CN106599778A

CN106599778A - 一种快速精确的人脸检测方法

Info

Publication number: CN106599778A
Application number: CN201610953612.1A
Authority: CN
Inventors: 方承志; 宦太杰; 袁海峰
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University; Nanjing University of Posts and Telecommunications
Priority date: 2016-11-03
Filing date: 2016-11-03
Publication date: 2017-04-26

Abstract

本发明公开了一种快速精确的人脸检测方法，该方法包括如下步骤：步骤1：在CMYK、HSV、YCbCr颜色空间下分别设置肤色分割的阈值，并将得到的三个阈值进行并操作，取并操作后的阈值作为肤色检测的阈值；步骤2：用并操作后的阈值对输入图像进行肤色分割预处理，获取人脸检测候选区域；步骤3：使用MWR‑AdaBoost算法对候选区域进行人脸检测，并在图像中标记出人脸区域。本发明利用CMYK、HSV、YCbCr三种颜色空间肤色分割阈值的并操作对图像进行预处理得到候选区域，改善了单一颜色空间肤色分割容易遗漏复杂场景下人脸候选区域的情况；再使用MWR‑AdaBoost算法对候选区域进行人脸检测,抑制了AdaBoost算法对经过肤色处理后图像产生的退化现象。通过本发明方法，可以快速精确的完成人脸检测。

Description

一种快速精确的人脸检测方法

技术领域：

本发明一种快速精确的人脸检测方法属于图像模式识别技术领域。

背景技术：

人脸是一个人最显著的特征，即使两人是双胞胎，他们的脸部依旧会有细微差异，因此，在当今智能信息的时代，人脸提供了大量有价值的信息。近年来，对于人脸识别的研究越来越受到重视，由于人脸识别所具有的自然性优势以及不被被测个体察觉等特点，被广泛应用于门禁系统、摄像监视系统等方面。

人脸检测是人脸识别的关键环节，人脸识别的前提就是在背景图像中精确定位出人脸所处的区域。由于人脸是一类具有相当复杂细节变化的自然结构目标，人脸的五官“眼、耳、鼻、口、眉”影响着容貌面部特征，情绪的不同，五官形状也相应会有很大变化，不同的人脸其轮廓也不尽相同等等因素也为人脸检测带来了很大的挑战。Paul Viola和Michael Jones提出的AdaBoost算法在人脸检测领域具有很重要的代表性，但由于其算法计算比较复杂，有较多冗余计算，在复杂场景时检测速度相对比较低。随后出现的基于单一颜色空间肤色分割预处理的方法虽然在一定程度上提升了AdaBoost算法的检测速度，但却容易遗漏人脸候选区域，并且AdaBoost算法对于肤色分割所获取候选区域的检测具有一定程度的退化现象，即检测时精确性有所下降，容易发生误检。因此在复杂场景情况下如何快速精确的检测人脸成为了人脸检测系统所需要考虑的问题。而本发明能够很好地解决上面的问题。

发明内容：

本发明目的在于针对上述现有技术的不足，提出了一种快速精确的人脸检测方法，该方法能够在复杂场景下，能够快速精确地检测人脸。

本发明解决其技术问题所采取的技术方案是：一种快速精确的人脸检测方法，该方法包括如下步骤：

步骤1：在CMYK、HSV、YCbCr颜色空间下分别设置肤色分割的阈值，并将得到的三个阈值进行并操作，取并操作后的阈值作为肤色检测的阈值；

步骤2：用并操作后的阈值对输入图像进行肤色分割预处理，获取人脸检测候选区域；

步骤3：使用MWR-AdaBoost算法对候选区域进行人脸检测，并在图像中标记出人脸区域。

进一步地，本发明首先输入图像，利用CMYK、HSV、YCbCr三种颜色空间肤色分割阈值的并操作对图像进行预处理得到候选区域，在此基础上再使用MWR-AdaBoost算法对候选区域进行人脸检测。

进一步地，本发明肤色分割阈值并操作获取候选区域的方式，步骤如下：肤色分割阈值并操作获取候选区域的方式，步骤如下：

(1)将输入图像的RGB颜色空间分别转换至CMYK、HSV、YCbCr三种颜色空间；

(2)分别对CMYK、HSV、YCbCr三种颜色空间选取肤色分割阈值；

(3)对三种颜色空间的分割阈值进行并操作，采用并操作后的阈值进行肤色检测，得到人脸候选区域。

更进一步地说：

CMYK、HSV以及YCbCr三个颜色空间，其对应阈值分割公式分别为：

将三个颜色空间肤色分割的阈值进行并操作，根据并操作后的阈值分割来获取人脸候选区域。

更进一步地，本发明的MWR-AdaBoost算法是在AdaBoost方法的基础上，采用了新型的权重更新方法：将样本到阈值的距离增加到权重更新，使得当分类正确时，样本距离阈值越近权重越小，当分类错误时，样本距离阈值越近权重越大。

MWR-AdaBoost算法步骤如下：

训练样本为：(x₁,y₁)…(x_N,y_N)，其中：N＝l+m,l是正样本数量，m是负样本数量，y_i∈{+1,-1}分别用来标记x_i是正样本或负样本。

初始化权重：

进行T轮训练:

(1)对于每一轮训练都找出一个性能最好的弱分类器，使得加权分类误差ε_t最小的弱分类器既为性能最好的弱分类器：

按照加权分类误差ε_t最小的准则，找出每轮训练时性能最好的弱分类器：h_t(x)＝h(x,f_t,p_t,θ_t)，其中f_t为特征p_t为极性θ_t为阈值，f_t,p_t,θ_t的取值为使得加权误差ε_t最小；

(2)对于每一轮训练都计算

(3)将样本到阈值的距离增加到权重更新，由此更新此轮训练权重：

其中F＝MAX{f(x_i)}，Z_t是使的归一化因子；

当对样本正确分类时，y_ih_i(x_i)＝1，则有：

如果f(x_i)＞f(x_j)，那么w_t+1,i＜w_t+1,j；

当对样本错误分类时，y_ih_i(x_i)＝-1，则有：

如果f(x_i)＞f(x_j)，那么w_t+1,i＞w_t+1,j；

完成T轮训练后，最后得到的强分类器为：

有益效果：

1、本发明对CMYK、HSV、YCbCr三种颜色空间肤色分割的阈值进行并操作，根据并操作后的阈值来分割图像获取候选区域，相比较单一颜色空间的肤色分割，提升了获取人脸检测候选区域的精确性；

2、在现实复杂场景中，人脸区域往往只占图像中很小的一部分，本发明采用了CMYK、HSV、YCbCr三种颜色空间的肤色分割来获取人脸检测候选区域，在人脸检测时只需对候选区域进行检测，而未经肤色分割的AdaBoost算法则需要检测整幅图像，相比较之下，三颜色空间的肤色分割提升了人脸检测时的速度。

3、本发明采用了MWR-AdaBoost算法，即将样本到阈值的距离结合到AdaBoost算法的权重更新中去，抑制了AdaBoost算法对经过肤色分割预处理后的图像进行人脸检测时，对人脸相似区域所产生的退化现象。

4、将三颜色空间肤色分割阈值的并操作与MWR-AdaBoost算法这两者相结合的方法用于人脸检测，大幅降低了检测时的计算复杂度和误检率。

附图说明

图1为本发明的方法流程图。

图2为采用CMYK、HSV、YCbCr三颜色空间阈值并操作处理后效果图。

图3为haar-like特征的5种形式示意图。

图4为弱分类器级联构成强分类器流程图。

图5为采用本方法进行人脸检测的最终效果图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明.

本发明人脸检测流程图如图1所示，下面对本发明的人脸检测方法做详细说明。

1、阈值并操作肤色分割

首先对输入样本图像，将RGB颜色空间分别转换为CMYK，HSV和YCbCr颜色空间。

CMYK、HSV以及YCbCr三个颜色空间所对应的阈值分割公式分别为：

将CMYK、HSV以及YCbCr三个颜色空间肤色分割的阈值进行并操作，根据并操作后的阈值来分割图像获取人脸候选区域。肤色分割后效果如图2所示。

2、构造MWR-AdaBoost人脸检测器

A、弱分类器的构造

(1)构造haar-like矩形特征，用于反映人脸的局部特征，主要采取5种haar-like特征，如图3所示。

(2)对于每个候选区域，选取haar-like特征，使用积分图法计算出haar-like特征值，其特征值为用haar-like特征白色矩形区域内的像素总和减去黑色矩形区域内的像素总和的差值。计算出所有样本的特征值，并将这些特征值按从小到大的顺序排序，对于排序后的每一个样本特征值，都计算如下项：全部人脸样本的权重和T⁺；全部非人脸样本的权重和T^-；在此样本特征值之前的人脸样本权重和S⁺；在此样本特征值之前的全部非人脸样本权重和S^-。

(3)求得阈值分类误差：e＝min(S⁺+(T^--S^-),S^-+(T⁺-S⁺))，则使阈值分类误差e最小的特征值即为弱分类器分类阈值。

(4)从而得到弱分类器为：

B、强分类器的构造

(1)、给定N个训练样本：(x₁,y₁),(x₂,y₂),…,(x_N,y_N)，其中N＝l+m,y_i∈{+1,-1}，l是代表人脸的正样本数量，m是代表非人脸的负样本数量，y_i＝+1标记样本x_i为人脸，y_i＝-1标记样本x_i为非人脸。

(2)、初始化权重：

(3)、进行T轮训练，每一轮训练都计算如下步骤：

a)选择最优弱分类器，使其加权误差ε_t最小：

也就是找出使得加权误差ε_t最小的f_t,p_t,θ_t，则性能最好的弱分类器h_t(x)为：

h_t(x)＝h(x,f_t,p_t,θ_t)

b)对于每一轮训练都计算

c)将样本到阈值的距离增加到权重更新，由此更新训练权重：

其中F＝MAX{f(x_i)}；Z_t是使的归一化因子。

当对样本正确分类时，y_ih_i(x_i)＝1，则有：

如果f(x_i)＞f(x_j)，那么w_t+1,i＜w_t+1,j；

当对样本错误分类时，y_ih_i(x_i)＝-1，则有：

如果f(x_i)＞f(x_j)，那么w_t+1,i＞w_t+1,j；

(4)训练T轮后，最终得到的强分类器为：

C、级联强分类器

将若干个强分类器由简单到复杂排列，经过训练使得每个强分类器都有较高检测率，同时适当放低误识率，这样将若干个强分类器级联，就构成了MWR-AdaBoost人脸检测器。级联结构如图4所示，前面的强分类器比较简单，包含的弱分类器较少，越往后强分类器越复杂，只有通过一级强分类器后才能进入到下一级的判断，并且只有当候选区域通过所有的强分类器后，才能认为该区域是人脸区域，否则便不是人脸区域。

3、检测当前区域人脸

将经过阈值并操作肤色分割处理所获取的候选区域输入到MWR-AdaBoost人脸检测器，在这些候选区域中检测人脸，并将人脸位置标记出来，最终检测效果如图5所示。

Claims

1.一种快速精确的人脸检测方法，其特征在于：所述方法包括如下步骤：

2.根据权利要求1中所述的一种快速精确的人脸检测方法，其特征在于：所述方法首先采用CMYK、HSV、YCbCr三种颜色空间肤色分割阈值的并操作对输入图像进行预处理得到候选区域；在此基础上使用的MWR-AdaBoost算法对候选区域进行人脸检测。

3.根据权利要求2中所述的一种快速精确的人脸检测方法，其特征在于所述肤色分割阈值的并操作选取候选区域的方式，包括如下步骤：

(2)分别对转换后的CMYK、HSV、YCbCr三种颜色空间选取肤色分割阈值；

4.根据权利要求3中所述的一种快速精确的人脸检测方法，其特征在于：所述的候选区域的选择方式包括：

CMYK、HSV以及YCbCr这三个颜色空间，其对应肤色阈值分割公式分别为：

C M Y K : \{\begin{matrix} K > 205 \\ 0 \leq C \leq 0.05 \\ 0.089 < Y < 1 \\ 0 \leq C / Y < 1 \\ 0.1 < Y / M < 4.8 \end{matrix}; H S V : \{\begin{matrix} H < 25 \\ H > 230 \end{matrix}; Y C b C r : \{\begin{matrix} C r \leq 1.5862 \times C b + 20 \\ C r &GreaterEqual; 0.3448 \times C b + 76.2069 \\ C r &GreaterEqual; - 4.5652 \times C b + 234.5652 \\ C r \leq - 1.15 \times C b + 301.75 \\ C r \leq - 2.2857 \times C b + 432.85 \end{matrix}

5.根据权利要求1中所述的一种快速精确的人脸检测方法，其特征在于：所述MWR-AdaBoost算法是在AdaBoost方法的基础上，采用了新的权重更新方法：将样本到阈值的距离增加到权重更新，使得当分类正确时，样本距离阈值越近权重越小，当分类错误时，样本距离阈值越近权重越大。

6.根据权利要求1中所述的一种快速精确的人脸检测方法，其特征在于：所述MWR-AdaBoost算法包括如下步骤：

(1)输入训练样本，训练样本为：(x₁,y₁),…,(x_N,y_N)，其中：N＝l+m；l是正样本数量，m是负样本数量；y_i∈{+1,-1}分别用来标记x_i是正样本或负样本；

(2)初始化权重为：

(3)进行T轮训练；

A、每一轮训练都找出一个性能最好的弱分类器h(x)，使得加权分类误差ε_t最小的弱分类器既为性能最好的弱分类器：

ϵ_{t} = \min_{f, p, θ} {Σ_{j = 1}^{N} ω_{j} I_{{h (x_{j}, f, p, θ) = - 1, y_{j} = 1}} (x_{j}) + Σ_{j = 1}^{N} ω_{j} I_{{h (x_{j}, f, p, θ) = 1, y_{j} = - 1}} (x_{j})}

按照加权分类误差ε_t最小的准则，找出每轮训练时性能最好的弱分类器:h_t(x)＝h(x,f_t,p_t,θ_t)，其中f_t为特征p_t为极性θ_t为阈值，f_t,p_t,θ_t的取值为使得加权误差ε_t最小；

B、对于每一轮训练都计算

C、将样本到阈值的距离增加到权重更新中去，由此更新此轮训练权重：

其中，F＝MAX{f(x_i)}；Z_t是使的归一化因子；

当对样本正确分类时，y_ih_i(x_i)＝1，则有：

如果f(x_i)＞f(x_j)，那么w_t+1,i＜w_t+1,j；

当对样本错误分类时，y_ih_i(x_i)＝-1，则有：

如果f(x_i)＞f(x_j)，那么w_t+1,i＞w_t+1,j；

(4)训练T轮后，最后得到的强分类器为：