CN110046565A - 一种基于Adaboost算法的人脸检测方法 - Google Patents

Abstract

本发明公开一种基于Adaboost算法的人脸检测方法，步骤是：对输入的视频或图像进行预处理，包括进行灰度归一化和滤波去噪；将彩色图像的RGB空间转换为YCbCr空间，然后根据肤色色度的范围，对图像进行肤色分割；对肤色分割后的图像进行形态学处理；采用Canny边缘检测算法对形态学处理后的图像进行边缘检测；利用RHT检测图像中的椭圆，将检测出似人脸的椭圆区域抠出，作为人脸候选区域；利用Adaboost算法训练级联分类器，利用训练好的级联分类器对人脸候选区域进行人脸检测，输出人脸位置。此种人脸检测方法能够在保证检测率的同时，降低计算量，提高检测速度。

Description

一种基于Adaboost算法的人脸检测方法

技术领域

本发明涉及一种利用计算机技术、数字图像处理技术、模式识别技术等实现人脸检测的方法，特别涉及一种基于肤色、几何特征和Adaboost算法的人脸检测方法。

背景技术

人们对人脸识别技术很早就开始了研究，并且一直以来都是计算机视觉领域的热门研究方向。人脸检测是人脸识别系统中的一个重要环节，随着互联网产品的不断发展，人脸检测技术越来越受到研究者的重视。人脸检测方法主要可以分为三类：基于特征知识的方法，基于模板匹配的方法和基于统计学习的方法。目前，最常用的方法是基于统计学习的方法，其中Adaboost算法最具代表性。

Adaboost算法是一种自适应算法，通过迭代训练提高分类器的分类效果，其主要的训练过程如下：首先给样本集中的每个样本赋予相同的权值，然后进行训练，每次都采用同一个弱分类器进行训练，根据加大分类错误的样本权值同时降低分类正确的样本权值的原则，每次训练完都会得到一个弱分类器，之后调整每个样本的权值再次训练，n次训练后，将得到的n个弱分类器加权级联组成一个性能较好的强分类器，如此再训练多个强分类器，最后将这些强分类器级联得到级联分类器。

但由于Adaboost算法在人脸检测时，需要提前计算整张图像的积分图，计算量非常大，影响了检测速度，因此急需设计一种改进的基于Adaboost算法的人脸检测方法，提高检测效率。

发明内容

本发明的目的，在于提供一种基于Adaboost算法的人脸检测方法，在保证检测率的同时，降低了计算量，提高了检测速度。

为了达成上述目的，本发明的解决方案是：

一种基于Adaboost算法的人脸检测方法，包括如下步骤：

步骤1，对输入的视频或图像进行预处理，包括进行灰度归一化和滤波去噪；

步骤2，将彩色图像的RGB空间转换为YCbCr空间，然后根据肤色色度的范围，对图像进行肤色分割；

步骤3，对肤色分割后的图像进行形态学处理；

步骤4，采用Canny边缘检测算法对形态学处理后的图像进行边缘检测；

步骤5，利用RHT检测图像中的椭圆，将检测出似人脸的椭圆区域抠出，作为人脸候选区域；

步骤6，利用Adaboost算法训练级联分类器，利用训练好的级联分类器对人脸候选区域进行人脸检测，输出人脸位置。

采用上述方案后，本发明首先利用颜色空间转换对肤色进行分割，缩小了检测范围，再用RHT检测似人脸的椭圆，进一步排除非人脸区域，最后进行Adaboost算法分类，大大减少了计算量，提高了检测速度。

附图说明

图1是本发明的人脸检测流程图；

图2是二次曲线的极和极线定义；

图3是本发明采用的Haar特征模板图；

图4是本发明的级联分类器示意图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种基于Adaboost算法的人脸检测方法，包括如下步骤：

步骤1，对输入的视频或图像进行预处理，包括进行灰度归一化和滤波去噪，其中，在本实施例中，采用直方图均衡化实现灰度归一化，这是一种利用灰度变换自动调节图像对比度质量的方法，通过灰度级的概率密度函数求出灰度变换函数，是一种以累计分布函数变换法为基础的直方图修正法；直方图均衡化使用一个映射函数来处理随机分布的人脸图像，从而得到新的均匀分布的直方图，基本思想是对原始图像的像素灰度做某种映射变换，使变换后图像灰度的概率密度呈均匀分布，这就意味着图像灰度的动态范围得到了增加，提高了图像的对比度。

在本实施例中，采用中值滤波的方法实现滤波去噪，这是一种非线性滤波方法，它可以保留图像的细节特征，在一定条件下可以克服线型滤波器带来的处理图像细节模糊的问题，其操作流程如下：

(1)选定一个n×n的模板，并在图像中进行行或列方向的移动，每次移动时，都要将该模板的中心与要处理的像素点重合；

(2)依次读取该n×n模板中的每个像素点的灰度值，并从小到大进行排序；

(3)选择中间值作为中心像素的像素值。

步骤2，将彩色图像的RGB空间转换为YCbCr空间，然后根据肤色色度的范围，对图像进行肤色分割；

肤色分割是基于YCbCr颜色空间，将彩色图像由RGB空间转换为YCbCr空间，如下式所示：

对于人体肤色范围分布，Cb主要集中在[100,127]内，Cr主要集中在[138,170]内，将肤色像素点的像素值设为255，其余像素点的像素值均设为0，这样处理后的图像，肤色区域为白色，其余区域均为黑色。

步骤3，对肤色分割后的图像进行形态学处理，主要包括腐蚀、膨胀、开运算和闭运算，可以将一些黑点或黑框去除掉，同时把断开的连通区域连接起来，从而得到比较平滑的图像，可以消除干扰。

步骤4，采用Canny边缘检测算法对形态学处理后的图像进行边缘检测，具体包括如下几个处理步骤：

(1)滤波：由于输入边缘检测的图像已经进行了滤波(步骤1)，因此该步骤可省略；

(2)获取梯度的幅值和方向：采用边缘检测的算子返回水平G_x和垂直G_y方向的一阶导数值，由此可以确定像素点的梯度G和方向θ，计算公式如下：

θ＝arctan(G_y/G_x)

(3)非极大值抑制：将当前位置的梯度值与沿着梯度方向上两侧的各个位置的梯度值进行比较，若该点的梯度值是局部的最大值，则该点就是边缘点。

步骤5，由于人脸轮廓近似椭圆，因此可利用RHT检测图像中的椭圆，排除不含椭圆的图像，从而排除大多数非人脸区域，如图2所示，二次曲线上的两点p₁,p₂处的切线为l₁,l₂，若它们不互相平行，则相交于点T，点T称为二次曲线的极，过p₁,p₂的弦p₁p₂称为二次曲线的极线，该极线在直线l₃上，点M为线段p₁p₂的中点，线段的中点为点G，并与椭圆交于点p₃；采用RHT排除椭圆的具体步骤如下：

(1)构造边缘点集D，初始化参数单元集P＝NULL，循环计数k＝0；

(2)从D中随机选取两点p₁,p₂；

(3)预先指定阈值d_t和α_t，只有当线段p₁p₂的长度|p₁p₂|以及这两点处的边缘方向α₁、α₂满足：

|p₁p₂|≥d_t,|α₁-α₂|≥α_t

才执行步骤(4)，否则执行步骤(2)；

(4)在线段上搜索点p₃，若搜索到了，则判断是否满足：

其中为直线l₃的方向，α₃是点p₃处的边缘方向，α_tol是边缘方向的容许误差，这里取20°；若满足则执行步骤(5)，否则执行步骤(9)；

(5)计算这3点p₁,p₂,p₃所确定的二次曲线参数，若满足椭圆参数条件，则执行步骤(6)，否则执行步骤(9)；

(6)在参数单元集P中找一个参数单元p_c，满足||p-p_c||≤δ(δ是容许误差)，若找到则执行步骤(8)，否则执行步骤(7)；

(7)将p插入P，令其score为1，执行步骤(9)；

(8)将p_c的score加1并将参数单元p_c更新，若p_c的score小于指定的阈值N_t，则执行步骤(9)，否则执行步骤(10)；

(9)k＝k+1，若k大于指定的最大循环次数K_max，则结束，否则执行步骤(2)；

(10)p_c为候选椭圆的参数，利用落在该候选椭圆上的点数和其周长之比来判断该候选椭圆是否为真实椭圆，若是则执行步骤(11)，否则为虚假椭圆，从P中去除p_c，执行步骤(2)；

(11)检测到参数为p_c的真实椭圆，判断已检测到的椭圆数是否已达到规定的数目，若是则结束，否则将落在参数p_c对应椭圆上的点从D中去掉，重置P＝NULL，k＝0，执行步骤(2)。

步骤6，筛选人脸区域，将检测出似人脸的椭圆区域抠出，作为人脸候选区域，进行接下来的Adaboost人脸检测；

步骤7，利用Adaboost算法训练级联分类器；

(一)如图3所示，每个人脸图片中包含大量的Haar特征，每个Haar特征都可以训练一个弱分类器h_j(x)，如下式，每个弱分类器都包含一个Haar特征值和一个特征阈值：

其中f_j(x)表示第j个Haar特征，θ_j表示第j个Haar特征对应的阈值，p_j表示第j个Haar特征不等式的判别方向。弱分类器训练就是在当前样本分布下，设置一个阈值，使分类的准确率最大。训练一个弱分类器的过程如下：

(1)在每个样本图片中计算Haar特征的特征值；

(2)将特征值排序(按照从小到大的方式)；

(3)计算所有正样本的权值之和T⁺与负样本的权值之和T^-；

(4)计算步骤(2)之前时正样本对应的权值之和S⁺与负样本对应的权值之和S^-；

(5)设置一个与特征值相近的阈值后，可求出正确分类的误差如下式：

e＝min(S⁺+(T^--S^-),S^-+(T⁺-S⁺))

求出的误差越小，则分类器的分类效果越好，Adaboost算法要求每个弱分类器的分类正确率不低于0.5即可，因此弱分类器阈值的选取比较容易达到要求。

(二)强分类器是由许多个弱分类器线性组合而成，每次训练都会对样本权值进行调整，强化分类器的分类能力。训练强分类器的过程如下：

(1)构建样本数为n的训练集，其中正负样本数分别为a和b，则n＝a+b。训练集可以表示为{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中x_i为训练集中的第i个样本，y_i表示样本x_i的性质，若y_i＝1，则x_i是正样本，反之x_i是负样本；

(2)权值初始化：给所有正样本赋予的权值为所有正样本赋予的权值为

(3)权值归一化：每次循环权值调整为：

其中k表示循环次数，W_k,i表示第k次循环第i个样本的权值；

(4)用Haar特征j训练出的弱分类器h_j对训练集进行分类，计算出分类误差为：

其中h_j(x_i)表示弱分类器h_j对第i个样本的分类结果；

(5)对步骤(4)计算出的所有分类误差进行筛选，选取误差最小的弱分类器即最优分类器h_k(x)，则此时的分类误差为e_k；

(6)改变样本权值：正样本权值变为负样本权值变为W_k+1,i＝W_k,i；

(7)将得到的最优弱分类器组合成强分类器：

其中

(三)如图4所示为训练的级联分类器示意图，级联分类器相比强分类器可以进一步缩小误检率和提高检测率。训练级联分类器的过程如下：

(1)定义级联分类器的参数：i为级联分类器层数，n_i表示第i级强分类器所包含弱分类器的个数，d为每级强分类器的最小检测率，f为每级强分类器的最大误检率，D_i为第i级强分类器的检测率，F_i为第i级强分类器的误检率，F为级联分类器的误检率，设定级联分类器的总误检率F的范围为0.05＜F≤1；

(2)设i＝0,D₀＝1,F₀＝1；

(3)当F_i＞F时：

a)i＝i+1；

b)n_i＝0；

c)F_i＝F_i-1

d)当F_i＞f×F_i-1时：

①n_i＝n_i+1；

②用Adaboost算法训练一个包含n_i个弱分类器的强分类器；

③计算当前级的检测率D_i和误检率F_i；

④改变强分类器的阈值，满足D_i≥d×D_i-1；

e)舍弃所有负样本；

(4)当F_i＜F时，将此时级联分类器分类出的负样本归入负样本集中。

步骤8，利用训练好的级联分类器对人脸候选区域进行人脸检测，输出人脸位置。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.一种基于Adaboost算法的人脸检测方法，其特征在于包括如下步骤：

步骤1，对输入的视频或图像进行预处理，包括进行灰度归一化和滤波去噪；

步骤2，将彩色图像的RGB空间转换为YCbCr空间，然后根据肤色色度的范围，对图像进行肤色分割；

步骤3，对肤色分割后的图像进行形态学处理；

步骤4，采用Canny边缘检测算法对形态学处理后的图像进行边缘检测；

步骤5，利用RHT检测图像中的椭圆，将检测出似人脸的椭圆区域抠出，作为人脸候选区域；

步骤6，利用Adaboost算法训练级联分类器，利用训练好的级联分类器对人脸候选区域进行人脸检测，输出人脸位置。

2.如权利要求1所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤1中，采用直方图均衡化实现灰度归一化。

3.如权利要求1所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤1中，采用中值滤波的方法实现滤波去噪，具体步骤是：

步骤1a，选定一个n×n的模板，并在图像中进行行或列方向的移动，每次移动时，都要将该模板的中心与要处理的像素点重合；

步骤1b，依次读取该n×n模板中的每个像素点的灰度值，并从小到大进行排序；

步骤1c，选择中间值作为中心像素的像素值。

4.如权利要求1所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤3中，形态学处理包括腐蚀、膨胀、开运算和闭运算。

5.如权利要求1所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤4中，进行边缘检测包括依次进行获取梯度的幅度和方向、非极大值抑制的操作。

6.如权利要求1所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤5中，利用RHT检测图像中的椭圆的具体过程是：

设图像中任意一条二次曲线上的两点p₁,p₂处的切线为l₁,l₂，二者相交于点T，过p₁,p₂的弦p₁p₂在直线l₃上，点M为线段p₁p₂的中点，线段的中点为点G，并与椭圆交于点p₃；

步骤5a，构造边缘点集D，初始化参数单元集P＝NULL，循环计数k＝0；

步骤5b，从D中随机选取两点p₁,p₂；

步骤5c，预先指定阈值d_t和α_t，只有当线段p₁p₂的长度|p₁p₂|以及这两点处的边缘方向α₁、α₂满足：

|p₁p₂|≥d_t,|α₁-α₂|≥α_t

才执行步骤5d，否则执行步骤5b；

步骤5d，在线段上搜索点p₃，若搜索到，则判断是否满足：

其中为直线l₃的方向，α₃是点p₃处的边缘方向，α_tol是边缘方向的容许误差，这里取20^°；若满足则执行步骤5e，否则执行步骤5i；

步骤5e，计算这3点p₁,p₂,p₃所确定的二次曲线参数，若满足椭圆参数条件，则执行步骤5f，否则执行步骤5i；

步骤5f，在参数单元集P中找一个参数单元p_c，满足||p-p_c||≤δ(δ是容许误差)，若找到则执行步骤5h，否则执行步骤5g；

步骤5g，将p插入P，令其score为1，执行步骤5i；

步骤5h，将p_c的score加1并将参数单元p_c更新，若p_c的score小于指定的阈值N_t，则执行步骤5i，否则执行步骤5j；

步骤5i，k＝k+1，若k大于指定的最大循环次数K_max，则结束，否则执行步骤5b；

步骤5j，p_c为候选椭圆的参数，利用落在该候选椭圆上的点数和其周长之比来判断该候选椭圆是否为真实椭圆，若是则执行步骤5k，否则为虚假椭圆，从P中去除p_c，执行步骤5b；

步骤5k，检测到参数为p_c的真实椭圆，判断已检测到的椭圆数是否已达到规定的数目，若是则结束，否则将落在参数p_c对应椭圆上的点从D中去掉，重置P＝NULL，k＝0，执行步骤5b。

7.如权利要求1所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤6中，利用Adaboost算法训练级联分类器的具体过程是：

步骤61，首先定义级联分类器的参数：i为级联分类器层数，n_i表示第i级强分类器所包含弱分类器的个数，d为每级强分类器的最小检测率，f为每级强分类器的最大误检率，D_i为第i级强分类器的检测率，F_i为第i级强分类器的误检率，F为级联分类器的误检率；

步骤62，设i＝0,D₀＝1,F₀＝1；

步骤63，若F_i＜F时，将此时级联分类器分类出的负样本归入负样本集中；若F_i＞F，则转步骤64；

步骤64，i＝i+1，设n_i＝0，F_i＝F_i-1，当F_i＞f×F_i-1时：

①n_i＝n_i+1；

②用Adaboost算法训练一个包含n_i个弱分类器的强分类器；

③计算当前级的检测率D_i和误检率F_i；

④改变强分类器的阈值，使其满足D_i≥d×D_i-1；

步骤65，舍弃所有负样本。

8.如权利要求7所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述强分类器的训练过程是：

步骤a1，构建样本数为n的训练集，其中正负样本数分别为a和b，则n＝a+b；训练集表示为{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中x_i为训练集中的第i个样本，y_i表示样本x_i的性质，若y_i＝1，则x_i是正样本，反之x_i是负样本；

步骤a2，给所有正样本赋予的权值为所有正样本赋予的权值为

步骤a3，对权值进行归一化处理，每次循环权值调整为：

其中k表示循环次数，W_k,i表示第k次循环第i个样本的权值；

步骤a4，用Haar特征j训练出的弱分类器h_j对训练集进行分类，计算出分类误差为：

其中h_j(x_i)表示弱分类器h_j对第i个样本的分类结果；

步骤a5，对步骤a4计算出的所有分类误差进行筛选，选取误差最小的弱分类器即最优分类器h_k(x)，则此时的分类误差为e_k；

步骤a6，改变样本权值，正样本权值变为负样本权值变为W_k+1,i＝W_k,i；

步骤a7，将得到的最优弱分类器组合成强分类器：

其中

9.如权利要求8所述的一种基于Adaboost算法的人脸检测方法，其特征在于：所述步骤a4中，用Haar特征j训练出的弱分类器h_j的表达式是：

其中f_j(x)表示第j个Haar特征，θ_j表示第j个Haar特征对应的阈值，p_j表示第j个Haar特征不等式的判别方向；训练弱分类器的过程是：

步骤b1，在每个样本图片中计算Haar特征的特征值；

步骤b2，将特征值排序；

步骤b3，计算所有正样本的权值之和T⁺与负样本的权值之和T^-；

步骤b4，计算步骤b2之前时正样本对应的权值之和S⁺与负样本对应的权值之和S^-；

步骤b5，设置一个与特征值相近的阈值后，求出正确分类的误差如下式：

e＝min(S⁺+(T^--S^-),S^-+(T⁺-S⁺))

求出的误差越小，则分类器的分类效果越好，要求误差不低于0.5。