[发明专利]用于手持设备的人脸识别方法

说明书

本专利提出一种组合邻接LBP特征和基本LBP特征提取相结合，训练级联分类器用于手持设备的人脸识别方法。本发明的方法包括：首先，基于LBP和组合邻接LBP特征对训练样本库进行特征提取及进行分类器训练，得到包含N个分类器的级联分类器，其中训练各分类器的特征数量逐级增大，前N‑1级分类器采用LBP进行特征提取，第N级分类器采用组合邻接LBP特征进行特征提取；然后提取待识别图像的基本LBP特征作为级联分类器的输入进行逐级分类判定，在进行第N级分类器判定时，需要将其转换为组合邻接LBP特征，当均满足各分类器的阈值时，则判定为人脸图像。本发明用于手持设备上的人脸检测，具有运算速度快，识别率高的特点。

技术领域

本发明属于图像处理技术，具体涉一种用于手持设备的人脸检测技术。

背景技术

随着市场的不断发展，手持设备(如手机、掌上电脑等)上的人脸检测受到越来越多的关注。尽管目前已有很多人检测算法，但只有少数算法致力于解决手持设备上人脸检测中遇到的问题。手持设备上的人脸检测与通常情况下的人脸检测不同：首先，人脸图像多数为正面图像，很少有动作的变化；其次，图像大多为近距离拍摄，分辨率较高。正因为手持设备采集到的图像有上述特点，只需要处理少量视频帧就可以得到理想的检测效果。但在图像采集的过程中，却也存在如下的问题：(1)设备的移动性导致光照条件剧烈变化，很多现有的人脸检测算法因此而性能恶化。(2)跟其他高性能设备相比，如PC机和工作站，手持设备的运算能力有限，若算法过于复杂，即便识别率理想，运算速度也很难让人满意。然而，与早期的手持设备相比，如今配置比较高的手持设备已能够运行较为复杂的人脸检测算法。

2001年，Viola-Jones提出了利用简单特征级联提升的方法实现快速目标检测，目前该算法已成功运用于人脸检测，并且在手持设备上也能够达到精确并且实时的检测效果。但采用简单的类Harr特征训练弱分类器，在光照变化等复杂环境条件下，性能受到很大限制。LBP是Ojala提出的一种能够很好地描述图像纹理形态的算子，而且与类Harr特征相比，对光照变化更具鲁棒性，而且在特征提取简易性方面与Harr特征相当。Hadid等人已成功将LBP直方图特征应用于人脸检测，但是单纯采用LBP特征训练分类器进行人脸检测，存在检测速度快但准确率不高的缺陷。为实现理想的检测准确率需要数十级的级联增强，这给分类器的性能分配、弱分类器的选取和参数调节带来了极大的不便，分类器训练过程也变得极为复杂。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种运算速度快，识别率高的用于手持设备的人脸识别方法。

本发明的用于手持设备的人脸识别方法，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LBP((Local Binary Pattern,局部二值模式))对训练样本进行特征提取，并基于所提取的特征进行分类器训练，得到级联分类器的前N-1级分类器；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，训练各分类器的特征数量逐级增大，第N级分类器所对应的特征数量最大；训练的具体方法可以采用Adaboost算法，其核心思想是针对同一个训练样本集训练不同的分类器(弱分类器)，然后将所训练的弱分类器集合起来，构成一个更强的分类器(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一层分类器进行训练，最后将每次训练得到的分类器融合起来，作为最后的决策分类器。目前最为常用的Adaboost算法有Discrete Adaboost，Real Adaboost和Gentle Adaboost等，优选为Gentle Adaboost。

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表示像素点(x,y)的灰度值，i_p表示各邻域像素点的灰度值，函数σ(x)为符号函数，当x大于或等于0时，σ(x)的取值为1；否则σ(x)的取值为0。