[发明专利]基于增量学习的人脸检测系统和方法

说明书

技术领域

本发明涉及一种基于增量学习的人脸检测系统和方法，适用于人脸检测和检测的技术领域。

背景技术

人脸检测是指对于任意一张给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸。

人脸检测是一个复杂的具有挑战性的模式检测问题，其主要的难点有两个方面。一个方面是由于人脸内在的变化所引起：人脸具有相当复杂的细节变化，不同的外貌如脸形、肤色等，不同的表情如眼、嘴的开与闭等；人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等。另外一方面是由于外在条件变化所引起：由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；光照的影响，如图像中的亮度、对比度的变化和阴影等；图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等等。

这些困难都为解决人脸检测问题造成了难度。现有技术中需要一些相关的算法和装置并能在应用过程中达到实时，将为成功构造出具有实际应用价值的人脸检测系统提供保证。

发明内容

本发明提供了一种基于增量学习的人脸检测系统和方法，其检测精确度高、实时性强并且训练速度快。

一方面，根据本发明的一种基于增量学习的人脸检测系统，包括：

背景建模单元，其用于确定视频中的前景区域和背景区域；

样本提取单元，其包括正样本提取单元和负样本提取单元，正样本提取单元从前景区域中提取供增量学习的正样本，负样本提取单元从背景区域中提取供增量学习的负样本；

增量学习单元，其利用正样本和负样本在人脸分类器上进行增量学习，对人脸检测器进行更新；

人脸检测单元，其利用增量学习后的人脸检测器对人脸进行检测。

优选地，背景建模单元使用混合高斯背景建模算法，对视频中的图像进行计算，得到所述图像的混合高斯模型，将图像中符合该模型特性的区域作为背景区域，将不符合该模型特性的区域作为前景区域。

优选地，正样本提取单元将前景区域中基于mean-shift(均值漂移)跟踪算法得到的不能被检测为人脸的图像区域作为正样本；负样本提取单元将背景区域中检测出的人脸区域作为负样本。

优选地，增量学习单元包括：

图像特征计算模块，其对每一个样本计算所述人脸分类器中采用的特征，并逐个计算所述人脸检测器中的弱分类器的参数；

误差估计模块，其基于计算得到的所述弱分类器的参数，分别对每个弱分类器进行误差估计，计算误差的上界，并将误差值进行排序；

人脸检测器更新模块，其根据误差估计模块得到的每个弱分类器的误差值，利用误差最小的弱分类器对人脸检测器进行更新。

另一方面，利用本发明的人脸检测系统进行人脸检测的方法，包括以下步骤：

(1)在背景建模单元中对原始视频进行背景建模，确定视频中的前景区域和背景区域；

(2)将背景建模单元输出的前景区域和背景区域分别输入到样本提取单元的正样本提取模块和负样本提取模块中；

(3)增量学习单元基于样本提取单元输出的正样本和负样本进行增量学习.利用误差最小的弱分类器不断对人脸检测器进行更新，将更新后的人脸检测器输出到所述人脸检测单元中；

(4)利用更新后的人脸检测器进行人脸检测。

优选地，增量学习单元进行增量学习的步骤包括：

(1)利用所述增量学习单元中的图像特征计算模块对每一个样本计算人脸分类器中采用的特征，并逐个计算人脸检测器中的弱分类器的参数；

(2)增量学习单元中的误差估计模块基于计算得到的弱分类器的参数，分别对每个弱分类器进行误差估计，计算分类器误差的上界，并将误差值进行排序；

(3)增量学习单元中的人脸检测器更新模块根据误差估计模块得到的每个弱分类器的误差值，利用误差最小的弱分类器对人脸检测器进行更新。

优选地，正样本提取模块提取正样本的方法为：设定一个阈值，对输入的前景区域进行人脸检测，待分类人脸窗口得分大于所述阈值的认定为人脸，然后使用均值漂移的人脸跟踪算法继续跟踪该人脸在后续5帧中出现的未检测为人脸的窗口，作为正样本。

又一方面，本发明还涉及一种视频浏览系统，包括：

视频帧提取模块，其直接对实时视频流或历史视频文件进行处理，以提取视频帧；

人脸检测模块，其利用本发明的上述人脸检测系统对每个视频帧的图像进行人脸检测，并建立人脸库；