本發(fā)明涉及數(shù)字圖像處理領(lǐng)域，尤其涉及人臉檢測技術(shù)。

背景技術(shù)：

近些年來，人臉檢測技術(shù)是數(shù)字圖像處理領(lǐng)域中的一個(gè)研究熱點(diǎn)之一，因?yàn)樗诙喾N應(yīng)用中都發(fā)揮著重要的作用。比如，在用數(shù)碼相機(jī)拍照片時(shí)，通過實(shí)時(shí)檢測人臉可以實(shí)現(xiàn)相機(jī)的自動對焦，進(jìn)而使得在拍攝的照片中人臉部分比較清晰。此外，人臉檢測技術(shù)也是人臉識別中必須使用的一種技術(shù)。因?yàn)橹挥性趫D像中準(zhǔn)確定位了包含人臉的區(qū)域，才能從中提取到人臉器官的特征信息，進(jìn)而實(shí)現(xiàn)人臉的識別。

“CVPR 2001”國際會議論文集中“Rapid Object Detection using a Boosted Cascade of Simple Features”一文介紹了一種利用級聯(lián)分類器檢測人臉的方法，該方法是由Paul Viola和Michael Jones提出的。級聯(lián)分類器是一種由多個(gè)強(qiáng)分類器串聯(lián)在一起而構(gòu)成的分類器，其中的每級強(qiáng)分類器是利用AdaBoost方法由弱分類器訓(xùn)練而成。這種人臉檢測方法的檢測速度比較快，因?yàn)樵跈z測人臉時(shí)，大多數(shù)的檢測窗口被級聯(lián)分類器中最初的幾級分類器過濾掉了。此外在計(jì)算Harr特征的數(shù)值時(shí)，該方法還使用了積分圖像技術(shù)，使Haar特征數(shù)值的計(jì)算效率也較高。但是，這種人臉檢測方法的召回率不夠高，尤其檢測那些部分被遮擋的人臉和側(cè)臉的效果不理想。自從Paul Viola和Michael Jones提出這種人臉檢測方法后，人們試圖從兩個(gè)方面對它做進(jìn)一步的改進(jìn)：(1)采用不同的圖像特征；(2)改變級聯(lián)分類器的結(jié)構(gòu)。

“ICB 2007”國際會議論文集中“Face Detection Based on Multi-Block LBP Representation”一文介紹了一種人臉檢測方法，該方法把MB-LBP圖像特征引入級聯(lián)分類器中?！癈VPR 2008”國際會議論文集中“Locally Assembled Binary(LAB)feature with feature-centric cascade for fast and accurate face detection”一文中也介紹了一種人臉檢測方法，該方法把LAB圖像特征引入級聯(lián)分類其中。相對而言，這兩種人臉檢測方法的召回率有所提高，但是仍然不夠理想。《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》學(xué)術(shù)期刊2016年第2期中“A Fast and Accurate Unconstrained Face Detector”一文中介紹的人臉檢測方法，也是一種基于級聯(lián)分類器的人臉檢測方法。在這種方法中，采用了NPD圖像特征，同時(shí)對級聯(lián)分類器中的決策樹也作了改進(jìn)。這種方法的檢測速度和召回率都比較理想，但是它的誤報(bào)率相對較高。中國專利公告號CN105718868A，公告日是2016年06月29日，名稱為“一種針對多姿態(tài)人臉的人臉檢測系統(tǒng)及方法”中公開了一種人臉檢測方法，該方法把基于LAB圖像特征的級聯(lián)分類器和基于SURF圖像特征的多層感知機(jī)相結(jié)合，構(gòu)造了一種漏斗式結(jié)構(gòu)的人臉檢測器。這種方法的召回率和誤報(bào)率都比較理想，但是它的檢測速度較慢。

除了基于級聯(lián)分類器的人臉檢測方法之外，人們也探索了其他類型的人臉檢測方法。比如，“CVPR 2015”國際會議論文集中“A Convolutional Neural Network Cascade for Face Detection”一文介紹了一種基于卷積神經(jīng)網(wǎng)絡(luò)的(CNN)的人臉檢測方法。“BTAS 2015”國際會議論文集中“A Deep Pyramid Deformable Part Model for Face Detection”一文介紹了一種基于可變形器官模型的人臉檢測方法。這兩種方法都是影響力較大的方法，它們的召回率很高、誤報(bào)率很低，但是檢測速度非常慢，使它們的實(shí)用價(jià)值受到限制。

綜上所述，在現(xiàn)有的人臉檢測方法中，還沒有絕對令人滿意的方法。有些方法檢測速度慢；有些方法召回率不夠理想；有些方法誤檢率較高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種能夠克服上述技術(shù)問題的人臉檢測系統(tǒng)及其方法。

實(shí)現(xiàn)本發(fā)明目的之一采用的技術(shù)方案是：一種人臉檢測系統(tǒng)，包括主檢測器和支路檢測器，所述主檢測器包括前端主分類器和后端主分類器，所述前端主分類器和后端主分類器都是二類分類器，所述前端主分類器的人臉輸出端與后端主分類器的輸入端相連接，所述后端主分類器的非人臉輸出端與支路檢測器的輸入端相連接。

優(yōu)選地，所述支路檢測器包括前端支路分類器和后端支路分類器，所述前端支路分類器和后端支路分類器都是二類分類器，所述前端支路分類器的人臉輸出端與后端支路分類器的輸入端相連接。

優(yōu)選地，所述前端主分類器的正確拒絕率大于等于98.00％且小于等于99.98％、正確識別率大于等于98.50％且小于等于99.5％，所述后端主分類器的正確拒絕率大于等于99.60％且小于等于99.99％、正確識別率大于等于86.00％且小于等于99.20％，所述支路檢測器的正確拒絕率和正確識別率都大于等于99.9％。

優(yōu)選地，所述前端支路分類器的正確拒絕率大于等于80.00％且小于等于99.50％、正確識別率大于等于99.20％且小于等于99.80％，所述后端支路分類器的正確拒絕率和正確識別率都大于等于99.9％。

優(yōu)選地，所述主檢測器是一個(gè)n階深級聯(lián)分類器，其中第1至第m階分類器被用作所述前端主分類器，第m+1至第n階分類器被用作所述后端主分類器，所述m和n是兩個(gè)整數(shù)，而且m＜n。

優(yōu)選地，所述主檢測器是一個(gè)n階深級聯(lián)分類器，其中第1至第m階分類器被用作所述前端主分類器，第m+1至第n階分類器被用作所述后端主分類器，所述m和n是兩個(gè)整數(shù)，而且m＜n，所述前端支路分類器包括1個(gè)淺級聯(lián)分類器，或者包括2個(gè)以上的串聯(lián)在一起的淺級聯(lián)分類器。

優(yōu)選地，所述前端主分類器和后端主分類器采用能快速計(jì)算的圖像特征，所述能快速計(jì)算的圖像特征包括Haar特征、LBP特征、LAB特征或全局二進(jìn)制特征。

優(yōu)選地，所述前端主分類器、后端主分類器和前端支路分類器采用能快速計(jì)算的圖像特征，所述能快速計(jì)算的圖像特征包括Haar特征、LBP特征、LAB特征或全局二進(jìn)制特征，所述前端主分類器和前端支路分類器采用不同類型的圖像特征。

優(yōu)選地，所述全局二進(jìn)制特征是一種基于灰度圖像像素灰度值的圖像特征，它的數(shù)值計(jì)算步驟為：

步驟1，從灰度圖像中，獲取1個(gè)閾值像素和2個(gè)以上二值化像素的灰度值，所述閾值像素是圖像中的任意一個(gè)像素，所述二值化像素是圖像中依次相連的像素；

步驟2，按照以下公式，計(jì)算全局二進(jìn)制特征的數(shù)值：

式中：GBF表示全局二進(jìn)制特征的數(shù)值，m表示二值化像素的個(gè)數(shù)，I_bk表示第k個(gè)二值化像素的灰度值，I_t表示閾值像素的灰度值；

實(shí)現(xiàn)本發(fā)明目的之二采用的技術(shù)方案是：一種人臉檢測方法，包括以下步驟：

步驟1101，縮放圖像，形成圖像金字塔；

步驟1102，在圖像金字塔的每個(gè)圖像中，按照指定的步長移動檢測窗口，建立檢測窗口集合；

步驟1103，利用本發(fā)明的人臉檢測系統(tǒng)，判斷檢測窗口集合中的每個(gè)檢測窗口是否包含人臉；

步驟1104，把包含人臉的檢測窗口放在人臉窗口集合中；

步驟1105，合并人臉窗口集合中的檢測窗口，

所述步驟1103包括以下步驟：

步驟1201，由前端主分類器判斷檢測窗口中是否包含人臉；

步驟1202，如果檢測窗口中包含人臉則執(zhí)行步驟1203，否則執(zhí)行步驟1209；

步驟1203，由后端主分類器判斷檢測窗口中是否包含人臉；

步驟1204，如果檢測窗口中包含人臉則執(zhí)行步驟1210，否則執(zhí)行步驟1205；

步驟1205，由前端支路分類器判斷檢測窗口中是否包含人臉

步驟1206，如果檢測窗口中包含人臉則執(zhí)行步驟1207，否則執(zhí)行步驟1209；

步驟1207，由后端支路分類器判斷檢測窗口中是否包含人臉；

步驟1208，如果檢測窗口中包含人臉則執(zhí)行步驟1210，否則執(zhí)行步驟1209；

步驟1209，濾除檢測窗口，并執(zhí)行步驟1211；

步驟1210，把檢測窗口放在人臉窗口集合中；

步驟1211，結(jié)束。

由于采用上述技術(shù)方案，本發(fā)明提供的人臉檢測系統(tǒng)及方法具有的有益效果是：既能保證檢測速度足夠快，還能使召回率足夠高、誤報(bào)率也足夠低。

附圖說明

圖1示出的是根據(jù)本發(fā)明的實(shí)施例的人臉檢測系統(tǒng)的示意圖；

圖2示出的是根據(jù)本發(fā)明的另一個(gè)實(shí)施例的人臉檢測系統(tǒng)的示意圖；

圖3示出的是根據(jù)本發(fā)明的再一個(gè)實(shí)施例的人臉檢測系統(tǒng)的示意圖；

圖4示出的是本發(fā)明的全局二進(jìn)制特征的示意圖；

圖5示出的是本發(fā)明的四位正方形全局二進(jìn)制特征的示意圖；

圖6示出的是本發(fā)明的四位水平線段全局二進(jìn)制特征的示意圖；

圖7示出的是本發(fā)明的四位垂直線段全局二進(jìn)制特征的示意圖；

圖8示出的是本發(fā)明的四位斜線段全局二進(jìn)制特征的示意圖；

圖9示出的是本發(fā)明的四位反斜線段全局二進(jìn)制特征的示意圖；

圖10示出的是根據(jù)本發(fā)明的又一個(gè)實(shí)施例的人臉檢測系統(tǒng)的示意圖；

圖11示出的是根據(jù)本發(fā)明的實(shí)施例的人臉檢測方法的流程圖；

圖12示出的是利用本發(fā)明的人臉檢測系統(tǒng)判斷檢測窗口集合中的每個(gè)檢測窗口是否包含人臉的方法的流程圖。

具體實(shí)施方式

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、完整地描述。顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(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示出了根據(jù)本發(fā)明的實(shí)施例的人臉檢測系統(tǒng)的示意圖。如圖1所示，本發(fā)明的人臉檢測系統(tǒng)包括主檢測器11和支路檢測器12。進(jìn)一步的，主檢測器11包括1個(gè)前端主分類器111和1個(gè)后端主分類器112。前端主分類器111和后端主分類器112都是二類分類器，它們的兩個(gè)輸出端是人臉輸出端(輸出包含人臉的檢測窗口)和非人臉輸出端(輸出不包含人臉的檢測窗口)。前端主分類器111的人臉輸出端與后端主分類器112的輸入端相連接，后端主分類器112的非人臉輸出端與支路檢測器12的輸入端相連接。

在使用本發(fā)明的人臉檢測系統(tǒng)時(shí)，首先要按照一定的比例縮放圖像，形成圖像金字塔。然后，在圖像金字塔的每個(gè)圖像中，以指定的步長，按照從上至下、從左至右的順序移動檢測窗口。在移動檢測窗口的過程中，使用人臉檢測系統(tǒng)分別檢測窗口中是否包含人臉。最后，再使用諸如非最大值抑制(Non-maximum Suppression)方法合并檢測窗口。

前端主分類器111的作用是濾除大部分的不包含人臉的檢測窗口，它是一種運(yùn)行速度較快、正確拒絕率適中、正確識別率較高的分類器，比如正確拒絕率大于等于98.00％且小于等于99.98％、正確識別率大于等于98.50％且小于等于99.5％。其中，正確拒絕率和正確識別率按照以下公式計(jì)算：

后端主分類器112是一種運(yùn)行速度較快、正確拒絕率較高、正確識別率適中的分類器，比如正確拒絕率大于等于99.60％且小于等于99.99％、正確識別率大于等于86.00％且小于等于99.20％。它進(jìn)一步地濾除不包含人臉的檢測窗口，進(jìn)而正確輸出包含人臉的檢測窗口。在那些被后端主分類器112濾除的檢測窗口中，既包含非人臉窗口，也可能包含一些人臉窗口。通常，在這些被后端主分類器112濾除的人臉窗口中所包含的人臉都是比較難檢測的，比如被部分遮擋的人臉或者側(cè)臉。支路檢測器12是一種正確拒絕率和正確識別率都很高的分類器，比如正確拒絕率大于等于99.9％、正確識別率大于等于99.9％，它用于從那些被后端主分類器112過濾掉的檢測窗口中，進(jìn)一步挑選包含人臉的檢測窗口。

如前所述，前端主分類器111是一種運(yùn)行速度較快、正確拒絕率適中、正確識別率較高的分類器，因此在濾除大部分不包含人臉的檢測窗口的情況下，它能使絕大多數(shù)的包含人臉的檢測窗口通過檢測。后端主分類器112是一種運(yùn)行速度較快、正確拒絕率較高、正確識別率適中的分類器，它能把大多數(shù)較容易檢測的人臉窗口檢測出來，同時(shí)使被錯(cuò)誤檢測的窗口(即把不包含人臉的檢測窗口看作是包含人臉的檢測窗口)的比例很小。支路分類器12是一種正確拒絕率和正確識別率都很高的分類器。支路檢測器12的作用是，從那些被后端主分類器112過濾掉的那些檢測窗口中，把包含人臉的檢測窗口檢測出來。這些檢測窗口包含的人臉多數(shù)是比較難檢測的人臉，比如部分被遮擋的人臉和側(cè)臉。通常情況下，正確拒絕率和正確識別率都很高的分類器的運(yùn)行速度都比較慢，但是由于前端主分類器111已經(jīng)濾掉了大部分的不包含人臉的檢測窗口，因此需要由支路檢測器12檢測的窗口數(shù)量是比較少的，比如小于200個(gè)。由此可見，按照上述方案設(shè)計(jì)的人臉檢測系統(tǒng)，既能保證檢測速度足夠快，又能使正確拒絕率和正確識別率足夠高。

如圖2所示，根據(jù)本發(fā)明的另一個(gè)實(shí)施例，支路檢測器12進(jìn)一步地包括1個(gè)前端支路分類器121和1個(gè)后端支路分類器122。前端支路分類器121和后端支路分類器122都是二類分類器，它們的兩個(gè)輸出端是人臉輸出端(輸出包含人臉的檢測窗口)和非人臉輸出端(輸出不包含人臉的檢測窗口)。前端支路分類器121的人臉輸出端與后端支路分類器122的輸入端相連接。

前端主分類器111和前端支路分類器121的作用是相同的，都是用于濾除不包含人臉的檢測窗口，進(jìn)而減少由后續(xù)分類器處理的檢測窗口的數(shù)量。它們既可以是同種類型的分類器，也可以不是同種類型的分類器。如果它們是同種類型的分類器，需要采用不同的圖像特征集合，這樣才能從不同的角度去考察檢測窗口。

前端支路分類器121是一種運(yùn)行速度較快、正確拒絕率適中、正確識別率較高的分類器，比如正確拒絕率大于等于80.00％且小于等于99.50％、正確識別率大于等于99.20％且小于等于99.80％，它用于進(jìn)一步過濾那些被后端主分類器112過濾掉的檢測窗口。后端支路分類器122是一種正確拒絕率和正確識別率都很高(比如都大于等于99.9％)的分類器。例如，可以使用以下幾種分類器作為后端支路分類器122：(1)卷積神經(jīng)網(wǎng)絡(luò)；(2)基于SURF特征的多層感知機(jī)。也可以使用正確識別率很高、正確拒絕率很高的人臉檢測器作為后端支路分類器122，比如基于可變形器官模型的人臉檢測器。

如圖3所示，根據(jù)本發(fā)明的人臉檢測系統(tǒng)的再一個(gè)實(shí)施例，主檢測器11是一個(gè)n階的深級聯(lián)分類器。其中，第1至第m階分類器被當(dāng)作前端主分類器111(m＜n)，第m+1至第n階分類器被當(dāng)作后端主分類器112。前端支路分類器121既可以是1個(gè)淺級聯(lián)分類器，也可以是由2個(gè)以上的淺級聯(lián)分類器串聯(lián)在一起構(gòu)成的分類器。深級聯(lián)分類器是階數(shù)較多的級聯(lián)分類器，比如階數(shù)為17～30的級聯(lián)分類器。相反，淺級聯(lián)分類器是階數(shù)較少的級聯(lián)分類器，比如階數(shù)為3～10的級聯(lián)分類器。

為了提高人臉檢測的速度，本發(fā)明的人臉檢測系統(tǒng)中的前端主分類器、后端主分類器和前端支路分類器均采用能夠快速計(jì)算的圖像特征，比如Haar特征、LBP特征、LAB特征或全局二進(jìn)制特征(Global Binary Feature，GBF)。全局二進(jìn)制特征是一種基于灰度圖像像素灰度值的圖像特征，它涉及兩種類型的像素：(1)1個(gè)閾值像素；(2)m個(gè)二值化像素(m≥2)。閾值像素是圖像中的任意一個(gè)像素，二值化像素是圖像中依次相連的像素。全局二進(jìn)制特征的數(shù)值按照以下步驟計(jì)算：

步驟1，從灰度圖像中，獲取1個(gè)閾值像素和m個(gè)二值化像素的灰度值(m≥2)。

如圖4所示，閾值像素401是圖像中的任意一個(gè)像素，二值化像素402a至402f是圖像中依次相連的像素。

步驟2，按照以下公式，計(jì)算全局二進(jìn)制特征的數(shù)值：

式中：GBF表示全局二進(jìn)制特征的數(shù)值；I_bk表示第k個(gè)二值化像素的灰度值；I_t表示閾值像素的灰度值；

在訓(xùn)練級聯(lián)分類器時(shí)，首先要構(gòu)建一個(gè)圖像特征集合，然后從圖像特征集合中選擇那些分辨能力較強(qiáng)的圖像特征，用于建立級聯(lián)分類器中的每一級分類器。由全局二進(jìn)制特征數(shù)值的計(jì)算方法可知，不同的全局二進(jìn)制特征的區(qū)別體現(xiàn)在3個(gè)方面：(1)閾值像素的位置；(2)二值化像素的數(shù)量；(3)二值化像素的位置。在構(gòu)建全局二進(jìn)制圖像特征集合時(shí)，如果不指定限制條件，全局二進(jìn)制圖像特征集合所包含的圖像特征的數(shù)量將會非常龐大，這樣會使級聯(lián)分類器的訓(xùn)練時(shí)間過長。因此，在構(gòu)建全局二進(jìn)制圖像特征集合時(shí)，需要事先限定二值化像素的數(shù)量，以及二值化像素之間的相對位置關(guān)系。圖5至圖9示出了5種類型的全局二進(jìn)制特征。如圖5所示，二值化像素402a至402d依次相連形成了一個(gè)正方形，因此把這種全局二進(jìn)制特征稱為四位正方形全局二進(jìn)制特征，簡稱QGBF_4特征。如圖6所示，二值化像素402a至402d依次相連形成了一個(gè)水平線段，因此把這種全局二進(jìn)制特征稱為四位水平線段全局二進(jìn)制特征，簡稱HLGBF_4特征。如圖7所示，二值化像素402a至402d依次相連形成了一個(gè)垂直線段，因此把這種全局二進(jìn)制特征稱為四位垂直線段全局二進(jìn)制特征，簡稱VLGBF_4特征。如圖8所示，二值化像素402a至402d依次相連形成了一個(gè)斜線段，因此把這種全局二進(jìn)制特征稱為四位斜線段全局二進(jìn)制特征，簡稱SLGBF_4特征。如圖9所示，二值化像素402a至402d依次相連形成了一個(gè)反斜線段，因此把這種全局二進(jìn)制特征稱為四位反斜線段全局二進(jìn)制特征，簡稱BSLGBF_4特征。

如圖10所示，根據(jù)本發(fā)明的人臉檢測系統(tǒng)的又一個(gè)實(shí)施例，主檢測器11是一個(gè)基于QGBF_4特征的20階深級聯(lián)分類器。其中，第1階至第9階分類器被當(dāng)作前端主分類器111，第10階至第20階分類器被當(dāng)作后端主分類器112。前端支路分類器121包含2個(gè)串聯(lián)在一起的級聯(lián)分類器，即第一層前端支路分類器1211和第二層前端支路分類器1212。其中第一層前端支路分類器1211是一個(gè)基于VLGBF_4特征的5階淺級聯(lián)分類器，第二層前端支路分類器1212是一個(gè)基于HLGBF_4特征的5階淺級聯(lián)分類器。后端支路分類器122是一個(gè)基于SURF特征的多層感知機(jī)。主檢測器11、第一層前端支路分類器1211和第二層前端支路分類器1212中的每一階分類器都是使用Adaboost方法，由二叉決策樹訓(xùn)練而成的。經(jīng)過訓(xùn)練，使每一階分類器的正確拒絕率大于等于45.00％且小于等于55.00％、正確識別率大于等于99.50％且小于等于99.90％。

如圖11所示，根據(jù)本發(fā)明的人臉檢測系統(tǒng)的實(shí)施實(shí)例，本發(fā)明的人臉檢測方法包括以下步驟：

步驟1101，縮放圖像，形成圖像金字塔；

步驟1102，在圖像金字塔的每個(gè)圖像中，按照指定的步長移動檢測窗口，建立檢測窗口集合；

步驟1103，利用本發(fā)明的人臉檢測系統(tǒng)，判斷檢測窗口集合中的每個(gè)檢測窗口是否包含人臉；

步驟1104，把包含人臉的檢測窗口放在人臉窗口集合中；

步驟1105，合并人臉窗口集合中的檢測窗口。

如圖12所示，進(jìn)一步的，步驟1103包括：

步驟1201，由前端主分類器判斷檢測窗口中是否包含人臉；

步驟1202，如果檢測窗口中包含人臉則執(zhí)行步驟1203，否則執(zhí)行步驟1209；

步驟1203，由后端主分類器判斷檢測窗口中是否包含人臉；

步驟1204，如果檢測窗口中包含人臉則執(zhí)行步驟1210，否則執(zhí)行步驟1205；

步驟1205，由前端支路分類器判斷檢測窗口中是否包含人臉

步驟1206，如果檢測窗口中包含人臉則執(zhí)行步驟1207，否則執(zhí)行步驟1209；

步驟1207，由后端支路分類器判斷檢測窗口中是否包含人臉；

步驟1208，如果檢測窗口中包含人臉則執(zhí)行步驟1210，否則執(zhí)行步驟1209；

步驟1209，濾除檢測窗口，并執(zhí)行步驟1211；

步驟1210，把檢測窗口放在人臉窗口集合中；

步驟1211，結(jié)束。