[发明专利]基于Haar分类器方法的人脸建模检测方法

说明书

技术领域

本发明涉及图像模式设别技术领域，尤其涉及一种基于Haar分类器方法的人脸建模检测方法。

背景技术

目前手机摄像头像素已经达到了1000万像素，手机也具备了强大的运算能力，在手机上识别目标，建模再传输模型已经成为可能。

现在在一些手机拍照软件中已经有一些人脸识别软件，这种一般采用基于知识识别方法来做，把脸分成鼻子，耳朵，眼睛，嘴等特征，然而由于拍摄环境比较复杂，光线、角度等相关因素的影响，识别经常出错，把近似物体也看成人脸。

发明内容

为了克服现有技术中易把近似物体看成人脸的问题，本发明提供了一种基于Haar分类器方法的人脸建模检测技术方法。其特征在于包括：提取人脸特征集和非人脸特征集，构造相应的弱分类器；利用上述弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器；重复上述训练过程，得到多个强分类器，将上述多个强分类器级联为级联分类器。

在本发明的一实施例中，构造相应的上述弱分类器包括：构造Haar-like特征；计算人脸特征值；挑选人脸特征，构成与之对应的上述弱分类器。

在本发明的一实施例中，上述弱分类器的计算公式为：

h(x，f，P，θ)是基于简单特征的弱分类器值，x是一个弱分类器子窗口图像，f是一个特征，p是指示不等号方向的符号因子，θ是对应分类器的阀值。

在本发明的一实施例中，计算人脸特征值时，采用了积分图。

在本发明的一实施例中，上述强分类器的计算公式为：

本发明所采用的基于Haar分类器方法的人脸建模检测方式，稳定可靠、准确性高、识别速度快，可以达到实时拍照识别的程度。

附图说明

图1是本发明Haar-like特征的边缘特征示意图。

图2是本发明Haar-like特征的线性特征示意图。

图3是本发明Haar-like特征的中心环绕特征示意图。

图4是本发明Haar-like特征的对角线特征示意图。

图5是强分类器的决策树。

图6是级联强分类器的决策树。

图7是图像中任何矩阵区域的像素累加和通过简单运算得到的结果。

具体实施方式

本发明的技术方案为：一种基于Haar-like特征的Adaboost人脸检测方法，其步骤如下：

第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器；

其具体过程如下：

A.构造Haar-like特征，用于反应图像局部的灰度变化，所述Haar-like特征包括传统的边缘特征(如图1)、线性特征(如图2)、中心环绕特征(如图3)、以及对角线特征(如图4)。

B.应计算出人脸特征值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；

C.挑选人脸特征，并构成与之对应的弱分类器。

第二步，利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器。

第三步，重复第二步到第三步的训练过程，得到多个强分类器，将所述多层强分类器级联为级联分类器。

第一步中，弱分类器的计算公式如下：

h(x，f，P，θ)是基于简单特征的弱分类器值，x是一个弱分类器子窗口图像，f是一个特征，p是指示不等号方向的符号因子，θ是对应分类器的阀值。

假设我们使用三个Haar-like特征f1，f2，f3来判断输入数据是否为人脸，可以建立如图决策树，图6所示的决策树就是弱分类器的示意图。

第二步中，利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器。假设我们使用三个Haar-like特征f1，f2，f3来判断输入数据是否为人脸，可以建立如图决策树，相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果。强分类器的组合方式如下：

通过AdaBoost算法辛苦的训练出了强分类器，然而在现实的人脸检测中，只靠一个强分类器还是难以保证检测的正确率，这个时候，需要一个豪华的阵容，训练出多个强分类器将它们强强联手，最终形成正确率很高的级联分类器这就是我们最终的目标Haar分类器。