[发明专利]基于图片几何结构的人脸检测方法

说明书

技术领域

本发明涉及一种基于图片几何结构的人脸检测方法，属于计算机视觉和视频智能监控领域中的关键技术之一。

背景技术

在计算机视觉领域和视频智能监控领域中，人脸检测已经变成了一个非常重要和前沿的研究课题。精确定位人脸可以提供身份验证、人的捕捉和跟踪等等，是智能监控中的基础算法之一。新一代的数码相机中已经带有实时人脸检测，用以脸部优先对焦。人脸检测的研究和开发主要侧重在两方面的改进上：检测精度和检测速度。

人脸检测是目标检测领域最为实用的一个成果，其核心算法一般采用基于监督学习的模式识别方法，首先采用大量的正反样本学习得到分类器，然后进行分类，目前的分类器理论对于高维特征的处理尚得不到很好的性能，因此需要好的特征提取方法。

绝大多数研究工作利用图片的局部结构来描述特征，并且采用降维的方法来选择一个有效的特征子集。有代表性的是哈尔(Haar)小波特征、哈尔扩展(Haar-like)特征以及梯度直方图特征等等，他们都可以看作描述图像纹理的一种方法。这些方法采用的特征都着眼于图片的局部结构，但并不能完备和精确的表达图片的全局信息。

由于多数基于图像结构的特征提取方法都产生海量特征，因而简化分类器设计与快速计算是算法实时性的关键之处。

哈尔(Haar)小波特征善于在多分辨率下提取图像的边缘信息，Papageorgiou等人率先采用哈尔(Haar)小波提取特征作为人脸描述子。利用哈尔(Haar)小波算子提取原图像中水平、垂直以及对角的差分信息作为特征，采用支持向量机方法(SVM)训练分类器。哈尔(Haar)小波特征集合没有表现出人脸的远距离器官之间的关系。并且该方法的分类器计算复杂度很高，无法获得实时计算能力。

Viola等人把哈尔(Haar)小波做了推广。在特征提取方面，采用任意位置和任意大小的邻域间差分信息作为特征，于是一幅图像得以提取出海量特征，它们中间具有极高的冗余度，特征描述子如图1所示，称为哈尔扩展(Haar-like)算子，采用的分类器设计是一种称为瀑布型自适应激励过程(Cascade of AdaBoost)的级联分类器。

然而，即使哈尔扩展(Haar-1ike)特征的边缘描述范围更广，但是他们仍旧不能反映远距离宏块间的对比度，因此仍旧是一种局部特征。并且采用的弱分类器是一种最简单的决策树，性能比较差，影响了最终级联分类器的性能。

发明内容

本发明的目的在于，通过提供一种基于图片几何结构的人脸检测方法，以改变目前在本领域普遍存在的着眼于图片的局部结构，但并不能完备和精确的表达图片的全局信息，使其可以快速精确的检测出人脸。

本发明是采用以下技术手段实现的：

一种基于图片几何结构的人脸检测方法，包括人脸模型的训练过程和人脸图像的检测过程，其特征在于，该方法包括以下步骤：

其中所述的人脸模型的训练过程包括：训练条件有标定好的人脸样本集、背景样本集和海量背景图片，其训练过程分为如下步骤：

训练样本归一化步骤；

特征提取步骤；

所述的特征步骤进一步包括：

根据训练样本的大小，采用合适大小的块对样本进行划分的分块步骤；

定义分块后的宏块序列为B₁，B₂，B₃，...，B_n；

计算任意两个宏块的块间差分步骤；该步骤的公式定义为：