CN102521622A

CN102521622A - 基于广告投放的人脸检测系统

Info

Publication number: CN102521622A
Application number: CN2011103674248A
Authority: CN
Inventors: 吴军; 吴智君; 刘华平; 余人强
Original assignee: CHANGZHOU LENCITY INFORMATION TECHNOLOGY Co Ltd
Current assignee: CHANGZHOU LENCITY INFORMATION TECHNOLOGY Co Ltd
Priority date: 2011-11-18
Filing date: 2011-11-18
Publication date: 2012-06-27

Abstract

本发明涉及网络信息的领域，尤其是基于广告投放的人脸检测系统，具体步骤如下：a.提取类Haar特征：提取脸部矩形特征，将提取的矩形特征依次通过矩形特征值的计算、矩形特征的数量和利用积分图快速计算矩形特征；b.将提取的类Haar特征进行训练和检测并通过Adaboost算法计算。本发明的基于广告投放的人脸检测系统，通过提取脸部矩形特征和Adaboost算法的结合，能够提高识别准确率，有效地方便广告的投放。

Description

基于广告投放的人脸检测系统

技术领域

本发明涉及网络信息的领域，尤其是基于广告投放的人脸检测系统。

背景技术

现近社会科技技术的突飞猛进促进了商品社会的快速发展，产品推陈出新的速度不断加快，消费者更新换代的不断加快，消费者更新换代的周期日益缩短，对于生产者来说，利用传统大众营销的方法把握消费者的脉搏越来越艰难，广告投入越来越大，但广告效果越来越不理想。

发明内容

本发明要解决的技术问题是：为了克服上述中存在的问题，提供一种基于广告投放的人脸检测系统，能够更加精准识别人脸，能与相应的广告系统相配合使用。

本发明解决其技术问题所采用的技术方案是：一种基于广告投放的人脸检测系统，具体步骤如下：

a.提取类Haar特征：提取脸部矩形特征，将提取的矩形特征依次通过矩形特征值的计算、矩形特征的数量和利用积分图快速计算矩形特征；

b.将提取的类Haar特征进行训练和检测并通过Adaboost算法计算。

Adaboost是一种迭代算法，其核心思想是针对不同的训练集训练一个弱分类器，然后把在不同训练集上得到的分类器集合起来，构成一个强分类器。在

Adaboost算法中，每个训练样本都被赋予一个权重，表明它被某个分量分类器选入训练集的概率。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它被选中的概率就被降低；相反，如果某个样本点没有被正确分类，那么它的权重就得到提高。通过T轮这样的训练，Adaboost算法能够“聚焦于”那些较困难的样本上，综合得出用于目标检测的强分类器。

训练包括将收集的人脸样本和非人脸样本计算出相应的样本积分值，根据样本积分值计算出各训练样本的所有类Haar矩形特征值，确定各矩形特征的阈值并挑选其中一矩形作为一个弱分类器，弱分类器与挑选出的矩形特征相对应，将多个弱分类器组成一个强分类器，多个强分类器级联为一个多层强分类器。

检测采用检测窗口缩放的策略从待检测图像中提取所有将被检测的子窗口，利用训练得到的多层强分类器对每个子窗口进行检测，对检测结果进行后处理，最后得到图像中包含的所有人脸的坐标和大小。

本发明的有益效果是，本发明的基于广告投放的人脸检测系统，通过提取脸部矩形特征和Adaboost算法的结合，能够提高识别准确率，有效地方便广告的投放。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的人脸检测系统中训练的流程图；

图2是本发明的人脸检测系统中检测的流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

基于广告投放的人脸检测系统，具体步骤如下：首选提取脸部矩形特征，将提取的矩形特征依次通过矩形特征值的计算、矩形特征的数量和利用积分图快速计算矩形特征；然后将提取的类Haar特征进行训练和检测并通过Adaboost算法计算。

算法过程如下：

(1)给定一个训练集{(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，其中，x_i是输入的训练样本向量，y_i∈{0，1}，y_i＝0表示非人脸样本，y_i＝1表示人脸样本；

(2)初始化样本的权重：

w_{i} (x_{i}) = \frac{1}{n}, i = 1,2, \cdot \cdot \cdot, n

(3)进行T轮训练，t＝1，2，…，n，归一化样本权重：

w_{i} (x_{i}) = \frac{w_{i} (x_{i})}{Σ_{j = 1}^{n} w_{i} (x_{i})}

(4)对于每个特征j，训练一个简单分类器h_j(x)：

式中：θ_j是一个阈值；p_j＝±1，用来控制不等式的方向，然后算出每个特征j所对应的分类错误率：

ϵ_{j} = Σ_{i = 1}^{n} w_{i} (x_{i}) | h_{j} (x_{i}) - y_{i} |

选出分类错误类最低的简单分类器作为弱分类器h_t(x)，将该错误率记为ε_t，调整所有样本权重：

式中：

β_{t} = \frac{ϵ_{t}}{1 - ϵ_{t}} .

通过对正反例进行分析，选择错误率最低的T个弱分类器，优化成一个强分类器。最终的强分类器为：

式中：α_t＝-logβ_t。

以上训练过程的意义可以表述为：每一次迭代过程在当前概率分布上找到一个具有最小错误率的弱分类器，然后调整概率分布，降低当前弱分类器分类正确样本的概率值，以突出分类错误的样本，使下一次迭代更加针对本次的不正确分类，即针对更“困难”的样本，使得那些被错分的样本得到进一步重视。这样，后面训练提取的弱分类器就会更加强化地对那些分类错误样本的训练。

如图1所示的基于广告投放的人脸检测系统，训练包括将收集的人脸样本和非人脸样本计算出相应的样本积分值，根据样本积分值计算出各训练样本的所有类Haar矩形特征值，确定各矩形特征的阈值并挑选其中一矩形作为一个弱分类器，弱分类器与挑选出的矩形特征相对应，将多个弱分类器组成一个强分类器，多个强分类器级联为一个多层强分类器。

如图2所示的基于广告投放的人脸检测系统，检测采用检测窗口缩放的策略从待检测图像中提取所有将被检测的子窗口，利用训练得到的多层强分类器对每个子窗口进行检测，对检测结果进行后处理，最后得到图像中包含的所有人脸的坐标和大小。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims

1.一种基于广告投放的人脸检测系统，其特征是具体步骤如下：

2.根据权利要求1所述的基于广告投放的人脸检测系统，其特征是：训练包括将收集的人脸样本和非人脸样本计算出相应的样本积分值，根据样本积分值计算出各训练样本的所有类Haar矩形特征值，确定各矩形特征的阈值并挑选其中一矩形作为一个弱分类器，弱分类器与挑选出的矩形特征相对应，将多个弱分类器组成一个强分类器，多个强分类器级联为一个多层强分类器。

3.根据权利要求1所述的基于广告投放的人脸检测系统，其特征是：检测采用检测窗口缩放的策略从待检测图像中提取所有将被检测的子窗口，利用训练得到的多层强分类器对每个子窗口进行检测，对检测结果进行后处理，最后得到图像中包含的所有人脸的坐标和大小。