[發明專利]一種基于Gabor特征和極限學習機的人臉檢測方法

在審

• 申請號: 201310563932.2
• 申請日: 2013-11-13
• 公開（公告）號: CN103646255A
• 公開（公告）日: 2014-03-19
• 發明（設計）人: 胡凱;翁理國;夏旻
• 申請（專利權）人: 揚州西岐自動化科技有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 北京連和連知識產權代理有限公司 11278
• 代理人: 李海燕

技術領域

????人臉檢測來源于人臉識別。人臉檢測是指對于任意給定的圖像，采用一定的方法對其進行處理，以判定圖像中是否包含人臉。是屬于模式識別技術領域。

背景技術

人臉檢測是人臉識別至關重要的第一步，也是模式識別和計算機視覺研究領域的熱點。在本發明介紹一種基于Gabor特征的極限學習機人臉檢測方法。在該方法中，我們使用Gabor小波變換來提取訓練樣本的特征，并對提取的特征進行降維處理。在對樣本圖像進行特征提取處理后，將圖像按行疊加的方式變換成一維行向量，然后將這些特征輸入到極限學習機中進行訓練，最后使用模板匹配的方法檢測出圖像中是否包含人臉。

發明內容

本發明所解決的技術問題是提出一種基于Gabor特征和極限學習機的人臉檢測方法，采用二維Gabor小波來實現特征提取，采用極限學習機作為分類器，從而獲得了更準確的檢測性能。?????根據本發明的方案，提出了一種基于Gabor特征和極限學習機的人臉檢測方法，包括以下步驟：

步驟一：在本發明的方法中，我們使用了Gabor小波變換，提取圖像的樣本特征。

步驟二：在對訓練圖像進行特征提取處理后，將訓練圖像按照行疊加的方式變換成一維行向量，然后將這些提取出來的特征輸入到極限學習機網絡中進行訓練。

步驟三：基于學習得到的網絡，對待測試圖像的進行檢測，得到最終的檢測結果。

相比現有技術，本發明方法具有以下有益效果：本發明的方法在檢測較為簡單背景情況下的人臉圖像時，可以做到檢測率達到近90%的同時錯誤率比較低。本發明的方法對于光照角度變化及人臉旋轉角度變化的影響具有較好的魯棒性。

附圖說明

圖1是本發明人臉檢測的流程圖。

圖2是極限學習機網絡示意圖。

圖3樣本數量150的復雜背景多人臉圖像檢測結果。

圖4旋轉人臉的檢測結果。

具體實施方式

下面結合附圖對本發明作具體說明。所描述的實施范例僅是為了說明的目的，而不是對本發明范圍的限制。

本發明提出一種我們使用Gabor小波變換來提取訓練樣本的特征，并對提取的特征進行降維處理。在對樣本圖像進行特征提取處理后，將圖像按行疊加的方式變換成一維行向量，然后將這些特征輸入到極限學習機中進行訓練，最后使用模板匹配的方法檢測出圖像中是否包含人臉。

圖1是本發明的流程圖。參照圖1，本發明實現步驟如下：

步驟一、使用Gabor小波變換，提取圖像的樣本特征。?

采用二維Gabor小波可以同時在時域、空域和方向上獲得最佳分辨率，二維Gabor函數形式可以表示為：????????????????????????????????????????????????

M的取值代表Gabor核函數的方向，K表示總方向數（K=8，u=0，1，2，3…7，8，8個方向），?V的取值決定Gabor濾波的波長（v=0，1，2，3，4，表示5個頻率），決定高斯窗口的大小，。在讀取訓練樣本圖像信息后，使用矩陣翻轉和矩陣平移實現對讀取圖像做10種不同的鏡像，然后將這些鏡像圖像分別與Gabor核函數做卷積，并且將處理結果轉換為矢量形式，形成特征向量。

步驟二、極限學習機模型的建立

使用適當的分類器，建立分類器學習模型。常用的分類器有K近鄰、SVM、貝葉斯以及BP神經網絡等等，本發明采用極限學習機(ELM)分類器。

作為一類單隱層前向神經網絡，與傳統方法不同，它可以隨機的選擇網絡中的隱層神經元的連接權值，輸入權值和隱藏層偏差可以隨機賦值，輸出層權值通過解析算法計算得到，具有學習速度快、泛化能力好等優良特性。

假設有N個不同的訓練樣本，為輸入樣本，為輸出樣本，其中，。網絡具有個隱層節點，激活函數為的SLFN的統一模型為，其中，是第i個隱層節點與輸入節點的連接權值，是第個隱層節點與輸出節點的連接權值，是第個隱層節點的偏差。網絡結構圖如圖3所示。

上述N個方程的矩陣形式可以寫為：???

??

，?

H為網絡隱層輸出矩陣。如果激活函數g(x)無限可微，根據極限學習機的定理，。

所以，單隱層前向神經網絡的訓練過程，等價于尋找線性系統的最小二乘解，即。是矩陣H的Moore-Penrose廣義矩陣。

至此，我們已學習到了極限學習機(ELM)分類器。