[发明专利]一种基于Adaboost算法的人脸检测方法

说明书

技术领域

本发明涉及一种基于Adaboost算法的人脸检测方法，属于人脸检测技术领域。

背景技术

随着移动互联网和智能手机市场的发展，Android系统作为当今整个世界上最流行的移动设备操作系统，在移动互联的大舞台上有着更大的发挥潜质。但是对于人脸检测技术在移动设备上的移植应用很少，基于移动设备上的人脸检测将会有更大的发展。

虽然目前的Adaboost人脸检测算法检测速度很高，但是算法本身训练比较耗时，使得整个人脸检测的时间比较长。因此有必要对传统的Adaboost算法进行优化。同时，目前现有的基于Android平台的智能手机普遍采用基于双眼距离的方法来检测人脸区域。在获取到双眼距离的前提下，取双眼距离的中点，并利用中点坐标与双眼距离的数学运算来定位人脸候选区域。而该双眼定位算法的局限性在于要求人脸图像的双眼是可见的，对于发生偏转或者双眼部位有遮挡的人脸图像，便无法检测到人脸。

因此，迫切需要设计一种基于Adaboost算法的人脸检测方法，克服现有人脸检测方法存在的上述缺陷。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于Adaboost算法的人脸检测方法，其结构紧凑，能实现不同光照强度、人脸图像发生偏转或眼睛被遮挡等多种环境下进行人脸检测，提高了人脸检测速度和正确率，易于实施操作，稳定可靠。

本发明解决其技术问题所采用的技术方案是：

一种基于Adaboost算法的人脸检测方法，包括如下步骤：

1)人脸图像预处理，包括灰度归一化、光照补偿、滤波去噪和几何归一化；

2)在YCbCr颜色空间进行肤色分割，包括颜色空间的转换、利用色度模型进行肤色分割，筛选出候选人脸区域；

3)Adaboost人脸检测算法进行人脸检测，利用Adaboost算法训练弱分类器，将不同训练集中的弱分类器组合成强分类器，强分类器再串联成级联分类器；

4)人脸模板匹配，对筛选得到的候选人脸区域利用加权欧式距离来度量其与人脸模板的匹配度。

所述的人脸图像预处理的灰度归一化采用直方图来均衡化，统计输入图像的光亮度直方图分布，并对图像灰度范围进行重新设置，使得图像的灰度分布范围尽可能的包含所有的灰度级，去除其中占绝对优势或劣势的灰度级范围，从而降低光照对于灰度图像处理过程中的影响。同时，采用中值滤波进行滤波去噪，即找出某个像素点的领域内像素点的灰度值的中值，并利用中值替代该像素点的灰度值。以此来滤出掉图像中灰度值相对孤立异常的点，这样便能有效滤除图像中的噪声点。

肤色分割是基于YCbCr颜色空间的，将RGB空间转换为YCbCr颜色空间如下式所示：

对于人体的肤色范围分布，Cb主要集中于[100，127]内，而Cr主要集中于[138，170]内。这样处理之后的图像，肤色范围内为白色，而非肤色区域和其他背景均为黑色。

肤色分割得到的人脸区域，存在的一些小噪声点和断裂的连通区域进行腐蚀、膨胀和填充等形态学处理，从而得到比较平滑的连通区域的过程，以此来消除干扰。

人脸区域经过一系列的形态学处理之后，仍然存在着一些比较明显的非人脸区域，例如与人脸肤色一致的手、胳膊和腿等部位。因此需要进一步根据肤色连通区域的面积和外界矩形的长宽比来进行筛选。最为合理的人脸的长宽比为考虑到人脸位置的倾斜和周围肤色的影响，本发明一具体实施例将人脸的长宽比值设定范围为(0.8，2.4)。同时，图像中选定的人脸区域面积不能过小。

Adaboost人脸检测算法是基于Haar特征值，经典的Haar特征模板如图2所示。Haar特征的特征值等于上述矩形特征中白色像素值之和减去黑色像素值之和，因为只涉及到像素值的加减运算，因此计算的过程是比较简单的。同时，Haar特征能较好地描述人脸灰度分布情况。

Haar特征的总数由于Haar特征模板在图像窗口内的位置和尺寸都是任意的，所以一般都比较大，需要利用积分图来降低计算的复杂度。如式(2)所示：点(a，b)的积分值等于该区域的像素点之和。其中，I(a’，b’)为(a’，b’)坐标处的像素值，S(a，b)表示行积分和。同时，积分图定义满足式(3)和式(4)所表示的迭代关系。

S(a，b)＝S(a-1，b)+I(a，b)(3)

II(a，b)＝II(a-1，b)+S(a，b)(4)