CN107729877A - 一种基于级联分类器的人脸检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于级联分类器的人脸检测方法及装置，通过将级联分类器分组，使每个弱分类器对应一个特征提取半径与一个评分阈值，且每个弱分类器组对应的特征提取半径依次减小。在待检测图片经过一个弱分类器组时，使待检测图片在对应的特征提取半径下检测，确定对应的检测评分，并通过检测评分确定分类评分。在判断分类评分小于当前弱分类器组对应的评分阈值时，直接确定待检测图片为非人脸图片并输出，避免非人脸图片输入下一个弱分类器组，降低检测时间，提高检测速率。否则，将待检测图片输入特征提取半径减小的下一个弱分类器组，并进行与上述当前弱分类器相同的检测操作，以进一步精确检测，提高检测准确度。

Description

一种基于级联分类器的人脸检测方法及装置

技术领域

本发明涉及人脸检测技术领域，特别涉及一种基于级联分类器的人脸检测方法及装置。

背景技术

人脸检测在实际应用中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。目前人脸检测技术在门禁系统、智能监控系统中已得到了很好的应用。另外，在笔记本电脑中也陆续开始使用人脸识别技术作为计算机登录的凭证。近年来，在数码相机和手机中也集成了人脸检测算法，作为新的功能提供给用户使用。在这些应用中，人脸检测都是发挥着至关重要的作用。

目前，一般采用由多个级联的弱分类器构成的强分类器对待检测图片进行人脸检测以确定待检测图片是否为人脸图片。该方法具体为：将待检测图片依次输入级联的每一个弱分类器中，使每个弱分类器分别对该待检测图片进行评分，以得到该待检测图片的多个评分，并通过综合上述这些评分得到该待检测图片的综合评分，在综合评分满足某一阈值时可以确定该待检测图片为人脸图片。否则，确定该待检测图片为非人脸图片。然而，当待检测图片最终确定为非人脸图片时，由于该待检测图片需要经过所有的弱分类器之后才能得到最终检测结果，从而导致检测时间较长，不利于实际的检测应用。

发明内容

本发明实施例提供一种基于级联分类器的人脸检测方法及装置，用以降低检测时间。

本发明实施例提供了一种基于级联分类器的人脸检测方法，所述级联分类器包括级联的多个弱分类器，其中，所有弱分类器分为N个弱分类器组，至少1个所述弱分类器组包括至少相邻的2个弱分类器；其中，每个所述弱分类器组对应一个评分阈值；针对一个所述弱分类器组，所述弱分类器组中的各弱分类器对应同一个特征提取半径，且每个所述弱分类器组对应的特征提取半径依次减小；N为大于1的整数；

所述人脸检测方法包括：

按照所述特征提取半径从大到小的顺序，确定待检测图片将要输入的所述级联分类器中的当前弱分类器组，并根据预先建立的弱分类器组与对应的特征提取半径的关系表，确定所述当前弱分类器组中各弱分类器对应的特征提取半径；

将所述待检测图片依次输入所述当前弱分类器组中的每个弱分类器，确定所述待检测图片经过每个所述弱分类器对应的检测评分；其中，针对所述当前弱分类器组中的每一个弱分类器，根据预设特征计算方法与所述弱分类器对应的特征提取半径，确定所述待检测图片经过所述弱分类器对应的检测评分；

根据确定出的所述待检测图片对应的所有检测评分，确定所述待检测图片经过所述当前弱分类器组对应的分类评分；

判断确定出的分类评分是否小于当前弱分类器组对应的评分阈值；

若是，则确定所述待检测图片为非人脸图片；

若否，则将所述待检测图片输入下一个弱分类器组，并按照与所述当前弱分类器组相同的检测方法进行检测，直至所述待检测图片经过最后一个弱分类器组对应的分类评分不小于最后一个所述弱分类器组对应的评分阈值时，确定所述待检测图片为人脸图片。

可选地，在本发明实施例提供的上述人脸检测方法中，所述确定所述待检测图片经过所述当前弱分类器组对应的分类评分，具体包括：

根据所述待检测图片对应的检测评分，确定所述待检测图片对应的权重；其中，针对每一个所述检测评分，根据所述检测评分确定所述待检测图片对应的权重；

根据确定出的所有权重，计算所述待检测图片经过所述当前弱分类器组对应的分类评分。

可选地，在本发明实施例提供的上述人脸检测方法中，所述弱分类器组与对应的特征提取半径的关系表满足公式：r_n＝r₀-(n-1)Δr；其中，n为大于或等于1且小于或等于N的整数，r_n代表第n个弱分类器组对应的特征提取半径，r₀代表默认特征提取半径，Δr代表预设阈值。

可选地，在本发明实施例提供的上述人脸检测方法中，N＝5，r₀＝0.5，Δr＝0.05。

可选地，在本发明实施例提供的上述人脸检测方法中，在将待检测图片输入所述级联分类器中的当前弱分类器组之前，还包括：

采用导向滤波方法对所述待检测图片进行预处理。

可选地，在本发明实施例提供的上述人脸检测方法中，每一个所述弱分类器采用深度二次树构建。

可选地，在本发明实施例提供的上述人脸检测方法中，每个所述弱分类器组中的弱分类器的数量相同。

可选地，在本发明实施例提供的上述人脸检测方法中，所述预设特征计算方法为归一化的像素特征计算方法。

相应地，本发明实施例还提供了一种基于级联分类器的人脸检测装置，所述级联分类器包括级联的多个弱分类器，其中，所有弱分类器分为N个弱分类器组，至少1个所述弱分类器组包括至少相邻的2个弱分类器；其中，每个所述弱分类器组对应一个评分阈值；针对一个所述弱分类器组，所述弱分类器组中的各弱分类器对应同一个特征提取半径，且每个所述弱分类器组对应的特征提取半径依次减小；N为大于1的整数；

所述人脸检测装置包括：

半径确定单元，用于按照所述特征提取半径从大到小的顺序，确定待检测图片将要输入的所述级联分类器中的当前弱分类器组，并根据预先建立的弱分类器组与对应的特征提取半径的关系表，确定所述当前弱分类器组中各弱分类器对应的特征提取半径；

评分确定单元，用于将所述待检测图片依次输入所述当前弱分类器组中的每个弱分类器，确定所述待检测图片经过每个所述弱分类器对应的检测评分；其中，针对所述当前弱分类器组中的每一个弱分类器，根据预设特征计算方法与所述弱分类器对应的特征提取半径，确定所述待检测图片经过所述弱分类器对应的检测评分；根据确定出的所述待检测图片对应的所有检测评分，确定所述待检测图片经过所述当前弱分类器组对应的分类评分；

判断单元，用于判断确定出的分类评分是否小于当前弱分类器组对应的评分阈值；

结果输出单元，用于在判断确定出的分类评分小于当前弱分类器组对应的评分阈值时，则确定所述待检测图片为非人脸图片；在判断确定出的分类评分不小于当前弱分类器组对应的评分阈值时，则将所述待检测图片输入下一个弱分类器组，并按照与所述当前弱分类器组相同的检测方法进行检测，直至所述待检测图片经过最后一个弱分类器组对应的分类评分不小于最后一个所述弱分类器组对应的评分阈值时，确定所述待检测图片为人脸图片；

存储单元，用于存储所述级联分类器以及所述预先建立的弱分类器组与对应的特征提取半径的关系表。

可选地，在本发明实施例提供的上述人脸检测装置中，所述评分确定单元具体用于根据所述待检测图片对应的检测评分，确定所述待检测图片对应的权重；其中，针对每一个所述检测评分，根据所述检测评分确定所述待检测图片对应的权重；根据确定出的所有权重，计算所述待检测图片经过所述当前弱分类器组对应的分类评分。

可选地，在本发明实施例提供的上述人脸检测装置中，所述弱分类器组与对应的特征提取半径的关系表满足公式：r_n＝r₀-(n-1)Δr；其中，n为大于或等于1且小于或等于N的整数，r_n代表第n个弱分类器组对应的特征提取半径，r₀代表默认特征提取半径，Δr代表预设阈值。

可选地，在本发明实施例提供的上述人脸检测装置中，N＝5，r₀＝0.5，Δr＝0.05。

可选地，在本发明实施例提供的上述人脸检测装置中，还包括：预处理单元，用于在将待检测图片输入所述级联分类器中的当前弱分类器组之前，采用导向滤波方法对所述待检测图片进行预处理。

可选地，在本发明实施例提供的上述人脸检测装置中，每一个所述弱分类器采用深度二次树构建。

可选地，在本发明实施例提供的上述人脸检测装置中，每个所述弱分类器组中的弱分类器的数量相同。

可选地，在本发明实施例提供的上述人脸检测装置中，所述预设特征计算方法为归一化的像素特征计算方法。

本发明有益效果如下：

本发明实施例提供的基于级联分类器的人脸检测方法及装置，通过将级联分类器进行分组，以使每个弱分类器对应一个评分阈值；一个弱分类器组中的各弱分类器对应同一个特征提取半径，且每个弱分类器组对应的特征提取半径依次减小。在待检测图片经过一个弱分类器组时，通过确定当前弱分类器组中各个弱分类器对应的特征提取半径，以通过弱分类器使待检测图片在对应的特征提取半径下进行检测，确定弱分类器对应的检测评分；通过检测评分确定当前弱分类器检测待检测图片对应的分类评分。在判断分类评分小于当前弱分类器组对应的评分阈值时，可以直接确定待检测图片为非人脸图片并输出，从而避免非人脸图片输入下一个弱分类器组，进而可以降低检测时间，提高检测速率。在判断分类评分不小于当前弱分类器组对应的评分阈值时，将待检测图片输入下一个弱分类器组，以使该待检测图片在下一个弱分类器组中进行与上述当前弱分类器相同的检测操作，且下一个弱分类器组的特征提取半径减小，从而可以进一步对待检测图片进行精确检测，可以使待检测图片确定为人脸图片的准确度更高。

附图说明

图1为本发明实施例提供的级联分类器的结构示意图；

图2为本发明实施例提供的人脸检测方法的流程图；

图3为本发明实施例提供的确定分类评分的流程图；

图4为本发明实施例提供的级联分类器的训练流程图；

图5为本发明实施例提供的人脸检测装置的结构示意图。

具体实施方式

为了使本发明的目的，技术方案和优点更加清楚，下面结合附图，对本发明实施例提供的基于级联分类器的人脸检测方法及装置的具体实施方式进行详细地说明。应当理解，下面所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明实施例提供了一种基于级联分类器的人脸检测方法。如图1(以M＝15，N＝5为例)所示，级联分类器可以包括级联的多个弱分类器Q_m(m为大于或等于1且小于或等于M的整数，M为级联分类器包括的弱分类器的总数)，其中，所有弱分类器Q_m分为N个弱分类器组Z_n(n为大于或等于1且小于或等于N的整数)，至少1个弱分类器组Z_n包括至少相邻的2个弱分类器Q_m；其中，每个弱分类器组Z_n对应一个评分阈值；针对一个弱分类器组Z_n，弱分类器组Z_n中的各弱分类器Q_m对应同一个特征提取半径，且每个弱分类器组Z_n对应的特征提取半径依次减小；N为大于1的整数。

本发明实施例提供的一种基于级联分类器的人脸检测方法，如图2所示，可以包括如下步骤：

S201、按照特征提取半径从大到小的顺序，确定待检测图片将要输入的级联分类器中的当前弱分类器组，并根据预先建立的弱分类器组与对应的特征提取半径的关系表，确定当前弱分类器组中各弱分类器对应的特征提取半径。

S202、将待检测图片依次输入当前弱分类器组中的每个弱分类器，确定待检测图片经过每个弱分类器对应的检测评分；其中，针对当前弱分类器组中的每一个弱分类器，根据预设特征计算方法与弱分类器对应的特征提取半径，确定待检测图片经过弱分类器对应的检测评分。

S203、根据确定出的待检测图片对应的所有检测评分，确定待检测图片经过当前弱分类器组对应的分类评分。

S204、判断确定出的分类评分是否小于当前弱分类器组对应的评分阈值；其中，若是，则执行步骤S205；若否，则执行步骤S206。

S205、确定待检测图片为非人脸图片。

S206、将待检测图片输入下一个弱分类器组，并按照与当前弱分类器组相同的检测方法进行检测，直至待检测图片经过最后一个弱分类器组对应的分类评分不小于最后一个弱分类器组对应的评分阈值时，确定待检测图片为人脸图片。

本发明实施例提供的基于级联分类器的人脸检测方法，通过将级联分类器进行分组，以使每个弱分类器对应一个评分阈值；一个弱分类器组中的各弱分类器对应同一个特征提取半径，且每个弱分类器组对应的特征提取半径依次减小。在待检测图片经过一个弱分类器组时，通过确定当前弱分类器组中各个弱分类器对应的特征提取半径，以通过弱分类器使待检测图片在对应的特征提取半径下进行检测，确定弱分类器对应的检测评分；通过检测评分确定当前弱分类器检测待检测图片对应的分类评分。在判断分类评分小于当前弱分类器组对应的评分阈值时，可以直接确定待检测图片为非人脸图片并输出，从而避免非人脸图片输入下一个弱分类器组，进而可以降低检测时间，提高检测速率。在判断分类评分不小于当前弱分类器组对应的评分阈值时，将待检测图片输入下一个弱分类器组，以使该待检测图片在下一个弱分类器组中进行与上述当前弱分类器相同的检测操作，且下一个弱分类器组的特征提取半径减小，从而可以进一步对待检测图片进行精确检测，可以使待检测图片确定为人脸图片的准确度更高。

在具体实施时，在本发明实施例提供的方法中，每个弱分类器组中的弱分类器的数量可以相同，则每个弱分类器组Z_n可以包括相邻的个弱分类器。例如图1所示，可以使M＝15，N＝5。当然，在实际应用中M、N的具体数值需要根据实际应用环境来设计确定，在此不作限定。并且，也可以使部分弱分类器组中的弱分类器的数量相同，其余部分弱分类器组中的弱分类器的数量不同，在此不作限定。

在具体实施时，在本发明实施例提供的方法中，建立弱分类器组与对应的特征提取半径的关系表满足公式：r_n＝r₀-(n-1)Δr；其中，n为大于或等于1且小于或等于N的整数，r_n代表第n个弱分类器组对应的特征提取半径，r₀代表默认特征提取半径，Δr代表预设阈值。其中，默认特征提取半径r₀是预设的，其可以为根据经验得到的特征提取半径，或者也可以为现有技术中常用的特征提取半径。并且，预设阈值也是预设的，其可以为根据经验得到的阈值。具体地，在具体实施时，在本发明实施例提供的方法中，可以使N＝5，r₀＝0.5，Δr＝0.05。结合图1所示，第1个弱分类器组Z_1的特征提取半径为0.5，第2个弱分类器组Z_2的特征提取半径为0.45，第3个弱分类器组Z_3的特征提取半径为0.4，第4个弱分类器组Z_4的特征提取半径为0.35，第5个弱分类器组Z_5的特征提取半径为0.3。当然，在实际应用中，由于对人脸检测的精细度的要求不同，默认特征提取半径r₀与预设阈值Δr以及N分别需要根据实际应用情况来设计确定，在此不作限定。

为了提高区分度较高的细节信息，在具体实施时，在本发明实施例提供的方法中，在将待检测图片输入级联分类器中的当前弱分类器组之前，还包括：采用导向滤波方法对待检测图片进行预处理。这样可以在保留待检测图片的边缘细节的同时进行平滑去噪处理，从而可以最大化保留区分度较高的细节信息，例如眼睛轮廓等。

在实际应用中，采用导向滤波公式实现导向滤波方法，导向滤波公式为：q_i＝∑_jW_ij(I)p_j，其中，q代表滤波后的图像，q_i代表滤波后的图像中第i个像素，p代表待滤波图像，p_j代表待滤波图像中第j个像素，I代表引导图像，W_ij为权重矩阵。并且，该导向滤波公式的应用方法与现有技术中的导向滤波公式的应用方法相同，在此不作限定。

在具体实施时，预设特征计算方法为归一化的像素特征计算方法。并且，本发明实施例提供的级联分类器中的每个弱分类器可以由深度二次树构建。在本发明实施例提供的方法中，确定待检测图片经过当前弱分类器组对应的分类评分，如图3所示，具体可以包括以下步骤：

S301、根据待检测图片对应的检测评分，确定待检测图片对应的权重；其中，针对每一个检测评分，根据检测评分确定待检测图片对应的权重。

S302、根据确定出的所有权重，计算待检测图片经过当前弱分类器组对应的分类评分。

具体地，归一化的像素特征计算方法中使用的特征值f计算公式为：其中，I(x₁，y₁)和I(x₂，y₂)分别表示待检测图像I中(x₁，y₁)和(x₂，y₂)处的像素值。并且规定：当I(x₁，y₁)＝0，且I(x₂，y₂)＝0时，f＝0。特征值f是有符号的整数，因而可以表示像素变化的梯度方向，使得描述的细节信息更加丰富。并且对特征值f进行了归一化，避免了特征值域变化较大的问题，并且计算复杂度也没有明显增加。在具体实施时，归一化的像素特征计算方法中使用的特征值f计算公式与现有技术中的归一化的像素差异特性(Normalized Pixel Difference，NPD)公式相同，在此不作赘述。

在具体实施时，深度二次树可以对特征值f构造一个高阶二次式：af²+bf+c＜t；其中，a，b，c代表根据经验和实验确定的关于f的常量。通过上述训练可以使级联的分类器学习到三种不同的分裂结构： 其中，θ₁与θ₂分别为下界阈值和上界阈值，且θ₁<0，θ₂>0。因此，通过分析上述三个公式可知，本发明实施例提供的级联分类器可以通过第一个公式学习到I(x₁y₁)明显暗于I(x₂y₂)的模式。本发明实施例提供的级联分类器可以通过第二个公式学习到I(x₁y₁)明显亮于I(x₂y₂)的模式。本发明实施例提供的级联分类器可以通过第三个公式学习到I(x₁y₁)与I(x₂y₂)之间存在明显的边缘或者剧烈的过渡的模式。

以F_i代表当前弱分类器组，即第n个弱分类器组，中的第i个弱分类器对应的检测评分；i为大于或等于1且小于或等于的整数。第i个弱分类器对应的权重W_i满足公式：其中y_i代表待检测图片的类型，具体为：若待检测图片经过第i个弱分类器时确定其为人脸图片，则y_i＝1；否则，y_i＝-1。将确定出的权重Wi带入公式：其中，S_n代表第n个弱分类器组对应的分类评分，即可得到第n个弱分类器组对应的分类评分。

在实际应用中，需要通过对级联分类器进行训练以得到本发明实施例提供的方法中使用的级联分类器，如图4所示，对本发明实施例提供的级联分类器进行训练的方法为：

S401、确定训练样本集合。其中，训练样本集合包括：多个正样本与多个负样本。并且，正样本为人脸图片，负样本为非人脸图片。

具体地，确定训练样本集合中的负样本的方法，具体包括以下步骤：

(1)随机采集多个负样本。

具体地，从现有的大量非人脸图片中随机采集多个非人脸图片作为负样本。

(2)采用导向滤波方法对采集到的各个负样本进行预处理。

具体地，采用上述导向滤波方法对采集到的各个负样本进行预处理，以在保留负样本图片的边缘细节的同时进行平滑去噪处理，可以最大化保留区分度较高的细节信息。

(3)采用仿射变换方法对预处理后的各个负样本进行增强处理。

具体地，采用仿射变换方法对预处理后的各个负样本进行平移、旋转、翻转、缩放等，以增加各个负样本的多样性与复杂度。在具体实施时，仿射变换方法与现有技术中的仿射变换方法相同，在此不作赘述。

(4)采用预设分类器对增强处理后的各个负样本依次进行检测，确定各个负样本对应的权重。

具体地，预设分类器可以为现有的采用决策树，例如由分类回归树(CART，Classification And Regression Tree)构架的Cascade分类器，或者可以用开源计算机视觉库(Opencv)的人脸检测器。

(5)针对每一个负样本，在该负样本的权重满足预设权重阈值时，确定该负样本为训练样本集合中的负样本。

具体地，预设权重阈值可以为根据经验得到的权重阈值。

确定训练样本集合中的正样本的方法，具体包括以下步骤：随机采集多个负样本。具体地，从现有的大量人脸图片中随机采集多个人脸图片作为正样本。

S402、将训练样本集合输入由深度二次树构建的第1个弱分类器，并确定第1个弱分类器的特征提取半径为默认特征提取半径r₀，并且第1个弱分类器对应一个样本评分阈值。

S403、根据归一化的像素特征计算方法，确定训练样本集合中各个正样本与各个负样本对应的样本检测评分。

S404、针对每一正样本与每一个负样本，判断该样本的样本检测评分是否小于第1个弱分类器对应的样本评分阈值。若否，则执行步骤S405；若是，则执行步骤S406。

S405、将不小于样本评分阈值对应的样本作为人脸图片输出。

S406、将小于样本评分阈值对应的样本作为非人脸图片输出。

S407、根据k与是否相等，判断第k个弱分类器是否需要调整特征提取半径；其中k＝2、3…M。若否，则执行步骤S408；若是，则执行步骤S409。

S408，将第k-1个弱分类器的特征提取半径作为第k个弱分类器的特征提取半径。并针对第k个弱分类器，重复步骤S402至步骤S407的过程，直至训练完毕。

S409，根据r_k＝r₀-(n-1)Δr，确定第k个弱分类器的特征提取半径为r_k。并针对第k个弱分类器，重复步骤S402至步骤S407的过程，直至训练完毕。

需要说明的是，步骤S407中的k与步骤S408中的k相同，步骤S407中的n与步骤S408中的n相同。

基于同一发明构思，本发明实施例还提供了一种基于级联分类器的人脸检测装置，其中，如图1(以M＝15，N＝5为例)所示，级联分类器可以包括级联的多个弱分类器Q_m(m为大于或等于1且小于或等于M的整数，M为级联分类器包括的弱分类器的总数)，其中，所有弱分类器Q_m分为N个弱分类器组Z_n(n为大于或等于1且小于或等于N的整数)，至少1个弱分类器组Z_n包括至少相邻的2个弱分类器Q_m；其中，每个弱分类器组Z_n对应一个评分阈值；针对一个弱分类器组Z_n，弱分类器组Z_n中的各弱分类器Q_m对应同一个特征提取半径，且每个弱分类器组Z_n对应的特征提取半径依次减小；N为大于1的整数。

如图5所示，人脸检测装置可以包括：

半径确定单元501，用于按照特征提取半径从大到小的顺序，确定待检测图片将要输入的级联分类器中的当前弱分类器组，并根据预先建立的弱分类器组与对应的特征提取半径的关系表，确定当前弱分类器组中各弱分类器对应的特征提取半径；

评分确定单元502，用于将待检测图片依次输入当前弱分类器组中的每个弱分类器，确定待检测图片经过每个弱分类器对应的检测评分；其中，针对当前弱分类器组中的每一个弱分类器，根据预设特征计算方法与弱分类器对应的特征提取半径，确定待检测图片经过弱分类器对应的检测评分；根据确定出的待检测图片对应的所有检测评分，确定待检测图片经过当前弱分类器组对应的分类评分；

判断单元503，用于判断确定出的分类评分是否小于当前弱分类器组对应的评分阈值；

结果输出单元504，用于在判断确定出的分类评分小于当前弱分类器组对应的评分阈值时，则确定待检测图片为非人脸图片；在判断确定出的分类评分不小于当前弱分类器组对应的评分阈值时，则将待检测图片输入下一个弱分类器组，并按照与当前弱分类器组相同的检测方法进行检测，直至待检测图片经过最后一个弱分类器组对应的分类评分不小于最后一个弱分类器组对应的评分阈值时，确定待检测图片为人脸图片；

存储单元505，用于存储级联分类器以及预先建立的弱分类器组与对应的特征提取半径的关系表。

本发明实施例提供的基于级联分类器的人脸检测装置，通过将级联分类器进行分组，以使每个弱分类器一一对应一个特征提取半径与一个评分阈值，且每个弱分类器组对应的特征提取半径依次减小。在待检测图片经过一个弱分类器组时，通过确定当前弱分类器组对应的特征提取半径，以使待检测图片在对应的特征提取半径下进行检测，确定当前弱分类器检测待检测图片对应的分类评分。通过判断分类评分是否小于当前弱分类器组对应的评分阈值，若否，则当前弱分类器组确定待检测图片为人脸图片，并将待检测图片输入下一个弱分类器组；若否，则直接确定待检测图片为非人脸图片并输出，从而避免非人脸图片输入下一个弱分类器组，进而可以降低检测时间，提高检测速率。并且，由于待检测图片输入下一个弱分类器组，可以使该待检测图片在下一个弱分类器组中进行与上述当前弱分类器相同的检测操作，且下一个弱分类器组的特征提取半径减小，从而可以进一步对待检测图片进行精确检测，直至待检测图片经过最后一个弱分类器组后对应的分类评分不小于最后一个弱分类器组对应的评分阈值时，确定待检测图片为人脸图片并输出，可以使待检测图片确定为人脸图片的准确度更高。

在具体实施时，在本发明实施例提供的装置中，每个弱分类器组中的弱分类器的数量可以相同，则每个弱分类器组Z_n可以包括相邻的个弱分类器。例如图1所示，可以使M＝15，N＝5。当然，在实际应用中M、N的具体数值需要根据实际应用环境来设计确定，在此不作限定。并且，也可以使部分弱分类器组中的弱分类器的数量相同，其余部分弱分类器组中的弱分类器的数量不同，在此不作限定。

在具体实施时，在本发明实施例提供的装置中，建立弱分类器组与对应的特征提取半径的关系表满足公式：r_n＝r₀-(n-1)Δr；其中，n为大于或等于1且小于或等于N的整数，r_n代表第n个弱分类器组对应的特征提取半径，r₀代表默认特征提取半径，Δr代表预设阈值。其中，默认特征提取半径r₀是预设的，其可以为根据经验得到的特征提取半径，或者也可以为现有技术中常用的特征提取半径。并且，预设阈值也是预设的，其可以为根据经验得到的阈值。具体地，在具体实施时，在本发明实施例提供的装置中，可以使N＝5，r₀＝0.5，Δr＝0.05。结合图1所示，第1个弱分类器组Z_1的特征提取半径为0.5，第2个弱分类器组Z_2的特征提取半径为0.45，第3个弱分类器组Z_3的特征提取半径为0.4，第4个弱分类器组Z_4的特征提取半径为0.35，第5个弱分类器组Z_5的特征提取半径为0.3。当然，在实际应用中，由于对人脸检测的精细度的要求不同，默认特征提取半径r₀与预设阈值Δr以及N分别需要根据实际应用情况来设计确定，在此不作限定。

为了提高区分度较高的细节信息，在具体实施时，在本发明实施例提供的装置中，还可以包括：预处理单元，用于在将待检测图片输入级联分类器中的当前弱分类器组之前，采用导向滤波方法对待检测图片进行预处理。这样可以在保留待检测图片的边缘细节的同时进行平滑去噪处理，从而可以最大化保留区分度较高的细节信息，例如眼睛轮廓等。

在实际应用中，采用导向滤波公式实现导向滤波方法，导向滤波公式为：q_i＝∑_jW_ij(I)p_j，其中，q代表滤波后的图像，q_i代表滤波后的图像中第i个像素，p代表待滤波图像，p_j代表待滤波图像中第j个像素，I代表引导图像，W_ij为权重矩阵。并且，该导向滤波公式的应用方法与现有技术中的导向滤波公式的应用方法相同，在此不作限定。

在具体实施时，预设特征计算方法为归一化的像素特征计算方法。并且，本发明实施例提供的级联分类器中的每个弱分类器可以由深度二次树构建。在具体实施时，在本发明实施例提供的装置中，评分确定单元具体用于根据待检测图片对应的检测评分，确定待检测图片对应的权重；其中，针对每一个检测评分，根据检测评分确定待检测图片对应的权重；根据确定出的所有权重，计算待检测图片经过当前弱分类器组对应的分类评分。

具体地，归一化的像素特征计算方法中使用的特征值f计算公式为：其中，I(x₁，y₁)和I(x₂，y₂)分别表示待检测图像I中(x₁，y₁)和(x₂，y₂)处的像素值。并且规定：当I(x₁，y₁)＝0，且I(x₂，y₂)＝0时，f＝0。特征值f是有符号的整数，因而可以表示像素变化的梯度方向，使得描述的细节信息更加丰富。并且对特征值f进行了归一化，避免了特征值域变化较大的问题，并且计算复杂度也没有明显增加。在具体实施时，归一化的像素特征计算方法中使用的特征值f计算公式与现有技术中的归一化的像素差异特性(Normalized Pixel Difference，NPD)公式相同，在此不作赘述。

在具体实施时，深度二次树可以对特征值f构造一个高阶二次式：af²+bf+c＜t；其中，a，b，c代表根据经验和实验确定的关于f的常量。通过上述训练可以使级联的分类器学习到三种不同的分裂结构： 其中，θ₁与θ₂分别为下界阈值和上界阈值，且θ₁<0，θ₂>0。因此，通过分析上述三个公式可知，本发明实施例提供的级联分类器可以通过第一个公式学习到I(x₁y₁)明显暗于I(x₂y₂)的模式。本发明实施例提供的级联分类器可以通过第二个公式学习到I(x₁y₁)明显亮于I(x₂y₂)的模式。本发明实施例提供的级联分类器可以通过第三个公式学习到I(x₁y₁)与I(x₂y₂)之间存在明显的边缘或者剧烈的过渡的模式。

在实际应用中，需要通过对级联分类器进行训练以得到本发明实施例提供的方法中使用的级联分类器，如图4所示，对本发明实施例提供的级联分类器进行训练的方法为：

S401、确定训练样本集合。其中，训练样本集合包括：多个正样本与多个负样本。并且，正样本为人脸图片，负样本为非人脸图片。

具体地，确定训练样本集合中的负样本的方法，具体包括以下步骤：

(1)随机采集多个负样本。

具体地，从现有的大量非人脸图片中随机采集多个非人脸图片作为负样本。

(2)采用导向滤波方法对采集到的各个负样本进行预处理。

具体地，采用上述导向滤波方法对采集到的各个负样本进行预处理，以在保留负样本图片的边缘细节的同时进行平滑去噪处理，可以最大化保留区分度较高的细节信息。

(3)采用仿射变换方法对预处理后的各个负样本进行增强处理。

具体地，采用仿射变换方法对预处理后的各个负样本进行平移、旋转、翻转、缩放等，以增加各个负样本的多样性与复杂度。在具体实施时，仿射变换方法与现有技术中的仿射变换方法相同，在此不作赘述。

(4)采用预设分类器对增强处理后的各个负样本依次进行检测，确定各个负样本对应的权重。

具体地，预设分类器可以为现有的采用决策树，例如由分类回归树(CART，Classification And Regression Tree)构架的Cascade分类器，或者可以用开源计算机视觉库(Opencv)的人脸检测器。

(5)针对每一个负样本，在该负样本的权重满足预设权重阈值时，确定该负样本为训练样本集合中的负样本。

具体地，预设权重阈值可以为根据经验得到的权重阈值。

确定训练样本集合中的正样本的方法，具体包括以下步骤：随机采集多个负样本。具体地，从现有的大量人脸图片中随机采集多个人脸图片作为正样本。

S402、将训练样本集合输入由深度二次树构建的第1个弱分类器，并确定第1个弱分类器的特征提取半径为默认特征提取半径r₀，并且第1个弱分类器对应一个样本评分阈值。

S403、根据归一化的像素特征计算方法，确定训练样本集合中各个正样本与各个负样本对应的样本检测评分。

S404、针对每一正样本与每一个负样本，判断该样本的样本检测评分是否小于第1个弱分类器对应的样本评分阈值。若否，则执行步骤S405；若是，则执行步骤S406。

S405、将不小于样本评分阈值对应的样本作为人脸图片输出。

S406、将小于样本评分阈值对应的样本作为非人脸图片输出。

S407、根据k与是否相等，判断第k个弱分类器是否需要调整特征提取半径；其中k＝2、3…M。若否，则执行步骤S408；若是，则执行步骤S409。

S408，将第k-1个弱分类器的特征提取半径作为第k个弱分类器的特征提取半径。并针对第k个弱分类器，重复步骤S402至步骤S407的过程，直至训练完毕。

S409，根据r_k＝r₀-(n-1)Δr，确定第k个弱分类器的特征提取半径为r_k。并针对第k个弱分类器，重复步骤S402至步骤S407的过程，直至训练完毕。

需要说明的是，步骤S407中的k与步骤S408中的k相同，步骤S407中的n与步骤S408中的n相同。

本发明实施例提供的基于级联分类器的人脸检测方法及装置，通过将级联分类器进行分组，以使每个弱分类器对应一个评分阈值；一个弱分类器组中的各弱分类器对应同一个特征提取半径，且每个弱分类器组对应的特征提取半径依次减小。在待检测图片经过一个弱分类器组时，通过确定当前弱分类器组中各个弱分类器对应的特征提取半径，以通过弱分类器使待检测图片在对应的特征提取半径下进行检测，确定弱分类器对应的检测评分；通过检测评分确定当前弱分类器检测待检测图片对应的分类评分。在判断分类评分小于当前弱分类器组对应的评分阈值时，可以直接确定待检测图片为非人脸图片并输出，从而避免非人脸图片输入下一个弱分类器组，进而可以降低检测时间，提高检测速率。在判断分类评分不小于当前弱分类器组对应的评分阈值时，将待检测图片输入下一个弱分类器组，以使该待检测图片在下一个弱分类器组中进行与上述当前弱分类器相同的检测操作，且下一个弱分类器组的特征提取半径减小，从而可以进一步对待检测图片进行精确检测，可以使待检测图片确定为人脸图片的准确度更高。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (16)

1.一种基于级联分类器的人脸检测方法，其特征在于，所述级联分类器包括级联的多个弱分类器，其中，所有弱分类器分为N个弱分类器组，至少1个所述弱分类器组包括至少相邻的2个弱分类器；其中，每个所述弱分类器组对应一个评分阈值；针对一个所述弱分类器组，所述弱分类器组中的各弱分类器对应同一个特征提取半径，且每个所述弱分类器组对应的特征提取半径依次减小；N为大于1的整数；

所述人脸检测方法包括：

按照所述特征提取半径从大到小的顺序，确定待检测图片将要输入的所述级联分类器中的当前弱分类器组，并根据预先建立的弱分类器组与对应的特征提取半径的关系表，确定所述当前弱分类器组中各弱分类器对应的特征提取半径；

将所述待检测图片依次输入所述当前弱分类器组中的每个弱分类器，确定所述待检测图片经过每个所述弱分类器对应的检测评分；其中，针对所述当前弱分类器组中的每一个弱分类器，根据预设特征计算方法与所述弱分类器对应的特征提取半径，确定所述待检测图片经过所述弱分类器对应的检测评分；

根据确定出的所述待检测图片对应的所有检测评分，确定所述待检测图片经过所述当前弱分类器组对应的分类评分；

判断确定出的分类评分是否小于当前弱分类器组对应的评分阈值；

若是，则确定所述待检测图片为非人脸图片；

若否，则将所述待检测图片输入下一个弱分类器组，并按照与所述当前弱分类器组相同的检测方法进行检测，直至所述待检测图片经过最后一个弱分类器组对应的分类评分不小于最后一个所述弱分类器组对应的评分阈值时，确定所述待检测图片为人脸图片。

2.如权利要求1所述的人脸检测方法，其特征在于，所述确定所述待检测图片经过所述当前弱分类器组对应的分类评分，具体包括：

根据所述待检测图片对应的检测评分，确定所述待检测图片对应的权重；其中，针对每一个所述检测评分，根据所述检测评分确定所述待检测图片对应的权重；

根据确定出的所有权重，计算所述待检测图片经过所述当前弱分类器组对应的分类评分。

3.如权利要求1所述的人脸检测方法，其特征在于，所述弱分类器组与对应的特征提取半径的关系表满足公式：r_n＝r₀-(n-1)Δr；其中，n为大于或等于1且小于或等于N的整数，r_n代表第n个弱分类器组对应的特征提取半径，r₀代表默认特征提取半径，Δr代表预设阈值。

4.如权利要求3所述的人脸检测方法，其特征在于，N＝5，r₀＝0.5，Δr＝0.05。

5.如权利要求1-4任一项所述的人脸检测方法，其特征在于，在将待检测图片输入所述级联分类器中的当前弱分类器组之前，还包括：

采用导向滤波方法对所述待检测图片进行预处理。

6.如权利要求1-4任一项所述的人脸检测方法，其特征在于，每一个所述弱分类器采用深度二次树构建。

7.如权利要求1-4任一项所述的人脸检测方法，其特征在于，每个所述弱分类器组中的弱分类器的数量相同。

8.如权利要求1-4任一项所述的人脸检测方法，其特征在于，所述预设特征计算方法为归一化的像素特征计算方法。

9.一种基于级联分类器的人脸检测装置，其特征在于，所述级联分类器包括级联的多个弱分类器，其中，所有弱分类器分为N个弱分类器组，至少1个所述弱分类器组包括至少相邻的2个弱分类器；其中，每个所述弱分类器组对应一个评分阈值；针对一个所述弱分类器组，所述弱分类器组中的各弱分类器对应同一个特征提取半径，且每个所述弱分类器组对应的特征提取半径依次减小；N为大于1的整数；

所述人脸检测装置包括：

半径确定单元，用于按照所述特征提取半径从大到小的顺序，确定待检测图片将要输入的所述级联分类器中的当前弱分类器组，并根据预先建立的弱分类器组与对应的特征提取半径的关系表，确定所述当前弱分类器组中各弱分类器对应的特征提取半径；

评分确定单元，用于将所述待检测图片依次输入所述当前弱分类器组中的每个弱分类器，确定所述待检测图片经过每个所述弱分类器对应的检测评分；其中，针对所述当前弱分类器组中的每一个弱分类器，根据预设特征计算方法与所述弱分类器对应的特征提取半径，确定所述待检测图片经过所述弱分类器对应的检测评分；根据确定出的所述待检测图片对应的所有检测评分，确定所述待检测图片经过所述当前弱分类器组对应的分类评分；

判断单元，用于判断确定出的分类评分是否小于当前弱分类器组对应的评分阈值；

结果输出单元，用于在判断确定出的分类评分小于当前弱分类器组对应的评分阈值时，则确定所述待检测图片为非人脸图片；在判断确定出的分类评分不小于当前弱分类器组对应的评分阈值时，则将所述待检测图片输入下一个弱分类器组，并按照与所述当前弱分类器组相同的检测方法进行检测，直至所述待检测图片经过最后一个弱分类器组对应的分类评分不小于最后一个所述弱分类器组对应的评分阈值时，确定所述待检测图片为人脸图片；

存储单元，用于存储所述级联分类器以及所述预先建立的弱分类器组与对应的特征提取半径的关系表。

10.如权利要求9所述的人脸检测装置，其特征在于，所述评分确定单元具体用于根据所述待检测图片对应的检测评分，确定所述待检测图片对应的权重；其中，针对每一个所述检测评分，根据所述检测评分确定所述待检测图片对应的权重；根据确定出的所有权重，计算所述待检测图片经过所述当前弱分类器组对应的分类评分。

11.如权利要求9所述的人脸检测装置，其特征在于，所述弱分类器组与对应的特征提取半径的关系表满足公式：r_n＝r₀-(n-1)Δr；其中，n为大于或等于1且小于或等于N的整数，r_n代表第n个弱分类器组对应的特征提取半径，r₀代表默认特征提取半径，Δr代表预设阈值。

12.如权利要求11所述的人脸检测装置，其特征在于，N＝5，r₀＝0.5，Δr＝0.05。

13.如权利要求9-12任一项所述的人脸检测装置，其特征在于，还包括：预处理单元，用于在将待检测图片输入所述级联分类器中的当前弱分类器组之前，采用导向滤波方法对所述待检测图片进行预处理。

14.如权利要求9-12任一项所述的人脸检测装置，其特征在于，每一个所述弱分类器采用深度二次树构建。

15.如权利要求9-12任一项所述的人脸检测装置，其特征在于，每个所述弱分类器组中的弱分类器的数量相同。

16.如权利要求9-12任一项所述的人脸检测装置，其特征在于，所述预设特征计算方法为归一化的像素特征计算方法。