CN104463128B - 用于人脸识别的眼镜检测方法及系统 - Google Patents

用于人脸识别的眼镜检测方法及系统 Download PDF

Info

Publication number
CN104463128B
CN104463128B CN201410787322.5A CN201410787322A CN104463128B CN 104463128 B CN104463128 B CN 104463128B CN 201410787322 A CN201410787322 A CN 201410787322A CN 104463128 B CN104463128 B CN 104463128B
Authority
CN
China
Prior art keywords
feature
sample
classifier
mrow
weak classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410787322.5A
Other languages
English (en)
Other versions
CN104463128A (zh
Inventor
孔凡静
申意萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Athena Eyes Co Ltd
Original Assignee
Wisdom Eyes (hunan) Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wisdom Eyes (hunan) Technology Development Co Ltd filed Critical Wisdom Eyes (hunan) Technology Development Co Ltd
Priority to CN201410787322.5A priority Critical patent/CN104463128B/zh
Publication of CN104463128A publication Critical patent/CN104463128A/zh
Application granted granted Critical
Publication of CN104463128B publication Critical patent/CN104463128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Abstract

本发明公开了一种用于人脸识别的眼镜检测方法及系统，该方法包括：从待测人脸图像中获取眼镜区域图像；采用特征分类器对眼镜区域图像进行分类，得到检测结果；特征分类器的生成包括：从特征池中挑选预定数目的分割区域作为特征选择；对每个样本提取特征选择对应的多个分割区域的特征值，并将多个分割区域的特征值结合起来作为样本的描述；通过支持向量机SVM分类器训练多个样本得到特征分类器的模型。本发明眼镜检测方法及系统采用的特征分类器的特征描述的稳定性和区分能力强，且相比全图特征提取，大大降低了分类的特征维度，分类运算的复杂度亦降低，运算速度及检测精度均得到提高。

Description

用于人脸识别的眼镜检测方法及系统
技术领域
本发明涉及生物模式识别领域，特别地，涉及一种用于人脸识别的眼镜检测方法及系统。
背景技术
由于大多数人都佩戴有眼镜，通过检测人脸图像中是否佩戴眼镜，并计算出眼镜的位置和形状，对提高人脸识别算法性能、人脸合成、人脸卡通等具有重要的实用价值。例如，在人脸识别时，如果在佩戴眼镜的人脸中检测出眼镜的位置，即可通过去除眼镜获得没有眼镜的裸脸。
由于受眼镜形状的多样性及图像质量等因素的影响，眼镜检测存在诸多难点。现有的眼镜检测可以通过图像处理或者模式识别方法来实现，图像处理方法包括边缘和颜色检测等，由于眼镜部分有明显的横和竖的边缘，通过对全图做边缘检测，可以判断是否带眼镜；模式识别是通过分类的方法来实现，即通过大量正样本(是)和反样本(非)进行学习训练，得到一个分类模型，用于判别新输入的图像。分类问题主要可以分为特征提取、特征选择、分类器设计三个方面。如果提取的特征足够可靠，则一个简单的分类器就可以实现较好的分类。然而，在实际应用中，特征提取往往很难达到足够可靠的要求。这主要是因为同一个类的个体受到光照条件、姿态、遮挡等的影响，类别间的差距大。甚至同一类的不同个体之间也往往不同。因此，为实现较好的分类，需要同时从特征提取和选择以及分类器设计三个方面同时考虑。
在2001年，Paul Viola和Michael J.Jones在其论文中提出一个基于AdaBoost的人脸检测系统。作为第一个实时人脸检测系统，该算法主要有三个贡献：(1)利用简单的Haar-like矩形特征作为特征，并通过积分图像法实现快速运算；(2)采用了基于AdaBoost的分类器设计；(3)采用了Cascade技术提高检测速度。该技术优先选择少量区分性好的特征构成简单的分类器，排除大量的非人脸区域，剩下的极少数的区域则用更多特征、更加复杂的分类器进行分类。目前主流的人脸检测算法主要基于该系统。然而，该算法仍存在一些问题：(1)Haar-like特征是一种相对简单的特征，其稳定性较低，且不能充分描述眼镜区域的全部特征，从而导致分类性能不高；(2)弱分类器采用简单的决策树，容易过拟合。
且在AdaBoost框架下，弱分类器通常采用的是决策树或者LUT(Look Up Table)查找表，这种分类器只能分类一维特征向量，且分类规则简单，分类性能会受到一定影响。同时，采用AdaBoost训练出来的模型进行分类的话，要保存大量的模型信息，如果弱分类器数目较多的情况下，模型较大，同时，分类速度也会降低。
发明内容
本发明提供了一种用于人脸识别的眼镜检测方法及系统，以解决现有的眼镜检测采用模式识别方法时特征提取单一及分类器单一导致的分类性能低及可靠性低的技术问题。
根据本发明的一个方面，提供一种用于人脸识别的眼镜检测方法，该方法包括：
从待测人脸图像中获取眼镜区域图像；
采用预先生成的特征分类器对眼镜区域图像进行分类，得到待测人脸图像是否对应有眼镜的检测结果；
其中，特征分类器的生成包括：
从特征池中挑选预定数目的分割区域作为特征选择，特征池包括与样本大小对应的所有分割区域；
对每个样本提取特征选择对应的多个分割区域的特征值，并将多个分割区域的特征值结合起来作为样本的描述，其中，特征值为局部二值模式LBP直方图特征或梯度方向直方图HOG特征；
通过支持向量机SVM分类器训练多个样本得到特征分类器的模型。
进一步地，特征选择采用自适应增强AdaBoost算法，包括：
从初始训练样本集中抽取预定量的样本；
对特征池中的每个分割区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
对特征池中的每个分割区域，训练一个基于HOG特征的分类器，计算该分类器的分类错误率；
挑选错误率最低的分类器作为弱分类器，加入强分类器并计算其在强分类器中的权重系数，保存该弱分类器对应的分割区域和特征类型；并根据所选弱分类器更新样本权重；
循环执行上述步骤直至强分类器中的分类器的数量达到预定数目。
进一步地，弱分类器的权重系数的计算公式如下：
αj＝log((1-δj)/δj)
其中，δj为弱分类器的分类错误率，αj为该弱分类器的权重系数，j为弱分类器对应的序号；
进一步地，更新样本权重的计算公式如下：
其中，Wt-1,i表示样本i在t-1个弱分类器更新后的权重值，Wt,i表示样本i在t个弱分类器更新后的权重值，l是样本i的标签，对于正样本，l＝1，对于负样本，l＝-1；Dt,i表示样本i在当前循环中选出的第t个弱分类器的得分。
进一步地，LBP直方图特征为一致性LBP直方图特征。
进一步地，采用特征分类器对眼镜区域图像进行分类识别的步骤中，采用SVM分类器进行分类识别。
根据本发明的另一方面，提供一种用于人脸识别的眼镜检测系统，该系统包括：
图像提取模块，用于从待测人脸图像中获取眼镜区域图像；
眼镜检测模块，用于采用预先生成的特征分类器对眼镜区域图像进行分类，得到待测人脸图像是否对应有眼镜的检测结果；
特征分类器生成模块，用于生成特征分类器；特征分类器生成模块包括：
特征选择单元，用于从特征池中挑选预定数目的分割区域作为特征选择，特征池包括与样本大小对应的所有分割区域；
样本描述单元，用于对每个样本提取特征选择对应的多个分割区域的特征值，并将多个分割区域的特征值结合起来作为样本的描述，其中，特征值为局部二值模式LBP直方图特征或梯度方向直方图HOG特征；
分类器训练单元，用于通过大量正样本和负样本，利用支持向量机SVM训练得到用于特征分类的模型，即SVM分类器。进一步地，特征选择单元采用自适应增强AdaBoost算法，包括：
样本提取子单元，用于从初始训练样本集中抽取预定量的样本；
第一分类器训练子单元，用于对特征池中的每个分割区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
第二分类器训练子单元，用于对特征池中的每个分割区域，训练一个基于HOG特征的分类器，计算该分类器的分类错误率；
强分类器生成子单元，用于挑选错误率最低的分类器作为弱分类器，加入强分类器并计算其在强分类器中的权重系数，保存该弱分类器对应的分割区域和特征类型；并根据所选弱分类器更新样本权重；
循环判断子单元，用于循环执行样本提取子单元、第一分类器训练子单元、第二分类器训练子单元、强分类器生成子单元，直至强分类器中的分类器的数量达到预定数目。
进一步地，弱分类器的权重系数的计算公式如下：
αj＝log((1-δj)/δj)
其中，δj为弱分类器的分类错误率，αj为该弱分类器的权重系数，j为弱分类器对应的序号；
更新样本权重的计算公式如下：
其中，Wt-1,i表示样本i在t-1个弱分类器更新后的权重值，Wt,i表示样本i在t个弱分类器更新后的权重值，l是样本i的标签，对于正样本，l＝1，对于负样本，l＝-1；Dt,i表示样本i在当前循环中选出的第t个弱分类器的得分。
进一步地，LBP直方图特征为一致性LBP直方图特征。
进一步地，眼镜检测模块采用SVM分类器进行分类。
本发明具有以下有益效果：
本发明用于人脸识别的眼镜检测方法及系统，通过采用特征分类器对眼镜区域图像进行分类，其中，特征分类器采用AdaBoost算法进行特征选择，针对选择出来的关键区域，对每个样本应用LBP直方图特征或者HOG特征进行描述，通过SVM分类器训练多个样本得到所述特征分类器的模型。本发明眼镜检测方法及系统采用的特征分类器的特征描述的稳定性和区分能力强，且相比全图特征提取，降低了分类的特征维度，分类运算的复杂度亦降低，运算速度及检测精度均得到提高。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例眼镜检测方法的步骤流程示意图；
图2是本发明优选实施例特征分类器生成的步骤流程示意图；以及
图3是本发明优选实施例眼镜检测系统的原理方框示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明优选实施例提供了一种用于人脸识别的眼镜检测方法，本实施例眼镜检测方法采用的特征分类器具有特征维度低、特征描述稳定性好及分类准确性高的特点，通过采用该特征分类器进行待测人脸图像的分类，具有运算效率及检测精度高的特点。参照图1，本实施例眼镜检测方法包括：
步骤S101，从待测人脸图像中获取眼镜区域图像；
在一个可选的实施方式中，获取眼镜区域图像的步骤可以包括：
对待测人脸图像进行人脸检测，以得到人脸区域图像；
对所述人脸区域图像进行眼镜定位，并根据所述眼镜位置对所述人脸区域图像进行归一化操作，以得到预定尺寸大小的目标图像。
在具体应用中，归一化操作可以包括尺寸归一化和灰度归一化操作，其中，灰度归一化操作可以采取对尺寸归一化后的图像进行灰度拉伸，以改善图像的对比度；或者，采用直方图均衡化等修正技术使图像具有相近的统计意义上的均值和方差，以部分消除光照的影响，本发明对与归一化操作的具体方式不加以限制。
上述实施方式仅仅是一种可选的实施方式，采用其他方式也可以得到眼镜区域图像。无论采用哪种方式均可以取得相同的效果。
步骤S102，采用特征分类器对眼镜区域图像进行分类，得到待测人脸图像是否对应有眼镜的检测结果。
本发明实施例检测方法可以应用于人脸合成、人脸卡通、人脸识别和人脸特征发现等场合，通过确定待测人脸图像的人脸是否佩戴眼镜，以根据检测结果采取进一步的措施，例如，如果发现该人脸佩戴眼镜，则可以通过去除眼镜获得没有眼镜的裸脸。
参照图2，本实施例的特征分类器的生成包括：
步骤S201，采用AdaBoost(Adaptive Boosting，自适应增强)算法从特征池中挑选预定数目的分割区域作为特征选择，特征池包括与样本大小对应的所有分割区域；即所有样本大小均归一化为统一尺寸，特征池包括样本尺寸下分割区域的总集，预定数目的分割区域构成用于描述样本的关键区域，从而构成特征选择。
步骤S202，对每个样本提取特征选择对应的多个分割区域的特征值，并将多个分割区域的特征值结合起来作为样本的描述，其中，特征值为LBP(Local Binary Pattern，局部二值模式)直方图特征或HOG(Histograms of Orientation Gradient，梯度方向直方图)特征；
步骤S203，通过SVM(Support Vector Machine，支持向量机)分类器训练多个样本得到特征分类器的模型。
其中，特征选择的步骤包括：
步骤S2011，从初始训练样本集中抽取预定量的样本；
本实施例，从初始训练样本集中按照有放回的方式按样本权重大小随机抽取预定量的样本，其中，初始化正样本权重为1/(2M)，负样本权重为1/(2C)，M、C分别为训练集的正负样本数目，并对样本权重进行归一化处理，然后采用Bootstrap选取K个正样本和K个负样本。
步骤S2012，对特征池中的每个分割区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
本实施例中，对特征池中的每个矩形区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
对于LBP直方图特征说明如下：
设gc为图像I(x,y)中像素(xc，yc)的灰度值，则(xc，yc)的LBP按照如下公式计算：
在公式(1)中，p为以(xc,yc)为中心，以R为半径的的圆上均匀采样P点之一。考虑(xc,yc)的八邻域，即P＝8，按照上述公式(1)计算每个像素的LBP值，即可得到LBP图像。LBP值的取值范围为[0,255]。
对于给定的矩形区域B，统计该区域内所有像素的LBP直方图，即为该区域的特征，用公式表示为：
按照公式(2)得到的LBP直方图，特征维度达256维，且稳定性较差。优选地，为了降低特征的维度，将LBP扩展为ULBP(Uniform LBP，一致性LBP)。具体操作方式为，对于LBP的某一种取值，对其二进制表示进行一次循环运算，统计发生0到1跳变的次数，若次数小于等于两次，则认为该取值为统一模式。例如：对于P＝8，二进制表示00000000(0次跳变)和00110000(2次跳变)是统一模式，而01101000(4次跳变)不是统一模式。计算跳变次数的公式为：
将所有的非统一模式归为一类，称为混合模式。ULBP的取值空间比LBP的取值空间要少得多。例如，对于P＝8，LBP有256种取值，而对应的ULBP只有59种取值。扩展之后，LBP直方图的维度降低到59维。
步骤S2013，对特征池中的每个分割区域，训练一个基于HOG特征的分类器，计算该分类器的分类错误率；
对于HOG特征说明如下：
给定图像I(x,y)，设其梯度幅度图像和梯度方向图像分别为M(x,y)，O(x,y)。将矩形区域B划分为2×2个cell，首先在每个cell内统计梯度方向加权直方图，梯度方向量化为9bins，加权系数为梯度幅度。然后将所有cells的直方图连接起来，得到2×2×9＝36维的HOG特征。具体地，在一个cell内统计梯度方向直方图，用公式表示为：
步骤S2014，挑选错误率最低的分类器作为弱分类器，加入强分类器并计算其在强分类器中的权重系数，保存该弱分类器对应的分割区域和特征类型；
上述步骤S2012至S2014即弱分类器训练，对步骤S2011抽取到的每一个样本，从特征池中取出一个矩形区域Bj，在该矩形区域中计算LBP直方图或者HOG特征，将该特征送入到SVM训练，得到分类器Wj。统计该分类器的分类错误率。挑选错误率最低的分类器作为弱分类器加入到当前强分类器中，计算其权重系数，并保存其对应的矩形区域和特征类型(LBP或者HOG)。权重系数的计算如下所示：
αj＝log((1-δj)/δj) (5)
其中，δj为弱分类器的分类错误率，αj为该弱分类器的权重系数，j为弱分类器对应的序号。
样本的权重按照如下公式更新：
在公式(6)中，Wt-1,i表示样本i在t-1个弱分类器更新后的权重值，Wt,i表示样本i在t个弱分类器更新后的权重值，l是样本i的标签，对于正样本，l＝1，对于负样本，l＝-1；Dt,i表示样本i在当前循环中选出的第t个弱分类器的得分。步骤S2015，循环执行上述步骤直至强分类器中的弱分类器的数量达到预定数目。
本实施例在AdaBoost算法框架下，将LBP直方图和HOG特征融合在一起进行特征选择，即特征池中的每一个矩形区域，既考虑LBP直方图也考虑HOG特征，可以提高最终特征描述的稳定性和区分能力。
优选地，本实施例在步骤S102中采用SVM分类器进行分类识别，即根据训练阶段获取的N个候选矩形区域提取对应的LBP直方图或者HOG特征，然后再用训练好的SVM模型进行分类判别。本实施例在预测阶段采用SVM而非AdaBoost，一方面降低模型大小，另一方面提高了分类的准确性。
本实施例检测方法与现有技术相比，具有以下优点：
(1)基于AdaBoost的特征选择方法提供了一种有效的方案进行特征选择。相比全图提取特征，该方案得到的特征维度大大降低，同时预测过程中所需特征提取的计算复杂度也大大降低。
(2)融合LBP直方图和HOG进行特征选择，相比单一特征，所得到的特征描述更加稳定、区分能力更强。
(3)最终分类器用SVM而非AdaBoost，一方面降低模型大小，另一方面提高了分类的准确性。
与前述检测方法实施例相应，本发明还公开了一种用于人脸识别的眼镜检测系统，参照图3，该系统包括：
图像提取模块110，用于从待测人脸图像中获取眼镜区域图像；
眼镜检测模块120，用于采用特征分类器对眼镜区域图像进行分类，得到待测人脸图像是否对应有眼镜的检测结果；
特征分类器生成模块130，用于生成特征分类器；特征分类器生成模块包括：
特征选择单元131，用于采用自适应增强AdaBoost算法从特征池中挑选预定数目的分割区域作为特征选择，特征池包括与样本大小对应的所有分割区域；
样本描述单元132，用于对每个样本提取特征选择对应的多个分割区域的特征值，并将多个分割区域的特征值结合起来作为样本的描述，其中，特征值为局部二值模式LBP直方图特征或梯度方向直方图HOG特征；
分类器训练单元133，用于通过支持向量机SVM分类器训练多个样本得到特征分类器的模型。
可选地，特征选择单元131包括：
样本提取子单元1311，用于从初始训练样本集中抽取预定量的样本；
第一分类器训练子单元1312，用于对特征池中的每个分割区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
第二分类器训练子单元1313，用于对特征池中的每个分割区域，训练一个基于HOG特征的分类器，计算该分类器的分类错误率；
强分类器生成子单元1314，用于挑选错误率最低的分类器作为弱分类器，加入强分类器并计算其在强分类器中的权重系数，保存该弱分类器对应的分割区域和特征类型；并根据所选弱分类器更新样本权重；
循环判断子单元1315，用于循环执行样本提取子单元、第一分类器训练子单元、第二分类器训练子单元、强分类器生成子单元，直至强分类器中的分类器的数量达到预定数目。
特征选择的具体过程可参照方法实施例中的步骤S2011～S2015。
可选地，为了降低特征的维度，LBP直方图特征可选用一致性LBP直方图特征。
可选地，眼镜检测模块120采用SVM分类器进行分类。即根据训练阶段获取的N个候选矩形区域提取对应的LBP直方图或者HOG特征，然后再用训练好的SVM模型进行分类判别。本实施例在预测阶段采用SVM而非AdaBoost，一方面降低模型大小，另一方面提高了分类的准确性。
对于装置实施例而言，由于其与方法实施例基本相似，相关之处可以参照方法实施例的部分说明即可。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于人脸识别的眼镜检测方法，其特征在于，包括：
从待测人脸图像中获取眼镜区域图像；
采用预先生成的特征分类器对所述眼镜区域图像进行分类，得到所述待测人脸图像是否对应有眼镜的检测结果；
其中，所述特征分类器的生成包括：
从特征池中挑选预定数目的分割区域作为特征选择，其中，所述特征池包括样本尺寸大小对应的所有分割区域；
对每个样本提取所述特征选择对应的多个所述分割区域的特征值，并将多个所述分割区域的所述特征值结合起来作为所述样本的描述，其中，所述特征值为局部二值模式LBP直方图特征或梯度方向直方图HOG特征；
通过支持向量机SVM分类器训练多个样本得到所述特征分类器的模型；
所述特征选择采用自适应增强AdaBoost算法，包括：
从初始训练样本集中抽取预定量的样本；
对所述特征池中的每个所述分割区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
对所述特征池中的每个所述分割区域，训练一个基于HOG特征的分类器，计算该分类器的分类错误率；
挑选错误率最低的分类器作为弱分类器并将其加入强分类器，计算所述弱分类器在所述强分类器中的权重系数，保存所述弱分类器对应的所述分割区域和特征类型；并根据所选的弱分类器更新样本权重；
循环执行上述步骤直至所述强分类器中的弱分类器的数量达到所述预定数目。
2.根据权利要求1所述的用于人脸识别的眼镜检测方法，其特征在于，所述弱分类器的权重系数的计算公式如下：
αj＝log((1-δj)/δj)
其中，δj为弱分类器的分类错误率，αj为该弱分类器的权重系数，j为弱分类器对应的序号；
所述更新样本权重的计算公式如下：
<mrow> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>lD</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> </mrow> </msup> </mrow>
其中，Wt-1,i表示样本i在t-1个弱分类器更新后的权重值，Wt,i表示样本i在t个弱分类器更新后的权重值，l是样本i的标签，对于正样本，l＝1，对于负样本，l＝-1；Dt,i表示样本i在当前循环中选出的第t个弱分类器的得分。
3.根据权利要求1至2任一所述的用于人脸识别的眼镜检测方法，其特征在于，
所述LBP直方图特征为一致性LBP直方图特征。
4.根据权利要求3所述的用于人脸识别的眼镜检测方法，其特征在于，
采用特征分类器对所述眼镜区域图像进行分类的步骤中，采用SVM分类器进行分类。
5.一种用于人脸识别的眼镜检测系统，其特征在于，包括：
图像提取模块，用于从待测人脸图像中获取眼镜区域图像；
眼镜检测模块，用于采用预先生成的特征分类器对所述眼镜区域图像进行分类，得到所述待测人脸图像是否对应有眼镜的检测结果；
特征分类器生成模块，用于生成所述特征分类器；所述特征分类器生成模块包括：
特征选择单元，用于从特征池中挑选预定数目的分割区域作为特征选择，所述特征池包括样本大小对应的所有分割区域；
样本描述单元，用于对每个样本提取所述特征选择对应的多个所述分割区域的特征值，并将多个所述分割区域的所述特征值结合起来作为所述样本的描述，其中，所述特征值为局部二值模式LBP直方图特征或梯度方向直方图HOG特征；
分类器训练单元，用于通过支持向量机SVM分类器训练多个样本得到所述特征分类器的模型；
所述特征选择单元采用自适应增强AdaBoost算法，包括：
样本提取子单元，用于从初始训练样本集中抽取预定量的样本；
第一分类器训练子单元，用于对所述特征池中的每个所述分割区域，训练一个基于LBP直方图特征的分类器，计算该分类器的分类错误率；
第二分类器训练子单元，用于对所述特征池中的每个所述分割区域，训练一个基于HOG特征的分类器，计算该分类器的分类错误率；
强分类器生成子单元，用于挑选错误率最低的分类器作为弱分类器，加入强分类器并计算其在所述强分类器中的权重系数，保存该弱分类器对应的所述分割区域和特征类型；并根据所选的弱分类器更新样本权重；
循环判断子单元，用于循环执行所述样本提取子单元、所述第一分类器训练子单元、所述第二分类器训练子单元、所述强分类器生成子单元，直至所述强分类器中的弱分类器的数量达到所述预定数目。
6.根据权利要求5所述的用于人脸识别的眼镜检测系统，其特征在于，所述弱分类器的权重系数的计算公式如下：
αj＝log((1-δj)/δj)
其中，δj为弱分类器的分类错误率，αj为该弱分类器的权重系数，j为弱分类器对应的序号；
所述更新样本权重计算公式如下：
<mrow> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>lD</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> </mrow> </msup> </mrow>
其中，Wt-1,i表示样本i在t-1个弱分类器更新后的权重值，Wt,i表示样本i在t个弱分类器更新后的权重值，l是样本i的标签，对于正样本，l＝1，对于负样本，l＝-1；Dt,i表示样本i在当前循环中选出的第t个弱分类器的得分。
7.根据权利要求5至6任一所述的用于人脸识别的眼镜检测系统，其特征在于，
所述LBP直方图特征为一致性LBP直方图特征。
8.根据权利要求7所述的用于人脸识别的眼镜检测系统，其特征在于，
所述眼镜检测模块采用SVM分类器进行分类。
CN201410787322.5A 2014-12-17 2014-12-17 用于人脸识别的眼镜检测方法及系统 Active CN104463128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410787322.5A CN104463128B (zh) 2014-12-17 2014-12-17 用于人脸识别的眼镜检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410787322.5A CN104463128B (zh) 2014-12-17 2014-12-17 用于人脸识别的眼镜检测方法及系统

Publications (2)

Publication Number Publication Date
CN104463128A CN104463128A (zh) 2015-03-25
CN104463128B true CN104463128B (zh) 2017-09-29

Family

ID=52909144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410787322.5A Active CN104463128B (zh) 2014-12-17 2014-12-17 用于人脸识别的眼镜检测方法及系统

Country Status (1)

Country Link
CN (1) CN104463128B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095859B (zh) * 2015-06-29 2019-03-15 小米科技有限责任公司 人脸识别方法和装置
CN105184310B (zh) * 2015-08-14 2020-04-21 广州市百果园网络科技有限公司 物体检测方法及装置
CN106778453B (zh) * 2015-11-25 2020-05-12 腾讯科技（深圳）有限公司 人脸图像中检测眼镜佩戴的方法及装置
CN106407912B (zh) * 2016-08-31 2019-04-02 腾讯科技（深圳）有限公司 一种人脸验证的方法及装置
CN106548195A (zh) * 2016-10-13 2017-03-29 华南理工大学 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN107145820B (zh) * 2017-03-16 2020-11-17 杭州岱石科技有限公司 基于hog特征和fast算法的双眼定位方法
CN107247934A (zh) * 2017-05-27 2017-10-13 湖北天业云商网络科技有限公司 一种基于快速特征点定位的全天候哈欠检测方法及系统
CN107451583A (zh) * 2017-08-03 2017-12-08 四川长虹电器股份有限公司 票据图像特征提取的方法
CN107392187B (zh) * 2017-08-30 2020-08-11 西安建筑科技大学 一种基于梯度方向直方图的人脸活体检测方法
CN110313006B (zh) * 2017-11-14 2021-12-14 华为技术有限公司 一种人脸图像检测方法及终端设备
CN109145875B (zh) * 2018-09-28 2021-04-20 深圳市一心视觉科技有限公司 一种人脸图像中的黑框眼镜去除方法及装置
CN111091056B (zh) * 2019-11-14 2023-06-16 泰康保险集团股份有限公司 图像中的墨镜识别方法及装置、电子设备、存储介质
CN111429409A (zh) * 2020-03-13 2020-07-17 深圳市雄帝科技股份有限公司 对图像中人物佩戴眼镜的识别方法、系统及其存储介质
CN111860288B (zh) * 2020-07-16 2023-12-22 启航汽车有限公司 人脸识别方法、装置及系统、可读存储介质
CN111931671A (zh) * 2020-08-17 2020-11-13 青岛北斗天地科技有限公司 一种用于煤矿井下逆光环境中光照补偿的人脸识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163289A (zh) * 2011-04-06 2011-08-24 北京中星微电子有限公司 人脸图像中眼镜的去除方法和装置、佩戴方法和装置
CN102163288A (zh) * 2011-04-06 2011-08-24 北京中星微电子有限公司 眼镜检测方法和装置
CN103093215A (zh) * 2013-02-01 2013-05-08 北京天诚盛业科技有限公司 人眼定位方法及装置
CN103426158A (zh) * 2012-05-17 2013-12-04 中国科学院电子学研究所 两时相遥感图像变化检测的方法
CN103729646A (zh) * 2013-12-20 2014-04-16 华南理工大学 一种眼睛图像有效性检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100809431B1 (ko) * 2006-11-21 2008-03-05 한국전자통신연구원 가림 현상에 강인한 눈 검출 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163289A (zh) * 2011-04-06 2011-08-24 北京中星微电子有限公司 人脸图像中眼镜的去除方法和装置、佩戴方法和装置
CN102163288A (zh) * 2011-04-06 2011-08-24 北京中星微电子有限公司 眼镜检测方法和装置
CN103426158A (zh) * 2012-05-17 2013-12-04 中国科学院电子学研究所 两时相遥感图像变化检测的方法
CN103093215A (zh) * 2013-02-01 2013-05-08 北京天诚盛业科技有限公司 人眼定位方法及装置
CN103729646A (zh) * 2013-12-20 2014-04-16 华南理工大学 一种眼睛图像有效性检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"复杂及红外环境下人眼状态检测算法研究";李雪梅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;论文正文1节、2.2节、4.4节 *
"近红外人脸识别眼镜问题的研究";张宇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415;论文正文第2.2节、3.3节、4.3节、4.4节、5.3节 *

Also Published As

Publication number Publication date
CN104463128A (zh) 2015-03-25

Similar Documents

Publication Publication Date Title
CN104463128B (zh) 用于人脸识别的眼镜检测方法及系统
CN111898547B (zh) 人脸识别模型的训练方法、装置、设备及存储介质
CN110543837B (zh) 一种基于潜在目标点的可见光机场飞机检测方法
Lu et al. Learning optimal seeds for diffusion-based salient object detection
Cai et al. Learning complexity-aware cascades for deep pedestrian detection
Kae et al. Augmenting CRFs with Boltzmann machine shape priors for image labeling
CN103136504B (zh) 人脸识别方法及装置
CN105160317B (zh) 一种基于区域分块行人性别识别方法
US7953253B2 (en) Face detection on mobile devices
US7643659B2 (en) Facial feature detection on mobile devices
Evans et al. Evolutionary deep learning: A genetic programming approach to image classification
CN112949572B (zh) 基于Slim-YOLOv3的口罩佩戴情况检测方法
CN102436637B (zh) 从头部图像中自动分割头发的方法及其系统
Mohemmed et al. Particle swarm optimization based adaboost for face detection
CN104794693B (zh) 一种人脸关键区域自动检测蒙版的人像优化方法
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
Tavallali et al. An efficient training procedure for viola-jones face detector
CN107918773A (zh) 一种人脸活体检测方法、装置及电子设备
Warrell et al. Labelfaces: Parsing facial features by multiclass labeling with an epitome prior
AL-Tuwaijari et al. Face Image Recognition Based on Linear Discernment Analysis and Cuckoo Search Optimization with SVM
CN105512675B (zh) 一种基于记忆性多点交叉引力搜索的特征选择方法
Rotem et al. Combining region and edge cues for image segmentation in a probabilistic gaussian mixture framework
Xu et al. A novel multi-view face detection method based on improved real adaboost algorithm
García et al. Pollen grains contour analysis on verification approach
Cooley et al. Saliency detection and object classification

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190815

Address after: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province

Patentee after: Wisdom Eye Technology Co.,Ltd.

Address before: 410013 Room A413, Headquarters Building of Changsha Zhongdian Software Park, 39 Jianshan Road, Changsha High-tech Development Zone, Hunan Province

Patentee before: ATHENA EYES (HUNAN) TECHNOLOGY DEVELOPMENT CO.,LTD.

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Glasses Detection Method and System for Face Recognition

Effective date of registration: 20221205

Granted publication date: 20170929

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231220

Granted publication date: 20170929

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

CP03 Change of name, title or address

Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000

Patentee after: Wisdom Eye Technology Co.,Ltd.

Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province

Patentee before: Wisdom Eye Technology Co.,Ltd.

CP03 Change of name, title or address