CN103699888A - 人脸检测方法和装置 - Google Patents

Abstract

本发明实施例涉及视频监控技术领域，公开了一种人脸检测方法和装置。其中，该方法包括：对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；对所述第一目标进行前景过滤，得到第二目标；对所述第二目标进行肤色过滤，得到第三目标；对所述第三目标进行方向梯度直方图HOG过滤，得到最终的人脸检测目标。实施本发明实施例，可以提高人脸检测方法的识别率，降低误检率。

Description

人脸检测方法和装置

技术领域

本发明涉及通信技术领域，具体涉及一种人脸检测方法和装置。

背景技术

近年来，随着“智慧城市”、“平安城市”等国家战略项目的推进，在城中村、智能小区、商业楼宇、工矿企业等场所的出入口，对进出人员的人脸进行捕获分析的需求会越来越多；交管局已经有人脸信息上传的需求；公安局也要求一些重要出入口进行人脸捕获然后上传到公安，与公安后台黑名单数据库进行比对抓捕嫌疑犯。随着计算机硬件的快速发展以及人脸识别算法的逐步成熟，人脸识别的应用也越来越广泛，人脸捕获作为人脸识别的一部分，为后续的人脸识别产品作铺垫。

人脸检测基于各种数学模型的方法有：神经网络，特征脸等。这两个方法在人脸检测历史上都发挥过各自的作用。神经网络人脸检测的方法，其网络结构需要大范围的调整才能获得期望的性能，特征脸方法在本质上依赖于训练集和测试集图像的灰度相关性，所以也还有着很大的局限性。

综上所述，现有技术中的人脸检测方法大都面临以下问题：在目标检测的过程中，有较多误检，即识别率较低，误检率较高。

发明内容

本发明实施例所要解决的技术问题是提供一种人脸检测方法和装置，用于提高人脸检测方法的识别率，降低误检率。

本发明实施例提供一种人脸检测方法，包括：

对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；

对所述第一目标进行前景过滤，得到第二目标；

对所述第二目标进行肤色过滤，得到第三目标；

对所述第三目标进行方向梯度直方图HOG过滤，得到最终的人脸检测目标。

相应的，本发明实施例还提供一种人脸检测装置，包括：

检测单元，用于对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；

前景过滤单元，用于所述第一目标进行前景过滤，得到第二目标；

肤色过滤单元，用于对所述第二目标进行肤色过滤，得到第三目标；

HOG过滤单元，用于对所述第三目标进行方向梯度直方图HOG过滤，得到最终的人脸检测目标。

本发明实施例中提供的人脸检测方法和装置，在经过Haar特征检测获得多个人脸检测目标后，先后使用前景过滤、肤色过滤和HOG过滤方法对人脸检测目标进行过滤，可以提高人脸检测目标的识别率，降低误检率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的人脸检测方法的流程第一示意图；

图2是本发明实施例一提供的人脸检测方法的流程第二示意图；

图3是本发明实施例一提供的人脸检测方法的流程第三示意图；

图4是本发明实施例一提供的人脸检测方法的流程第四示意图；

图5是本发明实施例二提供的人脸检测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中提供了一种人脸检测方法和装置，用于提高人脸检测方法的识别率，降低误检率。以下分别进行详细说明。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一：

本发明实施例提供一种人脸检测方法，如图1所示，该方法可以包括：

101、对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；

102、对上述第一目标进行前景过滤，得到第二目标；

103、对上述第二目标进行肤色过滤，得到第三目标；

104、对上述第三目标进行HOG（Histogram of oriented gradients，方向梯度直方图）过滤，得到最终的人脸检测目标。

本实施例提供的人脸检测方法，在经过Haar特征检测获得多个人脸检测目标后，先后使用前景过滤、肤色过滤和HOG过滤方法对人脸检测目标进行过滤，相比现有技术，可以提高人脸检测目标的识别率，降低误检率。

如图2所示，上述步骤102可以包括：

102A、使用第一公式对上述视频帧的前k帧图像进行计算，得到背景模型；

上述第一公式为： $B_{(x,y)}^{\left(k\right)}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{I}_{(x,y)}^i$

其中，为第i帧图像中点(x,y)的灰度值，

是在像素点(x,y)处的前k帧的灰度的平均值，k是预先设定的正整数；

本实施例中采用平均背景，即背景是过去前k帧的平均；

举例来说，本实施例中，k的取值可以为1000，当然本领域技术人员还可以根据实际情况将k的值设为其它的数值，在此不作具体的限制；

102B、使用第二公式计算上述前k帧图像的平均帧间差别

上述第二公式为： ${\mathrm{Diff}}_{(x,y)}^k=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}|I_{(x,y)}^i-I_{(x,y)}^{i-1}|$

102C、使用第三公式计算第一分割阈值T₁和第二分割阈值T₂；

上述第三公式为： $T_1=B_{(x,y)}^k-n_1\×{\mathrm{Diff}}_{(x,y)}^k,T_2=B_{(x,y)}^k+n_2\×{\mathrm{Diff}}_{(x,y)}^k$

其中，n₁、n₂为预先设定的常数；

举例来说，n₁的取值可以为15，n₂的取值可以为15，当然本领域技术人员还可以根据实际情况将n₁、n₂的值设为其它的数值，在此不作具体的限制；

102D、对视频帧进行二值化：对视频帧的所有像素点的灰度值与上述第一分割阈值T₁和第二分割阈值T₂进行比较，以像素点的灰度在上述与上述第一分割阈值T₁和第二分割阈值T₂之间的点为背景点，将背景点的灰度值设置为0，以其它点为前景点，将前景点的灰度值设置为255，得到二值化的前景模型；

102E、将上述多第一目标中不属于前景的目标删除，得到第二目标。

如图3所示，上述步骤103可以包括：

103A、使用第四公式计算上述视频帧中的各点的肤色分布函数P_(x,y)；

上述第四公式为： $P_{(x,y)}=\exp [-0.5{(z-m)}^T{C}^{-1}(z-m)];$

其中，z=(C_r(x,y),C_b(x,y))^T，表示由C_r(x,y)和C_b(x,y)组成的向量，m=E(z)，表示z的样本均值，C=E((z-m)(z-m)^T)，C_r(x,y)和C_b(x,y)分别表示点（x，y）的红色和蓝色的浓度偏移量成份；

103B、对上述视频帧进行二值化：求出上述第二图像的所有点的肤色分布函数P_(x,y)中最大的P_max，将肤色分布函数P_(x,y)的值满足n₃iP_max≤P_(x,y)≤n₄iP_max的点判定为背景点，并将背景点的灰度值设置为0，将其它点判定为肤色点，并将肤色点的灰度值设置为255；其中，n₃、n₄为预先设定的常数，且0<n3<n4<1；

举例来说，n₃的取值可以为0.45，n₄的取值可以为0.55，当然本领域技术人员还可以根据实际情况将n₃、n₄的值设为其它的数值，在此不作具体的限制；

103C、对二值化后的视频帧进行平滑处理、区域合并，得到若干个连通的肤色区域；

103D、将上述第二目标中不属于上述肤色区域的目标删除，得到第三目标。

如图4所示，上述步骤104可以包括：

104A、利用第五公式计算上述视频帧中各点的方向梯度；

上述第五公式为： $R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y+1)-I(x,y-1))}^2};$

$\mathrm{\&theta;}(x,y)=\arctan \frac{I(x,y+1)-I(x,y-1)}{I(x+1,y)-I(x-1,y)};$ 其中，R(x,y)表示点（x，y）的梯度大小，θ(x,y)表示点（x，y）的梯度方向；

104B、将[0,π]的梯度方向均分为m个区间；m为预定的常数；

举例来说，m的取值可以为9，当然本领域技术人员还可以根据实际情况将m的值设为其它的数值，在此不作具体的限制；

104C、按照N_BxN_B大小将窗口分成多个块，以预定步长在上述窗口中按照预定方向进行扫描，统计出每个块中每个区间的累积幅值，构建每个块的直方图；N_B为预先设定的常数；

举例来说，N_B的取值可以为16，当然本领域技术人员还可以根据实际情况将N_B的值设为其它的数值，在此不作具体的限制；

举例来说，上述预定步长的取值可以为8，当然本领域技术人员还可以根据实际情况将预定步长的值设为其它的数值，在此不作具体的限制；

104D、将提取出来的HOG特征进行adaboost（自适应增强方法）训练，训练出分类器；

104E、使用上述分类器对上述第三目标包含的人脸检测目标进行验证，通过验证的为最终的人脸检测目标。

实施例二：

本发明实施例还提供一种人脸检测装置，如图5所示，该装置可以包括：

检测单元100，用于对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；

前景过滤单元200，用于对上述第一目标进行前景过滤，得到第二目标；

肤色过滤单元300，用于对上述第二目标进行肤色过滤，得到第三目标；

HOG过滤单元400，用于对上述第三目标进行HOG过滤，得到最终的人脸检测目标。

本实施例提供的人脸检测装置，在经过Haar特征检测获得多个人脸检测目标后，先后使用前景过滤单元、肤色过滤单元和HOG过滤单元对人脸检测目标进行过滤，相比现有技术，可以提高人脸检测目标的识别率，降低误检率。

具体的，前景过滤单元200可以包括：

第一计算模块，用于使用第一公式对上述视频帧的前k帧图像进行计算，得到背景模型；上述第一公式为： $B_{(x,y)}^{\left(k\right)}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{I}_{(x,y)}^i$

其中，

为第i帧图像中点(x,y)的灰度值，

是在像素点(x,y)处的前k帧的灰度的平均值，k是预先设定的正整数；

举例来说，本实施例中，k的取值可以为1000，当然本领域技术人员还可以根据实际情况将k的值设为其它的数值，在此不作具体的限制；

第二计算模块，用于使用第二公式计算上述前k帧图像的平均帧间差别

上述第二公式为： ${\mathrm{Diff}}_{(x,y)}^k=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}|I_{(x,y)}^i-I_{(x,y)}^{i-1}|$

第三计算模块，用于使用第三公式计算第一分割阈值T₁和第二分割阈值T₂；

上述第三公式为： $T_1=B_{(x,y)}^k-n_1\&times;{\mathrm{Diff}}_{(x,y)}^k,T_2=B_{(x,y)}^k+n_2\&times;{\mathrm{Diff}}_{(x,y)}^k$

其中，n₁、n₂为预先设定的常数；

举例来说，n₁的取值可以为15，n₂的取值可以为15，当然本领域技术人员还可以根据实际情况将n₁、n₂的值设为其它的数值，在此不作具体的限制；

前景二值化模块，用于将视频帧的所有像素点的灰度值与上述第一分割阈值T₁和第二分割阈值T₂进行比较，以像素点的灰度在上述与上述第一分割阈值T₁和第二分割阈值T₂之间的点为背景点，将背景点的灰度值设置为0，以其它点为前景点，将前景点的灰度值设置为255，得到二值化的前景模型；

第一过滤模块，用于将上述第一目标中不属于前景的目标删除，得到第二目标。

具体的，肤色过滤单元可以包括：

第四计算模块，用于使用第四公式计算上述视频帧中的各点的肤色分布函数P_(x,y)；

上述第四公式为： $P_{(x,y)}=\exp [-0.5{(z-m)}^T{C}^{-1}(z-m)],$ 其中， $z={(C_{r(x,y)},C_{b(x,y)})}^T,$ m=E(z)，C=E((z-m)(z-m)^T)，C_r(x,y)和C_b(x,y)分别表示点（x，y）的红色和蓝色的浓度偏移量成份；

肤色二值化模块，用于求出上述视频帧的所有点的肤色分布函数P_(x,y)中最大的P_max，将肤色分布函数P_(x,y)的值满足n₃iP_max≤P_(x,y)≤n₄iP_max的点判定为背景点，并将背景点的灰度值设置为0，将其它点判定为肤色点，并将肤色点的灰度值设置为255，得到二值化的肤色模型；其中，n₃、n₄为预先设定的常数，且0<n3<n4<1；

举例来说，n₃的取值可以为0.45，n₄的取值可以为0.55，当然本领域技术人员还可以根据实际情况将n₃、n₄的值设为其它的数值，在此不作具体的限制；

处理模块，用于二值化后的第二图像进行平滑处理、区域合并，得到若干个连通的肤色区域；

第二过滤模块，用于将上述第二目标中不属于上述肤色区域的目标删除，得到第三目标。

具体地，HOG过滤单元可以包括：

第五计算模块，用于利用第五公式计算上述第三图像中各点的方向梯度；

上述第五公式为： $R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y+1)-I(x,y-1))}^2};$

$\mathrm{\&theta;}(x,y)=\arctan \frac{I(x,y+1)-I(x,y-1)}{I(x+1,y)-I(x-1,y)};$ 其中，R(x,y)表示点（x，y）的梯度大小，θ(x,y)表示点（x，y）的梯度方向；

梯度方向均分模块，用于将[0,π]的梯度方向均分为m个区间；m为预定的常数；

举例来说，m的取值可以为9，当然本领域技术人员还可以根据实际情况将m的值设为其它的数值，在此不作具体的限制；

直方图构建模块，用于按照N_BxN_B大小将窗口分成多个块，以预定步长在上述窗口中按照预定方向进行扫描，统计出每个块中每个区间的累积幅值，构建每个块的直方图；N_B为预先设定的常数；

举例来说，N_B的取值可以为16，当然本领域技术人员还可以根据实际情况将N_B的值设为其它的数值，在此不作具体的限制；

举例来说，N_B的取值可以为16，当然本领域技术人员还可以根据实际情况将N_B的值设为其它的数值，在此不作具体的限制；

分类器训练模块，用于将提取出来的HOG特征进行自适应增强adaboost方法训练，训练出分类器；

验证模块，用于使用上述分类器对上述第三目标包含的人脸检测目标进行验证，通过验证的为最终的人脸检测目标。

优选地，本实施例提供的人脸检测装置还可包括：

存储单元（图中未示出），用于存储上述第一公式、第二公式、第三公式、第四公式和第五公式，以及各个参数的取值等数据。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-OnlyMemory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。

以上对本发明实施例所提供的人脸检测方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种人脸检测方法，其特征在于，包括：

对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；

对所述第一目标进行前景过滤，得到第二目标；

对所述第二目标进行肤色过滤，得到第三目标；

对所述第三目标进行方向梯度直方图HOG过滤，得到最终的人脸检测目标。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一目标进行前景过滤的步骤，具体包括：

使用第一公式对所述视频帧的前k帧图像进行计算，得到背景模型；

所述第一公式为： $B_{(x,y)}^{\left(k\right)}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{I}_{(x,y)}^i$

其中，

为第i帧图像中点(x,y)的灰度值，

是在像素点(x,y)处的前k帧的灰度的平均值，k是预先设定的正整数；

使用第二公式计算所述前k帧图像的平均帧间差别

所述第二公式为： ${\mathrm{Diff}}_{(x,y)}^k=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}|I_{(x,y)}^i-I_{(x,y)}^{i-1}|$

使用第三公式计算第一分割阈值T₁和第二分割阈值T₂；

所述第三公式为： $T_1=B_{(x,y)}^k-n_1\&times;{\mathrm{Diff}}_{(x,y)}^k,T_2=B_{(x,y)}^k+n_2\&times;{\mathrm{Diff}}_{(x,y)}^k$

其中，n₁、n₂为预先设定的常数；

对视频帧进行二值化：对视频帧的所有像素点的灰度值与所述第一分割阈值T₁和第二分割阈值T₂进行比较，以像素点的灰度值在所述与所述第一分割阈值T₁和第二分割阈值T₂之间的点为背景点，将背景点的灰度值设置为0，以其它点为前景点，将前景点的灰度值设置为255，得到二值化的前景模型；

将所述多第一目标中不属于前景的目标删除，得到第二目标。

3.根据权利要求1所述的方法，其特征在于，所述对所述第二目标进行肤色过滤的步骤具体包括：

使用第四公式计算所述视频帧中的各点的肤色分布函数P_(x,y)；

所述第四公式为： $P_{(x,y)}=\exp [-0.5{(z-m)}^T{C}^{-1}(z-m)],$ 其中， $z={(C_{r(x,y)},C_{b(x,y)})}^T,$ m=E(z)，C=E((z-m)(z-m)^T)，C_r(x,y)和C_b(x,y)分别表示点（x，y）的红色和蓝色的浓度偏移量成份；

对所述视频帧进行二值化：求出所述第二图像的所有点的肤色分布函数P_(x,y)中最大的P_max，将肤色分布函数P_(x,y)的值满足n₃iP_max≤P_(x,y)≤n₄iP_max的点判定为背景点，并将背景点的灰度值设置为0，将其它点判定为肤色点，并将肤色点的灰度值设置为255；其中，n₃、n₄为预先设定的常数，且0<n3<n4<1；

对二值化后的视频帧进行平滑处理、区域合并，得到若干个连通的肤色区域；

将所述第二目标中不属于所述肤色区域的目标删除，得到第三目标。

4.根据权利要求1所述的方法，其特征在于，所述对所述第三目标进行方向梯度直方图HOG过滤的步骤，具体包括：

利用第五公式计算所述视频帧中各点的方向梯度；

所述第五公式为： $R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y+1)-I(x,y-1))}^2};$

$\mathrm{\&theta;}(x,y)=\arctan \frac{I(x,y+1)-I(x,y-1)}{I(x+1,y)-I(x-1,y)};$ 其中，R(x,y)表示点（x，y）的梯度大小，θ(x,y)表示点（x，y）的梯度方向；

将[0,π]的梯度方向均分为m个区间；m为预定的常数；

按照N_BxN_B大小将窗口分成多个块，以预定步长在所述窗口中按照预定方向进行扫描，统计出每个块中每个区间的累积幅值，构建每个块的直方图；N_B为预先设定的常数；

将提取出来的HOG特征进行自适应增强adaboost方法训练，训练出分类器；

使用所述分类器对所述第三目标包含的人脸检测目标进行验证，通过验证的为最终的人脸检测目标。

5.一种人脸检测装置，其特征在于，包括：

检测单元，用于对视频帧进行Haar特征检测，获得包含多个人脸检测目标的第一目标；

前景过滤单元，用于对所述第一目标进行前景过滤，得到第二目标；

肤色过滤单元，用于对所述第二目标进行肤色过滤，得到第三目标；

HOG过滤单元，用于对所述第三目标进行方向梯度直方图HOG过滤，得到最终的人脸检测目标。

6.根据权利要求5所述的装置，其特征在于，所述前景过滤单元包括：

第一计算模块，用于使用第一公式对所述视频帧的前k帧图像进行计算，得到背景模型；所述第一公式为：

其中，

为第i帧图像中点(x,y)的灰度值，是在像素点(x,y)处的前k帧的灰度的平均值，k是预先设定的正整数；

第二计算模块，用于使用第二公式计算所述前k帧图像的平均帧间差别

所述第二公式为： ${\mathrm{Diff}}_{(x,y)}^k=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\left|(I_{(x,y)}^i-I_{(x,y)}^{i-1})\right|$

第三计算模块，用于使用第三公式计算第一分割阈值T₁和第二分割阈值T₂；

所述第三公式为： $T_1=B_{(x,y)}^k-n_1\&times;{\mathrm{Diff}}_{(x,y)}^k,T_2=B_{(x,y)}^k+n_2\&times;{\mathrm{Diff}}_{(x,y)}^k$

其中，n₁、n₂为预先设定的常数；

前景二值化模块，用于将视频帧的所有像素点的灰度值与所述第一分割阈值T₁和第二分割阈值T₂进行比较，以像素点的灰度在所述与所述第一分割阈值T₁和第二分割阈值T₂之间的点为背景点，将背景点的灰度值设置为0，以其它点为前景点，将前景点的灰度值设置为255，得到二值化的前景模型；

第一过滤模块，用于将所述第一目标中不属于前景的目标删除，得到第二目标。

7.根据权利要求5所述的装置，其特征在于，所述肤色过滤单元包括：

第四计算模块，用于使用第四公式计算所述视频帧中的各点的肤色分布函数P_(x,y)；

所述第四公式为： $P_{(x,y)}=\exp [-0.5{(z-m)}^T{C}^{-1}(z-m)],$ 其中， $z={(C_{r(x,y)},C_{b(x,y)})}^T,$ m=E(z)，C=E((z-m)(z-m)^T)，C_r(x,y)和C_b(x,y)分别表示点（x，y）的红色和蓝色的浓度偏移量成份；

肤色二值化模块，用于求出所述视频帧的所有点的肤色分布函数P_(x,y)中最大的P_max，将肤色分布函数P_(x,y)的值满足n₃iP_max≤P_(x,y)≤n₄iP_max的点判定为背景点，并将背景点的灰度值设置为0，将其它点判定为肤色点，并将肤色点的灰度值设置为255，得到二值化的肤色模型；其中，n₃、n₄为预先设定的常数，且0<n3<n4<1；

处理模块，用于二值化后的第二图像进行平滑处理、区域合并，得到若干个连通的肤色区域；

第二过滤模块，用于将所述第二目标中不属于所述肤色区域的目标删除，得到第三目标。

8.根据权利要求5所述的方法，其特征在于，所述HOG过滤单元包括：

第五计算模块，用于利用第五公式计算所述第三图像中各点的方向梯度；

所述第五公式为： $R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y+1)-I(x,y-1))}^2};$

$\mathrm{\&theta;}(x,y)=\arctan \frac{I(x,y+1)-I(x,y-1)}{I(x+1,y)-I(x-1,y)};$ 其中，R(x,y)表示点（x，y）的梯度大小，θ(x,y)表示点（x，y）的梯度方向；

梯度方向均分模块，用于将[0,π]的梯度方向均分为m个区间；m为预定的常数；

直方图构建模块，用于按照N_BxN_B大小将窗口分成多个块，以预定步长在所述窗口中按照预定方向进行扫描，统计出每个块中每个区间的累积幅值，构建每个块的直方图；N_B为预先设定的常数；

分类器训练模块，用于将提取出来的HOG特征进行自适应增强adaboost方法训练，训练出分类器；

验证模块，用于使用所述分类器对所述第三目标包含的人脸检测目标进行验证，通过验证的为最终的人脸检测目标。

Images