专利名称：一种快速人脸检测方法
技术领域：
本发明属于计算机图像识别与处理技术领域，具体地说，涉及一种快速人脸检测方法。
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。二i^一世纪是数字化、网络化的世纪。在信息时代的背景下，如何高效、快捷地进行个人身份验证，是从事图像处理科研工作者高度关注的问题。人脸识别技术由于具有更加方便、快捷的优点，因此成为人工智能、计算机视觉领域研究的热点。人脸检测是人脸识别技术的关键。如何快速、准确地检测人脸，提高人脸识别系统 的实时性，是人脸识别领域的一个关键问题。
发明内容
本发明的目的在于提供了一种快速进行人脸检测的方法，以提高人脸检测速度，进而提闻人脸识别系统的实时性。为解决上述问题，本发明所采用的技术方案是一种快速人脸检测方法，其特征在于首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测。进一步地说金字塔分解的方式，具体步骤为(I)、计算输入图像减少的分辨率近似值，主要是通过对输入进行滤波并以2为步长进行抽样；(2)、对上一步的输出进行内插并进行过滤；(3)、计算步骤(2)的预测值和步骤(I)的输入之间的差异，以J级预测残差进行标识的差异，将用于原始图像的重建；(4)、经过一次金字塔分解后图像的大小变为原来的1/4。更进一步地说Adaboost算法主要是根据人脸的灰度分布，选择采用矩形特征；该特征可以通过积分图快速进行提取，然后通过训练提取最优的矩形特征并将其转化为弱分类器，最后将弱分类器进行叠加构成强分类器，然后串联成级联分类器用于人脸检测。更进一步地说所述矩形特征的提取，是利用人脸部的灰度值有一定的分布特征，用一些简单的矩形特征来描述人脸部的特征；所述矩形特征由一些简单的黑白矩形组合而成，一个矩形特征的特征值为黑色矩形框内的灰度值之和与白色矩形框内灰度值之和的差。所述Adaboost算法训练过程包括弱分类器训练过程，弱分类器训练过程具体的训练过程如下(I):计算每一个样本相对应的特征的特征值，然后将所有的特征值按照降序进行排列；(2):计算所有正样本，即人脸权重的和T+以及所有负样本，即非人脸权重的和T_。(3):计算在此之前的前一个元素的正样本权重和Ts+以及负样本权重和Ts_ ；(4):计算加权错误率e=min[Ts++(T_-Ts_)，TS_+(T+_TS+)]；(5):根据错误率最小的原则确定P」，Θ j ； (6):保存矩形特征的参数，得到弱分类器。所述构造强分类器的过程如下(I):给定总数量为 N 个的训练样本[X1, Y1], [X2, Y2], [Xi, YiL - [XN, YnL 其中Xi表示第i个样本，Yi= [O, I], Yi=I时表示其为人脸，Yi=O时表示其为非人脸；(2):对于第j个特征其生成的简单分类器如下所示
I, P f (X) < μ Θ'(X)= ,厂"；
ii^y)= Σ 舡'，·>’')i(x /，y ')为点(x; ,γ')处像素的灰度值，ii(x, y)为积分图。有了积分图定义，就可以通过积分图来快速计算矩形特征值。在本实施例中，所述Adaboost算法训练过程包括弱分类器训练过程，弱分类器训练过程具体的训练过程如下(I):计算每一个样本相对应的特征的特征值，然后将所有的特征值按照降序进行排列；(2):计算所有正样本，即人脸权重的和T+以及所有负样本，即非人脸权重的和T_。(3):计算在此之前的前一个元素的正样本权重和Ts+以及负样本权重和Ts_ ；(4):计算加权错误率e=min [Ts++ (T__TS_)，Ts_+ (T+-T3+)]；
(5):根据错误率最小的原则确定P」，Θ j ；(6):保存矩形特征的参数，得到弱分类器。所述构造强分类器的过程如下(I):给定总数量为 N 个的训练样本[X1, Y1], [X2, Y2], [Xi, YiL - [XN, YnL 其中Xi表示第i个样本，Yi= [O, I], Yi=I时表示其为人脸，Yi=O时表示其为非人脸；(2):对于第j个特征其生成的简单分类器如下所示
I, P f (X) < μ Θ^j(X)= /,；；；,.1 ];
如图4所示，生成级联分类器之后即可以将其用于人脸检测。本发明采用两幅静止图像，一幅是单人图像，一幅是包含16个人的多人图像，在
相同测试环境下进行了算法有效性的测试，并与IDIAP的在线人脸检测系统进行了对比。单个人脸的测试结果如表I所示。从表I中可以看出改进前的算法与IDIAP的
算法都能准确定位出人脸，由于图片比较大，均耗时太长，而改进后的算法采用金字塔分解
后，检测时间大大缩短，可以满足实时性要求。表I单人人脸检测结果
权利要求
1.一种快速人脸检测方法，其特征在于首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测。
2.根据权利要求I中所述的快速人脸检测方法，其特征在于 金字塔分解的方式，具体步骤为 (1)、计算输入图像减少的分辨率近似值，主要是通过对输入进行滤波并以2为步长进行抽样； (2)、对上一步的输出进行内插并进行过滤； (3)、计算步骤(2)的预测值和步骤(I)的输入之间的差异，以J级预测残差进行标识的差异，将用于原始图像的重建； (4 )、经过一次金字塔分解后图像的大小变为原来的1/4。
3.根据权利要求I中所述的快速人脸检测方法，其特征在于=Adaboost算法主要是根据人脸的灰度分布，选择采用矩形特征；该特征可以通过积分图快速进行提取，然后通过训练提取最优的矩形特征并将其转化为弱分类器，最后将弱分类器进行叠加构成强分类器，然后串联成级联分类器用于人脸检测。
4.根据权利要求3中所述的快速人脸检测方法，其特征在于所述矩形特征的提取，是利用人脸部的灰度值有一定的分布特征，用一些简单的矩形特征来描述人脸部的特征；所述矩形特征由一些简单的黑白矩形组合而成，一个矩形特征的特征值为黑色矩形框内的灰度值之和与白色矩形框内灰度值之和的差。
5.根据权利要求3中所述的快速人脸检测方法，其特征在于所述Adaboost算法训练过程包括弱分类器训练过程，弱分类器训练过程具体的训练过程如下 (1):计算每一个样本相对应的特征的特征值，然后将所有的特征值按照降序进行排列； (2):计算所有正样本，即人脸权重的和T+以及所有负样本，即非人脸权重的和Γ。
(3):计算在此之前的前一个元素的正样本权重和Ts+以及负样本权重和Ts-；(4):计算加权错误率e=min[Ts++ (T__TS_)，Ts_+ (T+-T3+)]； (5):根据错误率最小的原则确定IV0j ； (6):保存矩形特征的参数，得到弱分类器。
6.根据权利要求3中所述的快速人脸检测方法，其特征在于所述构造强分类器的过程如下 (1):给定总数量为N个的训练样本[X1,Y1]，[X2, Y2]，[Xi, Yi]，…[XN，YJ，其中Xi表示第i个样本，Yi= [O, I], Yi=I时表示其为人脸，Yi=O时表示其为非人脸； (2):对于第j个特征其生成的简单分类器如下所示 ；Io,其他 (3):对权重进行初始化当Yi=O时，m为非人脸样本的总数量；当Yi=I时，ω1； =1/21, I为人脸样本的总数量； (4):对t=l，2，3…T(T为训练次数)，重复进行以下步骤A、权重归一化，；
7.根据权利要求3中所述的快速人脸检测方法，其特征在于所述构造级联分类器的方法是首先将简单分类器叠加成强类器，然后将强分类器串联成为级联分类器。
全文摘要
本发明公开了一种快速人脸检测方法，其特征在于首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测。本发明首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上，通过使用Adaboost算法有效提高了人脸检测速度，特别是针对图片中存在多张人脸的情况，检测速度与原有Adaboost算法相比有明显提高。将该技术用于人脸识别，能够有效提高人脸识别系统的实时性。
文档编号G06K9/62GK102831411SQ201210328689
公开日2012年12月19日 申请日期2012年9月7日 优先权日2012年9月7日
发明者谢文文 申请人:云南晟邺科技有限公司