CN104680120A - 一种人脸检测的强分类器的生成方法及装置 - Google Patents
一种人脸检测的强分类器的生成方法及装置 Download PDFInfo
- Publication number
- CN104680120A CN104680120A CN201310634252.5A CN201310634252A CN104680120A CN 104680120 A CN104680120 A CN 104680120A CN 201310634252 A CN201310634252 A CN 201310634252A CN 104680120 A CN104680120 A CN 104680120A
- Authority
- CN
- China
- Prior art keywords
- weak classifier
- training sample
- image training
- classifier
- region
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title abstract description 10
- 230000000052 comparative effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- 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
-
- 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
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人脸检测的强分类器的生成方法,包括:根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数;根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值;根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器;根据全部的所述最优弱分类器生成人脸检测的强分类器。本发明实施例还公开了一种人脸检测的强分类器的生成装置。采用本发明实施例,具有可降低编码对噪声的鲁棒性,降低人脸检测的误检率的优点。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种人脸检测的强分类器的生成方法及装置。
背景技术
人脸检测技术是指从一幅给定图像中确定其是否含有人脸,并对人脸位置与范围进行定位的过程,人脸检测的正确性能有效提高人脸识别的效率和速度。
现有技术一中主要通过Haar特征和Adaboost算法进行人脸检测,通过Haar特征表示人脸,通过Adaboost算法挑选任意尺寸和位置的矩形框(弱分类器),通过弱分类器组成强分类器对图像进行人脸检测、识别。现有技术一的人脸检测方法中Haar特征数目较多,而且Haar的特征简单,因此图像的样本训练过程中需要的弱分类器数目较大,图像的特征训练过程慢,训练时间长。
现有技术二中主要通过Mblbp特征和Adaboost算法进行人脸检测,通过计算图像样本的指定区域的灰度平均值,计算弱分类器对图像样本的加权误差来选取相应的弱分类器,通过弱分类器组成强分类器对图像进行人脸检测、识别。现有技术二的人脸检测方法中弱分类器对应的参数只有矩形框的位置、尺寸,没有阈值,训练样本的灰度均值计算时比较的值固定为0,使得Mblbp特征对噪声的鲁棒性差,人脸检测的误检率高,人脸检测的用户体验效果低。
发明内容
本发明实施例提供一种人脸检测的强分类器的生成方法及装置,可提高图像训练样本的训练速度,降低编码对噪声的鲁棒性,降低人脸检测的误检率。
本发明实施例一方面提供了一种人脸检测的强分类器的生成方法,其可包括:
根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数;
根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值;
根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器,其中,所述最优弱分类器为全部的所述弱分类器中所述加权分类误差最小的弱分类器;
根据全部的所述最优弱分类器生成人脸检测的强分类器。
结合第一方面,在第一种可能的实现方式中,在所述根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值之前,所述方法还包括:
设定最优弱分类器的初始个数;
在所述根据所述最优弱分类器生成人脸检测的强分类器之前,所述方法还包括:
根据所述选取的所述最优弱分类器的个数与所述最优弱分类器的初始个数确定所述最优弱分类器的总数;
若所述最优弱分类器的总数小于预设个数,则更新所述图像训练样本的权重,得到所述图像训练样本的更新权重,根据所述特征值和所述图像训练样本的更新权重计算所述每一个所述弱分类器的加权分类误差,得到至少一个的权重更新后的最优弱分类器,根据所述权重更新后的最优弱分类器的个数更新所述最优弱分类器的总数,重复本步骤直至所述最优弱分类器的总数不小于所述预设个数;
若所述最优弱分类器的总数不小于预设个数,则继续后续步骤。
结合第一方面或第一方面第一种可能的实现方式,在第二种可能的实现方式中,所述参数包括弱分类器的矩形框位置、尺寸,其特征在于,所述根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值,包括:
对于全部所述弱分类器中的一个弱分类器,将以所述弱分类器的所述矩形框位置为中心、与所述矩形框的尺寸大小相同的区域分割为至少两个区域,并计算每一个所述区域的灰度平均值;
从全部所述区域中选定一个参考区域,并设定除所述参考区域外的每一个所述区域的符号位,所述符号位包括第一符号位和第二符号位;
根据全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值;
重复上述步骤直至得到全部所述弱分类器中的每一个所述弱分类器的特征值。
结合第一方面第二种可能的实现方式,在第三种可能的实现方式中,所述根据全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值,包括:
将除所述参考区域外的每一个所述区域的所述灰度平均值分别与所述参考区域的所述灰度平均值进行比较;
若所述区域的符号位为第一符号位,若所述区域的灰度平均值与所述参考区域的灰度平均值的差不小于所述阈值,将所述区域的位置标记为第一位置标记,若所述区域的灰度平均值与所述参考区域的灰度平均值的差小于所述阈值时,将所述区域的位置标记为第二位置标记;
若所述区域的符号位为第二符号位,若所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数不小于所述阈值,则将所述区域的位置标记为第一位置标记,若所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数小于所述阈值,将所述区域的位置标记为第二位置标记;
将所述每一个所述区域的位置标记按照预设顺序进行排序得到一个序列,根据所述序列得到所述弱分类器的特征值。
结合第一方面至第一方面第三种可能的实现方式中任一种,在第四种可能的实现方式中,所述根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,包括:
根据所述弱分类器的特征值和每一个所述图像训练样本的特征标识,计算所述弱分类器对所述每一个所述图像训练样本的分类误差,其中,所述图像训练样本的特征标识为预先设定的所述图像训练样本的人脸特征对应的输入向量或非人脸特征对应的输入向量;
根据所述每一个所述图像训练样本的初始权重,将所述弱分类器对所述每一个所述图像训练样本的分类误差进行加权累加,得到所述弱分类器的加权分类误差。
结合第一方面第一种可能的实现方式至第一方面第四种可能的实现方式中任一种,在第五种可能的实现方式中,所述更新所述图像训练样本的权重,得到所述图像训练样本的更新权重,包括:
根据所述最优弱分类器对所述图像训练样本进行人脸检测,并根据检测到的特征将所述图像训练样本进行分类,所述特征包括人脸特征或者非人脸特征;
若所述图像训练样本的分类结果与所述图像训练样本的特征相对应,则减小所述图像训练样本的权重,得到所述图像训练样本的更新权重;
若所述图像训练样本的分类结果不与所述图像训练样本的特征相对应,则增加所述图像训练样本的权重,得到所述图像训练样本的更新权重。
本发明实施例第二方面提供了一种人脸检测的强分类器的生成装置,其可包括:
确定模块,用于根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数;
处理模块,用于根据预设的弱分类器的阈值以及所述确定模块确定的每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值;
选择模块,用于根据所述处理模块得到的所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器,其中,所述最优弱分类器为全部的所述弱分类器中所述加权分类误差最小的弱分类器;
生成模块,用于根据所述选择模块选择的全部的所述最优弱分类器生成人脸检测的强分类器。
结合第二方面,在第一种可能的实现方式中,所述装置还包括:
设置模块,用于设定最优弱分类器的初始个数;
判断模块,用于判断所述最优弱分类器的总数是否小于预设个数;
第二更新模块,用于根据所述选择模块选取的所述最优弱分类器的个数与所述设置模块设定的所述最优弱分类器的初始个数确定所述最优弱分类器的总数;
第一更新模块,用于在所述判断模块判断结果为是时,更新所述图像训练样本的权重,得到所述图像训练样本的更新权重;
所述选择模块,用于根据所述处理模块得到的所述特征值和所述第一更新模块得到的所述图像训练样本的更新权重计算所述每一个所述弱分类器的加权分类误差,得到至少一个的权重更新后的最优弱分类器;
所述第二更新模块,用于根据所述选择模块得到的最优弱分类器的个数更新所述最优弱分类器的总数;
所述生成模块,用于在所述判断模块判断结果为否时,根据所述选择模块选择的全部的所述最优弱分类器生成人脸检测的强分类器。
结合第二方面或第二方面第一种可能的实现方式,在第二种可能的实现方式中,所述确定模块确定的所述参数包括弱分类器的矩形框位置、尺寸,所述处理模块包括:
灰度平均值确定单元,用于将以所述弱分类器的所述矩形框位置为中心、与所述矩形框的尺寸大小相同的区域分割为至少两个区域,并计算每一个所述区域的灰度平均值;
设置单元,用于从全部所述区域中选定一个参考区域,并设定除所述参考区域外的每一个所述区域的符号位,所述符号位包括第一符号位和第二符号位;
特征值确定单元,用于根据所述灰度平均值确定单元确定的全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述设置单元设定的所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值。
结合第二方面第二种可能的实现方式,在第三种可能的实现方式中,所述特征值确定单元,包括:
比较子单元,用于将除所述参考区域外的每一个所述区域的所述灰度平均值分别与所述参考区域的所述灰度平均值进行比较;
第一标记子单元,用于在所述区域的符号位为第一符号位时,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差不小于所述预设的弱分类器的阈值,将所述区域的位置标记为第一位置标记,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差小于所述预设的弱分类器的阈值时,将所述区域的位置标记为第二位置标记;
第二标记子单元,用于在所述区域的符号位为第二符号位时,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数不小于所述预设的弱分类器的阈值,则将所述区域的位置标记为第一位置标记,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数小于所述预设的弱分类器的阈值,将所述区域的位置标记为第二位置标记;
序列值确定子单元,用于将所述每一个所述区域的位置标记按照预设顺序进行排序得到一个序列,根据所述序列得到所述弱分类器的特征值。
结合第二方面至第二方面第三种可能的实现方式中任一种,在第四种可能的实现方式中,所述标注单元,包括:
所述选择模块具体用于:
根据所述弱分类器的特征值和每一个所述图像训练样本的特征标识,计算所述弱分类器对所述每一个所述图像训练样本的分类误差,其中,所述图像训练样本的特征标识为预先设定的所述图像训练样本的人脸特征对应的输入向量或非人脸特征对应的输入向量;
根据所述每一个所述图像训练样本的初始权重,将所述弱分类器对所述每一个所述图像训练样本的分类误差进行加权累加,得到所述弱分类器的加权分类误差。
结合第二方面第一种可能的实现方式至第二方面至第二方面第四种可能的实现方式中任一种,在第五种可能的实现方式中,所述第一更新模块具体用于:
根据所述最优弱分类器对所述图像训练样本进行人脸检测,并根据检测到的特征将所述图像训练样本进行分类,所述特征包括人脸特征或者非人脸特征;
若所述图像训练样本的分类结果与所述图像训练样本的特征相对应,则减小所述图像训练样本的权重,得到所述图像训练样本的更新权重;
若所述图像训练样本的分类结果不与所述图像训练样本的特征相对应,则增加所述图像训练样本的权重,得到所述图像训练样本的更新权重。
本发明实施例可根据图像训练样本的尺寸确定弱分类器的参数,并根据预设的弱分类器的阈值和图像训练样本的权重来计算弱分类器的特征值和加权分类误差,进而从所有弱分类器中选取最优弱分类器,根据全部弱分类器生成强分类器。本实施例根据图像训练样本的尺寸确定弱分类器的参数,可提高图像训练样本的训练速度,还可通过预先设定弱分类器的阈值和图像训练样本的权重,进而降低图像训练样本的特征值的计算过程中编码对噪声的敏感度,降低强分类器的人脸检测的误检率,提高人脸检测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是本发明实施例提供的人脸检测的强分类器的生成方法的实施例的一流程示意图;
图2是本发明实施例提供的人脸检测的强分类器的生成方法的实施例的另一流程示意图;
图3是本发明实施例提供的人脸检测的强分类器的生成装置的实施例一结构示意图;
图4是本发明实施例提供的人脸检测的强分类器的生成装置的实施例另一结构示意图;
图5是本发明实施例提供的人脸检测装置的处理模块的结构示意图。
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。
参见图1,是本发明实施例提供的人脸检测的强分类器的生成方法的实施例流程示意图。本实施例中所描述的人脸检测的强分类器的生成方法,包括步骤:
S101,根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数。
在一些可行的实施方式中,本发明实施例中所描述的人脸检测方法可包括图像样本训练和检测两个过程,其中,训练过程主要是通过对图像样本进行训练,寻找合适的弱分类器生成强分类器,即本发明实施例中所描述的人脸检测的强分类器的生成过程,生成强分类器之后还可由强分类器组成人脸检测分类器。检测过程主要是通过训练过程学习到的强分类器或者人脸检测分类器来对图像进行人脸检测、识别,以区分图像中的人脸和非人脸。具体实现中,人脸检测可由本实施例中所描述的人脸检测的强分类器的生成方法生成的强分类器进行检测,也可由多个强分类器联合检测,即生成强分类器之后还可将多个强分类器进行级联,生成人脸检测分类器。本实施例中所描述的人脸检测的强分类器的生成方法中的弱分类器的选取过程中,可结合预先设定的弱分类器的阈值来计算图像训练样本的弱分类器的特征值,可降低编码对噪声的鲁棒性,降低强分类器对图像训练样本的分类误差,进而可降低人脸检测的误检率。
在一些可行的实施方式中,在人脸检测的训练过程中,首先可预先定义图像训练样本的训练参数,即可初始化图像训练样本的训练参数,上述图像训练样本的训练参数,可包括:弱分类器的级联级数(也为弱分类器的最大级联级数)、每一级弱分类器的个数等。具体实现中,初始化图像训练样本的训练参数之后,则可根据图像训练样本的尺寸来列举所有可能的弱分类器,可根据上述定义的每一级的弱分类器的个数来确定生成每一级的强分类器的弱分类器的个数,还可根据上述定义的弱分类器的级联级数将上述每一级生成的强分类器组合成具有上述级联级数的人脸检测分类器。
在一些可行的实施方式中,开始人脸检测的训练过程之前可预先选定图像训练样本并将上述图像训练样本存储于指定位置,其中,上述图像训练样本中可包括正样本和负样本,上述正样本可为包括人脸特征的图像样本,负样本可为不包括人脸特征的图像样本。具体的,上述图像训练样本中的正样本和负样本均可包括多个,具体图像训练样本的数量可根据样本训练的具体要求确定,在此不再赘述。具体实现中,预先选定好图像训练样本之后,还可根据样本训练的具体要求将选定的图像训练样本缩放到指定的尺寸,例如,可从一张包括人物脸部和其他景物的图像中抠出一个包括人物脸部特征的图像样本(正样本),并将该图像样本缩放为24*24的图像训练样本,进而可将该图像训练样本存储至指定位置备用;此外,也可直接将一张没有人物脸部特征的图像缩放为24*24的图像训练样本(负样本),进而可将该图像训练样本存储至指定位置。
在一些可行的实施方式中,选定好备用的图像训练样本之后,则可按照预存的图像训练样本的尺寸枚举该尺寸下的所有特征(即所有弱分类器),确定图像训练样本的弱分类器的参数(参见图2),其中,上述弱分类器的参数可包括:矩形框的位置、尺寸等。具体的,根据上述图像训练样本的尺寸,枚举的所有弱分类器可由能代表人脸的矩形特征构成,上述矩形特征可包括:矩形框的位置、尺寸、符号位和阈值等构成。具体的,上述矩形框的符号位包括:1或者-1;上述阈值可根据人脸检测的实际需求预先进行自定义,上述矩形框的符号位和阈值具体可用在计算每一级的弱分类器对应的图像训练样本的特征值,可增强人脸检测分类器对噪声的鲁棒性,降低误检率。例如,若图像训练样本是一个24*24的尺寸大小的图像,则在该尺寸下弱分类器的尺寸可为3*3、3*6、6*9、24*24等,即该尺寸下弱分类器的尺寸可为(3的倍数)*(3的倍数),最大可为24*24。具体的,若上述弱分类器尺寸是3*3,则可遍历一遍图像训练样本,确定在24*24的样本图像中可以布置多少个3*3的矩形框,即该图像训练样本在3*3的弱分类器尺寸下可以有多少个弱分类器。此外,还可遍历一遍图像训练样本,确定在24*24的样本图像中每一种可能的弱分类器的尺寸对应的矩形框的个数,即在24*24的样本图像中所有的弱分类器个数,如此可将每一级的所有弱分类器枚举出来(可设定总的弱分类器数为m),以对上述所有弱分类器进行训练,以从中选取合适的弱分类器。
S102,根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值。
在一些可行的实施方式中,对上述所有弱分类器进行训练时可根据上述预设的弱分类器的阈值以及弱分类器的参数,计算每一个图像训练样本的每一个弱分类器的特征值。具体实现,计算上述所有弱分类器中任意一个弱分类器的特征值,即任意一个弱分类器(例如弱分类器1)在每一个图像训练样本上的特征值时,可首先计算上述弱分类器1在任意一个图像训练样本(例如图像训练样本A)上的特征值。具体的,可将图像训练样本A中以弱分类器1为中心,与弱分类器1的矩形框的尺寸大小相同的区域分割为多个区域(例如3*3的区域),并计算上述每一个区域的灰度平均值,例如表1:
表1
7 | 8 | 12 |
8 | 9 | 11 |
6 | 20 | 19 |
其中,上述表1中的数字即为各个区域的灰度平均值,具体可通过积分图计算得到。计算得到上述各个区域的灰度平均值之后,还可从上述各个区域中选定一个区域作为参考区域(例如表1中中间区域,即灰度平均值为9的区域),并设定上述各个区域中除参考区域以外的每一个区域的符号位,上述符号位包括第一符号位(例如1)和第二符号位(例如-1)。设定好上述各个区域的符号位之后,则可根据上述各个区域的灰度平均值和符号位计算上述弱分类器1的阈值对应的特征值,例如,当预先设定的弱分类器的阈值为2时,则可计算当弱分类器1的阈值为2时,上述弱分类器1在图像训练样本A中的特征值。具体的,可将上述除参考区域以外的每一个区域的灰度平均值分别与参考区域的灰度平均值进行比较,当上述区域的符号位为第一符号位时,如果上述区域的灰度平均值和参考区域的灰度平均值的差大于或者等于2时,则可将该区域的位置标记为第一位置标记(例如1),否则将该区域的位置标记为第二位置标记(例如0);当上述区域的符号位为第二符号位时,如果上述区域的灰度平均值与参考区域的灰度平均值的差的相反数大于或者等于2时,则可将上述区域的位置标记为第一位置标记,否则将上述区域的位置标记为第二位置标记,例如表2:
表2
0 | 0 | 1 |
0 | 1 | |
0 | 1 | 1 |
如表2,对上述各个区域的位置进行标记之后,则可将上述每一个区域的位置标识按照预设顺序(例如顺时针)进行排序得到一个序列(00111100),进而可将上述序列进行编码得到上述弱分类器1在上述图像训练样本A上的特征值。具体实现中,如表2,根据上述各个区域的灰度平均值对上述各个区域进行位置标记之后则可得到一个8位的二值序列,对上述二值序列进行编码则可得到一个0到255的整数,上述整数和弱分类器1的矩形框位置、尺寸以及得到上述序列时弱分类器的矩形框中各个区域的符号位、阈值(上述阈值2)则共同表征了弱分类器1的特征。此外,计算弱分类器1在图像训练样本A上的特征值时,还可计算在预设的阈值为其他值(例如0-255中的每一个)时,上述弱分类器1在上述图像训练样本A上的特征值。其中,上述阈值可根据弱分类器的各个区域中的灰度平均值设定,包括灰度平均值之差最小的值至灰度平均值之差最大的值之间的任意一个。具体实现中,计算上述弱分类器1在上述图像训练样本A中的特征值之后,还可计算上述弱分类器1在其他图像训练样本中的特征值,进而可计算其他弱分类器在每一个图像训练样本中的特征值。即根据上述方法可计算每一个弱分类器在每一个图像训练样本上的特征值,上述特征值包括弱分类器在预设的所有弱分类器阈值下和符号位下的特征值,例如,若上述弱分类器有m个,图像训练样本(包括正样本和负样本)有n个,上述弱分类器的符号位有2个(包括+1和-1),预设的弱分类器阈值有255个(即255种可能),则每一个弱分类器在每一个图像训练样本上的特征值有第一符号位(+1)对应的255个和第二符号位(-1)对应的255个,总共510个,进而可得知每一个弱分类器在所有图像训练样本上的特征值有n*510个。确定好每一个弱分类器在所有图像训练样本上的特征值之后,则可计算每一个弱分类器对所有图像训练样的加权分类误差,进而可根据每一个弱分类器对图像训练样本的加权分类误差从所有弱分类器(m个)中选择对图像训练样本的加权分类误差最小的弱分类器作为最优弱分类器。
S103,根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器。
S104,根据全部的所述最优弱分类器生成人脸检测的强分类器。
在一些可行的实施方式中,计算得到所有图像训练样本的每一个弱分类器的特征值之后,则可根据上述特征值和图像训练样本的初始权重计算每一个弱分类器的加权分类误差。具体实现中,计算弱分类器对图像训练样本的加权分类误差之后可预先设定图像训练样本的初始权重,根据弱分类器的特征和图像训练样本的初始权重确定一个最优弱分类器之后,则可调整图像训练样本的权重得到图像训练样本的更新权重,进而根据弱分类器的特征值和图像训练样本的更新权重确定下一个或多个最优弱分类器。例如,根据上述方法计算得到上述弱分类器1在上述图像训练样本A上的特征值之后,则可根据图像训练样本A的特征标识(例如1)计算弱分类器1对上述图像训练样本A的分类误差(例如,可用图像训练样本A的特征标识与弱分类器1在图像训练样本A上的特征值的差的平方来表示弱分类器1对图像训练样本A的分类误差),进而根据相同的处理方法得到弱分类器1在其他图像训练样本上的特征值以及弱分类器1对其他图像训练样本的分类误差。确定上弱分类器1对所有图像训练样本的分类误差之后,则可根据每一个图像训练样的初始权重,将上述弱分类器1对每一个图像训练样本的分类加权误差进行加权累加,得到弱分类器1对总图像训练样本(n个图像训练样本)的加权分类误差。其中,上述图训练样本的特征标识为预先定义的图像训练样本的人脸特征对应的输入向量(例如1)或者图像训练样本的非人脸特征(其他景物特征)的输入向量(例如0)。
在一些可行的实施方式中,计算得到所有弱分类器的加权分类误差之后,则可从所有弱分类器中选取加权分类误差最小的弱分类器作为最优弱分类器,上述最优弱分类器可用于组合成强分类器。具体实现中,从多个弱分类器中选取最优弱分类器之前,可设定弱分类器的初始个数,例如0,计算得到所有弱分类器的加权分类误差并从所有弱分类器中选取最优弱分类器之后,则可将选取的最优弱分类器的个数进行累加,以确定选取的最优弱分类器的个数满足预设个数。其中,每轮选取的最优弱分类器的个数可包括一个或者多个,例如,当所有的弱分类器中加权分类误差最小的弱分类器只有一个,则可将该弱分类器选定为最优弱分类器,上述最优弱分类器的总数加1;当所有的弱分类器中加权分类误差最小的弱分类器有2个,即加权分类误差相同并且在所有的加权分类误差中最小,则可将加权分类误差最小的2个弱分类器均选取为最优弱分类器,上述最优弱分类器的总数加2.
在一些可行的实施方式中,根据上述所有弱分类器对图像训练样的加权分类误差从所有的弱分类器中选择加权分类误差最小的弱分类器作为最优弱分类器之后,还可通过上述最优弱分类器对上述各个图像训练样本进行人脸检测,并根据检测到的特征将各个图像训练样本进行分类,进而根据分类结果判断是否与图像训练样本的特征相对应,若检测到的特征与图像训练样本的特征相符合(即图像训练样本的分类结果与图像训练样本的特征相对应),则可减小该图像训练样本的权重,若检测到的特征与图像训练样本的特征不符合,则可增加该图像训练样本的权重,其中,上述检测到的特征包括人脸特征或者非人脸特征。例如,若通过上述最优弱分类器检测到图像训练样本A的特征是人脸特征,则可将图像训练样本分类为人脸特征对应的一类,如果图像训练样本A是正样本(即包括人脸特征的样本),则可判断得知图像训练样本A的分类结果与图像训练样本A的特征相对应,进而可减小图像训练样本A的权重。若通过上述图像训练样本检测到图像训练样本A的特征是非人脸特征,则可将图像训练样本A分类为非人脸特征对应的一类,而图像训练样本A是正样本,则可判断得到图像训练样本的分类结果与图像训练样本A的特征不相对应,此时则可增加图像训练样本A的权重,以加强对图像训练样本A的训练。具体的,更新了图像训练样本的权重之后可则根据图像样本的新权重,重复上述计算弱分类器的加权分类误差的步骤计算得到各个弱分类器对上述更新了权重的图像训练样本的加权分类器误差,进而可根据新的加权分类误差从所有弱分类器中选择加权分类误差最小的弱分类器作为新的最优弱分类器。具体实现中,根据上述方法选取了预设个数的最优弱分类器之后,则可根据上述预设个数的最优弱分类器生成强分类器,例如人脸检测分类器的第一级的强分类器。
在一些可行的实施方式中,选取到任一级的预设个数的最优弱分类器并将上述预设个数的最优弱分类器组成该级的强分类器之后,则可更换预存的图像训练样本,重新循环上述步骤获取上述人脸检测分类器的级联级数中其他级的最优弱分类器,以生成其他级的强分类器。具体实现中,根据上述方法生成强分类器之后则可通过该强分类器对预先的图像训练样本进行人脸检测,并根据检测到的图像训练样本的特征将图像训练样本进行分类,以检测强分类器的分类效果是否符合预期要求,进而可根据检测结果决定是否更换一批新的图像训练样来进行训练,例如,添加包括新的人脸特征的图像训练样本,或者添加包括新的非人脸特征的图像训练样本,或者用新的包括非人脸特征的图像训练样本替换预先的图像训练样本中的指定图像训练样本等。例如,如果某一张图像样本中人脸特征不是很清晰,使得训练过程中弱分类器对该图像训练样本的加权分类误差较大,则添加图像中人物脸部特征较清晰的图像样到预先的图像训练样本中,以将加强对人脸特征的训练等。如此,更换一批新的图像训练样本之后则可重新循环上述过程,生成新一级的强分类器,之后每生成一级的强分类器之后则更新一次预先的图像训练样本,生成新一级的强分类器,直至生成的强分类器的个数不小于预设级联级数所需的个数。根据上述方法生成预设级联级数的所有强分类器之后则可将所有强分类器组合成人脸检测分类器,以通过上述人脸检测分类器对图像样本进行人脸检测。
本实施例中所描述的人脸检测的强分类器的生成方法可预先设定图像训练样本的尺寸和弱分类器的符号位、阈值,并通过图像训练样本的尺寸来确定弱分类器的矩形框位置和尺寸,计算图像训练样本的特征值时还可根据预设的弱分类器的符号位和阈值,结合弱分类器的矩形框中每一个小区域的灰度平均值计算图像训练样本的特征值,进而可根据特征值和图像训练样本的权重计算弱分类器对图像训练样本的加权分类误差,根据加权分类误差选择从所有的弱分类器中选取最优弱分类器,再根据选取的全部最优弱分类器生成强分类器,进而可由强分类器组合成人脸检测分类器。根据本实施例中所描述的方法生成的人脸检测的强分类器对图像训练样本进行检测时可提高对噪声的鲁棒性,提高了人脸检测的准确率,增强了人脸检测的用户体验效果。
参见图3,是本发明实施例提供的人脸检测的强分类器的生成装置的实施例的一结构示意图。本实施例中所描述的人脸检测的强分类器的生成装置,包括:
确定模块20,用于根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数。
处理模块30,于根据预设的弱分类器的阈值以及所述确定模块确定的每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值。
选择模块40,用于根据所述处理模块得到的所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器,其中,所述最优弱分类器为全部的所述弱分类器中所述加权分类误差最小的弱分类器。
生成模块50,用于根据所述选择模块选择的全部的所述最优弱分类器生成人脸检测的强分类器。
在一些可行的实施方式中,本实施例中所描述的人脸检测的强分类器的生成装置(如图4),还包括:
设置模块10,用于设定最优弱分类器的初始个数。
判断模块60,用于判断所述最优弱分类器的总数是否小于预设个数。
第二更新模块80,用于二更新模块,用于根据所述选择模块选取的所述最优弱分类器的个数与所述设置模块设定的所述最优弱分类器的初始个数确定所述最优弱分类器的总数。
第一更新模块70,用于在所述判断模块判断结果为是时,更新所述图像训练样本的权重,得到所述图像训练样本的更新权重。
所述选择模块40,用于根据所述处理模块得到的所述特征值和所述第一更新模块得到的所述图像训练样本的更新权重计算所述每一个所述弱分类器的加权分类误差,得到至少一个的权重更新后的最优弱分类器。
所述第二更新模块80,用于根据所述选择模块得到的最优弱分类器的个数更新所述最优弱分类器的总数。
所述生成模块50,用于在所述判断模块判断结果为否时,根据所述选择模块选择的全部的所述最优弱分类器生成人脸检测的强分类器。
在一些可行的实施方式中,上述处理模块30(如图5),包括:
灰度平均值确定单元31,用于将以所述弱分类器的所述矩形框位置为中心、与所述矩形框的尺寸大小相同的区域分割为至少两个区域,并计算每一个所述区域的灰度平均值。
设置单元32,用于从全部所述区域中选定一个参考区域,并设定除所述参考区域外的每一个所述区域的符号位,所述符号位包括第一符号位和第二符号位。
特征值确定单元33,用于根据所述灰度平均值确定单元确定的全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述设置单元设定的所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值。
其中,上述特征值确定单元33,包括:
比较子单元331,用于将除所述参考区域外的每一个所述区域的所述灰度平均值分别与所述参考区域的所述灰度平均值进行比较。
第一标记子单元332,用于在所述区域的符号位为第一符号位时,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差不小于所述预设的弱分类器的阈值,将所述区域的位置标记为第一位置标记,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差小于所述预设的弱分类器的阈值时,将所述区域的位置标记为第二位置标记。
第二标记子单元333,用于在所述区域的符号位为第二符号位时,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数不小于所述预设的弱分类器的阈值,则将所述区域的位置标记为第一位置标记,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数小于所述预设的弱分类器的阈值,将所述区域的位置标记为第二位置标记。
序列值确定子单元334,用于将所述每一个所述区域的位置标记按照预设顺序进行排序得到一个序列,根据所述序列得到所述弱分类器的特征值。
在一些可行的实施方式中,上述选择模块40具体用于:根据所述弱分类器的特征值和每一个所述图像训练样本的特征标识,计算所述弱分类器对所述每一个所述图像训练样本的分类误差,其中,所述图像训练样本的特征标识为预先设定的所述图像训练样本的人脸特征对应的输入向量或非人脸特征对应的输入向量;
根据所述每一个所述图像训练样本的初始权重,将所述弱分类器对所述每一个所述图像训练样本的分类误差进行加权累加,得到所述弱分类器的加权分类误差。
在一些可行的实施方式中,上述第一更新模块70具体用于:
根据所述最优弱分类器对所述图像训练样本进行人脸检测,并根据检测到的特征将所述图像训练样本进行分类,所述特征包括人脸特征或者非人脸特征;
若所述图像训练样本的分类结果与所述图像训练样本的特征相对应,则减小所述图像训练样本的权重,得到所述图像训练样本的更新权重;
若所述图像训练样本的分类结果不与所述图像训练样本的特征相对应,则增加所述图像训练样本的权重,得到所述图像训练样本的更新权重。
具体实现中,人脸检测方法可包括图像样本训练和检测两个过程,其中,训练过程主要是通过对图像样本进行训练,寻找合适的弱分类器生成强分类器,即本发明实施例中所描述的人脸检测的强分类器的生成装置的主要实现过程,本实施例中所描述的人脸检测的强分类器的生成装置生成强分类器之后还可根据生成的强分类器生成人脸检测分类器。人脸检测的检测过程主要是通过本实施例中所描述的装置生成的强分类器或者人脸检测分类器来对图像进行人脸检测、识别,以区分图像中的人脸和非人脸。具体实现中,人脸检测可由本实施例中所描述的人脸检测的强分类器的生成装置生成的单个强分类器进行检测,也可由上述生成装置生成的多个强分类器联合检测,即上述装置生成强分类器之后还可将多个强分类器进行级联,生成人脸检测分类器。本实施例中所描述的人脸检测的强分类器的生成装置选取最优弱分类器的过程中,可结合预先设定的弱分类器的阈值来计算图像训练样本的弱分类器的特征值,可降低编码对噪声的鲁棒性,降低强分类器对图像训练样本的分类误差,进而可降低人脸检测的误检率。
在一些可行的实施方式中,在人脸检测的训练过程中,首先可预先定义图像训练样本的训练参数,即可初始化图像训练样本的训练参数,上述图像训练样本的训练参数,可包括:弱分类器的级联级数(也为弱分类器的最大级联级数)、每一级弱分类器的个数等。具体实现中,初始化图像训练样本的训练参数之后,则可根据图像训练样本的尺寸来列举所有可能的弱分类器,可根据上述定义的每一级的弱分类器的个数来确定生成每一级的强分类器的弱分类器的个数,还可根据上述定义的弱分类器的级联级数将上述每一级生成的强分类器组合成具有上述级联级数的人脸检测分类器。
在一些可行的实施方式中,开始人脸检测的训练过程之前可预先选定图像训练样本并将上述图像训练样本存储于指定位置,其中,上述图像训练样本中可包括正样本和负样本,上述正样本可为包括人脸特征的图像样本,负样本可为不包括人脸特征的图像样本。具体的,上述图像训练样本中的正样本和负样本均可包括多个,具体图像训练样本的数量可根据样本训练的具体要求确定,在此不再赘述。具体实现中,预先选定好图像训练样本之后,还可根据样本训练的具体要求将选定的图像训练样本缩放到指定的尺寸,例如,可从一张包括人物脸部和其他景物的图像中抠出一个包括人物脸部特征的图像样本(正样本),并将该图像样本缩放为24*24的图像训练样本,进而可将该图像训练样本存储至指定位置备用;此外,也可直接将一张没有人物脸部特征的图像缩放为24*24的图像训练样本(负样本),进而可将该图像训练样本存储至指定位置。
在一些可行的实施方式中,选定好备用的图像训练样本之后,则可通过确定模块20按照预存的图像训练样本的尺寸枚举该尺寸下的所有特征(即所有弱分类器)即确定上述图像训练样本的弱分类器的参数,其中,上述弱分类器的参数可包括:矩形框的位置、尺寸等。具体的,确定模块20根据上述图像训练样本的尺寸,枚举的所有弱分类器可由能代表人脸的矩形特征构成,上述矩形特征可包括:矩形框的位置、尺寸、符号位和阈值等构成。具体的,上述矩形框的符号位包括:1或者-1;上述阈值可根据人脸检测的实际需求预先进行自定义,上述矩形框的符号位和阈值具体可用在计算每一级的弱分类器对应的图像训练样本的特征值,可增强人脸检测分类器对噪声的鲁棒性,降低误检率。例如,若图像训练样本是一个24*24的尺寸大小的图像,则在该尺寸下确定模块20确定的弱分类器的尺寸可为3*3、3*6、6*9、24*24等,即该尺寸下弱分类器的尺寸可为(3的倍数)*(3的倍数),最大可为24*24。具体的,若上述弱分类器尺寸是3*3,确定模块20则可遍历一遍图像训练样本,确定在24*24的样本图像中可以布置多少个3*3的矩形框,即该图像训练样本在3*3的弱分类器尺寸下可以有多少个弱分类器。此外,确定模块20还可遍历一遍图像训练样本,确定在24*24的样本图像中每一种可能的弱分类器的尺寸对应的矩形框的个数,即在24*24的样本图像中所有的弱分类器个数,如此可将每一级的所有弱分类器枚举出来(可设定总的弱分类器数为m),以对上述所有弱分类器进行训练,以从中选取合适的弱分类器。具体实现中,确定模块根据预存的图像训练样本的尺寸确定图像训练样本的至少一个弱分类器的参数的具体实现过程可参见本发明实施例提供的人脸检测的强分类器的生成方法的实施例步骤S101,在此不再赘述。
在一些可行的实施方式中,本实施例中所描述的生成装置对上述所有弱分类器进行训练时还可通过处理30根据上述预设的弱分类器的阈值以及弱分类器的参数,计算每一个图像训练样本的每一个弱分类器的特征值。具体实现,处理模块30计算上述所有弱分类器中任意一个弱分类器的特征值,即任意一个弱分类器(例如弱分类器1)在每一个图像训练样本上的特征值时,可首先计算上述弱分类器1在任意一个图像训练样本(例如图像训练样本A)上的特征值。具体的,处理模块30可通过灰度平均值确定大纳言31将图像训练样本A中以弱分类器1为中心,与弱分类器1的矩形框的尺寸大小相同的区域分割为多个区域(例如3*3的区域),并计算上述每一个区域的灰度平均值,例如表3:
表3
7 | 8 | 12 |
8 | 9 | 11 |
6 | 20 | 19 |
其中,上述表3中的数字即为各个区域的灰度平均值,灰度平均确定单元31确定上述图3中各个区域的恢复平均值时具体可通过积分图计算得到。灰度平均值确定单元31计算得到上述各个区域的灰度平均值之后,设置单元32还可从上述各个区域中选定一个区域作为参考区域(例如表3中中间区域,即灰度平均值为9的区域),并设定上述各个区域中除参考区域以外的每一个区域的符号位,上述符号位包括第一符号位(例如1)和第二符号位(例如-1)。设置单元32设定好上述各个区域的符号位之后,特征值确定单元33则可根据上述各个区域的灰度平均值和符号位计算上述弱分类器1的阈值对应的特征值,例如,当预先设定的弱分类器的阈值为2时,则可计算当弱分类器1的阈值为2时,上述弱分类器1在图像训练样本A中的特征值。具体的,特征值确定单元33确定弱分类器的特征值时可先通过比较子单元331将上述除参考区域以外的每一个区域的灰度平均值分别与参考区域的灰度平均值进行比较,进而通过第一标记子单元332或者第二标记子单元333对上述各个区域的位置进行标记。具体的,第一标记子单元332可在上述区域的符号位为第一符号位时,若上述比较子单元331确定的比较结果为上述区域的灰度平均值和参考区域的灰度平均值的差大于或者等于预设的弱分类器的阈值(即2)时,将该区域的位置标记为第一位置标记(例如1),否则将该区域的位置标记为第二位置标记(例如0);第二标记子单元333可在上述区域的符号位为第二符号位时,如果上述比较子单元331确定的比较结果为上述区域的灰度平均值与参考区域的灰度平均值的差的相反数大于或者等于2时,则可将上述区域的位置标记为第一位置标记,否则将上述区域的位置标记为第二位置标记,例如表4:
表4
0 | 0 | 1 |
0 | 1 | |
0 | 1 | 1 |
如表4,第一标记子单元332或者第二标识子单元333对上述各个区域的位置进行标记之后,序列值确定子单元334则可将上述每一个区域的位置标识按照预设顺序(例如顺时针)进行排序得到一个序列(00111100),进而可将上述序列进行编码得到上述弱分类器1在上述图像训练样本A上的特征值。具体实现中,如表4,第一标记子单元332或者第二标识子单元333根据上述各个区域的灰度平均值对上述各个区域进行位置标记之后,序列值确定子单元334则可根据上述各个区域的位置标记得到一个8位的二值序列,对上述二值序列进行编码则可得到一个0到255的整数。上述整数和弱分类器1的矩形框位置、尺寸以及得到上述序列值,以及上述弱分类器的矩形框中各个区域的符号位、阈值(上述阈值2)则共同表征了弱分类器1的特征。此外,处理模块30计算弱分类器1在图像训练样本A上的特征值时,还可计算在预设的阈值为其他值(例如0-255中的每一个)时,上述弱分类器1在上述图像训练样本A上的特征值。其中,上述阈值可根据弱分类器的各个区域中的灰度平均值设定,包括灰度平均值之差最小的值至灰度平均值之差最大的值之间的任意一个。具体实现中,处理模块30计算上述弱分类器1在上述图像训练样本A中的特征值之后,还可计算上述弱分类器1在其他图像训练样本中的特征值,进而可计算其他弱分类器在每一个图像训练样本中的特征值。即处理模块30可根据上述方法计算每一个弱分类器在每一个图像训练样本上的特征值,上述特征值包括弱分类器在预设的所有弱分类器阈值下和符号位下的特征值,例如,若上述弱分类器有m个,图像训练样本(包括正样本和负样本)有n个,上述弱分类器的符号位有2个(包括+1和-1),预设的弱分类器阈值有255个(即255种可能),则每一个弱分类器在每一个图像训练样本上的特征值有第一符号位(+1)对应的255个和第二符号位(-1)对应的255个,总共510个,进而可得知每一个弱分类器在所有图像训练样本上的特征值有n*510个。处理模块30确定好每一个弱分类器在所有图像训练样本上的特征值之后,选择模块40则可根据处理模块30确定的特征值和图像训练样本的权重计算每一个弱分类器对所有图像训练样的加权分类误差,进而可根据每一个弱分类器对图像训练样本的加权分类误差从所有弱分类器(m个)中选择对图像训练样本的加权分类误差最小的弱分类器作为最优弱分类器。具体实现中,处理模块处理得到弱分类器的特征值的具体实现过程可参见本发明实施例提供的人脸检测的强分类器的生成方法的实施例步骤S102,在此不再赘述。
在一些可行的实施方式中,处理模块30计算得到所有图像训练样本的每一个弱分类器的特征值之后,选择模块40则可根据上述特征值和图像训练样本的初始权重计算每一个弱分类器的加权分类误差。具体实现中,选择模块40计算弱分类器对图像训练样本的加权分类误差之前,可通过设置模块10预先设定图像训练样本的初始权重,选择模块40根据弱分类器的特征和图像训练样本的初始权重确定一个最优弱分类器之后,第一更新模块60则可更新图像训练样本的权重得到图像训练样本的更新权重,选择模块40可根据弱分类器的特征值和图像训练样本的更新权重确定下一个或多个最优弱分类器。例如,处理模块30根据上述方法计算得到上述弱分类器1在上述图像训练样本A上的特征值之后,选择模块40则可根据图像训练样本A的特征标识(例如1)计算弱分类器1对上述图像训练样本A的分类误差(例如,可用图像训练样本A的特征标识与弱分类器1在图像训练样本A上的特征值的差的平方来表示弱分类器1对图像训练样本A的分类误差),进而根据相同的处理方法得到弱分类器1在其他图像训练样本上的特征值以及弱分类器1对其他图像训练样本的分类误差。选择模块40确定上弱分类器1对所有图像训练样本的分类误差之后,则可根据设置模块10设置的每一个图像训练样的初始权重,将上述弱分类器1对每一个图像训练样本的分类加权误差进行加权累加,得到弱分类器1对总图像训练样本(n个图像训练样本)的加权分类误差。其中,上述图训练样本的特征标识为预先定义的图像训练样本的人脸特征对应的输入向量(例如1)或者图像训练样本的非人脸特征(其他景物特征)的输入向量(例如0)。
在一些可行的实施方式中,选择模块40计算得到所有弱分类器的加权分类误差之后,则可从所有弱分类器中选取加权分类误差最小的弱分类器作为最优弱分类器,上述最优弱分类器可用于组合成强分类器。具体实现中,从多个弱分类器中选取最优弱分类器之前,可设定弱分类器的初始个数,例如0,选择模块40计算得到所有弱分类器的加权分类误差并从所有弱分类器中选取最优弱分类器之后,第二更新模块80则可将选取的最优弱分类器的个数进行累加,以确定选取的最优弱分类器的个数满足预设个数。其中,选择模块40每轮选取的最优弱分类器的个数可包括一个或者多个,第二更新模块80可根据选择模块40选择的最优弱分类器的个数更新最优弱分类器的总数。例如,当选择模块40确定得到所有的弱分类器中加权分类误差最小的弱分类器只有一个,则可将该弱分类器选定为最优弱分类器,第二更新模块80则可将上述最优弱分类器的总数加1;当选择模块40确定得到所有的弱分类器中加权分类误差最小的弱分类器有2个,即加权分类误差相同并且在所有的加权分类误差中最小,则可将加权分类误差最小的2个弱分类器均选取为最优弱分类器,第二更新模块80则可将上述最优弱分类器的总数加2。
在一些可行的实施方式中,选择模块40根据上述所有弱分类器对图像训练样的加权分类误差从所有的弱分类器中选择加权分类误差最小的弱分类器作为最优弱分类器之后,判断模块60则可根据选择模块40选取的最优弱分类器的个数判断最优弱分类器的总数是否小于预设个数。具体的,若判断模块60判断得知最优弱分类器的总数小于预设个数,则可通过第一更新模块更新图像训练样本的权重,并通过选择模块40继续选取最优弱分类器;若判断模块60判断得知最优弱分类器的总数不小于预设个数,则可通知生成模块50根据全部的最优弱分类器生成强分类器。具体实现中,当判断模块60判断得知最优弱分类器的总数小于预设个数时,第一更新模块70则可通过上述最优弱分类器对上述各个图像训练样本进行人脸检测,并根据检测到的特征将各个图像训练样本进行分类,进而根据分类结果判断是否与图像训练样本的特征相对应,若检测到的特征与图像训练样本的特征相符合(即图像训练样本的分类结果与图像训练样本的特征相对应),则可减小该图像训练样本的权重,若检测到的特征与图像训练样本的特征不符合,则可增加该图像训练样本的权重,其中,上述检测到的特征包括人脸特征或者非人脸特征。例如,若通过上述最优弱分类器检测到图像训练样本A的特征是人脸特征,第一更新模块70则可将图像训练样本分类为人脸特征对应的一类,如果图像训练样本A是正样本(即包括人脸特征的样本),则可判断得知图像训练样本A的分类结果与图像训练样本A的特征相对应,进而可减小图像训练样本A的权重。若通过上述图像训练样本检测到图像训练样本A的特征是非人脸特征,第一更新模块70则可将图像训练样本A分类为非人脸特征对应的一类,而图像训练样本A是正样本,则可判断得到图像训练样本的分类结果与图像训练样本A的特征不相对应,此时第一更新模块70则可增加图像训练样本A的权重,以加强对图像训练样本A的训练。具体的,第一更新模块70更新了图像训练样本的权重之后,选择模块40可则根据图像样本的新权重,重复上述计算弱分类器的加权分类误差的步骤计算得到各个弱分类器对上述更新了权重的图像训练样本的加权分类器误差,进而可根据新的加权分类误差从所有弱分类器中选择加权分类误差最小的弱分类器作为新的最优弱分类器。具体实现中,选取模块40根据上述方法选取了预设个数的最优弱分类器之后,则可通过生成模块50根据上述预设个数的最优弱分类器生成强分类器,例如人脸检测分类器的第一级的强分类器。
在一些可行的实施方式中,选择模块40选取到任一级的预设个数的最优弱分类器并通过生成模块50将上述预设个数的最优弱分类器组成该级的强分类器之后,用户则可更换预存的图像训练样本,通过上述各个模块重新获取上述人脸检测分类器的级联级数中其他级的最优弱分类器,以生成其他级的强分类器。具体实现中,通过上述各个模块生成人脸检测的强分类器之后则可通过该强分类器对预先的图像训练样本进行人脸检测,并根据检测到的图像训练样本的特征将图像训练样本进行分类,以检测强分类器的分类效果是否符合预期要求,进而可根据检测结果决定是否更换一批新的图像训练样来进行训练,例如,添加包括新的人脸特征的图像训练样本,或者添加包括新的非人脸特征的图像训练样本,或者用新的包括非人脸特征的图像训练样本替换预先的图像训练样本中的指定图像训练样本等。例如,如果某一张图像样本中人脸特征不是很清晰,使得训练过程中弱分类器对该图像训练样本的加权分类误差较大,则添加图像中人物脸部特征较清晰的图像样到预先的图像训练样本中,以将加强对人脸特征的训练等。如此,更换一批新的图像训练样本之后则可重新循环上述过程,生成新一级的强分类器,之后每生成一级的强分类器之后则更新一次预先的图像训练样本,生成新一级的强分类器,直至生成的强分类器的个数不小于预设级联级数所需的个数。根据上述方法生成预设级联级数的所有强分类器之后则可将所有强分类器组合成人脸检测分类器,以通过上述人脸检测分类器对图像样本进行人脸检测。具体实现中,选择模块根据各个弱分类器的特征和图像训练样本的权重计算各个弱分类器的加权分类误差并从所有的弱分类器中选取最优弱分类器,进而通过生成模块50生成人脸检测的强分类器的具体实现过程可参见本发明实施例提供的人脸检测的强分类器的生成方法的实施例步骤S103-S104,在此不再赘述。
本实施例中所描述的人脸检测的强分类器的生成装置可预先设定图像训练样本的尺寸和弱分类器的符号位、阈值,并通过图像训练样本的尺寸来确定弱分类器的矩形框位置和尺寸,计算图像训练样本的特征值时还可根据预设的弱分类器的符号位和阈值,结合弱分类器的矩形框中每一个小区域的灰度平均值计算图像训练样本的特征值,进而可根据特征值和图像训练样本的权重计算弱分类器对图像训练样本的加权分类误差,根据加权分类误差选择从所有的弱分类器中选取最优弱分类器,再根据选取的全部最优弱分类器生成成强分类器,还可由强分类器组合成人脸检测分类器。本实施例中所描述的人脸检测分类器的生成装置生成的人脸检测的强分类器对图像训练样本进行检测时可提高对噪声的鲁棒性,提高了人脸检测的准确率,增强了人脸检测的用户体验效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (12)
1.一种人脸检测的强分类器的生成方法,其特征在于,包括:
根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数;
根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值;
根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器,其中,所述最优弱分类器为全部的所述弱分类器中所述加权分类误差最小的弱分类器;
根据全部的所述最优弱分类器生成人脸检测的强分类器。
2.如权利要求1所述的方法,其特征在于,在所述根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值之前,所述方法还包括:
设定最优弱分类器的初始个数;
在所述根据所述最优弱分类器生成人脸检测的强分类器之前,所述方法还包括:
根据所述选取的所述最优弱分类器的个数与所述最优弱分类器的初始个数确定所述最优弱分类器的总数;
若所述最优弱分类器的总数小于预设个数,则更新所述图像训练样本的权重,得到所述图像训练样本的更新权重,根据所述特征值和所述图像训练样本的更新权重计算所述每一个所述弱分类器的加权分类误差,得到至少一个的权重更新后的最优弱分类器,根据所述权重更新后的最优弱分类器的个数更新所述最优弱分类器的总数,重复本步骤直至所述最优弱分类器的总数不小于所述预设个数;
若所述最优弱分类器的总数不小于预设个数,则继续后续步骤。
3.如权利要求1或2所述的方法,所述参数包括弱分类器的矩形框位置、尺寸,其特征在于,所述根据预设的弱分类器的阈值以及每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值,包括:
对于全部所述弱分类器中的一个弱分类器,将以所述弱分类器的所述矩形框位置为中心、与所述矩形框的尺寸大小相同的区域分割为至少两个区域,并计算每一个所述区域的灰度平均值;
从全部所述区域中选定一个参考区域,并设定除所述参考区域外的每一个所述区域的符号位,所述符号位包括第一符号位和第二符号位;
根据全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值;
重复上述步骤直至得到全部所述弱分类器中的每一个所述弱分类器的特征值。
4.如权利要求3所述的方法,其特征在于,所述根据全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值,包括:
将除所述参考区域外的每一个所述区域的所述灰度平均值分别与所述参考区域的所述灰度平均值进行比较;
若所述区域的符号位为第一符号位,若所述区域的灰度平均值与所述参考区域的灰度平均值的差不小于所述阈值,将所述区域的位置标记为第一位置标记,若所述区域的灰度平均值与所述参考区域的灰度平均值的差小于所述阈值时,将所述区域的位置标记为第二位置标记;
若所述区域的符号位为第二符号位,若所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数不小于所述阈值,则将所述区域的位置标记为第一位置标记,若所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数小于所述阈值,将所述区域的位置标记为第二位置标记;
将所述每一个所述区域的位置标记按照预设顺序进行排序得到一个序列,根据所述序列得到所述弱分类器的特征值。
5.如权利要求1-4任意一项所述的方法,其特征在于,所述根据所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,包括:
根据所述弱分类器的特征值和每一个所述图像训练样本的特征标识,计算所述弱分类器对所述每一个所述图像训练样本的分类误差,其中,所述图像训练样本的特征标识为预先设定的所述图像训练样本的人脸特征对应的输入向量或非人脸特征对应的输入向量;
根据所述每一个所述图像训练样本的初始权重,将所述弱分类器对所述每一个所述图像训练样本的分类误差进行加权累加,得到所述弱分类器的加权分类误差。
6.如权利要求2-5任意一项所述的方法,其特征在于,所述更新所述图像训练样本的权重,得到所述图像训练样本的更新权重,包括:
根据所述最优弱分类器对所述图像训练样本进行人脸检测,并根据检测到的特征将所述图像训练样本进行分类,所述特征包括人脸特征或者非人脸特征;
若所述图像训练样本的分类结果与所述图像训练样本的特征相对应,则减小所述图像训练样本的权重,得到所述图像训练样本的更新权重;
若所述图像训练样本的分类结果不与所述图像训练样本的特征相对应,则增加所述图像训练样本的权重,得到所述图像训练样本的更新权重。
7.一种人脸检测的强分类器的生成装置,其特征在于,包括:
确定模块,用于根据预存的图像训练样本的尺寸确定所述图像训练样本的至少一个弱分类器的参数;
处理模块,用于根据预设的弱分类器的阈值以及所述确定模块确定的每一个所述弱分类器的所述参数,得到所述图像训练样本的每一个所述弱分类器的特征值;
选择模块,用于根据所述处理模块得到的所述特征值和所述图像训练样本的初始权重计算每一个所述弱分类器的加权分类误差,根据所述加权分类误差得到至少一个最优弱分类器,其中,所述最优弱分类器为全部的所述弱分类器中所述加权分类误差最小的弱分类器;
生成模块,用于根据所述选择模块选择的全部的所述最优弱分类器生成人脸检测的强分类器。
8.如权利要求7所述的装置,其特征在于,所述装置还包括:
设置模块,用于设定最优弱分类器的初始个数;
判断模块,用于判断所述最优弱分类器的总数是否小于预设个数;
第二更新模块,用于根据所述选择模块选取的所述最优弱分类器的个数与所述设置模块设定的所述最优弱分类器的初始个数确定所述最优弱分类器的总数;
第一更新模块,用于在所述判断模块判断结果为是时,更新所述图像训练样本的权重,得到所述图像训练样本的更新权重;
所述选择模块,用于根据所述处理模块得到的所述特征值和所述第一更新模块得到的所述图像训练样本的更新权重计算所述每一个所述弱分类器的加权分类误差,得到至少一个的权重更新后的最优弱分类器;
所述第二更新模块,用于根据所述选择模块得到的最优弱分类器的个数更新所述最优弱分类器的总数;
所述生成模块,用于在所述判断模块判断结果为否时,根据所述选择模块选择的全部的所述最优弱分类器生成人脸检测的强分类器。
9.如权利要求7或8所述的装置,所述确定模块确定的所述参数包括弱分类器的矩形框位置、尺寸,其特征在于,所述处理模块包括:
灰度平均值确定单元,用于将以所述弱分类器的所述矩形框位置为中心、与所述矩形框的尺寸大小相同的区域分割为至少两个区域,并计算每一个所述区域的灰度平均值;
设置单元,用于从全部所述区域中选定一个参考区域,并设定除所述参考区域外的每一个所述区域的符号位,所述符号位包括第一符号位和第二符号位;
特征值确定单元,用于根据所述灰度平均值确定单元确定的全部所述区域中除所述参考区域外的所述区域的所述灰度平均值和所述设置单元设定的所述符号位,和所述预设的弱分类器的阈值得到所述弱分类器的特征值。
10.如权利要求9所述的装置,其特征在于,所述特征值确定单元,包括:
比较子单元,用于将除所述参考区域外的每一个所述区域的所述灰度平均值分别与所述参考区域的所述灰度平均值进行比较;
第一标记子单元,用于在所述区域的符号位为第一符号位时,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差不小于所述预设的弱分类器的阈值,将所述区域的位置标记为第一位置标记,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差小于所述预设的弱分类器的阈值时,将所述区域的位置标记为第二位置标记;
第二标记子单元,用于在所述区域的符号位为第二符号位时,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数不小于所述预设的弱分类器的阈值,则将所述区域的位置标记为第一位置标记,若所述比较子单元的比较结果为所述区域的灰度平均值与所述参考区域的灰度平均值的差的相反数小于所述预设的弱分类器的阈值,将所述区域的位置标记为第二位置标记;
序列值确定子单元,用于将所述每一个所述区域的位置标记按照预设顺序进行排序得到一个序列,根据所述序列得到所述弱分类器的特征值。
11.如权利要求7-10任意一项所述的装置,其特征在于,所述选择模块具体用于:
根据所述弱分类器的特征值和每一个所述图像训练样本的特征标识,计算所述弱分类器对所述每一个所述图像训练样本的分类误差,其中,所述图像训练样本的特征标识为预先设定的所述图像训练样本的人脸特征对应的输入向量或非人脸特征对应的输入向量;
根据所述每一个所述图像训练样本的初始权重,将所述弱分类器对所述每一个所述图像训练样本的分类误差进行加权累加,得到所述弱分类器的加权分类误差。
12.如权利要求8-11任意一项所述的装置,其特征在于,所述第一更新模块具体用于:
根据所述最优弱分类器对所述图像训练样本进行人脸检测,并根据检测到的特征将所述图像训练样本进行分类,所述特征包括人脸特征或者非人脸特征;
若所述图像训练样本的分类结果与所述图像训练样本的特征相对应,则减小所述图像训练样本的权重,得到所述图像训练样本的更新权重;
若所述图像训练样本的分类结果不与所述图像训练样本的特征相对应,则增加所述图像训练样本的权重,得到所述图像训练样本的更新权重。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310634252.5A CN104680120B (zh) | 2013-12-02 | 2013-12-02 | 一种人脸检测的强分类器的生成方法及装置 |
EP14191684.1A EP2879078B1 (en) | 2013-12-02 | 2014-11-04 | Method and apparatus for generating strong classifier for face detection |
US14/558,414 US9582710B2 (en) | 2013-12-02 | 2014-12-02 | Method and apparatus for generating strong classifier for face detection |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310634252.5A CN104680120B (zh) | 2013-12-02 | 2013-12-02 | 一种人脸检测的强分类器的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680120A true CN104680120A (zh) | 2015-06-03 |
CN104680120B CN104680120B (zh) | 2018-10-19 |
Family
ID=51900710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310634252.5A Expired - Fee Related CN104680120B (zh) | 2013-12-02 | 2013-12-02 | 一种人脸检测的强分类器的生成方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9582710B2 (zh) |
EP (1) | EP2879078B1 (zh) |
CN (1) | CN104680120B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160295A (zh) * | 2015-07-14 | 2015-12-16 | 东北大学 | 一种面向大规模人脸数据库的快速高效人脸识别方法 |
CN105447511A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于Adaboost Haar-Like特征的SVM目标检测方法 |
CN107729947A (zh) * | 2017-10-30 | 2018-02-23 | 杭州登虹科技有限公司 | 一种人脸检测模型训练方法、装置和介质 |
CN108351962A (zh) * | 2015-12-01 | 2018-07-31 | 英特尔公司 | 具有自适应性通道特征的对象检测 |
CN109034174A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
CN110879972A (zh) * | 2019-10-24 | 2020-03-13 | 深圳云天励飞技术有限公司 | 一种人脸检测方法及装置 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10614289B2 (en) * | 2010-06-07 | 2020-04-07 | Affectiva, Inc. | Facial tracking with classifiers |
KR20150140644A (ko) | 2013-02-08 | 2015-12-16 | 이모션트 | 표정 인식을 위한 기계 학습 훈련 데이터의 수집 |
US9430694B2 (en) * | 2014-11-06 | 2016-08-30 | TCL Research America Inc. | Face recognition system and method |
US9311523B1 (en) * | 2015-07-29 | 2016-04-12 | Stradvision Korea, Inc. | Method and apparatus for supporting object recognition |
KR101997479B1 (ko) | 2015-10-20 | 2019-10-01 | 삼성전자주식회사 | 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치 |
CN107633500A (zh) * | 2016-07-14 | 2018-01-26 | 南京视察者图像识别科技有限公司 | 一种新的图像目标检测流程 |
CN108090508B (zh) * | 2017-12-12 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种分类训练方法、装置及存储介质 |
CN108537250B (zh) * | 2018-03-16 | 2022-06-14 | 新智认知数据服务有限公司 | 一种目标跟踪模型构建方法及装置 |
CN111008546B (zh) * | 2018-10-08 | 2023-09-15 | 上海汽车集团股份有限公司 | 一种传感器输出信号的识别方法及装置 |
US20200175383A1 (en) * | 2018-12-03 | 2020-06-04 | Clover Health | Statistically-Representative Sample Data Generation |
CN111382758B (zh) * | 2018-12-28 | 2023-12-26 | 杭州海康威视数字技术股份有限公司 | 训练图像分类模型、图像分类方法、装置、设备及介质 |
CN111007068B (zh) * | 2019-11-21 | 2022-05-13 | 中国兵器工业信息中心 | 基于深度学习的黄色培育钻石品级分类方法 |
CN111275011B (zh) * | 2020-02-25 | 2023-12-19 | 阿波罗智能技术(北京)有限公司 | 移动红绿灯检测方法、装置、电子设备和存储介质 |
CN111598833B (zh) * | 2020-04-01 | 2023-05-26 | 江汉大学 | 一种目标样本瑕疵检测的方法、装置及电子设备 |
US10922788B1 (en) * | 2020-04-30 | 2021-02-16 | StradVision, Inc. | Method for performing continual learning on classifier in client capable of classifying images by using continual learning server and continual learning server using the same |
CN112232270A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于模型量化的mdssd人脸检测方法 |
CN112507833A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 人脸识别及模型训练的方法、装置、设备和存储介质 |
CN112784808A (zh) * | 2021-02-04 | 2021-05-11 | 江西江铃集团新能源汽车有限公司 | 远程人脸识别方法及系统 |
CN113657460A (zh) * | 2021-07-28 | 2021-11-16 | 上海影谱科技有限公司 | 一种基于Boosting的属性识别方法及装置 |
CN118487870B (zh) * | 2024-07-11 | 2024-09-10 | 广州大一互联网络科技有限公司 | 一种互联网流量安全防护方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090018980A1 (en) * | 2007-07-13 | 2009-01-15 | Microsoft Corporation | Multiple-instance pruning for learning efficient cascade detectors |
CN101620673A (zh) * | 2009-06-18 | 2010-01-06 | 北京航空航天大学 | 一种鲁棒的人脸检测及跟踪方法 |
CN101719222A (zh) * | 2009-11-27 | 2010-06-02 | 北京中星微电子有限公司 | 分类器训练方法和装置以及人脸认证方法和装置 |
CN102799871A (zh) * | 2012-07-13 | 2012-11-28 | Tcl集团股份有限公司 | 一种人脸跟踪识别的方法 |
CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
CN103164687A (zh) * | 2011-12-15 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种色情图像侦测的方法和系统 |
CN102013013B (zh) * | 2010-12-23 | 2013-07-03 | 华南理工大学广州汽车学院 | 疲劳驾驶监测方法 |
CN103218610A (zh) * | 2013-04-28 | 2013-07-24 | 宁波江丰生物信息技术有限公司 | 狗脸检测器的形成方法和狗脸检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7076473B2 (en) * | 2002-04-19 | 2006-07-11 | Mitsubishi Electric Research Labs, Inc. | Classification with boosted dyadic kernel discriminants |
US7536044B2 (en) * | 2003-11-19 | 2009-05-19 | Siemens Medical Solutions Usa, Inc. | System and method for detecting and matching anatomical structures using appearance and shape |
JP4482796B2 (ja) * | 2004-03-26 | 2010-06-16 | ソニー株式会社 | 情報処理装置および方法、記録媒体、並びにプログラム |
JP5025893B2 (ja) * | 2004-03-29 | 2012-09-12 | ソニー株式会社 | 情報処理装置および方法、記録媒体、並びにプログラム |
US7835549B2 (en) * | 2005-03-07 | 2010-11-16 | Fujifilm Corporation | Learning method of face classification apparatus, face classification method, apparatus and program |
US8015132B2 (en) * | 2008-05-16 | 2011-09-06 | Samsung Electronics Co., Ltd. | System and method for object detection and classification with multiple threshold adaptive boosting |
US8331655B2 (en) * | 2008-06-30 | 2012-12-11 | Canon Kabushiki Kaisha | Learning apparatus for pattern detector, learning method and computer-readable storage medium |
-
2013
- 2013-12-02 CN CN201310634252.5A patent/CN104680120B/zh not_active Expired - Fee Related
-
2014
- 2014-11-04 EP EP14191684.1A patent/EP2879078B1/en not_active Not-in-force
- 2014-12-02 US US14/558,414 patent/US9582710B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090018980A1 (en) * | 2007-07-13 | 2009-01-15 | Microsoft Corporation | Multiple-instance pruning for learning efficient cascade detectors |
CN101620673A (zh) * | 2009-06-18 | 2010-01-06 | 北京航空航天大学 | 一种鲁棒的人脸检测及跟踪方法 |
CN101719222A (zh) * | 2009-11-27 | 2010-06-02 | 北京中星微电子有限公司 | 分类器训练方法和装置以及人脸认证方法和装置 |
CN102013013B (zh) * | 2010-12-23 | 2013-07-03 | 华南理工大学广州汽车学院 | 疲劳驾驶监测方法 |
CN103164687A (zh) * | 2011-12-15 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种色情图像侦测的方法和系统 |
CN102799871A (zh) * | 2012-07-13 | 2012-11-28 | Tcl集团股份有限公司 | 一种人脸跟踪识别的方法 |
CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
CN103218610A (zh) * | 2013-04-28 | 2013-07-24 | 宁波江丰生物信息技术有限公司 | 狗脸检测器的形成方法和狗脸检测方法 |
Non-Patent Citations (3)
Title |
---|
DUC THANH NGUYEN等: "《OBJECT DETECTION USING NON-REDUNDANT LOCAL BINARY PATTERNS》", 《PROCEEDINGS OF 2010 IEEE 17TH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
JUN MENG等: "《Face Recognition based on Local Binary Patterns with Threshold》", 《2010 IEEE INTERNATIONAL CONFERENCE ON GRANULAR COMPUTING》 * |
LUN ZHANG等: "《Face Detection Based on Multi-Block LBP Representation》", 《LECTURE NOTES IN COMPUTER SCIENCE》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160295A (zh) * | 2015-07-14 | 2015-12-16 | 东北大学 | 一种面向大规模人脸数据库的快速高效人脸识别方法 |
CN105160295B (zh) * | 2015-07-14 | 2019-05-17 | 东北大学 | 一种面向大规模人脸数据库的快速高效人脸检索方法 |
CN105447511A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于Adaboost Haar-Like特征的SVM目标检测方法 |
CN105447511B (zh) * | 2015-11-15 | 2019-02-22 | 安徽清新互联信息科技有限公司 | 一种基于Adaboost Haar-Like特征的SVM目标检测方法 |
CN108351962A (zh) * | 2015-12-01 | 2018-07-31 | 英特尔公司 | 具有自适应性通道特征的对象检测 |
CN108351962B (zh) * | 2015-12-01 | 2022-05-10 | 英特尔公司 | 具有自适应性通道特征的对象检测 |
CN109034174A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
CN109034174B (zh) * | 2017-06-08 | 2021-07-09 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
CN107729947A (zh) * | 2017-10-30 | 2018-02-23 | 杭州登虹科技有限公司 | 一种人脸检测模型训练方法、装置和介质 |
CN110879972A (zh) * | 2019-10-24 | 2020-03-13 | 深圳云天励飞技术有限公司 | 一种人脸检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP2879078B1 (en) | 2017-02-22 |
US20150154441A1 (en) | 2015-06-04 |
EP2879078A2 (en) | 2015-06-03 |
EP2879078A3 (en) | 2015-08-19 |
US9582710B2 (en) | 2017-02-28 |
CN104680120B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680120A (zh) | 一种人脸检测的强分类器的生成方法及装置 | |
CN101937513B (zh) | 信息处理设备、信息处理方法 | |
CN107229932B (zh) | 一种图像文本的识别方法和装置 | |
CN106156766B (zh) | 文本行分类器的生成方法及装置 | |
CN110472642A (zh) | 基于多级注意力的细粒度图像描述方法及系统 | |
CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
CN104463128B (zh) | 用于人脸识别的眼镜检测方法及系统 | |
CN104850818A (zh) | 人脸检测器训练方法、人脸检测方法及装置 | |
CN113111968B (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
CN105117729A (zh) | 一种识别翻拍图像的方法和装置 | |
CN103136504A (zh) | 人脸识别方法及装置 | |
CN105320945A (zh) | 图像分类的方法及装置 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN113591508B (zh) | 基于人工智能目标识别的条码解码方法、装置及存储介质 | |
CN108647571A (zh) | 视频动作分类模型训练方法、装置及视频动作分类方法 | |
CN108229252A (zh) | 一种瞳孔定位方法及系统 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN103793694A (zh) | 一种基于多特征空间稀疏分类器的人脸识别方法 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN111723856A (zh) | 一种图像数据处理方法、装置、设备及可读存储介质 | |
CN112200218A (zh) | 一种模型训练方法、装置及电子设备 | |
CN104573722A (zh) | 基于三维点云的三维人脸种族分类装置和方法 | |
CN110532938B (zh) | 基于Faster-RCNN的纸质作业页码识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181019 |