CN107832722A - 一种基于AdaBoost的人脸检测分类器构造方法 - Google Patents

一种基于AdaBoost的人脸检测分类器构造方法 Download PDF

Info

Publication number
CN107832722A
CN107832722A CN201711143945.9A CN201711143945A CN107832722A CN 107832722 A CN107832722 A CN 107832722A CN 201711143945 A CN201711143945 A CN 201711143945A CN 107832722 A CN107832722 A CN 107832722A
Authority
CN
China
Prior art keywords
sample
weight
face
threshold
adaboost
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
Application number
CN201711143945.9A
Other languages
English (en)
Other versions
CN107832722B (zh
Inventor
朱建鸿
沈翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201711143945.9A priority Critical patent/CN107832722B/zh
Publication of CN107832722A publication Critical patent/CN107832722A/zh
Application granted granted Critical
Publication of CN107832722B publication Critical patent/CN107832722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于AdaBoost的人脸检测分类器构造方法，其特征在于：首先，提出了一种新的Haar特征，用于生成弱分类器，此特征关注了脸部器官的全局分布，并且对范围在30°至60°的左右旋转具有一定的鲁棒性；其次，对于样本训练过程中可能会出现的退化问题，这里使用双阈值的方法，权重阈值限制样本权重的过分增大，轮数阈值在给予困难样本足够重视的基础上限制大权重样本的数量与存在时间。

Description

一种基于AdaBoost的人脸检测分类器构造方法
技术领域
本发明属于人脸检测技术领域，具体涉及到一种基于AdaBoost的人脸检测分类器的改进构造方法。
背景技术
人脸检测，作为计算机视觉领域中与实际应用结合最紧密的技术之一，在人脸识别中起到至关重要的引导作用，受到了研究人员的广泛重视。直至目前，主要的人脸检测方法可以分为三大类：基于肤色区域的人脸检测、基于模板的人脸检测、基于统计学习的人脸检测。本发明是一种基于统计学习的人脸检测方法。
基于统计学习的人脸检测是用统计分析和机器学习的方法来寻找和区分人脸和非人脸的特征，再根据机器自动学习得到的特征构建分类器以判断图像是否存在人脸。基于统计学习的方法主要有：子空间方法、支持向量机(SVM)方法、神经网络方法、隐马尔可夫模型和AdaBoost方法。
基于AdaBoost算法的人脸检测分类器构造方法,它使用大量带有标签与初始权值的人脸与非人脸样本，充分训练学习人脸与非人脸的关键特征，得到大量弱分类器，以加权的形式生成多个强分类器，最终强分类器再通过级联的方式组合成人脸检测分类器。在训练弱分类器的过程中，会以迭代的方式进行，即对上一轮训练得到的弱分类器计算加权分类误差，取其中最小误差对应的弱分类器，在此分类器的分类下，将分类错误的样本按一定方式增大权重，将分类正确的样本按一定方式减小权重。通过这种样本权重更新方式，增加了对分类错误样本的关注度，之后的分类器会更加针对性的处理这些大权重样本。
上述基于AdaBoost的人脸检测分类器构造方法在训练过程中对样本权重的调整，尤其是错误分类的样本，并未设置上限阈值，可能导致某些分类困难样本的权重过大，出现退化现象。但是仅仅设置一个权重阈值，当样本权重超过该阈值时便不再改变，多个类似样本又会造成困难样本高权重的累积，同样可能会产生“退化”的问题。
发明内容
本发明的目的是针对AdaBoost算法在训练过程中出现的退化现象对该算法进行改进，提出了一种新的双阈值分类器训练方法，该方法首先给所有样本设置一个权重阈值WH，当困难样本的权重不断增大超过该阈值时，即保持不变；同时，引入一个轮数阈值WN，当样本权重超过权重阈值时开始计数，
每更新一轮，若权重依旧大于阈值则加1，当计数超过WN时，将该困难样本的权重缩小到初始权重大小，若计数期间该样本的权重缩小到比权重阈值小，则计数归零。
同时，对于弱分类器所使用的Haar特征，本发明中新增加了兼顾脸部全局形状的新Haar特征，该特征可以很好的适应脸部30°至60°之间的旋转，增加系统的鲁棒性。
本发明是通过下述技术方案实现的。
基于AdaBoost的人脸检测分类器构造方法，具体步骤如下：
步骤1：定义一个包含人脸与非人脸的样本集合(x1,y1),...,(xn,yn)，其中yn对应于正、负样本(人脸样本为正样本，非人脸样本为负样本)分别取值为1和-1；
步骤2：初始化正负样本权重分布为w1,i＝1/n，i＝1,...,n。
步骤3：对于t＝1,...,T：
3-1：在当前的分布w1,i下，针对每个单Haar特征训练一个弱分类器，其中包括本发明新增的Haar特征，并从中选取错误率最小的一个作为此次循环的弱分类器ht；
3-2：对选中的ht：X→Y,计算加权错误率：
3-3：求解弱分类器ht的加权参数
3-4：为下轮循环更新样本的权重：
其中，WHt是样本更新的权重阈值，WN是大权重样本的轮数阈值，N是大于权重阈值样本的轮数计数，Zt是归一化因子，即
步骤4：经过步骤3循环，得到一系列弱分类器，最后组合成的强分类器为
进一步地，在所述步骤3-1中，在训练弱分类器所用到的Haar特征集中添加新的特征，该特征更加重视脸部器官的全局分布，并且，对于脸部30°至60°的左右旋转有着很好的鲁棒性。
进一步地，在所述步骤3-4中，引入了双阈值来限制样本权重的增长。首先是权重阈值WH，在错分样本权重不断增大的过程中，当样本的权重大于WH时，则该样本在之后仍被错分的情况下保持权重大小不变，同时，对这些样本的错分轮数开始计数，每更新一轮，若权重依旧大于权重阈值则加1，当计数超过轮数阈值WN时，将该困难样本的权重缩小到初始权重大小1/n，若计数期间该样本的权重缩小到比权重阈值小，则计数归零。
本发明的有益效果：本发明在经典AdaBoost算法基础上对分类器训练中样本权重的更新过程进行了改进，并且新增了兼顾面部器官全局分布的Haar特征。本发明提出的双阈值有效地避免了分类器样本训练过程中，因为某些困难样本权重的过分增大而出现的退化现象，同时在对困难样本保持较高关注度的基础上，有效地限制了困难样本过多导致的权重累积而造成对其他样本的挤压。在训练弱分类器的Haar特征集中，新增了兼顾面部器官全局分布的Haar特征，对于面部左右旋转的情况，检测结果有更好的鲁棒性。
附图说明
图1为本发明的整体流程图。
图2为新增的Haar特征。
图3为样本权值更新部分流程图。
具体实施方式
下面将结合附图对本发明的实施作进一步的描述。
结合图1，本发明是一种基于AdaBoost的人脸检测分类器构造方法，包括以下步骤：
步骤1：定义一个包含人脸与非人脸的样本集合(x1,y1),...,(xn,yn)，其中yn对应于正、负样本(人脸样本为正样本，非人脸样本为负样本)分别取值为1和-1；
步骤2：初始化正负样本权重分布为w1,i＝1/n，i＝1,...,n。
步骤3：对于t＝1,...,T：
3-1：在当前的分布w1,i下，针对每个单Haar特征训练一个弱分类器，其中包括本发明新增的Haar特征，并从中选取错误率最小的一个作为此次循环的弱分类器ht；
3-2：对选中的ht：X→Y,计算加权错误率：
3-3：求解弱分类器ht的加权参数
3-4：为下轮循环更新样本的权重：
其中，Zt是归一化因子，即WHt是样本更新的权重阈值，WN是大权重样本的轮数阈值，N是大于权重阈值样本的轮数计数。
步骤4：经过步骤3循环，得到一系列弱分类器，最后组合成的强分类器为
结合图2本发明通过增加新的Haar特征，解决了原先Haar特征集只关注局部特征的问题，将脸部器官的全局特征充分考虑，模拟了人脸部旋转后眼睛、鼻子和嘴的分布特点，给出的类“T”型Haar特征，对幅度在30°至60°的左右旋转有较强的鲁棒性，取得了良好的检测效果。
结合图3，本发明通过对样本权重更新过程做了相关的改进，提出了更加优化的分类器构造方法。在样本权重更新的过程中，使用双阈值方法避免困难样本造成的退化问题，权重阈值WH限制样本权重的过分增大，轮数阈值WN在保证给予困难样本足够重视程度的情况下，限制大权重样本数量上的累积而造成对其他样本的权重挤压。首先，本轮各样本的权重为w1,i，针对本轮的分类结果，对分类正确的样本，减小其权重并归一化为对分类错误的样本，若样本权重小于WH，则增大其权重并归一化为若样本权重大于或等于WH，但超过权重阈值的轮数N小于WN，则保持其权重并归一化为若样本权重大于或等于WH，且轮数N大于或等于WN，则将其权重恢复为初始大小在轮数N计数期间，若样本被分类正确，则该样本的计数Ni归零。当WN小于3的情况，困难样本的重视程度得不到保障，大于6又可能造成WN失去作用，所以对改进算法中的轮数阈值WN取值为3、4、5、6进行了横向比较实验，从表1可以看出，当取值为5时，人脸的检测时间最短，检测率最高。同时将改进算法与经典算法进行纵向比较，可以看出，改进算法由于肤色检测的初步筛选，检测时间更短，误检率有明显改善。本发明利用双阈值的方法，在重视困难样本的同时，有效地避免了由于过大权重样本以及大量大权重样本堆积造成的退化问题。
表1本文改进算法与经典Adaboost算法的比较
上面结合附图对本发明进行了示例性的描述。显然，本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (3)

1.一种基于AdaBoost的人脸检测分类器构造方法，其特征在于按以下具体步骤实现：
步骤1：定义一个包含人脸与非人脸的样本集合(x1,y1),...,(xn,yn)，其中yn对应于正、负样本(人脸样本为正样本，非人脸样本为负样本)分别取值为1和-1；
步骤2：初始化正负样本权重分布为w1,i＝1/n，i＝1,...,n。
步骤3：对于t＝1,...,T：
3-1：在当前的分布w1,i下，针对每个单Haar特征训练一个弱分类器，其中包括本发明新增的Haar特征，并从中选取错误率最小的一个作为此次循环的弱分类器ht；
3-2：对选中的ht：X→Y,计算加权错误率：
3-3：求解弱分类器ht的加权参数
3-4：为下轮循环更新样本的权重：
其中，WHt是样本更新的权重阈值，WN是大权重样本的轮数阈值，N是大于权重阈值样本的轮数计数，Zt是归一化因子，即
步骤4：经过步骤3循环，得到一系列弱分类器，最后组合成的强分类器为
2.根据权利要求1所述的基于AdaBoost的人脸检测分类器构造方法，其特征在于，所述步骤3-1中，在训练弱分类器所用到的Haar特征集中添加新的特征，该特征更加重视脸部器官的全局分布，并且，对于脸部30°至60°的左右旋转有着很好的鲁棒性。
3.根据权利要求1所述的基于AdaBoost的人脸检测分类器构造方法，其特征在于，所述步骤3-4中，引入了双阈值来限制样本权重的增长。首先是权重阈值WH，在错分样本权重不断增大的过程中，当样本的权重大于WH时，则该样本在之后仍被错分的情况下保持权重大小不变，同时，对这些样本的错分轮数开始计数，每更新一轮，若权重依旧大于权重阈值则计数加1，当计数超过轮数阈值WN时，将该困难样本的权重缩小到初始权重大小1/n，若计数期间该样本的权重缩小到比权重阈值WH小，则计数归零。
CN201711143945.9A 2017-11-17 2017-11-17 一种基于AdaBoost的人脸检测分类器构造方法 Active CN107832722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711143945.9A CN107832722B (zh) 2017-11-17 2017-11-17 一种基于AdaBoost的人脸检测分类器构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711143945.9A CN107832722B (zh) 2017-11-17 2017-11-17 一种基于AdaBoost的人脸检测分类器构造方法

Publications (2)

Publication Number Publication Date
CN107832722A true CN107832722A (zh) 2018-03-23
CN107832722B CN107832722B (zh) 2021-05-28

Family

ID=61651889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711143945.9A Active CN107832722B (zh) 2017-11-17 2017-11-17 一种基于AdaBoost的人脸检测分类器构造方法

Country Status (1)

Country Link
CN (1) CN107832722B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458227A (zh) * 2019-08-08 2019-11-15 杭州电子科技大学 一种基于混合分类器的adas行人检测方法
CN110796828A (zh) * 2019-10-31 2020-02-14 的卢技术有限公司 一种基于车联网寻找丢失人口的方法及其系统
CN112733913A (zh) * 2020-12-31 2021-04-30 浙江禾连网络科技有限公司 一种基于成本Adaboost算法的子女协同老年人财产安全检测方法
CN118487870A (zh) * 2024-07-11 2024-08-13 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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1906369A1 (en) * 2006-09-27 2008-04-02 Delphi Technologies, Inc. Real-time method of determining eye closure state using off-line adaboost-over-genetic programming
CN101398893A (zh) * 2008-10-10 2009-04-01 北京科技大学 一种改进AdaBoost算法的鲁棒人耳检测方法
CN101964063A (zh) * 2010-09-14 2011-02-02 南京信息工程大学 一种改进的AdaBoost分类器构造方法
KR101419837B1 (ko) * 2013-05-07 2014-07-21 성균관대학교산학협력단 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치
CN104820825A (zh) * 2015-04-27 2015-08-05 北京工业大学 基于Adaboost算法的人脸识别优化方法
CN105046278A (zh) * 2015-07-17 2015-11-11 江苏物联网研究发展中心 基于Haar特征的Adaboost检测算法的优化方法
CN105069396A (zh) * 2015-07-06 2015-11-18 河海大学 动态百分比特征裁剪AdaBoost人脸检测算法
CN105677564A (zh) * 2016-01-04 2016-06-15 中国石油大学(华东) 基于改进的Adaboost软件缺陷不平衡数据分类方法
CN106548233A (zh) * 2016-10-26 2017-03-29 南京邮电大学 一种基于改进AdaBoost算法的4‑CBA含量的软测量方法
US20170154209A1 (en) * 2015-12-01 2017-06-01 Canon Kabushiki Kaisha Image identification apparatus and image identification method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1906369A1 (en) * 2006-09-27 2008-04-02 Delphi Technologies, Inc. Real-time method of determining eye closure state using off-line adaboost-over-genetic programming
CN101398893A (zh) * 2008-10-10 2009-04-01 北京科技大学 一种改进AdaBoost算法的鲁棒人耳检测方法
CN101964063A (zh) * 2010-09-14 2011-02-02 南京信息工程大学 一种改进的AdaBoost分类器构造方法
KR101419837B1 (ko) * 2013-05-07 2014-07-21 성균관대학교산학협력단 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치
CN104820825A (zh) * 2015-04-27 2015-08-05 北京工业大学 基于Adaboost算法的人脸识别优化方法
CN105069396A (zh) * 2015-07-06 2015-11-18 河海大学 动态百分比特征裁剪AdaBoost人脸检测算法
CN105046278A (zh) * 2015-07-17 2015-11-11 江苏物联网研究发展中心 基于Haar特征的Adaboost检测算法的优化方法
US20170154209A1 (en) * 2015-12-01 2017-06-01 Canon Kabushiki Kaisha Image identification apparatus and image identification method
CN105677564A (zh) * 2016-01-04 2016-06-15 中国石油大学(华东) 基于改进的Adaboost软件缺陷不平衡数据分类方法
CN106548233A (zh) * 2016-10-26 2017-03-29 南京邮电大学 一种基于改进AdaBoost算法的4‑CBA含量的软测量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YUAN SHUANG 等: "Fast Adaboost algorithm based on weight constraints", 《THE 5TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT SYSTEMS》 *
ZHENGMING LI 等: "Face Detection in Complex Background Based on Skin Color Features and Improved AdaBoost Algorithms", 《2010 IEEE INTERNATIONAL CONFERENCE ON PROGRESS IN INFORMATICS AND COMPUTING》 *
李文辉 等: "一种改进的 Adaboost 训练算法", 《吉林大学学报（理学版）》 *
李晶惠 等: "基于"大 T"型区域的AdaBoost 人脸检测算法", 《软件导刊》 *
熊盛武 等: "改进的基于AdaBoost算法的人脸检测方法", 《计算机应用研究》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458227A (zh) * 2019-08-08 2019-11-15 杭州电子科技大学 一种基于混合分类器的adas行人检测方法
CN110458227B (zh) * 2019-08-08 2021-11-23 杭州电子科技大学 一种基于混合分类器的adas行人检测方法
CN110796828A (zh) * 2019-10-31 2020-02-14 的卢技术有限公司 一种基于车联网寻找丢失人口的方法及其系统
CN110796828B (zh) * 2019-10-31 2022-06-14 的卢技术有限公司 一种基于车联网寻找丢失人口的方法及其系统
CN112733913A (zh) * 2020-12-31 2021-04-30 浙江禾连网络科技有限公司 一种基于成本Adaboost算法的子女协同老年人财产安全检测方法
CN118487870A (zh) * 2024-07-11 2024-08-13 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
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

Also Published As

Publication number Publication date
CN107832722B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
Agustsson et al. Apparent and real age estimation in still images with deep residual regressors on appa-real database
CN107832722A (zh) 一种基于AdaBoost的人脸检测分类器构造方法
CN109815826B (zh) 人脸属性模型的生成方法及装置
CN105160299B (zh) 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法
Agarwal et al. Face recognition using principle component analysis, eigenface and neural network
Asadifard et al. Automatic adaptive center of pupil detection using face detection and cdf analysis
CN102254180B (zh) 一种基于几何特征的人脸美感分析方法
Collins et al. Full body image feature representations for gender profiling
CN104463128B (zh) 用于人脸识别的眼镜检测方法及系统
CN102156885B (zh) 基于级联式码本生成的图像分类方法
Wu et al. Some analysis and research of the AdaBoost algorithm
CN106778852A (zh) 一种修正误判的图像内容识别方法
CN106056059B (zh) 多方向slgs特征描述及性能云加权融合的人脸识别方法
CN109086794B (zh) 一种基于t-lda主题模型的驾驶行为模式识方法
CN106203256A (zh) 一种基于稀疏保持典型相关分析的低分辨率人脸识别方法
Li et al. Using support vector machines to enhance the performance of Bayesian face recognition
CN107194344A (zh) 自适应骨骼中心的人体行为识别方法
CN114663985A (zh) 人脸静默活体检测方法、装置、可读存储介质及设备
CN103034840A (zh) 一种性别识别方法
CN105608443A (zh) 一种多特征描述及局部决策加权的人脸识别方法
Ye et al. GAN quality index (GQI) by GAN-induced classifier
Schels et al. A multiple classifier system approach for facial expressions in image sequences utilizing GMM supervectors
Li et al. Nonlinear combination of multiple kernels for support vector machines
CN108830151A (zh) 基于高斯混合模型的面具检测方法
Venkatesh et al. Automatic expression recognition and expertise prediction in Bharatnatyam

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant