[發明專利]一種基于新Haar-like特征的Adaboost人臉檢測方法

有效

• 申請號: 201310056584.X
• 申請日: 2013-02-22
• 公開（公告）號: CN103093250A
• 公開（公告）日: 2013-05-08
• 發明（設計）人: 郭躬德;江偉堅;孔祥增
• 申請（專利權）人: 福建師范大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/00
• 代理公司: 福州君誠知識產權代理有限公司 35211
• 代理人: 康永輝

技術領域

本發明涉及圖像模式識別技術領域，尤其涉及一種基于新Haar-like特征的Adaboost人臉檢測方法。

背景技術

近幾年，人臉檢測已經成為了是計算機視覺領域內研究十分活躍的課題之一。基于Haar-like特征的Adaboost人臉檢測算法具有檢測速度快、實時性強、魯棒性好等優點，從而一定程度上的解決了檢測速度和檢測率的權衡。2001年Viola和Jones設計出了第一個人臉實時檢測系統，其系統檢測速度快并且準確率高等特點立刻引起了眾多學者的關注。文獻中提到了他們所做出的三點貢獻，其一，提出了一組Haar-like特征用于人臉的特征提??；其二，提出了“積分圖”用于加快特征值的計算速度；其三，通過修改的Adaboost算法將Haar-like組成的弱分類器訓練成強分類器，最后把強分類器級聯組成一個級聯分類器。根據Viola實驗數據描述可以達到每秒15幀的檢測速度。

Haar-like小波特征是由兩個或者多個全等的矩形相鄰組合而成的，后來的很多研究都是基于Haar-like特征提出了許多Haar-like擴展集，擴展的Haar-like特征主要目的是為了解決Viola等人的haar-like集在環境魯棒性和多角度人臉檢測上的不足。Lienhart等人提出的旋轉的Haar-like特征及給出了快速的計算方法。李等人隨后提出了一組簡單的Haar-like小波特征，這組特征值是由幾個分開且等距離的矩陣組合而成，在多角度的檢測上面取得了很好的效果。黃等人也相應提出了Sparse?Granular?Features，在多角度和檢測率上面得到了很好的表現，不足的是需要耗費較多的計算時間。

當然，除了Haar-like小波特征，很多學者也相應提出了新的人臉特征集在復雜環境下也取得了很好的效果。比較具有代表性的如K.Levi等人提出的edge?orientation?histograms(EOH)，由于提取出來的人臉特征更具有代表性，所以其特征所需要的人臉訓練庫的人臉數量大大減小，也就是說，僅僅需要幾百張人臉訓練集就可以與先前Viola等人提出的Haar-like特征達到相應的檢測率，但是特征計算相對比較復雜。

為了權衡計算時間，環境魯棒性以及姿態魯棒性，本發明在Viola等人所提出的Adaboost算法的基礎上，提出了兩組新的Haar-like特征，綜合分析了兩組新Haar-like特征的特性，并且應用了積分圖計算方法，通過訓練器訓練出雙通道強級聯分類器分別檢測一幅圖片的正面臉和側臉，最后通過檢測后的結果進行合并?；谛碌臄U展Haar-like特征組訓練出的弱分類器更具體，更精確，雙通道級聯分類器具有很高的檢測率，對于有一定傾斜角度的人臉具有魯棒性。

發明內容

為了克服現有技術的不足，本發明的目的是提供一種隱蔽性能好、計算時間短、環境魯棒性以及姿態魯棒性好、更精確、具有很高檢測率、特別是對于有一定傾斜度人臉具有魯棒性的基于新Haar-like特征的Adaboost人臉檢測方法。

為達到上述目的，本發明的技術方案為：一種基于新Haar-like特征的Adaboost人臉檢測方法，其步驟如下：

1）訓練階段

第一步，采用攝像頭采集人臉特征和非人臉特征圖像樣本，提取出人臉特征集和非人臉特征集進行訓練，構造出能夠區分人臉樣本和非人臉樣本的矩形特征以及相應的弱分類器；

其具體過程如下：

A．構造Haar-like特征，用于反應圖像局部的灰度變化，所述Haar-like特征包括傳統的邊緣特征、線性特征、中心特征、以及新增加的人臉的斜度方向上的灰度變化特征和臉頰與眼睛區域的灰度變化特征；

該人臉的斜度方向上的灰度變化特征由大小兩個相似的正方形組成，其中大正方形為白色，小正方形為黑色，小正方形的面積占大正方形面積的四分之一，小正方形位于大正方形的四個角，形成四種不同的人臉的斜度方向上的灰度變化特征；

所述臉頰與眼睛區域的灰度變化特征由兩個全等的正方形組成，其中一個正方形為白色，另外一個為黑色，兩個正方形分別位于一個矩形區域的對角，形成四種不同的臉頰與眼睛區域的灰度變化特征；

B．應用積分圖計算方法計算出矩形特征值，其特征值為采用白色矩陣區域所有像素灰度值之和減去黑色矩陣區域所有像素灰度值之和的差值；

C．挑選矩形特征，并構成與之對應的弱分類器；

第二步，利用得到的弱分類器和Adaboost算法進行進一步訓練，得到人臉和非人臉的強分類器；