[發明專利]基于廣告投放的人臉檢測系統

無效

• 申請號: 201110367424.8
• 申請日: 2011-11-18
• 公開（公告）號: CN102521622A
• 公開（公告）日: 2012-06-27
• 發明（設計）人: 吳軍;吳智君;劉華平;余人強
• 申請（專利權）人: 常州藍城信息科技有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06Q30/02
• 代理公司: 常州市維益專利事務所 32211
• 代理人: 王凌霄

技術領域

本發明涉及網絡信息的領域，尤其是基于廣告投放的人臉檢測系統。

背景技術

現近社會科技技術的突飛猛進促進了商品社會的快速發展，產品推陳出新的速度不斷加快，消費者更新換代的不斷加快，消費者更新換代的周期日益縮短，對于生產者來說，利用傳統大眾營銷的方法把握消費者的脈搏越來越艱難，廣告投入越來越大，但廣告效果越來越不理想。

發明內容

本發明要解決的技術問題是：為了克服上述中存在的問題，提供一種基于廣告投放的人臉檢測系統，能夠更加精準識別人臉，能與相應的廣告系統相配合使用。

本發明解決其技術問題所采用的技術方案是：一種基于廣告投放的人臉檢測系統，具體步驟如下：

a.提取類Haar特征：提取臉部矩形特征，將提取的矩形特征依次通過矩形特征值的計算、矩形特征的數量和利用積分圖快速計算矩形特征；

b.將提取的類Haar特征進行訓練和檢測并通過Adaboost算法計算。

Adaboost是一種迭代算法，其核心思想是針對不同的訓練集訓練一個弱分類器，然后把在不同訓練集上得到的分類器集合起來，構成一個強分類器。在

Adaboost算法中，每個訓練樣本都被賦予一個權重，表明它被某個分量分類器選入訓練集的概率。如果某個樣本點已經被準確地分類，那么在構造下一個訓練集中，它被選中的概率就被降低；相反，如果某個樣本點沒有被正確分類，那么它的權重就得到提高。通過T輪這樣的訓練，Adaboost算法能夠“聚焦于”那些較困難的樣本上，綜合得出用于目標檢測的強分類器。

訓練包括將收集的人臉樣本和非人臉樣本計算出相應的樣本積分值，根據樣本積分值計算出各訓練樣本的所有類Haar矩形特征值，確定各矩形特征的閾值并挑選其中一矩形作為一個弱分類器，弱分類器與挑選出的矩形特征相對應，將多個弱分類器組成一個強分類器，多個強分類器級聯為一個多層強分類器。

檢測采用檢測窗口縮放的策略從待檢測圖像中提取所有將被檢測的子窗口，利用訓練得到的多層強分類器對每個子窗口進行檢測，對檢測結果進行后處理，最后得到圖像中包含的所有人臉的坐標和大小。

本發明的有益效果是，本發明的基于廣告投放的人臉檢測系統，通過提取臉部矩形特征和Adaboost算法的結合，能夠提高識別準確率，有效地方便廣告的投放。

附圖說明

下面結合附圖和實施例對本發明進一步說明。

圖1是本發明的人臉檢測系統中訓練的流程圖；

圖2是本發明的人臉檢測系統中檢測的流程圖。

具體實施方式

現在結合附圖對本發明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發明的基本結構，因此其僅顯示與本發明有關的構成。

基于廣告投放的人臉檢測系統，具體步驟如下：首選提取臉部矩形特征，將提取的矩形特征依次通過矩形特征值的計算、矩形特征的數量和利用積分圖快速計算矩形特征；然后將提取的類Haar特征進行訓練和檢測并通過Adaboost算法計算。

算法過程如下：

(1)給定一個訓練集{(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，其中，x_i是輸入的訓練樣本向量，y_i∈{0，1}，y_i＝0表示非人臉樣本，y_i＝1表示人臉樣本；

(2)初始化樣本的權重：

wi(xi)=1n,i=1,2,···,n]]>

(3)進行T輪訓練，t＝1，2，…，n，歸一化樣本權重：