专利名称：一种人脸检测的方法和装置的制作方法
技术领域：
本发明涉及计算机领域，尤其涉及一种人脸检测的方法和一种人脸检测的装置。
背景技术：
人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体(一般特指人)本身的生物特征来区分生物体个体。随着电子科技的不断发展，人脸识别的应用越来越广泛，在门禁系统、数码相机、 摄像监视系统以及网络应用等领域都使用到人脸识别技术。其中，在人脸识别成为数码相机必备功能之后，摄像机们也开始纷纷采用人脸识别技术提高自己的拍摄成功率。因为拍摄视频的过程中，摄像机要在被摄体移动、变焦、拍摄角度变换等情况下保证对焦，如果能认清画面中的人脸，并以此为标准进行对焦、测光和白平衡，自然可以达到理想的拍摄效果。由于这是一个实时追踪人脸的过程，因此比数码相机上的人脸识别技术难度更大。如何使得人脸检测具有较高的检测率和较少的误检率，同时具有较快的检测速度，是人们研究的热点问题。
发明内容
本发明实施例所要解决的技术问题在于，提供一种人脸检测的方法和一种人脸检测的装置，使得人脸检测具有较高的检测率和较少的误检率，同时具有较快的检测速度。为了解决上述技术问题，本发明实施例提供了一种人脸检测的方法，包括 对获取的图像进行LBP特征计算，得到LBP特征利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据；
对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判别，得到第二人脸区域数据；
对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据；
输出所述图像中的人脸区域。其中，得到第二人脸区域数据之后，还包括
对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征图； 利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP特征图进行判别，得到第三人脸区域数据；
所述对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据的步骤具体为对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合并， 得到第四人脸区域数据。其中，所述对获取的图像进行LBP特征计算，得到LBP特征图；利用AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据的步骤包括 按照预设的缩放因子对获取的图像进行缩放； 判断缩放后的图像是否小于预设的像素窗口区域；
当判断结果为否时，对缩放后的图像进行LBP特征计算，然后以所述像素窗口区域对得到的LBP特征图进行扫描，并对每个进行扫描的像素窗口用基于LBP特征训练好的 AdaBoost分类器进行判别，保存得到的第一人脸区域数据；根据所述缩放因子继续缩放当前图像，重复执行所述对缩放后的图像进行LBP特征计算的步骤。其中，所述利用Haar特征对所述第一人脸区域数据进行判别，得到第二人脸区域数据的步骤包括
计算所述获取的图像的积分图和平方积分图； 从所述第一人脸区域数据中依次取出候选人脸区域；
根据所述候选人脸区域的尺度调整基于Haar特征训练好的分类器的尺度，判别取出的所述候选人脸区域是否为人脸区域；
保存判别出来的人脸区域，得到第二人脸区域数据。其中，所述对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征图的步骤包括
将所述第二人脸区域数据中的候选人脸区域进行图像缩小，缩成训练样本的大小； 对缩成训练样本大小的候选人脸区域进行多尺度LBP特征计算；所述多尺度LBP特征的当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值参与所述多尺度LBP特征计算。其中，所述第四人脸区域数据为当前帧图像的人脸检测结果数据；在得到第四人脸区域数据之后，还包括
根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上一帧图像人脸区域的重合面积；
当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上一帧图像人脸区域进行关联，作为当前帧的人脸跟踪结果；
当上一帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域时，则对上一帧的该人脸区域重新进行人脸检测；
当当前帧图像的人脸区域不存在与上一帧图像人脸区域对应的人脸区域时，则将当前帧图像的人脸检测结果作为新的人脸跟踪结果。相应地，本发明实施例还公开了一种人脸检测的装置，包括
LBP特征计算模块，用于对获取的图像进行LBP特征计算，得到LBP特征图； 第一判别模块，用于利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据；
第二判别模块，用于对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判别，得到第二人脸区域数据；
聚类合并模块，用于对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据；
输出模块，用于输出所述图像中的人脸区域。其中，所述人脸检测的装置还包括
多尺度LBP特征计算模块，用于对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征第三判别模块，用于利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度 LBP特征图进行判别，得到第三人脸区域数据；
所述聚类合并模块具体用于对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据。其中，所述LBP特征计算模块包括
图像缩放单元，用于按照预设的缩放因子对获取的图像进行缩放； 判断单元，用于判断缩放后的图像是否小于预设的像素窗口区域； 判断处理单元，用于当所述判断单元的判断结果为否时，则对缩放后的图像进行LBP 特征计算，然后触发所述第一判别模块进行判别；然后根据所述缩放因子继续缩放当前图像，触发所述判断单元重复执行所述判断缩放后的图像是否小于预设的像素窗口区域的步骤；
所述第一判别模块具体用于以所述像素窗口区域对得到的LBP特征图进行扫描，并对每个进行扫描的像素窗口用基于LBP特征训练好的AdaBoost分类器进行判别，保存得到的第一人脸区域数据。其中，所述第二判别模块包括
计算单元，用于计算所述获取的图像的积分图和平方积分图； 区域取出单元，用于从所述第一人脸区域数据中依次取出候选人脸区域， 调整判别单元，用于根据所述候选人脸区域的尺度调整基于Haar特征训练好的分类器的尺度，判别取出的所述候选人脸区域是否为人脸区域；
保存单元，用于保存判别出来的人脸区域，得到第二人脸区域数据。其中，所述多尺度LBP特征计算模块包括
图像缩小单元，用于将所述第二人脸区域数据中的候选人脸区域进行图像缩小，缩成训练样本的大小；
特征计算单元，用于对缩成训练样本大小的候选人脸区域进行多尺度LBP特征计算； 所述多尺度LBP特征的当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值参与所述多尺度LBP特征计算。其中，所述人脸检测的装置还包括人脸跟踪模块，所述人脸跟踪模块包括
比较单元，用于根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上一帧图像人脸区域的重合面积；
比较处理单元，用于当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上一帧图像人脸区域进行关联，作为当前帧的人脸跟踪结果；当上一帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域时，则对上一帧的该人脸区域重新进行人脸检测；当当前帧图像的人脸区域不存在与上一帧图像人脸区域对应的人脸区域时，则将当前帧图像的人脸检测结果作为新的人脸跟踪结果。实施本发明实施例，具有如下有益效果
用户可以根据自身需求，分别针对单张图像的人脸检测、视频或摄像头数据的人脸检测以及视频或摄像头数据的快速实时人脸检测，三种不同的应用模式进行人脸检测，并且对获取的图像进行LBP特征计算，利用基于LBP特征训练好的AdaBoost分类器对所述LBP 特征图进行判别，以及对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判别，接着还可以对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征图，利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP特征图进行判别，得到第三人脸区域数据， 然后将人脸区域数据进行聚类，将重叠的人脸区域进行合并，最终输出人脸区域，大大提高了人脸检测的检测率以及降低了误检率，并且具有很快的检测速度，并且还可以添加帧间人脸跟踪步骤，进一步提高检测速度，满足了用户高检测率和高检测速度的需求。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本发明人脸检测方法的第一实施例的流程示意图； 图2是本发明实施例中人脸检测方法的加速阶段的流程示意图； 图3是本发明实施例中人脸检测方法的判别阶段的流程示意图； 图4是本发明人脸检测方法的第二实施例的流程示意图5是本发明人脸检测方法的第三实施例的流程示意图； 图6是本发明人脸检测方法的第四实施例的流程示意图； 图7是本发明人脸检测的装置的第一实施例的结构示意图； 图8是本发明实施例的LBP特征计算模块的结构示意图； 图9是本发明实施例的第二判别模块的结构示意图； 图10是本发明人脸检测的装置的第二实施例的结构示意图； 图11是本发明实施例的多尺度LBP特征计算模块的结构示意图； 图12是本发明人脸检测的装置的第三实施例的结构示意图； 图13是本发明人脸检测的装置的第四实施例的结构示意图。
具体实施例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示出的本发明人脸检测方法的第一实施例的流程示意图，包括 步骤SlOl 对获取的图像进行LBP特征计算，得到LBP特征图；具体地，LBP是一种有效的非参数化的图像局部纹理描述方法，计算简单、能捕捉图像中微量的细节特征，从而提取更利于分类的局部领域关系模式，其已经成功地应用在许多机器视觉识别任务中，包括人脸识别。步骤S102 利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据；
具体地，Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的分类器(强分类器)。将多个强分类器一级一级构成一个级联(Cascade)结构的分类器。做AdaBoost分类器人脸判别时，先用每个强分类器对待检的人脸区域进行判别，如果发现为非人脸就将其排除，否则用下一个强分类器继续判别，直到待检测矩形框通过所有分类器判别，则将其定为人脸区域。其中，用一个强分类器对待检测区域进行判别的步骤包括 A)根据强分类器中弱分类器数目，依次取出一个弱分类器；
B)根据弱分类器中的特征计算当前图像的特征值，然后用特征值与分类器的阈值(有多个阈值和多个区间)进行比较，在相应区间里取出当前弱分类器判别为人脸的概率 (即为弱分类器判别结果)。C)把所有弱分类器判别结果进行相加，为强分类器结果，然后用它与强分类器阈值进行比较，如果大于等于阈值则判别为人脸，否则判别为非人脸。步骤S103 对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判别，得到第二人脸区域数据；
具体地，为了更加准确地检测出图像中的人脸区域，在得到所述第一人脸区域数据以后，利用Haar特征对所述第一人脸区域数据进行判别，进一步把非人脸区域排除，得到第二人脸区域数据。步骤S104 对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据；
具体地，经过上述步骤的判别，得到一系列人脸区域，但由于图像中某个人脸可能会被不同尺度的检测框检测到，因此在最后还需要对这些区域进行合并操作，以输出统一的人脸框；合并操作的方法主要包括以下两个步骤
A)先根据人脸检测框的中心点和宽高对人脸区域进行聚类，聚类特征就是根据各个框之间中心点的距离；
B)对经过步骤A)聚类好的人脸区域，再根据重叠区域进行合并处理，当两个框重叠区域过多时就进行合并操作。步骤S105 输出所述图像中的人脸区域。具体地，经过上述步骤，完成了基于图像的人脸检测，可以得到输入图像中人脸的大小以及位置。进一步地，如图2示出的本发明实施例中人脸检测方法的LBP预处理阶段的流程示意图，详细说明了上述实施例中步骤SlOl和步骤S102可以包括
步骤S201 按照预设的缩放因子对获取的图像进行缩放； 具体地，所述缩放因子可以为大于1. 1的小数。
步骤S202 判断缩放后的图像是否小于预设的像素窗口区域；
具体地，所述预设的像素窗口区域包括但不限于2(^20 (像素)的窗口区域，当判断出缩放后的图像大于该预设的像素窗口区域，即判断结果为否时，则执行步骤S203 ；否则执行步骤S204。步骤S203 对缩放后的图像进行LBP特征计算，然后以所述像素窗口区域(如 20*20的窗口)对得到的LBP特征图进行扫描，并对每个进行扫描的像素窗口用基于LBP特征训练好的AdaBoost分类器进行判别，保存得到的第一人脸区域数据；根据所述缩放因子继续缩放当前图像；重复执行步骤S202 ；
具体地，对每个进行扫描的像素窗口用基于LBP特征训练好的AdaBoost分类器进行判别，当判别出当前窗口为人脸区域，则把当前窗口图像的顶点以及宽高乘以该缩放因子，转化到原始图像上，将这些像素点进行保存；当判别出当前窗口不是人脸区域，则排除当前窗口的像素点。步骤S204 输出保存的第一人脸区域数据。具体地，若缩放后的图像小于预设的像素窗口区域，则结束处理，输出保存的第一人脸区域数据。经过步骤SlOl和步骤S102 (即步骤S201至步骤S204)的处理，可快速地把大量的非人脸区域排除掉，保留判别出的人脸区域。再进一步地，如图3示出的本发明实施例中人脸检测方法的Harr特征判别阶段的流程示意图，详细说明了上述实施例中步骤S103可以包括
步骤S301 计算所述获取的图像的积分图和平方积分具体地，即对原始输入的图像进行计算，得出积分图和平方积分图，以便快速计算任意矩形的Haar特征。步骤S302 从所述第一人脸区域数据中依次取出候选人脸区域；
步骤S303 根据所述候选人脸区域的尺度调整基于Haar特征训练好的分类器的尺度， 判别取出的所述候选人脸区域是否为人脸区域；
具体地，从步骤S102保存的人脸区域中依次取出人脸区域并进行判别，在该阶段判别时采用检测器放大的方法，如果判别为人脸就进行保存，否则就把该区域排除。检测器放大步骤可以包括
A)对检测器放大，只改变检测器中特征框以及对应的权重；
B)根据当前人脸框与训练人脸样本大小，计算得到放大因子factor，然后对弱分类器中的每个特征框进行放大(对特征框的顶点以及宽高进行放大即可)和特征框对应的权重进行调整(用原始权重除以当前人脸框的面积，进行分类器面积归一化)。步骤S304 保存判别出来的人脸区域，得到第二人脸区域数据。再进一步地，为了使人脸检测更准确，去除一些非人脸区域的误检，如图4示出的本发明人脸检测方法的第二实施例的流程示意图，包括
步骤S401 对获取的图像进行LBP特征计算，得到LBP特征图； 步骤S402 利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判别， 得到第一人脸区域数据；
步骤S403 对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判別，得到第二人脸区域数据；
具体地，步骤S401至步骤S403可參考上述实施例中的步骤SlOl至步骤S103，这里不再赘述。步骤S404 对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP 特征具体地，将所述第二人脸区域数据中的候选人脸区域进行图像縮小，缩成训练样本的大小(比如20*20 (像素)的窗ロ区域);
对缩成训练样本大小的候选人脸区域进行多尺度LBP特征计算；所述多尺度LBP特征的当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值參与所述多尺度LBP特征计算。步骤S405 利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP 特征图进行判別，得到第三人脸区域数据；
具体地，利用基于多尺度LBP特征训练好的AdaBoost分类器对通过预先训练好的多尺度LBP特征计算的特征值进行判別分类，把不属于人脸的区域进行排除。步骤S406 对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合井，得到第四人脸区域数据；
步骤S407 输出所述图像中的人脸区域。再进ー步地，本发明实施例的人脸检测的方法中获取的图像可以是单张图像、视频或摄像头拍摄完成的每ー帧视频图像，以及视频或摄像头实时拍摄的每ー帧视频图像， 即，本发明实施例的人脸检测的方法可以向用户提供3种不同的人脸检测应用模式，用户可以根据自身需求，分别选择单张图像的人脸检测、视频或摄像头数据的人脸检测或者视频或摄像头数据的快速实时人脸检測，上述实施例讲述的是单张图像的人脸检测，获取的图像是单张图像，下面分別结合图5和图6详细说明对视频或摄像头拍摄完成的视频数据的人脸检测方法和对视频或摄像头实时拍摄的数据的快速实时人脸检测方法。如图5示出的本发明人脸检测方法的第三实施例的流程示意图，具体说明对视频或摄像头实时拍摄的数据的快速实时人脸检测方法，包括
步骤S50 1 对获取的图像进行LBP特征计算，得到LBP特征图； 步骤S50 2 利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判別，得到第一人脸区域数据；
步骤S50 3 对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判別，得到第二人脸区域数据；
步骤S50 4 对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合井，得到第四人脸区域数据；
具体地，步骤S501至步骤S504參考上述实施例步骤SlOl至步骤S104，这里不再赘述。步骤S50 5 根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上ー帧图像人脸区域的重合面积；
具体地，该步骤为帧间人脸跟踪步骤，根据重合面积进行人脸跟，具体根据比较的结果
11对应执行步骤S506、S507或S508。步骤S506 当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上ー帧图像人脸区域进行关联，作为当前帧的人脸跟踪結果；
步骤S507 当上ー帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域吋，则对上ー帧的该人脸区域重新进行人脸检测；
具体地，对所述人脸区域重新进行人脸检测的步骤与上述实施例中的人脸检测步骤ー 致，这里不再赘述。步骤S50 8 当当前帧图像的人脸区域不存在与上ー帧图像人脸区域对应的人脸区域吋，则将当前帧图像的人脸检测结果作为新的人脸跟踪结果；
步骤S509 输出所述图像中的人脸区域。如图6示出的本发明人脸检测方法的第四实施例的流程示意图，具体说明对视频或摄像头数据的人脸检测方法，包括
步骤S60 1 对获取的图像进行LBP特征计算，得到LBP特征图； 步骤S60 2 利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判別，得到第一人脸区域数据；
步骤S60 3 对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判別，得到第二人脸区域数据；
具体地，步骤S601至步骤S603參考上述实施例步骤SlOl至步骤S103，这里不再赘述。步骤S60 4 对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度 LBP特征具体地，将所述第二人脸区域数据中的候选人脸区域进行图像縮小，缩成训练样本的大小(比如20*20 (像素)的窗ロ区域)；
对缩成训练样本大小的人脸区域采用预先训练好的多尺度LBP特征计算；所述多尺度 LBP特征当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值參与所述多尺度LBP特征计算。步骤S605 利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP 特征图进行判別，得到第三人脸区域数据；
具体地，利用基于多尺度LBP特征训练好的AdaBoost分类器对通过预先训练好的多尺度LBP特征计算的特征值进行判別分类，把不属于人脸的区域进行排除。步骤S606 对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合井，得到第四人脸区域数据；
步骤S607 根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据， 比较当前帧图像人脸区域与上ー帧图像人脸区域的重合面积；
具体地，该步骤为帧间人脸跟踪步骤，根据重合面积进行人脸跟，具体根据比较的结果对应执行步骤S608、S609或S610。步骤S608 当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上一帧图像人脸区域进行关联，作为当前帧的人脸跟踪结果；步骤S609 当上ー帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域吋，则对上ー帧的该人脸区域重新进行人脸检测；
步骤S610 当当前帧图像的人脸区域不存在与上ー帧图像人脸区域对应的人脸区域吋，则将当前帧图像的人脸检测结果作为新的人脸跟踪结果； 步骤S611 输出所述图像中的人脸区域。通过人脸检测跟踪步骤，可大大提高人脸检测率并降低算法检测需要的时间，满足了用户高检测率和高检测速度的需求。实施本发明实施例，用户可以根据自身需求，分别针对单张图像的人脸检测、视频或摄像头数据的人脸检测以及视频或摄像头数据的快速实时人脸检测，三种不同的应用模式进行人脸检測，并且对获取的图像进行LBP特征计算，利用基于LBP特征训练好的 AdaBoost分类器对所述LBP特征图进行判別，以及对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判別，接着还可以对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP 特征图，利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP特征图进行判別，得到第三人脸区域数据，然后将人脸区域数据进行聚类，将重叠的人脸区域进行合井，最终输出人脸区域，大大提高了人脸检测的检测率以及降低了误检率，并且具有很快的检测速度，并且还可以添加帧间人脸跟踪步骤，进ー步提高检测速度，满足了用户高检测率和高检测速度的需求。上面详细说明了本发明实施例的人脸检测的方法，下面对应地，详细说明本发明实施例的人脸检测的装置。如图7示出的本发明人脸检测的装置的第一实施例的结构示意图，人脸检测的装置7包括LBP特征计算模块71、第一判别模块72、第二判别模块73、聚类合并模块74以及输出模块75，其中
LBP特征计算模块71用于对获取的图像进行LBP特征计算，得到LBP特征图； 第一判别模块72用于利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判別，得到第一人脸区域数据；
第二判别模块73用于对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判別，得到第二人脸区域数据；
聚类合并模块74用于对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合井，得到第四人脸区域数据；
输出模块75用于输出所述图像中的人脸区域。进ー步地，如图8示出的本发明实施例的LBP特征计算模块的结构示意图，LBP特征计算模块71包括图像缩放単元711、判断単元712以及判断处理单元713，其中
图像缩放単元711用于按照预设的缩放因子对获取的图像进行缩放； 判断単元712用于判断缩放后的图像是否小于预设的像素窗ロ区域； 判断处理单元713用于当判断単元712的判断结果为否时，则对缩放后的图像进行LBP 特征计算，然后触发第一判别模块72进行判別；然后根据所述缩放因子继续缩放当前图像，触发判断単元712重复执行所述判断缩放后的图像是否小于预设的像素窗ロ区域的步第一判别模块712具体用于以所述像素窗ロ区域(如2(^20的窗ロ)对得到的LBP特征图进行扫描，并对每个进行扫描的像素窗ロ用基于LBP特征训练好的AdaBoost分类器进行判別，保存得到的第一人脸区域数据。再进ー步地，如图9示出的本发明实施例的第二判别模块的结构示意图，第二判别模块73包括计算单元731、区域取出単元732、调整判别单元733以及保存単元734，其中
计算单元731用于计算所述获取的图像的积分图和平方积分图；具体地，即对原始输入的图像进行计算，得出积分图和平方积分图，以便快速计算任意矩形的Haar特征。区域取出単元732用于根据所述积分图和平方积分图，从所述第一人脸区域数据中依次取出候选人脸区域，
调整判别单元733用于根据候选人脸区域的尺度调整基于Haar特征训练好的分类器的尺度，判別取出的候选人脸区域是否为人脸区域；
保存単元734用于保存判別出来的人脸区域，得到第二人脸区域数据。再进ー步地，为了使人脸检测更准确，去除ー些非人脸区域的误检，如图10示出的本发明人脸检测的装置的第二实施例的结构示意图，人脸检测的装置7包括LBP特征计算模块71、第一判别模块72、第二判别模块73、聚类合并模块74以及输出模块75之外，还包括多尺度LBP特征计算模块76和第三判别模块77，其中
多尺度LBP特征计算模块76用于对所述第二人脸区域数据进行多尺度LBP特征计算， 得到多尺度LBP特征第三判别模块77用于利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP特征图进行判別，得到第三人脸区域数据；
聚类合并模块74具体用于对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合井，得到第四人脸区域数据。具体地，如图11示出的本发明实施例的多尺度LBP特征计算模块的结构示意图， 多尺度LBP特征计算模块76包括图像縮小単元761和特征计算单元762，其中
图像縮小単元761用于将所述第二人脸区域数据中的人脸区域进行图像縮小，缩成训练样本的大小；
特征计算单元762用于对缩成训练样本大小的候选人脸区域进行多尺度LBP特征计算；所述多尺度LBP特征的当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值參与所述多尺度LBP特征计算。本发明实施例的人脸检测的装置7中获取的图像可以是单张图像、视频或摄像头拍摄完成的每ー帧视频图像，以及视频或摄像头实时拍摄的每ー帧视频图像，即，本发明实施例的人脸检测的装置7可以向用户提供3种不同的人脸检测应用模式，用户可以根据自身需求，分别选择单张图像的人脸检测、视频或摄像头数据的人脸检测或者视频或摄像头数据的快速实时人脸检測，上述实施例讲述的是单张图像的人脸检测，获取的图像是单张图像，下面分別结合图12和图13详细说明人脸检测的装置7对视频或摄像头拍摄完成的视频数据的人脸检测方法和对视频或摄像头实时拍摄的数据的快速实时人脸检测方法。
如图12示出的本发明人脸检测的装置的第三实施例的结构示意图，详细说明人脸检测的装置7对视频或摄像头实时拍摄的数据的快速实时人脸检测方法，人脸检测的装置7包括LBP特征计算模块71、第一判别模块72、第二判别模块73、聚类合并模块74以及输出模块75タト，还可以包括人脸跟踪模块78，人脸跟踪模块78包括比较单元781和比较处理单元782，具体地
比较单元781用于根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上ー帧图像人脸区域的重合面积；
比较处理単元782用于当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上ー帧图像人脸区域进行关联，作为当前帧的人脸跟踪结果；当上ー帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域吋，则对上ー帧的该人脸区域重新进行人脸检测；当当前帧图像的人脸区域不存在与上ー帧图像人脸区域对应的人脸区域吋，则将当前帧图像的人脸检测结果作为新的人脸跟踪結果。如图13示出的本发明人脸检测的装置的第四实施例的结构示意图，详细说明人脸检测的装置7对视频或摄像头拍摄完成的视频数据的人脸检测方法，人脸检测的装置7 包括LBP特征计算模块71、第一判别模块72、第二判别模块73、聚类合并模块74、输出模块75、多尺度LBP特征计算模块76以及第三判别模块77外，还可以包括人脸跟踪模块78， 人脸跟踪模块78包括比较单元781和比较处理単元782，具体地
比较单元781用于根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上ー帧图像人脸区域的重合面积；
比较处理単元782用于当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上ー帧图像人脸区域进行关联，作为当前帧的人脸跟踪結果；当上ー帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域吋，则对上ー帧的该人脸区域重新进行人脸检测；当当前帧图像的人脸区域不存在与上ー帧图像人脸区域对应的人脸区域吋，则将当前帧图像的人脸检测结果作为新的人脸跟踪結果。通过本发明实施例中的人脸跟踪模块78进行的人脸检测跟踪，可大大提高人脸检测率并降低算法检测需要的时间，满足了用户高检测率和高检测速度的需求。综上所述，通过实施本发明实施例，用户可以根据自身需求，分别针对单张图像的人脸检测、视频或摄像头数据的人脸检测以及视频或摄像头数据的快速实时人脸检測，三种不同的应用模式进行人脸检测，并且对获取的图像进行LBP特征计算，利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判別，以及对所述第一人脸区域数据求取 Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判別，接着还可以对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征图，利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP特征图进行判別，得到第三人脸区域数据，然后将人脸区域数据进行聚类，将重叠的人脸区域进行合井，最终输出人脸区域，大大提高了人脸检测的检测率以及降低了误检率，并且具有很快的检测速度，并且还可以添加帧间人脸跟踪步骤，进ー步提高检测速度，满足了用户高检测率和高检测速度的需求。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行吋，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random Access Memory, RAM)等。以上所揭露的仅为本发明ー种较佳实施例而已，当然不能以此来限定本发明
之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
权利要求
1.一种人脸检测的方法，其特征在于，包括对获取的图像进行LBP特征计算，得到LBP特征图；利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据；对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判别，得到第二人脸区域数据；对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据；输出所述图像中的人脸区域。
2.如权利要求1所述的方法，其特征在于，得到第二人脸区域数据之后，还包括 对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征图；利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度LBP特征图进行判别，得到第三人脸区域数据；对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据的步骤具体为对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据。
3.如权利要求1所述的方法，其特征在于，所述对获取的图像进行LBP特征计算，得到 LBP特征图；利用AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据的步骤包括按照预设的缩放因子对获取的图像进行缩放； 判断缩放后的图像是否小于预设的像素窗口区域；当判断结果为否时，对缩放后的图像进行LBP特征计算，然后以所述像素窗口区域对得到的LBP特征图进行扫描，并对每个进行扫描的像素窗口用基于LBP特征训练好的 AdaBoost分类器进行判别，保存得到的第一人脸区域数据；根据所述缩放因子继续缩放当前图像，重复执行所述对缩放后的图像进行LBP特征计算的步骤。
4.如权利要求1所述的方法，其特征在于，所述利用Haar特征对所述第一人脸区域数据进行判别，得到第二人脸区域数据的步骤包括计算所述获取的图像的积分图和平方积分图； 从所述第一人脸区域数据中依次取出候选人脸区域；根据所述候选人脸区域的尺度调整基于Haar特征训练好的分类器的尺度，判别取出的所述候选人脸区域是否为人脸区域；保存判别出来的人脸区域，得到第二人脸区域数据。
5.如权利要求2所述的方法，其特征在于，所述对所述第二人脸区域数据进行多尺度 LBP特征计算，得到多尺度LBP特征图的步骤包括将所述第二人脸区域数据中的候选人脸区域进行图像缩小，缩成训练样本的大小； 对缩成训练样本大小的候选人脸区域进行多尺度LBP特征计算；所述多尺度LBP特征的当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值参与所述多尺度LBP特征计算。
6.如权利要求1-5任一项所述的方法，其特征在于，所述第四人脸区域数据为当前帧图像的人脸检测结果数据；在得到第四人脸区域数据之后，还包括根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上一帧图像人脸区域的重合面积；当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上一帧图像人脸区域进行关联，作为当前帧的人脸跟踪结果；当上一帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域时，则对上一帧的该人脸区域重新进行人脸检测；当当前帧图像的人脸区域不存在与上一帧图像人脸区域对应的人脸区域时，则将当前帧图像的人脸检测结果作为新的人脸跟踪结果。
7.—种人脸检测的装置，其特征在于，包括LBP特征计算模块，用于对获取的图像进行LBP特征计算，得到LBP特征图； 第一判别模块，用于利用基于LBP特征训练好的AdaBoost分类器对所述LBP特征图进行判别，得到第一人脸区域数据；第二判别模块，用于对所述第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对所述Haar特征图进行判别，得到第二人脸区域数据；聚类合并模块，用于对所述第二人脸区域数据进行聚类，将重叠的人脸区域进行合并， 得到第四人脸区域数据；输出模块，用于输出所述图像中的人脸区域。
8.如权利要求7所述的装置，其特征在于，还包括多尺度LBP特征计算模块，用于对所述第二人脸区域数据进行多尺度LBP特征计算，得到多尺度LBP特征图；第三判别模块，用于利用基于多尺度LBP特征训练好的AdaBoost分类器对所述多尺度 LBP特征图进行判别，得到第三人脸区域数据；所述聚类合并模块具体用于对所述第三人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据。
9.如权利要求7所述的装置，其特征在于，所述LBP特征计算模块包括 图像缩放单元，用于按照预设的缩放因子对获取的图像进行缩放； 判断单元，用于判断缩放后的图像是否小于预设的像素窗口区域；判断处理单元，用于当所述判断单元的判断结果为否时，则对缩放后的图像进行LBP 特征计算，然后触发所述第一判别模块进行判别；然后根据所述缩放因子继续缩放当前图像，触发所述判断单元重复执行所述判断缩放后的图像是否小于预设的像素窗口区域的步骤；所述第一判别模块具体用于以所述像素窗口区域对得到的LBP特征图进行扫描，并对每个进行扫描的像素窗口用基于LBP特征训练好的AdaBoost分类器进行判别，保存得到的第一人脸区域数据。
10.如权利要求7所述的装置，其特征在于，所述第二判别模块包括 计算单元，用于计算所述获取的图像的积分图和平方积分图；区域取出单元，用于从所述第一人脸区域数据中依次取出候选人脸区域，调整判别单元，用于根据所述候选人脸区域的尺度调整基于Haar特征训练好的分类器的尺度，判别取出的所述候选人脸区域是否为人脸区域；保存单元，用于保存判别出来的人脸区域，得到第二人脸区域数据。
11.如权利要求8所述的装置，其特征在于，所述多尺度LBP特征计算模块包括图像缩小单元，用于将所述第二人脸区域数据中的候选人脸区域进行图像缩小，缩成训练样本的大小；特征计算单元，用于对缩成训练样本大小的候选人脸区域进行多尺度LBP特征计算； 所述多尺度LBP特征的当前中心像素点由预设尺度的中心区域代替，所述中心像素点八邻域的单个像素点由所述中心区域的八个相邻区域代替；利用所述中心区域像素值的平均值以及各个相邻区域像素值的平均值参与所述多尺度LBP特征计算。
12.如权利要求7-11任一项所述的装置，其特征在于，还包括人脸跟踪模块，所述人脸跟踪模块包括比较单元，用于根据当前帧图像的人脸检测结果数据和上一帧图像的人脸检测结果数据，比较当前帧图像人脸区域与上一帧图像人脸区域的重合面积；比较处理单元，用于当所述重合面积达到预设的阈值时，则把当前帧图像人脸区域与上一帧图像人脸区域进行关联，作为当前帧的人脸跟踪结果；当上一帧图像人脸区域存在无法与当前帧图像人脸区域对应的人脸区域时，则对上一帧的该人脸区域重新进行人脸检测；当当前帧图像的人脸区域不存在与上一帧图像人脸区域对应的人脸区域时，则将当前帧图像的人脸检测结果作为新的人脸跟踪结果。
全文摘要
本发明实施例公开了一种人脸检测的方法，包括对获取的图像进行LBP特征计算，得到LBP特征图；利用基于LBP特征训练好的AdaBoost分类器对LBP特征图进行判别，得到第一人脸区域数据；对第一人脸区域数据求取Haar特征，得到Haar特征图，利用基于Haar特征训练好的AdaBoost分类器对Haar特征图进行判别，得到第二人脸区域数据；对第二人脸区域数据进行聚类，将重叠的人脸区域进行合并，得到第四人脸区域数据；输出图像中的人脸区域。本发明实施例还公开了一种人脸检测的装置。采用本发明，大大提高了人脸检测的检测率以及降低了误检率，并且具有很快的检测速度，并且还可以添加帧间人脸跟踪步骤，进一步提高检测速度，满足了用户高检测率和高检测速度的需求。
文档编号G06K9/66GK102592147SQ20111045216
公开日2012年7月18日 申请日期2011年12月30日 优先权日2011年12月30日
发明者李云夕 申请人:深圳市万兴软件有限公司