重要的作用和意義，近年來，研究人員在這一領(lǐng)域投入了大量的時間和精力，致力于開發(fā)出一種快速準(zhǔn)確的人臉檢測方法。現(xiàn)有的基于膚色的人臉檢測方法，主要將人臉從RGB空間轉(zhuǎn)化到不同的顏色空間(例如YCbCr、HSV、LUV等)，然后根據(jù)空間中膚色區(qū)域的分布情況訓(xùn)練出對應(yīng)的高斯概率模型，從而根據(jù)高斯概率模型對待檢樣本區(qū)域中的點(diǎn)進(jìn)行預(yù)測，判斷是否屬于人臉區(qū)域，最后對人臉區(qū)域進(jìn)行最小外接矩形判定?，F(xiàn)有的基于膚色的人臉檢測方法忽視了額頭區(qū)域的發(fā)色和膚色的概率分布特性，人臉檢測效果較差。在真實(shí)環(huán)境下，攝像頭監(jiān)控的位置往往較高，與人臉具有一定的角度，較難采集到正面人臉；同時多人場合下的位置關(guān)系，使得人臉很容易發(fā)生局部遮擋現(xiàn)象，不易獲得清晰的眼、鼻、口等特征區(qū)域；同時不同距離之下的人臉具有不同的分辨率。以上三個問題對于人臉檢測來說具有很大的挑戰(zhàn)性，使得現(xiàn)有的人臉檢測方法檢測性能下降。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是：如何提供一種對人臉進(jìn)行準(zhǔn)確檢測的方法。為解決上述技術(shù)問題，本發(fā)明提出了一種基于額頭區(qū)域的人臉檢測方法，該基于額頭區(qū)域的人臉檢測方法包括：采用滑窗的方式對待檢測圖像進(jìn)行遍歷；獲取各個待檢測滑窗的方差，若所述待檢測滑窗的方差大于預(yù)設(shè)閾值，則提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域；其中，訓(xùn)練的級聯(lián)的額頭分類器包括前向分類器和后向分類器；所述前向分類器包括級聯(lián)的Adaboost分類器；所述后向分類器包括基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器?？蛇x地，所述方法還包括：獲取額頭樣本，根據(jù)額頭樣本訓(xùn)練級聯(lián)的額頭分類器?？蛇x地，所述獲取額頭樣本，根據(jù)額頭樣本訓(xùn)練級聯(lián)的額頭分類器包括：提取額頭樣本的擴(kuò)展的Haar-Like特征，通過級聯(lián)的Adaboost算法對所述擴(kuò)展的Haar-Like特征進(jìn)行學(xué)習(xí)，訓(xùn)練得到所述前向分類器；縱向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征，橫向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征；通過級聯(lián)算法對縱向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，通過多核學(xué)習(xí)算法對橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，訓(xùn)練得到后向分類器；其中，所述額頭樣本包括正樣本和負(fù)樣本；擴(kuò)展的Haar-Like特征包括描述水平方向弧形特征的Haar-Like特征和描述豎直方向弧形特征的Haar-Like特征?？蛇x地，所述縱向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征，橫向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征，包括：在N個不同的顏色通道的縱向，所述額頭樣本區(qū)域的每個位置對應(yīng)N種不同形式的映射，獲取各個位置的N種不同形式的映射值；在N個不同的顏色通道的橫向，每個維度對應(yīng)一個通道，獲取每個通道的N種不同類型的顏色信息；其中，N為大于3的整數(shù)?？蛇x地，所述通過級聯(lián)算法對縱向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，包括：獲取縱向提取的多通道顏色頻率特征對應(yīng)的多個弱分類器；通過基于CART樹的GentleAdaboost算法對各個弱分類器進(jìn)行學(xué)習(xí)，獲得縱向提取的多通道顏色頻率特征對應(yīng)的強(qiáng)分類器?？蛇x地，所述通過多核學(xué)習(xí)算法對橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，包括：獲取各個像素的橫向提取的多通道顏色頻率特征，通過多核學(xué)習(xí)算法對各個像素的橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，獲得橫向提取的多通道顏色頻率特征對應(yīng)的強(qiáng)分類器?？蛇x地，所述根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域，包括：通過所述前向分類器獲得所述待檢測圖像中的額頭區(qū)域；通過所述后向分類器獲得經(jīng)前向分類器獲得額頭區(qū)域中的目標(biāo)額頭區(qū)域?？蛇x地，所述通過所述后向分類器獲得經(jīng)前向分類器獲得額頭區(qū)域中的目標(biāo)額頭區(qū)域包括：分別通過基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器判斷經(jīng)前向分類器獲得的額頭區(qū)域是否是額頭區(qū)域；將基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器均判斷經(jīng)前向分類器獲得的額頭區(qū)域正確的區(qū)域確定為目標(biāo)額頭區(qū)域?？蛇x地，所述通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域，包括：對各個目標(biāo)額頭區(qū)域進(jìn)行擴(kuò)展得到目標(biāo)人頭區(qū)域；對所述目標(biāo)人頭區(qū)域進(jìn)行膚色區(qū)域分割，獲取人臉膚色區(qū)域；采用邊緣檢測算法獲得人臉膚色區(qū)域的多個輪廓點(diǎn)；隨機(jī)從所述多個輪廓點(diǎn)進(jìn)行選擇，獲得局部最優(yōu)橢圓的輪廓點(diǎn)；對所述局部最優(yōu)橢圓進(jìn)行最小二乘擬合獲得全局最優(yōu)橢圓，所述全部最優(yōu)橢圓對應(yīng)所述人臉區(qū)域。本發(fā)明還提出了一種基于額頭區(qū)域的人臉檢測系統(tǒng)，包括：圖像遍歷單元，用于采用滑窗的方式對待檢測圖像進(jìn)行遍歷；特征提取單元，用于獲取各個待檢測滑窗的方差，若所述待檢測滑窗的方差大于預(yù)設(shè)閾值，則提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；目標(biāo)額頭區(qū)域獲取單元，用于根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；人臉區(qū)域獲取單元，用于通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域；其中，訓(xùn)練的級聯(lián)的額頭分類器包括前向分類器和后向分類器；所述前向分類器包括級聯(lián)的Adaboost分類器；所述后向分類器包括基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器。本發(fā)明提供的基于額頭區(qū)域的人臉檢測方法及系統(tǒng)，提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；由于不同類型特征的外在表現(xiàn)形式并不一致，單一的特征學(xué)習(xí)算法很難很好地對特征進(jìn)行學(xué)習(xí)，因此本發(fā)明根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域。本發(fā)明通過提取擴(kuò)展的Haar-Like特征和多通道顏色頻率特征，更加豐富的描述額頭區(qū)域的發(fā)色和膚色的概率分布特征，利用具有豐富形狀和顏色特征的額頭區(qū)域?qū)崿F(xiàn)對人臉的檢測，提高了人臉檢測的精度。附圖說明為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明一個實(shí)施例的基于額頭區(qū)域的人臉檢測方法的流程示意圖；圖2是本發(fā)明一個實(shí)施例的Haar-Like特征的示意圖；圖3是本發(fā)明一個實(shí)施例的額頭區(qū)域圖像的8個顏色通道的示意圖；圖4是本發(fā)明一個實(shí)施例的通過級聯(lián)算法對縱向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)的示意圖；圖5是本發(fā)明一個實(shí)施例的通過多核學(xué)習(xí)算法對橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)的示意圖；圖6是本發(fā)明一個實(shí)施例的基于額頭區(qū)域的人臉檢測系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。圖1是本發(fā)明一個實(shí)施例的基于額頭區(qū)域的人臉檢測方法的流程示意圖。如圖1所示，該實(shí)施例的基于額頭區(qū)域的人臉檢測方法包括：S11：采用滑窗的方式對待檢測圖像進(jìn)行遍歷；S12：獲取各個待檢測滑窗的方差，若所述待檢測滑窗的方差大于預(yù)設(shè)閾值，則提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；S13：根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；S14：通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域；其中，訓(xùn)練的級聯(lián)的額頭分類器包括前向分類器和后向分類器；所述前向分類器包括級聯(lián)的Adaboost分類器；所述后向分類器包括基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器。在實(shí)際應(yīng)用中，在檢測階段，對于給定的待檢測圖像，采用滑窗的方式對整張待檢測圖像進(jìn)行遍歷，首先判定每個待檢測滑窗的方差，如果小于預(yù)設(shè)閾值(可以設(shè)為50)，則過濾掉，反之對待檢測滑窗提取擴(kuò)展的Haar-Like特征和多通道顏色頻率特征，然后利用訓(xùn)練的級聯(lián)的額頭分類器對其進(jìn)行檢測。這樣會得到大量候選的額頭區(qū)域，然后通過最大值抑制的方法對候選區(qū)域進(jìn)行合并，得到最終的額頭區(qū)域。本發(fā)明實(shí)施例的基于額頭區(qū)域的人臉檢測方法，提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；由于不同類型特征的外在表現(xiàn)形式并不一致，單一的特征學(xué)習(xí)算法很難很好地對特征進(jìn)行學(xué)習(xí)，因此本發(fā)明根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域。本發(fā)明通過提取擴(kuò)展的Haar-Like特征和多通道顏色頻率特征，更加豐富的描述額頭區(qū)域的發(fā)色和膚色的概率分布特征，利用具有豐富形狀和顏色特征的額頭區(qū)域?qū)崿F(xiàn)對人臉的檢測，提高了人臉檢測的精度。在本發(fā)明實(shí)施例的一種優(yōu)選的實(shí)施方式中，所述方法還包括：獲取額頭樣本，根據(jù)額頭樣本訓(xùn)練的級聯(lián)的額頭分類器。進(jìn)一步地，訓(xùn)練級聯(lián)的額頭分類器的過程包括：提取額頭樣本的擴(kuò)展的Haar-Like特征，通過級聯(lián)的Adaboost算法對所述擴(kuò)展的Haar-Like特征進(jìn)行學(xué)習(xí)，訓(xùn)練得到所述前向分類器；縱向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征，橫向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征；通過級聯(lián)算法對縱向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，通過多核學(xué)習(xí)算法對橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，訓(xùn)練得到后向分類器；其中，所述額頭樣本包括正樣本和負(fù)樣本；擴(kuò)展的Haar-Like特征包括描述水平方向弧形特征的Haar-Like特征和描述豎直方向弧形特征的Haar-Like特征。需要說明的是，本發(fā)明實(shí)施例主要采用Haar-Like特征來描述額頭的形狀特征。原始的4類Haar-Like特征主要在V&J提出的方法中來描述人臉的形狀特征，例如線性特征、中心特征、邊緣特征和對角特征。后來對Haar-Like特征進(jìn)行了擴(kuò)展，提出了45度旋轉(zhuǎn)的Haar-Like特征和中心環(huán)繞的Haar-Like特征。由于額頭區(qū)域相對于人臉區(qū)域來說，弧形的邊緣特征比較明顯，因此本發(fā)明實(shí)施例針對額頭對Haar-Like特征進(jìn)行了擴(kuò)展，提出了2種描述弧形邊緣的Haar-Like特征，分別用來描述水平和豎直方向的弧形特征。如圖2所示，1-16為擴(kuò)展的描述人臉區(qū)域的Haar-Like特征，17-18為本發(fā)明實(shí)施例提出的描述弧形特征的Haar-Like特征。表1示出了本發(fā)明實(shí)施例的額頭區(qū)域中每類Haar-Like特征對應(yīng)的數(shù)量。表1每類Haar-Like特征對應(yīng)的數(shù)量需要說明的是，前向分類器主要采用經(jīng)典的級聯(lián)Adaboost算法對額頭區(qū)域的Haar-Like特征進(jìn)行學(xué)習(xí)，使得最大限度地濾除非額頭區(qū)域，并且檢測到幾乎多有的額頭區(qū)域。在人臉檢測中，V&J算法訓(xùn)練出來的人臉模型對于正面人臉的檢測具有很好的效果，不過當(dāng)人臉姿態(tài)發(fā)生較大的變化時，該算法很難準(zhǔn)確地檢測到人臉區(qū)域。不過相關(guān)研究表明，V&J算法對于多姿態(tài)人臉檢測的性能下降的主要原因是傳統(tǒng)的Haar-Like特征不能夠很好地捕捉到多姿態(tài)情況下的人臉不變特征，而不是Adaboost算法的不足造成的。因此本發(fā)明實(shí)施例為了更好地捕捉到額頭區(qū)域?qū)?yīng)的不變形狀特征，專門提出了2類描述額頭弧形特征的Haar-Like特征，并用經(jīng)典的級聯(lián)的Adaboost算法對額頭區(qū)域的Haar-Like特征進(jìn)行學(xué)習(xí)。進(jìn)一步地，所述通過級聯(lián)的Adaboost算法對所述擴(kuò)展的Haar-Like特征進(jìn)行學(xué)習(xí)，訓(xùn)練得到所述前向分類器包括：對于給定的訓(xùn)練樣本(正樣本P個，負(fù)樣本M個)，則對應(yīng)的擴(kuò)展的Haar-Like特征矩陣分別為：P×105888和M×105888。通過級聯(lián)的AdaBoost算法進(jìn)行學(xué)習(xí)，控制每一層正樣本被分為正樣本的概率和負(fù)樣本被分為負(fù)樣本的概率，這里設(shè)定的分別為0.999和0.5，同時級聯(lián)分類器的終止條件為負(fù)樣本被分為負(fù)樣本的概率小于10-6，如果每一層中弱分類器的個數(shù)超過500也終止級聯(lián)分類器的訓(xùn)練。由于本發(fā)明實(shí)施例采用的訓(xùn)練樣本中包含了各種姿態(tài)、遮擋、光照、膚色、發(fā)色和分辨率等情況，得到的級聯(lián)分類器中強(qiáng)分類器的個數(shù)為5，同時每層對應(yīng)的弱分類器的個數(shù)分別為55，85，135，140，331，也即級聯(lián)的分類器負(fù)樣本被分為負(fù)樣本的概率為0.0306.雖然未達(dá)到規(guī)定的10-6，不過已經(jīng)使得分類器可以過濾掉幾乎0.97×M負(fù)樣本，同時使得正樣本幾乎全部通過。進(jìn)一步地，所述縱向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征，橫向提取經(jīng)所述前向分類器分類的額頭樣本的多通道顏色頻率特征，包括：在N個不同的顏色通道的縱向，所述額頭樣本區(qū)域的每個位置對應(yīng)N種不同形式的映射，獲取各個位置的N種不同形式的映射值；在N個不同的顏色通道的橫向，每個維度對應(yīng)一個通道，獲取每個通道的N種不同類型的顏色信息；其中，N為大于3的整數(shù)。特別地，N＝8。需要說明的是，為了能夠充分地描述額頭的顏色特征，本發(fā)明實(shí)施例提出了多通道的顏色頻率特征，實(shí)驗(yàn)表明該特征可以有效地捕捉到額頭的不變顏色特征。傳統(tǒng)的基于膚色的人臉檢測方法，主要將人臉從RGB空間轉(zhuǎn)化到不同的顏色空間(例如YCbCr、HSV、LUV等)，然后根據(jù)空間中膚色區(qū)域的分布情況訓(xùn)練出對應(yīng)的高斯概率模型，從而根據(jù)高斯概率模型對待檢樣本區(qū)域中的點(diǎn)進(jìn)行預(yù)測，判斷是否屬于人臉區(qū)域，最后對人臉區(qū)域進(jìn)行最小外接矩形判定。與傳統(tǒng)方法不同的是，為了更加豐富地描述額頭區(qū)域中發(fā)色和膚色的概率分布特性，本文首先將額頭從RGB空間擴(kuò)展到了多個顏色空間(YCbCr、HSV和LUV顏色空間)，如圖3所示，然后用不同的學(xué)習(xí)算法對三個空間中8個不同通道內(nèi)的信息進(jìn)行有效地學(xué)習(xí)，進(jìn)而得到不同方向下對應(yīng)的分布特性。進(jìn)一步地，所述通過級聯(lián)算法對縱向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，包括：獲取縱向提取的多通道顏色頻率特征對應(yīng)的多個弱分類器；通過基于CART樹的GentleAdaboost算法對各個弱分類器進(jìn)行學(xué)習(xí)，獲得縱向提取的多通道顏色頻率特征對應(yīng)的強(qiáng)分類器。需要說明的是，多個顏色通道中顏色特征的縱向提取方式是，在不同通道的縱向，額頭區(qū)域的每個位置都會有8種不同形式的映射形式，對于額頭區(qū)域，每個位置的8種不同形式的映射具有相似的分布，對每個位置提取8種不同形式的映射值。在多個顏色空間(YCBCR、、HSV、LUV)的不同通道中，額頭區(qū)域的每個位置都對應(yīng)8個相關(guān)的數(shù)據(jù)，通過對N個訓(xùn)練樣本中8個相關(guān)數(shù)據(jù)的學(xué)習(xí)，可以得到一個基于多顏色通道的額頭區(qū)域弱分類器，對于整個額頭區(qū)域，將會有384個弱分類器，然后通過SoftCasacde結(jié)構(gòu)對384個弱分類器進(jìn)行學(xué)習(xí)，就可以得到縱向提取的顏色頻率特征對應(yīng)的強(qiáng)分類器。在該結(jié)構(gòu)中，弱分類器主要通過基于CART樹的GentleAdaboost算法學(xué)得，為了提高檢測速率，CART樹的深度不能超過2，同時GentleAdaboost算法中CART樹的個數(shù)不能多于8。對于每個弱分類器，對訓(xùn)練樣本進(jìn)行檢測，得到384個弱分類器分別對應(yīng)的分類準(zhǔn)確率，然后借用SoftCascade結(jié)構(gòu)對384個弱分類器進(jìn)行訓(xùn)練，得到縱向提取的顏色頻率特征對應(yīng)的強(qiáng)分類器。進(jìn)一步地，所述通過多核學(xué)習(xí)算法對橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，包括：獲取各個像素的橫向提取的多通道顏色頻率特征，通過多核學(xué)習(xí)算法對各個像素的橫向提取的多通道顏色頻率特征進(jìn)行學(xué)習(xí)，獲得橫向提取的多通道顏色頻率特征對應(yīng)的強(qiáng)分類器。需要說明的是，多個顏色通道中顏色頻率特征的橫向提取方式是，在不同通道的橫向，每一維度都對應(yīng)一個通道，每個通道都有384個像素來描述額頭區(qū)域的顏色信息，對于額頭區(qū)域，8個通道之間具有一定的相關(guān)性，通過將每個通道對應(yīng)的像素串聯(lián)起來作為類特征來描述額頭區(qū)域的顏色信息，則8個通道則對應(yīng)8種不同類型的顏色信息。在多個顏色空間(YCBCR、HSV、LUV)的不同通道中，每個通道中額頭區(qū)域都具有獨(dú)特的分布，同時各個通道之間具有很強(qiáng)的相關(guān)性，如何將它們之間的關(guān)系學(xué)習(xí)出來對于多通道的額頭識別十分關(guān)鍵。對于每個訓(xùn)練樣本，每個通道特征對應(yīng)的長度都為384，則8個通道對應(yīng)的特征長度為8×384＝3072。本發(fā)明實(shí)施例采用多核學(xué)習(xí)算法對不同通道間的特征進(jìn)行有效地融合，得到一個橫向提取的顏色頻率特征對應(yīng)的強(qiáng)分類器。在多核學(xué)習(xí)中，每個通道中提取的特征對應(yīng)的核均為高斯核，同時為了增加分類器的泛化能力，多核學(xué)習(xí)分類器的懲罰系數(shù)設(shè)置為16(可以根據(jù)需求自行調(diào)整)，經(jīng)過多核學(xué)習(xí)分類器的訓(xùn)練，可以得到一個橫向提取的顏色頻率特征對應(yīng)的強(qiáng)分類器。進(jìn)一步地，所述根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域，包括：通過所述前向分類器獲得所述待檢測圖像中的額頭區(qū)域；通過所述后向分類器獲得經(jīng)前向分類器獲得額頭區(qū)域中的目標(biāo)額頭區(qū)域。需要說明的是，通過前向分類器，過濾掉了大量的非額頭樣本，然后將誤檢的額頭樣本收集起來作為新的負(fù)樣本，和額頭樣本一起作為后向分類器的樣本。進(jìn)一步地，所述通過所述后向分類器獲得經(jīng)前向分類器獲得額頭區(qū)域中的目標(biāo)額頭區(qū)域包括：分別通過基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器判斷經(jīng)前向分類器獲得的額頭區(qū)域是否是額頭區(qū)域；將基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器均判斷經(jīng)前向分類器獲得的額頭區(qū)域正確的區(qū)域確定為目標(biāo)額頭區(qū)域。需要說明的是，由于在訓(xùn)練的時候，為了增加分類器的泛化能力，SoftCascade分類器和多核學(xué)習(xí)分類器中的相關(guān)系數(shù)(SoftCascade結(jié)構(gòu)中CART的深度和GentleAdaboost中樹的個數(shù)；多核學(xué)習(xí)的懲罰系數(shù))設(shè)置的都比較小，使得分類器的誤檢率比較高。因此本發(fā)明實(shí)施例采用投票機(jī)制來構(gòu)建多通道顏色頻率特征對應(yīng)的強(qiáng)分類器，如果基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器都檢測為額頭，則該待檢樣本對應(yīng)的為額頭，反之剩余的情況均為非額頭區(qū)域。進(jìn)一步地，所述通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域，包括：對各個目標(biāo)額頭區(qū)域進(jìn)行擴(kuò)展得到目標(biāo)人頭區(qū)域；對所述目標(biāo)人頭區(qū)域進(jìn)行膚色區(qū)域分割，獲取人臉膚色區(qū)域；采用邊緣檢測算法獲得人臉膚色區(qū)域的多個輪廓點(diǎn)；隨機(jī)從所述多個輪廓點(diǎn)進(jìn)行選擇，獲得局部最優(yōu)橢圓的輪廓點(diǎn)；對所述局部最優(yōu)橢圓進(jìn)行最小二乘擬合獲得全局最優(yōu)橢圓，所述全部最優(yōu)橢圓對應(yīng)所述人臉區(qū)域。需要說明的是，額頭區(qū)域下的人臉或部分人臉的輪廓是一個或部分的橢圓。由此，利用先驗(yàn)知識和膚色信息得到人頭區(qū)域及其邊緣關(guān)鍵點(diǎn)，再利用有約束的橢圓擬合算法得到人臉；同時，根據(jù)橢圓參數(shù)可以實(shí)現(xiàn)人臉的粗略對齊。為了檢測人臉區(qū)域，作者首先利用先驗(yàn)知識，將檢測得到的額頭區(qū)域在水平和垂直方向分別以3：2和3：1的比例進(jìn)擴(kuò)展，獲得人頭區(qū)域。然后利用基于膚色信息的高斯概率模型對該人頭區(qū)域進(jìn)行膚色區(qū)域分割，獲取其中的人臉膚色區(qū)域。接著，利用邊緣檢測算法獲得該人臉區(qū)域的輪廓點(diǎn)，稱之為邊緣關(guān)鍵點(diǎn)，記為(xi，yi)，(i＝1，2，...，k)。最后，基于這些邊緣關(guān)鍵點(diǎn)，利用改進(jìn)的最小二乘法對人臉進(jìn)行擬合，同時根據(jù)橢圓參數(shù)獲得人臉的偏轉(zhuǎn)角度。考慮到邊緣輪廓點(diǎn)容易受到噪聲的干擾，給橢圓的擬合帶來偏差，在橢圓擬合的過程中引入最小擬合誤差約束。具體地，已知橢圓方程的定義如下：其中a＝[ABCDE]T為橢圓的參數(shù)向量，是關(guān)于邊緣點(diǎn)(xi，yi)的向量?？紤]了噪聲點(diǎn)和邊緣關(guān)鍵點(diǎn)，上面橢圓的方程可重新定義為：minb||Xb-1||2+λ||b||1]]>S.tmaxΣi=1kf(Xi)]]>其中X＝[X1X2...Xk]T∈RI×5是邊緣關(guān)鍵點(diǎn)構(gòu)成的矩陣，b是通過隨機(jī)過程得到的二值化稀疏向量。λ是稀疏向量的懲罰系數(shù)，其中f的定義如下：f(Xi)=1||Xia-1||2≤ϵd0||Xia-1||2≥ϵd]]>其中εd是一個經(jīng)驗(yàn)值，X`表示邊緣關(guān)鍵點(diǎn)的子集，子集可表示為邊緣關(guān)鍵點(diǎn)矩陣與稀疏向量b乘積:X′＝Xbmina||X′a-1||22]]>詳細(xì)的算法如下所示實(shí)驗(yàn)發(fā)現(xiàn)，循環(huán)次數(shù)T直接影響擬合得到橢圓的準(zhǔn)確度和計算時長(本發(fā)明實(shí)施例實(shí)驗(yàn)取T＝5000)。與傳統(tǒng)基于全部輪廓點(diǎn)的橢圓擬合方法相比，該方法的擬合誤差更小。由此，人臉可以被準(zhǔn)確的定位得到，并同時可以根據(jù)橢圓參數(shù)得到人臉的偏斜角度。圖2是本發(fā)明一個實(shí)施例的基于額頭區(qū)域的人臉檢測系統(tǒng)的結(jié)構(gòu)示意圖。如圖2所示，本發(fā)明實(shí)施例的基于額頭區(qū)域的人臉檢測系統(tǒng)包括：圖像遍歷單元61、特征提取單元62、目標(biāo)額頭區(qū)域獲取單元63和人臉區(qū)域獲取單元64；具體地：圖像遍歷單元61，用于采用滑窗的方式對待檢測圖像進(jìn)行遍歷；特征提取單元62，用于獲取各個待檢測滑窗的方差，若所述待檢測滑窗的方差大于預(yù)設(shè)閾值，則提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；目標(biāo)額頭區(qū)域獲取單元63，用于根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；人臉區(qū)域獲取單元64，用于通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域；其中，訓(xùn)練的級聯(lián)的額頭分類器包括前向分類器和后向分類器；所述前向分類器包括級聯(lián)的Adaboost分類器；所述后向分類器包括基于級聯(lián)結(jié)構(gòu)的分類器和基于多核學(xué)習(xí)的分類器。本實(shí)施例的基于額頭區(qū)域的人臉檢測系統(tǒng)可以用于執(zhí)行上述方法實(shí)施例，其原理和技術(shù)效果類似，此處不再贅述。本發(fā)明提供的基于額頭區(qū)域的人臉檢測方法及系統(tǒng)，提取待檢測滑窗的擴(kuò)展的Haar-Like特征和多通道顏色頻率特征；由于不同類型特征的外在表現(xiàn)形式并不一致，單一的特征學(xué)習(xí)算法很難很好地對特征進(jìn)行學(xué)習(xí)，因此本發(fā)明根據(jù)訓(xùn)練的級聯(lián)的額頭分類器獲得所述待檢測圖像中的目標(biāo)額頭區(qū)域；通過膚色檢測和邊緣檢測，采用改進(jìn)的最小二乘法獲得各個目標(biāo)額頭區(qū)域?qū)?yīng)的人臉區(qū)域。本發(fā)明通過提取擴(kuò)展的Haar-Like特征和多通道顏色頻率特征，更加豐富的描述額頭區(qū)域的發(fā)色和膚色的概率分布特征，利用具有豐富形狀和顏色特征的額頭區(qū)域?qū)崿F(xiàn)對人臉的檢測，提高了人臉檢測的精度。本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機(jī)可用程序代碼的計算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實(shí)施的計算機(jī)程序產(chǎn)品的形式。需要說明的是術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。本發(fā)明的說明書中，說明了大量具體細(xì)節(jié)。然而能夠理解的是，本發(fā)明的實(shí)施例可以在沒有這些具體細(xì)節(jié)的情況下實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。類似地，應(yīng)當(dāng)理解，為了精簡本發(fā)明公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實(shí)施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋呈反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多的特征。更確切地說，如權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實(shí)施例的所有特征。因此，遵循具體實(shí)施方式的權(quán)利要求書由此明確地并入該具體實(shí)施方式，其中每個權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。以上實(shí)施例僅用于說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。當(dāng)前第1頁1 2 3