CN103049733A - 人脸检测方法和人脸检测设备 - Google Patents

Abstract

本发明提供一种人脸检测方法，包括：导入步骤，导入待处理图像；子图像提取步骤，利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；预处理步骤，针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；检测步骤，针对通过预处理步骤的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；验证步骤，针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。本发明还相应地提供一种人脸检测设备。

Description

人脸检测方法和人脸检测设备

技术领域

本发明涉及一种人脸检测方法和人脸检测设备。

背景技术

随着计算机技术特别是模式识别技术的发展，人脸检测作为一个技术方向出现在人们的视野。人脸检测技术可以作为图像处理和视频分析领域中多种应用项目的基础性工作，比如人脸识别、人脸图像检索以及驾驶员疲劳状态检测等等。

在人脸检测技术的外围技术中，例如，专利文件1(US 6415053B1)提出了计算并存储代表方向的梯度信息的技术。在该专利中，采用许多方向性模板，以提升边缘区域的提取精确度。应当指出，该专利的目的在于定位图像中的边缘区域，并不能直接用于人脸检测。

现在，关于人脸检测技术本身也已经取得了一定成就，例如，专利文件2(US 7171025B2)提出了一种可以选择来自图像或者视频内容中的人脸的检测模块。该检测模块采用了由粗到精的策略。在粗糙层级中，一些候选点通过颜色模型而被选择。在精细层级中，采用人脸检测器来从具有肤色的图像点中选择人脸位置。该发明的主要局限在于，由于该专利技术的实施依赖于颜色模型，而颜色模型对于光照并不鲁棒，因此严重限制了其性能。

传统的人脸检测手段的设计思路虽然是要使人脸检测器同时保证检测性能、检测速度和低误检率，然而这样的设计思路造成人脸检测器的训练过程困难、复杂，在各种性能方面实际上难以面面俱到。

发明内容

鉴于现有技术中存在的上述问题而做出本发明。

根据本发明实施例的一个方面，提出了一种人脸检测方法，包括：导入步骤，导入待处理图像；子图像提取步骤，利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；预处理步骤，针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；检测步骤，针对通过预处理步骤的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；验证步骤，针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。

根据本发明实施例的另一个方面，提出了一种人脸检测设备，包括：导入装置，导入待处理图像；子图像提取装置，利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；预处理装置，针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；检测装置，针对通过预处理装置的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；验证装置，针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。

本发明的实施例的人脸检测手段在设计中采用了“分而治之”的策略。按照本发明的实施例，在传统人脸检测器的基础上另外引入用于预处理和验证的功能模块，从而本发明实施例的人脸检测手段可以分为3个功能模块，分别用于实现数据预处理、人脸检测和人脸验证。在数据预处理模块中，可以采用Sobel特征来直接拒绝一些明显非人脸的子窗口，此功能模块可以避免大量的子窗口扫描，从而节省随后的检测时间。在人脸检测模块中，可以采用基于Haar特征的级联分类器来选择候选人脸子图像。在人脸验证模块中，可以采用基于Haar-Sobel特征的Adaboost分类器来拒绝一些复杂的非人脸子图像，从而提升整体检测性能。

在本发明实施例中，将传统的人脸检测器替代为包括传统检测在内的三个功能模块，使得传统检测器的性能扩展为三个性能，从而每个功能模块的设计难度大大降低。更重要的是，这些功能模块在设计时可以互为补充，从而使得可以更容易地同时保证人脸检测整体的检测性能、检测速度和低误检率。

通过阅读结合附图考虑的以下本发明的优选实施例的详细描述，将更好地理解本发明的以上和其他目标、特征、优点和技术及工业重要性。

附图说明

图1示出按照本发明实施例的人脸检测方法的总体流程图。

图2示例性地示出利用不同尺度的窗口分别遍历待处理图像的示意图。

图3包括图3A至图3H，示出了一些被预处理步骤排除的子图像示例。

图4示出本发明实施例中可以采用的Adaboost级联分类器的结构示意图。

图5包括图5A至图5C，示出可以用于本发明实施例所采用的级联检测器的Haar特征的示例，其中，图5A示出线性Haar特征示例，图5B示出边缘Haar特征示例，图5C示出中心环绕Haar特征示例。

图6包括图6A和图6B，图6A示意性地示出积分Sobel图像，图6B示意性地示出利用图6A所示的积分Sobel图像而得到相应的Sobel图像区域的像素值之和的过程。

图7示例性地示出可以用于人脸验证的Haar-Sobel特征模板的示意图。

图8包括图8A和图8B，示意性地示出对人脸子图像进行后处理的过程，其中，图8A示出将经过验证的人脸子图像放置在原始待处理图像中的情况，图8B示出对人脸子图像进行后处理之后在原始待处理图像中的情况。

图9示出按照本发明实施例的人脸检测设备的总体框图。

图10是示出按照本发明实施例的人脸检测系统的总体框图。

图11示出采用验证过程对整体人脸检测性能的改进示例。

图12包括图12A至图12F，示出采用按照本发明实施例的验证手段前后对待处理图像进行人脸检测的结果对比。

具体实施方式

下面结合附图描述本发明实施例。

图1示出按照本发明实施例的人脸检测方法的总体流程图。如图1所示，本发明实施例的人脸检测方法S10包括：导入步骤S100，可以导入待处理图像；子图像提取步骤S200，可以利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；预处理步骤S300，可以针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；检测步骤S400，可以针对通过预处理步骤的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；验证步骤S500，可以针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。

本发明实施例所处理的图像可以通过各种已知输入技术来输入，诸如从各种存储设备读入、从网络获取、或利用扫描仪扫描得到等等，输入的图像可以以任意公知手段导入本发明实施例的人脸检测手段的处理过程，经过处理所得到的结果可以通过任意公知导出手段来导出，并以任意手段向外部输出，诸如存储到各种存储设备、经由网络输出、或利用打印机打印出等等。

在经过导入步骤S100导入待处理图像之后，待处理图像进入子图像提取步骤S200的处理。

图2示例性地示出利用不同尺度的窗口分别遍历待处理图像的示意图。如图2所示，窗口在某种预定义尺度下，按照预定步长在X方向和Y方向上遍历该图像，窗口在每次所在的位置均限定了一个图像范围，可以将每次窗口范围内的图像部分作为一个子图像。某种尺度的窗口遍历整幅图像之后，可以按照预定义的尺度变化比率改变窗口尺度(放大或缩小)，以同样方式再次遍历整幅图像。从而，经过子图像提取步骤S200的处理，可以从待处理图像中得到各个位置各个尺度的子图像，以用于此后过程的处理。

然后，针对在子图像提取步骤S200提取的每幅子图像，由预处理步骤S300对其进行预处理，排除明显不符合人脸图像标准的子图像。

首先，将水平Sobel模板施加于子图像，得到该子图像的Sobel图像。水平Sobel模板也可以称为水平方向Sobel算子模板，在本发明实施例中例如可以采用3*3的模板，例如可以是 $\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ 代表图像纹理的水平梯度信息。

当施加该水平Sobel模板到子图像时，将该模板与子图像进行相关性计算，计算后得到该子图像的Sobel图像，或称为Sobel子图像。

通过对大量人脸样本图像的研究发现，在由其得到的Sobel图像中，某些特定位置相对于其他位置具有明显更高的响应能量，此特性可以用来粗略排除非人脸图像。上述的特定位置可以预定为预定区域，所述预定区域例如可以是在假设子图像为人脸子图像的情况下的人眼位置的区域。经过对大量样本图像的定量分析，可以得到所述预定区域为子图像中上部4％至40％的带状区域，也就是例如在子图像高度为100mm的情况下，从顶部起4mm至40mm的区域。

对于未知的子图像，可以通过以下公式(1)计算该预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比。

$\mathrm{Ratio}=\frac{\mathrm{sum}\_\mathrm{block}\_\mathrm{grad}\mathrm{ient}}{\mathrm{sum}\_\mathrm{image}\_\mathrm{grad}\mathrm{ient}}$

其中，sum_block_gradient是在Sobel图像中位于预定区域的像素的Sobel响应值之和，sum_image_gradient是该子图像的全部像素的Sobel响应值之和，即总Sobel响应值，Ratio是二者比值。

根据对大量样本图像的分析，如果是人脸子图像，则该比值Ratio通常大于50％，因此，在此可以将比例阈值预先设定为50％。如果该比值Ratio小于50％(或小于等于50％)，则该子图像认为明显不是人脸，因此可以在此阶段直接排除。

在此预处理步骤S300，还可以进一步考虑在计算得到Sobel子图像之后对其进行积分计算，得到积分Sobel图像，在该积分Sobel图像中的每个像素值由其相应的Sobel子图像中位置的左上部分所有像素响应值的和得到。公式(1)中的sum_block_gradient和sum_image_gradient可以由该积分Sobel图像简单得到，例如，sum_block_gradient可以由其右下点处像素值(积分值)减右上点处像素值(积分值)得到，子图像的右下角点的像素值即为sum_image_gradient。对Sobel图像进行积分处理得到其积分Sobel图像的技术还将在后文中描述。

通过预处理步骤S300的排除，可以直接拒绝大量的扫描得到的子窗口图像，显著提升整体检测速度。

图3包括图3A至图3H，示出了一些被预处理步骤排除的子图像示例。其中，图3F明显包括人脸，但是可能由于子图像过大，人脸比例过小而被排除，有可能由比图3F所示子图像尺度小的恰好包含人脸的窗口所得的子图像可以通过预处理步骤S300。一些具有复杂纹理的子图像也可以排除，可以减轻此后处理过程的负担。

然后，在检测步骤S400，可以采用传统的人脸检测手段来排除非人脸图像，例如可以利用Adaboost级联分类器，逐级排除所处理的图像。图4示出本发明实施例中可以采用的Adaboost级联分类器的结构示意图。如图4所示，例如，级联检测器由多级检测单元构成，其中1到n各个级的检测单元构成级联结构，进入的子图像从第1级的检测单元开始，逐步判断是否是人脸子图像，如果在某级的检测单元被判断为非，则该子图像归于非人脸一类，直接排除而不代入此后的处理，在子图像经过所有级别的检测单元都判断为是关于人脸的子图像之后，归为人脸一类，该子图像作为候选人脸子图像。

从1到n各个级别的检测单元可以利用Adaboost算法进行训练，该人脸检测器也可由其它类型的检测器构成，如支持向量机检测器(或者称分类器)或者神经网络检测器(或者称分类器)。

在检测步骤S300中，Adaboost级联分类器的各级可以利用不同的Haar特征来判断子图像是否是非人脸子图像。每个级的检测单元按照其所处位置的不同而具有不同的特征复杂度。在前端的检测单元所采用的Haar特征可以相对简单，包含的基于Haar特征的弱分类器数目比较少；在后端的检测单元所采用的Haar特征可以相对复杂，包含的基于Haar特征的弱分类器数目比较多。

图5包括图5A至图5C，示出可以用于本发明实施例所采用的级联检测器的Haar特征的示例，其中，图5A示出线性Haar特征示例，图5B示出边缘Haar特征示例，图5C示出中心环绕Haar特征示例，Haar特征可以在水平和倾斜两种方向。

可以采用的Haar特征不限于图5所示，本领域技术人员可以理解，其它Haar特征模板例如图5所示的模板的各种组合也可以应用于本发明的实施例。Haar特征表示局部纹理的对比信息。

在Adaboost级联分类器中所采用的Haar特征可以是在训练过程挑选之后的模板，在检测之前所需要用的Haar特征模板已经确定，所选择的Haar特征模板可以预先存储在检测单元中。

在传统的人脸检测处理中，通过Adaboost级联分类器而得到的子图像可以认为是人脸子图像，可以直接按照其所在位置而回到原始的待处理图像，来进行诸如聚类之类的后处理。根据本发明实施例，还可以进一步采用验证步骤S500，在经过检测的候选人脸子图像之中进一步排除非人脸图像，提高最终结果的精确性。

在验证步骤S500中可以采用Adaboost分类器来对候选人脸子图像进行进一步的排除，通过Adaboost分类器的人脸子图像可以回到原始的待处理图像来进行进一步的后处理。Adaboost分类器采用Adaboost算法，可以基于Haar-Sobel特征来建立，能够精细地验证已经通过人脸检测器的候选人脸子图像。在此可以不必采用级联分类器，而是可以选择采用例如单级分类器。

在验证步骤S500中所采用的Haar-Sobel特征可以是在训练过程中确定的模板，也就是，在验证处理之前，Haar-Sobel特征模板已经确定，所确定的Haar-Sobel特征存储在Adaboost分类器中。

用于人脸验证的分类器也属于Adaboost分类器的类型，可以由一些弱分类器组成，每个弱分类器是一个基于对应的Haar-Sobel特征建立的分段线性函数，每个弱分类器的权重通过Adaboost算法训练获得。

按照本发明的实施例，可以通过针对样本人脸图像，利用水平Sobel模板计算得到样本人脸Sobel图像，对样本人脸Sobel图像应用Haar特征，来获得所述Haar-Sobel特征。例如，可以对样本人脸Sobel图像进行积分处理得到样本人脸积分Sobel图像，针对样本人脸积分Sobel图像，对与该样本人脸积分Sobel图像对应的样本人脸Sobel图像上的Haar特征进行计算，来获得所述Haar-Sobel特征。

具体地，可以收集足够数量的样本人脸图像，以类似于前述预处理步骤S300中的方式，将水平Sobel模板施加于样本人脸图像，得到样本人脸图像的Sobel图像，也可以称为样本人脸Sobel图像。然后，可以通过以下的公式(2)来对样本人脸图像的Sobel图像计算其相应的积分Sobel图像。

图6包括图6A和图6B，图6A示意性地示出积分Sobel图像，图6B示意性地示出利用图6A所示的积分Sobel图像而得到相应的Sobel图像区域的像素值之和的过程。

设Sobel图像为SI，积分Sobel图像为SSI，则如图6A所示，积分Sobel图像SSI中任一点SSI(x，y)的像素值为其对应的Sobel图像中左上角为(0，0)右下角为(x，y)的矩形框中的所有像素值之和。

$\mathrm{SSI}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}\mathrm{SI}(x^{\′},y^{\′})---\left(2\right)$

从而，如图6B所示，在得到积分Sobel图像之后，Sobel图像中任意位置的矩形框(例如图6B中角点为S1、S2、S3、S4的矩形框)中的像素值之和可以通过以下公式(3)快速计算得到，其中，Sobel图像中各像素的像素值也即该像素的Sobel响应值。

SI_Square＝SSI(S1)-SSI(S2)-SSI(S3)+SSI(S4)(3)

其中，SI_Square是如图6所示角点为S1、S2、S3、S4的矩形框，SSI(S1)、SSI(S2)、SSI(S3)、SSI(S4)分别为相应积分Sobel图像SSI中S1、S2、S3、S4点的像素值，其中，积分Sobel图像中各像素的像素值也即该像素处的Sobel积分值。

在得到样本人脸积分Sobel图像后，对与该样本人脸积分Sobel图像对应的样本人脸Sobel图像上的Haar特征进行计算，得到所需的Haar-Sobel特征模板。

图7示例性地示出可以用于人脸验证的Haar-Sobel特征模板的示意图，其代表的是相邻Sobel梯度的局部对比信息，可以利用积分Sobel图像快速计算得到。如图7所示，选择线性、边缘、中心环绕三种纹理类型的Haar-Sobel特征模板，具有水平和倾斜两种方向。

基于Haar-Sobel特征模板建立Adaboost分类器，来在候选人脸子图像中进一步地排除非人脸图像，获得人脸子图像。

经过验证步骤S500进一步排除之后的人脸子图像可以作为最终结果输出，也可以进一步进行后处理，在人脸子图像按照其所在位置放置到原待处理图像中之后，进一步地排除及聚类，改善输出效果。

例如，按照本发明实施例的人脸检测方法还可以进一步包括决策步骤，可以根据待处理图像中人脸子图像的密度，排除密度低于预定密度阈值的位置处的人脸子图像。还可以进一步包括聚类步骤，可以针对经过决策步骤的待处理图像，将同一位置重叠的人脸子图像聚类为待处理图像的人脸区域。

图8包括图8A和图8B，示意性地示出对人脸子图像进行后处理的过程，其中，图8A示出将经过验证的人脸子图像放置在原始待处理图像中的情况，图8B示出对人脸子图像进行后处理之后在原始待处理图像中的情况。

在后处理过程中，首先根据待处理图像中人脸子图像的密度，排除密度低于预定密度阈值的位置处的人脸子图像。可以预定义最小重叠子图像数量，可以称为子图像的密度阈值，用来过滤掉一部分人脸子图像。如果预定义的最小重叠子图像数量为N，则排除位置相重叠的人脸子图像数量小于N的人脸子图像，即如果人脸子图像的密度低于密度阈值，则该位置处的人脸子图像都排除。

图8A中的虚线框代表人脸子图像，假定预定义的最小重叠子图像数量为2，则排除未与任何其它人脸子图像有任何重叠的人脸子图像，从而进一步增加人脸检测的整体准确程度。

然后，依照剩余的各个人脸子图像的位置以及重叠程度对这些候选子窗口进行聚类，图8B中的实线框代表多个位置相重叠的人脸子图像聚类得到的人脸区域。可以导出图8B所示的结果，即带有最终确定的人脸区域的待处理图像。在此，本发明实施例对该待处理图像的处理可以认为结束，然而，为了与处理过程中所用的已知的样本图像相区别，在此仍然称为“待处理图像”。

上述的后处理过程也可以合并为一个聚类过程，聚类过程中发现聚类数目(同一位置处重叠的子图像数目)小于密度阈值的所聚类的子图像均排除，由未排除的得到聚类结果。可以根据人脸子图像之间的重合程度来判断是否要合并，如果某一子图像和另一子图像大小相差不大，重合程度大于某个经验阈值，则该两子窗口可以认为应合并，否则认为不应合并。对于判断应合并的子图像，可以通过本领域熟知的任何一种手段来实现聚类。

例如，如图8A所示，得到两个聚类，其中有1个人脸子图像的聚类可以排除，而由有4个人脸子图像的聚类得到如图8B所示的聚类结果，即最终确定的待处理图像中的人脸区域。图8B所示的示意图像可以作为最终处理结果而导出。

图9示出按照本发明实施例的人脸检测设备的总体框图。按照本发明实施例的人脸检测设备10可以用来实施上述人脸检测方法S10，如图9所示，人脸检测设备10可以包括：导入装置100，可以用来实施上述导入步骤S100，以导入待处理图像；子图像提取装置200，可以用来实施上述子图像提取步骤S200，以利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；预处理装置300，可以用来实施上述预处理步骤S300，以针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；检测装置400，可以用来实施上述检测步骤S400，以针对通过预处理装置300的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；验证装置500，可以用来实施上述验证步骤S500，以针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。

其中，可以通过针对样本人脸图像，利用水平Sobel模板计算得到样本人脸Sobel图像，对样本人脸Sobel图像应用Haar特征，来获得所述Haar-Sobel特征。

其中，可以对样本人脸Sobel图像进行积分处理得到样本人脸积分Sobel图像，针对样本人脸积分Sobel图像，对与该样本人脸积分Sobel图像对应的样本人脸Sobel图像上的Haar特征进行计算，来获得所述Haar-Sobel特征。

按照本发明实施例的人脸检测设备还可以包括决策装置，可以用来实施上述决策步骤，以根据待处理图像中人脸子图像的密度，排除密度低于预定密度阈值的位置处的人脸子图像。

按照本发明实施例的人脸检测设备还可以包括聚类装置，可以用来实施上述聚类步骤，以针对通过决策装置的待处理图像，将同一位置重叠的人脸子图像聚类为待处理图像的人脸区域。

其中，所述预处理装置300所针对的所述预定区域为在假设子图像为人脸子图像的情况下的人眼位置的区域。

其中，所述检测装置400所利用的所述Adaboost级联分类器的各级利用不同的Haar特征来判断子图像是否是非人脸子图像。

其中，所述预处理装置300所采用的所述预定比例阈值为50％。

其中，所述预处理装置300所针对的所述预定区域为子图像中上部4％至40％的带状区域。

本发明还可以实施为一种人脸检测系统。图10是示出按照本发明实施例的人脸检测系统1000的总体框图。如图10所示，人脸检测系统1000可以包括：输入设备1100，用于从外部输入将要检测处理的图像，例如可以包括键盘、鼠标器、扫描仪、以及通信网络及其所连接的远程输入设备等等；处理设备1200，用于实施上述的按照本发明实施例的人脸检测方法，或者实施为上述的按照本发明实施例的人脸检测设备，例如可以包括计算机的中央处理器或其它的具有处理能力的芯片等等；输出设备1300，用于向外部输出实施上述人脸检测过程所得的结果，例如可以包括显示器、打印机、以及通信网络及其所连接的远程输出设备等等；以及存储设备1400，用于以易失或非易失的方式存储上述人脸检测处理过程所涉及的图像、所得的结果、命令、中间数据等等，例如可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘、或半导体存储器等等的各种易失或非易失性存储器。

图11示出采用验证过程对整体人脸检测性能的改进示例。在一个示例性的实验中，利用100张样本图像，其中包含202个人脸。在未采用按照本发明实施例的验证过程的情况下，将非人脸误检为人脸33个，检测出人脸区域172，即漏检30个，经过选取特征的调整，在非人脸误检数下降5个，即误检28个(如图11中柱PN所示)的情况下，检测出人脸区域132个，检测率为66％，即漏检数增加40个(如图11中柱PH所示)。在采用按照本发明实施例的验证过程的情况下，如果起初非人脸误检为人脸33个，检测出人脸区域172，即漏检30个，经过选取特征的调整，在非人脸误检数下降5个，即误检28个(如图11中柱AN所示)的情况下，仍然检测出人脸区域154个，检测率为77％，即漏检数增加18个(如图11中柱AH所示)。

因此，在上述对比实验中，在使用验证手段之后，从检测率的角度看，在相同的误检率情况下，没有验证手段时检测率为66％，采用验证手段时检测率为77％，在加入验证手段后整体检测性能得到了明显的提升。

图12包括图12A至图12F，示出采用按照本发明实施例的验证手段前后对待处理图像进行人脸检测的结果对比。

图12A、图12C、图12E分别示出没有采用验证手段的情况下的人脸检测的结果，图12B、图12D、图12F分别示出采用验证手段的情况下的人脸检测的结果。图12B、图12D、图12F与图12A、图12C、图12E分别基于相同的图像，通过实验结果可以发现，在加入验证手段后，在由Haar特征所构建的人脸检测器中很难被拒绝的纹理，诸如手、鲜花和文字等等的一些子图像，在加入验证手段后都被拒绝了。

在本发明实施例中，采用分而治之的策略来解决人脸检测问题。采用的特征可以包括各种能够满足实时性能要求的局部纹理描述子，诸如Haar特征、Sobel特征、及Haar-Sobel特征等等。

传统的人脸检测器被扩展为3个模块，即，数据预处理、人脸检测和人脸验证。在数据预处理中，采用Sobel特征来直接拒绝一些非人脸的子图像，从而可以避免大量的子图像检测过程，节约检测时间。在人脸检测模块中，采用Haar特征的级联分类器来选择候选人脸子图像。在人脸验证模块中，采用Haar-Sobel特征联合Adaboost分类器的方式来拒绝一些复杂非人脸子图像，以提升整体检测性能。通过这样的策略，由于不同的模块针对不同的子功能，因此每个模块的设计难度也就大大降低了。更进一步，因为不同模块在设计时可以互为补充，从而使得可以更容易地同时保证检测性能、检测速度和低误检率。

在说明书中说明的一系列操作能够通过硬件、软件、或者硬件与软件的组合来执行。当由软件执行该一系列操作时，可以把其中的计算机程序安装到内置于专用硬件的计算机中的存储器中，使得计算机执行该计算机程序。或者，可以把计算机程序安装到能够执行各种类型的处理的通用计算机中，使得计算机执行该计算机程序。

例如，可以把计算机程序预先存储到作为记录介质的硬盘或者ROM(只读存储器)中。或者，可以临时或者永久地存储(记录)计算机程序到可移动记录介质中，诸如软盘、CD-ROM(光盘只读存储器)、MO(磁光)盘、DVD(数字多功能盘)、磁盘、或半导体存储器。可以把这样的可移动记录介质作为封装软件提供。

本发明已经参考具体实施例进行了详细说明。然而，很明显，在不背离本发明的精神的情况下，本领域技术人员能够对实施例执行更改和替换。换句话说，本发明用说明的形式公开，而不是被限制地解释。要判断本发明的要旨，应该考虑所附的权利要求。

Claims (10)

1.一种人脸检测方法，包括：

导入步骤，导入待处理图像；

子图像提取步骤，利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；

预处理步骤，针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；

检测步骤，针对通过预处理步骤的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；

验证步骤，针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。

2.按照权利要求1所述的人脸检测方法，其中，通过针对样本人脸图像，利用水平Sobel模板计算得到样本人脸Sobel图像，对样本人脸Sobel图像应用Haar特征，来获得所述Haar-Sobel特征。

3.按照权利要求2所述的人脸检测方法，其中，对样本人脸Sobel图像进行积分处理得到样本人脸积分Sobel图像，针对样本人脸积分Sobel图像，对与该样本人脸积分Sobel图像对应的样本人脸Sobel图像上的Haar特征进行计算，来获得所述Haar-Sobel特征。

4.按照权利要求1所述的人脸检测方法，还包括决策步骤，根据待处理图像中人脸子图像的密度，排除密度低于预定密度阈值的位置处的人脸子图像。

5.按照权利要求4所述的人脸检测方法，还包括聚类步骤，针对经过决策步骤的待处理图像，将同一位置重叠的人脸子图像聚类为待处理图像的人脸区域。

6.按照权利要求1所述的人脸检测方法，其中，在所述预处理步骤中，所述预定区域为在假设子图像为人脸子图像的情况下的人眼位置的区域。

7.按照权利要求1所述的人脸检测方法，其中，在所述检测步骤中，所述Adaboost级联分类器的各级利用不同的Haar特征来判断子图像是否是非人脸子图像。

8.按照权利要求1所述的人脸检测方法，其中，在所述预处理步骤中，所述预定比例阈值为50％。

9.按照权利要求1所述的人脸检测方法，其中，在所述预处理步骤中，所述预定区域为子图像中上部4％至40％的带状区域。

10.一种人脸检测设备，包括：

导入装置，导入待处理图像；

子图像提取装置，利用不同尺度的窗口分别遍历待处理图像，提取窗口中的待处理图像的部分，作为子图像；

预处理装置，针对所述子图像，利用水平Sobel模板计算得到该子图像的Sobel图像，如果该Sobel图像中预定区域的Sobel响应值之和相对于该子图像的总Sobel响应值之比小于预定比例阈值，则排除该子图像；

检测装置，针对通过预处理装置的子图像，利用Adaboost级联分类器排除非人脸子图像，获得候选人脸子图像；

验证装置，针对所述候选人脸子图像，利用基于Haar-Sobel特征建立的Adaboost分类器，对候选人脸子图像进行验证，排除非人脸子图像，其余作为人脸子图像。

Images