CN103605964A - 基于图像在线学习的人脸检测方法及系统 - Google Patents

Abstract

本发明揭示了一种基于图像在线学习的人脸检测方法及系统，检测方法包括：预处理步骤，对待检测图像光照补偿，灰度化处理；对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及边缘检测处理；人脸姿态检测步骤，确定人眼位置，分割出人脸区域；检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；人脸检测步骤，确定人脸在图像中的位置和人脸中的器官定位，选取图像灰度特征，将其传给离线训练好的检测模板进行判决；更新步骤，通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器学习，更新分类器中设定特征值的权重。本发明可提高人脸检测准确率。

Description

基于图像在线学习的人脸检测方法及系统

技术领域

本发明属于人脸识别技术领域，涉及一种人脸检测方法，尤其涉及一种基于图像在线学习的人脸检测方法；同时，本发明还涉及一种基于图像在线学习的人脸检测系统。

背景技术

目前人脸识别图像信息处理领域中，包括图像预处理、姿态检测、人脸跟踪、表情识别、特征提取、人脸检测等多个研究方向，所有的研究方向都涉及图像学习。同时，目前应用最为广泛的是离线学习，不过这种方法难以适应目标的变化，尤其是环境较为复杂情况。此外，通过现有识别技术需要花费大量的精力来获取足够丰富的样本集合，大大局限了算法的实用性。

有鉴于此，如今迫切需要设计一种新的人脸检测方法，以便克服现有识别方法的上述缺陷。

发明内容

本发明所要解决的技术问题是：提供一种基于图像在线学习的人脸检测方法，可提高人脸检测准确率。

此外，本发明还提供一种基于图像在线学习的人脸检测系统，可提高人脸检测准确率。

为解决上述技术问题，本发明采用如下技术方案：

一种基于图像在线学习的人脸检测方法，所述检测方法包括如下步骤：

步骤S1、获取待检测图像；

步骤S2、预处理步骤：对待检测图像光照补偿，灰度化处理，利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及Canny边缘检测处理，有效提高检测速度；

步骤S3、人脸姿态检测步骤：眼睛在灰度和形状上与其他部位的不同，确定人眼位置，利用YCbCr空间的肤色模型分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度（优选地，还可以自动判断人脸是否有表情）；

步骤S4、人脸检测步骤：确定人脸在图像中的位置和人脸中的器官定位，计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器，进行判决；

多层级联AdaBoost分类器离线训练过程包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止；

步骤S5、通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器，更新分类器中设定特征值的权重，以此扩充多层级联AdaBoost分类器的训练样本；

步骤S6、输出人脸检测结果并保存图像信息。

一种基于图像在线学习的人脸检测方法，所述检测方法包括如下步骤：

预处理步骤：对待检测图像光照补偿，灰度化处理；利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及边缘检测处理；

人脸姿态检测步骤：确定人眼位置，分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

人脸检测步骤：确定人脸在图像中的位置和人脸中的器官定位，选取图像灰度特征，将其传给离线训练好的检测模板进行判决；

更新步骤：通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器学习，更新分类器中设定特征值的权重。

作为本发明的一种优选方案，所述人脸姿态检测步骤中，利用YCbCr空间的肤色模型分割出人脸区域。

作为本发明的一种优选方案，所述人脸检测步骤中，检测模板包括多层级联AdaBoost分类器，离线训练过程包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止。

一种基于图像在线学习的人脸检测系统，所述检测系统包括：

图像获取模块，用以获取待检测图像；

预处理模块，用以对待检测图像光照补偿，灰度化处理，利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及Canny边缘检测处理，有效提高检测速度；

人脸姿态检测模块，用以确定人眼位置，利用YCbCr空间的肤色模型分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

人脸检测模块，用以确定人脸在图像中的位置和人脸中的器官定位，计算图像Haar-Like小波特征特征，将其传给离线训练好的检测模板进行判决；检测模板包括多层级联AdaBoost分类器，离线训练过程包括：收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止；

更新模块，用以通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器，更新分类器中设定特征值的权重，以此扩充多层级联AdaBoost分类器的训练样本；

图像信息输出模块，用以输出人脸检测结果并保存图像信息。

一种基于图像在线学习的人脸检测系统，所述检测系统包括：

预处理模块，用以对待检测图像光照补偿，灰度化处理；利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及边缘检测处理；

人脸姿态检测模块，用以确定人眼位置，分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

人脸检测模块，用以确定人脸在图像中的位置和人脸中的器官定位，选取图像灰度特征，将其传给离线训练好的检测模板进行判决；

更新模块，用以通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器学习，更新分类器中设定特征值的权重。

作为本发明的一种优选方案，所述人脸姿态检测模块利用YCbCr空间的肤色模型分割出人脸区域。

作为本发明的一种优选方案，所述人脸检测模块还包括离线训练单元，用以通过多层级联AdaBoost分类器进行离线训练，包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止。

本发明的有益效果在于：本发明提出的基于图像在线学习的人脸检测方法及系统，改进图像预处理，提高检测的速度，更重要的是提出在线学习的方法，改善分类器的适应性，提高人脸检测精准度。同时，本发明基于图像在线学习的方法，不仅仅适用于人脸检测，具有较强的扩展性，可以方便应用到特征提取、表情识别、人脸识别、人脸跟踪等其他图像处理领域。

本发明基于图像在线学习的人脸检测算法在图像处理的整个过程中，可以不断进行样本扩充学习，对分类器进行调整，适应性更加广泛，大大提高人脸检测准确率。

附图说明

图1为本发明人脸检测方法的流程图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

请参阅图1，本发明揭示了一种基于图像在线学习的人脸检测方法，所述检测方法包括如下步骤：

【步骤S1】获取待检测图像；

【步骤S2】预处理步骤：对待检测图像光照补偿，灰度化处理，利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及Canny边缘检测处理，有效提高检测速度；

【步骤S3】人脸姿态检测步骤：眼睛在灰度和形状上与其他部位的不同，确定人眼位置，利用YCbCr空间的肤色模型分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

【步骤S4】人脸检测步骤：确定人脸在图像中的位置和人脸中的器官定位，计算图像Haar-Like小波特征特征，将其传给离线训练好的检测模板进行判决；

检测模板包括多层级联AdaBoost分类器，离线训练过程包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止；

【步骤S5】通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器，更新分类器中设定特征值的权重，以此扩充多层级联AdaBoost分类器的训练样本；

【步骤S6】输出人脸检测结果并保存图像信息。

以上介绍了本发明基于图像在线学习的人脸检测方法，本发明在揭示上述检测方法的同时还揭示一种基于图像在线学习的人脸检测系统，所述检测系统包括：图像获取模块、预处理模块、人脸姿态检测模块、人脸检测模块、更新模块、图像信息输出模块。

图像获取模块用以获取待检测图像。

预处理模块用以对待检测图像光照补偿，灰度化处理，利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及Canny边缘检测处理，有效提高检测速度。

人脸姿态检测模块用以确定人眼位置，利用YCbCr空间的肤色模型分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情。

人脸检测模块用以确定人脸在图像中的位置和人脸中的器官定位，计算图像Haar-Like小波特征特征，将其传给离线训练好的检测模板进行判决。检测模板包括多层级联AdaBoost分类器，离线训练过程包括：收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止。

更新模块用以通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器，更新分类器中设定特征值的权重，以此扩充多层级联AdaBoost分类器的训练样本。

图像信息输出模块用以输出人脸检测结果并保存图像信息。

综上所述，本发明提出的基于图像在线学习的人脸检测方法及系统，改进图像预处理，提高检测的速度，更重要的是提出在线学习的方法，改善分类器的适应性，提高人脸检测精准度。同时，本发明基于图像在线学习的方法，不仅仅适用于人脸检测，具有较强的扩展性，可以方便应用到特征提取、表情识别、人脸识别、人脸跟踪等其他图像处理领域。

本发明基于图像在线学习的人脸检测算法在图像处理的整个过程中，可以不断进行样本扩充学习，对分类器进行调整，适应性更加广泛，大大提高人脸检测准确率。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (8)

1.一种基于图像在线学习的人脸检测方法，其特征在于，所述检测方法包括如下步骤：

步骤S1、获取待检测图像；

步骤S2、预处理步骤：对待检测图像光照补偿，灰度化处理，利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及Canny边缘检测处理，有效提高检测速度；

步骤S3、人脸姿态检测步骤：眼睛在灰度和形状上与其他部位的不同，确定人眼位置，利用YCbCr空间的肤色模型分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度；

步骤S4、人脸检测步骤：确定人脸在图像中的位置和人脸中的器官定位，计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器，进行判决；

多层级联AdaBoost分类器离线训练过程包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止；

步骤S5、通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器，更新分类器中设定特征值的权重，以此扩充多层级联AdaBoost分类器的训练样本；

步骤S6、输出人脸检测结果并保存图像信息。

2.一种基于图像在线学习的人脸检测方法，其特征在于，所述检测方法包括如下步骤：

预处理步骤：对待检测图像光照补偿，灰度化处理；利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及边缘检测处理；

人脸姿态检测步骤：确定人眼位置，分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

人脸检测步骤：确定人脸在图像中的位置和人脸中的器官定位，选取图像灰度特征，将其传给离线训练好的检测模板进行判决；

更新步骤：通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器学习，更新分类器中设定特征值的权重。

3.根据权利要求2所述的基于图像在线学习的人脸检测方法，其特征在于：

所述人脸姿态检测步骤中，利用YCbCr空间的肤色模型分割出人脸区域。

4.根据权利要求2所述的基于图像在线学习的人脸检测方法，其特征在于：

所述人脸检测步骤中，检测模板包括多层级联AdaBoost分类器，离线训练过程包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止。

5.一种基于图像在线学习的人脸检测系统，其特征在于，所述检测系统包括：

图像获取模块，用以获取待检测图像；

预处理模块，用以对待检测图像光照补偿，灰度化处理，利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及Canny边缘检测处理，有效提高检测速度；

人脸姿态检测模块，用以确定人眼位置，利用YCbCr空间的肤色模型分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

人脸检测模块，用以确定人脸在图像中的位置和人脸中的器官定位，计算图像Haar-Like小波特征特征，将其传给离线训练好的检测模板进行判决；检测模板包括多层级联AdaBoost分类器，离线训练过程包括：收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止；

更新模块，用以通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器，更新分类器中设定特征值的权重，以此扩充多层级联AdaBoost分类器的训练样本；

图像信息输出模块，用以输出人脸检测结果并保存图像信息。

6.一种基于图像在线学习的人脸检测系统，其特征在于，所述检测系统包括：

预处理模块，用以对待检测图像光照补偿，灰度化处理；利用直方图均衡化对图像增强，对非线性平滑滤波并对图像进行去噪，对像素灰度值归一化，得到高质量的灰度图像，而后进行尺寸归一化处理及边缘检测处理；

人脸姿态检测模块，用以确定人眼位置，分割出人脸区域；从而检测人脸在俯仰、深度、平面三个维度的旋转角度，自动判断人脸是否有表情；

人脸检测模块，用以确定人脸在图像中的位置和人脸中的器官定位，选取图像灰度特征，将其传给离线训练好的检测模板进行判决；

更新模块，用以通过检测的图像作为新的样本，应用到多层级联AdaBoost分类器学习，更新分类器中设定特征值的权重。

7.根据权利要求6所述的基于图像在线学习的人脸检测系统，其特征在于：

所述人脸姿态检测模块利用YCbCr空间的肤色模型分割出人脸区域。

8.根据权利要求6所述的基于图像在线学习的人脸检测系统，其特征在于：

所述人脸检测模块还包括离线训练单元，用以通过多层级联AdaBoost分类器进行离线训练，包括：

收集人脸样本和非人脸样本，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸样本集进行过滤，去除那些可以被正确分类的样本，如果非人脸样本集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸样本集用完为止。

Images