CN103093250A - 一种基于新Haar-like特征的Adaboost人脸检测方法 - Google Patents

Abstract

本发明公开了一种基于新Haar-like特征的Adaboost人脸检测方法，其步骤如下：1）训练阶段：第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器；第二步，训练得到人脸和非人脸的强分类器；第三步，重复第二步到第三步的训练过程，得到完整的人脸检测器；2）检测阶段：第四步，遍历一次图像提取所有被检测的子窗口，得到待检测子图像集；第五步，计算各子图像的所有矩形的积分图值；第六步，利用训练得到的分类器进行检测；第七步，合并所有的检测结果，输出检测到的人脸位置。本发明的弱分类器更具体，更精确，能够有效的提高人脸的检测效率。

Description

一种基于新Haar-like特征的Adaboost人脸检测方法

技术领域

本发明涉及图像模式识别技术领域，尤其涉及一种基于新Haar-like特征的Adaboost人脸检测方法。

背景技术

近几年，人脸检测已经成为了是计算机视觉领域内研究十分活跃的课题之一。基于Haar-like特征的Adaboost人脸检测算法具有检测速度快、实时性强、鲁棒性好等优点，从而一定程度上的解决了检测速度和检测率的权衡。2001年Viola和Jones设计出了第一个人脸实时检测系统，其系统检测速度快并且准确率高等特点立刻引起了众多学者的关注。文献中提到了他们所做出的三点贡献，其一，提出了一组Haar-like特征用于人脸的特征提取；其二，提出了“积分图”用于加快特征值的计算速度；其三，通过修改的Adaboost算法将Haar-like组成的弱分类器训练成强分类器，最后把强分类器级联组成一个级联分类器。根据Viola实验数据描述可以达到每秒15帧的检测速度。

Haar-like小波特征是由两个或者多个全等的矩形相邻组合而成的，后来的很多研究都是基于Haar-like特征提出了许多Haar-like扩展集，扩展的Haar-like特征主要目的是为了解决Viola等人的haar-like集在环境鲁棒性和多角度人脸检测上的不足。Lienhart等人提出的旋转的Haar-like特征及给出了快速的计算方法。李等人随后提出了一组简单的Haar-like小波特征，这组特征值是由几个分开且等距离的矩阵组合而成，在多角度的检测上面取得了很好的效果。黄等人也相应提出了Sparse Granular Features，在多角度和检测率上面得到了很好的表现，不足的是需要耗费较多的计算时间。

当然，除了Haar-like小波特征，很多学者也相应提出了新的人脸特征集在复杂环境下也取得了很好的效果。比较具有代表性的如K.Levi等人提出的edge orientationhistograms(EOH)，由于提取出来的人脸特征更具有代表性，所以其特征所需要的人脸训练库的人脸数量大大减小，也就是说，仅仅需要几百张人脸训练集就可以与先前Viola等人提出的Haar-like特征达到相应的检测率，但是特征计算相对比较复杂。

为了权衡计算时间，环境鲁棒性以及姿态鲁棒性，本发明在Viola等人所提出的Adaboost算法的基础上，提出了两组新的Haar-like特征，综合分析了两组新Haar-like特征的特性，并且应用了积分图计算方法，通过训练器训练出双通道强级联分类器分别检测一幅图片的正面脸和侧脸，最后通过检测后的结果进行合并。基于新的扩展Haar-like特征组训练出的弱分类器更具体，更精确，双通道级联分类器具有很高的检测率，对于有一定倾斜角度的人脸具有鲁棒性。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种隐蔽性能好、计算时间短、环境鲁棒性以及姿态鲁棒性好、更精确、具有很高检测率、特别是对于有一定倾斜度人脸具有鲁棒性的基于新Haar-like特征的Adaboost人脸检测方法。

为达到上述目的，本发明的技术方案为：一种基于新Haar-like特征的Adaboost人脸检测方法，其步骤如下：

1）训练阶段

第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器；

其具体过程如下：

A．构造Haar-like特征，用于反应图像局部的灰度变化，所述Haar-like特征包括传统的边缘特征、线性特征、中心特征、以及新增加的人脸的斜度方向上的灰度变化特征和脸颊与眼睛区域的灰度变化特征；

该人脸的斜度方向上的灰度变化特征由大小两个相似的正方形组成，其中大正方形为白色，小正方形为黑色，小正方形的面积占大正方形面积的四分之一，小正方形位于大正方形的四个角，形成四种不同的人脸的斜度方向上的灰度变化特征；

所述脸颊与眼睛区域的灰度变化特征由两个全等的正方形组成，其中一个正方形为白色，另外一个为黑色，两个正方形分别位于一个矩形区域的对角，形成四种不同的脸颊与眼睛区域的灰度变化特征；

B．应用积分图计算方法计算出矩形特征值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

C．挑选矩形特征，并构成与之对应的弱分类器；

第二步，利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器；

第三步，重复第二步到第三步的训练过程，得到多层强分类器，将所述多层强分类器利用Cascade策略级联为级联分类器，该级联分类器采用双通道，其中一个通道的级联分类器用来检测侧面人脸的坐标位置，另一个通道的级联分类器用来检测正面人脸的坐标位置，即得到的该级联分类器为一个完整的人脸检测器；

2）检测阶段

第四步，按照1.2比例连续缩放检测窗口，并用得到的检测窗口按步长为1，长宽均为6像素点的正方形，遍历一次图像提取所有被检测的子窗口，得到待检测子图像集；

第五步，计算各子图像的所有矩形的积分图值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

第六步，利用训练得到的分类器进行检测，如果任意一层分类器输出低于训练所得的该层分类器阈值，即认为待检测子图像为非人脸而不需要进行后续判断，只有通过所有层分类器判断的子窗口被认为是人脸；

第七步，合并所有的检测结果，输出检测到的人脸位置。

所述第一步中弱分类器的计算公式如下：

其中h_j(x)就是基于简单特征的分类器值，x就是待检测子窗口，f_j(x)是子窗口x的特征值计算函数，p_j是一个符号因子，θ_j是对应分类器的阈值。

所述第二步中利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器，具体的训练过程如下：

一、给定训练图像(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，其中y_i＝0,1代表负例和正例，x_j∈X，X是训练样本集；

二、初始化权值：

分别对应y_i＝0,1的情况，其中m和1分别表示负例的个数和正例的个数；

三、通过T轮训练得到所需要的强分类器。

所述通过T轮训练得到所需要的强分类器，具体步骤如下：

a.归一化权值，

其中ω_t是一个概率分布；

b.对于每一个特征j，训练出唯一与之相对应的分类器h_j，该分类器的错误ε_j根据ω_t计算得到的，ε_j＝∑ω_i|h_j(x_i)-y_i|；

c．选取h_t，使得ε_j达到最小；

d．更新权值：

${\mathrm{\ω}}_{t+1,i}={\mathrm{\ω}}_{t,i}{\mathrm{\β}}_t^{1-e_i}$

其中

当x_i被正确分类时，e_i=0，否则e_i=1；

d.最终强的分类器如下：

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

本发明采用以上的技术方案，基于两组新的Haar-like特征，并应用了积分图计算方法，通过训练器训练出双通道强级联分类器分别检测一幅图片的正面脸和侧脸，最后通过检测后的结果进行合并。这样能够有效的提高人脸的检测效率。基于新的扩展Haar-like特征组训练出的弱分类器更具体，更精确，双通道级联分类器具有很高的检测率，对于有一定倾斜角度的人脸具有鲁棒性。新增加的反映出斜度方向上的灰度特征变化和脸颊的区域和眼睛的区域的灰度特征，能够训练出更好的弱分类器，通过训练后的涵盖区域，可以观察出人脸脸颊的区域和眼睛的区域的灰度特征变化关键特征。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明：

图1为本发明Haar-like特征的边缘特征示意图；

图2为本发明Haar-like特征的线性特征示意图；

图3为本发明Haar-like特征的中心特征示意图；

图4为本发明新增加的Haar-like特征的人脸的斜度方向上的灰度变化特征示意图；

图5为本发明新增加的Haar-like特征的脸颊与眼睛区域的灰度变化特征示意图；

图6为本发明公式（1）中点(x,y)积分图值计算示意图；

图7为本发明遍历一次图像灰度值就可以得到所有矩形的积分图值计算示意图；

图8为本发明图4中四种不同的人脸的斜度方向上的灰度变化特征中第一种的矩形的积分图值计算示意图；

图9为本发明图5中四种不同的脸颊与眼睛区域的灰度变化特征中第一种的矩形的积分图值计算示意图。

具体实施方式

如图1至图9之一所示，本发明的技术方案为：一种基于新Haar-like特征的Adaboost人脸检测方法，其步骤如下：

1）训练阶段

第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器；

其具体过程如下：

A．构造Haar-like特征，用于反应图像局部的灰度变化，所述Haar-like特征包括传统的边缘特征、线性特征、中心特征、以及新增加的人脸的斜度方向上的灰度变化特征和脸颊与眼睛区域的灰度变化特征；

该人脸的斜度方向上的灰度变化特征由大小两个相似的正方形组成，其中大正方形为白色，小正方形为黑色，小正方形的面积占大正方形面积的四分之一，小正方形位于大正方形的四个角，形成四种不同的人脸的斜度方向上的灰度变化特征；

所述脸颊与眼睛区域的灰度变化特征由两个全等的正方形组成，其中一个正方形为白色，另外一个为黑色，两个正方形分别位于一个矩形区域的对角，形成四种不同的脸颊与眼睛区域的灰度变化特征；

B．应用积分图计算方法计算出矩形特征值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

C．挑选矩形特征，并构成与之对应的弱分类器；

第二步，利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器；

第三步，重复第二步到第三步的训练过程，得到多层强分类器，将所述多层强分类器利用Cascade策略级联为级联分类器，该级联分类器采用双通道，其中一个通道的级联分类器用来检测侧面人脸的坐标位置，另一个通道的级联分类器用来检测正面人脸的坐标位置，即得到的该级联分类器为一个完整的人脸检测器；

2）检测阶段

第四步，按照1.2比例连续缩放检测窗口，并用得到的检测窗口按步长为1，长宽均为6像素点的正方形，遍历一次图像提取所有被检测的子窗口，得到待检测子图像集；

第五步，计算各子图像的所有矩形的积分图值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

第六步，利用训练得到的分类器进行检测，如果任意一层分类器输出低于训练所得的该层分类器阈值，即认为待检测子图像为非人脸而不需要进行后续判断，只有通过所有层分类器判断的子窗口被认为是人脸；

第七步，合并所有的检测结果，输出检测到的人脸位置。

所述第一步中弱分类器的计算公式如下：

其中h_j(x)就是基于简单特征的分类器值，x就是待检测子窗口，f_j(x)是子窗口x的特征值计算函数，p_j是一个符号因子，θ_j就是对应分类器的阈值。

所述第二步中利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器，具体的训练过程如下：

一、给定训练图像(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，其中y_i＝0,1代表负例和正例，x_i∈X，X是训练样本集；

二、初始化权值：分别对应y_i＝0,1的情况，其中m和1分别表示负例的个数和正例的个数；

三、通过T轮训练得到所需要的强分类器。

所述通过T轮训练得到所需要的强分类器，具体步骤如下：

a.归一化权值，

其中ω_t是一个概率分布；

b．对于每一个特征j，训练出唯一与之相对应的分类器h_j，该分类器的错误ε_j根据ω_t计算得到的，ε_j＝∑ω_i|h_j(x_i)-y_i|；

c．选取h_t，使得ε_j达到最小；

d．更新权值：

${\mathrm{\ω}}_{t+1,i}={\mathrm{\ω}}_{t,i}{\mathrm{\β}}_t^{1-e_i}$

其中

当x_i被正确分类时，e_i=0，否则e_i=1；

d.最终强的分类器如下：

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

为了进一步理解本发明，我们对积分过程进行详细描述如下：

如附图6所示，点(x,y)左上角所有像素值i(x,y)的和（阴影部分），称之为该点的积分图ii(x,y)，如下公式（1）。

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤{x,y}^{\′}\≤y}{\mathrm{\Σ}}i\left(x\′,y\′\right)---\left(1\right)$

假设i(x,y)为输入图像各点的像素值，s(x,y)为输入图像中像素点(x,y)所在的列坐标不超过该点的所有像素值之和，因此积分图可以用如下递推公式（2），（3）来计算。

s(x,y)＝s(x,y-1)+i(x,y)                 （2）

ii(x,y)＝ii(x-1,y)+s(x,y)               （3）

其中，规定s(x,-1),s(-1,y)像素和为0。

如附图7中2点的积分图为A+B，3点积分图为A+C，因此4点的积分图为4+1-（2+3）。通过积分图，只需要遍历一次图像灰度值就可以得到所有矩形的积分图值，所以计算时间是一个常量时间。

新增加的haar-like特征值的计算公式：如附图8矩形4个区域的像素值标记为A,B,C,D。区域A的像素值=ii5+ii1-(ii2+ii4)；区域B像素值=ii6+ii2-(ii3+ii5)；区域C像素值=ii8+ii4-(ii5+ii7)；区域D像素值=ii9+ii5-(ii6+ii8)。

附图4中第一种人脸的斜度方向上的灰度变化特征模板的特征值如公式（4）：

(ii2+ii4)*2+ii9-(ii1+ii3+ii5*2+ii7)               （4）

附图4中第二种人脸的斜度方向上的灰度变化特征模板的特征值如公式（5）：

(ii6+ii8)*2+ii1-(ii3+ii5*2+ii7+ii9)               （5）

同理，可以计算其他的特征值。

Claims (4)

1.一种基于新Haar-like特征的Adaboost人脸检测方法，其特征在于：其步骤如下：

1）训练阶段

第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器；

其具体过程如下：

A．构造Haar-like特征，用于反应图像局部的灰度变化，所述Haar-like特征包括传统的边缘特征、线性特征、中心特征、以及新增加的人脸的斜度方向上的灰度变化特征和脸颊与眼睛区域的灰度变化特征；

该人脸的斜度方向上的灰度变化特征由大小两个相似的正方形组成，其中大正方形为白色，小正方形为黑色，小正方形的面积占大正方形面积的四分之一，小正方形位于大正方形的四个角，形成四种不同的人脸的斜度方向上的灰度变化特征；

所述脸颊与眼睛区域的灰度变化特征由两个全等的正方形组成，其中一个正方形为白色，另外一个为黑色，两个正方形分别位于一个矩形区域的对角，形成四种不同的脸颊与眼睛区域的灰度变化特征；

B．应用积分图计算方法计算出矩形特征值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

C．挑选矩形特征，并构成与之对应的弱分类器；

第二步，利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器；

第三步，重复第二步到第三步的训练过程，得到多层强分类器，将所述多层强分类器利用Cascade策略级联为级联分类器，该级联分类器采用双通道，其中一个通道的级联分类器用来检测侧面人脸的坐标位置，另一个通道的级联分类器用来检测正面人脸的坐标位置，即得到的该级联分类器为一个完整的人脸检测器；

2）检测阶段

第四步，按照1.2比例连续缩放检测窗口，并用得到的检测窗口按步长为1，长宽均为6像素点的正方形，遍历一次图像提取所有被检测的子窗口，得到待检测子图像集；

第五步，计算各子图像的所有矩形的积分图值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

第六步，利用训练得到的分类器进行检测，如果任意一层分类器输出低于训练所得的该层分类器阈值，即认为待检测子图像为非人脸而不需要进行后续判断，只有通过所有层分类器判断的子窗口被认为是人脸；

第七步，合并所有的检测结果，输出检测到的人脸位置。

2.根据权利要求1所述的基于新Haar-like特征的Adaboost人脸检测方法，其特征在于：

所述第一步中弱分类器的计算公式如下：

其中h_j(x)就是基于简单特征的分类器值，x就是待检测子窗口，f_j(x)是子窗口x的特征值计算函数，p_j是一个符号因子，θ_j是对应分类器的阈值。

3.根据权利要求1所述的基于新Haar-like特征的Adaboost人脸检测方法，其特征在于：所述第二步中利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器，具体的训练过程如下：

一、给定训练图像(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，其中y_i＝0,1代表负例和正例，x_i∈X，X是训练样本集；

二、初始化权值：

分别对应y_i＝0,1的情况，其中m和1分别表示负例的个数和正例的个数；

三、通过T轮训练得到所需要的强分类器。

4.根据权利要求3所述的基于新Haar-like特征的Adaboost人脸检测方法，其特征在于：所述通过T轮训练得到所需要的强分类器，具体步骤如下：

a.归一化权值，其中ω_t是一个概率分布；

b．对于每一个特征j，训练出唯一与之相对应的分类器h_j，该分类器的错误ε_j根据ω_t计算得到的，ε_j＝∑ω_i|h_j(x_i)-y_i|；

c．选取h_t，使得ε_j达到最小；

d．更新权值：

${\mathrm{\ω}}_{t+1,i}={\mathrm{\ω}}_{t,i}{\mathrm{\β}}_t^{1-e_i}$

其中

当x_i被正确分类时，e_i=0，否则e_i=1；

d.最终强的分类器如下：

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

Images