用于手持设备的人脸识别方法
【技术领域】
[0001] 本发明属于图像处理技术，具体涉一种用于手持设备的人脸检测技术。
【背景技术】
[0002] 随着市场的不断发展，手持设备（如手机、掌上电脑等）上的人脸检测受到越来越 多的关注。尽管目前已有很多人检测算法，但只有少数算法致力于解决手持设备上人脸检 测中遇到的问题。手持设备上的人脸检测与通常情况下的人脸检测不同：首先，人脸图像多 数为正面图像，很少有动作的变化；其次，图像大多为近距离拍摄，分辨率较高。正因为手持 设备采集到的图像有上述特点，只需要处理少量视频帧就可以得到理想的检测效果。但在 图像采集的过程中，却也存在如下的问题：（1)设备的移动性导致光照条件剧烈变化，很多 现有的人脸检测算法因此而性能恶化。（2)跟其他高性能设备相比，如PC机和工作站，手 持设备的运算能力有限，若算法过于复杂，即便识别率理想，运算速度也很难让人满意。然 而，与早期的手持设备相比，如今配置比较高的手持设备已能够运行较为复杂的人脸检测 算法。
[0003] 2001年，Viola-Jones提出了利用简单特征级联提升的方法实现快速目标检测， 目前该算法已成功运用于人脸检测，并且在手持设备上也能够达到精确并且实时的检测效 果。但采用简单的类Harr特征训练弱分类器，在光照变化等复杂环境条件下，性能受到很 大限制。LBP是Ojala提出的一种能够很好地描述图像纹理形态的算子，而且与类Harr特 征相比，对光照变化更具鲁棒性，而且在特征提取简易性方面与Harr特征相当。Hadid等人 已成功将LBP直方图特征应用于人脸检测，但是单纯采用LBP特征训练分类器进行人脸检 测，存在检测速度快但准确率不高的缺陷。为实现理想的检测准确率需要数十级的级联增 强，这给分类器的性能分配、弱分类器的选取和参数调节带来了极大的不便，分类器训练过 程也变得极为复杂。
【发明内容】
[0004] 本发明的发明目的在于：针对上述存在的问题，提供一种运算速度快，识别率高的 用于手持设备的人脸识别方法。
[0005] 本发明的用于手持设备的人脸识别方法，包括下列步骤：步骤1 :设置包含N个分 类器的级联分类器，其中N大于或等于2:采用LBP((Local Binary Pattern,局部二值模 式））对训练样本进行特征提取，并基于所提取的特征进行分类器训练，得到级联分类器的 前N-I级分类器；采用组合邻接LBP特征对训练样本进行特征提取，并基于所提取的特征进 行分类器训练，得到级联分类器第N级分类器；其中，训练各分类器的特征数量逐级增大， 第N级分类器所对应的特征数量最大；训练的具体方法可以采用Adaboost算法，其核心思 想是针对同一个训练样本集训练不同的分类器（弱分类器），然后将所训练的弱分类器集 合起来，构成一个更强的分类器（强分类器）。其算法本身是通过改变数据分布来实现的。 它根据每次训练集中每个样本的分类是否正确，以及上次的总体分类的准确率来确定每个 样本的权值。将修改过权值的新数据集送给下一层分类器进行训练，最后将每次训练得到 的分类器融合起来，作为最后的决策分类器。目前最为常用的Adaboost算法有Discrete Adaboost，Real Adaboost 和 Gentle Adaboost 等，优选为 Gentle Adaboost。
[0006] 其中LBP的编码为
P表示在像素点（X，y)的邻域半 径Ar内的采样像素点个数，i。表示像素点（x，y)的灰度值，ip表示各邻域像素点的灰度 值，函数σ (X)为符号函数，当X大于或等于〇时，σ (X)的取值为1 ;否则σ (X)的取值为 0〇
[0007] 组合邻接LBP特征的编码为：获取各像素点的LBPp, Λ r (X，y)，并将LBPp, Λ r (X，y) 分为两组：为和Μ/': Cv，.v：K其中(Λ·..ν)表示水平和垂直方向的邻域像素点得 到的LBPp^ (X，y)值；其111 MG (x..v)表示斜相邻的邻域像素点得到的LBPp^ (X，y)值； 再分别计算所对应的组合邻接LBP特征值：根据公式计算关联矩 阵
其中I表示各训练样本所对应的图像，下标i、j的取值 为[0~2Ρ/2-1]，函数仁(X，y)的取值为：若像素点（X，y)的
为i， 则 fi (X，y) = 1 ;否则 fi (X，y) = 〇,位置关系向量 a e {(Δ s, 0)τ, (Δ s, Δ S)T, (0, Δ s) τ，（-As，As)T}，参数As表示相邻间隔；对关联矩阵H1^按列求和即得到所对应的组合邻 接LBP特征值；
[0008] 步骤2 :将待识别图像转换为灰度图后，进行滑动窗□扫描，采用LBP对窗口中的 图片进行特征提取，并将所提取的特征作为级联分类器的输入，对前N-I级分类器，若大于 或等于当前分类器的分类阈值，则将所述特征输入下一级分类器，当大于或等于第N-I级 分类器的阈值时，基于所提取的特征转换为组合邻接LBP特征后再输入第N级分类器，若满 足第N级分类器的分类阈值，则判定当前窗口中的图像为人脸图像。
[0009] 综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明将常规LBP与 组合邻接LBP特征相结合用于训练人脸检测分类器。实验中发现，利用特征提取简单、计算 量小的LBP特征快速筛选出近似人脸的区域，再通过准确度高、计算量较大的组合邻接LBP 特征对近似区域做细筛选，在保证良好检测效果的同时能有效减少分类器的级联级数。从 而在分类器训练中，简化各级指标的分配和弱分类器选取过程，保证训练过程快速完成。同 时该种组合下的训练的分类器能够满足人脸检测的实时性需求。
【附图说明】
[0010] 图1是【具体实施方式】的人脸检测系统框图；
[0011] 图2是【具体实施方式】的级联分类器的设计流程图；
[0012] 图3是半径为1的LBP特征值计算示意图；
[0013] 图4是组合邻接LBP的标记示意图；
[0014] 图5是组合邻接LBP特征中，邻接LBP对之间的相对位置关系示意图；
[0015] 图6是组合邻接LBP特征提取示意图；
[0016] 图7是测试样本中对人脸位置的标定示例图。
【具体实施方式】
[0017] 为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发 明作进一步地详细描述。
[0018] 参见图1，在实现本发明时，可分为线下训练和线上检测两个模块。在线下训练模 块中，分别对训练库中的图片提取LBP特征和组合邻接LBP特征，并采用Gentle Adaboost 算法对所取特征训练得到若干弱分类器，然后将各弱分类器串联后形成N级级联分类器的 各级分类器。
[0019] 在线上检测模块中，首先对输入图像（待识别图像）进行预处理：转换为灰度图， 然后对输入图像进行多尺度、逐窗口扫描，例如进行3次逐窗口扫描，各次的滑动窗口的尺 寸依次为5X5、6X6和7X7。在基于预设尺寸的滑动窗口执行逐窗口扫描时，对每一个窗 口中的图像进行特征提取（提取LBP特征），并将该特征作为级联分类器的输入，依据各级 分类器的分类阈值做出判决：均满足各分类阈值的判定为人脸框，不满足任何一级分类器 的分类阈值的窗口图像都将被视为非人脸，即当前窗口为非人脸候选框，参见图2。即对前 N-I级分类器，若大于或等于当前分类器的分类阈值Thi (i = 1，2,…，N)，则将所述特征输 入下一级分类器，当大于或等于第N-I级分类器的阈值时，基于所提取的特征转换为组合 邻接LBP特征后（将LBP特征分为两组MA(H)和，然后分别计算自关联矩阵 H(a)，再对H(a)按列求和）再输入第N级分类器，若满足第N级分类器的阈值ThN，则判定 当前窗口中的图像为人脸图像，即当前窗口为人脸候选框。
[0020] 为保证处理的速度，本发明的N级级联分类器中各级分类器的分布遵循"先简后 繁"的原则，即按照复杂度递增的顺序进行排列，每一级的分类器均使用Gentle AdaBoost 算法训练弱分类器串联而成的强分类器。如图2所示的N级级联分类器，前面（N-I)级采 用LBP特征进行训练，并且越靠后，训练中使用的特征数越多，强分类中弱分类器的数量也 随之增加。这样就可以做到由前面的简单分类器排除大量易于排除的非人脸窗口，而用特 征数较多较为复杂的强分类器排除少数不易排除的非人脸窗口。为进一步提升系统检测的 正检率，系统的第N级为组合邻接LBP特征训练的强分类器。该级较之前的任何一级都更 为复杂，训练所用的特征数更多，但分类效果却最为理想。实验发现，400个组合邻接LBP特 征训练的分类器可以实现99%的正确率和1 %的误检率。虽然组合邻接LBP特征提取的计 算复杂度较高，但考虑到实际采集的图片中人脸数有限，不会对系统整体的运行时间产生 太大影响。
[0021] 为了简化计算，在提取LBP特征时，设置邻域半径△ r的取值为1，所采集的相邻像 素点个数为8,基于各中心像素点与其相邻像素点的灰度值的差值进行阈值化比较后求和， 若中心像素点的灰度值小于或等于相邻像素点的灰度值，则标记为1，否则标记为〇,如图3 所示（中心像素点的灰度值为5,第（0)~（7)邻接位置的灰度值分别为1、2、2、6、1、3、5、 9)，从而得到该中心像素点的二进制模式值（00010011)，即为该中心像素点的LBP特征。
[0022] 与上述基于标记的LBP特征相比，组合邻接LBP特征将LBP特征对之间的位置关 系考虑在内，能够表达更为丰富的纹理特征。因此，与原始的LBP直方图特征相比具有更高 的分辨力。其基本思想为：将中心像素点的P个邻域像素点分为两组，一组为：水平和垂直 方向相邻的邻域像素点；一组为斜相邻的邻域像素点，并基于与前N-I级所对应的LBP特征 相同的标记方式为各邻域像素点进行标记后得到其对应的模式值。以邻接半径为1，邻域像 素点为8为例，基于图4所给出的中心像素点及其邻域像素点的灰度值，可得到MAUW) 的模式值（OOll)，如图4-a所示，MOj)的模式值为（1001)，如图4-b所示。
[0023] 接着基于各像素点的的模式值的十进制取值进行对应的 编码，以得到当前图像的组合邻接LBP特征值：
[0024] 首先基于公式计算自关联矩阵
，2Ρ/2-1，函数.
本具体 实施方式中，邻域像素点为8个，则自关联矩阵为H16xi6 (a)，位置关系向量用于描述参考 LBP与相邻LBP之间的相对位置关系的位置关系向量a e {(AS，〇)T，（As, As)τ，（〇, As) τ，（-AS，AS)T}，如图5所示。最后，对自关联矩阵H(a)按列求和即可得到当前图像的组 合邻接LBP特征值，即U..v)、(λ·.>〇分别对应一个自关联矩阵H(