本發(fā)明屬于人臉檢測技術(shù)領(lǐng)域，尤其是涉及一種基于嵌入式系統(tǒng)的實時人臉檢測算法。

背景技術(shù)：

隨著半導(dǎo)體技術(shù)的飛速發(fā)展和新的計算法方法的不斷出現(xiàn)，現(xiàn)在的智能分析算法都逐漸從后段PC設(shè)備移到前端，出現(xiàn)了各式各樣的智能終端產(chǎn)品，人臉檢測作為智能設(shè)備的主要功能，能夠?qū)崟r地對人臉進行檢測、抓拍，不僅大大提高了用戶體驗，而且能減少后期存儲壓力，加快檢索速度，為客戶降低使用成本，提高工作效率，在當前競爭激烈的監(jiān)控領(lǐng)域，無疑是最佳選擇。

現(xiàn)有技術(shù)中的人臉檢測方法均基于前景檢測、特征提取和分類識別，前景檢測即利用拍攝圖像的情景對比確定目標位置，進而減少計算量，然后將確定位置的檢測目標進行圖像縮放操作，構(gòu)成圖像金字塔，在圖像金字塔的各層圖像中提取人臉特征，并通過分類器分類，最后進行圖像融合生成人臉圖像；

此種方法雖然采用了前景檢測，但沒有充分利用視頻流中實際目標的位置反饋，以及對區(qū)域內(nèi)目標個數(shù)的預(yù)測，檢測實時性差；同時該方法只采用了一種特征提取方式，提升檢測率智能通過樣本的選擇和特征圍數(shù)來實現(xiàn)，且效果不明顯；該方法沒有人臉識別評價濾除機制，誤檢率較高。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明旨在提出一種基于嵌入式系統(tǒng)的實時人臉檢測算法，。

為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

一種基于嵌入式系統(tǒng)的實時人臉檢測算法，包括以下步驟：

(1)圖像縮放：利用訓(xùn)練模型的尺度大小和要檢測場景中最小目標的尺度大小，對拍攝原圖進行縮放，減少運算量；

(2)前景檢測：利用拍攝場景圖像的情景對比確定檢測熱點；

(3)人臉區(qū)域融合：將前景檢測和目標跟蹤預(yù)測區(qū)域進行疊加融合，得到更有效的人臉檢測區(qū)域；

(4)人臉個數(shù)預(yù)測：利用已檢測出的人臉尺度對步驟(3)得到的人臉檢測圖像預(yù)測，得到該區(qū)域人臉個數(shù)估計值；

(5)特征提取和分類識別：對步驟(3)中得到的人臉檢測圖像進行特征提取和分類識別，得到人臉特征模塊；

(6)識別去誤與人臉跟蹤：使用強分辨器對步驟(5)中得到的人臉特征模塊評價打分，并將分值較低不屬于人臉特征的模塊去除，綜合人臉特征模塊輸出清晰人臉圖像，同時根據(jù)人臉圖像在視頻幀中進行人臉區(qū)域預(yù)測，并將目標跟蹤預(yù)測區(qū)域數(shù)據(jù)返回步驟(3)。

進一步的，所述步驟(5)中的特征提取和分類識別包括以下步驟：

(5.1)對步驟(3)中得到的人臉檢測圖像做圖像金字塔；

(5.2)通過LBP特征提取算法和BOOST分類器對步驟(5.1)中的圖像金字塔進行特征提取和分類識別，將得到的人臉特征模塊進行計數(shù)統(tǒng)計，若不小于步驟(4)中的人臉個數(shù)估計值，則進行步驟(6)，若小于步驟(4)中的人臉個數(shù)估計值，則進行步驟(5.3)；

(5.3)通過NPD特征提取算法和BOOST分類器將步驟(5.1)中得到的圖像金字塔進行特征提取和分類識別，將得到的人臉特征模塊與步驟(5.2)中得到的人臉特征模塊進行相同區(qū)域的融合，然后進行步驟(6)。

進一步的，所述步驟(6)中的強分辨器為神經(jīng)網(wǎng)絡(luò)分類器。

進一步的，所述步驟(5.1)中的圖像金字塔由LBP特征提取算法和BOOST分類器或NPD特征提取算法和BOOST分類器制作。

相對于現(xiàn)有技術(shù)，本發(fā)明所述的基于嵌入式系統(tǒng)的實時人臉檢測算法具有以下優(yōu)勢：

(1)本發(fā)明所述的基于嵌入式系統(tǒng)的實時人臉檢測算法，在前景檢測的基礎(chǔ)上，采用跟蹤預(yù)測人臉區(qū)域與前景檢測區(qū)域融合，在確定了真實目標區(qū)域，增強檢測圖像清晰度的同時，進一步減少了計算量，同時根據(jù)檢測出的人臉反饋結(jié)果，通過位置、比例信息來預(yù)測區(qū)域目標個數(shù)，為級聯(lián)檢測器的選用提供了條件。

(2)本發(fā)明所述的基于嵌入式系統(tǒng)的實時人臉檢測算法，實現(xiàn)了多級聯(lián)檢測算法的金字塔圖像共享，避免了前一種檢測器沒有達到預(yù)測效果時，后面的檢測算法可以共享其已運算過的金字塔圖像，大大提升了效率。

(3)本發(fā)明所述的基于嵌入式系統(tǒng)的實時人臉檢測算法，通過多特征分類檢測算法(本算法主要采用LBP和NPD兩種特征預(yù)測條件)，依次對金字塔圖像進行分類檢測，實現(xiàn)金字塔圖像共享的同時，充分發(fā)揮每種算法的特長，避免了人臉特征模塊的遺漏，在融合檢測目標過程中提高了檢測目標的檢測率。

(4)本發(fā)明所述的基于嵌入式系統(tǒng)的實時人臉檢測算法，采用了多種特征分類，由于每種特征分類都會有誤檢，為減少虛假目標，提高數(shù)據(jù)準確性，本方案加入了對檢測目標進行識別分類并給出每個目標評分分值的過程，對虛假目標進行過濾，提高了檢測的準確性。

附圖說明

構(gòu)成本發(fā)明的一部分的附圖用來提供對本發(fā)明的進一步理解，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當限定。在附圖中：

圖1為本發(fā)明實施例所述的基于嵌入式系統(tǒng)的實時人臉檢測算法流程示意圖；

圖2為本發(fā)明實施例所述的常規(guī)人臉算法流程示意圖。

具體實施方式

需要說明的是，在不沖突的情況下，本發(fā)明中的實施例及實施例中的特征可以相互組合。

在本發(fā)明的描述中，需要理解的是，術(shù)語“中心”、“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。此外，術(shù)語“第一”、“第二”等僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”等的特征可以明示或者隱含地包括一個或者更多個該特征。在本發(fā)明的描述中，除非另有說明，“多個”的含義是兩個或兩個以上。

在本發(fā)明的描述中，需要說明的是，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以通過具體情況理解上述術(shù)語在本發(fā)明中的具體含義。

下面將參考附圖并結(jié)合實施例來詳細說明本發(fā)明。

如圖1所示，本發(fā)明包括以下步驟：

(1)圖像縮放：利用訓(xùn)練模型的尺度大小和要檢測場景中最小目標的尺度大小，對拍攝原圖進行縮放，減少運算量；

(2)前景檢測：利用拍攝場景圖像的情景對比確定檢測熱點；

(3)人臉區(qū)域融合：將前景檢測和目標跟蹤預(yù)測區(qū)域進行疊加融合，得到更有效的人臉檢測區(qū)域；

(4)人臉個數(shù)預(yù)測：利用已檢測出的人臉尺度對步驟(3)得到的人臉檢測圖像預(yù)測，得到該區(qū)域人臉個數(shù)估計值；

(5)特征提取和分類識別：對步驟(3)中得到的人臉檢測圖像進行特征提取和分類識別，得到人臉特征模塊；

(6)識別去誤與人臉跟蹤：使用強分辨器對步驟(5)中得到的人臉特征模塊評價打分，并將分值較低不屬于人臉特征的模塊去除，綜合人臉特征模塊輸出清晰人臉圖像，同時根據(jù)人臉圖像在視頻幀中進行人臉區(qū)域預(yù)測，并將目標跟蹤預(yù)測區(qū)域數(shù)據(jù)返回步驟(3)。

所述步驟(5)中的特征提取和分類識別包括以下步驟：

(5.1)對步驟(3)中得到的人臉檢測圖像做圖像金字塔；

(5.2)通過LBP特征提取算法和BOOST分類器對步驟(5.1)中的圖像金字塔進行特征提取和分類識別，將得到的人臉特征模塊進行計數(shù)統(tǒng)計，若不小于步驟(4)中的人臉個數(shù)估計值，則進行步驟(6)，若小于步驟(4)中的人臉個數(shù)估計值，則進行步驟(5.3)；

(5.3)通過NPD特征提取算法和BOOST分類器將步驟(5.1)中得到的圖像金字塔進行特征提取和分類識別，將得到的人臉特征模塊與步驟(5.2)中得到的人臉特征模塊進行相同區(qū)域的融合，然后進行步驟(6)。

所述步驟(6)中的強分辨器為神經(jīng)網(wǎng)絡(luò)分類器。

所述步驟(5.1)中的圖像金字塔由LBP特征提取算法和BOOST分類器或NPD特征提取算法和BOOST分類器制作。

目前大部分方案都是基于前景檢測、特征提取、分類識別。這幾個方面，其中前景檢測主要用來確定目標位置，減少計算量，特征提取和分類識別用于檢測確定人臉位置。不同的特征和分類器的選擇直接影響到算法的檢測率及運行效率。目前常用的特征主要有HAAR、LBP、NPD、HOG等。分類器一般選取BOOST分類器。算法流程如圖2所示。

如圖1所示，本發(fā)明在很大程度上減少了冗余的運算量，提高了檢測率和數(shù)據(jù)的準確性，使人臉檢測算法在前端嵌入式平臺上得以運行，實測處理幀數(shù)在10-15幀每秒，滿足實時處理的要求，而且本算法具有較高的檢測率，這也滿足了實際產(chǎn)品的需求，被廣泛應(yīng)用于智能監(jiān)控，智能考勤等領(lǐng)域，給客戶帶來了良好的體驗。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。