[发明专利]用于人脸识别的眼镜检测方法及系统有效
申请号: | 201410787322.5 | 申请日: | 2014-12-17 |
公开(公告)号: | CN104463128B | 公开(公告)日: | 2017-09-29 |
发明(设计)人: | 孔凡静;申意萍 | 申请(专利权)人: | 智慧眼(湖南)科技发展有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06K9/62 |
代理公司: | 长沙智嵘专利代理事务所43211 | 代理人: | 黄子平 |
地址: | 410013 湖南省长沙市高新开发*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 识别 眼镜 检测 方法 系统 | ||
技术领域
本发明涉及生物模式识别领域,特别地,涉及一种用于人脸识别的眼镜检测方法及系统。
背景技术
由于大多数人都佩戴有眼镜,通过检测人脸图像中是否佩戴眼镜,并计算出眼镜的位置和形状,对提高人脸识别算法性能、人脸合成、人脸卡通等具有重要的实用价值。例如,在人脸识别时,如果在佩戴眼镜的人脸中检测出眼镜的位置,即可通过去除眼镜获得没有眼镜的裸脸。
由于受眼镜形状的多样性及图像质量等因素的影响,眼镜检测存在诸多难点。现有的眼镜检测可以通过图像处理或者模式识别方法来实现,图像处理方法包括边缘和颜色检测等,由于眼镜部分有明显的横和竖的边缘,通过对全图做边缘检测,可以判断是否带眼镜;模式识别是通过分类的方法来实现,即通过大量正样本(是)和反样本(非)进行学习训练,得到一个分类模型,用于判别新输入的图像。分类问题主要可以分为特征提取、特征选择、分类器设计三个方面。如果提取的特征足够可靠,则一个简单的分类器就可以实现较好的分类。然而,在实际应用中,特征提取往往很难达到足够可靠的要求。这主要是因为同一个类的个体受到光照条件、姿态、遮挡等的影响,类别间的差距大。甚至同一类的不同个体之间也往往不同。因此,为实现较好的分类,需要同时从特征提取和选择以及分类器设计三个方面同时考虑。
在2001年,Paul Viola和Michael J.Jones在其论文中提出一个基于AdaBoost的人脸检测系统。作为第一个实时人脸检测系统,该算法主要有三个贡献:(1)利用简单的Haar-like矩形特征作为特征,并通过积分图像法实现快速运算;(2)采用了基于AdaBoost的分类器设计;(3)采用了Cascade技术提高检测速度。该技术优先选择少量区分性好的特征构成简单的分类器,排除大量的非人脸区域,剩下的极少数的区域则用更多特征、更加复杂的分类器进行分类。目前主流的人脸检测算法主要基于该系统。然而,该算法仍存在一些问题:(1)Haar-like特征是一种相对简单的特征,其稳定性较低,且不能充分描述眼镜区域的全部特征,从而导致分类性能不高;(2)弱分类器采用简单的决策树,容易过拟合。
且在AdaBoost框架下,弱分类器通常采用的是决策树或者LUT(Look Up Table)查找表,这种分类器只能分类一维特征向量,且分类规则简单,分类性能会受到一定影响。同时,采用AdaBoost训练出来的模型进行分类的话,要保存大量的模型信息,如果弱分类器数目较多的情况下,模型较大,同时,分类速度也会降低。
发明内容
本发明提供了一种用于人脸识别的眼镜检测方法及系统,以解决现有的眼镜检测采用模式识别方法时特征提取单一及分类器单一导致的分类性能低及可靠性低的技术问题。
根据本发明的一个方面,提供一种用于人脸识别的眼镜检测方法,该方法包括:
从待测人脸图像中获取眼镜区域图像;
采用预先生成的特征分类器对眼镜区域图像进行分类,得到待测人脸图像是否对应有眼镜的检测结果;
其中,特征分类器的生成包括:
从特征池中挑选预定数目的分割区域作为特征选择,特征池包括与样本大小对应的所有分割区域;
对每个样本提取特征选择对应的多个分割区域的特征值,并将多个分割区域的特征值结合起来作为样本的描述,其中,特征值为局部二值模式LBP直方图特征或梯度方向直方图HOG特征;
通过支持向量机SVM分类器训练多个样本得到特征分类器的模型。
进一步地,特征选择采用自适应增强AdaBoost算法,包括:
从初始训练样本集中抽取预定量的样本;
对特征池中的每个分割区域,训练一个基于LBP直方图特征的分类器,计算该分类器的分类错误率;
对特征池中的每个分割区域,训练一个基于HOG特征的分类器,计算该分类器的分类错误率;
挑选错误率最低的分类器作为弱分类器,加入强分类器并计算其在强分类器中的权重系数,保存该弱分类器对应的分割区域和特征类型;并根据所选弱分类器更新样本权重;
循环执行上述步骤直至强分类器中的分类器的数量达到预定数目。
进一步地,弱分类器的权重系数的计算公式如下:
αj=log((1-δj)/δj)
其中,δj为弱分类器的分类错误率,αj为该弱分类器的权重系数,j为弱分类器对应的序号;
进一步地,更新样本权重的计算公式如下:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于智慧眼(湖南)科技发展有限公司,未经智慧眼(湖南)科技发展有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201410787322.5/2.html,转载请声明来源钻瓜专利网。