[发明专利]带有弱分类器的组合系数的人脸检测方法

说明书

技术领域

本发明涉及一种图像处理技术领域的人脸检测方法，具体是一种带有弱分类器的组合系数的人脸检测方法。

背景技术

人脸检测是基于图像进行人机交互的基础技术，是人脸识别、表情检测、年龄估计的先决条件。因此如何快速有效的进行人脸检测是各种基于人脸应用的关键性技术。而人脸作为一个复杂的非刚性物体，决定了其检测过程是非平凡的。

经过对现有技术的文献检索发现，在总计超过150种人脸检测方法中，目前最流行，使用最广泛的是Viola和Jones在2001年IEEE Computer SocietyConference on Computer Vision and Pattern Recognition(计算机视觉与模式识别会议)中发表的使用提升级联的快速物体检测(Rapid Object Detectionusing a Boosted Cascade of Simple Features)中提出的级联人脸检测方法。其采用基于类似Haar小波的弱分类器为基础，通过采用Adaboost方法构建集成分类器，取得了良好的效果。类似Haar特征的区域性特点是使其具有一定的抗噪性，而积分图级联检测的大大加快了速度。相比于其他方法，其具有速度快，准确度高的特点。然而其方法中未能有效利用弱分类器之间相互关系。

发明内容

本发明的目的在于针对现有技术存在的上述不足，提供一种带有弱分类器的组合系数的人脸检测方法，使其能够进一步提高人脸检测的准确率，加快人脸检测速度。

本发明是通过以下技术方案实现的，本发明包括如下步骤：

第一步，对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合；

第二步，使用样本集合构建级联检测器：对于级联检测器的每一级节点，使用提升方法选取基于特征的弱分类器构成集成分类器，并对于已构成的集成分类器，通过使用弱类器的组合系数来提高进一步提高分类效率。

第三步，最后通过上述构建的级联检测器来实现自动人脸检测。

通过对于集成分类器的研究可以知道，对于任何一个样本要通过集成分类器，需要通过其下一组弱分类器。对于这一点可借由经验观察，及采用无权重的特征选择方法的成功可知。故既然一个样本必须通过一组弱分类器，那么这一组弱分类器如何组织，其组合上是否具有特定的分布，则是具有相当多的信息。而组合系数则正是用来描述弱分类器之间的相关系数，而通过使用组合系数，则能有效利用这一信息，进而取得较好的分类效果提升。

所述级联检测器，其级联结构是指一种退化的决策树，用于加速人脸检测过程。对于给定的对象只要任意一级节点拒绝该对象则该对象不被之后任意一级处理。

所述提升方法，是一类用于弱分类器组合以获得更强的分类器的算法，Adaboost为其典型代表。

所述集成分类器是指将多个弱分类器组合后所获得的分类器。

所述带有弱分类器组合系数的集成分类器，是指使用原有基础弱分类器的组合作为扩展弱分类器及描述组合价值的相关系数来对原有集成分类器进行拓展的集成分类器。

对于带有弱分类器组合系数的集成分类器，首先为每一个弱分类器的组合模式定义一个组合值。弱分类器的组合值被定义为每个弱分类器的输出的二进制值的组合的。组合值是对于总计2^M个可能的组合模式的数值索引，其中M是组合的阶数。如对于三个弱分类器h1(x)，h2(x)，h3(x)以及对应的值0，1，1，然后组合的三阶组合值是：

v(h₁(x)h₃(x)h₃(x))＝(001)₂＝3

对应于给一个具体的组合模式的扩展弱分类器函数被定义为该组合模式值的指示函数。如上述例子，其对应扩展弱分类器函数为：

I(v(h₁(x)h₂(x)h₃(x))＝3)

其中I(x)为指示函数

对于一个已训练的集成分类器：(T为基础弱分类器数量)

经使用弱分类器的相关系数后，集成分类器拓展为

其中β_ijk及λ_ijkl是所谓弱分类器的相关系数。β_ijk是指的对应基础弱分类器h_i，h_j组合模式k的组合系数。其中具体组合模式对应的扩展弱分类器的选取及弱分类器的组合系数的确定则用原本的提升方法完成。弱分类器的组合系数对应于提升方法中得出弱分类器权重。