人臉檢測器訓(xùn)練方法、人臉檢測方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實施例涉及圖像模式識別技術(shù)，尤其涉及一種人臉檢測器訓(xùn)練方法、人臉 檢測方法及裝置。
【背景技術(shù)】
[0002] 人臉檢測技術(shù)是指從一幅圖像或一段視頻中確定其是否含有人臉，并對人臉位置 與尺度進(jìn)行定位的過程。實現(xiàn)人臉檢測的前提是構(gòu)建人臉檢測器。一般來說，現(xiàn)有技術(shù)通 過如下幾種方式構(gòu)建人臉檢測器：
[0003] 技術(shù)一、通過Haar-Like特征與Adaboost算法實現(xiàn)人臉檢測。該方法中，采用 Haar-Like特征表示人臉，對各Haar-Like特征進(jìn)行訓(xùn)練得到弱分類器，通過Adaboost算法 選擇多個最能代表人臉的弱分類器構(gòu)造成強(qiáng)分類器，將若干個強(qiáng)分類器串聯(lián)組成一個級聯(lián) 結(jié)構(gòu)的層疊分類器，即人臉檢測器。該技術(shù)中，每個Haar-Like特征僅考慮了基準(zhǔn)框與一個 鄰域框的人臉圖像信息，導(dǎo)致Haar-Like特征數(shù)目多、判別能力弱、通常需要訓(xùn)練的弱分類 器數(shù)目比較多且整體判別能力弱、最終人臉檢測率低。
[0004] 技術(shù)二、通過多尺度塊狀局部二值模式（Multi-scaleBlockbasedLocalBinary Patterns，MBLBP)特征與Adaboost算法實現(xiàn)人臉檢測。該方法在技術(shù)一的基礎(chǔ)上，采用可 表示基準(zhǔn)框與8個鄰域框的人臉圖像信息的MBLBP特征表示人臉，通過比較基準(zhǔn)框的平均 灰度同周圍8個鄰域框各自的平均灰度計算MBLBP特征，具體如圖1所示，圖1為現(xiàn)有技術(shù) 中MBLBP特征示意圖。該技術(shù)中，要求8個鄰域框必須均勻的環(huán)繞在基準(zhǔn)框周圍，且基準(zhǔn)框 與各鄰域框必須相鄰，訓(xùn)練樣本的灰度均值計算時比較的值固定為〇,使得MBLBP特征對噪 聲的魯棒性差，人臉檢測的誤檢率高，人臉檢測的用戶體驗效果差。
[0005] 技術(shù)三、通過多尺度的結(jié)構(gòu)化定序測量特征（Multi-scaleStructuredOrdinal Features,MS0F)與Adaboost算法實現(xiàn)人臉檢測。該方法在技術(shù)二的基礎(chǔ)上，采用可表示 基準(zhǔn)框與8個鄰域框的人臉圖像信息的MS0F特征表示人臉，8個鄰域框相對于基準(zhǔn)框的距 離可調(diào)，且基準(zhǔn)框與8個鄰域框可以不相連，具體如圖2所示，圖2為現(xiàn)有技術(shù)中MS0F特征 示意圖。該技術(shù)中，要求8個鄰域框相對于基準(zhǔn)框的空間位置均勻分布，靈活性差，同樣在 某種程度上制約了魯棒性，人臉檢測器的誤檢率高。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實施例提供一種人臉檢測器訓(xùn)練方法、人臉檢測方法及裝置，通過彈性的 塊狀局部二值模式特征與GentleBoost算法構(gòu)建出高精度的人臉檢測器，以提高人臉檢測 的精度。
[0007] 第一個方面，本發(fā)明實施例提供一種人臉檢測方法，包括：
[0008] 步驟1、采集人臉和非人臉圖像作為訓(xùn)練樣本集，提取所述人臉和非人臉圖像的彈 性的塊狀局部二值模式FBLBP特征構(gòu)成FBLBP特征集；
[0009] 步驟2、利用所述FBLBP特征和GentleBoost算法進(jìn)行訓(xùn)練，得到第一分類器，所述 第一分類器包括若干個最優(yōu)第二分類器，每個最優(yōu)第二分類器通過GentleBoost算法訓(xùn)練 所得；
[0010] 步驟3、重復(fù)步驟1到步驟2的訓(xùn)練過程，得到多層第一分類器，將多層第一分類器 級聯(lián)成人臉檢測器。
[0011] 在第一個方面的第一種可能的實現(xiàn)方式中，所述步驟1包括如下子步驟：
[0012] 步驟1. 1、構(gòu)造所述FBLBP特征，用于表示圖像局部灰度相對變化的共生信息，所 述FBLBP特征包括若干個全等的矩形框、閾值和符號位sign，其中，所述若干個全等的矩形 框包括一個基準(zhǔn)框和至少一個鄰域框，所述符號位sign為-1時，所述閾值為0 ^，所述符號 位sign為1時，所述閾值為0i，所述9 ^與所述9i為實數(shù)；
[0013] 步驟1. 2、計算所述FBLBP特征中所述基準(zhǔn)框的特征值A(chǔ)vgIntpiv(rtbl(K；k和各所述鄰 域框的特征值.
【主權(quán)項】
1. 一種人臉檢測器訓(xùn)練方法，其特征在于，包括： 步驟1、采集人臉和非人臉圖像作為訓(xùn)練樣本集，提取所述人臉和非人臉圖像的彈性的 塊狀局部二值模式FBLBP特征構(gòu)成FBLBP特征集； 步驟2、利用所述FBLBP特征和GentleBoost算法進(jìn)行訓(xùn)練，得到第一分類器，所述第 一分類器包括若干個最優(yōu)第二分類器，每個最優(yōu)第二分類器通過GentleBoost算法訓(xùn)練所 得； 步驟3、重復(fù)步驟1到步驟2的訓(xùn)練過程，得到多層第一分類器，將多層第一分類器級聯(lián) 成人臉檢測器。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟1包括如下子步驟： 步驟1. 1、構(gòu)造所述FBLBP特征，用于表示圖像局部灰度相對變化的共生信息，所述FBLBP特征包括若干個全等的矩形框、闊值和符號位sign,其中，所述若干個全等的矩形框 包括一個基準(zhǔn)框和至少一個鄰域框，所述符號位sign為-1時，所述闊值為0。，所述符號位 sign為1時，所述闊值為01，所述0。與所述01為實數(shù)； 步驟1. 2、計算所述FBLBP特征中所述基準(zhǔn)框的特征值A(chǔ)vglntpiwtbi。。!^和各所述鄰域框 的特征值A(chǔ)當(dāng)/W。。g;，6。,.w。f4,巧中，所述基準(zhǔn)框的特征值A(chǔ)vgIntwY。tbl。。k由所述基準(zhǔn)框所在區(qū)域 的平均灰度表示，各所述鄰域框的特征值^^紅>巧,"3^。^。4-1由各所述鄰域框各自所在區(qū)域的 平均灰度表示，k為第k個鄰域框的序號；對每一所述鄰域框，根據(jù)所述符號位sign計算差 分結(jié)果，將所述差分結(jié)果與所述闊值進(jìn)行比較并量化；將每一所述鄰域框的量化結(jié)果組成 的二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)并保存從而得到所述FBLBP特征的特征值。
3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述步驟2中利用所述FBLBP特征 和GentleBoost算法進(jìn)行訓(xùn)練，得到第一分類器，所述第一分類器由若干個最優(yōu)第二分類 器組成，每個最優(yōu)第二分類器通過GentleBoost算法訓(xùn)練所得，其中，第二分類器的計算公 式（1)如下：
其中，fm(X)為第m個第二分類器，X為該第二分類器的FBLBP特征值，K為該FBLBP特 征的鄰域框的數(shù)目，a,.為第二分類器的輸出，所述a,.根據(jù)公式（2)計算得出：
其中，0《j《2K-1且j為整數(shù)，y;為第i個訓(xùn)練樣本的類別，當(dāng)訓(xùn)練樣本為人臉圖像 時，所述的值為1，否則為-1，5 0為克羅內(nèi)克函數(shù)，若Xi=j為真，則輸出為1，否則，若 Xi=j為假，則輸出為0,i為第i個訓(xùn)練圖像樣本，Ui為第i個訓(xùn)練圖像樣本的權(quán)重。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，還包括：根據(jù)公式（3)及歸一化公式（4) 計算得出所述第i個訓(xùn)練圖像樣本的權(quán)重其中， 所述公式（3)為巧=巧X(j1'-fmW; 所述公式（4) 3
5. 根據(jù)權(quán)利要求3所述的方法，其特征在于，還包括：根據(jù)公式（5)計算得出所述公式 (1)中每一個第二分類器的FBLBP特征值X，其中， 所述公式（5)為：
K為鄰域框的個數(shù)；
其中，5 〇為克羅內(nèi)克函數(shù)，當(dāng)輸入為真時，輸出為1 ;否則，當(dāng)輸入為假時，輸出為0。
6. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述步驟2中利用所述FBLBP特征和 GentleBoost算法進(jìn)行訓(xùn)練，得到第一分類器，所述第一分類器由若干個最優(yōu)第二分類器組 成，所述最優(yōu)第二分類器的計算過程包括如下子步驟： 步驟2. 1、初始時，所述FBLBP特征僅包括一個基準(zhǔn)框與一個鄰域框，由該兩個矩形框 組成的FBLBP特征集可W通過窮舉遍歷得到，對FBLBP特征集中的每個FBLBP特征，計算其 特征值及相應(yīng)的第二分類器的輸出值，將得到的第二分類器的輸出值代入公式（6)得到所 述第二分類器的誤差J，將使得所述誤差J的值最小的第二分類器選作為所述最優(yōu)第二分 類器，所述公式（6)為：
其中，J為優(yōu)化目標(biāo)函數(shù)即加權(quán)的分類誤差，N為總的訓(xùn)練樣本數(shù)； 步驟2. 2,在根據(jù)步驟2. 1確定出僅包括一個基準(zhǔn)框與一個鄰域框的FBLBP特征后， 對該FBLBP特征，通過遍歷圖像中和基準(zhǔn)框同尺寸的矩形框，增加鄰域框的個數(shù)，代入公式 (5)重新計算X的值，并代入公式（6)中計算所述誤差J，若J進(jìn)一步減小，則將其并入當(dāng)前 最優(yōu)第二分類器；否則，停止且直接輸出當(dāng)前特征，同時更新權(quán)重并進(jìn)入GentleBoost的下 一輪循環(huán)； 所述步驟2中將各所述GentleBoost每一輪循環(huán)最優(yōu)第二分類器組合成第一分類器的 計算公式（7)如下： F(x)=F(x)+fm(x); 其中，F(xiàn)(X)為第一分類器，F(xiàn)(x)初始化為0。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟2還包括： 根據(jù)公式（8)確定所述第一分類器的闊值，所述公式（8)為：
其中，ii為第ii個包括人臉 的訓(xùn)練圖像樣本，i2為第i2個包括非人臉的訓(xùn)練圖像樣本；th為所述第一分類器的闊值。
8. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟1. 2中對每一所述鄰域框，根據(jù) 所述符號位sign計算差分結(jié)果，將所述差分結(jié)果與所述闊值進(jìn)行比較并量化，最后，將每 一所述鄰域框的量化結(jié)果組成的二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)并保存得到所述FBLBP特征的 特征值，包括： 對于每一鄰域框，當(dāng)所述符號位為1時，若所述基準(zhǔn)框的特征值A(chǔ)vglntpiYMbiwk與所 述第k個鄰域框的特征值之差不小于所述闊值0 1，則將所述鄰域框的位 置標(biāo)記為1 ;否則，若所述基準(zhǔn)框的特征值A(chǔ)vglntpiwtbi。。!^與所述第k個鄰域框的特征值 ^^/^。。&;，6。,《。,4,之差小于所述闊值0 1，則將所述鄰域框的位置標(biāo)記為〇;或者，對于每一所 述鄰域框，當(dāng)所述符號位為-1時，若所述基準(zhǔn)框的特征值A(chǔ)vglnt