[發明專利]基于圖像在線學習的人臉檢測方法及系統

在審

• 申請號: 201310601556.1
• 申請日: 2013-11-25
• 公開（公告）號: CN103605964A
• 公開（公告）日: 2014-02-26
• 發明（設計）人: 張珅哲;白雪松
• 申請（專利權）人: 上海駿聿數碼科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 上海金盛協力知識產權代理有限公司 31242
• 代理人: 王松

1.一種基于圖像在線學習的人臉檢測方法，其特征在于，所述檢測方法包括如下步驟：

步驟S1、獲取待檢測圖像；

步驟S2、預處理步驟：對待檢測圖像光照補償，灰度化處理，利用直方圖均衡化對圖像增強，對非線性平滑濾波并對圖像進行去噪，對像素灰度值歸一化，得到高質量的灰度圖像，而后進行尺寸歸一化處理及Canny邊緣檢測處理，有效提高檢測速度；

步驟S3、人臉姿態檢測步驟：眼睛在灰度和形狀上與其他部位的不同，確定人眼位置，利用YCbCr空間的膚色模型分割出人臉區域；從而檢測人臉在俯仰、深度、平面三個維度的旋轉角度；

步驟S4、人臉檢測步驟：確定人臉在圖像中的位置和人臉中的器官定位，計算圖像Haar-Like小波特征特征，將其傳給離線訓練好的多層級聯AdaBoost分類器，進行判決；

多層級聯AdaBoost分類器離線訓練過程包括：

收集人臉樣本和非人臉樣本，在預處理階段，樣本灰度化處理，以便計算樣本Haar-Like小波特征；每一個Haar-Like小波特征構成一弱分類器，通過AdaBoost迭代訓練，選擇一個最優的弱分類器，更新權重，將弱分類器組合成一個強的分類器，然后采用一個由簡單到復雜，由粗到精的多分類器級聯結構；

應用當前離線訓練好了的分類器對非人臉樣本集進行過濾，去除那些可以被正確分類的樣本，如果非人臉樣本集不為空，繼續應用連續的AdaBoost訓練新的強分類器；如此循環，直到所有的非人臉樣本集用完為止；

步驟S5、通過檢測的圖像作為新的樣本，應用到多層級聯AdaBoost分類器，更新分類器中設定特征值的權重，以此擴充多層級聯AdaBoost分類器的訓練樣本；

步驟S6、輸出人臉檢測結果并保存圖像信息。

2.一種基于圖像在線學習的人臉檢測方法，其特征在于，所述檢測方法包括如下步驟：

預處理步驟：對待檢測圖像光照補償，灰度化處理；利用直方圖均衡化對圖像增強，對非線性平滑濾波并對圖像進行去噪，對像素灰度值歸一化，得到高質量的灰度圖像，而后進行尺寸歸一化處理及邊緣檢測處理；

人臉姿態檢測步驟：確定人眼位置，分割出人臉區域；從而檢測人臉在俯仰、深度、平面三個維度的旋轉角度，自動判斷人臉是否有表情；

人臉檢測步驟：確定人臉在圖像中的位置和人臉中的器官定位，選取圖像灰度特征，將其傳給離線訓練好的檢測模板進行判決；

更新步驟：通過檢測的圖像作為新的樣本，應用到多層級聯AdaBoost分類器學習，更新分類器中設定特征值的權重。

3.根據權利要求2所述的基于圖像在線學習的人臉檢測方法，其特征在于：

所述人臉姿態檢測步驟中，利用YCbCr空間的膚色模型分割出人臉區域。

4.根據權利要求2所述的基于圖像在線學習的人臉檢測方法，其特征在于：

所述人臉檢測步驟中，檢測模板包括多層級聯AdaBoost分類器，離線訓練過程包括：

收集人臉樣本和非人臉樣本，在預處理階段，樣本灰度化處理，以便計算樣本Haar-Like小波特征；每一個Haar-Like小波特征構成一弱分類器，通過AdaBoost迭代訓練，選擇一個最優的弱分類器，更新權重，將弱分類器組合成一個強的分類器，然后采用一個由簡單到復雜，由粗到精的多分類器級聯結構；

應用當前離線訓練好了的分類器對非人臉樣本集進行過濾，去除那些可以被正確分類的樣本，如果非人臉樣本集不為空，繼續應用連續的AdaBoost訓練新的強分類器；如此循環，直到所有的非人臉樣本集用完為止。