一種基于分層過濾的人臉檢測(cè)方法
【專利摘要】本發(fā)明提供一種基于分層過濾的人臉檢測(cè)方法，傳統(tǒng)的人臉檢測(cè)方法不能夠同時(shí)兼顧檢測(cè)速度和準(zhǔn)確率。本發(fā)明包括下列步驟：(1)利用圖像金字塔生成不同尺度的特征值；(2)用雙閾值FloatBoost訓(xùn)練Haar-like矩陣特征，生成一個(gè)低誤檢率且級(jí)數(shù)較小的強(qiáng)分類器，用于快速、精準(zhǔn)地提取多尺度的人臉候選區(qū)域；(3)將LBP和LGP紋理特征進(jìn)行融合；(4)用雙閾值FloatBoost訓(xùn)練該融合特征，生成一個(gè)檢測(cè)率高的級(jí)聯(lián)分類器，用于準(zhǔn)確地在多尺度候選區(qū)域中定位不同尺度的人臉；(5)顯示不同尺度人臉的檢測(cè)結(jié)果。本發(fā)明方法在提高檢測(cè)率的同時(shí)，減少了目標(biāo)區(qū)域的誤檢率，縮短了人臉檢測(cè)的時(shí)間。
【專利說明】-種基于分層過濾的人臉檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像檢測(cè)領(lǐng)域，特別涉及一種人臉檢測(cè)方法。

【背景技術(shù)】
[0002] 人臉檢測(cè)方法各異，大體可分為：基于顏色特征的方法，基于知識(shí)的方法，基于統(tǒng) 計(jì)的方法和基于概率的方法。由于人臉是非剛性的，具有高自由度的變化，顯式的描述人 臉特征比較難，因此，基于統(tǒng)計(jì)的方法更受重視，如SVM，Adaboost和神經(jīng)網(wǎng)絡(luò)檢測(cè)算法等。 傳統(tǒng)的Adaboost檢測(cè)算法并不能兼顧速度和準(zhǔn)確率：基于矩陣特征的人臉檢測(cè)可以快速 檢測(cè)人臉，但其檢測(cè)率不高；基于復(fù)雜特征的人臉檢測(cè)可以準(zhǔn)確定位人臉，但是檢測(cè)時(shí)間很 長。且傳統(tǒng)檢測(cè)方法都是基于單像素逐步檢測(cè)的，把大量時(shí)間放在非人臉區(qū)域，導(dǎo)致檢測(cè)時(shí) 間長，往往還得不到準(zhǔn)確的檢測(cè)結(jié)果。精確而快速的人臉檢測(cè)方法越來越受到研究者的重 視。
[0003] 特征融合是將多個(gè)特征進(jìn)行合并，生成一個(gè)新的特征。新的特征具備了多個(gè)被合 并特征的優(yōu)點(diǎn)，但其復(fù)雜度并沒有增大，只是特征值的個(gè)數(shù)增加了，是被合并特征個(gè)數(shù)的總 和。傳統(tǒng)改善特征值的方法，主要通過對(duì)單特征進(jìn)行改進(jìn)或者直接使用多個(gè)特征。傳統(tǒng)改 善特征值的方法能夠得到較好的準(zhǔn)確率，但是檢測(cè)時(shí)間延長。
[0004] 本發(fā)明提供一種分層過濾的人臉檢測(cè)方法，先用簡單、快速的算法來提取人臉的 候選區(qū)域，再用復(fù)雜、高準(zhǔn)確度的算法來精確的定位候選區(qū)域中的人臉，從而使人臉檢測(cè)過 程快速、精確。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于分層過濾的人臉檢測(cè)方法，能夠同時(shí)提高檢測(cè)速 度和準(zhǔn)確率。用haar-like矩陣特征來選取人臉候選區(qū)域，用LBP和LGP的融合特征來精 確定位人臉，且整個(gè)過程都用雙閾值FloatBoost來訓(xùn)練特征值。
[0006] 本發(fā)明采用的技術(shù)方案如下：
[0007] -種基于分層過濾的人臉檢測(cè)方法，其包含如下步驟：
[0008] 步驟1 :讀取待檢測(cè)圖像，利用圖像金字塔生成不同尺度的訓(xùn)練樣本集；
[0009] 步驟2:提取不同尺度的haar-like矩陣特征，在每一個(gè)尺度上，由雙閾值 FloatBoost來生成強(qiáng)分類器A ;
[0010] 步驟3 :通過不同尺度的強(qiáng)分類器A來快速而精確地提取原始圖像中候選的多尺 度人臉區(qū)域；
[0011] 步驟4 :提取不同尺度的LBP和LGP紋理特征，在每一個(gè)尺度上，將兩者進(jìn)行融合， 融合后的新特征為LBP和LGP特征總和，并由雙閾值FloatBoost來訓(xùn)練生成強(qiáng)分類器B，該 強(qiáng)分類器的形式為H(C);
[0012] 步驟5 :強(qiáng)分類器Β在候選區(qū)域中精確定位人臉，并顯示。
[0013] 所述的人臉檢測(cè)方法，步驟2中雙閾值FloatBoost是對(duì)FloatBoost的改進(jìn)，以雙 閾值函數(shù)作為分類器函數(shù)。
[0014] 上述步驟1中生成12種不同尺度的訓(xùn)練樣本集。
[0015] 上述方法步驟2提取6種不同尺度的haar-like矩陣特征，不用12種尺度是為了 快速提取人臉候選區(qū)域。6種尺度分別為16*16, 25*25, 38*38,60*60,94*94,146*146。
[0016] 上述方法步驟2中雙閾值FloatBoost是對(duì)FloatBoost的改進(jìn)，以雙閾值函數(shù)作 為分類器函數(shù)。
[0017] FloatBoost在Adaboost基礎(chǔ)之上進(jìn)行了改進(jìn)，該算法把浮動(dòng)搜索與Adaboost算 法結(jié)合起來，在前向搜索時(shí)引入回溯機(jī)制，將已選擇的強(qiáng)分類器中導(dǎo)致整體分類性能下降 的弱分類器從級(jí)聯(lián)弱分類器中刪除掉。解決了非單調(diào)性帶來的問題，且能高效地選擇特征 和生成強(qiáng)分類器。
[0018] FloatBoost算法弱分類器函數(shù)采用的是單閾值函數(shù)，而對(duì)于特征值M，應(yīng)該有上 下界，即凡彡Μ彡Mi，若待檢測(cè)的特征值落入?yún)^(qū)域[M&MJ中，則表示人臉，否則為非人臉。 雙閾值FloatBoost就是采用雙閾值函數(shù)作為弱分類器的，可以提取更好的弱分類器，就能 進(jìn)一步提高FloatBoost的性能。
[0019] 上述方法步驟2通過雙閾值FloatBoost生成這些尺度的強(qiáng)分類器A，及數(shù)低且誤 檢率低。
[0020] 上述方法步驟3中在提取候選區(qū)域過程中，可以先用大尺度的矩陣特征來提取候 選區(qū)域，再用小尺度的矩陣特征來提取下一個(gè)候選區(qū)域。進(jìn)一步優(yōu)選的方法為一旦大尺度 的矩陣特征提取出了候選區(qū)域，小尺度的矩陣特征就不用再在該候選區(qū)域進(jìn)行判斷了，這 樣就可以快速而精準(zhǔn)的提取多尺度人臉的候選區(qū)域。
[0021] 上述方法步驟4中用雙閾值FloatBoost訓(xùn)練LBP和LGP融合特征，形成的強(qiáng)分類 器H(C)為：
[0022]

【權(quán)利要求】
1. 一種基于分層過濾的人臉檢測(cè)方法，其特征在于包含如下步驟： 步驟1 :讀取待檢測(cè)圖像，利用圖像金字塔生成不同尺度的訓(xùn)練樣本集； 步驟2 :提取不同尺度的haar-like矩陣特征，在每一個(gè)尺度上，由雙閾值FloatBoost 來生成強(qiáng)分類器A; 步驟3 :通過不同尺度的強(qiáng)分類器A來快速而精確地提取原始圖像中候選的多尺度人 臉區(qū)域； 步驟4 :提取不同尺度的LBP和LGP紋理特征，在每一個(gè)尺度上，將兩者進(jìn)行融合，融合 后的新特征為LBP和LGP特征總和，并由雙閾值FloatBoost來訓(xùn)練生成強(qiáng)分類器B，強(qiáng)分類 器B的形式為H(C); 步驟5 :強(qiáng)分類器B在候選區(qū)域中精確定位人臉，并顯示。
2. 如權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，所述步驟2中雙閾值FloatBoost 是對(duì)FloatBoost的改進(jìn)，以雙閾值函數(shù)作為分類器函數(shù)。
3. 如權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，所述步驟3中選取人臉區(qū)域時(shí)，先 用大尺度進(jìn)行判斷，再用小尺度。
4. 如權(quán)利要求3所述的人臉檢測(cè)方法，其特征在于，所述步驟3中選取人臉區(qū)域時(shí)，大 尺度確認(rèn)的候選區(qū)域，小尺度不需要再判斷。
5. 如權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，所述步驟4中強(qiáng)分類器B的形式 //(〇= Σ /7'(β(χ))+ Σ W(x))。 XeS^BP XeS嚴(yán)
6. 如權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，所述強(qiáng)分類器A級(jí)數(shù)小且誤檢率 低。
7. 如權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，所述強(qiáng)分類器B級(jí)數(shù)高檢測(cè)率高。
8. 如權(quán)利要求1所述的人臉檢測(cè)方法，其特征在于，所述步驟1中生成12種不同尺度 的訓(xùn)練樣本集；步驟2中提取6種不同尺度的haar-like矩陣特征；步驟2中為6種不同尺 度的強(qiáng)分類器A ;步驟4中提取12種不同尺度的LBP和LGP紋理特征。
【文檔編號(hào)】G06K9/64GK104268584SQ201410473514
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月16日 優(yōu)先權(quán)日:2014年9月16日
【發(fā)明者】方承志, 蘇騰云 申請(qǐng)人:南京郵電大學(xué)