一种基于分层过滤的人脸检测方法
【专利摘要】本发明提供一种基于分层过滤的人脸检测方法，传统的人脸检测方法不能够同时兼顾检测速度和准确率。本发明包括下列步骤：(1)利用图像金字塔生成不同尺度的特征值；(2)用双阈值FloatBoost训练Haar-like矩阵特征，生成一个低误检率且级数较小的强分类器，用于快速、精准地提取多尺度的人脸候选区域；(3)将LBP和LGP纹理特征进行融合；(4)用双阈值FloatBoost训练该融合特征，生成一个检测率高的级联分类器，用于准确地在多尺度候选区域中定位不同尺度的人脸；(5)显示不同尺度人脸的检测结果。本发明方法在提高检测率的同时，减少了目标区域的误检率，缩短了人脸检测的时间。
【专利说明】-种基于分层过滤的人脸检测方法
【技术领域】
[0001] 本发明属于图像检测领域，特别涉及一种人脸检测方法。
【背景技术】
[0002] 人脸检测方法各异，大体可分为：基于颜色特征的方法，基于知识的方法，基于统 计的方法和基于概率的方法。由于人脸是非刚性的，具有高自由度的变化，显式的描述人 脸特征比较难，因此，基于统计的方法更受重视，如SVM，Adaboost和神经网络检测算法等。 传统的Adaboost检测算法并不能兼顾速度和准确率：基于矩阵特征的人脸检测可以快速 检测人脸，但其检测率不高；基于复杂特征的人脸检测可以准确定位人脸，但是检测时间很 长。且传统检测方法都是基于单像素逐步检测的，把大量时间放在非人脸区域，导致检测时 间长，往往还得不到准确的检测结果。精确而快速的人脸检测方法越来越受到研究者的重 视。
[0003] 特征融合是将多个特征进行合并，生成一个新的特征。新的特征具备了多个被合 并特征的优点，但其复杂度并没有增大，只是特征值的个数增加了，是被合并特征个数的总 和。传统改善特征值的方法，主要通过对单特征进行改进或者直接使用多个特征。传统改 善特征值的方法能够得到较好的准确率，但是检测时间延长。
[0004] 本发明提供一种分层过滤的人脸检测方法，先用简单、快速的算法来提取人脸的 候选区域，再用复杂、高准确度的算法来精确的定位候选区域中的人脸，从而使人脸检测过 程快速、精确。
【发明内容】
[0005] 本发明的目的在于提供一种基于分层过滤的人脸检测方法，能够同时提高检测速 度和准确率。用haar-like矩阵特征来选取人脸候选区域，用LBP和LGP的融合特征来精 确定位人脸，且整个过程都用双阈值FloatBoost来训练特征值。
[0006] 本发明采用的技术方案如下：
[0007] -种基于分层过滤的人脸检测方法，其包含如下步骤：
[0008] 步骤1 :读取待检测图像，利用图像金字塔生成不同尺度的训练样本集；
[0009] 步骤2:提取不同尺度的haar-like矩阵特征，在每一个尺度上，由双阈值 FloatBoost来生成强分类器A ;
[0010] 步骤3 :通过不同尺度的强分类器A来快速而精确地提取原始图像中候选的多尺 度人脸区域；
[0011] 步骤4 :提取不同尺度的LBP和LGP纹理特征，在每一个尺度上，将两者进行融合， 融合后的新特征为LBP和LGP特征总和，并由双阈值FloatBoost来训练生成强分类器B，该 强分类器的形式为H(C);
[0012] 步骤5 :强分类器Β在候选区域中精确定位人脸，并显示。
[0013] 所述的人脸检测方法，步骤2中双阈值FloatBoost是对FloatBoost的改进，以双 阈值函数作为分类器函数。
[0014] 上述步骤1中生成12种不同尺度的训练样本集。
[0015] 上述方法步骤2提取6种不同尺度的haar-like矩阵特征，不用12种尺度是为了 快速提取人脸候选区域。6种尺度分别为16*16, 25*25, 38*38,60*60,94*94,146*146。
[0016] 上述方法步骤2中双阈值FloatBoost是对FloatBoost的改进，以双阈值函数作 为分类器函数。
[0017] FloatBoost在Adaboost基础之上进行了改进，该算法把浮动搜索与Adaboost算 法结合起来，在前向搜索时引入回溯机制，将已选择的强分类器中导致整体分类性能下降 的弱分类器从级联弱分类器中删除掉。解决了非单调性带来的问题，且能高效地选择特征 和生成强分类器。
[0018] FloatBoost算法弱分类器函数采用的是单阈值函数，而对于特征值M，应该有上 下界，即凡彡Μ彡Mi，若待检测的特征值落入区域[M&MJ中，则表示人脸，否则为非人脸。 双阈值FloatBoost就是采用双阈值函数作为弱分类器的，可以提取更好的弱分类器，就能 进一步提高FloatBoost的性能。
[0019] 上述方法步骤2通过双阈值FloatBoost生成这些尺度的强分类器A，及数低且误 检率低。
[0020] 上述方法步骤3中在提取候选区域过程中，可以先用大尺度的矩阵特征来提取候 选区域，再用小尺度的矩阵特征来提取下一个候选区域。进一步优选的方法为一旦大尺度 的矩阵特征提取出了候选区域，小尺度的矩阵特征就不用再在该候选区域进行判断了，这 样就可以快速而精准的提取多尺度人脸的候选区域。
[0021] 上述方法步骤4中用双阈值FloatBoost训练LBP和LGP融合特征，形成的强分类 器H(C)为：
[0022]
【权利要求】
1. 一种基于分层过滤的人脸检测方法，其特征在于包含如下步骤： 步骤1 :读取待检测图像，利用图像金字塔生成不同尺度的训练样本集； 步骤2 :提取不同尺度的haar-like矩阵特征，在每一个尺度上，由双阈值FloatBoost 来生成强分类器A; 步骤3 :通过不同尺度的强分类器A来快速而精确地提取原始图像中候选的多尺度人 脸区域； 步骤4 :提取不同尺度的LBP和LGP纹理特征，在每一个尺度上，将两者进行融合，融合 后的新特征为LBP和LGP特征总和，并由双阈值FloatBoost来训练生成强分类器B，强分类 器B的形式为H(C); 步骤5 :强分类器B在候选区域中精确定位人脸，并显示。
2. 如权利要求1所述的人脸检测方法，其特征在于，所述步骤2中双阈值FloatBoost 是对FloatBoost的改进，以双阈值函数作为分类器函数。
3. 如权利要求1所述的人脸检测方法，其特征在于，所述步骤3中选取人脸区域时，先 用大尺度进行判断，再用小尺度。
4. 如权利要求3所述的人脸检测方法，其特征在于，所述步骤3中选取人脸区域时，大 尺度确认的候选区域，小尺度不需要再判断。
5. 如权利要求1所述的人脸检测方法，其特征在于，所述步骤4中强分类器B的形式 //(〇= Σ /7'(β(χ))+ Σ W(x))。 XeS^BP XeS严
6. 如权利要求1所述的人脸检测方法，其特征在于，所述强分类器A级数小且误检率 低。
7. 如权利要求1所述的人脸检测方法，其特征在于，所述强分类器B级数高检测率高。
8. 如权利要求1所述的人脸检测方法，其特征在于，所述步骤1中生成12种不同尺度 的训练样本集；步骤2中提取6种不同尺度的haar-like矩阵特征；步骤2中为6种不同尺 度的强分类器A ;步骤4中提取12种不同尺度的LBP和LGP纹理特征。
【文档编号】G06K9/64GK104268584SQ201410473514
【公开日】2015年1月7日 申请日期:2014年9月16日 优先权日:2014年9月16日
【发明者】方承志, 苏腾云 申请人:南京邮电大学