[發明專利]復雜場景下的多視角人臉檢測方法及其裝置

有效

• 申請號: 201110051942.9
• 申請日: 2011-03-04
• 公開（公告）號: CN102136075A
• 公開（公告）日: 2011-07-27
• 發明（設計）人: 張文聰;譚文明;蔡巍偉;賈永華;胡揚忠;鄔偉琪
• 申請（專利權）人: 杭州海康威視軟件有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 上海明成云知識產權代理有限公司 31232
• 代理人: 成春榮;竺云

技術領域

本發明涉及視頻監控領域，特別涉及視頻監控領域中的人臉檢測技術。

背景技術

近年來，由于反恐、國土安全和社會安全的需要，世界上各個國家對安防領域加大了投入，而身份識別正是安防的一個核心問題。隨著計算機視覺和模式識別技術的快速發展，基于生物特征識別的身份識別技術得到了迅猛的發展，在很多領域都有了應用，越來越顯示出其巨大的商業價值和社會價值。人臉識別作為用戶接受度最高、最自然、最直觀的可視化生物識別技術，其技術和應用價值正在突顯。隨著生物特征電子護照等出入境政府項目廣泛采用人臉識別，人臉識別技術在公安、航空等行業出現了大規模的應用。

人臉檢測作為人臉識別的第一步，其重要意義就不言自明。此外，人臉檢測在表情識別、人口統計、人流量統計、視頻觸發抓拍及智能視頻監控的事件報警分析也有著廣泛的應用前景。另外，人臉檢測的算法理論和實現方法也可以應用到諸如車輛檢測、行人檢測、人頭檢測等目標檢測中。

人臉檢測的目的是為了確定圖像或視頻中人臉的位置、大小和數量。由于人臉模式的復雜性(臉部膚色的不同、表情的改變、胡須、化妝及飾物遮擋等等)、人臉的各種姿態(人臉與攝像機角度的變化導致)以及周圍環境光照的變化(如強烈的側光所產生的陰陽臉)使得人臉檢測技術是一項富有挑戰性的研究工作，特別是復雜場景下的多視角人臉檢測。復雜場景是指對于人臉所處環境光線變化惡劣、且背景復雜、干擾很多等情況，而多視角人臉是指檢測圖像中覆蓋一個較大的視角范圍的人臉表觀模式，一般上是指左右偏轉90度所形成的180度范圍，而且人臉存在上下俯仰和傾斜。

目前最為常用的人臉檢測算法就是基于Boosting學習的人臉檢測方法，Boosting學習算法的核心思想就是通過迭代挑選出多個具有不同分類能力的弱分類器進行組合形成強分類器，其中分類能力較強的弱分類器具有更大的決策權。最為典型的就是Viola等人提出的基于Haar特征的離散AdaBoost算法，并用這一算法學習Cascade型級聯結構的正面人臉檢測器，使得正面人臉檢測達到了實用效果。

但是復雜場景下的多視角人臉檢測的研究相對薄弱，其難度也大得多，目前提出的算法較少，離實際應用還存在一定距離。總的來說，多視角人臉檢測算法主要經歷了三個階段，典型代表有：并行級聯結構的檢測方法、金字塔結構的檢測方法和矢量樹結構的檢測方法。這些多視角人臉檢測方法的本質都是基于Boosting學習框架下的一大類方法，其主要區別在于檢測器的結構設計、Boosting學習算法的形式和采用的特征方面。

其中，并行級聯結構的檢測方法是最為直觀、簡單初級的多視角人臉檢測方法，通過為每一個視角的人臉訓練出一個對應的級聯結構檢測器，然后在檢測過程中依次利用每個檢測器對圖像中的人臉進行判斷，從而實現多視角人臉檢測的功能。其中每個級聯結構檢測器的訓練是獨立的，分類器的訓練算法采用連續AdaBoost學習算法，采用的特征為Haar特征。由于算法僅僅是對多個單視角人臉檢測器的簡單聯合，沒有考慮到不同視角人臉間的相似性，所以在檢測過程中每個檢測器都要對所有的子窗口進行遍歷，而一般情況下絕大多數子窗口是非臉部區域，這樣就會在非人臉區域上進行重復遍歷，耗費大量時間，從而降低檢測速度。

金字塔結構檢測方法采用由粗到精的檢測策略，利用了不同目標間的相似性，并且將目標進行從上至下的劃分，根據此相似性訓練出一個類似金字塔結構的多視角檢測器，然后在檢測過程中將子窗口依次送到金字塔結構的各層分類器進行檢測，直到最后一層檢測出目標。其中分類器的訓練算法采用Float?Boost學習算法，采用的特征同樣為Haar特征。相比簡單并行級聯結構的檢測方法，該方法考慮到了不同視角人臉間的相似性，但是該方法卻未考慮到同類視角人臉間的差異性，因此被父節點判定為人臉的子窗口都要被送到下一層的各個孩子結點當中，直到該層所有節點分類器將其判定為非人臉子窗口時才判為非人臉子窗口，從而在一定程度浪費了過多的計算代價在非人臉子窗口上，因此降低了檢測速度。