一种基于肤色分割和机器学习的多视角人脸检测方法
【技术领域】
[0001] 本发明属于模式识别技术领域，具体涉及一种基于肤色分割和机器学习的多视角 人脸检测方法。
【背景技术】
[0002] 人脸检测是模式识别和计算机视觉领域中的重要研宄方向，也为解决多种目标检 测和识别问题提供有效的途径。而多视角人脸检测是指检测图像中覆盖一个较大视角范围 的人脸表观模式，其在人机交互、智能监控和机器人视觉等领域有着广泛的应用前景。
[0003] 作为智能监控系统的重要组成部分，多视角人脸检测系统可以大大提高重要场合 行人监控以及计数工作的效率和效果，加快行人监控的自动化、智能化的步伐。而且，多视 角人脸检测往往作为视频图片采集后对图像处理的第一步，它的好坏关系到整个智能监控 系统性能的优劣。因此，如何快速、准确地检测出多视角人脸是智能监控系统技术中非常关 键的。
[0004] 目前国内外许多学者对多视角人脸检测技术进行了大量的研宄，并取得了一些成 果。检索该领域目前已有的文献，我们发现现有多视角人脸检测中较为有效的人脸检测方 式大都基于机器学习的方法完成。
[0005] 然而，在现实中，由于具体智能监控系统所处的场景中，背景一般都比较复杂且存 在许多灰度与人脸相似的部分，这使得在检测时造成很多误检。由于多视角的人脸本身变 化也较多，对检测也造成了一定的影响。而且，由于拍摄视角的变化，加上天气变化导致的 不同光照条件等诸多因素，使得人脸准确检测难度较大。此外，在具体的智能视频监控场景 中，画面一般较大且复杂，因此，如何在复杂场景中摒除非人脸区域以达到快速准确地检测 出多视角的人脸是现有多视角人脸检测技术中有待进一步解决的问题。
【发明内容】
[0006] 为了解决快速、准确地从复杂场景中检测多视角人脸的技术问题，本发明提供了 一种基于肤色分割和机器学习的多视角人脸检测方法。
[0007] 本发明提供了一种基于肤色分割和机器学习的多视角人脸检测方法，包括以下步 骤：
[0008] (1)对原始彩色图像进行光照补偿，使用GrayWorld进行均衡处理；
[0009] (2)将均衡处理后的图像的像素从原有RGB色彩空间转换到YCbCr色彩空间，然后 将像素从色度空间CbCr经过非线性变换到Cb' Cr'空间；将转换后的色度值Cb'和CW 输入椭圆肤色模型进行计算，得到图像的肤色区域，对其求取最小包围矩形并对边界进行 扩大；
[0010] (3)对肤色所在的矩形区域进行灰度化处理，然后对处理后所得到的灰度图像进 行中值滤波，作为人脸检测的候选区域；
[0011] (4)对于每一个人脸候选区域利用多视角人脸检测器进行多尺度的搜索检测，多 视角人脸检测器由各个视角的级联分类器并行构建而成，所述分类器采用风险敏感型连续 Adaboost算法进行训练。
[0012] 进一步地，所述步骤（1)中的GrayWorld进行均衡处理具体为、 G '、B '为改进后的值，均衡化公式为：
【主权项】
1. 一种基于肤色分割和机器学习的多视角人脸检测方法，其特征在于，所述方法包括 以下步骤： (1) 对原始彩色图像进行光照补偿，使用GrayWorld进行均衡处理； (2) 将均衡处理后的图像的像素从原有RGB色彩空间转换到YCbCr色彩空间，然后将 像素从色度空间CbCr经过非线性变换到Cb'Cr'空间；将转换后的色度值Cb'和Cr'输 入椭圆肤色模型进行计算，得到图像的肤色区域，对其求取最小包围矩形并对边界进行扩 大； (3) 对肤色所在的矩形区域进行灰度化处理，然后对处理后所得到的灰度图像进行中 值滤波，作为人脸检测的候选区域； (4) 对于每一个人脸候选区域利用多视角人脸检测器进行多尺度的搜索检测，多视 角人脸检测器由各个视角的级联分类器并行构建而成，所述分类器采用风险敏感型连续 Adaboost算法进行训练。
2. 根据权利要求1所述的基于肤色分割和机器学习的多视角人脸检测方法， 其特征在于，所述步骤（1)中的GrayWorld进行均衡处理具体为：R'、G'、B'为
3. 根据权利要求1或2所述的基于肤色分割和机器学习的多视角人脸检测方法，其特 征在于，所述步骤（2)按照如下方式实现： (2. 1)将图像颜色空间从RGB色彩空间转换到YCbCr色彩空间，转换公式为：
(2. 2)将（2. 1)中像素从色度空间CbCr经过非线性变换到Cb'Cr'空间，公式如下：
其中，Wcb(Y)和Wcr(Y)为椭圆模型宽度值，_G(r)和G(r)为椭圆模型中心值； (2. 3)将训练好的椭圆模型存储在一幅二值图像上，将此图像映射到二维坐标系的第 一象限； (2. 4)将（2. 2)中所得Cb'、Cr'值分别对应到（2. 3)中X轴、y轴的值，即将像素点Cb'，Cr'值投影到（2.3)中二值图像上某一点，如果该点在白色椭圆区域内部，则视该像 素点为肤色点，反之则为非肤色点。
4. 根据权利要求1或2所述的基于肤色分割和机器学习的多视角人脸检测方法，其特 征在于，所述步骤（4)中的多视角人脸检测器具体为： 将样本集在水平方向上分为5个视角：[-75°~-45° ]，[-45°~-15° ]，[-15°~ 15° ]，[15°~45° ]，[45°~75° ]，分别训练5个视角的级联分类器；不同视角的级联 分类器对应各层用到的类Haar特征数目相同； 多视角人脸检测器由级联分类器并行构成，且每个级联分类器的前4层构成人脸的姿 态预估计部分，不再引入专门的姿态估计器；对于未通过前4层的样本，直接输入下一级联 分类器的第一层进行判断；对于通过某一级联分类器前4层的样本，则直接由该级判断其 是否为人脸，不再送入其他级联分类器进行判断。
5. 根据权利要求4所述的基于肤色分割和机器学习的多视角人脸检测方法，所述步骤 (4)中的风险敏感型连续Adaboost算法具体包括如下步骤： (4. 1)针对每个视角，定义其训练样本集S=KxpyiM,包含m个正样本和1个负样 本，i= 1，2,…，N，N=m+1 ;其中Yi= ±1表示样本类别，yi= +1表示正样本即对应视角 的人脸图像，Yi= -1表示负样本即非人脸图像； (4. 2)设定训练集上的人脸类别是非人脸类别的误分类风险倍数ct> 0,其最佳取值 范围为[2. 5, 3]，初始误分类风险倍数C1= 3,每两轮降低0. 1，降低至2. 5停止；正样本分 类风险设定为Ci= 2c/(Cl+1)，负样本分类风险设定为Ci= 2Acdl);设定样本的初始权
,即正样本初始权重为D1 (i) =C1/ (mCi+1)，负样本初始权重为D1 (i) =I/ (mcj+1)； (4. 3)对于T轮训练，t= 1，2, ? ??，T: (4. 3. 1)令迭代次数t= 1 ; (4. 3. 2)针对每个类Haar特征，求取其特征值fHam(x)，并归一化到[0, 1]区间，对此区 间进行n等分，记Vj= [(j-l)/n,j/n]，j= 1，…n，此值域的等距划分对应了样本空间的 一个划分，本文中n取10 ;
(4. 3. 6)选择具有最小错分率的弱分类器作为本轮最佳分类器，即求得满足条件11 =
(4.3.7)按照hu(x)的分类错误率以及正负样本分类风险来调整样本权重：
6. 根据权利要求1或2所述的基于肤色分割和机器学习的多视角人脸检测方法，其特 征在于，所述步骤（4)中，在待检测人脸候选区域内进行多尺度的子区域提取，利用预先训 练好的多视角人脸检测器对各子区域进行人脸检测，若同时被检测为人脸的相邻子区域重 叠面积大于阈值，则将这些检测为人脸的相邻子区域进行合并，从而得到准确的人脸。
7. 根据权利要求1或2所述的基于肤色分割和机器学习的多视角人脸检测方法，其特 征在于，所述步骤（2)中的椭圆模型用（center,axes,angle,startAngle,endAngle)表示， 其中center是该椭圆的中心点坐标，axes是该椭圆的长半轴和短半轴，angle是该椭圆和 水平方向上的旋转夹角，startAngle表示绘制椭圆弧线相对该椭圆自己的水平轴的起始角 度，endAngle表示绘制椭圆弧线相对该椭圆自己的水平轴的终止角度。
【专利摘要】本发明公开了一种基于肤色分割和机器学习的多视角人脸检测方法，首先对原始彩色图像采用GrayWorld进行均衡处理，利用椭圆模型进行肤色检测；求取肤色连通区域最小包围矩形后适当扩大并对其进行灰度化和中值滤波处理；使用多视角人脸检测器进行多尺度的遍历搜索检测，最后对检测结果合并输出。多视角人脸检测器由5个视角对应的级联分类器并行构建而成，采用风险敏感型连续Adaboost算法训练分类器。本发明采用GrayWorld进行均衡化，有效消除彩色偏移，使用椭圆模型对肤色进行检测，减少了后续搜索范围从而加快了检测速度；利用风险敏感型连续Adaboost算法构建多视角人脸检测器，能更精确地刻画分类边界，对于人脸样本具有更好的分类效果；其在智能视频监控等方面有广泛的应用前景。
【IPC分类】G06K9-00, G06K9-62
【公开号】CN104715244
【申请号】CN201510153032
【发明人】桑农, 陈张一, 高常鑫, 阳崇云, 陈子伊
【申请人】华中科技大学
【公开日】2015年6月17日
【申请日】2015年4月1日