[发明专利]基于在线预测的旋转人脸的检测方法

说明书

技术领域

本发明涉及旋转人脸检测的方法，尤其是视频装置使用的基于在线预测的旋转人脸的检测方法，属于图像处理、模式识别技术领域。

背景技术

人脸检测是一项有着重要的理论研究价值和应用价值，极具挑战性的课题。尤其是指在一幅图像中检查是否含有旋转人脸，如果有，则需要进一步确定人脸的位置及尺度，进而用一个多边形或圆形框标示出人脸的区域。它的潜在应用包括身份识别、图像搜索、人机交互、人工智能等许多方面。

人脸检测的研究已经有很长的历史，最早的研究工作可以追溯到20世纪40年代，但真正有发展还是在最近20年。人脸检测的输入图像通常有3种情况：正面、侧面、斜面。1997年IBM的工作至今，大多数人脸检测研究工作的对象为正面或接近正面的人脸图像。

目前国内外用于人脸检测的方法层出不穷，概括起来大致有四种：基于知识的、基于特征的、模板匹配的或基于表象的方法。

基于知识的人脸检测方法是将人类有关特征的知识编码成一些规则，利用这些规则进行检测。这些规则主要包括：轮廓规则，如人脸的轮廓可近似的被看成一个椭圆；器官排布规则，如正面人脸中人眼分布在上半个人脸中，鼻子分布在正中；对称性规则，如人的脸部具有对称性；运动规则，如眨眼动作可用于实现人眼与背景的分离。

基于特征的人脸检测方法是寻找一些关于人脸的不依赖于外在条件的属性或结构特征，并利用这些属性或结构特征进行检测和定位。首先通过大量样本学习的方法去寻找这些属性或结构特征，然后用这些属性或结构特征去检测和定位。

模板匹配的人脸检测方法是一种经典的模式识别方法，首先预定义或参数化一个标准的模板，然后计算检测图像区域与标准模板的相关度，通过阈值判定是否为人脸。其中，人脸模板可以动态更新。

基于表象的人脸检测方法一般利用统计分析和机器学习来寻找人脸和非人脸图像的有关特性。学习而来的特性总结成分布模型或者判别函数，再利用这些分布模型或者判别函数来定位人脸。基于表象的人脸检测方法的理论基础是概率论，一般都要用到概率论与数理统计的知识。

在正面人脸检测方面，现有的算法已经达到可以实用的程度。但是由于多姿态人脸的不稳定性，使得在多姿态人脸检测方面的研究仍然存在许多不足。

如果将人脸看作一个平面，人脸的旋转分为两种类型：在同一个平面内的旋转和不处于同一个平面内的旋转。其中，同一个平面内的旋转是指由于人们向左或向右歪头引起的，而不处于同一个平面内的旋转又分为两个类型：由于人们抬头或低头引起的旋转和由于人们向左或向右扭头引起的旋转。所以总体而言，人脸的旋转分为三种类型：由于抬头或低头引起的旋转、由于向左或向右扭头引起的旋转和由于向左或向右歪头引起的旋转。

对于前两种类型的人脸旋转，在较小的旋转角度下，人脸横向和纵向的纹理都变化不大，对于矩形Haar特征的影响较小。所以只需要在训练样本中加入一定比例的属于这两类旋转的人脸样本，就可以保证系统检测的鲁棒性。在我们的机器学习过程中，加入了约25％的小于30度的属于这两类旋转的人脸样本，检测结果表明，这种策略完全可以保证实际情况下检测系统对于这两类人脸旋转的鲁棒性。

针对处于同一平面内的向左或者向右歪头而引起的人脸旋转，人脸图像的横向和纵向纹理都会发生变化，原先得到的矩形Haar特征不能再用于检测这种旋转情况下的人脸。因此，针对这种类型的人脸旋转，我们引入了在线预测算法。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之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层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。

在线预测算法是指在不影响系统检测效率的前提下，先准确预测出人脸旋转的角度，再利用相应的分类器进行分类检测的检测技术。

发明内容

本发明目的是：提出一种基于在线预测的旋转人脸检测方法。该方法采用在线预测人脸旋转角度，完成人脸检测，快速而有效的将人脸区域与图像中的其它区域区分，实现多姿态人脸下的实时定位。其中，方法涉及跟踪、模板匹配以及滤波等算法有效的保证了定位算法的精确性、稳定性和实时性。