[发明专利]一种基于MSNRD特征的多姿态人脸检测器的设计方法

权利要求书

1.一种基于MSNRD特征的多姿态人脸检测器的设计方法，其特征在于，包括以下步骤：

(1)训练阶段，具体包括以下子步骤：

(1.1)确定模板大小H×H，准备训练数据集；

所述训练数据集由正样本数据集即人脸数据集和负样本数据集两部分构成；所述人脸数据集由不同光照下各种姿态的人脸图像构成，其制备方法为：以眉毛和下颌分别作为Y轴的最小值和最大值；X轴上以鼻尖为中心，选取与Y轴大小相等的区域作为X轴区域；最后统一将截取的样本图像归一化为大小为H×H的标准模板图像，H为大于20的整数；所述负样本数据集指由非人脸图案组成的不含人脸的样本集；

(1.2)构建featurepool特征池；

所述featurepool特征池为一系列有效的MSNRD特征的集合：

featurepool＝{MSNRD(i,j,k,l,t,s)|0≤i<H,0≤j<H,0≤k<H,0≤l<H,0≤t<7,0≤s<s_max}

式中，(i,j)表示第一个矩形左上角的坐标；(k,l)表示第二个矩形左上角坐标；t表示矩形的类型，s表示缩放因子，s_max为大于1的整数；

所述MSNRD特征为多尺度归一化的矩形区域差：

MSNRD(i,j,k,l,t,s)＝(rect(i,j,t,s)-rect(k,l,t,s))/(rect(i,j,t,s)+rect(k,l,t,s))

式中，rect(i,j,t,s)表示图像上位置处于(i，j)，矩形类型为t，缩放因子为s的第一矩形区域内像素的平均值，其中，(i，j)表示第一矩形的左上角的坐标；rect(k,l,t,s)表示图像上位置处于(k，l)，矩形类型为t，缩放因子为s的第二矩形区域内像素的平均值，其中，(k，l)表示第二矩形的左上角坐标；

所述第一矩形和第二矩形矩形类型相同、缩放因子相同，第一矩形和第二矩形构成矩形对，所述MSNRD(i,j,k,l,t,s)表示所述矩形对所构成的MSNRD特征；

所述featurepool特征池的构建方法为：在模板上遍历不同类型、不同尺度的矩形对，一个矩形对构成一个MSNRD特征，所有的MSNRD特征形成集合，即为所需构建的特征池；

(1.3)Adaboost框架下训练强分类器，强分类器由若干弱分类器的线性组合得到，具体包括以下子步骤：

(1.3.1)建立弱分类器的准备数据集，设定训练参数，具体如下：

输入：记当前迭代次数为t，初始值为0；

训练数据集{(x_i,y_i)}，初始权值{w_i,0}，检出率要求TP；

验证集{(x_k,1)}，误检率目标值FP，当前误检率FP0＝1.0；

特征池featurePool，设特征池中包含N个特征；

其中，x_i为数据集中的第i个训练样本图像，y_i为该样本图像对应的类别标签，y_i∈{-1,1}，1表示正样本，-1表示负样本，w_i,t表示第t次迭代时第i个样本的归一化权值；

输出：强分类器F_t，阈值th_t；

(1.3.2)判断FP0>FP，如果成立，则进入步骤(1.3.3)，否则进入步骤(1.3.8)；

(1.3.3)根据训练样本集及当前权值分布{w_i,t}训练本次迭代的弱分类器c_t；

(1.3.4)计算其中，err(c_t)是第t次迭代得到的弱分类器的分类错误率；w_i,t是样本x_i在第t次迭代的权值；α_t是第t次迭代得到的弱分类器的权值；

(1.3.5)采用以下任意一种方式更新样本权值

wi,t+1=wi,texp(-yiαt),ct(xi)≥0.5wi,texp(yiαt),ct(xi)<0.5]]>

或w_i,t+1＝w_i,texp(-y_ic_t(x_i))

(1.3.6)更新强分类器

(1.3.7)根据检出率TP_t的要求在验证集上确定th_t，在验证集上确定误检率FP0，令t＝t+1，并转入步骤1.3.2；

(1.3.8)结束训练；

(2)检测阶段，具体包括以下子步骤：

(2.1)遍历输入图像的每个位置的每个尺度的子图像，如果对于任意的0≤t≤T，F_t(x)-th_t≥0，则判定为人脸，其中否则判定为非人脸；

(2.2)经过步骤2.1后的所有人脸图像构成集合{I_i}，集合中任意两个元素的重合面积占最小元素面积的比例超过0.3，则仅保留分类器输出值F_t较大的元素；

(2.3)反复进行步骤2.2，直到集合中任意两个元素的重合面积与较小者面积的比例都不超过0.3，该集和视为检测的最终结果输出。