CN101667245B - 基于支持向量新颖检测分类器级联的人脸检测方法 - Google Patents

Abstract

本发明公开了一种基于支持矢量新颖检测分类器级联的人脸检测方法，主要解决的是人脸检测过程中计算复杂度过大导致检测时间过长的问题，其检测过程是：训练样本集的预处理及提取样本特征；利用支持矢量新颖检测算法对已提取特征的训练样本进行训练，并得到分类器模型；根据在已有测试集的检测的正检和误检率来优化算法参数并挑选合适三个合适的子分类器级联成一个强分类器；用此级联强分来器对灰度图片进行人脸的检测并标出。本发明具有检测速度快的优点，可用于机器学习和模式识别范畴内的人脸检测。

Description

基于支持向量新颖检测分类器级联的人脸检测方法

技术领域

本发明属于图像处理技术领域，涉及人脸的检测，即将人脸从检测图片中定位并标出，可用于安全控制、人机交互及人类情感研究。

背景技术

人脸检测是人脸识别系统的第一个步骤，这一步骤的所获得的精度与速度直接影响整个系统的性能。此外，人脸检测的应用也大大超过了人脸识别系统的范畴，在人脸表情识别系统，基于内容的检索，视频会议，三维人脸模型等方面也有重要的应用价值。

人脸的自动检测是一类具有很大挑战性的问题，其主要难点在于：(1)人脸是一类高度非刚性的目标，存在相貌，表情，肤色等差异。(2)人脸上可能会存在一些附属物，诸如，眼镜，胡须等。(3)人脸的姿态变化万千，并且可能存在遮挡物。(4)待检测图像性质的差异。比如：待检测图像的分辨率：摄录器材的质量等。(5)淘汰的种类和角度。不同种类和角度的光源会对待检测的人脸产生不同性质的反射和不同区域的阴影。

在传统的基于统计理论的人脸检测方法中，基于支持向量机方法用于对人脸检测时，需要训练人脸与非人脸样本得到分类两类问题的学习机，以进行真实图片地检测，而现实中非人脸样本远远大于人脸样本，且形态各异，不便于提取，因而采用传统支持向量机方法进行人脸检测存在以下缺点：(1)训练支持向量机是一个求解二次规划问题，计算量巨大；(2)训练非人脸需要大量样本，这样就会导致出现大量的支持向量。(3)真实图片中提取的检测样本量巨大，导致检测时的计算量大。

发明内容

本发明的目的在于克服传统支持向量机检测方法的不足，提供一种基于支持向量新颖检测分类器级联的人脸检测方法，以减小检测时的计算量，提高检测速度。

为实现上述目的，本发明包括如下步骤：

(1)对于已有人脸库样本，取其中的所有人脸样本F及非人脸样本U进行直方图均衡化，同时将所有的样本图片矩阵拉成向量，以图片的像素值作为图片样本特征；

(2)将所有特征提取后的人脸样本F随机n等份，每次取其中n-1份作为训练集N，剩下的一份和所有的非人脸样本U组成测试样本集M；

(3)采用高斯核函数将选取的训练集N从样本空间映射到核空间；

(4)用支持向量新颖检测算法对核空间样本进行训练分类，得出包括支持向量SVs，对应系数w以及决策半径ρ的分类器模型；

(5)将(2)中得到的测试样本集M，用(4)得到的分类器模型进行检测，并对M中每一个测试样本与所有支持向量SVs进行高斯核映射，再乘以对应系数w得到待检测半径r，将r与决策半径ρ进行比较，大于ρ则为人脸，反之则为非人脸；

(6)将人脸样本经过分类器模型判决为人脸称为正检，而非人脸样本经过分类器模型判决为人脸称为误检，并统计测试集M中所有人脸样本正检率和所有非人脸样本误检率以及对应的支持向量数，计算n次交叉验证的平均结果，以此来优化参数v和g，挑选三个最优的分类器模型构成级联强分类器；

(7)输入一幅灰度图，用与训练样本尺寸相同的子窗口扫描整幅图片，每扫描到一处就将该位置对应与子窗口相同大小的图片截下作为一个待检测样本，子窗口每次移动d个像素点，扫描完一遍后将图片缩小为上一次的0.9倍，并再一次进行扫描，如此逐次将原始图片缩放k次；

(8)将上步中扫描得到的每个截图样本，依次进行直方图均衡化处理，并用(6)中得到的级联分类器进行检测，对于同一张人脸被多次检出时，在原图上用矩形框标识出现重叠框的结果；

(9)将边界有重叠的矩形框的四个顶点坐标分别取平均，作为新的顶点，合成一个检测结果框，完成对图片中人脸的检测和定位。

本发明与经典支持向量机及单层支持向量新颖检测方法相比具有以下优点：

1.本发明中分类器模型训练时只需用到人脸库中人脸样本，从而大大减少了传统支持向量机需要额外训练大量非人脸样本而产生的大量支持向量，提高了检测效率，同时本发明结果的准确率也能得到保证。

2.本发明采用一个三层级联的分类器进行人脸检测，前两层分类器检测时保证了用较少的支持向量在保留所有人脸的前提下淘汰了大部分的非人脸，且耗时较少，从而在最后一层用含有大量支持向量的分类器进行精确检测时，样本集的规模已被大大削减，相比于单层分类器的检测，降低了计算复杂度，提高了检测速度。

附图说明

图1是本发明的人脸检测过程图；

图2是本发明与现有两种方法检测结果对照图，其中：

图2a是传统支持向量机方法检测结果图；

图2b是单层支持向量新颖检测方法检测结果图；

图2c是本发明方法检测结果图。

具体实施方式

步骤1：训练样本的预处理。

对已有MIT人脸库中的所有2706张人脸以及4381张非人脸样本进行直方图均衡化，以消除由于拍摄时的光线、曝光等因素引起图像灰度值分布出现偏差而对图像检测带来的影响，同时将每张20×20的样本图片矩阵拉成一个1×400的向量作为该样本的特征。

步骤2：分类器的训练。

2a.将预处理后的人脸库上所有人脸样本标记为1，所有非人脸样本标记为0，将所有人脸样本集分割为十等分，但不限于十等分，每次选取比分割等分少一份的份数作为训练样本集，该一份和所有非人脸样本作为测试样本集；

2b.采用高斯核函数将训练集样本从样本空间映射到核空间，并用支持向量新颖检测算法进行训练，其用于训练求解及高斯核函数的表达式如下：

高斯核函数：K(x_i，x_j)＝exp(-g*|x_i-x_j|^2)

二次规划： $\min (\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{1}{\mathrm{vl}}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i-\mathrm{\ρ})$

约束： $\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{w}_i\·K(x_i,x_j)\≥\mathrm{\ρ}-{\mathrm{\ξ}}_{i}i=\mathrm{1,2},...,l{\mathrm{\ξ}}_i\≥0$

求解w和ρ得到决策函数： $f\left(x\right)=\mathrm{sgn}(\underset{n}{\mathrm{\Σ}}{w}_n\·K(x_n,x)-\mathrm{\ρ})$

其中x_i和x_j是训练样本，g是高斯核参数，w_i为对应样本x_i的权值系数，v为新颖因子，l为训练样本数，ξ为松弛因子，ρ为决策半径，w_n为求解后w中大于0的系数，x_n为与w_n对应的训练样本即支持向量，x为检测样本。

2c.求解上述二次规划，得到包括支持向量SVs，对应系数w以及决策半径ρ的分类器模型；

2d.将测试样本集中每一个样本用2c中得到的分类器模型进行检测，将人脸样本经过分类器模型判决为人脸称为正检，而非人脸样本经过分类器模型判决为人脸称为误检；

2e.分类器地挑选：采统计测试样本集中所有人脸样本正检率和所有非人脸样本误检率以及对应的支持向量数，计算十次交叉验证的平均结果，以此来优化参数v和g，挑选三个最优的分类器模型构成级联强分类器，取较小的参数训练得到的包含支持向量数26个，且将测试集M上检测的正检率99.8％，误检率26.0％的分类器，形成第一层；然后逐渐增大参数v和g得到的包含支持向量数59个，且在测试集M上检测的正检率99.4％，误检率13.83％的分类器作为第二层分类器；将包含支持矢量数111个，且在测试集M上检测的正检率98.0％，误检率8.65％的分类器作为第三层，构成一个三层级联的强分类器。

步骤3：真实图片地检测。

3a.输入一幅图片，用20×20大小的子窗扫描整幅图片，每扫描到一处就将该位置对应与子窗口相同大小的图片截下作为一个待检测样本，按照人脸的“三庭五眼”准则，子窗口每次移动4个像素点，扫描完一遍就将图片缩小为原来的0.9倍，并再次扫描，逐次将原图片缩小12次；

3b.将每个扫描到的待检测样本都到进行直方图均衡化，用于步骤2中得到的强分类器进行分类检测，检测标记为1的作为人脸样本在原图上用矩形的框标出，对于同一张人脸被多次检出时，在原图上用矩形框标识出现重叠框的结果；

3c.对于边界有相交区域的检测结果，对它们的四个顶点分别取平均值作为新的顶点，从而合成一个检测结果。

本发明的效果通过以下仿真进一步说明。

1.仿真条件与内容：

本发明实验所有的数据集来自MIT人脸库，包括2706张人脸图片，4381张非人脸图片，每张图片的大小为20×20，存储格式为BMP的灰度图。检测图片为网上下载一张空姐多人图，及一张四人图，都为JPG格式。软件平台为MATLAB7.0及libsvm-mat-2.84-1。实验中由于子窗扫描过程数据量太大，故将扫描所得的样本保存下来，实验结果只记录在所保存样本上的检测时间。

2.仿真结果：

对于上述数据，分别用传统支持向量机，单层支持向量新颖检测及本发明方法对一幅空姐图进行检测，检测结果如图2所示，图2a为用传统支持向量机方法，其检测结果是：人脸数19个，正检数15个，误检数4个；图2b为用单层支持向量新颖检测方法，其检测结果是：人脸数19个，正检数15个，误检数13个；图2c为本发明方法，其检测结果是：人脸数19个，正检数15个，误检数13个，由此可看出本发明正检率与传统方法相当，误检率稍微偏高，但在可接受范围之内，主要是由于训练时没有加入非人脸的结果。本发明方法优势集中在检测速度上；

对于三种方法的检测过程，分别计算其检测时间，统计10次试验运行时间的平均值，结果如表1所示：

	传统方法	单层支持向量新颖检测方法	本发明方法
				检测时间	95.0s	21.5s	6.1s

表1

由表1可见，本发明与传统方法相比，在结果精确度相当的情况下，大大降低了计算复杂度，减少了检测时间。

Claims (2)

1.一种基于支持矢量新颖检测分类器级联的人脸检测方法，包括如下步骤：

(1)对于已有人脸库样本，取其中的所有人脸样本F及非人脸样本U进行直方图均衡化，同时将每张20×20的样本图片矩阵拉成一个1×400的向量作为该样本的特征；

(2)将所有特征提取后的人脸样本F随机n等份，每次取其中n-1份作为训练集N，剩下的一份和所有的非人脸样本U组成测试样本集M；

(3)采用高斯核函数将训练集样本从样本空间映射到核空间，并用支持向量新颖检测算法进行训练，其用于训练求解及高斯核函数的表达式如下：

高斯核函数：

二次规划：

约束：

i＝1，2，...，l ξ_i≥0

求解w和ρ得到决策函数：

其中x_i和x_j是训练样本，g是高斯核参数，w_i为对应样本x_i的权值系数，v为新颖因子，l为训练样本数，ξ为松弛因子，ρ为决策半径，w_n为求解后w中大于0的系数，x_n为与w_n对应的训练样本即支持向量，x为检测样本；

(4)求解上述二次规划，得到包括支持向量SVs，对应系数w以及决策半径ρ的分类器模型；

(5)将步骤(2)中得到的测试样本集M，用步骤(4)得到的分类器模型进行检测，并对M中每一个测试样本与所有支持向量SVs进行高斯核映射，再乘以对应系数w得到待检测半径r，将r与决策半径ρ进行比较，大于ρ则为人脸，反之则为非人脸；

(6)将人脸样本经过分类器模型判决为人脸称为正检，而非人脸样本经过分类器模型判决为人脸称为误检，并统计测试集M中所有人脸样本正检率和所有非人脸样本误检率以及对应的支持向量数，计算n次交叉验证的平均结果，以此来优化参数v和g，挑选三个最优的分类器模型构成级联强分类器；

(7)输入一幅灰度图，用与训练样本尺寸相同的子窗口扫描整幅图片，每扫描到一处就将该位置对应与子窗口相同大小的图片截下作为一个待检测样本，子窗口每次移动d个像素点，扫描完一遍后将图片缩小为上一次的0.9倍，并再一次进行扫描，如此逐次将原始图片缩放k次；

(8)将每个扫描到的待检测样本依次进行直方图均衡化处理，并用步骤(6)中得到的级联分类器进行检测，最终检测标记为1的作为人脸样本在原图上用矩形框标出，对于同一张人脸被多次检出时，在原图上用矩形框标识出现重叠框的结果；

(9)将边界有相交区域的检测结果的四个顶点坐标分别取平均，作为新的顶点，合成一个检测结果框，完成对图片中人脸的检测和定位。

2.根据权利要求书1所述的人脸检测方法，其中步骤(6)所述的挑选三个最优的分类器模型构成级联强分类器，是取较小的参数训练得到的包含支持向量数26个，且在测试集M上检测时正检率99.8％，误检率26.0％的分类器，形成第一层；然后逐渐增大参数v和g得到的包含支持向量数59个，且在测试集M上检测时正检率99.4％，误检率13.83％的分类器作为第二层分类器；将包含支持矢量数111个，且在测试集M上检测时正检率98.0％，误检率8.65％的分类器作为第三层，构成一个三层级联的强分类器。

Images