[发明专利]用于手持设备的人脸识别方法

权利要求书

1.用于手持设备的人脸识别方法，其特征在于，包括下列步骤：

步骤1：设置包含N个分类器的级联分类器，其中N大于或等于2：

采用局部二值模式LBP对训练样本进行特征提取，并基于所提取的训练样本的LBP特征进行分类器训练，得到级联分类器的前N-1级分类器；其中，训练各分类器的特征数量逐级增大；

采用组合邻接LBP特征对训练样本进行特征提取，并基于所提取的训练样本的组合邻接LBP特征进行分类器训练，得到级联分类器第N级分类器；其中训练第N级分类器的特征数量为N个分类器中最大；

其中LBP的编码为P表示在像素点(x,y)的邻域半径Δr内的采样像素点个数，I_c(x,y)表示像素点(x,y)的灰度值，I_p(x,y)表示各邻域像素点的灰度值，函数σ(φ)为符号函数，当φ大于或等于0时，σ(φ)的取值为1；否则σ(φ)的取值为0；

组合邻接LBP特征的编码为：获取各像素点的LBP_P,Δr(x,y)，并将LBP_P,Δr(x,y)分为两组：和其中表示水平和垂直方向的邻域像素点得到的LBP_P,Δr(x,y)值，其中表示斜相邻的邻域像素点得到的LBP_P,Δr(x,y)值；再分别计算所对应的组合邻接LBP特征值：根据公式计算关联矩阵其中，I表示各训练样本所对应的图像，下标i、j的取值为[0～2^P-1]，函数f_i(x,y)的取值为：若像素点(x,y)的或为i，则f_i(x,y)＝1；否则f_i(x,y)＝0，位置关系向量a∈{(Δs,0)^T,(Δs,Δs)^T,(0,Δs)^T,(-Δs,Δs)^T}，参数Δs表示相邻间隔；对关联矩阵H_i,j按列求和即得到所对应的组合邻接LBP特征值；

步骤2：将待识别图像转换为灰度图后，进行滑动窗口扫描，采用LBP对窗口中的图片进行特征提取，并将所提取的待识别图像的LBP特征作为级联分类器的输入，对前N-1级分类器，若大于或等于当前分类器的分类阈值，则将所述待识别图像的LBP特征输入下一级分类器，当大于或等于第N-1级分类器的分类阈值时，基于所提取的待识别图像的LBP特征转换为组合邻接LBP特征后再输入第N级分类器，若满足第N级分类器的分类阈值，则判定当前窗口中的图像为人脸图像。

2.如权利要求1所述的方法，其特征在于，级联分类器的分类器个数N的取值为大于或等于6的整数，前4级的分类器中，每级的误检率比上一级下降Δd，其中下降量Δd的取值范围为[5％，20％]，第5～N-1级的误检率设置为[15％，25％]。

3.如权利要求2所述的方法，其特征在于，级联分类器的分类器个数N的取值为7，依次设置各级分类器的特征数量、误检率分别为：第1级：特征数量10，误检率56.7％，第2级：特征数量20，误检率40.1％，第3级：特征数量35,误检率33.6％，第4级：特征数量60，误检率18.6％，第5级：特征数量120，误检率19.1％，第6级：特征数量180，误检率23.6％，第7级：特征数量400，误检率0.9％。

4.如权利要求1或2所述的方法，其特征在于，基于Gentle AdaBoost算法进行分类器训练。

5.如权利要求1或2所述的方法，其特征在于，所述步骤2中，对待识别图像进行多尺度滑动窗口扫描，滑动窗口的尺度逐次增大。