CN103714328A - 人脸检测的Adaboost算法 - Google Patents

Abstract

本发明涉及一种人脸检测的Adaboost算法，检测器前端设有肤色模型和光照补偿，肤色模块前使用光照补偿加强识别效果，肤色模型包括颜色空间、肤色点判断和肤色阈值使用，光照补偿为Gamma矫正；Adaboost算法训练过程包括特征值排序的并行化和训练弱分类的并行化。本发明的有益效果是：运用肤色模型以及光照补偿对检测器进行了前端优化，减少了检测时的数据计算量并加快了检测速度；对于耗费大量的时间的训练过程给出了并行算法，大大节约训练时间。

Description

人脸检测的Adaboost算法

技术领域

本发明涉及一种人脸检测的Adaboost算法。

背景技术

在人脸检测过程中使用肤色检测算法能够很好得提高检测效果，对于Adaboost算法检测过程来说，肤色检测模块既可以添加在多尺度检测之前，也可以添加到多尺度检测之后，还可以添加到多尺度合并之后。

虽然Aadboost系统检测速度很高，但是由于Adaboost算法本身训练比较耗时，整个系统的训练时间非常惊人。其系统在训练上花费了数周的时间。由于Adaboost算法在训练速度上的问题大大地限制了该算法的应用。因此，有必要对原训练算法进行并行化。

在科学和工程问题的数值建模和模拟时，常需要对大量数据进行很多次重复计算以得到有效结果，并且要求计算必须在合理时间内完成，例如数值气象预报、太空中天体运动预测、虚拟现实以及本文针对的Adaboost算法训练过程的优化问题，这些应用对计算速度的需要总是在不断的增长。提高计算速度的一种方法是用多个处理器协同求解一个问题，可以是带有多个处理器的计算机或是以某种方式互连的若干台独立计算机。除了加速对问题求解之外，多计算机／多处理机的使用可以在给定时间内计算更多的求解点，从而获得更精确的解。

发明内容

本发明要解决的技术问题是：基于上述问题，本发明提供一种人脸检测的Adaboost算法。

本发明解决其技术问题所采用的一个技术方案是：一种人脸检测的Adaboost算法，检测器前端设有肤色模型和光照补偿，肤色模块前使用光照补偿加强识别效果，肤色模型包括颜色空间、肤色点判断和肤色阈值使用，光照补偿为Gamma矫正；Adaboost算法训练过程包括特征值排序的并行化和训练弱分类的并行化。

进一步地，颜色空间是采用高斯肤色模型及YCbCr颜色空间对人脸图像进行分割，将RGB空间转化为YCbCr空间如下式所示：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+\frac{1}{256}\left[\begin{array}{ccc}65.481& 128.553& 24.966\\ -37.797& -74.203& 112\\ 112& -93.786& -18.214\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right].$

进一步地，肤色点判断方法为采用训练的方法来计算得到CbCr空间上集中的中心，然后根据所考察的像素离该中心的远近来得到它和肤色的相似度，从而得到一个原图的相似度分布图，再对该分布图二值化，最终确定肤色的区域。

进一步地，肤色阈值使用方法为：阈值设置为20％，如果肤色点超过20％就进行检测，否则排除该子窗口。

进一步地，Gamma矫正为，图像上任一点的像素值(R，G，B)可以通过下式进行Gamma校正，

$\left\{\begin{array}{c}{R}_{\mathrm{gamma}}=255{\left(\frac{R}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\\ G_{\mathrm{gamma}}=255{\left(\frac{G}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\\ B_{\mathrm{gamma}}=255{\left(\frac{B}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\end{array}\right.,$ 式中，γ值取2.2。

进一步地，特征值排序的并行化采用并行正则采样排序PSRS方法对排序过程进行并行化。

本发明的有益效果是：运用肤色模型以及光照补偿对检测器进行了前端优化，减少了检测时的数据计算量并加快了检测速度；对于耗费大量的时间的训练过程给出了并行算法，大大节约训练时间。

具体实施方式

现在结合具体实施例对本发明作进一步说明，以下实施例旨在说明本发明而不是对本发明的进一步限定。

一种人脸检测的Adaboost算法，检测器前端设有肤色模型和光照补偿，肤色模块前使用光照补偿加强识别效果，肤色模型包括颜色空间、肤色点判断和肤色阈值使用，光照补偿为Gamma矫正；Adaboost算法训练过程包括特征值排序的并行化和训练弱分类的并行化。

颜色空间

采用高斯肤色模型及YCbCr颜色空间对人脸图像进行分割。因为捕获的人脸图像是真彩色图像，将RGB空间转化为YCbCr空间如下式所示，选择YCbCr颜色空间的好处是CbCr二维分量对光照比较不敏感，

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+\frac{1}{256}\left[\begin{array}{ccc}65.481& 128.553& 24.966\\ -37.797& -74.203& 112\\ 112& -93.786& -18.214\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right].$

肤色点判断

通过统计发现人脸的肤色在CbCr空间上集中在一定的范围。可以采用训练的方法来计算得到这个分布的中心，然后根据所考察的像素离该中心的远近来得到它和肤色的相似度，从而得到一个原图的相似度分布图，再按照一定的规则对该分布图二值化，以最终确定肤色的区域。经过统计可以确定均值u和方差C，结果如下式示：

u=[156.56 117.43]

$C=\left[\begin{array}{cc}160.13& 121.143\\ 12.143& 299.46\end{array}\right].$

采用下式来计算肤色相似度，

P(Cr，Cb)＝exp[-0.5(x-u)^TC^-1(x-u)]，x＝[Cr，Cb]^T。

对大量人脸照片的实验发现，取相似度的阈值0.6时可以达到较好的效果。因此计算二值化如下式示：

$f\left(x\right)=\left\{\begin{array}{cc}0& P(\mathrm{Cr},\mathrm{Cb})>0.6\\ 1& P(\mathrm{Cr},\mathrm{Cb})\≤0.6\end{array}\right.$

肤色阈值使用

检测是以子窗口为单位进行的，所以肤色阈值是针对子窗口内的肤色点数量来设置的，实际使用中阈值设置为20％，如果肤色点超过20％就进行检测，否则排除该子窗口。

Gamma矫正

由于人类视觉系统对于亮度或者说对于RGB三色信号的感觉大致成对数关系，而并非线性关系，Gamma校正正是为了克服这种非线性而引入的一种传输函数。当用于Gamma矫正的值大于1时，图像的高光部分被压缩而暗调部分被扩展，当Gamma矫正的值小于1时，图像的高光部分被扩展而暗调部分被压缩，Gamma矫正一般用于平滑地扩展暗调的细节。当图像的质量不好时，特别出现一些高亮的区域，因此有必要去对图像进行预处理，尽量消除高亮区域。那么Gamma校正不失为一种很好的解决方法。原图像为真彩色图像，图像上任一点的像素值(R，G，B)可以通过下式进行Gamma校正，

$\left\{\begin{array}{c}{R}_{\mathrm{gamma}}=255{\left(\frac{R}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\\ G_{\mathrm{gamma}}=255{\left(\frac{G}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\\ B_{\mathrm{gamma}}=255{\left(\frac{B}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\end{array}\right.,$ 式中，γ值取2.2。

由于Gamma校正涉及到指数的运算，为了提高计算速度，我们可以构造一张Gamma值的查找表。对质量图像进行光照补偿后，肤色提取区域的效果明显比光照补偿前好。

特征值排序的并行化

考虑到每一个样本都包含有上万个特征，而把所有样本的特征值排序会耗用很多的时间，可采用并行正则采样排序PSRS方法对排序过程进行并行化。

并行正则采样排序PSRS(Parallel Sorting by Regular Sampling)，是一种基于均匀化分(Uniform Partition)原理的负载均衡的并行排序算法。假定待排序的元素有n个，系统中有p个处理器，那么系统首先将n个元素均匀地分割成p段，每段含有n/p个元素，每段指派一个处理器，然后各个处理器同时施行局部排序。为了使各段中每个局部有序的元素在整个序列中也能占据正确的位置，那么首先从各段中抽取几个代表元素，再从它们中产生出p-1个主元，然后按这些主元与原各局部有序的元素之间的偏序关系，将各个局部有序段化分成p段，接着通过全局交换将各个段中的对应部分集中在一起，最后将这些集合在以前的各部分采用多路归并排序的方法进行排序，这些有序段汇合起来就自然成为全局有序序列了。

这部分并行算法的流程，可描述如下：

输入为所有样本的特征值，n是待排序特征值数，p是处理器个数。

(1)每个处理器将自己的n/p个特征值用串行快速排序算法进行排序，得到一个排序好的序列；

(2)每个处理器从排序好的序列中选取第w，2w，3w，．．．，(p-1)w个共p-1个特征值作为代表元素，其中w=n／p²。然后将选好的代表元素送到处理器P₀中，并将送来的p段有序的特征值序列做p路归并，再选择排序后的第p-1，2(p-1)，．．．，(p-1)(p-1)共p-1个主元；

(3)处理器P₀将这p-1个主元播送到所有处理器中；

(4)每个处理器根据上步送来的p-1个主元将自己的n/p个特征值分为p段；

(5)每个处理器再通过p路归并排序将上一步得到的特征值排序，从而这n个特征值便是有序的。各处理器依次将排序好的特征值打印到输出文件中；

(6)各处理器依次将排序好的特征值打印到输出文件中。

训练弱分类的并行化

训练过程中，寻找每轮的最佳弱分类器可以分给p个处理器去完成，因此，训练弱分类器的算法并行化后如下：

对每一个t=1．．．N(其中N为训练的次数)：

(1)处理器P₀归一化权重W，T0和T1，并广播到所有处理器中；

(2)每个处理器计算本地最优弱分类器，并把结果发送给处理器P₀；

(3)处理器同步，保证处理器P₀接收到所有处理器的计算结果；

(4)处理器P₀通过比较所有的计算结果得到本轮最佳弱分类器；

(5)处理器P₀调整样本权重。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种人脸检测的Adaboost算法，其特征是：检测器前端设有肤色模型和光照补偿，肤色模块前使用光照补偿加强识别效果，肤色模型包括颜色空间、肤色点判断和肤色阈值使用，光照补偿为Gamma矫正；Adaboost算法训练过程包括特征值排序的并行化和训练弱分类的并行化。

2.根据权利要求1所述的人脸检测的Adaboost算法改进，其特征是：所述的颜色空间是采用高斯肤色模型及YCbCr颜色空间对人脸图像进行分割，将RGB空间转化为YCbCr空间如下式所示：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+\frac{1}{256}\left[\begin{array}{ccc}65.481& 128.553& 24.966\\ -37.797& -74.203& 112\\ 112& -93.786& -18.214\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right].$

3.根据权利要求1所述的人脸检测的Adaboost算法，其特征是：所述的肤色点判断方法为采用训练的方法来计算得到CbCr空间上集中的中心，然后根据所考察的像素离该中心的远近来得到它和肤色的相似度，从而得到一个原图的相似度分布图，再对该分布图二值化，最终确定肤色的区域。

4.根据权利要求1所述的人脸检测的Adaboost算法，其特征是：所述的肤色阈值使用方法为：阈值设置为20％，如果肤色点超过20％就进行检测，否则排除该子窗口。

5.根据权利要求1所述的人脸检测的Adaboost算法，其特征是：所述的Gamma矫正为，图像上任一点的像素值(R，G，B)可以通过下式进行Gamma校正，

$\left\{\begin{array}{c}{R}_{\mathrm{gamma}}=255{\left(\frac{R}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\\ G_{\mathrm{gamma}}=255{\left(\frac{G}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\\ B_{\mathrm{gamma}}=255{\left(\frac{B}{255}\right)}^{\frac{1}{\mathrm{\γ}}}\end{array}\right.,$ 式中，γ值取2.2。

6.根据权利要求1所述的人脸检测的Adaboost算法，其特征是：所述的特征值排序的并行化采用并行正则采样排序PSRS方法对排序过程进行并行化。