[发明专利]一种建立人脸检测器的方法

说明书

技术领域

本发明涉及图像识别技术，特别是涉及一种建立人脸检测器的方法。

背景技术

人脸检测是图像识别技术的一种，是实现机器智能化的重要技术之一，其目的是从若干图像中准确识别存在人脸的图像，甚至从存在人脸的图像中对人脸部分进行准确定位。目前，人脸检测的应用十分广泛，可以应用于人脸卡通化、视频变脸秀等技术领域。

分类器的构造是人脸检测技术的核心，每个分类器有一个输入和两个输出。当某图像输入分类器中时，分类器对该图像进行检测，并判断该图像是否为人脸图像，如果是，则输出该图像是人脸图像的信息；否则，输出该图像是非人脸图像的信息。

分类器一般分为弱分类器和强分类器。其中，弱分类器是带有目标函数和阈值的二分分类器；而强分类器则由多个弱分类器构成。

强分类器在对图像进行检测之前，通常先利用大量的图像进行训练，经过训练的一个强分类器或一个以上强分类器就可以作为人脸检测器。这里所述的进行分类器训练就是利用非人脸图像集合生成若干个带权值的弱分类器，并确定每一个弱分类器中的阈值。当生成的弱分类器总的检测错误率低于事先设置的目标值时，就可以构成或获得一个强分类器。

人脸检测器的种类非常多，比如：基于多通道技术的人脸检测器、基于模板匹配技术的人脸检测器、基于统计学习的人脸检测器等。HaarTraining瀑布型检测器就是一种典型的基于统计学习的人脸检测器，是根据HaarTraining训练算法生成的，可以对图像中人脸进行准确识别和定位。

图1显示了由HaarTraining训练算法生成的瀑布型检测器的示意图。如图1所示，由HaarTraining训练算法生成的瀑布型检测器有多个强分类器，并通过级联的方式连接而成，即包括第一层强分类器、第二层强分类器，......，第n层强分类器。层数越高的强分类器越复杂，比层数低的强分类器包含有更多的弱分类器。当然，层数越高的强分类器的分类能力也相应地比层数越低的强分类器更强。

当需要对目标图像进行人脸检测时，检测器先将目标图标分割为若干个图像子窗口大小对应的子图像，并将所有的子图像依次输入到检测器中进行人脸检测。瀑布型检测器有n层强分类器，输入的任意一个子图像从第一层强分类器开始检测，并且只有在被当前层次的强分类器检测为人脸图像时，该子图像才可以继续被下一层强分类器检测，否则将直接由当前层次的强分类器判定该子图像为非人脸图像，并停止检测。

目前，利用HaarTraining训练算法来训练分类器，建立瀑布型人脸检测器方法的基本步骤为：

步骤1、根据当前层的人脸图像集合和非人脸图像集合对当前层强分类器进行训练，并在训练结束时获得当前层强分类器和当前瀑布状态值；

步骤2、根据当前瀑布状态值判断是否继续构造下一层强分类器，如果是，则当前瀑布检测器扫描非人脸图像总集合，构造下一层的非人脸图像集合，并将下一层作为当前层，再返回步骤1；否则，停止构造强分类器，退出本流程。

在现有技术中，当需要生成下一层强分类器时，都需要先构造用于训练下一层强分类器的非人脸图像集合。构造下一层强分类器的非人脸图像集合的方法就是用当前瀑布检测器扫描非人脸图像，并将被错误检测的非人脸图像作为训练下一层强分类器的非人脸图像集合中的元素。比如：当前已经构造了4层强分类器，即这4层强分类器就是当前的瀑布检测器，并且需要继续构造第5层强分类器。那么，在构造第5层强分类器之前，需要先用已经构造的前4层强分类器来扫描非人脸图像总集合，并将错误检测的非人脸图像作为构造第5层强分类器的非人脸图像集合中的样本。

实际应用中，规定用于训练强分类器的非人脸图像的数量一般比较大，瀑布检测器的检测错误率一般非常小。也就是说，当前瀑布检测器需要扫描的图像数量非常庞大，这可能导致构造非人脸图像集合的时间非常长，无法快速生成一个瀑布型人脸检测器。比如：规定用于训练第5层强分类器的非人脸图像数量为3000幅，当前瀑布型检测器的检测错误率为0.03，则当前瀑布型检测需要扫描100000幅图像。也就是说，这100000幅图像需要依次输入当前的瀑布型人脸检测器，并从中得到错误检测的3000幅图像，然后将这3000幅图像作为训练第5层强分类器的非人脸图像集合。

由此可见，在现有技术中，还没有一种快速建立人脸检测器的方法。

发明内容

有鉴于此，本发明的主要目的在于提供一种快速建立人脸检测器的方法。为了达到上述目的，本发明提出的技术方案为：