[發明專利]一種快速人臉檢測方法

有效

• 申請號: 201210328689.1
• 申請日: 2012-09-07
• 公開（公告）號: CN102831411A
• 公開（公告）日: 2012-12-19
• 發明（設計）人: 謝文文
• 申請（專利權）人: 云南晟鄴科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京世譽鑫誠專利代理事務所(普通合伙) 11368
• 代理人: 孫國棟

技術領域

本發明屬于計算機圖像識別與處理技術領域，具體地說，涉及一種快速人臉檢測方法。

背景技術

人臉識別特指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬于生物特征識別技術，是對生物體，一般特指人，本身的生物特征來區分生物體個體。二十一世紀是數字化、網絡化的世紀。在信息時代的背景下，如何高效、快捷地進行個人身份驗證，是從事圖像處理科研工作者高度關注的問題。人臉識別技術由于具有更加方便、快捷的優點，因此成為人工智能、計算機視覺領域研究的熱點。

人臉檢測是人臉識別技術的關鍵。如何快速、準確地檢測人臉，提高人臉識別系統的實時性，是人臉識別領域的一個關鍵問題。

發明內容

本發明的目的在于提供了一種快速進行人臉檢測的方法，以提高人臉檢測速度,進而提高人臉識別系統的實時性。

為解決上述問題，本發明所采用的技術方案是：

一種快速人臉檢測方法，其特征在于：首先利用金字塔分解的方式，對圖像以金字塔形狀排列的分辨率逐漸降低的圖像集合，進行壓縮，在此基礎上采用Adaboost算法進行人臉檢測。

進一步地說：

金字塔分解的方式，具體步驟為：

（1）、計算輸入圖像減少的分辨率近似值，主要是通過對輸入進行濾波并以2為步長進行抽樣；

（2）、對上一步的輸出進行內插并進行過濾；

（3）、計算步驟（2）的預測值和步驟（1）的輸入之間的差異，以J級預測殘差進行標識的差異，將用于原始圖像的重建；

（4）、經過一次金字塔分解后圖像的大小變為原來的1/4。

更進一步地說：

Adaboost算法主要是根據人臉的灰度分布，選擇采用矩形特征；該特征可以通過積分圖快速進行提取，然后通過訓練提取最優的矩形特征并將其轉化為弱分類器，最后將弱分類器進行疊加構成強分類器，然后串聯成級聯分類器用于人臉檢測。

更進一步地說：

所述矩形特征的提取，是利用人臉部的灰度值有一定的分布特征，用一些簡單的矩形特征來描述人臉部的特征；所述矩形特征由一些簡單的黑白矩形組合而成，一個矩形特征的特征值為黑色矩形框內的灰度值之和與白色矩形框內灰度值之和的差。

所述Adaboost算法訓練過程包括弱分類器訓練過程，弱分類器訓練過程具體的訓練過程如下：

(1)：計算每一個樣本相對應的特征的特征值，然后將所有的特征值按照降序進行排列；

(2)：計算所有正樣本，即人臉權重的和T⁺以及所有負樣本，即非人臉權重的和T^-。

(3)：計算在此之前的前一個元素的正樣本權重和T^s+以及負樣本權重和T^s-；

(4)：計算加權錯誤率：e=min[T^s++(T^--T^s-),T^s-+(T⁺-T^s+)]；

(5)：根據錯誤率最小的原則確定p_j，θ_j；

(6)：保存矩形特征的參數，得到弱分類器。

所述構造強分類器的過程如下：

(1)：給定總數量為N個的訓練樣本：[X₁,?Y₁]，[X₂,?Y₂]，[X_i,?Y_i]，…[X_N,?Y_N]，其中X_i表示第i個樣本，Y_i=[0,1]，Y_i=1時表示其為人臉，Y_i=0時表示其為非人臉；

(2)：對于第j個特征其生成的簡單分類器如下所示：

；

(3)：對權重進行初始化：當Y_i=0時，ω_1,i=1/2m，m為非人臉樣本的總數量；當Y_i=1時，ω_1,i=1/2l，l為人臉樣本的總數量；

(4)：對t=1,2,3…T(T為訓練次數)，重復進行以下步驟：

A、權重歸一化,?；

B、選擇最合適的弱分類器，計算所對應的加權錯誤率：