[发明专利]一种适用于视频中快速人脸检测的方法及系统

说明书

技术领域

本发明涉及人脸识别领域，特别涉及一种适用于视频中快速人脸检测的方法及系统。

背景技术

现如今的人脸检测技术主要有两类，第一类是基于卷积神经网络来实现的人脸检测，其检测率虽然较高，但是计算量大，速度难以达到实时检测。

第二类是基于Haar特征或其他指定特征的决策树模型，其提取特征的维度较高，速度较慢，有很多无用冗余的特征。对光线，表情，姿势变化敏感，对遮挡，模糊没有鲁棒性。

发明内容

本发明要解决的技术问题是，提供一种通过像素值特征，仅仅进行内存查表操作，无需大量计算，即可实现较高的检测率，同时检测速度较快的适用于视频中快速人脸检测的方法。

解决上述技术问题，本发明提供了一种适用于视频中快速人脸检测的方法，包括：

对图片进行等步长扫描，对扫描框内的图片提取出正则化像素差值特征RPD；

将全部的所述RPD通过决策树进行分类，并得到的候选框；

去掉大面积重复的候选框，得到人脸检测的结果。

进一步的，如前述的适用于视频中快速人脸检测的方法，所述正则化像素差值特征为：

其中，其中，x，y代表扫描框内两个特征点l₁、l₂的像素强度。

更进一步的，如前述的适用于视频中快速人脸检测的方法，所述将全部的所述RPD通过决策树进行分类，并得到的候选框，具体为：

将该棵决策树得到的分数与之前决策树得到的分数相加得到级连分数

采用soft cascade对得到级连分数S(i)用Tf函数进行判断是否得到结果，如下式所述；

若不存在下一棵决策树，则判断为人脸候选框，若还存在下一棵决策树，则继续计算级连分数S(i)；其中θ(i)为决策树i对应设置的阈值，用于筛选出低于所述阈值的候选框。

更进一步的，如前述的适用于视频中快速人脸检测的方法，所述决策树得到的分数中的分数具体为：

每棵决策树i，每个叶子节点有一个训练样本的加权平均值，所有叶子节点的加权平均值的平均值为决策树i的得分s(i)

更进一步的，如前述的适用于视频中快速人脸检测的方法，所述每棵决策树的层数为2层至8层。

更进一步的，如前述的适用于视频中快速人脸检测的方法，在所述去掉大面积重复的候选框之前还包括：对所有得到的候选框进行soft NMS来提取候选框的筛选。

本发明还提供一种适用于视频中快速人脸检测的装置，包括：

图片扫描单元：用于对图片进行等步长扫描，对扫描框内的图片提取出正则化像素差值的RPD特征；

特征分类单元：用于将全部的所述RPD特征通过决策树进行分类，并得到候选框；

人脸获取单元：用于去掉重复的候选框，得到人脸检测的结果。

本发明的有益效果：

本发明通过正则化像素差值特征，仅仅进行内存查表操作，无需大量计算，即可实现较高的检测率，同时检测速度较快；而且，采用的Soft NMS技术对遮挡问题有很好的鲁棒性，正则化像素差值特征对光线，表情，姿势，低分辨率，模糊都有很好的适应性。

附图说明

图1是本发明一种适用于视频中快速人脸检测的方法的步骤示意图；

图2是本发明一种适用于视频中快速人脸检测的方法的流程示意图；

图3是本发明实施例1中通过决策树筛选的流程示意图；

图4是本发明一种适用于视频中快速人脸检测的系统的模块示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

如图1及图2所示，本发明提供的一种适用于视频中快速人脸检测的方法，包括：

S1、对图片进行等步长扫描，对扫描框内的图片提取出正则化像素差值特征RPD；所述正则化像素差值特征为：

其中，其中，x，y代表扫描框内两个特征点l₁、l₂的像素强度。RPD特征由于是归一化的，所以对光照变化有一定的鲁棒性。由于RPD特征是在固定大小的扫描框内提取的，所以对模糊和低分辨率都有很好的鲁棒性。