[发明专利]基于人脸检测的服务机器人视觉引领方法

说明书

【技术领域】

本发明涉及服务机器人技术领域，尤其涉及一种基于人脸检测的服务机器人视觉引领方法。

【背景技术】

当前，市面上的机器人品种众多，主要分为服务领域和工业领域。相对来说，工业领域的机器人技术较为成熟，使用广泛，具有很高的实际生产价值；服务机器人领域相应的产品相对较少，且成熟性较差，大部分当前的服务机器人还停留在智能化较低的展示阶段。

对于服务机器人智能引领方面，目前主要的方案有两类，一类是不考虑后方人群是否跟上，即不存在服务机器人与人的智能交互能力，而是由机器人自行行走，人需要很好的跟上机器人，否则容易跟丢；另一类时使用激光传感器进行机器人跟随功能，此方法通常采用距离地面不高的二维激光，对人腿进行检测与跟踪，该方法比较适用于较为广阔的场景，如果用在餐馆等比较复杂的环境，则会由于桌子或凳子腿与人腿很相似而很容易跟踪丢失，造成引领失败。

因此，如何有效解决通过视觉处理，以引导服务机器人成为筮待解决的问题。

【发明内容】

基于此，本发明的目的在于提供一种基于人脸检测的服务机器人视觉引领方法，解决现有技术存在的问题。

为了实现本发明的目的，提供一种基于人脸检测的服务机器人视觉引领方法，包括人脸检测步骤和数据融合步骤；所述人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；所述数据融合步骤，用于处理逆光图像；其中，所述Haar特征用于表征人脸特征，所述Adaboost分类器用于识别的人脸图像。

在一些实施例中，所述Haar特征包括边缘特征、线性特征、中心特征和对角线特征，所述边缘特征、所述线性特征、所述中心特征和所述对角线特征组 合成特征模板。

在一些实施例中，所述特征模版包括白色矩形和黑色矩形，设定所述特征模版的特征值为白色矩形像素和减去黑色矩形像素和的值。

在一些实施例中，所述Adaboost分类器为Cascade Adaboost分类器；所述Cascade Adaboost分类器，由多个强Adaboost分类器级联而成。

在一些实施例中，所述强Adaboost分类器的训练过程为：S11、给定训练样本(x1，y1)，...，(xi，yi)，...，(xn，yn)，其中xi表示第i个样本，yi＝0表示为负样本，yi＝1表示为正样本，n为训练样本总数；S12、初始化训练样本的权重；S13、第一次迭代，训练弱分类器，并计算弱分类器的错误率；选取阈值，使得误差最小；更新样本权重；S14、T次循环，得到T个弱分类器，评价每一个弱分类器的重要性的权重进行加权叠加，最终得到强分类器。

在一些实施例中，所述数据融合步骤之前，还包括逆光判断步骤，首先建立图像的灰度直方图，然后对所述灰度直方图分析从而判断是否为逆光图像；如果图像为非逆光的正常图像，则通过人脸检测步骤识别；如果图像为逆光图，则通过数据融合步骤识别。

在一些实施例中，所述数据融合步骤采用HOG特征提取。

在一些实施例中，所述HOG特征提取为，S21、对图像进行灰度化；S22、对图像进行颜色空间的标准化；S23、计算图像每个像素的梯度；S24、将图像划分成小单元；S25、统计每个单元的梯度直方图，形成每个单元的描述器；S26、将不定数个单元组成一个块，所述块内所有单元的特征描述器串联，得到所述块的HOG特征描述器；S27、将图像内的所有块的HOG特征描述器串联，得到所述图像的HOG特征描述器。

区别于现有技术，上述人脸检测的服务机器人视觉引领方法，通过人脸检测步骤和数据融合步骤，结合视觉传感器得到的图像数据，对周围环境进行分析与处理，从而提高机器人的智能性。

【附图说明】

图1为本发明一个实施例中基于人脸检测的服务机器人视觉引领方法的分类器训练过程图。

图2为本发明一个实施例中基于人脸检测的服务机器人视觉引领方法的灰度直方图。

图3为本发明一个实施例中基于人脸检测的服务机器人视觉引领方法的HOG特征提取图。

【具体实施方式】

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用来限定本发明。

一种人脸检测的服务机器人视觉引领方法，包括人脸检测步骤和数据融合步骤；该人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；数据融合步骤，用于逆光图像处理。