一种多角度人脸检测方法

文档序号:6373861阅读:543来源:国知局
专利名称:一种多角度人脸检测方法
技术领域
本发明属于人物目标查询搜索技术方法领域,尤其是涉及一种多角度人脸检测方法。
背景技术
目前的研究对单张图像的人脸检测的方法分为四类(I)基于知识的方法。这些基于先验知识的方法对组成典型人脸的知识进行编码。通常,先验知识包含了这些人脸特征之间的相互关系。此类方法主要用于人脸定位。这种方法的一个难点是怎样把人脸知识转化为定义良好的准则。如果准则过于详细,那么有些人脸将被漏检,因为其没有通过所有的准则。如果准则过于粗略,则将可能犯很多积极错 误。此外,这种方法很难被扩充到检测不同姿势的人脸,因为要枚举出所有可能的情况比较困难。另一方面,这种启发式方法对于特定场景中的正面人脸检测具有很好的效果。(2)特征不变方法。这些算法的目标是找出存在的一些结构特征,这些特征在姿势、观察点、光照条件改变的情况下保持不变。然后使用这些特性来定位人脸。这些方法主要用于人脸定位。与基于知识的方法相对,研究者们一直在试图找到人脸的不变量,用来检测人脸。利用象皮肤颜色、大小、形状等全局特征来找出候选人脸,然后用局部特征验证这些候选人脸,例如眉毛、鼻子和头发。一个典型的方法是,开始的时候检测出像皮肤的区域,然后利用组合分析或集群算法将似人脸像素分组并联系起来。如果被联系起来的区域有椭圆形或卵形,那么该区域就成为候选人脸。(3)模版匹配法。这种方法首先是存储一张人脸的几个标准模版,用来描述整张人脸或人脸的部分特性。然后通过计算输入图像与已经存储模版之间的相关度来进行检测。这些方法既可用于人脸检测也可用于人脸定位。早期的时候Sakai等使用眼睛、鼻子、嘴巴和人脸轮廓的子模版建立人脸模型。Miao等提出用一种分层模版匹配法进行人脸检测。将输入图像按一定步长从进行旋转,形成图像分层,用拉普拉斯变换提取边缘。人脸模版包含六个人脸结构元的边缘两个眉毛、两只眼睛、一个鼻子、一张嘴巴。最后使用启发式方法决定人脸的存在与否。Sinha使用一组空间图像不变量描述人脸模式的空间特性。当变量随着光照的改变而改变人脸不同部分的亮度时,这些部分的相对亮度基本保持不变。确定一些类似区域的成对亮度比,保留这些比例的大致趋势,比如一个区域比另一个区域亮更或更暗,这些比例就给我们提高供了一个很好的不变量。因此,观察到的亮度规律被编码成一个粗糙的人脸空间比例模版,这个模版中包含适当选择的对应于主要人脸特征的子区域,如眼睛、脸颊和额头。通过子区域间的一组适当的明-暗关系对获取人脸特征间的亮度限制。4)基于外观的方法。与模版匹配不同的是,这里的模版是从一组训练图像经过学习而得来的,这些图像应该包括人脸外观的具有代表性的变化因素。这些方法主要用于人脸检测。基于外观的方法可以通过使用概率框架来理解。令从一幅图像中获取的图像向量或特征向量为一个随机变量X,通过条件密度函数决定X的值。然后可以使用贝页斯分类法和最大似然法决定候选图像位置是人脸或不是人脸。基于外观方法的另一个实现途径是在人脸和非人脸之间找出一个判别函数。按照惯例,将图像模式映射到低维空间,然后形成判别函数用于分类,或者用多层神经网络形成一个非线性判决面。在速度上人脸检测技术的发展可以分为几个阶段,在研究初期主要是以检测精度的提高和各种视角的人脸检测为主要内容,对速度的关注相对较少。一些代表行的研究有k_均值聚类的方法,该方法通过聚类的方法在特征空间中建立多个人脸模板,利用神经网络学习训练样本到各个模板之间的距离。基于肤色特征的人脸检测方法认为人脸的皮肤的颜色具有一致性,可以用一种统一的模型进行描述。肤色用于人脸检测时,可以采用不同的建模方法,主要有高斯模型、高斯混合模型以及非参数估计等。非参数的核函数概率密度估计法也可以用于建立肤色模型,在此基础上mean shift方法能够实现脸的检测和跟踪。该算法提高了人脸的检测速度,对于遮挡和光照也有一定的鲁棒性。但是这种方法处理复杂背景和多个人脸时存在困难。为了解决光照问题,有学者提出了针对不同光照进行补偿,然后再检测肤色区域的方法。人脸检测速度提高的一个转折点是P. Viola提出的Adaboost和Cascade算法实现了实时的人脸检测系统,使得人脸检测从真正意义上走向实用。基于 AdaBoost的学习算法。它能从一个很大的特征集中选择很小的一部分关键的特征,从而产生一个极其有效的分类器。基于Boosting和Cascade算法的系统在速度方面具有很大的优越性。它是在提出的一系列Haar-Iike特征的基础上,通过Boosting算法学习一些弱分类器,再组合成一个强分器。但一般一个强分类器还不足以圆满完成任务,还要级联一系列这样的强分类器。但是要进一步提高检测精度,就需要级联更多的强分类器,但是这样又会降低检测速度。我们认为一方面可以采用更好的、计算却更简单的图像特征表述方法;另一方面就是综合Adaboost和一些强分类器。通过上述的调查分析得知,截目前为止国内市场上还没有高清视频实时增强系统,而且人脸检测方法较为单一,难以满足复杂环境下图像增强的需求。图像增强的基础研究也有待进一步深入和提闻。经过近四十年的研究,人脸识别领域的研究成果已经硕果累累,为深入研究提供了丰富的方法和经验。然而,到目前为止,任何一种方法都有其特定的应用条件和局限性,不能完全适应于各种情形。

发明内容
为了弥补上述对图像中人脸检测受应用条件限制,应用范围受局限的缺陷,本发明提出一种多角度人脸检测方法,其技术方案为,本方法对输入的图像首先采用最大稳定极值区域特征检测的方式对图像进行检测,获取该图像的最大稳定极值区域,并对获得的区域进行归一,得到候选人脸的矩形待检测图像,然后将待检测图像采用LBP算法提取LBP特征,并将图像根据LBP特征采用神经网络RBF函数作为人脸姿态分类器,将图像按照人脸的姿态划分为左、正、右三个子类,再通过连续Adaboost算法对每个姿态子类的图像进行计算,计算出三个姿态子类下的人脸特征,最后将三个姿态子类下的计算结果进行融合,检测出图像中的人脸。所述最大稳定极值区域特征检测方式是指在输入的图像中,区分出图像内部像素灰度全部大于或全部小于其周围像素灰度的局部图像区域,其步骤为(I)将图像中每个像素的灰度按照灰度值的大小按照进行排序;(2)利用灰度的范围区间
内的256个不同值对灰度图像进行二值化,然后统计出二值图像中的连通区域;(3)令区域Qi为图像二值化后区域i对应的二值图像中的任意连通区域,当二值化阈值由i分别变为i+A和i-A时,连通区域也相应变为Qi+A和Qi_A,通过q(i)的局部极小值函数
权利要求
1.一种多角度人脸检测方法,其特征在于,对输入的图像首先采用最大稳定极值区域特征检测的方式对图像进行检测,获取该图像的最大稳定极值区域,并对获得的区域进行归一,得到候选人脸的矩形待检测图像,然后将待检测图像采用LBP算法提取LBP特征,并将图像根据LBP特征采用神经网络RBF函数作为人脸姿态分类器,将图像按照人脸的姿态划分为左、正、右三个子类,再通过连续Adaboost算法对每个姿态子类的图像进行计算,计算出三个姿态子类下的人脸特征,最后将三个姿态子类下的计算结果进行融合,检测出图像中的人脸。
2.根据权利要求I所述的多角度人脸检测方法,其特征在于,所述最大稳定极值区域特征检测方式是指在输入的图像中,区分出图像内部像素灰度全部大于或全部小于其周围像素灰度的局部图像区域,其步骤为 (1)将图像中每个像素的灰度按照灰度值的大小按照进行排序; (2)利用灰度的范围区间
内的256个不同值对灰度图像进行二值化,然后统计出二值图像中的连通区域; (3)令区域Qi为图像二值化后区域i对应的二值图像中的任意连通区域,当二值化阈值由i分别变为i+Λ和i-Λ时,连通区域也相应变为Qi+,和,通过q(i)的局部极小值函数 挑选出相对面积随二值化阈值变化而发生较小变化的稳定区域,即得到最大稳定极值区域,函数中IQiI表示区域Qi的面积,Qi^-Qi-A表示QiM区域减去Qi^区域后的剩余区域; (4)对步骤(3)中得到的最大稳定极值区域进行归一化。
3.根据权利要求2所述的多角度人脸检测方法,其特征在于,所述步骤(4)中采用将获得的最大稳定极值区域通过双线性插值映射到固定MxN大小的图像的方式,对图像进行归一化;其中,M为图像高度,N为图像宽度。
4.根据权利要求I所述的多角度人脸检测方法,其特征在于,对每个姿态的图像进行计算的连续Adaboost算法为①设样本集s = Kx1, Y1),... , (xm, ym)}, Xi e X, Yi e Y = {-I, +1}, i = I,... , m, Xi为在最大稳定极值区域中提取得到的LBP特征,y,为是非人脸标记; ②将步骤①的到的样本初始化,抽取(Xi,Yi) e S,wt (Xi, Yi) = 1/m, wt(xi; γ)为样本权重,得到一个分类器ht下的分类结果Xi — yi ; ③更新样本权重 zt是样本权重归-化常量,使得④迭代结束,最终形成的级联分类器为
5.根据权利要求I所评述的多角度人脸检测方法,其特征在于,采用基于最大化准则(maximum rule)融合方法对得到的三个姿态子类下的矩形检测结果进行融合, 若三个检测矩形R1, R2, R3之间都没有重叠,则检测结果为R = (R1, R2, R3I ; 若其中两个矩形Rx,Ry, Rx, Ry e (R1, R2, R3I且Rx古Ry有重叠,则融合结果为R = {Rz,argmax(f(Rx),f(Ry))},其中 Rz 为除 Rx,Ry 的矩形,f(Rx)为检测置信度,
全文摘要
本发明提出一种多角度人脸检测方法,对输入的图像首先采用最大稳定极值区域特征检测的方式对图像进行检测,获取该图像的最大稳定极值区域,并对获得的区域进行归一,得到候选人脸的矩形待检测图像,然后将待检测图像采用LBP算法提取LBP特征,并将图像根据LBP特征采用神经网络RBF函数作为人脸姿态分类器,将图像按照人脸的姿态划分为左、正、右三个子类,再通过连续Adaboost算法对每个姿态子类的图像进行计算,计算出三个姿态子类下的人脸特征,最后将三个姿态子类下的计算结果进行融合,检测出图像中的人脸。
文档编号G06K9/62GK102799901SQ20121023696
公开日2012年11月28日 申请日期2012年7月10日 优先权日2012年7月10日
发明者李 灿 申请人:辉路科技(北京)有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1