利用聚合通道特征进行多视角人脸检测的方法与流程

技术特征：

1.一种利用聚合通道特征进行多视角人脸检测的方法，其特征在于：其方法步骤如下：

A、获取检测人脸图像，在人脸图像上构造出图像金字塔；

B、从图像金字塔中提取各层的聚合通道特征；计算第1、9、17层的真实尺寸，然后根据这些尺寸估计他们之间的其他图像尺寸，这样会加快计算速度，快速形成特征金字塔；具体如下：

B1、将步骤A中人脸图像的原RGB图像转换为灰度图像，这是一个颜色通道特征提取；

B2、计算步骤B1每个像素的梯度幅度值，这是一个梯度幅度特征提取；

B3、计算每个像素在6个梯度方向上的梯度方向直方图，这是6个方向直方图特征提取；

B4、把每个像素点的1个灰度特征、1个梯度幅度特征和6个梯度方向直方图特征聚合到一起形成一个含有8个通道特征的聚合通道特征；步骤B中的特征金字塔就是通过计算图像金字塔中的每个图像的聚合通道特征而形成的；

C、利用滑动窗口按照一定的步长在图像金字塔上滑动，获取一系列滑动窗口大小的检测块；所述步骤C中的滑动检测窗口在特征通道金字塔上按照设定好的步长，从左到右、从上到下不断滑动，滑动窗口设置为24X24，步长小于24；

D、使用训练好的级联分类器将步骤C中得到的检测块分别分类，分类结果为人脸和非人脸的检测块；期训练过程如下：

首先，获取训练样本集，样本集包括正样本集和负样本集，所述的正样本集使用10000个包含人脸且像素大小大于24X24的图像区域，并且对每个正样本图像中的人脸区域标注出坐标和宽高，所述的负样本集是有不包含人脸的10000张图片组成；

然后，训练第一阶段，获取正负样本训练的窗口，根据标注数据提取正样本窗口，根据每个负样本图片里取25个窗口，分别对提取到的正负窗口进行聚合通道特征提取，用二叉决策树进行特征判断，训练出包含64个弱分类器的一个强分类器；

最后，训练第二阶段，使用第一阶段训练好的分类器对负样本集进行检测，检测到为正的窗口作为负样本，与正样本继续用二叉决策树进行特征判断，训练出包含256个弱分类器的一个强分类器；第三、四阶段同理，直到某一层弱分类器分出的loss小于阈值，训练结束，最后得到一个包含4096个弱分类器的一个多级强分类器；

E、分类为人脸的检测块标记为人脸候选窗口，并记录每个候选窗口的得分；

F、根据缩放比例，恢复到原始图像的窗口大小；所述步骤F的缩放比例是图像金字塔中各幅图像与原始图像之间的比例，检测到的窗口大小都为24X24，因此需要按照比例恢复到原图像上形成许多重叠的矩形框；

H、利用非极大值抑制法去除重叠的人脸候选窗口，得到最终人脸检测窗口，并且显示窗口的大小、坐标和得分。

2.按照权利要求1所述的利用聚合通道特征进行多视角人脸检测的方法，其特征在于：所述步骤H的非极大值抑制法步骤如下：

首先，将初始检测窗口按分数从高到低排列；

然后，将第一个初始检测窗口作为当前抑制窗口；

最后，将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口，计算当前抑制窗口面积s1、被抑制窗口面积s2及其两者的重合面积a，如果比值大于0.55，则剔除得分较小的被抑制窗口，最终得到人脸检测窗口。