視頻人臉檢測(cè)方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種視頻圖像處理方法，尤其是指一種視頻人臉檢測(cè)方法及裝置。
【背景技術(shù)】
[0002] 在實(shí)時(shí)視頻監(jiān)控裝置中，對(duì)于不同角度的人臉圖像存在實(shí)時(shí)檢測(cè)采集，而后上傳 于服務(wù)器數(shù)據(jù)庫存儲(chǔ)關(guān)鍵信息進(jìn)而進(jìn)行犯罪嫌疑人人臉識(shí)別的應(yīng)用需求。
[0003] 然而傳統(tǒng)的人臉檢測(cè)多采用haar/lbp特征加 adaboost分類器的方法從而實(shí)現(xiàn)攝 像機(jī)等嵌入式設(shè)備上進(jìn)行實(shí)時(shí)的人臉檢測(cè)。上述adaboost是一種迭代算法，其核心思想是 針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器，然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最 終分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，并放在關(guān)鍵的訓(xùn)練 數(shù)據(jù)上面。
[0004] 但此種算法存在訓(xùn)練慢、檢測(cè)慢等問題，其中檢測(cè)慢在于需使用adaboost分類器 的層級(jí)多，若減少使用adaboost分類器的層級(jí)或者使用SVM分類器（SVM-Support Vector Machine，即支持向量機(jī)，是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識(shí)別、分類、以及回 歸分析），雖可提高速度但經(jīng)對(duì)同檢測(cè)樣本集的測(cè)試不難驗(yàn)證如此方法會(huì)導(dǎo)致最終應(yīng)用中 人臉檢測(cè)效果變差的問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：提供一種可有效提高人臉檢測(cè)速度的視頻人臉檢 測(cè)方法及裝置。
[0006] 為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種視頻人臉檢測(cè)方法，包括 人臉檢測(cè)流程；所述人臉檢測(cè)流程包括步驟，
[0007] SI)輸入視頻圖像幀，將圖像幀作為原始圖像；
[0008] S3)采用haar或Ibp特征使用adaboost分類器檢測(cè)原始圖像，得到人臉位置預(yù)序 列；
[0009] S4)將人臉位置預(yù)序列輸入SVM分類器進(jìn)行檢測(cè)，得到人臉位置終序列。
[0010] 上述中，還包括分類器訓(xùn)練流程；所述分類器訓(xùn)練流程包括，采用灰度、顏色、邊緣 信息中的一個(gè)或者多個(gè)作為特征訓(xùn)練SVM分類器。
[0011] 上述中，在人臉檢測(cè)流程Sl與S3之間還包括S2)輸入加速處理；所述輸入加速處 理包括步驟，
[0012] S21)遍歷判斷原始圖像的每個(gè)像素在YCbCr色彩空間下的顏色是否同時(shí)滿足 Cb e [80, 135]且Cr e [136, 177]，得到第一二值掩碼圖像；
[0013] S22)對(duì)原始圖像進(jìn)行圖像邊緣檢測(cè)得到邊緣圖像；
[0014] S23)對(duì)邊緣圖像根據(jù)設(shè)定閾值進(jìn)行二值化處理，得到第二二值掩碼圖像；
[0015] S24)對(duì)第二二值掩碼圖像進(jìn)行腐蝕、膨脹圖像處理，得到第三二值掩碼圖像；
[0016] S25)取第一二值掩碼圖像與第三二值掩碼圖像的交集，得到原始圖像的區(qū)域二值 掩碼圖像；
[0017] 所述步驟S3具體包括步驟，
[0018] S31)采用滑動(dòng)子窗口遍歷原始圖像；
[0019] S32)將當(dāng)前滑動(dòng)子窗口相對(duì)應(yīng)的區(qū)域二值掩碼圖像中區(qū)域的值進(jìn)行累加；
[0020] S33)判斷累加值是否滿足預(yù)設(shè)閾值，對(duì)滿足閾值的執(zhí)行步驟S34 ;
[0021] S34)對(duì)當(dāng)前滑動(dòng)子窗口進(jìn)行adaboost分類檢測(cè)，遍歷結(jié)束后得到人臉位置預(yù)序 列。
[0022] 上述中，所述步驟S22中，使用sobel算子核
對(duì)原始圖像進(jìn)行圖像邊緣 檢測(cè)。
[0023] 上述中，所述輸入加速流程的步驟S24中的腐蝕、膨脹圖像處理中的膨脹次數(shù)大 于腐蝕次數(shù)。
[0024] 一種視頻人臉檢測(cè)裝置，包括人臉檢測(cè)單元；所述人臉檢測(cè)單元包括，
[0025] 獲取模塊，用于輸入視頻圖像幀，將圖像幀作為原始圖像而后轉(zhuǎn)到adaboost檢測(cè) 模塊；
[0026] adaboost檢測(cè)模塊，用于采用haar或Ibp特征使用adaboost分類器檢測(cè)原始圖 像，得到人臉位置預(yù)序列而后轉(zhuǎn)到SVM檢測(cè)模塊；
[0027] SVM檢測(cè)模塊，用于將人臉位置預(yù)序列輸入SVM分類器進(jìn)行檢測(cè)，得到人臉位置終 序列。
[0028] 上述中，還包括分類器訓(xùn)練單元；所述分類器訓(xùn)練單元包括SVM訓(xùn)練模塊，用于采 用灰度、顏色、邊緣信息中的一個(gè)或者多個(gè)作為特征訓(xùn)練SVM分類器。
[0029] 上述中，所述獲取模塊通過輸入加速處理模塊轉(zhuǎn)到adaboost檢測(cè)模塊；所述輸入 加速處理模塊包括，
[0030] 顏色判別子模塊，用于遍歷判斷原始圖像的每個(gè)像素在YCbCr色彩空間下的顏色 是否同時(shí)滿足Cb e [80, 135]且Cr e [136, 177]，得到第一二值掩碼圖像而后轉(zhuǎn)到邊緣檢 測(cè)子模塊；
[0031] 邊緣檢測(cè)子模塊，用于對(duì)原始圖像進(jìn)行圖像邊緣檢測(cè)得到邊緣圖像而后轉(zhuǎn)到二值 處理子模塊；
[0032] 二值處理子模塊，用于對(duì)邊緣圖像根據(jù)設(shè)定閾值進(jìn)行二值化處理，得到第二二值 掩碼圖像而后轉(zhuǎn)到圖像處理子模塊；
[0033] 圖像處理子模塊，用于對(duì)第二二值掩碼圖像進(jìn)行腐蝕、膨脹圖像處理，得到第三二 值掩碼圖像而后轉(zhuǎn)到交集子模塊；
[0034] 交集子模塊，用于取第一二值掩碼圖像與第三二值掩碼圖像的交集，得到原始圖 像的區(qū)域二值掩碼圖像；
[0035] 所述adaboost檢測(cè)模塊具體包括，
[0036] 遍歷子模塊，采用滑動(dòng)子窗口遍歷原始圖像而后轉(zhuǎn)到累加子模塊；
[0037] 累加子模塊，用于將當(dāng)前滑動(dòng)子窗口相對(duì)應(yīng)的區(qū)域二值掩碼圖像中區(qū)域的值進(jìn)行 累加而后轉(zhuǎn)到判斷子模塊；
[0038] 判斷子模塊，用于判斷累加值是否滿足預(yù)設(shè)閾值，對(duì)滿足閾值的轉(zhuǎn)到檢測(cè)子模 塊；
[0039] 檢測(cè)子模塊，用于對(duì)當(dāng)前滑動(dòng)子窗口進(jìn)行adaboost分類檢測(cè)，遍歷結(jié)束后得到人 臉位置預(yù)序列。
[0040] 上述中，所述邊緣檢測(cè)子模塊，用于使用sobel算子核I
I對(duì)原始圖像進(jìn)行 圖像邊緣檢測(cè)。
[0041] 上述中，所述加速處理模塊的圖像處理子模塊中的腐蝕、膨脹圖像處理中的膨脹 次數(shù)大于腐蝕次數(shù)。
[0042] 本發(fā)明的有益效果在于：將adaboost和SVM兩種分類器有機(jī)結(jié)合應(yīng)用于視頻人臉 檢測(cè)，由此adaboost分類器的層級(jí)可較單獨(dú)使用大幅減少，進(jìn)而有效提升視頻人臉檢測(cè)的 速度，而檢測(cè)效果則進(jìn)一步在adaboost的檢測(cè)結(jié)果上使用SVM分類器進(jìn)行二次分類，實(shí)現(xiàn) 了在不影響檢測(cè)效果的基礎(chǔ)上大幅加速視頻人臉檢測(cè)。
【附圖說明】
[0043] 下面結(jié)合附圖詳述本發(fā)明的具體結(jié)構(gòu)
[0044] 圖1為本發(fā)明的人臉檢測(cè)流程的流程圖；
[0045] 圖2為本發(fā)明的輸入加速處理步驟的流程圖；
[0046] 圖3為本發(fā)明的人臉檢測(cè)流程的實(shí)施例流程圖。
【具體實(shí)施方式】
[0047] 為詳細(xì)說明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實(shí)現(xiàn)目的及效果，以下結(jié)合實(shí)施方式 并配合附圖詳予說明。
[0048] 請(qǐng)參閱圖1，一種視頻人臉檢測(cè)方法，包括人臉檢測(cè)流程；所述人臉檢測(cè)流程包括 步驟：
[0049] SI)輸入視頻圖像幀，將圖像幀作為原始圖像；
[0050] S3)采用haar或Ibp特征使用adaboost分類器檢測(cè)原始圖像，得到人臉位置預(yù)序 列；
[0051] 本步驟對(duì)原始圖像的檢測(cè)采用的是人臉識(shí)別常用的adaboost分類檢測(cè)器， adaboost分類檢測(cè)器的算法在進(jìn)行檢測(cè)時(shí)會(huì)使用到的一個(gè)滑動(dòng)子窗口，其是一個(gè)可以根據(jù) 設(shè)置層數(shù)逐層等比放大，并且可以自由滑動(dòng)的矩形窗口。而本步驟中人臉位置預(yù)序列，通 常是通過矩形區(qū)域在原始圖像上的坐標(biāo)表示人臉位置，例如人臉位置預(yù)序列為facelistl 時(shí)：
[0052] facelistl; Irectwidthi, rectheighti，Sxi, ex;，Syi, eyj，
[0053] 式中i為自然數(shù)，rectwidthi為第i個(gè)矩形窗口的寬，rectheight ;為第i個(gè)矩形 窗口的高，Sxi, ex;, Syi, ey;為第i個(gè)矩形窗口四個(gè)頂點(diǎn)的坐