[發(fā)明專利]基于圖像在線學習的人臉檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201310601556.1
• 申請日: 2013-11-25
• 公開（公告）號: CN103605964A
• 公開（公告）日: 2014-02-26
• 發(fā)明（設計）人: 張珅哲;白雪松
• 申請（專利權）人: 上海駿聿數(shù)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(xié)力知識產(chǎn)權代理有限公司 31242
• 代理人: 王松

技術領域

本發(fā)明屬于人臉識別技術領域，涉及一種人臉檢測方法，尤其涉及一種基于圖像在線學習的人臉檢測方法；同時，本發(fā)明還涉及一種基于圖像在線學習的人臉檢測系統(tǒng)。

背景技術

目前人臉識別圖像信息處理領域中，包括圖像預處理、姿態(tài)檢測、人臉跟蹤、表情識別、特征提取、人臉檢測等多個研究方向，所有的研究方向都涉及圖像學習。同時，目前應用最為廣泛的是離線學習，不過這種方法難以適應目標的變化，尤其是環(huán)境較為復雜情況。此外，通過現(xiàn)有識別技術需要花費大量的精力來獲取足夠豐富的樣本集合，大大局限了算法的實用性。

有鑒于此，如今迫切需要設計一種新的人臉檢測方法，以便克服現(xiàn)有識別方法的上述缺陷。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術問題是：提供一種基于圖像在線學習的人臉檢測方法，可提高人臉檢測準確率。

此外，本發(fā)明還提供一種基于圖像在線學習的人臉檢測系統(tǒng)，可提高人臉檢測準確率。

為解決上述技術問題，本發(fā)明采用如下技術方案：

一種基于圖像在線學習的人臉檢測方法，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(zhì)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(tài)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(qū)域；從而檢測人臉在俯仰、深度、平面三個維度的旋轉角度（優(yōu)選地，還可以自動判斷人臉是否有表情）；

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(lián)AdaBoost分類器，進行判決；

多層級聯(lián)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(yōu)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(lián)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(xù)應用連續(xù)的AdaBoost訓練新的強分類器；如此循環(huán)，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(lián)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(lián)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。

一種基于圖像在線學習的人臉檢測方法，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(zhì)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(tài)檢測步驟：確定人眼位置，分割出人臉區(qū)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(lián)AdaBoost分類器學習，更新分類器中設定特征值的權重。

作為本發(fā)明的一種優(yōu)選方案，所述人臉姿態(tài)檢測步驟中，利用YCbCr空間的膚色模型分割出人臉區(qū)域。

作為本發(fā)明的一種優(yōu)選方案，所述人臉檢測步驟中，檢測模板包括多層級聯(lián)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(yōu)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(lián)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(xù)應用連續(xù)的AdaBoost訓練新的強分類器；如此循環(huán)，直到所有的非人臉樣本集用完為止。