CN103279752A - 一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法 - Google Patents

Abstract

本发明公开了一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法，其特征是，具体步骤为：步骤一：分别训练人脸分类器和眼睛分类器；步骤二：利用训练好的人脸分类器确定人脸位置；步骤三：利用训练好的眼睛分类器在检测出的人脸区域的上部2/3的部分确定候选眼睛区域的位置；步骤四：利用人脸统计学意义上的内在几何特征确定各组眼睛对的几何特征系数；步骤五：确定每组候选眼睛对的各自判决度量d；步骤六：比较各组候选眼睛对的判决度量，判决度量越小，表示该候选眼睛对的置信水平越高；即可确定出最佳的一组眼睛对，进而确定出眼睛的最佳位置。本发明利用人脸内在的几何特征对搜索到的眼睛区域进一步甄别，能够准确有效地确定眼睛的最佳位置。

Description

一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法

技术领域

本发明涉及一种眼睛定位方法，尤其涉及一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法。

背景技术

在保密、可视电话和人机交互等方面人脸识别都有极为广阔的前景，而对眼睛部位定位的精确度直接影响着对人脸的识别率。

针对于眼睛定位的算法，目前主要有以下几类：边缘提取，灰度投影，区域分割，以及统计学习（其中最为代表性的是Adaboost算法）等方法。边缘提取法是将人脸图像的边缘进行提取，采用Hough变换来检测眼球，进而实现对眼部模板的构造，从能量角度使用一系列的函数确定眼睛所在位置；灰度投影法是在水平与竖直方向上对人脸图像分别进行投影，再根据投影图像波峰与波谷的分布位置信息确定眼睛所在位置；区域分割法是对二值化的人脸图像区域分割，设定经验值与支持函数后，从而确定眼睛位置；统计学习法是利用大量的、不同环境不同条件下的人眼样本与非人眼样本，根据机器学习方法与统计分析理论对人眼所共有的信息进行提取，从而实现人眼部的检测，从根本上说，该方法是将人眼部的区域看作一类模式来处理。Adaboost算法是统计学习算法中的一种，该算法的基本原理是其学习过程中，能根据之前定义的正例与反例中的特征产生的效果，不断地调整改变这一特征的权值，迭代计算之后最终由各个特征性能的好坏得出判断准则。同时，在其中使用了一种瀑布算法（Cascade），这种算法的目的是减少计算量，其原理为在整个检测过程中，对无法达到某一阈值的区域进行舍弃，从而达到减少判断区域的个数。Adaboost算法虽然有较快的检测速度、较高的检测精度，但其缺点是容易受到样本集的影响。强适应性与鲁棒性是单帧图像中人眼检测算法的主要性能要求，但对所有目标图像进行逐帧窗口的穷举搜索，就导致了较高的计算复杂性，所以使用这种方法的主要不足在于在样本的收集和训练上需要占用大量的时间，尤其是选取非人眼样本时会遇到较大的困难。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法，它具有利用人脸内在的几何特征对搜索到的眼睛区域进一步甄别，具有能够准确有效地确定眼睛的最佳位置的优点。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法，具体步骤为：

步骤一：分别训练人脸分类器和眼睛分类器；

步骤二：利用训练好的人脸分类器确定人脸位置；

步骤三：利用训练好的眼睛分类器在检测出的人脸区域的上部确定候选眼睛区域的位置；

步骤四：利用人脸统计学意义上的内在几何特征确定各组眼睛对的几何特征系数；

步骤五：确定每组候选眼睛对的各自判决度量d；

步骤六：比较各组候选眼睛对的判决度量，判决度量越小，表示该候选眼睛对的置信水平越高；即可确定出最佳的一组眼睛对，进而确定出眼睛的最佳位置。

所述步骤一中人脸分类器和眼睛分类器的构成方法：

（1-1）由类Haar小波确定的矩形特征提取法中，设取定g×g的目标模板，得到m个可取的矩形特征；

（1-2）找到在分类过程中有重要作用的矩形特征，对特征反复进行选择，构成二值弱分类器，再由加权组合形成强分类器。

所述步骤三的具体步骤为：

（3-1）人脸区域的上部为人脸区域的上部2/3的部分，调整参数，使得前后两次相继扫描中，搜索窗口比例系数的确定兼顾搜索速度和搜索的精细程度，即优先提高搜索精度，但是把搜索速度控制在一定范围之内。

（3-2）设检测出N个候选眼睛区域为{e1,e2,……eN}，排列组合成组，候选眼睛对 $\{\mathrm{eg}1,\mathrm{eg}2,\·\·\·\·\·\·,\mathrm{eg}\frac{N(N-1)}{2}\}.$

所述步骤四的具体步骤为：

（4-1）为每组候选眼睛对设置一个尺寸相似度系数s；根据每组候选眼睛对中两个眼睛区域大小差别计算尺寸相似度系数s；

$s=\sqrt{{(h_1-h_2)}^2+{(w_1-w_2)}^2};$

其中，h₁表示第n组候选眼睛对中的第1个眼睛区域的高度,h₂表示第n组候选眼睛对中的第2个眼睛区域的高度,w₁表示第n组候选眼睛对中的第1个眼睛区域的宽度,w₂表示第n组候选眼睛对中的第2个眼睛区域的宽度；

（4-2）为每组候选眼睛对设置一个水平对称系数h，表示候选眼睛对中两个眼睛区域与人脸中垂线的水平距离的相近程度；

h＝|d₁-d₂|

其中，d₁表示候选眼睛对中第1个眼睛区域与人脸中垂线的水平距离，d₂表示候选眼睛对中第2个眼睛区域与人脸中垂线的水平距离；

（4-3）为每组候选眼睛对设置一个水平夹角系数a，表示候选眼睛对中两个眼睛区域的中心连线与水平线之间的夹角；

$a={\tan }^{-1}\frac{|y_1-y_2|}{|x_1-x_2|}$

其中，y₁表示第n个候选眼睛对中第1个眼睛区域的中心点的纵坐标，y₂表示第n个候选眼睛对中第2个眼睛区域的中心点的纵坐标，x₁表示第n个候选眼睛对中第1个眼睛区域的中心点的横坐标，x₂表示第n个候选眼睛对中第2个眼睛区域的中心点的纵坐标；

（4-4）为每组候选眼睛对设置一个尺度比例系数c，表示候选眼睛对中眼睛区域的尺寸与人脸尺寸的比例关系符合现有的先验知识的程度；

$c=\sqrt{{(\frac{w_1}{w_0}-\mathrm{\α})}^2+{(\frac{h_1}{h_0}-\mathrm{\β})}^2}+\sqrt{{(\frac{w_2}{w_0}-\mathrm{\α})}^2+{(\frac{h_2}{h_0}-\mathrm{\β})}^2};$

其中，w₀表示人脸区域的宽度，h₀表示人脸区域的高度；α表示统计学意义上眼睛宽度与人脸宽度的比值，是先验知识

β表示统计学意义上眼睛高度与人脸高度的比值，也是先验知识 $\mathrm{\β}=\frac{1}{10}.$

所述步骤五为每组候选眼睛对的各自判决度量d，确定方法为：

d＝μ₁×s+μ₂×h+μ₃×a+μ₄×c

其中，s,h,a,c分别表示前面步骤中设置的基于人脸几何特征的系数，μ₁,μ₂,μ₃,μ₄分别表示各个几何特征系数在总的判决度量中的加权系数；这里取μ₁＝μ₂＝μ₃＝μ₄＝0.25。

本发明的有益效果：本发明利用了人脸区域可为眼睛的定位提供很好的先验知识，并且可以排除复杂背景的干扰。由于较眼睛区域而言，人脸区域有着更多的分类特征，这就使得确定人脸区域较确定眼睛区域更容易一些。采用Adaboost算法和级联式模型相结合的方法可以快速有效地搜索人脸区域。利用人脸内在的几何特征对搜索到的眼睛区域进一步甄别，能够准确有效地确定眼睛的最佳位置。

经过大量实验验证，本发明在眼睛定位中表现出色，在可容忍误差的情况下，检测过程达到了相当高的准确率。

附图说明

图1为本发明的流程图；

图2为利用本发明试验图片I的人脸与眼睛的定位结果；

图3为利用本发明试验图片II的人脸与眼睛的定位结果；

图4为利用本发明试验图片III的人脸与眼睛的定位结果；

图5为利用本发明试验图片IV的人脸与眼睛的定位结果；

图6为利用本发明试验图片V的人脸与眼睛的定位结果；

图7为利用传统方法试验图片I的人脸与眼睛的定位结果；

图8为利用传统方法试验图片II的人脸与眼睛的定位结果；

图9为利用传统方法试验图片III的人脸与眼睛的定位结果；

图10为利用传统方法试验图片IV的人脸与眼睛的定位结果；

图11为利用传统方法试验图片V的人脸与眼睛的定位结果。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法，具体步骤为：

（1）对人脸分类器与眼睛分类器进行训练；人脸分类器和眼睛分类器为级联分类器，级联分类器是由逐级复杂的多个弱分类器所构成的；分类器的设计上，可以将大部分的非目标滤除，使几乎所有的目标通过分类器。这样设计的目的是在检测的初始阶段减少大量的非目标物，可使后续步骤所需要检测的内容不断减少，达到了提高检测速度的目的。在由类Haar小波确定的矩形特征提取法中，设取定20×20的目标模板，可得有78460个可取的矩形特征。则需要找到在分类过程中有重要作用的矩形特征，对特征反复进行选择，构成二值弱分类器，再由加权组合形成强分类器；

（2）用训练好的人脸分类器快速确定人脸位置；

（3）用眼睛分类器在检测出的人脸区域的上部2/3的部分确定候选眼睛区域的位置；具体方法为：调整参数，使得前后两次相继的扫描中，搜索窗口的比例系数兼顾搜索速度和搜索的精细程度。把检测到的多个候选眼睛区域用排列组合两两结合形成多组候选眼睛对。假设检测出的N个候选眼睛区域为{e1,e2,……eN}，排列组合成

组候选眼睛对 $\{\mathrm{eg}1,\mathrm{eg}2,\·\·\·\·\·\·,\mathrm{eg}\frac{N(N-1)}{2}\};$

（4）利用人脸统计学意义上的内在几何特征去计算各组眼睛对的几何特征系数；

①为每组候选眼睛对设置一个尺寸相似度系数s，此系数通过计算每组候选眼睛对中两个眼睛区域的大小差别得出：

其中,h₁表示第n组候选眼睛对中的第1个眼睛区域的高度,h₂表示第n组候选眼睛对中的第2个眼睛区域的高度,w₁表示第n组候选眼睛对中的第1个眼睛区域的宽度,w₂表示第n组候选眼睛对中的第2个眼睛区域的宽度；

②为每组候选眼睛对设置一个水平对称系数h，表示候选眼睛对中两个眼睛区域与人脸中垂线的水平距离的相近程度。计算方法为：

h＝|d₁-d₂|

其中，d₁表示候选眼睛对中第一个眼睛区域与人脸中垂线的水平距离，d₂表示候选眼睛对中第2个眼睛区域与人脸中垂线的水平距离。

③为每组候选眼睛对设置一个水平夹角系数a，表示候选眼睛对中两个眼睛区域的中心连线与水平线之间的夹角。计算方法为：

$a={\tan }^{-1}\frac{|y_1-y_2|}{|x_1-x_2|}$

其中，y₁表示第n个候选眼睛对中第1个眼睛区域的中心点的纵坐标，y₂表示第n个候选眼睛对中第2个眼睛区域的中心点的纵坐标，x₁表示第n个候选眼睛对中第1个眼睛区域的中心点的横坐标，x₂表示第n个候选眼睛对中第2个眼睛区域的中心点的纵坐标。

④为每组候选眼睛对设置一个尺度比例系数c，表示候选眼睛对中眼睛区域的尺寸与人脸尺寸的比例关系符合现有的先验知识的程度。计算方法为：

其中，表示人脸区域的宽度，h₀表示人脸区域的高度。α表示统计学意义上眼睛宽度与人脸宽度的比值，是先验知识

β表示统计学意义上眼睛高度与人脸高度的比值，也是先验知识 $\mathrm{\β}=\frac{1}{10}.$

（5）为每组候选眼睛对设求出各自判决度量d，计算方法为：

d＝μ₁×s+μ₂×h+μ₃×a+μ₄×c

其中，s,h,a,c分别表示前面步骤中设置的基于人脸几何特征的系数，μ₁,μ₂,μ₃,μ₄分别表示各个几何特征系数在总的判决度量中的加权系数。这里取μ₁＝μ₂＝μ₃＝μ₄＝0.25；

（6）最后通过对各组候选眼睛对的判决度量进行比较，该判决度量越小，表示该候选眼睛对的置信水平越高。即可确定出最佳的一组眼睛对，从而可以确定出眼睛的最佳位置。

本实例是在Windows7+Vs2010+Opencv2.4.2环境下用C语言编写的应用程序，计算机配置为：内存为2G，处理器为Pentium（R）Dual-core CPU T45002.30GHz。图像分辨率为384*286像素。

采用BioId库中的部分眼睛张开比较小，倾斜角度比较大，背景比较复杂，亮度很亮或者很暗的图片进行人眼定位。

如图2至图11所示，图中标有十字型的位置表示眼睛中心位置。

在图片中眼睛张开比较小时，采用传统的Adaboost方法由于无法与训练好的模板很好地匹配，所以无法准确地检测到眼睛区域，如图7所示；而采用本专利所提供的方法可以在一定程度上对这一缺点进行改善，达到了相对比较好的效果，如图2所示。

在图片中背景比较复杂时，采用传统的Adaboost方法会把复杂背景中的某些部分当成眼睛区域，产生一些误检测，如图7、图8、图9所示；而采用本专利所提供的方法可以通过人脸的几何特征去除掉复杂背景区域中的误检测结果，如图2、图3、图4所示。

另外，在图片中光照很亮或者很暗时，采用传统的Adaboost方法会混淆人脸的其他位置和人眼，从而出现误检，如图10、图11所示；而采用本专利所提供的方法可以得到比较好的检测结果，如图5、图6所示。

人眼定位所用的时间比较如下：

表本专利所提供的方法与传统的Adaboost方法在眼睛定位上所用的时间(ms)

可以看出：本专利所提供的方法在考虑人脸几何特征因素时并没有耗费过多的时间。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法，其特征是，具体步骤为：

步骤一：分别训练人脸分类器和眼睛分类器；

步骤二：利用训练好的人脸分类器确定人脸位置；

步骤三：利用训练好的眼睛分类器在检测出的人脸区域的上部确定候选眼睛区域的位置；

步骤四：利用人脸统计学意义上的内在几何特征确定各组眼睛对的几何特征系数；

步骤五：确定每组候选眼睛对的各自判决度量d；

步骤六：比较各组候选眼睛对的判决度量，判决度量越小，表示该候选眼睛对的置信水平越高；即可确定出最佳的一组眼睛对，进而确定出眼睛的最佳位置。

2.如权利要求1所述基于改进Adaboost算法和人脸几何特征的眼睛定位方法，其特征是，所述步骤一中人脸分类器和眼睛分类器的构成方法：

（1-1）由类Haar小波确定的矩形特征提取法中，设取定g×g的目标模板，得到m个可取的矩形特征；

（1-2）找到在分类过程中有重要作用的矩形特征，对特征反复进行选择，构成二值弱分类器，再由加权组合形成强分类器。

3.如权利要求1所述基于改进Adaboost算法和人脸几何特征的眼睛定位方法，其特征是，所述步骤三的具体步骤为：

（3-1）人脸区域的上部为人脸区域的上部2/3的部分，调整参数，使得前后两次相继扫描中，搜索窗口比例系数的确定兼顾搜索速度和搜索的精细程度；

（3-2）设检测出N个候选眼睛区域为{e1,e2,……eN}，排列组合成

组，候选眼睛对 $\{\mathrm{eg}1,\mathrm{eg}2,\·\·\·\·\·\·,\mathrm{eg}\frac{N(N-1)}{2}\}.$

4.如权利要求1所述基于改进Adaboost算法和人脸几何特征的眼睛定位方法，其特征是，所述步骤四的具体步骤为：

（4-1）为每组候选眼睛对设置一个尺寸相似度系数s；根据每组候选眼睛对中两个眼睛区域大小差别计算尺寸相似度系数s；；

$s=\sqrt{{(h_1-h_2)}^2+{(w_1-w_2)}^2};$

其中，h₁表示第n组候选眼睛对中的第1个眼睛区域的高度,h₂表示第n组候选眼睛对中的第2个眼睛区域的高度,w₁表示第n组候选眼睛对中的第1个眼睛区域的宽度,w₂表示第n组候选眼睛对中的第2个眼睛区域的宽度；

（4-2）为每组候选眼睛对设置一个水平对称系数h，表示候选眼睛对中两个眼睛区域与人脸中垂线的水平距离的相近程度；

h＝|d₁-d₂|

其中，d₁表示候选眼睛对中第1个眼睛区域与人脸中垂线的水平距离，d₂表示候选眼睛对中第2个眼睛区域与人脸中垂线的水平距离；

（4-3）为每组候选眼睛对设置一个水平夹角系数a，表示候选眼睛对中两个眼睛区域的中心连线与水平线之间的夹角；

$a={\tan }^{-1}\frac{|y_1-y_2|}{|x_1-x_2|}$

其中，y₁表示第n个候选眼睛对中第1个眼睛区域的中心点的纵坐标，y₂表示第n个候选眼睛对中第2个眼睛区域的中心点的纵坐标，x₁表示第n个候选眼睛对中第1个眼睛区域的中心点的横坐标，x₂表示第n个候选眼睛对中第2个眼睛区域的中心点的纵坐标；

（4-4）为每组候选眼睛对设置一个尺度比例系数c，表示候选眼睛对中眼睛区域的尺寸与人脸尺寸的比例关系符合现有的先验知识的程度；

$c=\sqrt{{(\frac{w_1}{w_0}-\mathrm{\α})}^2+{(\frac{h_1}{h_0}-\mathrm{\β})}^2}+\sqrt{{(\frac{w_2}{w_0}-\mathrm{\α})}^2+{(\frac{h_2}{h_0}-\mathrm{\β})}^2};$

其中，w₀表示人脸区域的宽度，h₀表示人脸区域的高度；α表示统计学意义上眼睛宽度与人脸宽度的比值，是先验知识

β表示统计学意义上眼睛高度与人脸高度的比值，也是先验知识 $\mathrm{\β}=\frac{1}{10}.$

5.如权利要求1所述基于改进Adaboost算法和人脸几何特征的眼睛定位方法，其特征是，所述步骤五为每组候选眼睛对的各自判决度量d，确定方法为：

d＝μ₁×s+μ₂×h+μ₃×a+μ₄×c

其中，s,h,a,c分别表示前面步骤中设置的基于人脸几何特征的系数，μ₁,μ₂,μ₃,μ₄分别表示各个几何特征系数在总的判决度量中的加权系数，取μ₁＝μ₂＝μ₃＝μ₄＝0.25。

Images