CN106056101A - 用于人脸检测的非极大值抑制方法 - Google Patents

Abstract

用于人脸检测的非极大值抑制方法。现有非极大值抑制方法阻碍了检测精度的提高，无法为后期的目标跟踪或者其他的后期应用提供服务。本发明确定非极大值抑制的三步过程中，中层循环过程引入行人检测窗口的尺度比和检测窗口的分数比值，计算出当前测试图像的overlap，获得动态化overlap，在计算初始窗口和抑制窗口的面积重叠率O；统计抑制窗口的结果；比较抑制窗口和初始窗口的分数，抑制窗口和初始窗口的尺度相差；融合检测窗口尺度比和分数比的非极大值抑制算方法，计算重合面积的阈值overlap。本发明提高了检测精度，平均精度提高程度达16%。

Description

用于人脸检测的非极大值抑制方法

技术领域

本发明涉及一种用于人脸检测的非极大值抑制方法。

背景技术：

非极大值抑制(Non-Maximum, Suppression，NMS)是计算机视觉中的重要的一个环节，在许多计算机视觉任务中，经常用来在整个图像上提取有效的特征点，然后进行局部搜索，取出局部得分最高的特征点。在行人检测中，也可以将检测得到的包围预测盒的分数作为备选的值集合，从集合中找到最大值，即利用非极大值来来抑制多余的包围预测盒。大多数窗口抑制算法主要是根据固定阈值或者经验阈值，通用性比较差。目前最主要的有三类：启发式融合算法、均值漂移(mean-shift)非极大值抑制和贪心非极大值抑制，启发式窗口融合算法对人脸等检测效果很好，但对于行人检测并不适合。与人脸不同，行人窗口极易出现相重合的情况。对于行人检测，如果使用启发式窗口融合算法，显然这样容易造成大量漏检。而均值漂移计算过于复杂，用的也很少。因为贪心策略NMS简单高效，所以常用在目标检测中，行人检测过程中也常用。但是贪心NMS的问题在于，进行重复检测和误检的抑制的时候，所使用的面积重叠率是一个固定的值，抑制的数量有限，并且不能针对不同场景，不同姿态，不同比例的行人具有很好的普适性，影响了行人检测精度。

传统行人检测大致划分为3个阶段，在预处理阶段，准备好数据集，我们选择VOC2007数据集，这是PASCAL官方的数据集。在第一阶段中，主要的工作内容是对图像的特征进进行提取。第二阶段主要是利用预先通过训练数据集训练好的分类器对输入图像提取到的特征进行分类，主要是利用滑动窗口的方法，按照一定的步长去遍历整幅图像。对每一个窗口都给出一个评分，利用评分阈值来确定当前窗口是否包含有行人。第三步就是对检测的结果进行优化，主要的任务是去掉重复检测和误检测，主要是利用固定面积重叠率阈值的贪心非极大值抑制算法，由于使用的是单一的面积重叠率，不能很好的根据图像不同场景中行人的姿态，尺度来自适应的计算面积重叠率，阻碍了检测精度的提高，无法为后期的目标跟踪或者其他的后期应用打下一个很好的基础。

发明内容：

本发明的目的是提供一种用于人脸检测的非极大值抑制方法。

上述的目的通过以下的技术方案实现：

一种用于人脸检测的非极大值抑制方法，所述非极大值抑制方法通过以下步骤实现：

步骤一、确定非极大值抑制过程的三个循环嵌套，外层循环、中层循环和内层循环；其中，

外层循环的过程为，遍历所有窗口的分数并且按照分数由高到低将窗口排序，选择分数最高的作为初始窗口，其余窗口称为抑制窗口；

中层循环的过程为，引入行人检测窗口的尺度比和检测窗口的分数比值，计算出当前测试图像的overlap，获得动态化overlap，在计算初始窗口和抑制窗口的面积重叠率O；

内层循环的过程为，比较重叠率O和阈值overlap的大小，阈值；

其中，中层循环和内层循环迭代次数为n-1次，为初始窗口和抑制窗口做n-1次比较，并且n-1次比较后中层循环和内层循环；

步骤二、统计抑制窗口的结果；

步骤三、如果抑制窗口和初始窗口的分数相近，且抑制窗口和初始窗口的尺度相差较大，则存在尺度小的目标，

如果抑制窗口和初始窗口的分数相差较大，且抑制窗口和初始窗口的尺度相差也较大，则抑制窗口是误检窗口，当抑制窗口的尺度小于初始窗口的尺度时，降低阈值overlap的大小，；

步骤四、融合检测窗口尺度比和分数比的非极大值抑制算方法，利用公式：

（1）

计算重合面积的阈值overlap；其中，

表示初始窗口的分数；表示抑制窗口的分数；表示初始窗口的尺度；表示抑制窗口的尺度；表示固定参数；表示参数分数比分界点。

有益效果：

本发明在利用HOG+LBP特征的基础上结合SVM分类器，在行人检测系统的后处理过程中，提出了新的非极大值抑制方法，通过分析检测窗口的得分和平均精度之间的关系，发现抑制掉误检窗口和重复检测窗口对平均精度的提高影响很大，再根据检查窗口的尺度比和分数比，以及平均精度之间的关系，引入检测窗口的尺度比和分数比，同时通过实验分析尺度比和分数比的分界点，先在0-1之间找出合适的尺度分界点，然后固定尺度比分界点再在0-1之间寻找合适的分数比分界点。通过公式（1）可以实现面积重叠率的动态计算。最后提高了检测精度，平均精度mAP提高程度达16%。本发明提出的动态非极大值抑制算法还能应用到其他的检测系统中。

附图说明：

附图1是仿真实验过程中选择和参数对检测精度的影响；

附图2是仿真实验过程中固定参数之后，选择和参数分数比分界点对检测精度的影响；

附图3比较NMS和ANMS在INRIA数据集上，应用在不同系统：HOG+SVM+NMS，HOG+SVM+ANMS，HOG+LBP+SVM+NMS和HOG+LBP+SVM+ANMS上采用不同的非极大值抑制算法的检测精度曲线，横坐标是查全率，纵坐标是查准率。ANMS表示非极大值抑制。

具体实施方式：

具体实施方式一：

本实施方式的用于人脸检测的非极大值抑制方法，所述非极大值抑制方法通过以下步骤实现：

步骤一、确定非极大值抑制过程的三个循环嵌套，外层循环、中层循环和内层循环；其中，

外层循环的过程为，遍历所有窗口的分数并且按照分数由高到低将窗口排序，选择分数最高的作为初始窗口，其余窗口称为抑制窗口；

中层循环的过程为，引入行人检测窗口的尺度比和检测窗口的分数比值，计算出当前测试图像的overlap，获得动态化overlap，在计算初始窗口和抑制窗口的面积重叠率O；

内层循环的过程为，比较重叠率O和阈值overlap的大小，阈值；

其中，中层循环和内层循环迭代次数为n-1次，为初始窗口和抑制窗口做n-1次比较，并且n-1次比较后中层循环和内层循环；

由于窗口分数在外层循环经过排序，所以抑制窗口的分数总是比初始窗口的分数低，所以中环和内环迭代n-1次刚好就是初始窗口和抑制窗口做n-1次比较，并且n-1次比较后内环和中环中止。公式（1）说明了传统非极大值抑制中阈值overlap的大小。

步骤二、统计抑制窗口的结果；

步骤三、通过统计窗口抑制的结果发现，当抑制窗口的尺度和初始窗口的尺度相近，抑制效果较好，但是难以抑制尺度差异较大的检测窗口，且真实行人检测窗口的周围容易残存许多误检窗口，这些误检窗口分数小于包含行人的窗口，尺度小很多，但是，由于包含了行人的部分区域，会存在较大的重合面积，但却又未达到阈值。所以本发明在实现应用中考虑，但是还要考虑小尺度的目标，并重新考虑检测窗口分数，如果抑制窗口和初始窗口的分数相近，且抑制窗口和初始窗口的尺度相差较大，则存在尺度小的目标，

如果抑制窗口和初始窗口的分数相差较大，且抑制窗口和初始窗口的尺度相差也较大，则抑制窗口是误检窗口，当抑制窗口的尺度小于初始窗口的尺度时，降低阈值overlap的大小，；

步骤四、融合检测窗口尺度比和分数比的非极大值抑制算方法，利用公式：

（1）

计算重合面积的阈值overlap；其中，

表示初始窗口的分数；表示抑制窗口的分数；表示初始窗口的尺度；表示抑制窗口的尺度；表示固定参数；表示参数分数比分界点。

具体实施方式二：

与具体实施方式一不同的是，本实施方式的用于人脸检测的非极大值抑制方法，步骤三所述抑制窗口和初始窗口的分数相差较大，且抑制窗口和初始窗口的尺度相差也较大，则抑制窗口是误检窗口的过程为，

设=0.7为尺度比的分界点，=0.75为分数比的分界点为0.75；

当<且<时，分数比小于分界点且尺度比小于分界点，说明抑制窗口和初始窗口分数差距较大，且尺度也差距较大，则抑制窗口是误检窗口，阈值overlap需降低，需降低的阈值overlap通过公式（1）计算，得到动态的重叠率阈值；

同样，当<且≥时，分数比小于分界点，尺度比大于分界点，则抑制窗口是误检窗口，阈值确定为0.5。

实验仿真：

在win7环境下，CPU为Inter I3 2.6GHz，6Gbyte 的内存，matlab2014a上完成的。所有的计算都是在单线程上进行，将本发明方法在INRIA行人测试集上进行评估，因为INRIA中所有的测试图像都是自然条件下采集的，能更好的反映算法的改进效果。对于训练样本，行人的位置都用矩形标注，通过对样本进行平滑和下采样得到样本的高维特征，利用样本特征训练分类模型，最后再用模型在INRIA测试集进行分类，评估改进的非极大值抑制算法，总共用时一个小时左右。图1表示了选择和对检测精度的影响，选择测试系统为HOG+LBP特征，SVM分类器训练模型进行分类，再结合自适应的非极大值抑制(ANMS)，其中图1表示了选择参数尺度比分界点对检测精度的影响。可以看出从0-1的值中，当参数值为0.7时得到的检测精度最高，精度达到了0.39。图2图表示固定参数之后，选择参数分数比分界点对检测精度的影响，可以看出从0-1中，当参数值为0.75时检测精度最高，精度达到0.43。其中，图1和图2分别表示了选择和参数对检测精度的影响。

查全率和查准率是用来评价检测系统的评价指标，对于测试图像，使用滑动检测窗口在特征金字塔上遍历，按照固定步长遍历图像，对每个窗口的特征值进行评价，记录得分。图3表示了在INRIA数据集上的不同系统采用不同的非极大值抑制算法的检测精度曲线，横坐标是查全率，纵坐标是查准率。可以看出在采用动态阈值的非极大值抑制算法后，平均精度明显提高。当查全率为0.5的时候，HOG+SVM+NMS，HOG+SVM+ANMS，HOG+LBP+SVM+NMS，HOG+LBP+SVM+ANMS相应的查准率分别是，0.2431，0.4023，0.5120，0.7213。对于滑动检测窗口，ANMS算法可以抑制掉更多的误检窗口和重复检测的窗口。进一步提高检测精度。

Claims (2)

1.一种用于人脸检测的非极大值抑制方法，其特征在于：所述非极大值抑制方法通过以下步骤实现：

步骤一、确定非极大值抑制过程的三个循环嵌套，外层循环、中层循环和内层循环；其中，

外层循环的过程为，遍历所有窗口的分数并且按照分数由高到低将窗口排序，选择分数最高的作为初始窗口，其余窗口称为抑制窗口；

中层循环的过程为，引入行人检测窗口的尺度比和检测窗口的分数比值，计算出当前测试图像的overlap，获得动态化overlap，在计算初始窗口和抑制窗口的面积重叠率O；

内层循环的过程为，比较重叠率O和阈值overlap的大小，阈值；

其中，中层循环和内层循环迭代次数为n-1次，为初始窗口和抑制窗口做n-1次比较，并且n-1次比较后中层循环和内层循环；

步骤二、统计抑制窗口的结果；

步骤三、如果抑制窗口和初始窗口的分数相近，且抑制窗口和初始窗口的尺度相差较大，则存在尺度小的目标，

如果抑制窗口和初始窗口的分数相差较大，且抑制窗口和初始窗口的尺度相差也较大，则抑制窗口是误检窗口，当抑制窗口的尺度小于初始窗口的尺度时，降低阈值overlap的大小，；

步骤四、融合检测窗口尺度比和分数比的非极大值抑制算方法，利用公式：

（1）

计算重合面积的阈值overlap；其中，

表示初始窗口的分数；表示抑制窗口的分数；表示初始窗口的尺度；表示抑制窗口的尺度；表示固定参数；表示参数分数比分界点。

2.根据权利要求1所述的用于人脸检测的非极大值抑制方法，其特征在于：步骤三所述抑制窗口和初始窗口的分数相差较大，且抑制窗口和初始窗口的尺度相差也较大，则抑制窗口是误检窗口的过程为，

设=0.7为尺度比的分界点，=0.75为分数比的分界点为0.75；

当<且<时，分数比小于分界点且尺度比小于分界点，说明抑制窗口和初始窗口分数差距较大，且尺度也差距较大，则抑制窗口是误检窗口，阈值overlap需降低，需降低的阈值overlap通过公式（1）计算，得到动态的重叠率阈值；

同样，当<且≥时，分数比小于分界点，尺度比大于分界点，则抑制窗口是误检窗口，阈值确定为0.5。