CN102184388A

CN102184388A - 人脸和车辆自适应快速检测系统及检测方法

Info

Publication number: CN102184388A
Application number: CN2011101249696A
Authority: CN
Inventors: 陈国庆; 杨建球
Original assignee: SUZHOU LIANGJIANG TECHNOLOGY Co Ltd
Current assignee: SUZHOU LIANGJIANG TECHNOLOGY Co Ltd
Priority date: 2011-05-16
Filing date: 2011-05-16
Publication date: 2011-09-14

Abstract

本发明公开了一种人脸和车辆自适应快速检测系统及检测方法，属于图像检测技术领域。本发明使用Harr-like特征表示人脸和车辆，使用“积分图”实现特征数值的快速计算；使用Adaboost算法挑选出一些最能代表人脸和车辆的弱分类器，并按照加权投票的方式将弱分类器构造为一个强分类器；将训练得到的若干强分类器串联组成一个级联结构的检测器，级联结构能有效地提高检测器检测速度；对一副图像作检测的时候需要从不同的尺度和不同的位置逐个检测，并对检测结果的重叠进行消减。本发明能够同时实现人脸和车辆的快速检测，在追查汽车逃逸、开车罪犯等智能化方面有良好的应用前景。

Description

人脸和车辆自适应快速检测系统及检测方法

技术领域

本发明涉及图像检测，尤其涉及一种自适应快速检测系统及检测方法，能够对人脸和车辆同时进行检测。

背景技术

上个世纪90 年代，人脸检测的研究更多的关注检测精度和多角度人脸检测，经过多年的发展已经取得了较多的研究成果，特别是在检测精度上可以达到 90%以上。但是人脸检测的检测速度限制了其实际应用，现阶段主要的研究方向是如何在提高检测精度的同时提高检测速度。

目前，国外对人脸检测问题的研究较多，比较著名的有麻省理工学院(MIT)，卡耐基-梅隆大学(CMU)和伊利诺斯大学(UIUC)等；国内如清华大学、北京大学、亚洲微软研究院、中科院计算技术研究所和中国科学院自动化研究所等都有人员在从事人脸检测相关的研究。随着人脸检测技术的发展，有关这方面的论文数量不断增长。每年FG、ICIP、CVPR 等重要国际会议都有很多关于人脸检测的论文。

人脸的检测过程实际上就是对人脸模式特征的综合判断过程，包括三种方法：基于几何特征的方法、基于肤色模型的方法和基于统计理论的方法。 adaboost算法是由Viola提出的基于统计理论的一种方法，也是目前比较流行运用于人脸检测的方法，是解决复杂背景下检测问题的有效途径。

车辆检测方法的发展主要经过三个阶段：第一，采用雷达获取车辆信息。这种方法目前在国内应用比较广泛，例如在高速公路两边安设雷达装置，用于检测过往车辆的速度。虽然这种方法实现简单，但是需要额外的硬件设施，且抗干扰性差。第二，采用地感线圈获取车速和车流量等信息。这种方法的缺点是地感线圈必须埋设在路面下，铺设和检修都会破坏路面，且容易损毁。第三，采用摄像机监控路面，人工获取交通信息。这种方法由工作人员监控道路，发现违章现象，准确度较高，但是成本高，没有实现真正的智能化。

在追查汽车逃逸，追查开车罪犯等智能化应用情况下，往往需要在复杂背景下同时进行车辆和人脸的快速综合检测。但目前尚无这种同时对人脸和车辆进行快速检测的检测系统和检测方法。

发明内容

本发明所所要解决的技术问题在于现有技术只能单独对人脸或车辆进行检测的不足，提供一种人脸和车辆自适应快速检测系统及检测方法。

具体而言，本发明采用以下技术方案解决上述技术问题：

一种人脸和车辆自适应快速检测系统，包括依次连接的图像采集模块、图像预处理模块、图像特征提取模块，以及检测器，所述检测器包括分别与所述图像预处理模块连接的人脸检测器和车辆检测器。

优选地，所述人脸检测器和车辆检测器均包括多个级联的强分类器，所述强分类器由挑选出的弱分类器按照加权投票的方式构造而成。

进一步地，所述强分类器利用Adaboost算法训练得到。

所述图像特征提取模块可以利用各种现有技术提取图像特征，本发明优选利用积分图提取图像的类Harr小波特征（Haar-like，也称作矩形特征）。

一种人脸和车辆自适应快速检测方法，包括采集待检测图像的步骤，对采集到的图像进行预处理的步骤，对预处理后的图像进行特征提取的步骤，以及利用检测器对提取的图像特征进行检测的步骤，所述检测器包括人脸检测器和车辆检测器，人脸检测器和车辆检测器分别对提取的图像特征进行检测并输出检测结果。

进一步地，所述强分类器利用Adaboost算法训练得到。

所述人脸检测器和车辆检测器分别对提取的图像特征进行检测，包括对不同位置以不同尺度的检测，具体为：分别以原检测器及原检测器缩放1.2或1.25倍进行检测，然后平移4个像素再进行上述步骤，依此类推；最后将得到的重叠的检测结果进行消减，得到最终的检测结果。

所述将得到的重叠的检测结果进行消减具体按照以下方法：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。

本发明使用Harr-like特征表示人脸和车辆，使用“积分图”实现特征数值的快速计算；使用Adaboost算法挑选出一些最能代表人脸和车辆的矩形特征(弱分类器)，并按照加权投票的方式将弱分类器构造为一个强分类器；将训练得到的若干强分类器串联组成一个级联结构的检测器，级联结构能有效地提高检测器检测速度；对一副图像作检测的时候需要从不同的尺度和不同的位置逐个检测，并对检测结果的重叠进行消减。本发明能够同时实现人脸和车辆的快速检测，在追查汽车逃逸、开车罪犯等智能化方面有良好的应用前景。

附图说明

图1为本发明的人脸和车辆自适应快速检测系统的结构框图；

图2为本发明所使用的矩形特征模板；

图3为本发明的检测器的训练流程图；

图4为本发明的人脸和车辆自适应快速检测方法的流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的人脸和车辆自适应快速检测系统，如附图1所示，包括依次连接的图像采集模块、图像预处理模块、图像特征提取模块，以及检测器，所述检测器包括分别与所述图像预处理模块连接的人脸检测器和车辆检测器。所述图像采集模块可以是摄像头、数码相机、扫描仪等图像采集设备。所述图像预处理模块对采集到的图像进行预处理，包括降噪、图像增强和重构，以及对视频的截图进行降维等，使之能够达到一定的统一规范，便于检测器的检测，提升检测精度和速度。所述图像特征提取模块可以使用现有方法，本具体实施方式中，是利用积分图提取图像的类Harr小波特征，即使用Harr-like特征表示人脸和车辆，例如可以使用图2中所示的矩形特征模板，并使用“积分图”实现特征数值的快速计算。该方法为现有技术，具体可参见文献（GONZALEZ RC;WOODS RE Digital Image Processing 2002）。所述人脸检测器和车辆检测器可以采用相同或不同的现有技术，本具体实施方式中，两者均包括多个级联的强分类器，所述强分类器由挑选出的弱分类器按照加权投票的方式构造而成。该强分类器利用Adaboost算法训练得到，即首先训练弱分类器，训练一个弱分类器（特征f）就是在当前权重分布的情况下，确定f 的最优阈值，使得这个弱分类器（特征f）对所有训练样本的分类误差最低；然后选取一个最佳弱分类器，也就是选择那个对所有训练样本的分类误差在所有弱分类器中最低的那个弱分类器（特征）；弱分类器经过 T 次迭代后，获得了T 个最佳弱分类器，让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果来组合成一个强分类器。最后将多个强分类器级联在一起，组成最终的检测器（人脸检测器和车辆检测器）。

在进行人脸和车辆检测之前，需要训练检测器，如附图3所示，具体按照以下步骤：

步骤1、以样本集为输入，在给定的矩形特征原型下，用积分图的方法计算并获得矩形特征集；

步骤2、以特征集为输入，根据给定的弱学习算法，确定阈值，每个特征对应一个弱分类器；获得弱分类器集；

步骤3、以弱分类器集为输入，通过预先设置强分类器的检测率和误检率，使用AdaBoost 算法挑选最优的弱分类器构成强分类器；

步骤4、以强分类器集为输入，用级联的方式将其组合为级联分类器。

本发明的人脸和车辆自适应快速检测方法，如图4所示，包括以下步骤：

步骤1、载入已经训练好的人脸和车辆的级联分类器；

步骤2、对待检测的图像进行去噪,光照纠正等预处理，得到更为清晰检测图像，提高检测效率；

步骤3、遍历图像一次，计算待检测图像的积分图，得到各个像素点的值；

步骤4、进行不同尺度的检测，我们选择对检测器进行缩放而不是对图像本身进行缩放，因为在任何尺度下，特征都可以用同样的代价求出，viola的实验己经表明，放大系数为1.25或者1.2时，带来的漏检较少，同时可以获得不错的检测速度；

步骤5、检测器不同的位置逐个检测，每一次，检测器平移k个象素，k 值的选择非常重要，如果k 取的较大，检测速度可以很快，很多人脸因为移动步长较大而忽略了；反之，如果k 取的较小，虽然可能会提高检测的精度，但是将使检测速度大大降低。实际检测中，一般k取4；

步骤6、由于检测器对于尺度和位置上的微小变化不敏感，对检测结果进行消减。消减的方法十分简单：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。

Claims

1.一种人脸和车辆自适应快速检测系统，包括依次连接的图像采集模块、图像预处理模块、图像特征提取模块，以及检测器，其特征在于，所述检测器包括分别与所述图像预处理模块连接的人脸检测器和车辆检测器。

2.如权利要求1所述人脸和车辆自适应快速检测系统，其特征在于，所述人脸检测器和车辆检测器均包括多个级联的强分类器，所述强分类器由挑选出的弱分类器按照加权投票的方式构造而成。

3.如权利要求2所述人脸和车辆自适应快速检测系统，其特征在于，所述强分类器利用Adaboost算法训练得到。

4.如权利要求1至3任一项所述人脸和车辆自适应快速检测系统，其特征在于，所述图像特征提取模块是利用积分图提取图像的类Harr小波特征。

5.一种人脸和车辆自适应快速检测方法，包括采集待检测图像的步骤，对采集到的图像进行预处理的步骤，对预处理后的图像进行特征提取的步骤，以及利用检测器对提取的图像特征进行检测的步骤，其特征在于，所述检测器包括人脸检测器和车辆检测器，人脸检测器和车辆检测器分别对提取的图像特征进行检测并输出检测结果。

6.如权利要求5所述人脸和车辆自适应快速检测方法，其特征在于，所述人脸检测器和车辆检测器均包括多个级联的强分类器。

7.如权利要求6所述人脸和车辆自适应快速检测方法，其特征在于，所述强分类器利用Adaboost算法训练得到。

8.如权利要求5至7任一项所述人脸和车辆自适应快速检测方法，其特征在于，所述对预处理后的图像进行特征提取是指利用积分图提取图像的类Harr小波特征。

9.如权利要求5至7任一项所述人脸和车辆自适应快速检测方法，其特征在于，所述人脸检测器和车辆检测器分别对提取的图像特征进行检测，包括对不同位置以不同尺度的检测，具体为：分别以原检测器及原检测器缩放1.2或1.25倍进行检测，然后平移4个像素再进行上述步骤，依此类推；最后将得到的重叠的检测结果进行消减，得到最终的检测结果。

10.如权利要求9所述人脸和车辆自适应快速检测方法，其特征在于，所述将得到的重叠的检测结果进行消减具体按照以下方法：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。