CN102831411B - 一种快速人脸检测方法 - Google Patents

Abstract

本发明公开了一种快速人脸检测方法，其特征在于：首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测。本发明首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上，通过使用Adaboost算法有效提高了人脸检测速度，特别是针对图片中存在多张人脸的情况，检测速度与原有Adaboost算法相比有明显提高。将该技术用于人脸识别，能够有效提高人脸识别系统的实时性。<!--1-->

Description

一种快速人脸检测方法

技术领域

本发明属于计算机图像识别与处理技术领域，具体地说，涉及一种快速人脸检测方法。

背景技术

人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体，一般特指人，本身的生物特征来区分生物体个体。二十一世纪是数字化、网络化的世纪。在信息时代的背景下，如何高效、快捷地进行个人身份验证，是从事图像处理科研工作者高度关注的问题。人脸识别技术由于具有更加方便、快捷的优点，因此成为人工智能、计算机视觉领域研究的热点。

人脸检测是人脸识别技术的关键。如何快速、准确地检测人脸，提高人脸识别系统的实时性，是人脸识别领域的一个关键问题。

发明内容

本发明的目的在于提供了一种快速进行人脸检测的方法，以提高人脸检测速度,进而提高人脸识别系统的实时性。

为解决上述问题，本发明所采用的技术方案是：

一种快速人脸检测方法，其特征在于：首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测。

进一步地说：

金字塔分解的方式，具体步骤为：

（1）、计算输入图像减少的分辨率近似值，主要是通过对输入进行滤波并以2为步长进行抽样；

（2）、对上一步的输出进行内插并进行过滤；

（3）、计算步骤（2）的预测值和步骤（1）的输入之间的差异，以J级预测残差进行标识的差异，将用于原始图像的重建；

（4）、经过一次金字塔分解后图像的大小变为原来的1/4。

更进一步地说：

Adaboost算法主要是根据人脸的灰度分布，选择采用矩形特征；该特征可以通过积分图快速进行提取，然后通过训练提取最优的矩形特征并将其转化为弱分类器，最后将弱分类器进行叠加构成强分类器，然后串联成级联分类器用于人脸检测。

更进一步地说：

所述矩形特征的提取，是利用人脸部的灰度值有一定的分布特征，用一些简单的矩形特征来描述人脸部的特征；所述矩形特征由一些简单的黑白矩形组合而成，一个矩形特征的特征值为黑色矩形框内的灰度值之和与白色矩形框内灰度值之和的差。

所述Adaboost算法训练过程包括弱分类器训练过程，弱分类器训练过程具体的训练过程如下：

(1)：计算每一个样本相对应的特征的特征值，然后将所有的特征值按照降序进行排列；

(2)：计算所有正样本，即人脸权重的和T⁺以及所有负样本，即非人脸权重的和T^-。

(3)：计算在此之前的前一个元素的正样本权重和T^s+以及负样本权重和T^s-；

(4)：计算加权错误率：e=min[T^s++(T^--T^s-),T^s-+(T⁺-T^s+)]；

(5)：根据错误率最小的原则确定p_j，θ_j；

(6)：保存矩形特征的参数，得到弱分类器。

所述构造强分类器的过程如下：

(1)：给定总数量为N个的训练样本：[X₁,Y₁]，[X₂,Y₂]，[X_i,Y_i]，…[X_N,Y_N]，其中X_i表示第i个样本，Y_i=[0,1]，Y_i=1时表示其为人脸，Y_i=0时表示其为非人脸；

(2)：对于第j个特征其生成的简单分类器如下所示：

；

(3)：对权重进行初始化：当Y_i=0时，ω_1,i=1/2m，m为非人脸样本的总数量；当Y_i=1时，ω_1,i=1/2l，l为人脸样本的总数量；

(4)：对t=1,2,3…T(T为训练次数)，重复进行以下步骤：

A、权重归一化,；

B、选择最合适的弱分类器，计算所对应的加权错误率：

${\mathrm{\&epsiv;}}_t={\min }_{f,p,\mathrm{\&theta;}}\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_i|h(x_i,f,p,\mathrm{\&theta;})-y_i|$ ；

C、定义h_t(x)=h(x,f_t,p_t,θ_t)，其中f_t,p_t,θ_t为当ε_t取最小值时候的值；

D、更新样本权重：，当样本X_i被正确分类的时候e_i=0，否则e_i=1，β_t=ε_t/1-ε_t；

(5)最后形成的强分类器如下所示：

，

其中α_t=log1/β_t；

其中，提取的分类器如果对一些样本分类正确，则减小这些样本的权重；相反如果分类错误的话，则增加这些样本的权重。

所述构造级联分类器的方法是首先将简单分类器叠加成强类器，然后将强分类器串联成为级联分类器。

由于采用了上述技术方案，与现有技术相比，本发明首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上，通过使用Adaboost算法有效提高了人脸检测速度，特别是针对图片中存在多张人脸的情况，检测速度与原有Adaboost算法相比有明显提高。将该技术用于人脸识别，能够有效提高人脸识别系统的实时性。

同时下面结合附图和具体实施方式对本发明作进一步说明。

附图说明

图1为本发明一种实施例中金字塔分解示意图；

图2为本发明一种实施例中金字塔方框图；

图3为本发明一种实施例中级联分类器框图；

图4为本发明一种实施例中分类器训练流程图。

具体实施方式

实施例：

一种快速人脸检测方法，其特征在于：首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测。

在本发明中，如图1、图2所示，金字塔分解的方式，具体步骤为：

（1）、计算输入图像减少的分辨率近似值，主要是通过对输入进行滤波并以2为步长进行抽样；

（2）、对上一步的输出进行内插并进行过滤；

（3）、计算步骤（2）的预测值和步骤（1）的输入之间的差异，以J级预测残差进行标识的差异，将用于原始图像的重建；

（4）、经过一次金字塔分解后图像的大小变为原来的1/4。

在上述步骤中，Adaboost算法主要是根据人脸的灰度分布，选择采用矩形特征；该特征可以通过积分图快速进行提取，然后通过训练提取最优的矩形特征并将其转化为弱分类器，最后将弱分类器进行叠加构成强分类器，然后串联成级联分类器用于人脸检测。

在本实施例中，矩形特征的提取，主要的依据是人脸部的灰度值有一定的分布特征，如眼睛周围的灰度值比脸部的灰度值要低，鼻梁两边的灰度值比鼻梁的灰度值要低，嘴巴部分的灰度值比其周围的灰度值要低，所以可以用一些简单的矩形特征来描述人脸部的特征。矩形特征由一些简单的黑白矩形组合而成，一个矩形特征的特征值为黑色矩形框内的灰度值之和与白色矩形框内灰度值之和的差。

矩形特征的特征值计算公式为：

${\mathrm{feature}}_j=\underset{i\&Element;(\mathrm{1,2}...N)}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_i*\mathrm{RectSum}\left(r_i\right)$ ，

其中ω_i为第i个矩形的权重，该值为黑色矩形与白色矩形面积比的倒数，且为负数。RectSum(r_i)为矩形r_i的的灰度积分，N为矩形的个数。

在本实施例中，计算积分图：

对于图像中的任意一点(x,y)，其积分图ii(x,y)的定义如下：

$\mathrm{ii}(x,y)=\underset{x^{\&prime;}\&le;x,y^{\&prime;}\&le;y}{\mathrm{\&Sigma;}}i(x^{\&prime;},y^{\&prime;})$

i(x＇,y＇)为点(x＇,y＇)处像素的灰度值，ii(x,y)为积分图。有了积分图定义，就可以通过积分图来快速计算矩形特征值。

在本实施例中，所述Adaboost算法训练过程包括弱分类器训练过程，弱分类器训练过程具体的训练过程如下：

(1)：计算每一个样本相对应的特征的特征值，然后将所有的特征值按照降序进行排列；

(2)：计算所有正样本，即人脸权重的和T⁺以及所有负样本，即非人脸权重的和T^-。

(3)：计算在此之前的前一个元素的正样本权重和T^s+以及负样本权重和T^s-；

(4)：计算加权错误率：e=min[T^s++(T^--T^s-),T^s-+(T⁺-T^s+)]；

(5)：根据错误率最小的原则确定p_j，θ_j；

(6)：保存矩形特征的参数，得到弱分类器。

所述构造强分类器的过程如下：

(1)：给定总数量为N个的训练样本：[X₁,Y₁]，[X₂,Y₂]，[X_i,Y_i]，…[X_N,Y_N]，其中X_i表示第i个样本，Y_i=[0,1]，Y_i=1时表示其为人脸，Y_i=0时表示其为非人脸；

(2)：对于第j个特征其生成的简单分类器如下所示：

；

(3)：对权重进行初始化：当Y_i=0时，ω_1,i=1/2m，m为非人脸样本的总数量；当Y_i=1时，ω_1,i=1/2l，l为人脸样本的总数量；

(4)：对t=1,2,3…T(T为训练次数)，重复进行以下步骤：

A、权重归一化,；

B、选择最合适的弱分类器，计算所对应的加权错误率：

${\mathrm{\&epsiv;}}_t=\mathrm{mi}{n}_{f,p,\mathrm{\&theta;}}\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_i|h(x_i,f,p,\mathrm{\&theta;})-y_i|$ ；

C、定义h_t(x)=h(x,f_t,p_t,θ_t)，其中f_t,p_t,θ_t为当ε_t取最小值时候的值；

D、更新样本权重：，当样本X_i被正确分类的时候e_i=0，否则e_i=1，β_t=ε_t/1-ε_t；

(5)最后形成的强分类器如下所示：

，

其中α_t=log1/β_t；

其中，提取的分类器如果对一些样本分类正确，则减小这些样本的权重；相反如果分类错误的话，则增加这些样本的权重。

如图3所示，所述构造级联分类器的方法是首先将简单分类器叠加成强类器，然后将强分类器串联成为级联分类器。

如图4所示，生成级联分类器之后即可以将其用于人脸检测。

本发明采用两幅静止图像，一幅是单人图像，一幅是包含16个人的多人图像，在相同测试环境下进行了算法有效性的测试，并与IDIAP的在线人脸检测系统进行了对比。

单个人脸的测试结果如表1所示。从表1中可以看出改进前的算法与IDIAP的算法都能准确定位出人脸，由于图片比较大，均耗时太长，而改进后的算法采用金字塔分解后，检测时间大大缩短，可以满足实时性要求。

表1单人人脸检测结果

	图片大小	检测时间	检测到的人脸数
				改进前算法	896*592	523.181ms	1
改进后算法	896*592	98.278ms	1
				IDIAP	896*592	450ms	1

多人情况下的人脸检测结果如表2所示。从表2中可以得出改进前的算法检测时间比IDIAP的时间要稍长，但是改进后的算法检测时间则大大缩短，并且IDIAP的检测结果出现了漏检1人的情况，而本发明提出的算法能够正确检测出图片中的所有人脸。

表2多人人脸检测结果

	图片大小	检测时间	检测到的人脸数
				改进前算法	896*532	450.562ms	16
改进后算法	800*532	98.278ms	16
				IDIAP	800*532	370ms	15

本发明不局限于上述的优选实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或者相近似的技术方案，均属于本发明的保护范围。

Claims (2)

1.一种快速人脸检测方法，其特征在于：首先利用金字塔分解的方式，对图像以金字塔形状排列的分辨率逐渐降低的图像集合，进行压缩，在此基础上采用Adaboost算法进行人脸检测；

金字塔分解的方式，具体步骤为：

(1)、计算输入图像减少的分辨率近似值，主要是通过对输入进行滤波并以2为步长进行抽样；

(2)、对上一步的输出进行内插并进行过滤；

(3)、计算步骤(2)的预测值和步骤(1)的输入之间的差异，以J级预测残差进行标识的差异，将用于原始图像的重建；

(4)、经过一次金字塔分解后图像的大小变为原来的1/4；

Adaboost算法主要是根据人脸的灰度分布，选择采用矩形特征；该特征可以通过积分图快速进行提取，然后通过训练提取最优的矩形特征并将其转化为弱分类器，最后将弱分类器进行叠加构成强分类器，然后串联成级联分类器用于人脸检测；

所述矩形特征的提取，是利用人脸部的灰度值有一定的分布特征，用一些简单的矩形特征来描述人脸部的特征；所述矩形特征由一些简单的黑白矩形组合而成，一个矩形特征的特征值为黑色矩形框内的灰度值之和与白色矩形框内灰度值之和的差；

所述Adaboost算法训练过程包括弱分类器训练过程，弱分类器训练过程具体的训练过程如下：

(1)：计算每一个样本相对应的特征的特征值，然后将所有的特征值按照降序进行排列；

(2)：计算所有正样本，即人脸权重的和T⁺以及所有负样本，即非人脸权重的和T^-；

(3)：计算在此之前的前一个元素的正样本权重和T^s+以及负样本权重和T^s-；

(4)：计算加权错误率：e＝min[T^s++(T^--T^s-),T^s-+(T⁺-T^s+)]；

(5)：根据错误率最小的原则确定p_j和θ_j，p_j为不等号的方向，只能取+1或-1，θ_j为阈值；

(6)：保存矩形特征的参数，得到弱分类器；

所述构造强分类器的过程如下：

(1)：给定总数量为N个的训练样本：[X₁,Y₁]，[X₂,Y₂]，[X_i,Y_i]，…[X_N,Y_N]，其中X_i表示第i个样本，Y_i＝[0,1]，Y_i＝1时表示其为人脸，Y_i＝0时表示其为非人脸；

(2)：对于第j个特征其生成的简单分类器如下所示：

p_j为不等号的方向，只能取+1或者-1，f_j(x)为特征值，θ_j为阈值；

(3)：对权重进行初始化：当Y_i＝0时，ω_1,i＝1/2m，ω_1,i表示权重，m为非人脸样本的总数量；当Y_i＝1时，ω_1,i＝1/2l，ω_1,i表示权重，l为人脸样本的总数量；

(4)：对t＝1,2,3…T，T为训练次数，重复进行以下步骤：

A、权重归一化,其中Σ为对所有ω_t,i求和；

B、选择弱分类器，计算所对应的加权错误率：

${\mathrm{\&epsiv;}}_t={\min }_{f,p,\mathrm{\&theta;}}\underset{i}{\&Sigma;}{\mathrm{\&omega;}}_i|h(x_i,f,p,\mathrm{\&theta;})-y_i|;$

其中，h(x_i,f,p,θ)表示简单分类器值，ω表示权重；y_i表示是否为人脸；

C、定义h_t(x)＝h(x,f_t,p_t,θ_t)，其中，h_t(x)表示第t次分类器值，h(x,f_t,p_t,θ_t)表示分类器函数，f_t,p_t,θ_t为当ε_t取最小值时候的值；

D、更新样本权重：当样本X_i被正确分类的时候e_i＝0，否则e_i＝1，β_t＝ε_t/1-ε_t；

(5)最后形成的强分类器如下所示：

其中α_t＝log1/β_t，α_t表示第t次简单分类器权重，β_t表示权重因子；

其中，提取的分类器如果对一些样本分类正确，则减小这些样本的权重；相反如果分类错误的话，则增加这些样本的权重。

2.根据权利要求1中所述的快速人脸检测方法，其特征在于：构造级联分类器的方法是首先将简单分类器叠加成强分类器，然后将强分类器串联成为级联分类器。