一种人脸检测的强分类器的生成方法及装置的制造方法
【技术领域】
[0001] 本发明涉及电子技术领域，尤其涉及一种人脸检测的强分类器的生成方法及装 置。
【背景技术】
[0002] 人脸检测技术是指从一幅给定图像中确定其是否含有人脸，并对人脸位置与范围 进行定位的过程，人脸检测的正确性能有效提高人脸识别的效率和速度。
[0003] 现有技术一中主要通过Haar特征和Adaboost算法进行人脸检测，通过Haar特征 表示人脸，通过Adaboost算法挑选任意尺寸和位置的矩形框(弱分类器)，通过弱分类器组 成强分类器对图像进行人脸检测、识别。现有技术一的人脸检测方法中Haar特征数目较 多，而且Haar的特征简单，因此图像的样本训练过程中需要的弱分类器数目较大，图像的 特征训练过程慢，训练时间长。
[0004] 现有技术二中主要通过Mblbp特征和Adaboost算法进行人脸检测，通过计算图像 样本的指定区域的灰度平均值，计算弱分类器对图像样本的加权误差来选取相应的弱分类 器，通过弱分类器组成强分类器对图像进行人脸检测、识别。现有技术二的人脸检测方法中 弱分类器对应的参数只有矩形框的位置、尺寸，没有阈值，训练样本的灰度均值计算时比较 的值固定为〇,使得Mblbp特征对噪声的鲁棒性差，人脸检测的误检率高，人脸检测的用户 体验效果低。
【发明内容】
[0005] 本发明实施例提供一种人脸检测的强分类器的生成方法及装置，可提高图像训练 样本的训练速度，降低编码对噪声的鲁棒性，降低人脸检测的误检率。
[0006] 本发明实施例一方面提供了一种人脸检测的强分类器的生成方法，其可包括：
[0007] 根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的 参数；
[0008] 根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数，得到所述图像 训练样本的每一个所述弱分类器的特征值；
[0009] 根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加 权分类误差，根据所述加权分类误差得到至少一个最优弱分类器，其中，所述最优弱分类器 为全部的所述弱分类器中所述加权分类误差最小的弱分类器；
[0010] 根据全部的所述最优弱分类器生成人脸检测的强分类器。
[0011] 结合第一方面，在第一种可能的实现方式中，在所述根据预设的弱分类器的阈值 以及每一个所述弱分类器的所述参数，得到所述图像训练样本的每一个所述弱分类器的特 征值之前，所述方法还包括：
[0012] 设定最优弱分类器的初始个数；
[0013] 在所述根据所述最优弱分类器生成人脸检测的强分类器之前，所述方法还包括：
[0014] 根据所述选取的所述最优弱分类器的个数与所述最优弱分类器的初始个数确定 所述最优弱分类器的总数；
[0015] 若所述最优弱分类器的总数小于预设个数，则更新所述图像训练样本的权重，得 到所述图像训练样本的更新权重，根据所述特征值和所述图像训练样本的更新权重计算所 述每一个所述弱分类器的加权分类误差，得到至少一个的权重更新后的最优弱分类器，根 据所述权重更新后的最优弱分类器的个数更新所述最优弱分类器的总数，重复本步骤直至 所述最优弱分类器的总数不小于所述预设个数；
[0016] 若所述最优弱分类器的总数不小于预设个数，则继续后续步骤。
[0017] 结合第一方面或第一方面第一种可能的实现方式，在第二种可能的实现方式中， 所述参数包括弱分类器的矩形框位置、尺寸，其特征在于，所述根据预设的弱分类器的阈值 以及每一个所述弱分类器的所述参数，得到所述图像训练样本的每一个所述弱分类器的特 征值，包括：
[0018] 对于全部所述弱分类器中的一个弱分类器，将以所述弱分类器的所述矩形框位置 为中心、与所述矩形框的尺寸大小相同的区域分割为至少两个区域，并计算每一个所述区 域的灰度平均值；
[0019] 从全部所述区域中选定一个参考区域，并设定除所述参考区域外的每一个所述区 域的符号位，所述符号位包括第一符号位和第二符号位；
[0020] 根据全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述符 号位，和所述预设的弱分类器的阈值得到所述弱分类器的特征值；
[0021] 重复上述步骤直至得到全部所述弱分类器中的每一个所述弱分类器的特征值。
[0022] 结合第一方面第二种可能的实现方式，在第三种可能的实现方式中，所述根据全 部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述符号位，和所述预设 的弱分类器的阈值得到所述弱分类器的特征值，包括：
[0023] 将除所述参考区域外的每一个所述区域的所述灰度平均值分别与所述参考区域 的所述灰度平均值进行比较；
[0024] 若所述区域的符号位为第一符号位，若所述区域的灰度平均值与所述参考区域的 灰度平均值的差不小于所述阈值，将所述区域的位置标记为第一位置标记，若所述区域的 灰度平均值与所述参考区域的灰度平均值的差小于所述阈值时，将所述区域的位置标记为 第二位置标记；
[0025] 若所述区域的符号位为第二符号位，若所述区域的灰度平均值与所述参考区域的 灰度平均值的差的相反数不小于所述阈值，则将所述区域的位置标记为第一位置标记，若 所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数小于所述阈值，将所述 区域的位置标记为第二位置标记；
[0026] 将所述每一个所述区域的位置标记按照预设顺序进行排序得到一个序列，根据所 述序列得到所述弱分类器的特征值。
[0027] 结合第一方面至第一方面第三种可能的实现方式中任一种，在第四种可能的实现 方式中，所述根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的 加权分类误差，包括：
[0028] 根据所述弱分类器的特征值和每一个所述图像训练样本的特征标识，计算所述弱 分类器对所述每一个所述图像训练样本的分类误差，其中，所述图像训练样本的特征标识 为预先设定的所述图像训练样本的人脸特征对应的输入向量或非人脸特征对应的输入向 量；
[0029] 根据所述每一个所述图像训练样本的初始权重，将所述弱分类器对所述每一个所 述图像训练样本的分类误差进行加权累加，得到所述弱分类器的加权分类误差。
[0030] 结合第一方面第一种可能的实现方式至第一方面第四种可能的实现方式中任一 种，在第五种可能的实现方式中，所述更新所述图像训练样本的权重，得到所述图像训练样 本的更新权重，包括：
[0031] 根据所述最优弱分类器对所述图像训练样本进行人脸检测，并根据检测到的特征 将所述图像训练样本进行分类，所述特征包括人脸特征或者非人脸特征；
[0032] 若所述图像训练样本的分类结果与所述图像训练样本的特征相对应，则减小所述 图像训练样本的权重，得到所述图像训练样本的更新权重；
[0033] 若所述图像训练样本的分类结果不与所述图像训练样本的特征相对应，则增加所 述图像训练样本的权重，得到所述图像训练样本的更新权重。
[0034] 本发明实施例第二方面提供了一种人脸检测的强分类器的生成装置，其可包括：
[0035] 确定模块，用于根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一 个弱分类器的参数；
[0036] 处理模块，用于根据预设的弱分类器的阈值以及所述确定模块确定的每一个所述 弱分类器的所述参数，得到所述图像训练样本的每一个所述弱分类器的特征值；
[0037] 选择模块，用于根据所述处理模块得到的所述特征值