CN102521622A - 基于广告投放的人脸检测系统 - Google Patents
基于广告投放的人脸检测系统 Download PDFInfo
- Publication number
- CN102521622A CN102521622A CN2011103674248A CN201110367424A CN102521622A CN 102521622 A CN102521622 A CN 102521622A CN 2011103674248 A CN2011103674248 A CN 2011103674248A CN 201110367424 A CN201110367424 A CN 201110367424A CN 102521622 A CN102521622 A CN 102521622A
- Authority
- CN
- China
- Prior art keywords
- face
- rectangular characteristic
- sample
- characteristic
- system based
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
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
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),…,(xn,yn)},其中,xi是输入的训练样本向量,yi∈{0,1},yi=0表示非人脸样本,yi=1表示人脸样本;
(2)初始化样本的权重:
(3)进行T轮训练,t=1,2,…,n,归一化样本权重:
(4)对于每个特征j,训练一个简单分类器hj(x):
式中:θj是一个阈值;pj=±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:
选出分类错误类最低的简单分类器作为弱分类器ht(x),将该错误率记为εt,调整所有样本权重:
式中:
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:αt=-logβt。
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 (3)
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:
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103674248A CN102521622A (zh) | 2011-11-18 | 2011-11-18 | 基于广告投放的人脸检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103674248A CN102521622A (zh) | 2011-11-18 | 2011-11-18 | 基于广告投放的人脸检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102521622A true CN102521622A (zh) | 2012-06-27 |
Family
ID=46292533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103674248A Pending CN102521622A (zh) | 2011-11-18 | 2011-11-18 | 基于广告投放的人脸检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521622A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500253A (zh) * | 2013-09-27 | 2014-01-08 | 中国人民解放军空军工程大学 | 一种航炮空靶设计参数智能判别方法及系统 |
CN103886097A (zh) * | 2014-04-04 | 2014-06-25 | 华侨大学 | 基于自适应提升算法的中文微博观点句识别特征的提取方法 |
CN104601338A (zh) * | 2014-12-31 | 2015-05-06 | 曙光信息产业(北京)有限公司 | 系统的计费方法和装置 |
CN105069430A (zh) * | 2015-08-05 | 2015-11-18 | 杭州南江机器人股份有限公司 | 一种基于msnrd特征的多姿态人脸检测器的设计方法 |
WO2020233000A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324945A (zh) * | 2007-06-11 | 2008-12-17 | 三菱电机株式会社 | 广告选择方法和确定消费者看广告播放器的时间量的系统 |
CN102129644A (zh) * | 2011-03-08 | 2011-07-20 | 北京理工大学 | 一种具有受众特性感知与统计功能的智能广告系统 |
CN102201188A (zh) * | 2011-05-25 | 2011-09-28 | 华侨大学 | 一种面向楼宇电视广告系统的智能控制装置和方法 |
-
2011
- 2011-11-18 CN CN2011103674248A patent/CN102521622A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324945A (zh) * | 2007-06-11 | 2008-12-17 | 三菱电机株式会社 | 广告选择方法和确定消费者看广告播放器的时间量的系统 |
CN102129644A (zh) * | 2011-03-08 | 2011-07-20 | 北京理工大学 | 一种具有受众特性感知与统计功能的智能广告系统 |
CN102201188A (zh) * | 2011-05-25 | 2011-09-28 | 华侨大学 | 一种面向楼宇电视广告系统的智能控制装置和方法 |
Non-Patent Citations (5)
Title |
---|
刘晓克等: "基于新Haar_like特征的多角度人脸检测", 《计算机工程》 * |
左登宇: "基于Adaboost算法的人脸检测研究", 《CNKI中国优秀硕士学位论文全文数据库》 * |
李巍: "基于OpenCV和Adaboost算法的人脸检测", 《硅谷》 * |
郑峰等: "基于Adaboost算法的人脸检测", 《计算机仿真》 * |
郭磊等: "adaboost人脸检测算法研究及openCV实现", 《哈尔滨理工大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500253A (zh) * | 2013-09-27 | 2014-01-08 | 中国人民解放军空军工程大学 | 一种航炮空靶设计参数智能判别方法及系统 |
CN103500253B (zh) * | 2013-09-27 | 2017-05-24 | 中国人民解放军空军工程大学 | 一种航炮空靶射击参数智能判别方法及系统 |
CN103886097A (zh) * | 2014-04-04 | 2014-06-25 | 华侨大学 | 基于自适应提升算法的中文微博观点句识别特征的提取方法 |
CN104601338A (zh) * | 2014-12-31 | 2015-05-06 | 曙光信息产业(北京)有限公司 | 系统的计费方法和装置 |
CN105069430A (zh) * | 2015-08-05 | 2015-11-18 | 杭州南江机器人股份有限公司 | 一种基于msnrd特征的多姿态人脸检测器的设计方法 |
CN105069430B (zh) * | 2015-08-05 | 2016-09-14 | 杭州南江机器人股份有限公司 | 一种基于msnrd特征的多姿态人脸检测器的设计方法 |
WO2020233000A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
CN104978570B (zh) | 基于增量学习的行车视频中交通标志的检测和识别方法 | |
CN102509111B (zh) | 基于局部特征多级聚类及图像-类距离计算的商品图像自动分类算法 | |
CN102663431B (zh) | 一种基于区域加权的图像匹配计算方法 | |
CN102521622A (zh) | 基于广告投放的人脸检测系统 | |
CN102663754B (zh) | 一种基于区域高斯加权的图像匹配计算方法 | |
CN103093250A (zh) | 一种基于新Haar-like特征的Adaboost人脸检测方法 | |
CN109522853A (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN101661559A (zh) | 一种数字图像训练和检测方法 | |
CN103955947A (zh) | 一种基于连续最小能量与表观模型的多目标关联跟踪方法 | |
CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
CN108460421A (zh) | 不平衡数据的分类方法 | |
CN102542252A (zh) | 智能广告投放系统 | |
CN106326916B (zh) | 基于多尺度特征估计和高阶bing特征的目标检测方法 | |
CN108009472A (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN102254196A (zh) | 计算机鉴别手写汉字的方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN104573711A (zh) | 基于文本-物体-场景关系的物体和场景的图像理解方法 | |
CN103440471A (zh) | 基于低秩表示的人体行为识别方法 | |
CN103279738A (zh) | 车标自动识别方法及系统 | |
CN103246877B (zh) | 基于图像轮廓的人脸识别新方法 | |
CN106599834A (zh) | 信息推送方法和系统 | |
CN104268553A (zh) | 基于核模糊Foley-Sammon转换的SAR图像目标识别方法 | |
CN102103700A (zh) | 基于陆地移动距离的相似度检测图像型垃圾邮件的方法 | |
CN106778897A (zh) | 基于余弦距离和中心轮廓距离的两次植物物种识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120627 |