CN105335684A - 人脸检测方法及装置 - Google Patents

Abstract

本发明是关于一种人脸检测方法及装置，将强分类器中的部分弱分类器构建成嵌套级联分类器，每一级嵌套级联分类器都能滤除一部分非人脸图像，从而通过较少的弱分类器过滤掉待检测图像中的部分非人脸图像，即利用较少的特征过滤掉部分非人脸图像，因此，提高了人脸检测速度。而且，人脸图像是在待检测图像需要通过强分类器中全部嵌套级联分类器之后才能确定，而每个嵌套级联分类器的功能相当于一个强分类器，能够单独检测待检测图像是否包含人脸，这样，相当于增加了强分类器的数量，因此，提高了人脸检测的准确率。

Description

人脸检测方法及装置

技术领域

本公开涉及人脸检测技术领域，尤其涉及一种人脸检测方法及装置。

背景技术

目前，主流的人脸检测算法主要包括Adaboost算法及其改进算法。Adaboost算法是一种迭代算法，其核心思想是针对训练样本集挑选特征，利用挑选的特征训练弱分类器，然后，把这些弱分类器构建成一个强分类器。

相关技术中的人脸检测方法，每个强分类器对应一个阈值，一旦根据样本集训练出强分类器之后，就不能动态调整强分类中包含的弱分类器的数量。这样，对于待检测图像中的矩形窗口，都需要经过强分类器中的全部弱分类器进行过滤，对于像素较大的待检测图像，包含的矩形窗口较多，每个矩形窗口都要经过很多个若分类器过滤，导致人脸检测速率大大降低。

发明内容

为克服相关技术中存在的问题，本公开提供一种人脸检测方法及装置。

根据本公开实施例的第一方面，提供一种人脸检测方法，包括：

将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

结合第一方面，在第一方面的第一种可能的实现方式中，所述方法还包括：

根据人脸检测指标，确定不同强分类器中嵌套级联分类器的数量，以提高过滤掉非人脸图像的速度；

所述人脸检测指标包括检测率、检测速度和误检率中的一种或任意多种组合；每个强分类器中所述嵌套级联分类器的数量大于等于零，且小于所述强分类器所包含弱分类器的数量。

结合第一方面，在第一方面的第二种可能的实现方式中，所述方法还包括：

在根据训练样本训练得到弱分类器时，存储各个弱分类器对应的阈值。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述将训练得到的强分类器中指定的弱分类器构建成嵌套级联分类器，采用如下方式：

利用强分类器中的第一级弱分类器到指定的弱分类器组合形成一个嵌套级联分类器，将所述指定的弱分类器的阈值作为所述嵌套级联分类器的阈值。

结合第一方面，在第一方面的第四种可能实现方式中，对于强分类器中级数大于1的嵌套级联分类器，所述利用所述嵌套级联分类器判断待检测图像中是否包含人脸，采用如下方式：

根据前一级嵌套级联分类器针对所述待检测图像的输出，以及所述当前嵌套级联分类器中的其它弱分类器针对所述待检测图像的输出，得到所述当前嵌套级联分类器针对所述待检测图像的输出；所述其它弱分类器是所述当前嵌套级联分类器包含的弱分类器中除所述前一级嵌套级联分类器包含的弱分类器之外的弱分类器；

将所述当前级嵌套级联分类器针对待检测图像的输出与所述当前级嵌套级联分类器的阈值进行比较；

当所述嵌套级联分类器的输出小于所述阈值时，确定所述待检测图像不包含人脸；

当所述嵌套级联分类器的输出不小于所述阈值时，继续利用下一级嵌套级联分类器判断所述待检测图像是否包含人脸，直到强分类器中的全部嵌套级联分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

根据本公开实施例的第二方面，提供一种人脸检测装置，包括：

构建单元，用于将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

判断单元，用于利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

第一确定单元，用于当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

第二确定单元，用于当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

结合第二方面，在第二方面的第一种可能实现方式中，所述装置还包括：

第三确定单元，用于根据人脸检测指标，调整不同强分类器中嵌套级联分类器的数量，以提高过滤掉非人脸图像的速度；

所述人脸检测指标包括检测率、检测速度和误检率中的一种或任意多种组合；每个强分类器中所述嵌套级联分类器的数量大于等于零，且小于所述强分类器所包含弱分类器的数量。

结合第二方面，在第二方面的第二种可能实现方式中，所述装置还包括：

存储单元，用于在根据训练样本训练得到弱分类器时，存储各个弱分类器对应的阈值。

结合第二方面第二种可能的实现方式，在第二方面的第三种可能实现方式中，所述构建单元包括：

组合子单元，利用强分类器中的第一级弱分类器到指定的弱分类器组合形成一个嵌套级联分类器，将所述指定的弱分类器的阈值作为所述嵌套级联分类器的阈值。

结合第二方面，在第二方面的第四种可能实现方式中，对于强分类器中级数大于1的嵌套级联分类器，所述判断单元包括：

分类器输出计算子单元，用于根据前一级嵌套级联分类器针对所述待检测图像的输出，以及所述当前嵌套级联分类器中的其它弱分类器针对所述待检测图像的输出，得到所述当前嵌套级联分类器针对所述待检测图像的输出；所述其它弱分类器是所述当前嵌套级联分类器包含的弱分类器中除所述前一级嵌套级联分类器包含的弱分类器之外的弱分类器；

比较子单元，用于将所述当前级嵌套级联分类器针对待检测图像的输出与所述当前级嵌套级联分类器的阈值进行比较；

第一确定子单元，用于当所述嵌套级联分类器的输出小于所述阈值时，确定所述待检测图像不包含人脸；

第二确定子单元，用于当所述嵌套级联分类器的输出不小于所述阈值时，继续利用下一级嵌套级联分类器判断所述待检测图像是否包含人脸，直到强分类器中的全部嵌套级联分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

根据本公开实施例的第三方面，提供一种终端设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：

将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

本公开的实施例提供的技术方案可以包括以下有益效果：将训练得到的强分类器中指定的弱分类器构建成嵌套级联分类器，其中，嵌套级联分类器的数量小于所述强分类器中所包含的弱分类器的数量；利用所述嵌套级联分类器判断待检测图中是否包含人脸图像；当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

相关技术中的人脸检测方案，需要利用强分类器中全部弱分类器才能滤掉部分非人脸，即利用全部弱分类器的特征滤掉非人脸。而本公开提供的人脸检测方法，将强分类器中的部分弱分类器构建成嵌套级联分类器，每一级嵌套级联分类器都能滤除一部分非人脸图像，换言之通过较少的弱分类器就能过滤掉待检测图像中的部分非人脸，即利用较少的特征过滤掉部分非人脸图像，因此，提高了人脸检测速度。而且，人脸图像是在待检测图像需要通过强分类器中全部嵌套级联分类器之后才能确定，而每个嵌套级联分类器的功能相当于一个强分类器，能够单独检测待检测图像是否包含人脸，这样，相当于增加了强分类器的数量，因此，提高了人脸检测的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种强分类器检测人脸的示意图；

图2是根据一示例性实施例示出的一种人脸检测方法的流程图；

图3是根据一示例性实施例示出的图2中步骤S120的流程图；

图4是根据一示例性实施例示出的另一种人脸检测方法的流程图；

图5是根据一示例性实施例示出的一种强分类器的示意图；

图6是根据一示例性实施例示出的又一种人脸检测方法的流程图；

图7是根据一示例性实施例示出的一种人脸检测装置的框图；

图8是根据一示例性实施例示出的另一种人脸检测装置的框图；

图9是根据一示例性实施例示出的另一种人脸检测装置的框图；

图10是根据一示例性实施例示出的一种用于人脸检测的装置的框图；

图11是根据一示例性实施例示出的另一种用于人脸检测的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

首先对本公开涉及的人脸检测算法的原理进行简单介绍：

对于待检测图像，人脸可能在待检测图像中不同的位置，而且，如果待检测图像中存在多个人脸时，人脸的大小可能不同，因此，需要遍历待检测图像中的每一个不同大小、不同位置的矩形窗口，利用分类器判断这些矩形窗口中是否包含人脸。

Adaboost算法是目前主流的人脸检测算法，Cascade分类器是基于Adaboost算法框架得到的分类器，Cascade分类器具有多个强分类器，每个强分类器具有多个弱分类器。

每个弱分类器就是特征(例如，haar-like特征、LBP特征、HOG特征等)集合中的某一个或一些特征，弱分类器判断待检测图像是否是人脸的过程，其实就是比较弱分类器的特征和待检测图像的特征。具体比较时，弱分类器需要首先确定一个阈值，比较待检测图像的特征值与所述阈值。

下面以RealAdaboost算法为例，介绍训练弱分类器的过程：首先根据一些特征构造一个弱分类器，然后，每个训练样本对应这个弱分类器都有一个输出值b，然后根据设定的检测率hitRate和虚警率FalseAlarm的值，选择一个满足条件的输出值b作为该弱分类器的阈值。例如，设定hitRate＝0.99，FalseAlarm＝0.1，即该弱分类器的阈值B使得100个正样本(人脸样本图像)中有99个被正确分类，100个负样本(非人脸样本图像)中有10个被错分类成正样本。如果选择的阈值B，使得FalseAlarm>0.1,因此需要继续训练确定最终的阈值B。其实训练最优弱分类器的过程就是寻找分类误差最小的阈值。

其中，弱分类器的构造过程如下：

(1)在分布D_t上，对于候选特征空间H中的每个特征构造其对应的弱分类器如下：

1)将样本空间分为n个不同的区间X₁，X₂，…，X_n，其中，X₁∪X₂…∪X_n＝X，而且， $X_i\underset{i\≠j}{\mathrm{\∩}}{X}_j=\mathrm{\Φ};$

2)在分布D_t上计算每个区间X_i对应的特征是人脸特征和非人脸的概率：

${W_l}^j=p(x_i\∈X_j,y_i=l)=\underset{x_i\∈X_j,y_i=1}{\mathrm{\Σ}}{D}_t\left(i\right)$ (式1)

其中，表示样本空间X_j为l的概率值，l＝±1，其中，若l＝1表明样本区间X_j是人脸特征，若l＝-1表明样本区间X_j是非人脸特征。

3)对于X_j中的每个x_i，设定其对应的弱分类器输出为：

$\∀x\∈X_j,$ 都有： $h\left(x\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^j+\mathrm{\ϵ}}{W_{-1}^j+\mathrm{\ϵ}}\right)$ (式2)

其中，表示样本区间X_j是人脸的概率，表示样本区间X_j是非人脸的概率；ε＜＜1/2N，引入ε是为了避免分母为零时引起的数字溢出。

4)计算分类误差Z

$Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{W}_{-1}^j}$ (式3)

(2)从构造的所有弱分类器中，选择使分类误差Z最小的h(x)作为此轮最终选择输出的弱分类器，即最优分类器：

h_t＝argminZ，其中，h∈H(式4)

训练强分类器就是对训练弱分类器的过程进行T轮迭代，得到T个最优弱分类器，然后，组合这T个最优弱分类器得到一个强分类器，每个强分类器包含一个阈值。如图1所示，一个Cascade分类器包含N个强分类器，图1中的1、2、N分别代表一个强分类器。对于待检测图像中的某个矩形窗口，只要有一个强分类器不能使该矩形窗口通过，则认为该矩形窗口不是人脸。

强分类器的构造过程如下：

(1)给定训练样本集合L＝{(x_i,y_i)}，其中，i＝1,2，…n；y_i是样本标号，其中，y_i∈{+1,-1}，y_i＝+1表明该训练样本是人脸样本，y_i＝-1表明该训练样本是非人脸样本；x_i是训练样本特征。

(2)训练样本的初始权重

(3)迭代次数t＝1,2，…T：

1)在概论分布D_t上，采用弱分类器构造选择算法，获取此轮最优的弱分类器，得到h_t：X→{-∞,+∞}；

2)更新训练样本的权重：

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}{Z_i}$ (式5)

其中，Z_t是归一化因子， $Z_t=\underset{i}{\mathrm{\Σ}}{D}_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))$ (式6)

(4)输出的强分类器

$H\left(x\right)=\mathrm{sign}(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{h}_t\left(x\right)-B)$ (式7)

其中，B为强分类器的阈值。

需要说明的是，本公开提供的人脸检测方法可以适用于任何基于Adaboost改进后的算法中。

本公开提供的人脸检测方式，是将强分类器中的部分弱分类器构建成嵌套级联分类器，只需要利用构成嵌套级联分类器的弱分类器检测待检测图像是否是人脸图像，嵌套级联分类器选用了强分类器中的部分弱分类器，即利用较少的弱分类器就能判断出非人脸图像，因此，提高了检测速度。

图2是根据一示例性实施例示出的一种人脸检测方法的流程图，如图2所示，所述方法应用于终端设备，所述方法可以包括步骤。

在步骤S110中，将强分类器中指定的弱分类器构建成嵌套级联分类器。

其中，所述强分类器中的每一级弱分类器，均继承其前一级弱分类器的训练结果训练得到，即后一级弱分类器包含前一级弱分类器的特征。所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量。即将强分类器中的至少两个弱分类器组合成一个嵌套级联分类器，嵌套级联分类器的功能与强分类器的功能相同，相当于增加了强分类器的数量，提高了人脸检测的准确率。与每个弱分类器都对待检测图像进行判断的情况(相当于每个弱分类器都是一个强分类器)相比，将至少两个弱分类器构建成一个嵌套级联分类器，相当于利用至少两个特征判断待检测图像是否是人脸图像，因此，能够提高检测准确率。

在本公开一示例性实施例中，利用强分类器中的第一级弱分类器到指定的弱分类器之间的全部弱分类器组合成一个嵌套级联分类器，所述嵌套级联分类器的阈值为所述指定的弱分类器对应的阈值。

假设每个强分类器具有10个弱分类器，分别指定10个弱分类器中的第1～3这3个弱分类器构成第一个嵌套级联分类器；第1～7这7个弱分类器构成第二个嵌套级联分类器；第1～10这10个弱分类器构成第三个嵌套级联分类器。

由于每一级弱分类器都继承了前一级弱分类器的训练结果，即后一级弱分类器的特征包含前一级弱分类器的特征，例如，第2个弱分类器包含第1个弱分类器的全部特征，第3个弱分类器的特征包含第1个和第2个弱分类器的全部特征，因此，第1个嵌套级联分类器的阈值为第3个弱分类器的阈值，第2个嵌套级联分类器的阈值为第7个弱分类器的阈值，第3个嵌套级联分类器的阈值为第10个弱分类器的阈值。即人脸检测时，只需判断待检测图像是否能通过第3、7、10个弱分类器。如果第1个嵌套级联分类器检测到待检测图像是非人脸图像，则直接将所述待检测图像过滤掉，无需再利用后级的嵌套级联分类器进行检测，相当于只利用了第1个嵌套级联分类器所包含的弱分类器就能过滤掉部分非人脸图像。一个完整的图像中大部分都是非人脸图像，通过较少的弱分类器就能过滤掉大部分的非人脸图像，因此，提高了检测速度。

弱分类器对应的阈值可以在训练弱分类器时就保存下来，可以只保存指定的弱分类器的阈值，例如第3、7、10个弱分类器的阈值。

在步骤S120中，利用所述嵌套级联分类器判断待检测图像中是否包含人脸。如果否，则执行步骤S130；如果是，则执行步骤S140。

嵌套级联分类器的功能相当于强分类器，比较待检测图像的特征值与所述嵌套级联分类器的阈值，如果特征值小于阈值，则判断出待检测图像是非人脸；如果特征值不小于阈值，则判断出待检测图像是人脸。

利用嵌套级联分类器判断待检测图像是否是人脸的过程实际是根据公式7计算待检测图像对应的H(x)，其中，T的数值为构成该嵌套级联分类器的弱分类器的数量，B为构成嵌套级联分类器的弱分类器中级别最高的弱分类器的阈值。

需要说明的是，本公开中的待检测图像可以指一个完整图像中的部分图像，即矩形窗口。由于一个完整的图像一般较大，将图像按照一定的规则划分成多个矩形窗口，分别判断构成待检测图像中的各个矩形窗口是否包含人脸。

在本公开的一个实施例中，如图3所示，步骤S120可以包括步骤S121～S124：

在步骤S121中，根据前一级嵌套级联分类器针对所述待检测图像的输出，以及所述当前嵌套级联分类器中的其它弱分类器针对所述待检测图像的输出，得到所述当前嵌套级联分类器针对所述待检测图像的输出。

所述其它弱分类器是所述当前嵌套级联分类器包含的弱分类器中除所述前一级嵌套级联分类器包含的弱分类器之外的弱分类器。

假设1～3个弱分类器构成第一个嵌套级联分类器，1～7个弱分类器构成第二个嵌套级联分类器，1～10个弱分类器构成第三个嵌套级联分类器。利用第一个嵌套级联分类器判断待检测图像是否是人脸时，需要计算待检测图像分别针对第1～3个弱分类器的输出值；当利用第二个嵌套级联分类器判断待检测图像是否是人脸时，直接利用前面计算得到的第1～3个弱分类器的输出值，只需计算待检测图像分别针对第4～7个弱分类器的输出值，得到待检测图像针对第1～7个弱分类器的输出值，同理，当利用第三个嵌套级联分类器判断待检测图像是否是人脸时，直接利用第二个嵌套级联分类器计算得到的第1～7个弱分类器的输出值，只需计算待检测图像分别针对第8～10个弱分类器的输出值，得到待检测图像针对第1～10个弱分类器的输出值。

在步骤S122中，将所述当前级嵌套级联分类器针对待检测图像的输出与所述当前级嵌套级联分类器的阈值进行比较；如果嵌套级联分类器的输出小于所述阈值，则执行步骤S123；如果嵌套级联分类器的输出不小于所述阈值，则执行步骤S124。

延用上述的实例，对于第一个嵌套级联分类器，计算其中，B3是第3个弱分类器对应的阈值，计算结果不小于0，则判断出所述待检测图像是人脸。对于第二个嵌套级联分类器，计算其中，B7是第7个弱分类器对应的阈值，如果计算结果小于0，则判断出所述待检测图像是非人脸，无需经过后续的嵌套级联分类器进行判断。对于第三个嵌套级联分类器，计算 其中B10是第10个弱分类器对应的阈值，如果计算结果不小于0，则判断出所述待检测图像是人脸。

在步骤S123中，确定所述待检测图像不包含人脸。

强分类器中的任意一个嵌套级联分类器判断出待检测图像不包含人脸时，则确定待检测图像是非人脸，不需再经过后续嵌套级联分类器进行检测，即利用较少的弱分类器就能过滤掉部分非人脸的图像。

例如，第一个嵌套级联分类器判断出待检测图像不包含人脸时，不需要第二个嵌套级联分类器和第三个嵌套级联分类器再对待检测图像进行判断，即通过第1～3个弱分类器就判断出待检测图像不包含人脸。

在步骤S124中，继续利用下一级嵌套级联分类器判断所述待检测图像是否包含人脸，直到强分类器中的全部嵌套级联分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，在步骤S130中，确定所述待检测图像不包含人脸。

强分类器中的多个嵌套级联分类器中，只要有一个嵌套级联分类器判断出待检测图像是非人脸则最终确定该待检测图像是非人脸。

当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，在步骤S140中，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，则确定所述待检测图像包含人脸。

如果强分类器中的某一嵌套级联分类器判断出待检测图像的特征值不小于该嵌套级联分类器的阈值时，判断出该待检测图像包含人脸，继续由下一级嵌套级联分类器判断该待检测图像是否包含人脸，直到所述强分类器中的全部嵌套级联分类器均判断出所述待检测图像是人脸，则该强分类器最终确定所述待检测图像是人脸。

多级强分类器，一个强分类器判断出待检测图像是人脸时，继续由下一级强分类器判断所述待检测图像是否是人脸，直到全部的强分类器均判断出所述待检测图像是人脸，最终确定所述待检测图像是人脸。

本实施例提供的人脸检测方法，将强分类器中的部分弱分类器构建成嵌套级联分类器，只需用构建成嵌套级联分类器的弱分类器判断待检测图像是否是人脸，不必利用强分类器中的全部弱分类器来判断，从而通过较少的弱分类器过滤掉待检测图像中的大部分非人脸图像，即利用较少的特征过滤掉大部分非人脸，因此，提高了人脸检测速度。而且，人脸图像是在待检测图像需要通过强分类器中全部嵌套级联分类器之后才能确定，而每个嵌套级联分类器的功能相当于一个强分类器，能够单独检测待检测图像是否包含人脸，这样，相当于增加了强分类器的数量，因此，提高了人脸检测的准确率。

图4是根据一示例性实施例示出的又一种人脸检测方法的流程图，如图4所示，所述方法在图2所示实施例中的步骤S110之后，增加步骤S150。

在步骤S150中，根据人脸检测指标，确定不同强分类器中嵌套级联分类器的数量，以提高过滤掉非人脸图像的速度。

所述人脸检测指标包括检测率、检测速度和误检率中的一种或任意多种组合。

请参见图5，假设每个强分类器中弱分类器的数量是10个。为了使前几级的强分类器能够过滤掉更多的非人脸图像，即提高过滤掉非人脸图像的速度，则可以在前几级强分类器中构建嵌套级联分类器的数量大于后级的强分类器中的嵌套级联分类器的数量。例如，强分类器1的嵌套级联分类器的数量设置为4个，构成这4个嵌套级联分类器的弱分类器分别是1～3、1～5、1～7和1～10。强分类器2的嵌套级联分类器的数量设置为3个；强分类器3中嵌套级联分类器的数量设置为2个，后续的强分类器不设置嵌套级联分类器。利用强分类器1～3就能滤掉大部分的非人脸图像，后续的强分类器无需再构建嵌套级联分类器。

本实施提供的人脸检测方法，在包含多级强分类器的应用场景下，为了进一步提高检测速度，可以在前几级强分类器中设置较多的嵌套级联分类器，在后几级强分类器中设置少量的嵌套分类器或不设置嵌套级联分类器，则通过前几级的强分类器能够滤掉大部分的非人脸图像。减少后几级的强分类器中的嵌套级联分类器的数量，相当于减少了检测次数，因此，提高了检测速度。

图6是根据一示例性实施例示出的又一种人脸检测方法，在图2所示实施例的基础上还可以包括步骤S210。

在步骤S210中，在根据训练样本训练弱分类器时，存储各个弱分类器对应的阈值。

存储每个弱分类器的阈值，可以直接根据弱分类器的阈值调整嵌套级联分类器。例如，强分类器中1～3、1～7、1～10弱分类器分别构成三个嵌套级联分类器，可以利用保存的弱分类器的阈值，指定其中的任意的弱分类器构成嵌套级联分类器，例如，可以将该强分类器中嵌套级联分类器调整为分别由1～2、1～5、1～7和1～10构成的四个嵌套级联分类器。

本实施例提供的人脸检测方法，在训练弱分类器时就保存各个弱分类器的阈值，以便于调整强分类器中嵌套级联分类器的数量和所构成的弱分类器。

相应于上述的人脸检测方法实施例，本公开还提供了人脸检测装置实施例。

图7是根据一示例性实施例示出的一种人脸检测装置的框图。参照图7，该装置包括：构建单元110、判断单元120、第一确定单元130和第二确定单元140。

构建单元110被配置为将强分类器中指定的弱分类器构建成嵌套级联分类器。

其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；所述强分类器中的每一级弱分类器，均继承当前级弱分类器的前一级弱分类器的训练结果训练得到。

在本公开的一个实施例中，所述构建单元包括：组合子单元，利用强分类器中的第一级弱分类器到指定的弱分类器组合形成一个嵌套级联分类器，将所述指定的弱分类器的阈值作为所述嵌套级联分类器的阈值。

判断单元120被配置为利用所述嵌套级联分类器判断待检测图像中是否包含人脸。

对于强分类器中级数大于1的嵌套级联分类器，所述判断单元包括：分类器输出计算子单元、比较子单元、第一确定子单元和第二确定子单元。

分类器输出计算子单元被配置为根据前一级嵌套级联分类器针对所述待检测图像的输出，以及所述当前嵌套级联分类器中的其它弱分类器针对所述待检测图像的输出，得到所述当前嵌套级联分类器针对所述待检测图像的输出；所述其它弱分类器是所述当前嵌套级联分类器包含的弱分类器中除所述前一级嵌套级联分类器包含的弱分类器之外的弱分类器；

比较子单元被配置为将所述当前级嵌套级联分类器针对待检测图像的输出与所述当前级嵌套级联分类器的阈值进行比较；

第一确定子单元被配置为当所述嵌套级联分类器的输出小于所述阈值时，确定所述待检测图像不包含人脸；

第二确定子单元被配置为当所述嵌套级联分类器的输出不小于所述阈值时，继续利用下一级嵌套级联分类器判断所述待检测图像是否包含人脸，直到强分类器中的全部嵌套级联分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

第一确定单元130被配置为当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

第二确定单元140被配置为当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

本实施例提供的人脸检测装置，将强分类器中的部分弱分类器构建成嵌套级联分类器，只需用构建成嵌套级联分类器的弱分类器判断待检测图像是否是人脸，不必利用强分类器中的全部弱分类器来判断，从而通过较少的弱分类器过滤掉待检测图像中的部分非人脸，即利用较少的特征过滤掉部分非人脸，因此，提高了人脸检测速度。而且，人脸图像是在待检测图像需要通过强分类器中全部嵌套级联分类器之后才能确定，而每个嵌套级联分类器的功能相当于一个强分类器，能够单独检测待检测图像是否包含人脸，这样，相当于增加了强分类器的数量，因此，提高了人脸检测的准确率。

请参见图8，在图7所示的装置的基础上，还可以包括第三确定单元150。

该第三确定单元150被配置为根据人脸检测指标，调整不同强分类器中嵌套级联分类器的数量，以提高前级的强分类器过滤掉非人脸图像的数量。

所述人脸检测指标包括检测率、检测速度和误检率中的一种或任意多种组合；每个强分类器中所述嵌套级联分类器的数量大于等于零，且小于所述强分类器所包含弱分类器的数量。

本实施例提供的人脸检测装置，在包含多级强分类器的应用场景下，为了进一步提高检测速度，可以在前几级强分类器中设置较多的嵌套级联分类器，在后几级强分类器中设置少量的嵌套分类器或不设置嵌套级联分类器，则通过前几级的强分类器能够滤掉大部分的非人脸图像。减少后几级的强分类器中的嵌套级联分类器的数量，相当于减少了检测次数，因此，提高了检测速度。

请参见图9，在图7所示的装置的基础上还可以包括存储单元210。

存储单元210被配置为在根据训练样本训练得到弱分类器时，存储各个弱分类器对应的阈值。在训练弱分类器时就保存各个弱分类器的阈值，以便于调整强分类器中嵌套级联分类器的数量和所构成的弱分类器。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图10是根据一示例性实施例示出的一种用于人脸检测的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图10，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种人脸检测方法，所述方法包括：

将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

图11是根据一示例性实施例示出的一种用于人脸检测的装置1900或用于人脸检测方法的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图11，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行前文中所述的各种方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由上面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (11)

1.一种人脸检测方法，其特征在于，包括：

将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

2.根据权利要求1所述方法，其特征在于，所述方法还包括：

根据人脸检测指标，确定不同强分类器中嵌套级联分类器的数量，以提高过滤掉非人脸图像的速度；

所述人脸检测指标包括检测率、检测速度和误检率中的一种或任意多种组合；每个强分类器中所述嵌套级联分类器的数量大于等于零，且小于所述强分类器所包含弱分类器的数量。

3.根据权利要求1所述方法，其特征在于，所述方法还包括：

在根据训练样本训练得到弱分类器时，存储各个弱分类器对应的阈值。

4.根据权利要求3所述方法，其特征在于，所述将训练得到的强分类器中指定的弱分类器构建成嵌套级联分类器，采用如下方式：

利用强分类器中的第一级弱分类器到指定的弱分类器组合形成一个嵌套级联分类器，将所述指定的弱分类器的阈值作为所述嵌套级联分类器的阈值。

5.根据权利要求1所述的方法，其特征在于，对于强分类器中级数大于1的嵌套级联分类器，所述利用所述嵌套级联分类器判断待检测图像中是否包含人脸，采用如下方式：

根据前一级嵌套级联分类器针对所述待检测图像的输出，以及所述当前嵌套级联分类器中的其它弱分类器针对所述待检测图像的输出，得到所述当前嵌套级联分类器针对所述待检测图像的输出；所述其它弱分类器是所述当前嵌套级联分类器包含的弱分类器中除所述前一级嵌套级联分类器包含的弱分类器之外的弱分类器；

将所述当前级嵌套级联分类器针对待检测图像的输出与所述当前级嵌套级联分类器的阈值进行比较；

当所述嵌套级联分类器的输出小于所述阈值时，确定所述待检测图像不包含人脸；

当所述嵌套级联分类器的输出不小于所述阈值时，继续利用下一级嵌套级联分类器判断所述待检测图像是否包含人脸，直到强分类器中的全部嵌套级联分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

6.一种人脸检测装置，其特征在于，包括：

构建单元，用于将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

判断单元，用于利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

第一确定单元，用于当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

第二确定单元，用于当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第三确定单元，用于根据人脸检测指标，调整不同强分类器中嵌套级联分类器的数量，以提高过滤掉非人脸图像的速度；

所述人脸检测指标包括检测率、检测速度和误检率中的一种或任意多种组合；每个强分类器中所述嵌套级联分类器的数量大于等于零，且小于所述强分类器所包含弱分类器的数量。

8.根据权利要求6所述装置，其特征在于，所述装置还包括：

存储单元，用于在根据训练样本训练得到弱分类器时，存储各个弱分类器对应的阈值。

9.根据权利要求8所述装置，其特征在于，所述构建单元包括：

组合子单元，利用强分类器中的第一级弱分类器到指定的弱分类器组合形成一个嵌套级联分类器，将所述指定的弱分类器的阈值作为所述嵌套级联分类器的阈值。

10.根据权利要求6所述的装置，其特征在于，对于强分类器中级数大于1的嵌套级联分类器，所述判断单元包括：

分类器输出计算子单元，用于根据前一级嵌套级联分类器针对所述待检测图像的输出，以及所述当前嵌套级联分类器中的其它弱分类器针对所述待检测图像的输出，得到所述当前嵌套级联分类器针对所述待检测图像的输出；所述其它弱分类器是所述当前嵌套级联分类器包含的弱分类器中除所述前一级嵌套级联分类器包含的弱分类器之外的弱分类器；

比较子单元，用于将所述当前级嵌套级联分类器针对待检测图像的输出与所述当前级嵌套级联分类器的阈值进行比较；

第一确定子单元，用于当所述嵌套级联分类器的输出小于所述阈值时，确定所述待检测图像不包含人脸；

第二确定子单元，用于当所述嵌套级联分类器的输出不小于所述阈值时，继续利用下一级嵌套级联分类器判断所述待检测图像是否包含人脸，直到强分类器中的全部嵌套级联分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。

11.一种终端设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

将强分类器中指定的弱分类器构建成嵌套级联分类器，其中，所述嵌套级联分类器的数量小于所述强分类器所包含的弱分类器的数量；

利用所述嵌套级联分类器判断待检测图像中是否包含人脸；

当所述强分类器中的任意一个嵌套级联分类器判断出所述待检测图像不包含人脸时，确定所述待检测图像不包含人脸；

当所述强分类器中的全部嵌套级联分类器判断出所述待检测图像包含人脸时，继续利用下一级强分类器判断所述待检测图像是否包含人脸，直到全部强分类器均判断出所述待检测图像包含人脸，确定所述待检测图像包含人脸。