一种基于hog特征的人脸检测方法
【专利摘要】本发明提供一种基于HOG特征的人脸检测方法，先训练出大量基于HOG特征的局部SVM分类器，然后从这些局部分类器中选出分类效果较好的。把选出的各个分类器对训练样本的分类结果组合成新的特征向量，最后对这些向量再次用SVM训练出最终的分类器。本贩卖国内本发明利用HOG局部特征结合局部分类器，对表情、局部光照不均等情况具有较强鲁棒性。
【专利说明】—种基于HOG特征的人脸检测方法
【技术领域】
[0001]本发明涉及图像处理技术，特别涉及人脸检测技术。
技术背景
[0002]人脸识别通过采集人脸图像，在图像中检测到人脸位置后，把人脸图像提取后和数据库中特征对比得到识别结果。
[0003]在人脸识别系统中，主要需要解决两个问题:(1)人脸检测；(2)人脸特征提取。人脸检测是该系统的核心技术，通过合适的算法，从图像中准确快速地找出人脸在图片中的位置并且获得人脸的大小。在人脸检测后，通过特征提取算法提取人脸特征，然后和特征库对比，从而得到人脸的身份。人脸检测得到的结果是人脸识别阶段的材料基础，所以人脸检测的准确性直接影响人脸识别和整个系统性能。在实际中，待检测的人脸图像常常受光照，遮挡，表情，背景等因素影响。对其进行适当的数学建模，实现准确快速的人脸线检测是研究的主要问题。
[0004]经过几十年的研究，研究者们提出了大量人脸检测算法，但对于光照，表情，环境变化等的鲁棒性有待提高，检测速度和精度的矛盾有待改善。
【发明内容】
[0005]本发明所要解决的技术问题是，提供一种具有更强鲁棒性的人脸检测方法。
[0006]本发明为解决上述技术问题所采样的技术方案是，一种基于HOG特征的人脸检测方法，包括以下步骤:
[0007]对当前图像进行光照预处理；
[0008]对当前图像进行分块，提取各分块图像的局部HOG特征，根据各分块位置将局部HOG特征输入对应局部分类器，将局部分类结果组合成特征向量，最后将特征向量输入最终分类器得到当前检测结果；
[0009]所述局部分类器通过以下步骤训练而成:
[0010]将各训练样本进行以不同尺寸进行多次分块处理，每个分块位置对应一个局部分类器；所述训练样本包括正样本、负样本；
[0011]提取训练样本各分块的局部HOG特征；
[0012]根据训练样本各分块位置对应的局部HOG特征用支持向量机SVM训练出局部分类器；
[0013]所述最终分类器通过以下步骤训练而成:
[0014]使用训练样本对所有训练出的局部分类器进行测试，对应不同分块位置的局部分类器从训练样本提取对应分块的局部HOG特征，并将该局部HOG特征输入对应位置的局部分类器；根据各局部分类器输出的分类结果选出分类正确率大于预设分类概率的局部分类器作为优选局部分类器并记录其对应的分块位置；预设分类概率大于随机分类概率；
[0015]将所有优选局部分类器输出的分类结果组成特征向量Kxi, yi)}，其中，Yi是第i个训练样本类别，Yi=I表示正样本，Yi=-1表示负样本，Xi= [xn，Xi2,...，XiJT，Xi表示对第i个训练样本的局部分类结果，Xik e {I, -1}，k=l, 2，...，L，表示第k个优选局部分类器对第i个训练样本的局部分类结果，L表示局部分类器个数；
[0016]将特征向量KxiJiM输入支持向量机SVM训练出最终分类器。
[0017]本发明先训练出大量基于HOG特征的局部SVM分类器，然后从这些局部分类器中选出分类效果较好的。把选出的各个分类器对训练样本的分类结果组合成新的特征向量，最后对这些向量再次用SVM训练出最终的分类器。
[0018]进一步的，在进行当前图像方向梯度直方图HOG特征之前，对当前图像进行光照预处理。
[0019]进一步的，为了加快计算速度，使用HOG积分图计算分块的HOG特征。
[0020]本发明的有益效果是，利用HOG局部特征结合局部分类器，对表情、局部光照不均等情况具有较强鲁棒性。
【专利附图】
【附图说明】
[0021]图1为积分图示意图；
[0022]图2为积分图计算示意图；
[0023]图3为对比人脸检测流程图；
[0024]图4为光照预处理前后图像。
【具体实施方式】
[0025]为了方便地描述本
【发明内容】
，首先介绍本实施例涉及的现有技术:
[0026]HOG:(方向梯度直方图，Histogram of Oriented Gradients)。HOG 是一种特征提取算子，下面以20x20的窗口为例，介绍HOG特征的提取方法，其计算步骤如下:
[0027]1.窗口由横竖线分为大小想等的小方块(5x5)，最小的那种方块叫做细胞cell。4个相邻的cell构成一个较大的正方形叫做块block。block与block之间可以重叠，也可以不重叠。
[0028]2.然后用梯度算子求各个像素的横向梯度H(x，y)和纵向梯度V(x，y)；
[0029]3.然后求每个像素点(x，y)的梯度方向Θ (x，y)和幅度m(x，y)，计算公式为:
[0030]m (X，y) = [H (x, y) 2+V (x, y)2]1/2 ； θ (χ, y) AarT1 [V (χ, y) /H (χ, y)]
[0031]4.θ (χ, y)取值范围为-90度到90度，我们把它平均分成9份。然后每个cell中按梯度方向投票，权重为m(x, y),这样每个cell就得到一个9维的向量,把同一个block中的4个cell得到的向量连起来就得到了一个block的36维特征向量。最后把所有向量连起来就得到了该窗口的HOG特征向量。
[0032]HOG积分图:对于图像内一个像素点点(X，y)，我们用M(x, y) = [M(x, ykMU，y)2，...，M(x，y)9]T表示该像素点在9个梯度方向的幅值。对于任意像素点(x，y)，M(x，y)i，i=l，...，9这9个分量中只有I个非零。假设图像高m，宽为η。我们先计算图像各列HOG积分和s(x, y),把这mXn个值存入内存。
【权利要求】
1.一种基于HOG特征的人脸检测方法，其特征在于，包括以下步骤: 对当前图像进行光照预处理； 计算当前图像HOG积分图；(该积分图加快下一步骤HOG特征的提取速度) 对当前图像进行分块，提取各分块图像的局部HOG特征，将局部HOG特征输入各局部分类器，将局部分类结果组合成特征向量，最后将特征向量输入最终分类器得到当前检测结果; 所述局部分类器通过以下步骤训练而成: 将各训练样本进行以不同尺寸进行多次分块处理，每个分块位置对应一个局部分类器；所述训练样本包括正样本、负样本； 提取训练样本各分块的HOG特征； 根据训练样本各分块位置对应的HOG特征用支持向量机SVM训练出局部分类器； 所述最终分类器通过以下步骤训练而成: 使用训练样本对所有训练出的局部分类器进行测试，对应不同分块位置的局部分类器从训练样本提取对应分块的局部HOG特征，并将该局部HOG特征输入对应位置的局部分类器；根据各局部分类器输出的分类结果选出分类正确率大于预设分类概率的局部分类器作为优选局部分类器并记录其对应的分块位置；所述预设分类概率大于随机分类概率； 将所有优选局部分类器输出的分类结果组成特征向量{(Xi，yi)}，其中，Ii是第i个训练样本类别，Yi=I表示正样本，Yi=-1表示负样本，Xi= [Xn，Xi2,...，XiL]T，Xi表示对第i个训练样本的局部分类结果， Xik e {I, -1}，k=l, 2，...，L，表示第k个优选局部分类器对第i个训练样本的局部分类结果，L表示局部分类器个数； 将特征向量KbyiM输入支持向量机SVM训练出最终分类器。
2.如权利要求1所述一种基于HOG特征的人脸检测方法，其特征在于，在进行当前图像方向梯度直方图HOG特征之前，对当前图像进行光照预处理。
3.如权利要求2所述一种基于HOG特征的人脸检测方法，其特征在于，光照预处理的具体方式为对图像灰度进行校正，实现低灰度像素范围的向高灰度拉伸，高灰度范围像素向低灰度的拉伸。
4.如权利要求3所述一种基于HOG特征的人脸检测方法，其特征在于，所述实现低灰度像素范围的向高灰度拉伸，高灰度范围像素向低灰度的拉伸的具体方法是:
I Y(x, y) = [/(x, y)/0.5]°- *0.5/(x, y) < 0.5
IY(x, y) = {[?(χ, r)-0.5]/0.5J? *0.5 + 0.5.v)> 0_5 其中I(x，y)为预处理前图像像素灰度值，Y(x, y)为处理后图像像素灰度值。
5.如权利要求1所述一种基于HOG特征的人脸检测方法，其特征在于，使用HOG积分图计算分块的HOG特征。
6.如权利要求1所述一种基于HOG特征的人脸检测方法，其特征在于，所述预设分类概率 53%。
【文档编号】G06K9/62GK103440478SQ201310377532
【公开日】2013年12月11日 申请日期:2013年8月27日 优先权日:2013年8月27日
【发明者】解梅, 慕春雷, 陈路, 蔡家柱 申请人:电子科技大学