CN103778430A - 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 - Google Patents

Abstract

本发明公开了一种基于肤色分割和AdaBoost相结合的快速人脸检测方法，包括以下步骤：第一步，构建N层高斯金字塔；第二步，确定在高斯金字塔中进行肤色分割人脸检测的层数Ev；第三步，对高斯金字塔的第Ev层图像进行肤色分割人脸检测，标定出矩形人脸候选区域；第四步，确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev'；第五步，对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测；第六步，获取人脸区域。本发明结合了肤色分割和AdaBoost算法，并引入高斯金字塔，通过先为待检图像创建高斯金字塔，然后选择在高斯金字塔的适当层分别进行肤色分割和AdaBoost人脸检测，从而大幅提高了人脸检测效率。

Description

一种基于肤色分割和AdaBoost相结合的快速人脸检测方法

技术领域

本发明属于模式识别领域，涉及一种人脸检测方法。

背景技术

人脸识别技术是生物特征识别的关键技术之一，其研究内容是如何利用计算机分析人脸图像，从中提取有效的识别信息，完成身份辨识。而人脸检测是人脸识别系统的第一个环节，也是后续特征提取、特征分类等环节的基础。经过多年的发展，涌现出了大量的人脸检测算法，其中具有代表性的是基于肤色分割的人脸检测方法和基于AdaBoost的人脸检测方法。基于肤色分割人脸检测的方法检测速度很快但效果一般；相反，基于AdaBoost人脸检测的方法效果很好但速度较慢。本专利提出一种基于肤色分割和AdaBoost相结合的快速人脸检测算法，利用了适当的方法把基于肤色分割人脸检测和基于AdaBoost人脸检测进行组合，使这两种方法优势互补，既加快检测速度又提高检测效果。并在此改进的基础上，引入了高斯金字塔的思想，将肤色分割人脸检测和AdaBoost人脸检测用在高斯金字塔的不同层进行处理，进一步提高了整体的人脸检测效率。

发明内容

技术问题：本发明提供一种兼顾检测速度和检测效果，检测效果好，大幅提高了人脸检测效率、快速有效的基于肤色分割和AdaBoost相结合的快速人脸检测方法。

技术方案：本发明的基于肤色分割和AdaBoost相结合的快速人脸检测方法，包括以下步骤：

步骤1：构建高斯金字塔：将RGB彩色空间中待检测的彩色图像I扩展为N层的高斯金字塔G(I)＝{G₀,G₁,…,G_N-1}，其中，N≥2且N为自然数，高斯金字塔的最底层编号为0，最顶层编号为N-1，G₀为高斯金字塔的最底层图像即原彩色图像I，G_N-1为高斯金字塔的最顶层图像，G_l是高斯金字塔的第l层图像，0≤l≤N-1且l为自然数，每层图像的数据大小为W_l×H_l×3，其中W_l和H_l都为正整数，分别表示第l层图像G_l的列数和行数；

高斯金字塔的第l层图像G_l是原彩色图像I经过l次降采样得到的图像，其像素的计算公式如下：

G_l(β,γ)＝G_l-1(2β,2γ)

其中，G_l(β,γ)表示高斯金字塔的第l层图像G_l的第β行第γ列的像素，且β和γ都为正整数，0≤β≤H_l-1，0≤γ≤W_l-1；

步骤2：根据下式确定在高斯金字塔中进行肤色分割人脸检测的层数Ev：

其中，SI(1),SI(2),…SI(N-1)分别表示在高斯金字塔的第1,2,…N-1层进行肤色分割人脸检测所要求的图像的最小尺寸，si(G₁),si(G₂),…si(G_N-1)分别表示高斯金字塔的第1,2,…N-1层图像的实际尺寸；

步骤3：对高斯金字塔的第Ev层图像进行肤色分割人脸检测，标定出矩形人脸候选区域[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev，其中，矩形人脸候选区域的两边分别和第Ev层图像的两边平行，(x_Lm,y_Lm)和(x_Rm,y_Rm)分别为该层中标定出的第m个矩形人脸候选区域[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev的左上角和右下角的坐标，其中m为矩形人脸候选区域的编号，1≤m≤S，m为正整数，S为该层中标定出的矩形人脸候选区域的个数；

步骤4：根据下式确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev'：

其中，S_std表示预设定的矩形人脸区域标准尺寸，w和h分别表示高斯金字塔第Ev层上标定出的最大矩形人脸候选区域的高和宽，

表示不大于

的最大整数；

步骤5：对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测：

高斯金字塔第Ev层中的第m个矩形人脸候选区域对应到第Ev'层中，得到第Ev'层中的矩形人脸候选区域为[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'，其中(x'_Lm,y'_Lm)和(x'_Rm,y'_Rm)分别为根据下式计算得到的矩形人脸候选区域[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'在第Ev'层图像中的左上角坐标和右下角坐标：

$\left\{\begin{array}{c}(x_{\mathrm{Lm}}^{\′},y_{\mathrm{Lm}}^{\′}){=2}^{{\mathrm{Ev}-\mathrm{Ev}}^{\′}}\·(x_{\mathrm{Lm}},y_{\mathrm{Lm}})\\ (x_{\mathrm{Rm}}^{\′},y_{\mathrm{Rm}}^{\′})=2^{{\mathrm{Ev}-\mathrm{Ev}}^{\′}}\·(x_{\mathrm{Rm}},y_{\mathrm{Rm}})\end{array}\right.$

在高斯金字塔第Ev'层中，采用AdaBoost算法训练得到的人脸检测级联分类器，分别对所有的矩形人脸候选区域[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'进行人脸检测，检测到Q个矩形人脸区域，记为集合{[(x'_Lθ,y'_Lθ),(x'_Rθ,y'_Rθ)]_Ev'SUC|1≤θ≤Q}，其中，θ为自然数，表示检测到的矩形人脸区域的编号，0≤Q≤S，Q＝0时表示没检测到人脸，(x'_Lθ,y'_Lθ)和(x'_Rθ,y'_Rθ)分别为在高斯金字塔Ev'层中检测到的第θ个矩形人脸区域的左上角坐标和右下角坐标；

步骤6：获取人脸区域：

根据下式分别计算高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域

的左上角坐标

和右下角坐标

$\left\{\begin{array}{c}(x_{\mathrm{L\θ}}^I,y_{\mathrm{L\θ}}^I)=2^{{\mathrm{Ev}}^{\′}}(x_{\mathrm{L\θ}}^{\′},y_{\mathrm{L\θ}}^{\′})\\ (x_{\mathrm{R\θ}}^I,y_{\mathrm{R\θ}}^I)=2^{{\mathrm{Ev}}^{\′}}(x_{\mathrm{R\θ}}^{\′},y_{\mathrm{R\θ}}^{\′})\end{array}\right.$

即得到高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域

最终得到的矩形人脸区域集合

作为最终检测结果。

本发明方法的一种优选方案中，步骤3的具体流程为：

步骤3.1：按照下式将第Ev层的图像G_Ev由RGB彩色空间转化到YCbCr彩色空间：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+(1/256)\left[\begin{array}{ccc}65.738& 129.057& 25.06\\ -37.945& -74.494& 112.43\\ 112.439& -94.154& -18.28\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

转化后的图像为A，大小和图像G_Ev一致，为W_Ev×H_Ev×3，其中W_Ev和H_Ev分别表示图像G_Ev的列数和行数，其中，Y表示YCbCr彩色空间中的亮度分量，Cb表示YCbCr彩色空间中的蓝色色度分量，Cr表示YCbCr彩色空间中的红色色度分量,R表示RGB彩色空间中的红色分量，G表示RGB彩色空间中的绿色分量，B表示RGB彩色空间中的蓝色分量；

图像A在第p行第q列的肤色像素值为向量A_pq＝(cb,cr)^T，其中T为转置符号，cb和cr分别表示图像A的第p行第q列的像素在Cb通道和Cr通道的分量，且有0≤p≤H_Ev-1，0≤q≤W_Ev-1；

步骤3.2：按照如下方法计算图像A中所有像素点与肤色的相似度：

根据下式求取图像A中每个像素点的简单高斯分布模型的概率密度P(A_pq)：

$P\left(A_{\mathrm{pq}}\right)=\frac{1}{2\mathrm{\π}{\left|{\mathrm{\Σ}}_s\right|}^{0.5}}\exp (-\frac{{(A_{\mathrm{pq}}-{\mathrm{\μ}}_s)}^T{\mathrm{\Σ}}_s^{-1}(A_{\mathrm{pq}}-{\mathrm{\μ}}_s)}{2})$

其中，函数exp（）表示以e为底的指数函数，μ_s表示肤色训练样本的均值，Σ_s表示肤色训练样本的协方差矩阵，μ_s和Σ_s分别按照下式计算：

${\mathrm{\μ}}_s=\frac{1}{a}\underset{\mathrm{\ζ}=1}{\overset{a}{\mathrm{\Σ}}}{z}_{\mathrm{\ζ}}$

${\mathrm{\Σ}}_s\frac{1}{a-1}\underset{\mathrm{\ζ}=1}{\overset{a}{\mathrm{\Σ}}}(z_{\mathrm{\ζ}}-{\mathrm{\μ}}_s){(z_{\mathrm{\ζ}}-{\mathrm{\μ}}_s)}^T$

其中，a为样本数目，z_ζ为第ζ个样本，1≤ζ≤a，且ζ为自然数；

然后根据下式对求得的所有P(A_pq)做归一化处理：

$S\left(A_{\mathrm{pq}}\right)=\frac{P\left(A_{\mathrm{pq}}\right)}{P_{\max }}$

其中P_max为求得的所有P(A_pq)中的最大值，S(A_pq)为图像A中第p行第q列像素的肤色相似度；

步骤3.3：根据下式对图像A进行二值化处理，得到图像A的二值化图像的像素点f(S(A_pq))，即可得到图像A的二值化图像C：

$f\left(S\left(A_{\mathrm{pq}}\right)\right)=\left\{\begin{array}{cc}0& S\left(A_{\mathrm{pq}}\right)\≤\mathrm{Th}\\ 1& S\left(A_{\mathrm{pq}}\right)>\mathrm{Th}\end{array}\right.$

其中，Th为预先设定好的肤色相似度阈值，且0＜Th＜1，二值化图像C上的每点像素都有C_pq＝f(S(A_pq))，其中C_pq为图像C在第p行第q列的像素值，0≤p≤H_Ev-1，0≤q≤W_Ev-1；

步骤3.4：按照如下方法标定矩形人脸候选区域：

检测出图像C中像素值C_pq＝1的区域，作为人脸候选区域，将其用矩形框标定出来，并用[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev来表示在高斯金字塔的第Ev中标定出的第m矩形人脸候选区域，其中(x_Lm,y_Lm)和(x_Rm,y_Rm)分别表示该矩形人脸候选区域的左上角坐标和右下角坐标。

有益效果：与现有的技术相比，本发明具有以下优点：

1、现有的人脸检测技术大多是运用单一的人脸检测方法，而本发明把肤色分割人脸检测方法和AdaBoost人脸检测方法相结合。由于肤色分割人脸检测方法速度较快但准确率偏低，而AdaBoost人脸检测方法准确率高但速度偏慢，所以将肤色分割人脸检测作为AdaBoost人脸检测的前级，进行粗略的人脸检测，把检测到的区域作为人脸候选区域，再把这些人脸候选区域用AdaBoost方法进行精确人脸检测，从而缩小AdaBoost方法的检测范围，在保证检测效果的基础上大大降低了检测时间。

2、由于待检测的图像可能较大，如果直接进行人脸检测速度肯定很慢。因此本发明引入了高斯金字塔的思想，为待检测图像创建高斯金字塔。高斯金字塔是对原图进行降采样得到的，金字塔上层图像比其下层图像尺寸小，对金字塔上层图像进行人脸检测时速度会变快，但准确率会有一定下降。在兼顾检测效果与检测速度的基础上，本发明选择在高斯金字塔的适当层进行肤色分割人脸检测和AdaBoost人脸检测，然后把检测到的人脸区域对应到原待检测图像中，从而在保证检测效果的基础上大大加快了检测速度。

附图说明

图1是本发明方法的整体流程图。

具体实施方式

下面结合实施例和说明书附图，对本发明的作进一步详细说明。

本发明的基于肤色分割和AdaBoost相结合的快速人脸检测方法，包括以下步骤：

步骤1：构建高斯金字塔：将RGB彩色空间中待检测的彩色图像I扩展为N层的高斯金字塔G(I)＝{G₀,G₁,…,G_N-1}，其中，N≥2且N为自然数，对原图像不断向下采样，得到一系列不同分辨率的图像，同时每次得到的新图像的宽和高是前一幅图像宽和高的二分之一，把这一系列图像从大到小排列起来就构成了高斯金字塔，高斯金字塔的最底层编号为0，最顶层编号为N-1，G₀为高斯金字塔的最底层图像即原彩色图像I，该图像尺寸最大，G_N-1为高斯金字塔的最顶层图像，该图像尺寸最小，G_l是高斯金字塔的第l层图像，0≤l≤N-1且l为自然数，每层图像的数据大小为W_l×H_l×3，其中W_l和H_l都为正整数，分别表示第l层图像G_l的列数和行数；

高斯金字塔的第l层图像G_l是原彩色图像I经过l次降采样得到的图像，其像素的计算公式如下：

G_l(β,γ)＝G_l-1(2β,2γ)

其中，G_l(β,γ)表示高斯金字塔的第l层图像G_l的第β行第γ列的像素，且β和γ都为正整数，0≤β≤H_l-1，0≤γ≤W_l-1；

步骤2：根据下式确定在高斯金字塔中进行肤色分割人脸检测的层数Ev：

其中，SI(1),SI(2),…SI(N-1)分别表示在高斯金字塔的第1,2,…N-1层进行肤色分割人脸检测所要求的图像的最小尺寸，si(G₁),si(G₂),…si(G_N-1)分别表示高斯金字塔的第1,2,?N-1层图像的实际尺寸；

步骤3：对高斯金字塔的第Ev层图像进行肤色分割人脸检测，标定出矩形人脸候选区域[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev，其中，矩形人脸候选区域的两边分别和第Ev层图像的两边平行，(x_Lm,y_Lm)和(x_Rm,y_Rm)分别为该层中标定出的第m个矩形人脸候选区域[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev的左上角和右下角的坐标，其中m为矩形人脸候选区域的编号，1≤m≤S，m为正整数，S为该层中标定出的矩形人脸候选区域的个数；

步骤4：根据下式确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev'：

其中，S_std表示预设定的矩形人脸区域标准尺寸，w和h分别表示高斯金字塔第Ev层上标定出的最大矩形人脸候选区域的高和宽，

表示不大于

的最大整数；

步骤5：对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测：

高斯金字塔第Ev层中的第m个矩形人脸候选区域对应到第Ev'层中，得到第Ev'层中的矩形人脸候选区域为[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'，其中(x'_Lm,y'_Lm)和(x'_Rm,y'_Rm)分别为根据下式计算得到的矩形人脸候选区域[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'在第Ev'层图像中的左上角坐标和右下角坐标：

$\left\{\begin{array}{c}(x_{\mathrm{Lm}}^{\′},y_{\mathrm{Lm}}^{\′}){=2}^{{\mathrm{Ev}-\mathrm{Ev}}^{\′}}\·(x_{\mathrm{Lm}},y_{\mathrm{Lm}})\\ (x_{\mathrm{Rm}}^{\′},y_{\mathrm{Rm}}^{\′})=2^{{\mathrm{Ev}-\mathrm{Ev}}^{\′}}\·(x_{\mathrm{Rm}},y_{\mathrm{Rm}})\end{array}\right.$

在高斯金字塔第Ev'层中，采用AdaBoost算法训练得到的人脸检测级联分类器，分别对所有的矩形人脸候选区域[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'进行人脸检测，检测到Q个矩形人脸区域，记为集合{[(x'_Lθ,y'_Lθ),(x'_Rθ,y'_Rθ)]_Ev'SUC|1≤θ≤Q}，其中，θ为自然数，表示检测到的矩形人脸区域的编号，0≤Q≤S，Q＝0时表示没检测到人脸，(x'_Lθ,y'_Lθ)和(x'_Rθ,y'_Rθ)分别为在高斯金字塔Ev'层中检测到的第θ个矩形人脸区域的左上角坐标和右下角坐标；

AdaBoost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器结合起来，构成强分类器，最后训练多个强类器通过级联生成级联分类器，具体训练过程如下：

设训练集J＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}包含n个样本，其中x_i表示训练本，x_i∈X，i＝1,2,?,n，X为训练样本集，y_i∈Y是x_i对应的判别标志，有Y＝{1,-1}，其中y_i＝1表示x_i是正样本，y_i＝-1表示x_i是负样本；

级联分类器按以下步骤训练：

第一步：初始化样本权值：

$w_1\left(i\right)=\left\{\begin{array}{cc}\frac{1}{2u},& y_i=1\\ \frac{1}{2v},& y_i=-1\end{array}\right.$

其中，w₁(i)表示第i个样本的初始权值，u表示训练集J中正样本的总数，v表示训练集J中负样本的总数，有u+v＝n，n为样本总数；

第二步：对于t＝1,2,…,T_d进行如下循环，其中T_d为迭代次数：

①权值归一化

$w_t\left(i\right)\←\frac{w_t\left(i\right)}{\underset{s=1}{\overset{n}{\mathrm{\Σ}}}{w}_t\left(s\right)}$

其中，w_t(i)表示第t轮训练中第i个样本的权值；

②训练弱分类器，并计算其加权误差：

选定用于人脸检测的所有哈尔特征，并对每个哈尔特征j训练一个弱分类器h_j(x)，表示如下：

其中，变量x表示训练样本，F_j(x)表示训练样本x中哈尔特征j的值，θ_j表示对哈尔特征j设定的阈值，p_j=±1用于控制不等号的方向；

分别计算上述训练出的弱分类器对所有训练样本的加权误差ε_j：

${\mathrm{\ϵ}}_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_t\left(i\right)|h_j\left(x_i\right)-y_i|$

选择加权误差最低的弱分类器作为此次循环的分类器，记为h_t(x)，最低的加权误差记为ε_t；

③按照如下公式更新样本权值：

$w_{t+1}\left(i\right)=w_t\left(i\right){\left(\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}\right)}^{1-e_i}$

其中e_i＝{0,1}，e_i＝0时表示样本x_i被正确分类，e_i＝1时表示样本x_i被错误分类；

第三步：得到最终的强分类器H(x)：

其中 $a_t=1n\left(\frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}\right);$

第四步：训练多个强分类器，构成级联分类器。通过上述步骤训练出多个强分类器H₁(x),H₂(x),?,H_d(x)，其中d为强分类器的个数，然后把这些强分类器级联起来，构成最后的级联分类器H_cas(x)，其中H_cas(x)＝H₁(x)?H₂(x)?,?,?H_d(x)；

步骤6：获取人脸区域：

根据下式分别计算高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域

的左上角坐标

和右下角坐标

$\left\{\begin{array}{c}(x_{\mathrm{L\θ}}^I,y_{\mathrm{L\θ}}^I)=2^{{\mathrm{Ev}}^{\′}}(x_{\mathrm{L\θ}}^{\′},y_{\mathrm{L\θ}}^{\′})\\ (x_{\mathrm{R\θ}}^I,y_{\mathrm{R\θ}}^I)=2^{{\mathrm{Ev}}^{\′}}(x_{\mathrm{R\θ}}^{\′},y_{\mathrm{R\θ}}^{\′})\end{array}\right.$

即得到高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域

最终得到的矩形人脸区域集合作为最终检测结果。

本发明的一种实施例中，步骤3的具体流程为：

步骤3.1：按照下式将第Ev层的图像G_Ev由RGB彩色空间转化到YCbCr彩色空间：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+(1/256)\left[\begin{array}{ccc}65.738& 129.057& 25.06\\ -37.945& -74.494& 112.43\\ 112.439& -94.154& -18.28\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

转化后的图像为A，大小和图像G_Ev一致，为W_Ev×H_Ev×3，其中W_Ev和H_Ev分别表示图像G_Ev的列数和行数，其中，Y表示YCbCr彩色空间中的亮度分量，Cb表示YCbCr彩色空间中的蓝色色度分量，Cr表示YCbCr彩色空间中的红色色度分量,R表示RGB彩色空间中的红色分量，G表示RGB彩色空间中的绿色分量，B表示RGB彩色空间中的蓝色分量；

图像A在第p行第q列的肤色像素值为向量A_pq＝(cb,cr)^T，其中T为转置符号，cb和cr分别表示图像A的第p行第q列的像素在Cb通道和Cr通道的分量，且有0≤p≤H_Ev-1，0≤q≤W_Ev-1；

步骤3.2：按照如下方法计算图像A中所有像素点与肤色的相似度：

根据下式求取图像A中每个像素点的简单高斯分布模型的概率密度P(A_pq)：

$P\left(A_{\mathrm{pq}}\right)=\frac{1}{2\mathrm{\π}{\left|{\mathrm{\Σ}}_s\right|}^{0.5}}\exp (-\frac{{(A_{\mathrm{pq}}-{\mathrm{\μ}}_s)}^T{\mathrm{\Σ}}_s^{-1}(A_{\mathrm{pq}}-{\mathrm{\μ}}_s)}{2})$

其中，函数exp（）表示以e为底的指数函数，μ_s表示肤色训练样本的均值，Σ_s表示肤色训练样本的协方差矩阵，μ_s和Σ_s分别按照下式计算：

${\mathrm{\μ}}_s=\frac{1}{a}\underset{\mathrm{\ζ}=1}{\overset{a}{\mathrm{\Σ}}}{z}_{\mathrm{\ζ}}$

${\mathrm{\Σ}}_s\frac{1}{a-1}\underset{\mathrm{\ζ}=1}{\overset{a}{\mathrm{\Σ}}}(z_{\mathrm{\ζ}}-{\mathrm{\μ}}_s){(z_{\mathrm{\ζ}}-{\mathrm{\μ}}_s)}^T$

其中，a为样本数目，z_ζ为第ζ个样本，1≤ζ≤a，且ζ为自然数；

然后根据下式对求得的所有P(A_pq)做归一化处理：

$S\left(A_{\mathrm{pq}}\right)=\frac{P\left(A_{\mathrm{pq}}\right)}{P_{\max }}$

其中P_max为求得的所有P(A_pq)中的最大值，S(A_pq)为图像A中第p行第q列像素的肤色相似度；

步骤3.3：根据下式对图像A进行二值化处理，得到图像A的二值化图像的像素点f(S(A_pq))，即可得到图像A的二值化图像C：

$f\left(S\left(A_{\mathrm{pq}}\right)\right)=\left\{\begin{array}{cc}0& S\left(A_{\mathrm{pq}}\right)\≤\mathrm{Th}\\ 1& S\left(A_{\mathrm{pq}}\right)>\mathrm{Th}\end{array}\right.$

其中，Th为预先设定好的肤色相似度阈值，且0＜Th＜1，二值化图像C上的每点像素都有C_pq＝f(S(A_pq))，其中C_pq为图像C在第p行第q列的像素值，0≤p≤H_Ev-1，0≤q≤W_Ev-1；

步骤3.4：按照如下方法标定矩形人脸候选区域：

检测出图像C中像素值C_pq＝1的区域，作为人脸候选区域，将其用矩形框标定出来，并用[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev来表示在高斯金字塔的第Ev中标定出的第m矩形人脸候选区域，其中(x_Lm,y_Lm)和(x_Rm,y_Rm)分别表示该矩形人脸候选区域的左上角坐标和右下角坐标。

Claims (2)

1.一种基于肤色分割和AdaBoost相结合的快速人脸检测方法，该方法包括以下步骤：

步骤1：构建高斯金字塔：将RGB彩色空间中待检测的彩色图像I扩展为N层的高斯金字塔G(I)＝{G₀,G₁,…，G_N-1}，其中，N≥2且N为自然数，高斯金字塔的最底层编号为0，最顶层编号为N-1，G₀为高斯金字塔的最底层图像即原彩色图像I，G_N-1为高斯金字塔的最顶层图像，G_l是高斯金字塔的第l层图像，0≤l≤N-1且l为自然数，每层图像的数据大小为W_l×H_l×3，其中W_l和H_l都为正整数，分别表示第l层图像G_l的列数和行数；

高斯金字塔的第l层图像G_l是原彩色图像I经过l次降采样得到的图像，其像素的计算公式如下：

G_l(β,γ)＝G_l-1(2β,2γ)

其中，G_l(β,γ)表示高斯金字塔的第l层图像G_l的第β行第γ列的像素，且β和γ都为正整数，0≤β≤H_l-1，0≤γ≤W_l-1；

步骤2：根据下式确定在高斯金字塔中进行肤色分割人脸检测的层数Ev：

其中，SI(1),SI(2),…SI(N-1)分别表示在高斯金字塔的第1,2,…N-1层进行肤色分割人脸检测所要求的图像的最小尺寸，si(G₁),si(G₂),…si(G_N-1)分别表示高斯金字塔的第1,2,…N-1层图像的实际尺寸；

步骤3：对高斯金字塔的第Ev层图像进行肤色分割人脸检测，标定出矩形人脸候选区域[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev，其中，矩形人脸候选区域的两边分别和第Ev层图像的两边平行，(x_Lm,y_Lm)和(x_Rm,y_Rm)分别为该层中标定出的第m个矩形人脸候选区域[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev的左上角和右下角的坐标，其中m为矩形人脸候选区域的编号，1≤m≤S，m为正整数，S为该层中标定出的矩形人脸候选区域的个数；

步骤4：根据下式确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev'：

其中，S_std表示预设定的矩形人脸区域标准尺寸，w和h分别表示高斯金字塔第Ev层上标定出的最大矩形人脸候选区域的高和宽，

表示不大于

的最大整数；

步骤5：对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测：

高斯金字塔第Ev层中的第m个矩形人脸候选区域对应到第Ev'层中，得到第Ev'层中的矩形人脸候选区域为[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'，其中(x'_Lm,y'_Lm)和(x'_Rm,_y'_Rm)分别为根据下式计算得到的矩形人脸候选区域[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'在第Ev'层图像中的左上角坐标和右下角坐标：

$\left\{\begin{array}{c}(x_{\mathrm{Lm}}^{\′},y_{\mathrm{Lm}}^{\′}){=2}^{{\mathrm{Ev}-\mathrm{Ev}}^{\′}}\·(x_{\mathrm{Lm}},y_{\mathrm{Lm}})\\ (x_{\mathrm{Rm}}^{\′},y_{\mathrm{Rm}}^{\′})=2^{{\mathrm{Ev}-\mathrm{Ev}}^{\′}}\·(x_{\mathrm{Rm}},y_{\mathrm{Rm}})\end{array}\right.$

在高斯金字塔第Ev'层中，采用AdaBoost算法训练得到的人脸检测级联分类器，分别对所有的矩形人脸候选区域[(x'_Lm,y'_Lm),(x'_Rm,y'_Rm)]_Ev'进行人脸检测，检测到Q个矩形人脸区域，记为集合{[(x'_Lθ,y'_Lθ),(x'_Rθ,y'_Rθ)]_Ev'SUC|1≤θ≤Q}，其中，θ为自然数，表示检测到的矩形人脸区域的编号，0≤Q≤S，Q＝0时表示没检测到人脸，(x'_Lθ,y'_Lθ)和(x'_Rθ,y'_Rθ)分别为在高斯金字塔Ev'层中检测到的第θ个矩形人脸区域的左上角坐标和右下角坐标；

步骤6：获取人脸区域：

根据下式分别计算高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域

的左上角坐标

和右下角坐标

$\left\{\begin{array}{c}(x_{\mathrm{L\θ}}^I,y_{\mathrm{L\θ}}^I)=2^{{\mathrm{Ev}}^{\′}}(x_{\mathrm{L\θ}}^{\′},y_{\mathrm{L\θ}}^{\′})\\ (x_{\mathrm{R\θ}}^I,y_{\mathrm{R\θ}}^I)=2^{{\mathrm{Ev}}^{\′}}(x_{\mathrm{R\θ}}^{\′},y_{\mathrm{R\θ}}^{\′})\end{array}\right.$

即得到高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域

最终得到的矩形人脸区域集合

作为最终检测结果。

2.根据权利要求1所述的基于肤色分割和AdaBoost相结合的快速人脸检测方法，其特征在于，所述的步骤3的具体流程为：

步骤3.1：按照下式将第Ev层的图像G_Ev由RGB彩色空间转化到YCbCr彩色空间：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+(1/256)\left[\begin{array}{ccc}65.738& 129.057& 25.06\\ -37.945& -74.494& 112.43\\ 112.439& -94.154& -18.28\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

转化后的图像为A，大小和图像G_Ev一致，为W_Ev×H_Ev×3，其中W_Ev和H_Ev分别表示图像G_Ev的列数和行数，其中，Y表示YCbCr彩色空间中的亮度分量，Cb表示YCbCr彩色空间中的蓝色色度分量，Cr表示YCbCr彩色空间中的红色色度分量,R表示RGB彩色空间中的红色分量，G表示RGB彩色空间中的绿色分量，B表示RGB彩色空间中的蓝色分量；

图像A在第p行第q列的肤色像素值为向量A_pq＝(cb,cr)^T，其中T为转置符号，cb和cr分别表示图像A的第p行第q列的像素在Cb通道和Cr通道的分量，且有0≤p≤H_Ev-1，0≤q≤W_Ev-1；

步骤3.2：按照如下方法计算图像A中所有像素点与肤色的相似度：

根据下式求取图像A中每个像素点的简单高斯分布模型的概率密度P(A_pq)：

$P\left(A_{\mathrm{pq}}\right)=\frac{1}{2\mathrm{\π}{\left|{\mathrm{\Σ}}_s\right|}^{0.5}}\exp (-\frac{{(A_{\mathrm{pq}}-{\mathrm{\μ}}_s)}^T{\mathrm{\Σ}}_s^{-1}(A_{\mathrm{pq}}-{\mathrm{\μ}}_s)}{2})$

其中，函数exp（）表示以e为底的指数函数，μ_s表示肤色训练样本的均值，Σ_s表示肤色训练样本的协方差矩阵，μ_s和Σ_s分别按照下式计算：

${\mathrm{\μ}}_s=\frac{1}{a}\underset{\mathrm{\ζ}=1}{\overset{a}{\mathrm{\Σ}}}{z}_{\mathrm{\ζ}},{\mathrm{\Σ}}_s\frac{1}{a-1}\underset{\mathrm{\ζ}=1}{\overset{a}{\mathrm{\Σ}}}(z_{\mathrm{\ζ}}-{\mathrm{\μ}}_s){(z_{\mathrm{\ζ}}-{\mathrm{\μ}}_s)}^T,$

其中，a为样本数目，z_ζ为第ζ个样本，1≤ζ≤a，且ζ为自然数；

然后根据下式对求得的所有P(A_pq)做归一化处理：

$S\left(A_{\mathrm{pq}}\right)=\frac{P\left(A_{\mathrm{pq}}\right)}{P_{\max }}$

其中P_max为求得的所有P(A_pq)中的最大值，S(A_pq)为图像A中第p行第q列像素的肤色相似度；

步骤3.3：根据下式对图像A进行二值化处理，得到图像A的二值化图像的像素点f(S(A_pq))，即可得到图像A的二值化图像C：

$f\left(S\left(A_{\mathrm{pq}}\right)\right)=\left\{\begin{array}{cc}0& S\left(A_{\mathrm{pq}}\right)\≤\mathrm{Th}\\ 1& S\left(A_{\mathrm{pq}}\right)>\mathrm{Th}\end{array}\right.$

其中，Th为预先设定好的肤色相似度阈值，且0＜Th＜1，二值化图像C上的每点像素都有C_pq＝f(S(A_pq))，其中C_pq为图像C在第p行第q列的像素值，0≤p≤H_Ev-1，0≤q≤W_Ev-1；

步骤3.4：按照如下方法标定矩形人脸候选区域：

检测出图像C中像素值C_pq＝1的区域，作为人脸候选区域，将其用矩形框标定出来，并用[(x_Lm,y_Lm),(x_Rm,y_Rm)]_Ev来表示在高斯金字塔的第Ev中标定出的第m矩形人脸候选区域，其中(x_Lm,y_Lm)和(x_Rm,y_Rm)分别表示该矩形人脸候选区域的左上角坐标和右下角坐标。

Images