基于自适应阈值调整拒识子空间学习的人脸检测方法
【技术领域】
[0001]本发明设及计算机视觉、模式识别和机器学习等技术领域，特别是设及了一种基 于自适应阔值调整拒识子空间学习的人脸检测方法。
[000^ 背景
[0003] 人脸检测的目的是在图像或视频中自动判定人脸是否出现W及人脸出现的位置、 大小W及姿态等。人脸检测是计算机视觉和人脸研究中一个非常重要的研究内容，其在智 能图像处理、模式识别、机器学习、智能视频监控等众多研究和应用领域都有着重要的研究 意义和广泛的应用价值，人脸检测技术也受到了众多研究人员和公司部分的广泛关注和发 展。虽然人脸检测得到了很多的关注和研究，鲁邦性的人脸检测一直是一个非常艰巨和富 于挑战性的课题，运主要体现在W下几个方面:现实中的人脸往往存在许多差异，如姿态的 变化(正面脸和侧面脸等）、表情的变化(如严肃和大笑等）W及容貌上的差异(如亚洲人种 和欧洲人种的差异)等等；由于拍照条件和环境的变化引入的影响，如不同的光照条件(强 光照和弱光照)和人脸的遮挡(眼睛、口罩)等;实时性人脸检测，由于无法准确的确定人脸 的位置和大小，人脸检测算法通常采取滑动窗口的方法进行判断，该方法需要扫描海量的 候选窗口，对实时性的人脸检测带来了很大的负担。
[0004] 目前关于人脸检测问题人们提出过很多解决方案，运其中基于学习的方法在人脸 检测领域取得了很好的效果，特别是基于统计特征的方法。该类方法旨在从大量训练数据 中挖掘出类别本身的统计特性，并利用学习得到的统计特性对新样本进行分类，其中最具 代表性的人脸检测模型是Viola Jones于2001年提出的级联Boosting分类器人脸检测模 型，该人脸检测模型主要有W下Ξ个特点：利用积分图像和Haar特征进行快速的特征计算； 利用Boosting算法进行特征选择和弱分类器学习；利用级联检测器框架有效的拒绝大量非 人脸窗口。该框架在提高检测精度的同时达到了实时性的检测要求，也得到研究人员和公 司的广泛发展和应用。虽然级联Boosting分类器具有优异的性能和快速的检测速度，该类 方法中每一层强分类器仅是一个二值分类器(人脸窗输出为1、非人脸窗输出为0)，并将所 有的人脸窗口和错分的非人脸窗口都放到下一层去继续训练，运种策略限制了人脸检测模 型的灵活性，人脸检测模型训练起来也非常复杂和耗时，最终得到的人脸检测模型往往层 数很多。如何缩减人脸检测模型的复杂度，提高人脸检测模型的灵活性仍是一个亟待解决 的问题。
【发明内容】
[0005] 为了解决复杂度和灵活性的问题，本发明提出一种基于自适应阔值调整拒识子空 间学习的人脸检测方法，有效地缩减了人脸检测模型的复杂度，提高了人脸检测模型的灵 活性。
[0006] 本发明提出的基于自适应阔值调整拒识子空间学习的人脸检测方法，包括如下步 骤：
[0007] 步骤S1，采集人脸和非人脸图像，并将所有图像进行灰度处理，将图像尺寸缩放至 统一像素大小A,构成训练样本集合;其中人脸图像为正样本、非人脸图像为负样本；
[000引步骤S2,利用步骤S1中的训练样本集合，采用Boosting算法和互信息最大化准则 训练人脸检测模型中第k层的强分类器；
[0009] 步骤S3,计算修正的互信息，利用修正的互信息最大化学习准则自适应的调整人 脸检测模型中第k层强分类器的最优拒识阔值，得到带拒识的强分类器；
[0010] 步骤S4,利用步骤S3中已训练完成的前k层强分类器，在训练集上筛选出拒识的样 本作为第k+1层分类器的训练样本；
[0011] 步骤S5，重复步骤S2至S4直至满足收敛性条件；
[0012] 步骤S6,给定待检测的图像，构建图像金字塔将待检测图像大小缩放至A，并在图 像金字塔的每一层滑动窗口采样，利用训练得到的每一层带拒识的强分类器对每一个采样 窗口进行判定，并将判定为人脸的采样窗口还原到待检测的图像上，通过对待检测的图像 上所有人脸窗口进行聚类得到最终的人脸检测结果。
[0013] 优选的，步骤S1中正样本为不同光照、不同姿态情况下的人脸图像;负样本采集方 式为先采集一个负样本子集进行训练，对采用通过步骤S2至S5训练好的人脸检测模型进行 测试，将人脸检测模型误检的负样本对象进行增量采集加入负样本集中，通过N次反复训练 和测试得到最终的负样本集合。
[0014] 优选的，步骤S2中，人脸检测模型中每层的强分类器均由弱分类器W构成，利用 Boosting算法和互信息最大化准则训练人脸检测模型中第k层的强分类器步骤如下：
[0015] 步骤S21，选取化ar特征，利用总体互信息最大化准则进行弱分类器W的学习，选取 互信息最大的阔值为当前弱分类器的阔值；
[0016] 步骤S22,利用S21所述方法计算得到每一个化ar特征对应的弱分类器及其对应的 互信息值，选取互信息值最大的弱分类器为当前迭代轮的弱分类器wt;
[0017] 步骤S23,根据样本在弱分类器wt下的输出值设定样本权重，样本权重计算公式为
[001 引
[0019] 其中，似嗦示t-1轮迭代后样本i的权重，L康示样本i的真实类别，ht(xi)为样本i 的预测类别，Zt为归一化因子；
[0022] 步骤S24,重复步骤S21-S23直至满足收敛性条件。
[0023] 优选的，步骤S3中，计算修正的互信息，利用修正的互信息最大化学习准则自适应 的调整人脸检测模型中第k层强分类器的最优拒识阔值的步骤如下：
[0024] 步骤S31，计算每个样本在第k层强分类器下的输出值Fi，并设定强分类器的正、负 样本的初始拒识阔值化1、化2 ;
[0025]
[0026] 其中Τ为当前强分类器包含的弱分类器总数；
[0027] 步骤S32,利用非参数估算方法估计正、负样本输出值的条件概率密度；
[002引步骤S33,计算修正的互信息，求解修正的互信息关于参数化1，化2的一阶导数，利 用拟牛顿法迭代求解互信息最大化问题，得到最优的拒识阔值。
[0029]优选的，步骤S32中采用的非参数估计方法为化rzen窗法，利用该方法估算正、负 样本的条件概率密度= Z μ = +1)和口w(z) = = Z11 = -1)，其估算公式如下
[0032] 其中为正样本的条件概率密度，斯(Z)为负样本的条件概率密度，G( ·，σ2) 表示高斯核函数，σ表示窗宽。
[0033] 优选的，所述的窗宽σ采用大拇指准则进行估算。
[0034] 优选的，步骤S4中，筛选第k+1层的训练样本时，将初始正、负样本集分别输入已训 练好的前k层人脸检测模型，将前k层人脸检测模型均不能进行确定的分类的样本作为第k+ 1层分类器的训练样本。
[0035] 优选的，步骤S3中，计算修正的互信息的公式为
[0036]
[0037] 其中，为给定的一组拒识阔值，N为正、负样本总数，TP(t2)表示真实类别和 预测类别均为正样本的样本数，FN(ti)表示真实类别为正样本，预测类别为负样本的样本 数;FP(t2)表示真实类别为负样本，预测类别为正样本的样本数;TN(ti)表示真实类别和预 测类别均为负样本的样本数;P(+l)与P(-l)分别是正样本和负样本的先验概率。
[0038] 优选的，所述的弱分类器W为区域分割分类器。
[0039] 优选的，步骤5中的收敛条件为总体分类器层数或已收集不到足够的正、负样本用 于训练。
[0040] 优选的，步骤S5的具体步骤为:给定待检测的图像，首先利用下采样构建图像金字 塔，直至将图像缩放至A大小，并计