CN113283378A - 一种基于梯形区域归一化像素差异特征的猪脸检测方法 - Google Patents

Abstract

本发明公开了一种基于梯形区域归一化像素差异特征的猪脸检测方法，属于图像处理领域。该方法包括通过猪脸检测模型的训练得到猪脸检测器，并利用猪脸检测器进行猪脸的检测，在猪脸检测模型中利用了基于梯形区域归一化像素差异特征提取方法。相比于传统的归一化像素差异特征提取方法，有着更好的检测效果，且不再要求数据库中必须包含各种姿态的猪脸且数量分布均匀，降低了采集数据的难度。该方法对面部比较脏的猪脸有着不错的检测效果，对角度变化的猪脸检测表现着较好的鲁棒性。

Description

一种基于梯形区域归一化像素差异特征的猪脸检测方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于梯形区域归一化像素差异特征的猪脸检测方法。

背景技术

近年来，现代畜牧业不断向规模化和集约化的方向发展，动物疫病、动物行为异常等动物健康福利问题也越来越严重。随着互联网技术的进步，智慧农业和自动化养殖的发展，传统的养猪行业也开始向高科技养殖模式转变，大规模集成化养殖进程明显加快，多种先进技术应用于大规模养猪场，打造无人化养猪工厂成为行业的发展趋势。而人工智能养猪中有个很重要的环节，就是猪脸的检测，这对猪疫病的防护是很重要的，是猪脸识别的基础，能监视出是哪一头猪患了疾病。

猪脸检测作为人工智能养猪的重要基础环节，为猪场管理提供实时准确的数据支持，对推动现代化猪场管理和快速发展有着巨大的推动作用。

由于猪脸和人脸结构上的很多区别，比如猪脸的各个部位不在同一个平面上，不像人脸近似可以看成是一个平面；同时，猪的生活环境并不是十分干净的，猪会把自己的脸弄的脏兮兮的，容易遮盖本来的面部特征，这些也会给猪脸检测带来了很大的困难；同时，对于自然的猪场环境，光照强度的一些变化，也会对猪脸的检测造成一定的影响；另外，猪并不会像人一样，配合着进行检测，偏航角和仰角也会对我们的检测造成影响，所以开发的检测器应能尽可能多的检测出多个角度的猪脸。这些原因会导致将人脸检测算法直接应用到猪脸检测领域会有着不乐观的效果。

综上所述，猪脸检测技术存在以下问题：

1、猪脸更像是一个三维空间，人脸更像是一个平面。人脸检测算法直接应用到猪脸上效果不是很好。

2、猪脸通常都是比较脏的，会掩盖猪脸本来的特征，对特征提取会造成一定的干扰。

3、猪场的复杂环境和光照强度，会对猪脸检测造成一定的影响。

4、当对猪进行面部检测时，猪并不能像人一样，配合着进行检测，正脸姿态会有很多种，会出现许多偏航角度和仰角，对特征提取会造成一定的影响。传统的基于归一化像素差异特征的检测方法，基于像素点计算，所描述的特征过细，以此特征训练猪脸模型时，猪脸检测的召回率严重依赖训练数据库，训练样本集需覆盖所有的可能的猪脸姿态，且每一种姿态的猪脸样本数量需分布均匀，才能对各种变化下的猪脸实现准确检测，否则当猪脸正样本数据集中不包含某一角度的猪脸或者该角度下的猪脸样本数量较少时，所得模型对这一角度下的猪脸检测效果会明显下降。然而在实际操作中，构建一个猪脸姿态、表情等变化齐全，各种猪脸变化的数据分布均匀的数据集难度较大，再加上采集猪脸数据本来就是一个比较困难的工作，对数据集的制作有着很大的考验。

发明内容

针对现有技术的不足，本发明的主要目的在于提出一种新的猪脸特征提取算法，解决上述现有技术中存在的问题。具体地，利用改进的基于梯形区域归一化像素差异特征，对输入图像进行特征提取，得到图像的特征向量，特征向量输入到由深度二次树级联形成的猪脸分类器中，进行猪脸和非猪脸的分类。与传统方法相比，能够用较少的样本图像实现更多角度猪脸的检测，同时对于自然场景下的猪脸和肮脏的猪脸都有着不错的检测率，实现具有检测精度高、泛化能力强，鲁棒性好的猪脸检测器。

为达到上述目的，本发明提供了一种基于梯形区域归一化像素差异特征的猪脸检测方法，包括通过猪脸检测模型的训练得到猪脸检测器，并利用猪脸检测器进行自然场景下猪脸图像的检测，具体包括以下步骤：

1.一种基于梯形区域归一化像素差异特征的猪脸检测方法，其特征在于，包括通过猪脸检测模型的训练得到猪脸检测器，并利用猪脸检测器进行自然场景下猪脸图像的检测，具体包括以下步骤：

步骤1，通过猪脸检测模型的训练得到猪脸检测器，步骤如下：

步骤1.1，采集M张猪脸图像构成一个正样本数据集，采集N张非猪脸图像构成一个负样本数据集，猪脸图像和非猪脸图像的分辨率均为a×a；

步骤1.2，从正样本数据集中随机选取m张猪脸图像，记为正样本训练集，从负样本数据集中随机选取n张非猪脸图像，记为负样本训练集，其中，m＜M，n＜N；

步骤1.3，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，并构建弱分类器；

步骤1.3.1，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，得到正样本训练集中每一个猪脸图像的正样本特征向量X₁和负样本训练集中每一个非猪脸图像的的负样本特征向量Y₁；

步骤1.3.2，根据正样本训练集、负样本训练集、每一个猪脸图像的正样本特征向量X₁和每一个非猪脸图像的负样本特征向量Y₁，构建一个深度二次树，并将这种深度二次树记为弱分类器；

步骤1.4，将通过步骤1.3得到的所有弱分类器级联，得到猪脸分类器；

步骤1.5，建立一个测试数据集，该测试数据集中的图像包括已知猪脸图像和已知非猪脸图像，分辨率均为A×B，A≠B≠a，用步骤1.4得到的猪脸分类器，对测试数据集里的图像进行是否含有猪脸的检测：

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数小于m，结束步骤1，即得到符合要求的猪脸检测器；

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数大于m，返回步骤1.3，并对步骤1.3中的正样本训练集和负样本训练集进行更新；

步骤2，利用猪脸检测器进行自然场景下猪脸图像的检测，具体步骤如下：

步骤2.1，输入一张自然场景下的猪脸图像，所述自然场景下的猪脸图像即图像中包含猪脸及周围的环境，将该自然场景下的猪脸图像记为待验证猪脸图像，待验证猪脸图像的分辨率为A×B；

步骤2.2，利用步骤1.5中得到的猪脸检测器，对待验证猪脸图像进行猪脸区域和非猪脸区域的分类，并标记出猪脸区域，具体的包括：

步骤2.2.1，设滑动窗口为正方形，边长为k，滑动步长为0.1×k，该滑动窗口从待验证猪脸图像的左上方，自左向右，自上而下的对验证图像进行扫描，得到L个滑动窗口，其中L＝A×B/(0.1×k²)；

步骤2.2.2，更新滑动窗口的边长，并将更新后的边长记为k_τ，k_τ＝1.2×k_τ-1，τ为更新次数，k_τ-1表示更新次数为τ-1时的滑动窗口边长，用更新后的边长k_τ替代边长k后再次进行步骤2.2.1，并重复进行，直到最后一次更新后的边长k_τ＞min{0.5×A，0.5×B}，设此过程总共得到的滑动窗口数为T个，T＝∑L；

步骤2.2.3，用改进的基于梯形区域归一化像素差异特征，对T个滑动窗口进行特征提取，得到每个滑动窗口的特征向量pe，其中e为滑动窗口的编号，e＝1，2，...T；

步骤2.2.4，将滑动窗口的特征向量p_e输入到猪脸检测器，并进行判断：

若猪脸检测器将滑动窗口的特征向量p_e分类为猪脸，则滑动窗口的特征向量p_e对应的滑动窗口为猪脸区域，用实线标记出该区域：

若猪脸检测器将滑动窗口的特征向量p_e分类为非猪脸，则不对其进行任何处理；

将T个滑动窗口的特征向量p_e均输入猪脸检测器，完成待验证猪脸图像中所有猪脸区域和非猪脸区域的分类，并将猪脸区域标记出来。

优选地，步骤1.3.1中所述改进的梯形区域归一化像素差异特征提取的过程如下：

将正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像统一命名为样本图像，样本图像分辨率为a×a，样本图像中任意两个像素点之间的梯形区域归一化像素差异特征定义像素差异值f(x_i，x_j)，其表达式如下：

其中，

i，j为滑动窗口中像素点的编号，i＝1，2，...，k×k，j＝1，2，...，k×k；将i对应的像素点记为像素点i，将j对应的像素点记为像素点j；

x_i为以像素点i为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点i的平均值x_i，x_j为以像素点j为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点j的平均值x_j，表达式分别如下：

式中，r_i表示像素点i的像素强度值，r_j表示像素点j的像素强度值；

定义像素差异值f(x_i，x_j)：当x_i，x_j＝0时，f(x_i，x_j)等于0；

将分辨率为α×a的样本图像向量化为一个p×1长度的样本图像特征向量I，I＝(h₁，h₂，...，h_u，...，h_v...，h_p)^T，其中，p为样本图像特征点总数，p＝(a-1)×(a-3)，u，v表示样本图像中特征点的编号，u＝1，2，...，p，v＝1，2，...，p，且u≠v，h_u为特征点u的梯形区域像素强度值的平均值，记为特征点u的平均值h_u，h_v为特征点v的梯形区域像素强度值的平均值，记为特征点v的平均值h_v；

将样本图像特征向量I＝(h₁，h₂，...，h_u，...，h_v...，h_p)^T映射到梯形区域归一化像素差特征空间，得到样本图像特征向量空间F，其表达式为：

F＝(f(h₁，h₂)，f(h₁，h₃)，...，f(h_u，h_v)，...，f(h_p-1，h_p))^T

其中，f(h_u，h_v)表示特征点u的平均值h_u和特征点vv的平均值h_v之间的像素差异值；

将样本图像特征向量空间F的表达式改写为：

F＝(f_1γ，f_2γ，...，f_qγ，...，f_rγ)^T

其中，

γ为训练集的类别，γ＝α，β，具体的，当γ＝α时，样本图像特征向量空间F为与正样本训练集中图像对应的样本图像特征向量空间并记为正样本特征向量X₁，当γ＝β时，样本图像特征向量空间F为与负样本训练集中图像对应的样本图像特征向量空间并记为负样本特征向量Y₁；

其中，f_qγ为样本图像特征向量空间F中的第q维像素差异特征，r为样本图像特征向量空间的像素差异特征的总数，

p为样本图像特征点总数，p＝(a-1)×(a-3)，q为样本图像特征向量空间的像素差异特征的序号，q＝1，2，...，r；

步骤1.3.2中所述构建一个深度二次树的具体过程如下：

步骤1.3.2.1，采集步骤1.3.1中得到的正样本训练集、正样本特征向量X₁、负样本训练集、负样本特征向量Y₁，记正样本训练集中的图像为正样本，负样本训练集中的图像为负样本；

步骤1.3.2.2，每个正样本和每个负样本，都有一个特征向量空间f＝(f₁，f₂，...，f_q，...，f_r)，f_q表示正样本和负样本的第q维像素差异特征；

比较每个正样本和每个负样本第q维像素差异特征的大小，记像素差异特征的大小为特征值，并将各样本第q维特征值按递增的顺序排列，得到特征值序列(t₁，t₂，...，t_g，...，t_m+n)；其中t_g表示正样本训练集和负样本训练集中的第g张图像的第q维像素差异特征对应的特征值，记为t_g，g＝1，2，...，m+n；

赋予每个正样本权重

赋予每个负样本权重

计算所有正样本权重和，记为T⁺，计算所有负样本权重和，记为T^-；

对已经排序好的特征值序列(t₁，t₂，...，t_g，...，t_m+n)，依次选取每个t_g作为阈值，并进行以下操作：

将t_g之前的所有的正样本权重相加得到S⁺，所有的负样本权重相加得到S^-；

计算t_g对应的分类误差ε，其中ε＝min(S⁺+T^--S^-，S^-+T⁺-S⁺)；

选取最小误差对应的t_g，则此t_g作为根节点的分裂阈值；

步骤1.3.2.3，深度二次树向下分裂，直到深度二次树的深度达到预设值D时，停止分裂，至此构建了一个深度二次树；

其中，深度二次树的分裂规则满足以下规则，ax²+bx+c＝t，其中x表示经过梯形区域归一化像素差异特征提取方式提取的特征值，t表示分裂阈值，a，b，c是关于特征x的常数。

优选地，步骤1.4中所述所有弱分类器的设定如下：设步骤1.5中所述对正样本训练集和负样本训练集进行更新的更新序号为σ，σ＝0，1，2...Z，其中更新序号σ＝0对应步骤1.2中得到的正样本训练集和负样本训练集，分别记为初始正样本训练集和初始负样本训练集，Z表示第Z次更新，且更新Z次后得到符合要求的猪脸检测器；所有弱分类器指的是将初始正样本训练集和初始负样本训练集、Z个更新后的正样本训练集和更新后的负样本训练集分别通过步骤1.3后构建得到的Z+1个弱分类器。

优选地，其特征在于，步骤1.5所述对正样本训练集和负样本训练集进行更新的方式为：

若测试数据集里的已知猪脸图像未被检测出含有猪脸，将该已知猪脸图像记为漏判猪脸图像，检测完毕后将所有误判猪脸图像分辨率调整为a×a后形成新的正样本训练集，用该新的正样本训练集替换步骤1.3中的正样本训练集；

若测试数据集里的已知非猪脸图像被误判含有猪脸，将该已知非猪脸记为误判非猪脸图像，检测完毕后将所有误判非猪脸图像分辨率调整为a×a后形成新的负样本训练集，用该新的负样本训练集替换步骤1.3中的负样本训练集；

与现有技术相比，本发明的有益效果如下：

1、改进的基于梯形区域归一化像素差异特征的猪脸检测方法，在猪脸上有着不错的检测效果。

2、对于猪圈场景下，猪面部比较脏的猪脸，有着不错的检测效果。

3、对于猪圈场景下，环境比较复杂，光照影响比较大的环境，有着不错的检测效果。

4、改进的特征提取算法，由于并不是基于对像素点之间的计算，而是根据猪脸的形状，提出了梯形像素区域之间的计算，对特征描述不需要那么细致，也就意味着训练样本集不需要覆盖所有的可能的猪脸姿态，且每一种姿态的猪脸样本数量需分布均匀。这样大大降低了构建猪脸训练样本数据集的复杂度。同时，也解决了因猪脸正样本数据集中不包含某一角度的猪脸或者该角度下的猪脸样本数量较少时，所得模型对这一角度下的猪脸检测效果会明显下降这一重要问题。大大提高了猪脸的检测率。

附图说明

图1是本发明实施例中一种基于梯形区域归一化像素差异特征的猪脸检测方法的流程图；

图2是本发明实施例中一种基于梯形区域归一化像素差异特征的猪脸检测方法的示意框图。

具体实施方式

下面将结合附图和具体的实施方式对本发明的技术方案进行清除、完整的描述。

图1是本发明实施例中一种基于梯形区域归一化像素差异特征的猪脸检测方法的流程图，图2是本发明实施例中一种基于梯形区域归一化像素差异特征的猪脸检测方法的示意框图，由图1和图2可见，本发明提供了一种基于梯形区域归一化像素差异特征的猪脸检测方法，包括通过猪脸检测模型的训练得到猪脸检测器，并利用猪脸检测器进行自然场景下猪脸图像的检测，具体包括以下步骤：

步骤1，通过猪脸检测模型的训练得到猪脸检测器，步骤如下：

步骤1.1，采集M张猪脸图像构成一个正样本数据集，采集N张非猪脸图像构成一个负样本数据集，猪脸图像和非猪脸图像的分辨率均为a×a；

步骤1.2，从正样本数据集中随机选取m张猪脸图像，记为正样本训练集，从负样本数据集中随机选取n张非猪脸图像，记为负样本训练集，其中，m＜M，n＜N；

步骤1.3，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，并构建弱分类器；

步骤1.3.1，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，得到正样本训练集中每一个猪脸图像的正样本特征向量X₁和负样本训练集中每一个非猪脸图像的的负样本特征向量Y₁；

步骤1.3.2，根据正样本训练集、负样本训练集、每一个猪脸图像的正样本特征向量X₁和每一个非猪脸图像的负样本特征向量Y₁，构建一个深度二次树，并将这种深度二次树记为弱分类器；

步骤1.4，将通过步骤1.3得到的所有弱分类器级联，得到猪脸分类器；

所述所有弱分类器的设定如下：设步骤1.5中所述对正样本训练集和负样本训练集进行更新的更新序号为σ，σ＝0，1，2...Z，其中更新序号σ＝0对应步骤1.2中得到的正样本训练集和负样本训练集，分别记为初始正样本训练集和初始负样本训练集，Z表示第Z次更新，且更新Z次后得到符合要求的猪脸检测器；所有弱分类器指的是将初始正样本训练集和初始负样本训练集、Z个更新后的正样本训练集和更新后的负样本训练集分别通过步骤1.3后构建得到的Z+1个弱分类器。

步骤1.5，建立一个测试数据集，该测试数据集中的图像包括已知猪脸图像和已知非猪脸图像，分辨率均为A×B，A≠B≠a，用步骤1.4得到的猪脸分类器，对测试数据集里的图像进行是否含有猪脸的检测：

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数小于m，结束步骤1，即得到符合要求的猪脸检测器；

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数大于m，返回步骤1.3，并对步骤1.3中的正样本训练集和负样本训练集进行更新；

所述对正样本训练集和负样本训练集进行更新的方式为：

若测试数据集里的已知猪脸图像未被检测出含有猪脸，将该已知猪脸图像记为漏判猪脸图像，检测完毕后将所有误判猪脸图像分辨率调整为a×a后形成新的正样本训练集，用该新的正样本训练集替换步骤1.3中的正样本训练集；

若测试数据集里的已知非猪脸图像被误判含有猪脸，将该已知非猪脸记为误判非猪脸图像，检测完毕后将所有误判非猪脸图像分辨率调整为a×a后形成新的负样本训练集，用该新的负样本训练集替换步骤1.3中的负样本训练集；

在本实例中，取M＝500，N＝1000，m＝100，n＝100，a＝20，A＝511，B＝411。

步骤2，利用猪脸检测器进行自然场景下猪脸图像的检测，具体步骤如下：

步骤2.1，输入一张自然场景下的猪脸图像，所述自然场景下的猪脸图像即图像中包含猪脸及周围的环境，将该自然场景下的猪脸图像记为待验证猪脸图像，待验证猪脸图像的分辨率为A×B；

步骤2.2，利用步骤1.5中得到的猪脸检测器，对待验证猪脸图像进行猪脸区域和非猪脸区域的分类，并标记出猪脸区域，具体的包括：

步骤2.2.1，设滑动窗口为正方形，边长为k，滑动步长为0.1×k，该滑动窗口从待验证猪脸图像的左上方，自左向右，自上而下的对验证图像进行扫描，得到L个滑动窗口，其中L＝A×B/(0.1×k²)；

步骤2.2.2，更新滑动窗口的边长，并将更新后的边长记为k_τ，k_τ＝1.2×k_τ-1，τ为更新次数，k_τ-1表示更新次数为τ-1时的滑动窗口边长，用更新后的边长k_τ替代边长k后再次进行步骤2.2.1，并重复进行，直到最后一次更新后的边长k_τ＞min{0.5×A，0.5×B}，设此过程总共得到的滑动窗口数为T个，T＝∑L；

步骤2.2.3，用改进的基于梯形区域归一化像素差异特征，对T个滑动窗口进行特征提取，得到每个滑动窗口的特征向量p_e，其中e为滑动窗口的编号，e＝1，2，...T；

步骤2.2.4，将滑动窗口的特征向量p_e输入到猪脸检测器，并进行判断：

若猪脸检测器将滑动窗口的特征向量p_e分类为猪脸，则滑动窗口的特征向量p_e对应的滑动窗口为猪脸区域，用实线标记出该区域：

若猪脸检测器将滑动窗口的特征向量p_e分类为非猪脸，则不对其进行任何处理；

将T个滑动窗口的特征向量p_e均输入猪脸检测器，完成待验证猪脸图像中所有猪脸区域和非猪脸区域的分类，并将猪脸区域标记出来。

在本实例中，取k＝20。

至此，对待验证猪脸图像的检测完毕。

在本发明实施例中，步骤1.3.1中所述改进的梯形区域归一化像素差异特征提取的过程如下：

将正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像统一命名为样本图像，样本图像分辨率为a×a，样本图像中任意两个像素点之间的梯形区域归一化像素差异特征定义像素差异值f(x_i，x_j)，其表达式如下：

其中，

i，j为滑动窗口中像素点的编号，i＝1，2，...，k×k，j＝1，2，...，k×k；将i对应的像素点记为像素点i，将j对应的像素点记为像素点j；

x_i为以像素点i为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点i的平均值x_i，x_j为以像素点j为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点j的平均值x_j，表达式分别如下：

式中，r_i表示像素点i的像素强度值，r_j表示像素点j的像素强度值；

定义像素差异值f(x_i，x_j)：当x_i，x_j＝0时，f(x_i，x_j)等于0；

将分辨率为a×a的样本图像向量化为一个p×1长度的样本图像特征向量I，I＝(h₁，h₂，...，h_u，...，h_v...，h_p)^T，其中，p为样本图像特征点总数，p＝(a-1)×(a-3)，u，v表示样本图像中特征点的编号，u＝1，2，...，p，v＝1，2，...，p，且u≠v，h_u为特征点u的梯形区域像素强度值的平均值，记为特征点u的平均值h_u，h_v为特征点v的梯形区域像素强度值的平均值，记为特征点v的平均值h_v；

将样本图像特征向量I＝(h₁，h₂，...，h_u，...，h_v...，h_p)^T映射到梯形区域归一化像素差特征空间，得到样本图像特征向量空间F，其表达式为：

F＝(f(h₁，h₂)，f(h₁，h₃)，...，f(h_u，h_v)，...，f(h_p-1，h_p))^T

其中，f(h_u，h_v)表示特征点u的平均值h_u和特征点v的平均值h_v之间的像素差异值；

将样本图像特征向量空间F的表达式改写为：

F＝(f_1γ，f_2γ，...，f_qγ，...，f_rγ)^T

其中，

γ为训练集的类别，γ＝α，β，具体的，当γ＝α时，样本图像特征向量空间F为与正样本训练集中图像对应的样本图像特征向量空间并记为正样本特征向量X₁，当γ＝β时，样本图像特征向量空间F为与负样本训练集中图像对应的样本图像特征向量空间并记为负样本特征向量Y₁；

其中，f_qγ为样本图像特征向量空间F中的第q维像素差异特征，r为样本图像特征向量空间的像素差异特征的总数，

p为样本图像特征点总数，p＝(a-1)×(a-3)，q为样本图像特征向量空间的像素差异特征的序号，q＝1，2，...，r；

在本发明实施例中，步骤1.3.2中所述构建一个深度二次树的具体过程如下：

步骤1.3.2.1，采集步骤1.3.1中得到的正样本训练集、正样本特征向量X₁、负样本训练集、负样本特征向量Y₁，记正样本训练集中的图像为正样本，负样本训练集中的图像为负样本；

步骤1.3.2.2，每个正样本和每个负样本，都有一个特征向量空间f＝(f₁，f₂，...，f_q，..，f_r)，f_q表示正样本和负样本的第q维像素差异特征；

比较每个正样本和每个负样本第q维像素差异特征的大小，记像素差异特征的大小为特征值，并将各样本第q维特征值按递增的顺序排列，得到特征值序列(t₁，t₂，...，t_g，...，t_m+n)；其中t_g表示正样本训练集和负样本训练集中的第g张图像的第q维像素差异特征对应的特征值，记为t_g，g＝1，2，...，m+n；

赋予每个正样本权重

赋予每个负样本权重

计算所有正样本权重和，记为T⁺，计算所有负样本权重和，记为T^-；

对已经排序好的特征值序列(t₁，t₂，...，t_g，...，t_m+n)，依次选取每个t_g作为阈值，并进行以下操作：

将t_g之前的所有的正样本权重相加得到S⁺，所有的负样本权重相加得到S^-；

计算t_g对应的分类误差ε，其中ε＝min(S⁺+T^--S^-，S^-+T⁺-S⁺)；

选取最小误差对应的t_g，则此t_g作为根节点的分裂阈值；

步骤1.3.2.3，深度二次树向下分裂，直到深度二次树的深度达到预设值D时，停止分裂，至此构建了一个深度二次树；

其中，深度二次树的分裂规则满足以下规则，ax²+bx+c＝t，其中x表示经过梯形区域归一化像素差异特征提取方式提取的特征值，t表示分裂阈值，a，b，c是关于特征x的常数。

Claims (4)

1.一种基于梯形区域归一化像素差异特征的猪脸检测方法，其特征在于，包括通过猪脸检测模型的训练得到猪脸检测器，并利用猪脸检测器进行自然场景下猪脸图像的检测，具体包括以下步骤：

步骤1，通过猪脸检测模型的训练得到猪脸检测器，步骤如下：

步骤1.1，采集M张猪脸图像构成一个正样本数据集，采集N张非猪脸图像构成一个负样本数据集，猪脸图像和非猪脸图像的分辨率均为a×a；

步骤1.2，从正样本数据集中随机选取m张猪脸图像，记为正样本训练集，从负样本数据集中随机选取n张非猪脸图像，记为负样本训练集，其中，m＜M，n＜N；

步骤1.3，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，并构建弱分类器；

步骤1.3.1，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，得到正样本训练集中每一个猪脸图像的正样本特征向量X₁和负样本训练集中每一个非猪脸图像的的负样本特征向量Y₁；

步骤1.3.2，根据正样本训练集、负样本训练集、每一个猪脸图像的正样本特征向量X₁和每一个非猪脸图像的负样本特征向量Y₁，构建一个深度二次树，并将这种深度二次树记为弱分类器；

步骤1.4，将通过步骤1.3得到的所有弱分类器级联，得到猪脸分类器；

步骤1.5，建立一个测试数据集，该测试数据集中的图像包括已知猪脸图像和已知非猪脸图像，分辨率均为A×B，A≠B≠a，用步骤1.4得到的猪脸分类器，对测试数据集里的图像进行是否含有猪脸的检测：

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数小于m，结束步骤1，即得到符合要求的猪脸检测器；

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数大于m，返回步骤1.3，并对步骤1.3中的正样本训练集和负样本训练集进行更新；

步骤2，利用猪脸检测器进行自然场景下猪脸图像的检测，具体步骤如下：

步骤2.1，输入一张自然场景下的猪脸图像，所述自然场景下的猪脸图像即图像中包含猪脸及周围的环境，将该自然场景下的猪脸图像记为待验证猪脸图像，待验证猪脸图像的分辨率为A×B；

步骤2.2，利用步骤1.5中得到的猪脸检测器，对待验证猪脸图像进行猪脸区域和非猪脸区域的分类，并标记出猪脸区域，具体的包括：

步骤2.2.1，设滑动窗口为正方形，边长为k，滑动步长为0.1×k，该滑动窗口从待验证猪脸图像的左上方，自左向右，自上而下的对验证图像进行扫描，得到L个滑动窗口，其中L＝A×B/(0.1×k²)；

步骤2.2.2，更新滑动窗口的边长，并将更新后的边长记为k_τ，k_τ＝1.2×k_τ-1，τ为更新次数，k_τ-1表示更新次数为τ-1时的滑动窗口边长，用更新后的边长k_τ替代边长k后再次进行步骤2.2.1，并重复进行，直到最后一次更新后的边长k_τ＞min{0.5×A，0.5×B}，设此过程总共得到的滑动窗口数为T个，T＝∑L；

步骤2.2.3，用改进的基于梯形区域归一化像素差异特征，对T个滑动窗口进行特征提取，得到每个滑动窗口的特征向量p_e，其中e为滑动窗口的编号，e＝1，2，...T；

步骤2.2.4，将滑动窗口的特征向量p_e输入到猪脸检测器，并进行判断：

若猪脸检测器将滑动窗口的特征向量p_e分类为猪脸，则滑动窗口的特征向量p_e对应的滑动窗口为猪脸区域，用实线标记出该区域：

若猪脸检测器将滑动窗口的特征向量p_e分类为非猪脸，则不对其进行任何处理；

将T个滑动窗口的特征向量p_e均输入猪脸检测器，完成待验证猪脸图像中所有猪脸区域和非猪脸区域的分类，并将猪脸区域标记出来。

2.根据权利要求1所述的一种基于梯形区域归一化像素差异特征的猪脸检测方法，其特征在于，步骤1.3.1中所述改进的梯形区域归一化像素差异特征提取的过程如下：

将正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像统一命名为样本图像，样本图像分辨率为a×a，样本图像中任意两个像素点之间的梯形区域归一化像素差异特征定义像素差异值f(x_i，x_j)，其表达式如下：

其中，

i，j为滑动窗口中像素点的编号，i＝1，2，...，k×k，j＝1，2，...，k×k；将i对应的像素点记为像素点i，将j对应的像素点记为像素点j；

x_i为以像素点i为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点i的平均值x_i，x_j为以像素点j为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点j的平均值x_j，表达式分别如下：

式中，r_i表示像素点i的像素强度值，r_j表示像素点j的像素强度值；

定义像素差异值f(x_i，x_j)：当x_i，x_j＝0时，f(x_i，x_j)等于0；

将分辨率为a×a的样本图像向量化为一个p×1长度的样本图像特征向量I，I＝(h₁，h₂，...，h_u，...，h_v...，h_p)^T，其中，p为样本图像特征点总数，p＝(a-1)×(a-3)，u，v表示样本图像中特征点的编号，u＝1，2，...，p，v＝1，2，...，p，且u≠v，h_u为特征点u的梯形区域像素强度值的平均值，记为特征点u的平均值h_u，h_v为特征点v的梯形区域像素强度值的平均值，记为特征点v的平均值h_v；

将样本图像特征向量I＝(h₁，h₂，...，h_u，...，h_v...，h_p)^T映射到梯形区域归一化像素差特征空间，得到样本图像特征向量空间F，其表达式为：

F＝(f(h₁，h₂)，f(h₁，h₃)，...，f(h_u，h_v)，...，f(h_p-1，h_p))^T

其中，f(h_u，h_v)表示特征点u的平均值h_u和特征点v的平均值h_v之间的像素差异值；

将样本图像特征向量空间F的表达式改写为：

F＝(f_1γ，f_2γ，...，f_qγ，...，f_rγ)^T

其中，

γ为训练集的类别，γ＝α，β，具体的，当γ＝α时，样本图像特征向量空间F为与正样本训练集中图像对应的样本图像特征向量空间并记为正样本特征向量X₁，当γ＝β时，样本图像特征向量空间F为与负样本训练集中图像对应的样本图像特征向量空间并记为负样本特征向量Y₁；

其中，f_qγ为样本图像特征向量空间F中的第q维像素差异特征，r为样本图像特征向量空间的像素差异特征的总数，

p为样本图像特征点总数，p＝(a-1)×(a-3)，q为样本图像特征向量空间的像素差异特征的序号，q＝1，2，...，r；

步骤1.3.2中所述构建一个深度二次树的具体过程如下：

步骤1.3.2.1，采集步骤1.3.1中得到的正样本训练集、正样本特征向量X₁、负样本训练集、负样本特征向量Y₁，记正样本训练集中的图像为正样本，负样本训练集中的图像为负样本；

步骤1.3.2.2，每个正样本和每个负样本，都有一个特征向量空间f＝(f₁，f₂，...，f_q，...，f_r)，f_q表示正样本和负样本的第q维像素差异特征；

比较每个正样本和每个负样本第q维像素差异特征的大小，记像素差异特征的大小为特征值，并将各样本第q维特征值按递增的顺序排列，得到特征值序列(t₁，t₂，...，t_g，...，t_m+n)；其中t_g表示正样本训练集和负样本训练集中的第g张图像的第q维像素差异特征对应的特征值，记为t_g，g＝1，2，...，m+n；

赋予每个正样本权重

赋予每个负样本权重

计算所有正样本权重和，记为T⁺，计算所有负样本权重和，记为T^-；

对已经排序好的特征值序列(t₁，t₂，...，t_g，...，t_m+n)，依次选取每个t_g作为阈值，并进行以下操作：

将t_g之前的所有的正样本权重相加得到S⁺，所有的负样本权重相加得到S^-；

计算t_g对应的分类误差ε，其中ε＝min(S⁺+T^--S^-，S^-+T⁺-S⁺)；

选取最小误差对应的t_g，则此t_g作为根节点的分裂阈值；

步骤1.3.2.3，深度二次树向下分裂，直到深度二次树的深度达到预设值D时，停止分裂，至此构建了一个深度二次树；

其中，深度二次树的分裂规则满足以下规则，ax²+bx+c＝t，其中x表示经过梯形区域归一化像素差异特征提取方式提取的特征值，t表示分裂阈值，a，b，c是关于特征x的常数。

3.根据权利要求1所述的一种基于梯形区域归一化像素差异特征的猪脸检测方法，其特征在于，步骤1.4中所述所有弱分类器的设定如下：设步骤1.5中所述对正样本训练集和负样本训练集进行更新的更新序号为σ，σ＝0，1，2...Z，其中更新序号σ＝0对应步骤1.2中得到的正样本训练集和负样本训练集，分别记为初始正样本训练集和初始负样本训练集，Z表示第Z次更新，且更新Z次后得到符合要求的猪脸检测器；所有弱分类器指的是将初始正样本训练集和初始负样本训练集、Z个更新后的正样本训练集和更新后的负样本训练集分别通过步骤1.3后构建得到的Z+1个弱分类器。

4.根据权利要求1所述的一种基于梯形区域归一化像素差异特征的猪脸检测方法，其特征在于，步骤1.5所述对正样本训练集和负样本训练集进行更新的方式为：

若测试数据集里的已知猪脸图像未被检测出含有猪脸，将该已知猪脸图像记为漏判猪脸图像，检测完毕后将所有误判猪脸图像分辨率调整为a×a后形成新的正样本训练集，用该新的正样本训练集替换步骤1.3中的正样本训练集；

若测试数据集里的已知非猪脸图像被误判含有猪脸，将该已知非猪脸记为误判非猪脸图像，检测完毕后将所有误判非猪脸图像分辨率调整为a×a后形成新的负样本训练集，用该新的负样本训练集替换步骤1.3中的负样本训练集。

Images