CN101546375A - 特征简化的人脸检测方法 - Google Patents
特征简化的人脸检测方法 Download PDFInfo
- Publication number
- CN101546375A CN101546375A CN200910050445A CN200910050445A CN101546375A CN 101546375 A CN101546375 A CN 101546375A CN 200910050445 A CN200910050445 A CN 200910050445A CN 200910050445 A CN200910050445 A CN 200910050445A CN 101546375 A CN101546375 A CN 101546375A
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- positive
- negative samples
- weak classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种模式识别技术领域的基于特征简化的人脸检测方法,包括以下步骤,第一步:简化类Haar特征,首先对正、负样本用积分图计算每一个类Haar特征的灰度值,然后得到正、负样本灰度值累计直方图的峰值,由正、负样本累积直方图峰值的相对位置,来判断该特征对人脸和非人脸的区分能力,并决定是剔除还是保留该特征;第二步:对简化的类Haar特征进行训练,选出满足条件的最优弱分类器;第三步:利用利用训练得到的最优弱分类器,对人脸图片进行检测。本发明在保证人脸检测的精度的同时,较好解决了AdaBoost法耗时的问题,此外,还可用于安全访问控制、视频监控、基于内容的检索和新一代人机界面等领域。
Description
技术领域
本发明涉及的是一种图像处理技术领域的人脸检测方法,具体涉及一种特征简化的人脸检测方法。
背景技术
人脸检测是将人脸从图像背景中检测出来,由于受图像背景、亮度变化及人的头部姿势等因素的影响,使得人脸检测成为一项复杂的、具有挑战性的研究课题。目前,基于级联结构的AdaBoost训练处理方法被认为是最有效的人脸检测方法。不过,AdaBoost法是一种基于样本学习的方法,需要花费大量的时间进行训练,即便对一个中等规模的训练样本集,要取得较好的检测效果,训练所需时间往往长达数天,这极大限制了AdaBoost法在目标检测应用上的进一步发展。
经典AdaBoost法训练速度缓慢的一个主要原因是特征数量庞大。以一个24×24大小的训练样本为例,通常提取的类Haar特征数高达183694个,远远大于图像像素数,是一种过完全特征,在这些特征中,有一些特征对人脸和非人脸的区分不是很敏感,去除这些特征,而保留那些分类能力较强的类Haar特征,可以显著提高训练效率,减少训练时间,同时不损害分类的准确性。
经对现有技术文献资料的检索发现,在国内外专利文献中尚未检索到简化类Haar特征方法的报道。在Science Citation Index Expanded(SCIE)文献检索数据库中,也尚未检索到与本发明提出的简化类Haar特征方法相似的文献。
发明内容:
本发明的目的在于针对现有技术中的不足,提出一种特征简化的人脸检测方法,在保证人脸检测的精度的同时,较好解决了AdaBoost训练处理技术耗时的问题。
本发明是通过以下技术方案实现的,先对数量庞大的类Haar特征进行筛选,由正、负样本累积直方图峰值的相对位置,来判断类Haar特征对人脸和非人脸的区分能力,并以此选取其中分类能力较强的类Haar特征,从而实现人脸检测的精度和速度。
本发明包括如下步骤:
第一步:简化类Haar特征。
首先对正、负样本用积分图计算每一个类Haar特征的灰度值,然后得到正、负样本灰度值累计直方图的峰值,由正、负样本累积直方图峰值的相对位置,来判断该特征对人脸和非人脸的区分能力,并以此来决定是剔除还是保留该特征。
第二步:对简化的类Haar特征进行训练,选出满足条件的最优弱分类器。
1)对每个类Haar特征,初始化人脸、非人脸两类样本的权值。其中,每一个Haar特征都对应着一个弱分类器,每一个弱分类器都是根据它所对应的Haar特征的参数来定义的。
2)遍历所有的人脸、非人脸样本,找出一个具有最小误差的弱分类器加入到已选出的弱分类器中。
3)更新所有样本的权值,重复步骤(2)-(3),直至达到预先设定的精度为止,即得到最优弱分类器。
第三步:利用训练得到的最优弱分类器,对待检测的人脸图片进行检测。
与现有技术相比,本发明有以下有益效果:本发明能够显著提高训练效率,减少训练时间,同时不损害分类的准确性。本发明不仅能应用于人脸目标检测,还可用于安全访问控制、视频监控、基于内容的检索和新一代人机界面等领域。
附图说明
图1是需要保留的一个类Haar特征的直方图图例;
图2是需要剔除的一个类Haar特征的直方图图例;
图3是本发明对彩色图像的检测效果示意图;
图4是本发明对黑白图像的检测效果示意图;
图5是本发明与未筛选特征训练的分类器,在Carnegie Mellon大学(CMU)的人脸检测测试集上检测结果。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例是通过以下技术方案实现的,本实施例包括如下步骤:
第一步:简化类Haar特征。
首先对正、负样本用积分图计算每一个类Haar特征的灰度值,然后得到正、负样本灰度值累计直方图的峰值,由正、负样本累积直方图峰值的相对位置,来判断该特征对人脸和非人脸的区分能力,并以此来决定是剔除还是保留该特征。
对每一个类Haar特征,具体操作如下:
1)分别计算正、负样本的灰度最大值、最小值和灰度均值。
2)根据正、负样本的灰度最大值、最小值,分别将正、负样本的灰度值区间划分为100等份。
3)分别计算正、负样本的累积灰度直方图。
4)在累积灰度直方图中寻找正、负样本直方图峰值。
5)根据直方图峰值,分别计算正、负样本二分之一峰值处所对应的横坐标PX1,PX2和NX1,NX2。
6)如果PX1,PX2相对于NX1,NX2位于同侧,那么保留该特征,否则删除这个特征。
第二步:对简化的类Haar特征利用AdaBoost法进行训练,选出满足条件的最优弱分类器:
1)对每个类Haar特征,初始化人脸、非人脸两类样本的权值。其中,每一个Haar特征都对应着一个弱分类器,每一个弱分类器都是根据它所对应的Haar特征的参数来定义的。
2)遍历所有的人脸、非人脸样本,找出一个具有最小误差的弱分类器加入到已选出的弱分类器中。
3)更新所有样本的权值,重复步骤2)-3),直至达到预先设定的精度为止,即得到最优弱分类器。
第三步:利用训练得到的最优弱分类器,对待检测的人脸图片进行检测。
本实施例所示图例中数据获取的实验环境为:Pentium D3.0GHz双核处理器,1GB内存。使用CAS-PEAL和Yale的人脸样本库,总共选取人脸2880个,经过高斯模糊化扩展样本,总共取得人脸样本4364个,非人脸样本4178个。训练样本统一大小为24×24,对于24×24大小的图片,可以提取的类Haar特征数为138694。
如图1中所示,人脸、非人脸样本直方图的峰值所对应的横坐标相距较远,NX1、NX2相对于PX1、PX2位于同侧,则保留该特征;反之,如图2所示,NX1、NX2相对于PX1、PX2位于异侧,则剔除该特征。经过本实施例的方法,筛选出特征16848个,然后利用经典AdaBoost法进行训练,选出满足条件的最优弱分类器。
利用训练得到的最优弱分类器,对多人脸彩色和黑白待检测图片进行检测,结果示于图3和图4。在CMU的人脸测试集合中筛选部分正面人脸(91幅图片、315个人脸),比较本实施例与未筛选特征训练分类器的检测效果,作ROC曲线(如图5),在AB段,在相同的虚警率下,本实施例的检测率要高于未经过特征筛选的方法,出现这种情况是在训练后期,设置了更合理的权重,对不同的特征进行了更优的组合。
表1是本实施例和未筛选特征,训练到不同层数需要的时间,可以很明显看出,在训练到20层时,本实施例比未经过筛选特征进行训练效率提高了13倍,前者只需要13189.84秒(3.66小时),后者需要173942.6秒(48.32小时),而整个筛选特征的时间仅为7.5分钟。
表1:经过筛选特征和未筛选特征训练耗时时间对比
Claims (4)
1、一种基于特征简化的人脸检测方法,其特征在于,包括以下步骤:
第一步:简化类Haar特征;
第二步:对简化的类Haar特征进行训练,选出满足条件的最优弱分类器;
第三步:利用训练得到的最优弱分类器,对待检测的人脸图片进行检测。
2、根据权利要求1所述的基于特征简化的人脸检测方法,其特征是,所述简化类Haar特征,是指,首先对正、负样本用积分图计算每一个类Haar特征的灰度值,然后得到正、负样本灰度值累计直方图的峰值,由正、负样本累积直方图峰值的相对位置,来判断该特征对人脸和非人脸的区分能力,并以此来决定是剔除还是保留该特征。
3、根据权利要求2所述的基于特征简化的人脸检测方法,其特征是,对所述的每一个类Haar特征,具体操作如下:
1)分别计算正、负样本的灰度最大值、最小值和灰度均值;
2)根据正、负样本的灰度最大值、最小值,分别将正、负样本的灰度值区间划分为100等份;
3)分别计算正、负样本的累积灰度直方图;
4)在累积灰度直方图中寻找正、负样本直方图峰值;
5)根据直方图峰值,分别计算正、负样本二分之一峰值处所对应的横坐标PX1,PX2和NX1,NX2;
6)如果PX1,PX2相对于NX1,NX2位于同侧,那么保留该特征,否则删除这个特征。
4、根据权利要求1或者2所述的基于特征简化的人脸检测方法,其特征是,所述对简化的类Haar特征进行训练,包括如下步骤:
1)对每个类Haar特征,初始化人脸、非人脸两类样本的权值;
2)遍历所有的人脸、非人脸样本,找出一个具有最小误差的弱分类器加入到已选出的弱分类器中;
3)更新所有样本的权值,重复步骤2)-3),直至达到预先设定的精度为止,得到最优弱分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910050445XA CN101546375B (zh) | 2009-04-30 | 2009-04-30 | 特征简化的人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910050445XA CN101546375B (zh) | 2009-04-30 | 2009-04-30 | 特征简化的人脸检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101546375A true CN101546375A (zh) | 2009-09-30 |
CN101546375B CN101546375B (zh) | 2011-04-13 |
Family
ID=41193503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910050445XA Expired - Fee Related CN101546375B (zh) | 2009-04-30 | 2009-04-30 | 特征简化的人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101546375B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739555A (zh) * | 2009-12-01 | 2010-06-16 | 北京中星微电子有限公司 | 假脸检测方法及系统、假脸模型训练方法及系统 |
CN102254183A (zh) * | 2011-07-18 | 2011-11-23 | 北京汉邦高科数字技术有限公司 | 一种基于AdaBoost算法的人脸检测方法 |
WO2011143866A1 (zh) * | 2010-05-18 | 2011-11-24 | 武汉高德红外股份有限公司 | 基于被动红外视觉的车辆防撞预警方法 |
CN102855484A (zh) * | 2012-07-30 | 2013-01-02 | 杭州士兰微电子股份有限公司 | 基于局部积分图像处理的目标检测方法、装置及系统 |
CN102855501A (zh) * | 2012-07-26 | 2013-01-02 | 北京锐安科技有限公司 | 一种多方向物体图像识别方法 |
TWI511056B (zh) * | 2011-09-20 | 2015-12-01 | Altek Corp | 特徵資料壓縮裝置、多方向人臉偵測系統及其偵測方法 |
CN106339684A (zh) * | 2016-08-26 | 2017-01-18 | 北汽福田汽车股份有限公司 | 一种行人检测的方法、装置及车辆 |
CN107452058A (zh) * | 2017-09-01 | 2017-12-08 | 山东师范大学 | 基于特征保留的仿真模型分程度简化方法生成及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398893B (zh) * | 2008-10-10 | 2010-09-01 | 北京科技大学 | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
-
2009
- 2009-04-30 CN CN200910050445XA patent/CN101546375B/zh not_active Expired - Fee Related
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739555B (zh) * | 2009-12-01 | 2014-11-26 | 北京中星微电子有限公司 | 假脸检测方法及系统、假脸模型训练方法及系统 |
CN101739555A (zh) * | 2009-12-01 | 2010-06-16 | 北京中星微电子有限公司 | 假脸检测方法及系统、假脸模型训练方法及系统 |
WO2011143866A1 (zh) * | 2010-05-18 | 2011-11-24 | 武汉高德红外股份有限公司 | 基于被动红外视觉的车辆防撞预警方法 |
CN102254183A (zh) * | 2011-07-18 | 2011-11-23 | 北京汉邦高科数字技术有限公司 | 一种基于AdaBoost算法的人脸检测方法 |
CN102254183B (zh) * | 2011-07-18 | 2014-07-02 | 北京汉邦高科数字技术股份有限公司 | 一种基于AdaBoost算法的人脸检测方法 |
TWI511056B (zh) * | 2011-09-20 | 2015-12-01 | Altek Corp | 特徵資料壓縮裝置、多方向人臉偵測系統及其偵測方法 |
CN102855501B (zh) * | 2012-07-26 | 2015-12-02 | 北京锐安科技有限公司 | 一种多方向物体图像识别方法 |
CN102855501A (zh) * | 2012-07-26 | 2013-01-02 | 北京锐安科技有限公司 | 一种多方向物体图像识别方法 |
CN102855484B (zh) * | 2012-07-30 | 2015-11-04 | 杭州士兰微电子股份有限公司 | 基于局部积分图像处理的目标检测方法、装置及系统 |
CN102855484A (zh) * | 2012-07-30 | 2013-01-02 | 杭州士兰微电子股份有限公司 | 基于局部积分图像处理的目标检测方法、装置及系统 |
CN106339684A (zh) * | 2016-08-26 | 2017-01-18 | 北汽福田汽车股份有限公司 | 一种行人检测的方法、装置及车辆 |
CN107452058A (zh) * | 2017-09-01 | 2017-12-08 | 山东师范大学 | 基于特征保留的仿真模型分程度简化方法生成及系统 |
CN107452058B (zh) * | 2017-09-01 | 2020-11-20 | 山东师范大学 | 基于特征保留的仿真模型分程度简化方法生成及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101546375B (zh) | 2011-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101546375B (zh) | 特征简化的人脸检测方法 | |
KR102462572B1 (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
CN106226050B (zh) | 一种基于卷积神经网络的tfds故障图像自动识别方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
Cord et al. | Automatic road defect detection by textural pattern recognition based on AdaBoost | |
CN102184419B (zh) | 基于敏感部位检测的色情图像识别方法 | |
CN101561867B (zh) | 一种基于高斯形状特征的人体检测方法 | |
US9070005B2 (en) | Image processing apparatus, image processing method, non-transitory computer-readable medium, and image processing system for detection of target cells using image feature determination | |
CN101477625B (zh) | 人体上半身检测方法和系统 | |
CN109670515A (zh) | 一种用于无人机影像中建筑物变化的检测方法及系统 | |
WO2015085811A1 (zh) | 一种基于厚度信号识别的钞票识别方法及装置 | |
JP6095817B1 (ja) | 物体検出装置 | |
US9443129B2 (en) | Methods and apparatus for image analysis using threshold compactness features | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
CN104077594A (zh) | 一种图像识别方法和装置 | |
CN103679161B (zh) | 一种人脸识别方法和装置 | |
CN105163095A (zh) | 面向偏僻地段的人体目标监控方法 | |
Wu et al. | Detection of crack eggs by image processing and soft-margin support vector machine | |
CN113192038A (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
Maheen et al. | Machine learning algorithm for fire detection using color correlogram | |
CN106257494B (zh) | 复杂场景下的车牌检测方法及装置 | |
Feng et al. | Improved YOLOv4 based on dilated convolution and focal loss | |
Xu et al. | A multitarget visual attention based algorithm on crack detection of industrial explosives | |
Liu | Research on video image face detection and recognition technology based on improved MTCNN algorithm | |
Flexer et al. | Using mutual proximity for novelty detection in audio music similarity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110413 Termination date: 20140430 |