用于人臉識別的眼鏡檢測方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種用于人臉識別的眼鏡檢測方法及系統(tǒng)，該方法包括：從待測人臉圖像中獲取眼鏡區(qū)域圖像；采用特征分類器對眼鏡區(qū)域圖像進(jìn)行分類，得到檢測結(jié)果；特征分類器的生成包括：從特征池中挑選預(yù)定數(shù)目的分割區(qū)域作為特征選擇；對每個樣本提取特征選擇對應(yīng)的多個分割區(qū)域的特征值，并將多個分割區(qū)域的特征值結(jié)合起來作為樣本的描述；通過支持向量機(jī)SVM分類器訓(xùn)練多個樣本得到特征分類器的模型。本發(fā)明眼鏡檢測方法及系統(tǒng)采用的特征分類器的特征描述的穩(wěn)定性和區(qū)分能力強(qiáng)，且相比全圖特征提取，大大降低了分類的特征維度，分類運算的復(fù)雜度亦降低，運算速度及檢測精度均得到提高。
【專利說明】用于人臉識別的眼鏡檢測方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及生物模式識別領(lǐng)域，特別地，涉及一種用于人臉識別的眼鏡檢測方法 及系統(tǒng)。

【背景技術(shù)】
[0002] 由于大多數(shù)人都佩戴有眼鏡，通過檢測人臉圖像中是否佩戴眼鏡，并計算出眼鏡 的位置和形狀，對提高人臉識別算法性能、人臉合成、人臉卡通等具有重要的實用價值。例 如，在人臉識別時，如果在佩戴眼鏡的人臉中檢測出眼鏡的位置，即可通過去除眼鏡獲得沒 有眼鏡的裸臉。
[0003] 由于受眼鏡形狀的多樣性及圖像質(zhì)量等因素的影響，眼鏡檢測存在諸多難點?，F(xiàn) 有的眼鏡檢測可以通過圖像處理或者模式識別方法來實現(xiàn)，圖像處理方法包括邊緣和顏色 檢測等，由于眼鏡部分有明顯的橫和豎的邊緣，通過對全圖做邊緣檢測，可以判斷是否帶眼 鏡；模式識別是通過分類的方法來實現(xiàn)，即通過大量正樣本（是）和反樣本（非）進(jìn)行學(xué)習(xí) 訓(xùn)練，得到一個分類模型，用于判別新輸入的圖像。分類問題主要可以分為特征提取、特征 選擇、分類器設(shè)計三個方面。如果提取的特征足夠可靠，則一個簡單的分類器就可以實現(xiàn)較 好的分類。然而，在實際應(yīng)用中，特征提取往往很難達(dá)到足夠可靠的要求。這主要是因為同 一個類的個體受到光照條件、姿態(tài)、遮擋等的影響，類別間的差距大。甚至同一類的不同個 體之間也往往不同。因此，為實現(xiàn)較好的分類，需要同時從特征提取和選擇以及分類器設(shè)計 三個方面同時考慮。
[0004] 在 2001 年，Paul Viola 和 Michael J. Jones 在其論文中提出一個基于 AdaBoost 的人臉檢測系統(tǒng)。作為第一個實時人臉檢測系統(tǒng)，該算法主要有三個貢獻(xiàn)：（1)利用簡單的 Haar-Iike矩形特征作為特征，并通過積分圖像法實現(xiàn)快速運算；（2)采用了基于AdaBoost 的分類器設(shè)計；（3)采用了 Cascade技術(shù)提高檢測速度。該技術(shù)優(yōu)先選擇少量區(qū)分性好的特 征構(gòu)成簡單的分類器，排除大量的非人臉區(qū)域，剩下的極少數(shù)的區(qū)域則用更多特征、更加復(fù) 雜的分類器進(jìn)行分類。目前主流的人臉檢測算法主要基于該系統(tǒng)。然而，該算法仍存在一 些問題：（I)Haar-Iike特征是一種相對簡單的特征，其穩(wěn)定性較低，且不能充分描述眼鏡 區(qū)域的全部特征，從而導(dǎo)致分類性能不高；（2)弱分類器采用簡單的決策樹，容易過擬合。
[0005] 且在AdaBoost框架下，弱分類器通常采用的是決策樹或者LUT (Look Up Table) 查找表，這種分類器只能分類一維特征向量，且分類規(guī)則簡單，分類性能會受到一定影響。 同時，采用AdaBoost訓(xùn)練出來的模型進(jìn)行分類的話，要保存大量的模型信息，如果弱分類 器數(shù)目較多的情況下，模型較大，同時，分類速度也會降低。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供了一種用于人臉識別的眼鏡檢測方法及系統(tǒng)，以解決現(xiàn)有的眼鏡檢測 采用模式識別方法時特征提取單一及分類器單一導(dǎo)致的分類性能低及可靠性低的技術(shù)問 題。
[0007] 根據(jù)本發(fā)明的一個方面，提供一種用于人臉識別的眼鏡檢測方法，該方法包括：
[0008] 從待測人臉圖像中獲取眼鏡區(qū)域圖像；
[0009] 采用預(yù)先生成的特征分類器對眼鏡區(qū)域圖像進(jìn)行分類，得到待測人臉圖像是否對 應(yīng)有眼鏡的檢測結(jié)果；
[0010] 其中，特征分類器的生成包括：
[0011] 從特征池中挑選預(yù)定數(shù)目的分割區(qū)域作為特征選擇，特征池包括與樣本大小對應(yīng) 的所有分割區(qū)域；
[0012] 對每個樣本提取特征選擇對應(yīng)的多個分割區(qū)域的特征值，并將多個分割區(qū)域的特 征值結(jié)合起來作為樣本的描述，其中，特征值為局部二值模式LBP直方圖特征或梯度方向 直方圖HOG特征；
[0013] 通過支持向量機(jī)SVM分類器訓(xùn)練多個樣本得到特征分類器的模型。
[0014] 進(jìn)一步地，特征選擇采用自適應(yīng)增強(qiáng)AdaBoost算法，包括：
[0015] 從初始訓(xùn)練樣本集中抽取預(yù)定量的樣本；
[0016] 對特征池中的每個分割區(qū)域，訓(xùn)練一個基于LBP直方圖特征的分類器，計算該分 類器的分類錯誤率；
[0017] 對特征池中的每個分割區(qū)域，訓(xùn)練一個基于HOG特征的分類器，計算該分類器的 分類錯誤率；
[0018] 挑選錯誤率最低的分類器作為弱分類器，加入強(qiáng)分類器并計算其在強(qiáng)分類器中的 權(quán)重系數(shù)，保存該弱分類器對應(yīng)的分割區(qū)域和特征類型；并根據(jù)所選弱分類器更新樣本權(quán) 重；
[0019] 循環(huán)執(zhí)行上述步驟直至強(qiáng)分類器中的分類器的數(shù)量達(dá)到預(yù)定數(shù)目。
[0020] 進(jìn)一步地，弱分類器的權(quán)重系數(shù)的計算公式如下：
[0021] a j= l〇g((l-δ』）/δ j)
[0022] 其中，δ」為弱分類器的分類錯誤率，α」為該弱分類器的權(quán)重系數(shù)，j為弱分類器 對應(yīng)的序號；
[0023] 進(jìn)一步地，更新樣本權(quán)重的計算公式如下：
[0024] Wt= f40'*
[0025] 其中，Wt_u表示樣本i在t_l個弱分類器更新后的權(quán)重值，Wtii表示樣本i在t個 弱分類器更新后的權(quán)重值，1是樣本i的標(biāo)簽，對于正樣本，1 = 1，對于負(fù)樣本，I = -I ;Dtii 表示樣本i在當(dāng)前循環(huán)中選出的第t個弱分類器的得分。
[0026] 進(jìn)一步地，LBP直方圖特征為一致性LBP直方圖特征。
[0027] 進(jìn)一步地，采用特征分類器對眼鏡區(qū)域圖像進(jìn)行分類識別的步驟中，采用SVM分 類器進(jìn)行分類識別。
[0028] 根據(jù)本發(fā)明的另一方面，提供一種用于人臉識別的眼鏡檢測系統(tǒng)，該系統(tǒng)包括：
[0029] 圖像提取模塊，用于從待測人臉圖像中獲取眼鏡區(qū)域圖像；
[0030] 眼鏡檢測模塊，用于采用預(yù)先生成的特征分類器對眼鏡區(qū)域圖像進(jìn)行分類，得到 待測人臉圖像是否對應(yīng)有眼鏡的檢測結(jié)果；
[0031] 特征分類器生成模塊，用于生成特征分類器；特征分類器生成模塊包括：
[0032] 特征選擇單元，用于從特征池中挑選預(yù)定數(shù)目的分割區(qū)域作為特征選擇，特征池 包括與樣本大小對應(yīng)的所有分割區(qū)域；
[0033] 樣本描述單元，用于對每個樣本提取特征選擇對應(yīng)的多個分割區(qū)域的特征值，并 將多個分割區(qū)域的特征值結(jié)合起來作為樣本的描述，其中，特征值為局部二值模式LBP直 方圖特征或梯度方向直方圖HOG特征；
[0034] 分類器訓(xùn)練單元，用于通過大量正樣本和負(fù)樣本，利用支持向量機(jī)SVM訓(xùn)練得到 用于特征分類的模型，即SVM分類器。進(jìn)一步地，特征選擇單元采用自適應(yīng)增強(qiáng)AdaBoost 算法，包括：
[0035] 樣本提取子單元，用于從初始訓(xùn)練樣本集中抽取預(yù)定量的樣本；
[0036] 第一分類器訓(xùn)練子單元，用于對特征池中的每個分割區(qū)域，訓(xùn)練一個基于LBP直 方圖特征的分類器，計算該分類器的分類錯誤率；
[0037] 第二分類器訓(xùn)練子單元，用于對特征池中的每個分割區(qū)域，訓(xùn)練一個基于HOG特 征的分類器，計算該分類器的分類錯誤率；
[0038] 強(qiáng)分類器生成子單元，用于挑選錯誤率最低的分類器作為弱分類器，加入強(qiáng)分類 器并計算其在強(qiáng)分類器中的權(quán)重系數(shù)，保存該弱分類器對應(yīng)的分割區(qū)域和特征類型；并根 據(jù)所選弱分類器更新樣本權(quán)重；
[0039] 循環(huán)判斷子單元，用于循環(huán)執(zhí)行樣本提取子單元、第一分類器訓(xùn)練子單元、第二分 類器訓(xùn)練子單元、強(qiáng)分類器生成子單元，直至強(qiáng)分類器中的分類器的數(shù)量達(dá)到預(yù)定數(shù)目。
[0040] 進(jìn)一步地，弱分類器的權(quán)重系數(shù)的計算公式如下：
[0041] a j= log ((I- δ j) / δ j)
[0042] 其中，δ』為弱分類器的分類錯誤率，α」為該弱分類器的權(quán)重系數(shù)，j為弱分類器 對應(yīng)的序號；
[0043] 更新樣本權(quán)重的計算公式如下：
[0044] Vi； , =W1 I ^1〇,,?
[0045] 其中，Wt_u表示樣本i在t-1個弱分類器更新后的權(quán)重值，Wtii表示樣本i在t個 弱分類器更新后的權(quán)重值，1是樣本i的標(biāo)簽，對于正樣本，1 = 1，對于負(fù)樣本，I = -I ;Dtii 表示樣本i在當(dāng)前循環(huán)中選出的第t個弱分類器的得分。
[0046] 進(jìn)一步地，LBP直方圖特征為一致性LBP直方圖特征。
[0047] 進(jìn)一步地，眼鏡檢測模塊采用SVM分類器進(jìn)行分類。
[0048] 本發(fā)明具有以下有益效果：
[0049] 本發(fā)明用于人臉識別的眼鏡檢測方法及系統(tǒng)，通過采用特征分類器對眼鏡區(qū)域圖 像進(jìn)行分類，其中，特征分類器采用AdaBoost算法進(jìn)行特征選擇，針對選擇出來的關(guān)鍵區(qū) 域，對每個樣本應(yīng)用LBP直方圖特征或者HOG特征進(jìn)行描述，通過SVM分類器訓(xùn)練多個樣本 得到所述特征分類器的模型。本發(fā)明眼鏡檢測方法及系統(tǒng)采用的特征分類器的特征描述的 穩(wěn)定性和區(qū)分能力強(qiáng)，且相比全圖特征提取，降低了分類的特征維度，分類運算的復(fù)雜度亦 降低，運算速度及檢測精度均得到提高。
[0050] 除了上面所描述的目的、特征和優(yōu)點之外，本發(fā)明還有其它的目的、特征和優(yōu)點。 下面將參照圖，對本發(fā)明作進(jìn)一步詳細(xì)的說明。

【專利附圖】

【附圖說明】
[0051] 構(gòu)成本申請的一部分的附圖用來提供對本發(fā)明的進(jìn)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(dāng)限定。在附圖中：
[0052] 圖1是本發(fā)明優(yōu)選實施例眼鏡檢測方法的步驟流程示意圖；
[0053] 圖2是本發(fā)明優(yōu)選實施例特征分類器生成的步驟流程示意圖；以及
[0054] 圖3是本發(fā)明優(yōu)選實施例眼鏡檢測系統(tǒng)的原理方框示意圖。

【具體實施方式】
[0055] 以下結(jié)合附圖對本發(fā)明的實施例進(jìn)行詳細(xì)說明，但是本發(fā)明可以由權(quán)利要求限定 和覆蓋的多種不同方式實施。
[0056] 本發(fā)明優(yōu)選實施例提供了一種用于人臉識別的眼鏡檢測方法，本實施例眼鏡檢測 方法采用的特征分類器具有特征維度低、特征描述穩(wěn)定性好及分類準(zhǔn)確性高的特點，通過 采用該特征分類器進(jìn)行待測人臉圖像的分類，具有運算效率及檢測精度高的特點。參照圖 1，本實施例眼鏡檢測方法包括：
[0057] 步驟S101，從待測人臉圖像中獲取眼鏡區(qū)域圖像；
[0058] 在一個可選的實施方式中，獲取眼鏡區(qū)域圖像的步驟可以包括：
[0059] 對待測人臉圖像進(jìn)行人臉檢測，以得到人臉區(qū)域圖像；
[0060] 對所述人臉區(qū)域圖像進(jìn)行眼鏡定位，并根據(jù)所述眼鏡位置對所述人臉區(qū)域圖像進(jìn) 行歸一化操作，以得到預(yù)定尺寸大小的目標(biāo)圖像。
[0061] 在具體應(yīng)用中，歸一化操作可以包括尺寸歸一化和灰度歸一化操作，其中，灰度歸 一化操作可以采取對尺寸歸一化后的圖像進(jìn)行灰度拉伸，以改善圖像的對比度；或者，采用 直方圖均衡化等修正技術(shù)使圖像具有相近的統(tǒng)計意義上的均值和方差，以部分消除光照的 影響，本發(fā)明對與歸一化操作的具體方式不加以限制。
[0062] 上述實施方式僅僅是一種可選的實施方式，采用其他方式也可以得到眼鏡區(qū)域圖 像。無論采用哪種方式均可以取得相同的效果。
[0063] 步驟S102,采用特征分類器對眼鏡區(qū)域圖像進(jìn)行分類，得到待測人臉圖像是否對 應(yīng)有眼鏡的檢測結(jié)果。
[0064] 本發(fā)明實施例檢測方法可以應(yīng)用于人臉合成、人臉卡通、人臉識別和人臉特征發(fā) 現(xiàn)等場合，通過確定待測人臉圖像的人臉是否佩戴眼鏡，以根據(jù)檢測結(jié)果采取進(jìn)一步的措 施，例如，如果發(fā)現(xiàn)該人臉佩戴眼鏡，則可以通過去除眼鏡獲得沒有眼鏡的裸臉。
[0065] 參照圖2,本實施例的特征分類器的生成包括：
[0066] 步驟S201，采用AdaBoost (Adaptive Boosting，自適應(yīng)增強(qiáng)）算法從特征池中挑 選預(yù)定數(shù)目的分割區(qū)域作為特征選擇，特征池包括與樣本大小對應(yīng)的所有分割區(qū)域；即所 有樣本大小均歸一化為統(tǒng)一尺寸，特征池包括樣本尺寸下分割區(qū)域的總集，預(yù)定數(shù)目的分 割區(qū)域構(gòu)成用于描述樣本的關(guān)鍵區(qū)域，從而構(gòu)成特征選擇。
[0067] 步驟S202,對每個樣本提取特征選擇對應(yīng)的多個分割區(qū)域的特征值，并將多個分 割區(qū)域的特征值結(jié)合起來作為樣本的描述，其中，特征值為LBP (Local Binary Pattern，局 部二值模式）直方圖特征或H0G(Histograms of Orientation Gradient，梯度方向直方圖） 特征；
[0068] 步驟S203,通過SVM(Support Vector Machine，支持向量機(jī)）分類器訓(xùn)練多個樣 本得到特征分類器的模型。
[0069] 其中，特征選擇的步驟包括：
[0070] 步驟S2011，從初始訓(xùn)練樣本集中抽取預(yù)定量的樣本；
[0071] 本實施例，從初始訓(xùn)練樣本集中按照有放回的方式按樣本權(quán)重大小隨機(jī)抽取預(yù)定 量的樣本，其中，初始化正樣本權(quán)重為1Λ2Μ)，負(fù)樣本權(quán)重為1八2〇, M、C分別為訓(xùn)練集的 正負(fù)樣本數(shù)目，并對樣本權(quán)重進(jìn)行歸一化處理，然后采用Bootstrap選取K個正樣本和K個 負(fù)樣本。
[0072] 步驟S2012,對特征池中的每個分割區(qū)域，訓(xùn)練一個基于LBP直方圖特征的分類 器，計算該分類器的分類錯誤率；
[0073] 本實施例中，對特征池中的每個矩形區(qū)域，訓(xùn)練一個基于LBP直方圖特征的分類 器，計算該分類器的分類錯誤率；
[0074] 對于LBP直方圖特征說明如下：
[0075] 設(shè)g。為圖像I (X，y)中像素 （X。，y。）的灰度值，則（X。，y。）的LBP按照如下公式計 算：

【權(quán)利要求】
1. 一種用于人臉識別的眼鏡檢測方法，其特征在于，包括： 從待測人臉圖像中獲取眼鏡區(qū)域圖像； 采用預(yù)先生成的特征分類器對所述眼鏡區(qū)域圖像進(jìn)行分類，得到所述待測人臉圖像是 否對應(yīng)有眼鏡的檢測結(jié)果； 其中，所述特征分類器的生成包括： 從特征池中挑選預(yù)定數(shù)目的分割區(qū)域作為特征選擇，其中，所述特征池包括樣本尺寸 大小對應(yīng)的所有分割區(qū)域； 對每個樣本提取所述特征選擇對應(yīng)的多個所述分割區(qū)域的特征值，并將多個所述分割 區(qū)域的所述特征值結(jié)合起來作為所述樣本的描述，其中，所述特征值為局部二值模式LBP 直方圖特征或梯度方向直方圖HOG特征； 通過支持向量機(jī)SVM分類器訓(xùn)練多個樣本得到所述特征分類器的模型。
2. 根據(jù)權(quán)利要求1所述的用于人臉識別的眼鏡檢測方法，其特征在于，所述特征選擇 米用自適應(yīng)增強(qiáng)AdaBoost算法，包括： 從初始訓(xùn)練樣本集中抽取預(yù)定量的樣本； 對所述特征池中的每個所述分割區(qū)域，訓(xùn)練一個基于LBP直方圖特征的分類器，計算 該分類器的分類錯誤率； 對所述特征池中的每個所述分割區(qū)域，訓(xùn)練一個基于HOG特征的分類器，計算該分類 器的分類錯誤率； 挑選錯誤率最低的分類器作為弱分類器并將其加入強(qiáng)分類器，計算所述弱分類器在所 述強(qiáng)分類器中的權(quán)重系數(shù)，保存所述弱分類器對應(yīng)的所述分割區(qū)域和特征類型；并根據(jù)所 選的弱分類器更新樣本權(quán)重； 循環(huán)執(zhí)行上述步驟直至所述強(qiáng)分類器中的弱分類器的數(shù)量達(dá)到所述預(yù)定數(shù)目。
3. 根據(jù)權(quán)利要求2所述的用于人臉識別的眼鏡檢測方法，其特征在于，所述弱分類器 的權(quán)重系數(shù)的計算公式如下： aJ=log((I-δp/δj) 其中，h為弱分類器的分類錯誤率，a 該弱分類器的權(quán)重系數(shù)，j為弱分類器對應(yīng) 的序號； 所述更新樣本權(quán)重的計算公式如下： -IDti 其中，Wt_u表示樣本i在t-ι個弱分類器更新后的權(quán)重值，Wtii表示樣本i在t個弱分 類器更新后的權(quán)重值，1是樣本i的標(biāo)簽，對于正樣本，1 = 1，對于負(fù)樣本，I= -1出^表 示樣本i在當(dāng)前循環(huán)中選出的第t個弱分類器的得分。
4. 根據(jù)權(quán)利要求1至3任一所述的用于人臉識別的眼鏡檢測方法，其特征在于， 所述LBP直方圖特征為一致性LBP直方圖特征。
5. 根據(jù)權(quán)利要求4所述的用于人臉識別的眼鏡檢測方法，其特征在于， 采用特征分類器對所述眼鏡區(qū)域圖像進(jìn)行分類的步驟中，采用SVM分類器進(jìn)行分類。
6. -種用于人臉識別的眼鏡檢測系統(tǒng)，其特征在于，包括： 圖像提取模塊，用于從待測人臉圖像中獲取眼鏡區(qū)域圖像； 眼鏡檢測模塊，用于采用預(yù)先生成的特征分類器對所述眼鏡區(qū)域圖像進(jìn)行分類，得到 所述待測人臉圖像是否對應(yīng)有眼鏡的檢測結(jié)果； 特征分類器生成模塊，用于生成所述特征分類器；所述特征分類器生成模塊包括： 特征選擇單元，用于從特征池中挑選預(yù)定數(shù)目的分割區(qū)域作為特征選擇，所述特征池 包括樣本大小對應(yīng)的所有分割區(qū)域； 樣本描述單元，用于對每個樣本提取所述特征選擇對應(yīng)的多個所述分割區(qū)域的特征 值，并將多個所述分割區(qū)域的所述特征值結(jié)合起來作為所述樣本的描述，其中，所述特征值 為局部二值模式LBP直方圖特征或梯度方向直方圖HOG特征； 分類器訓(xùn)練單元，用于通過支持向量機(jī)SVM分類器訓(xùn)練多個樣本得到所述特征分類器 的模型。
7. 根據(jù)權(quán)利要求6所述的用于人臉識別的眼鏡檢測系統(tǒng)，其特征在于，所述特征選擇 單元采用自適應(yīng)增強(qiáng)AdaBoost算法，包括： 樣本提取子單元，用于從初始訓(xùn)練樣本集中抽取預(yù)定量的樣本； 第一分類器訓(xùn)練子單元，用于對所述特征池中的每個所述分割區(qū)域，訓(xùn)練一個基于LBP直方圖特征的分類器，計算該分類器的分類錯誤率； 第二分類器訓(xùn)練子單元，用于對所述特征池中的每個所述分割區(qū)域，訓(xùn)練一個基于HOG特征的分類器，計算該分類器的分類錯誤率； 強(qiáng)分類器生成子單元，用于挑選錯誤率最低的分類器作為弱分類器，加入強(qiáng)分類器并 計算其在所述強(qiáng)分類器中的權(quán)重系數(shù)，保存該弱分類器對應(yīng)的所述分割區(qū)域和特征類型； 并根據(jù)所選的弱分類器更新樣本權(quán)重； 循環(huán)判斷子單元，用于循環(huán)執(zhí)行所述樣本提取子單元、所述第一分類器訓(xùn)練子單元、所 述第二分類器訓(xùn)練子單元、所述強(qiáng)分類器生成子單元，直至所述強(qiáng)分類器中的弱分類器的 數(shù)量達(dá)到所述預(yù)定數(shù)目。
8. 根據(jù)權(quán)利要求7所述的用于人臉識別的眼鏡檢測系統(tǒng)，其特征在于，所述弱分類器 的權(quán)重系數(shù)的計算公式如下： aJ=log((I-δp/δj) 其中，h為弱分類器的分類錯誤率，a 該弱分類器的權(quán)重系數(shù)，j為弱分類器對應(yīng) 的序號； 所述更新樣本權(quán)重計算公式如下： -IDti 其中，Wt^表示樣本i在t-Ι個弱分類器更新后的權(quán)重值，Wtii表示樣本i在t個弱分 類器更新后的權(quán)重值，1是樣本i的標(biāo)簽，對于正樣本，1 = 1，對于負(fù)樣本，I= -1出^表 示樣本i在當(dāng)前循環(huán)中選出的第t個弱分類器的得分。
9. 根據(jù)權(quán)利要求6至8任一所述的用于人臉識別的眼鏡檢測系統(tǒng)，其特征在于， 所述LBP直方圖特征為一致性LBP直方圖特征。
10. 根據(jù)權(quán)利要求9所述的用于人臉識別的眼鏡檢測系統(tǒng)，其特征在于， 所述眼鏡檢測模塊采用SVM分類器進(jìn)行分類。
【文檔編號】G06K9/00GK104463128SQ201410787322
【公開日】2015年3月25日 申請日期:2014年12月17日 優(yōu)先權(quán)日:2014年12月17日
【發(fā)明者】孔凡靜, 申意萍 申請人:智慧眼（湖南）科技發(fā)展有限公司