基于选择性搜索的人脸检测方法及装置与流程

本发明属于人脸检测技术领域，具体涉及一种基于选择性搜索的人脸检测方法及装置。

背景技术：

人脸检测就是在一副图像或一序列图像(比如视频)中判断是否有人脸，若有则返回人脸的大小、位置等信息。目前，人脸检测技术已经广泛应用于各种视频监控场所，其中人脸分类器是最常使用的技术手段，它是指对人脸和非人脸进行分类的算法，将图像的某个区域输入分类器进行检查，判断是否包含有人脸，不同的人脸检测技术有不同的分类器训练方法。

在实际的应用中，由于人脸有可能以任意尺寸出现在图像的任意位置，所以必须对图像的每一个区域进行检测，因此，穷举搜索法通常是搜索人脸位置的常用方法，其大致流程如下:首先，输入人脸正负样本图像，提取人脸特征，训练得到人脸分类器；其次，输入待检测图像，按照人脸分类器检测区域大小从图像左上角位置开始遍历整幅图像，按分类器检测结果输出人脸区域；再次，缩小待检测图像做为输入图像，重复上述检测流程，直到输入图像宽高小于检测窗口，输出人脸区域集合；最后，以聚类算法过滤掉重叠人脸，输出最终人脸区域。上述方法缺点是:通过遍历方式穷举检测了所有可能的人脸位置、人脸尺寸，处理效率低下，所以非常耗时，尤其是在硬件资源有限的嵌入式设备上，对算法性能有着更严格的要求。

技术实现要素：

本发明的目的之一在于克服以上缺点，实现对人脸检测步骤的优化，提高人脸检测效率，缩短检测时间。

为了解决上述技术问题，本发明提供了一种基于选择性搜索的人脸检测方法，包括以下步骤：

根据人脸正负样本集合提取人脸特征，训练得到人脸分类器；

基于选择性搜索对待检测图像进行分割得到待检测区域集合；

根据预设参数扩充待检测区域集合；

人脸分类器对待检测区域集合进行检测得到人脸区域集合；

过滤掉重叠人脸得到最终人脸区域集合。

本发明的技术方案，通过选择性搜索分割方式，避免了对图像所有区域进行遍历，大幅度减少了待检测人脸区域的数量，从而有效提高检测效率，缩短检测时间；同时，对分割后的区域进行扩充可以避免因为分割结果位置、尺寸偏差引起的人脸检测准确率下降。

进一步地，所述基于选择性搜索对待检测图像进行分割得到待检测区域集合,包括以下步骤：

将待检测图像进行初步分割；

根据相似度条件合并相邻区域；

框选出合并区域集的外接矩形区域；

过滤无意义区域；

修正待检测区域的宽高比与人脸分类器检测区域宽高比一致。

通过对初步分割后的区域进行根据相似度合并，以及对无意义的区域进行过滤，均可以进一步减少最终需要检测的区域数量，提高人脸检测的效率。

进一步地，所述将待检测图像进行初步分割之前,还包括步骤：将待检测图像进行缩小。

本发明的技术方案，通过将待检测图像进行缩小，在不影响检测效果的前提下，提升分割速度。

进一步地，所述将待检测图像进行初步分割，是采用像素灰度差分割规则。

进一步地，所述相似度条件包括颜色相似度和尺寸相似度。

进一步地，所述预设参数包括缩放参数和偏移参数。

进一步地，所述人脸分类器对待检测区域集合进行检测得到人脸区域集合,包括以下步骤：

将待检测区域缩放成与人脸分类器检测区域宽高一致；

人脸分类器对待检测区域进行人脸检测，若检测出人脸，得到人脸区域；

重复上述步骤，直至所有待检测区域检测完成，得到人脸区域集合。

进一步地，所述人脸特征为MB-LBP特征；所述人脸分类器对待检测区域集合进行检测得到人脸区域集合，具体为：

计算待检测图像积分图；

将人脸分类器检测区域缩放成与待检测区域宽高一致；

根据待检测图像积分图计算待检测区域所有MB-LBP特征，并输入人脸分类器进行检测，若检测出人脸，得到人脸区域；

重复上述步骤，直至所有待检测区域检测完成，得到人脸区域集合。

在采用MB-LBP特征作为人脸特征时，本发明的技术方案中，使用缩放人脸分类器检测区域的方法代替缩放待检测区域，只需计算一次积分图，避免了每次缩放待检测区域时都需要重新计算一次积分图导致的性能降低；同时，在支持积分图硬件加速的设备上，该方案性能更佳。

相应地，本发明还提供了一种基于选择性搜索的人脸检测装置，包括:

第一处理模块，用于根据人脸正负样本集合提取人脸特征，训练得到人脸分类器；

第二处理模块，用于基于选择性搜索对待检测图像进行分割得到待检测区域集合；

第三处理模块，用于根据预设参数扩充待检测区域集合；

第四处理模块，用于人脸分类器对待检测区域集合进行检测得到人脸区域集合；

第五处理模块，用于过滤掉重叠人脸得到最终人脸区域集合。

进一步地，所述第二处理模块，包括：

第一处理单元，用于将待检测图像进行初步分割；

第二处理单元，用于根据相似度条件合并相邻区域；

第三处理单元，用于框选出合并区域集的外接矩形区域；

第四处理单元，用于过滤无意义区域；

第五处理单元，用于修正待检测区域的宽高比与人脸分类器检测区域宽高比一致。

进一步地，所述第四处理模块，包括：

第一处理单元，用于将待检测区域缩放成与人脸分类器检测区域宽高一致；

第二处理单元，用于人脸分类器对待检测区域进行人脸检测，若检测出人脸，得到人脸区域；

第三处理单元，用于重复上述步骤，直至所有待检测区域检测完成，得到人脸区域集合。

综上所述，本发明技术方案的有益效果有:

1.通过选择性搜索分割方式，避免了对图像所有区域进行遍历，大幅度减少了待检测人脸区域的数量，从而有效提高检测效率，缩短检测时间；通过对初步分割后的区域进行根据相似度合并，以及对无意义的区域进行过滤，可以进一步减少最终需要检测的区域数量，提高人脸检测的效率；同时，对分割后的区域进行扩充可以避免因为分割结果位置、尺寸偏差引起的人脸检测准确率下降。

2.通过将待检测图像进行缩小，在不影响检测效果的前提下，提升分割速度。

3.在采用MB-LBP特征作为人脸特征时，使用缩放人脸分类器检测区域的方法代替缩放待检测区域，只需计算一次积分图，避免了每次缩放待检测区域时都需要重新计算一次积分图导致的性能降低；同时，在支持积分图硬件加速的设备上，该方案性能更佳。

附图说明

图1是本发明的一种基于选择性搜索的人脸检测方法流程图。

图2是本发明的一种基于选择性搜索对待检测图像进行分割得到待检测区域集合流程图。

图3是本发明的一种人脸分类器对待检测区域集合进行检测得到人脸区域集合流程图。

图4是本发明的另一种人脸分类器对待检测区域集合进行检测得到人脸区域集合流程图。

图5是本发明的一种基于选择性搜索的人脸检测装置结构图。

图6是本发明的第二处理模块结构图。

图7是本发明的第四处理模块结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1，是本发明的一种基于选择性搜索的人脸检测方法流程图，包括以下步骤：

步骤1，根据人脸正负样本集合提取人脸特征，训练得到人脸分类器；

人脸检测就是在一副图像或一序列图像(比如视频)中判断是否有人脸，若有则返回人脸的大小、位置等信息。人脸检测技术中，人脸分类器是现阶段最常使用的技术手段，它是指通过统计学方法，对检测的目标对象进行概率统计，从而获取待检测对象的一些特征，建立起目标检测模型，这个模型建立的过程称为分类器训练。在分类器训练完成后，就可以将图像的某个区域输入分类器进行检测，如果检测出包含有人脸，则输出匹配的区域，否则什么也不做，不同的人脸检测技术有不同的分类器训练方法。

本发明技术方案的人脸分类器训练方式为:收集人脸训练样本集合，这里的训练样本由正例样本和反例样本按照一定的比例组成，其中正例样本是指待检目标样本，即人脸图像，反例样本指其它非人脸图像的任意图片，所有的样本图像的宽和高必须一致；将所有的训练样本输入给分类器，分类器从训练样本中提取人脸特征，建立起人脸检测模型，样本数量越多，训练得到的人脸分类器检测效果越好。另外，训练完成后的人脸分类器支持的检测区域宽高是和输入样本的宽高保持一致的。

例如，可以由300张宽高均为100像素的人脸样本集合(100张正例样本和200张反例样本)，训练得到检测区域宽100像素，高100像素的人脸分类器。

步骤2，基于选择性搜索对待检测图像进行分割得到待检测区域集合；

由于人脸有可能出现在待检测图像的任意位置，所以在传统的人脸检测方式中，必须采用穷举搜索法对图像的每一个区域进行遍历检测，以避免检测区域不全导致结果不准确；同时由于人脸尺寸在待检测图像中也是未知的，存在待检测区域只是人脸的一部分的情况，这种情况下，就必须对待检测图像进行不断的缩小，重复上述检测流程，直到待检测图像缩小到与人脸分类器检测区域大小一致，才有可能检测出完整的人脸。这种传统人脸检测方式穷举检测了所有可能的人脸位置、人脸尺寸，每个位置和尺寸都会进行一次分类，所以非常耗时，尤其是在硬件资源有限的嵌入式设备上，对算法性能有着更严格的要求。

本发明的技术方案通过选择性搜索方式来减少需要检测的区域数量以达到提高检测性能的目的，如图2，是本发明的一种基于选择性搜索对待检测图像进行分割得到待检测区域集合流程图，包括以下步骤：

步骤201，将待检测图像进行初步分割；

图像初步分割就是按照一定的规则把待检测图像划分成若干个互不相交、具有独特性质的区域，每个区域在某些特性(如灰度、轮廓、颜色、纹理等)上和周围的区域不相同，以便进一步分析和处理。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

本发明的优选实施例中，可采用基于像素灰度差的简单分割规则对待检测图像进行分割，得到的分割结果是较多的不规则区域块。

步骤202，根据相似度条件合并相邻区域；

对待检测图像进行初步分割,主要是依据图像中像素的亮度及颜色，但是，由于图像噪声的影响、图像中存在不清晰的部分、以及阴影等原因，常常发生分割错误，同时，如果阈值设置不当，还会造成分割区域块过多的情况。基于以上种种原因，在待检测图像进行初步分割的基础上，本发明技术方案还需要对相邻区域进行相似度判断，如果认为该相邻区域是相似的，则进行区域合并操作，合并的过程即是减少待检测区域集的过程。

在一具体的实施例中，相似度条件可以为颜色相似度，因为相对于其他的特征,颜色特征非常稳定,对于旋转、平移和尺度变化等都不敏感,而且颜色特征计算简单,所以根据相邻区域的颜色相似程度来合并区域是较简单方便的实现方式。

在另一具体的实施例中，相似度条件还可以为尺寸相似度，根据相邻区域的形状以及面积大小相似程度来判断是否需要合并。

步骤203，框选出合并区域集的外接矩形区域；

由于进行合并后的区域仍然属于不规则区域块，而人脸分类器的检测区域需要是矩形区域，所以还必须框选出合并区域集的外接矩形区域作为待检测区域。通常框选的方法是以不规则区域的中心位置作为外接矩形的中心参考位置，上下方向和左右方向分别选择合适的长度，保证所有不规则区域包含在外接矩形区域内。

步骤204，过滤无意义区域；

由于人脸的宽高比例通常保持在一定的范围内，而与这一比例差异较大的待检测矩形区域通常不会是人脸图像区域，例如，图像中的建筑墙面，物体的阴影等等，这类我们称之为无意义区域，这部分待检测区域完全可以在检测之前进行过滤，以进一步减少需要进行检测的区域结果集，提高检测的效率。本发明中，人脸的宽高比例参数可以进行配置，对超出这一比例的待检测区域进行过滤处理。

例如，在具体的实施例中，训练完成的人脸分类器检测窗口的宽高均为50个像素，宽高比为1:1，而待检测区域中存在宽为30个像素，高为150像素的矩形区域，宽高比为1：5，这个待检测区域的宽高比和正常人脸的宽高比差异较大，属于无意义区域，可以直接过滤掉。

步骤205，修正待检测区域的宽高比与人脸分类器检测区域宽高比一致。

由于人脸分类器检测区域的宽高是固定值，进行人脸检测时候，待检测区域也必须缩放成该尺寸，输入给人脸分类器检测。这就要求所有的待检测区域必须和人脸分类器的检测区域保持相同的宽高比，否则进行缩放的时候就会出现图像拉伸变形的情况，影响检测准确性。

本发明技术方案采用的方法是以区域中心为基准，左右或上下裁剪去掉相同长度区域，使得该区域宽高比和分类器宽高比一致。例如，在一具体的实施例中，人脸分类器检测窗口的宽*高为50*60(单位像素)，宽高比为5:6，若一待修正区域宽*高为100*150，则修正方式为:保持宽100不变，以区域中心为基准，上下分别裁剪15个像素，得到100*120的待检测区域，使得宽高比为5:6；若另一修正区域宽*高为140*120，则修正方式为:保持高120不变，以区域中心为基准，左右分别裁剪20个像素，得到100*120的待检测区域，使得宽高比为5:6。

在一优选的实施例中，本发明技术方案中基于选择性搜索对待检测图像进行分割得到待检测区域集合的步骤，在将待检测图像进行初步分割之前,还可以包括步骤：先将待检测图像进行缩小，通过对输入图像进行缩小，以提升分割算法处理速度，比如，当待检测图像为1080P的大分辨率图像时候，如果直接对原图进行分割算法处理，可能耗费较多的时间，若将原图缩小4倍，即宽高均缩小为原先的二分之一，则分割算法处理速度将大大提升，同时由于人脸分类器检测窗口的宽高一般大于32*32(单位像素)，即能检测到最小人脸尺寸为32*32(单位像素)，当原图宽高均缩小为原先的二分之一后,可能的最小人脸尺寸为16*16(单位像素)，这个区域尺寸对于分割算法而言足够大，能够正确进行分割，对后续的人脸检测准确性不会产生较大影响。

步骤3，根据预设参数扩充待检测区域集合；

根据上述选择性搜索方式处理得到待检测区域集合后，本发明技术方案还需要根据预设参数对分割出的待检测区域集进行扩充,以提高人脸检测的准确性。比如，选择性分割后人脸和脖子颜色、纹理都很接近，很容易被分到同一个区域，如果将包含人脸、脖子的整个区域输入分类器就会判别为非人脸，这时候只要将该区域向上偏移适当距离就可以排除掉脖子部分的区域，必要时还可以适当缩放获取到新的检测区域，将该新的区域输入人脸分类器就可检测出人脸。

这里的预设参数包括缩放参数和偏移参数。根据缩放参数扩充待检测区域集是指，对于给定的一个待检测区域，按照设置的比例对待检测区域进行放大或缩小，重新从待检测图像中截取相应的区域加入待检测区域集；根据偏移参数扩充待检测区域集是指，按照横向或纵向的偏移比例设置，从待检测图像中截取相应的区域加入待检测区域集。在本发明的具体实施例中，缩放参数和偏移参数可分别单独设置；也可以同时设置，缩放参数和偏移参数同时生效。

例如，在一具体的实施例中，缩放参数设定为{0.8,1.1}倍，偏移参数设定为{左右方向：0.1倍,上下方向:0.1倍}。对于给定的一待检测区域(对应待检测图像中的位置为：中心坐标[120,100]，区域宽高[50,50])，根据缩放参数对该区域进行扩充的区域集包括：

中心坐标[120,100]，区域宽高[40,40]；(缩小为0.8倍)

中心坐标[120,100]，区域宽高[55,55]；(放大为1.1倍)

根据偏移参数对该区域进行扩充的区域集包括：

中心坐标[125,100]，区域宽高[50,50]；(向左偏移宽的0.1倍)

中心坐标[115,100]，区域宽高[50,50]；(向右偏移宽的0.1倍)

中心坐标[120,105]，区域宽高[50,50]；(向上偏移高的0.1倍)

中心坐标[120,95]，区域宽高[50,50]；(向下偏移高的0.1倍)

另外，本实施例中同时设置了缩放参数和偏移参数，还必须在缩放的基础上进行偏移或在偏移的基础上进行缩放，均可得到如下扩充区域集：

中心坐标[125,100]，区域宽高[40,40]；

中心坐标[115,100]，区域宽高[40,40]；

中心坐标[120,105]，区域宽高[40,40]；

中心坐标[120,95]，区域宽高[40,40]；

中心坐标[125,100]，区域宽高[55,55]；

中心坐标[115,100]，区域宽高[55,55]；

中心坐标[120,105]，区域宽高[55,55]；

中心坐标[120,95]，区域宽高[55,55]。

将上述所有扩充的区域加入待检测区域集中，可以避免分割结果位置、尺寸偏差引起的准确率下降，提高检测出人脸的机率。

步骤4，人脸分类器对待检测区域集合进行检测得到人脸区域集合；

如图3，是本发明的一种人脸分类器对待检测区域集合进行检测得到人脸区域集合流程图，包括以下步骤：

步骤401，将待检测区域缩放成与人脸分类器检测区域宽高一致；

由于待检测区域集是由若干个与人脸分类器的检测区域宽高比例一致但尺寸可能不一致的区域组成，每个待检测区域输入人脸分类器进行检测的时候，需要将待检测区域的尺寸缩放成与人脸分类器的检测区域的尺寸一致，这样人脸分类器才能对整个区域进行完整的人脸检测。

步骤402，人脸分类器对待检测区域进行人脸检测，若检测出人脸，得到人脸区域；

人脸分类器根据训练时候建立的检测模型，对每一个输入的待检测区域进行检测，若根据检测模型判断满足人脸特征，则获取人脸在检测区域中的位置，尺寸等相关信息，并将检测出的人脸区域进行输出。在实际的应用中，从一个待检测区域中，可以检测出若干多个不同尺寸的人脸区域。

步骤403，重复上述步骤，直至所有待检测区域检测完成，得到人脸区域集合。

步骤5，过滤掉重叠人脸得到最终人脸区域集合。

经过人脸分类器的检测之后得到的人脸区域集合，还不是最终的结果，因为这些人脸区域中还可能存在重叠的人脸。例如，在前述的待检测区域集合扩充步骤中，虽然通过扩充步骤提高了人脸检测的准确度，同时也增加了在多个检测区域中检测出同一个人脸的概率，因此还需要将重复的人脸进行过滤，得到最终人脸区域集合。

现阶段常用的方法是通过聚类算法过滤掉重叠人脸，将人脸尺寸、位置相近的归为一个人脸。在具体的实施例中，可通过如下方式进行相邻人脸区域的归类：

首先根据公式：delta＝0.25*(相邻人脸区域宽度最小值+相邻人脸区域高度最小值)，计算delta值，其中相邻人脸区域宽度最小值，是指多个相邻人脸区域中宽度最小的值，相邻人脸区域高度最小值，是指多个相邻人脸区域中高度最小的值。

再判断若不同的人脸区域间左上角横/纵坐标差值小于delta且人脸区域右上角横/纵坐标差值也小于delta，则这些人脸区域归为一类，属于同一个人脸，归类后的人脸区域坐标值取均值。

如图4，是本发明的另一种人脸分类器对待检测区域集合进行检测得到人脸区域集合流程图，该技术方案是对上述基于选择性搜索的人脸检测方法的进一步优化，适用于以MB-LBP特征作为人脸特征的场景。其中，MB-LBP(Multi-Block Local BinaryPattern,基于多级区域局部二值模式)特征，是指将人脸图像划分为若干个“子块区域”，通过阈值化各“子块区域”的灰度平均值进行特征提取。

在以MB-LBP特征作为人脸特征的场景中，人脸分类器对待检测区域集合进行检测得到人脸区域集合，包括以下步骤：

步骤411，计算待检测图像积分图；

积分图是目前最常用的快速计算MB-LBP特征值的方法，它的主要思想就是通过遍历一次图像,将图像从起点开始到各个点所形成的矩形区域像素之和保存为二维数组，当要计算某个区域的MB-LBP特征时，该区域像素的和可以直接索引数组的元素获得，不用重新遍历计算这个区域的像素和，提高了计算速度，然后再经过四次加减即可快速完成MB-LBP特征计算。

步骤412，将人脸分类器检测区域缩放成与待检测区域宽高一致；

在传统的以MB-LBP特征作为人脸特征的人脸检测方式中，由于人脸尺寸在待检测图像中是未知的，必须对待检测图像进行不断的缩小，重复进行检测。在每次待检测图像缩小后，由于图像属性发生了变化，之前计算的积分图不能使用，需要重新遍历计算缩小后待检测图像的积分图，再根据新的积分图计算MB-LBP特征后进行人脸分类，重复地计算积分图会导致处理效率低下。

本发明的技术方案中，使用缩放人脸分类器检测窗口的方法去匹配待检测区域，保持待检测区域大小不发生变化，这样待检测区域不发生属性变化，仍属于待检测图像的一部分，因此在整个处理过程中，只需计算一次分割前的待检测图像积分图，后续每次计算待检测区域的MB-LBP特征时，都可以利用该积分图，而不需要重新遍历计算待检测图像的积分图，大大提高了处理效率。

由于经过选择性搜索处理后得到的待检测区域大小不一定与人脸分类器检测窗口大小一致，但他们宽高比例是一致的，可以通过缩放人脸分类器检测窗口的方式，实现两者大小一致，再进行后续人脸检测处理。

步骤413，根据待检测图像积分图计算待检测区域所有MB-LBP特征，并输入人脸分类器进行检测，若检测出人脸，得到人脸区域；

在实际的人脸分类处理中，一个区域内可能包含多组MB-LBP特征，每个MB-LBP特征对应于待检测区域内的一个矩形区域，多个矩形区域之间可能重叠，也可能不重叠。每个人脸分类器包含多少组MB-LBP特征是由训练生成的检测模型确定，例如，训练完成的人脸检测模型里面包含每个MB-LBP特征对应矩形区域在检测区域中的相对位置、尺寸等信息。在人脸分类器检测过程中，检测模型会根据相对位置、尺寸信息获取待检测区域中的对应矩形区域，再根据积分图快速计算出该矩形区域的MB-LBP特征，进行人脸检测的判别，若检测出人脸，则获取人脸在检测区域中的位置，尺寸等相关信息，并将检测出的人脸区域进行输出。

步骤414，重复上述步骤，直至所有待检测区域检测完成，得到人脸区域集合。

在得到人脸区域集合之后，同样可通过聚类算法过滤掉重叠人脸得到最终人脸区域集合，与前述技术方案处理步骤一致。

在采用MB-LBP特征作为人脸特征时，本发明的技术方案使用缩放人脸分类器检测区域的方法代替缩放待检测区域，只需计算一次积分图，避免了每次缩放待检测区域时都需要重新计算一次积分图导致的性能降低；同时，在支持积分图硬件加速的设备上(例如海思芯片)，在使用积分图硬件加速引擎后，本方案性能更佳，可快速完成对高清图像的人脸检测。

如图5，是本发明的一种基于选择性搜索的人脸检测装置结构图，包括:

第一处理模块，用于根据人脸正负样本集合提取人脸特征，训练得到人脸分类器；

通过将正例样本和反例样本输入给分类器，分类器从训练样本中提取人脸特征，建立起人脸检测模型。训练完成后的人脸分类器可对图像进行检测判断是否存在人脸。

第二处理模块，用于基于选择性搜索对待检测图像进行分割得到待检测区域集合；通过选择性搜索方式来减少需要检测的区域数量以达到提高检测性能的目的。

第三处理模块，用于根据预设参数扩充待检测区域集合；可根据缩放参数和偏移参数对指定待检测区域进行扩充，以提高人脸检测的准确性。

第四处理模块，用于人脸分类器对待检测区域集合进行检测得到人脸区域集合；将待检测区域集合输入分类器，分类器使用训练得到的检测模型对待检测区域进行检测，将检测出的人脸区域结果集进行输出。

第五处理模块，用于过滤掉重叠人脸得到最终人脸区域集合。

如图6，是本发明的第二处理模块结构图，包括：

第一处理单元，用于将待检测图像进行初步分割；按照一定的规则把待检测图像划分成若干个互不相交、具有独特性质的不规则区域块。

第二处理单元，用于根据相似度条件合并相邻区域；根据颜色相似度，尺寸相似度算法进行判断，如果认为相邻区域是相似的，则进行区域合并操作，减少待检测区域集。

第三处理单元，用于框选出合并区域集的外接矩形区域；将合并后的不规则区域框选为矩形区域。

第四处理单元，用于过滤无意义区域；由于人脸的宽高比例通常保持在一定的范围内，而与这一比例差异较大的待检测矩形区域通常不会是人脸图像区域，称之为无意义区域，这部分待检测区域完全可以在检测之前进行过滤，以进一步减少需要进行检测的区域结果集，提高检测的效率。

第五处理单元，用于修正待检测区域的宽高比与人脸分类器检测区域宽高比一致，目的是后续待检测区域或人脸分类器检测区域进行缩放时候，不会产生图像拉伸变形的情况。

如图7，是本发明的第四处理模块结构图，包括：

第一处理单元，用于将待检测区域缩放成与人脸分类器检测区域宽高一致；

第二处理单元，用于人脸分类器对待检测区域进行人脸检测，若检测出人脸，得到人脸区域；人脸分类器根据训练时候建立的检测模型，对每一个输入的待检测区域进行检测，若根据检测模型判断满足人脸特征，则获取人脸在检测区域中的位置，尺寸等相关信息，并将检测出的人脸区域进行输出。

第三处理单元，用于重复上述步骤，直至所有待检测区域检测完成，得到人脸区域集合。

上述具体实施方式只是对本发明的技术方案进行详细解释，本发明并不只仅仅局限于上述实施例，凡是依据本发明原理的任何改进或替换，均应在本发明的保护范围之内。