CN101546375A

CN101546375A - 特征简化的人脸检测方法

Info

Publication number: CN101546375A
Application number: CN200910050445A
Authority: CN
Inventors: 潘杰; 熊惠霖
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2009-04-30
Filing date: 2009-04-30
Publication date: 2009-09-30
Anticipated expiration: 2029-04-30
Also published as: CN101546375B

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

特征简化的人脸检测方法

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。

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：

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。

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

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；

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；

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。