[发明专利]基于深度二次树的视频监控中人脸去重方法

权利要求书

1.基于深度二次树的视频监控中人脸去重方法，其特征在于：包括以下步骤：

步骤1：人脸检测部分：使用训练好的深度二次树模型对监控视频中移动的行人进行人脸检测，获取其人脸位置，人脸置信度，人脸清晰度和人脸图像的分辨率；

步骤2：人脸跟踪部分：根据获取的初始帧的人脸位置，进行人脸跟踪，获取同一个人的多张人脸；

步骤3：人脸去重：针对同一个人的人脸子集，采用人脸质量评价法确定各张人脸的图像质量，然后根据评价值选择质量最好的人脸；

人脸质量评价分数由人脸置信度、人脸清晰度和人脸图像分辨率三个指标加权得出；

上述步骤1中具体步骤如下：

步骤1.1：人脸检测器的样本数据集收集，通过监控视频自行收集不同姿态，光照，遮挡等复杂环境下的人脸正样本和非人脸的负样本；

步骤1.2：人脸特征提取：针对所有的训练正负样本提取归一化像素差特征，其计算公式如下：

其中x,y分别代图像中两个点的像素值；

步骤1.3：利用Adaboost算法学习得到多个有效的归一化像素差特征，作为深度二次树的分支节点特征：假设给定的输入归一化像素差特征f，深度二次树树叶子节点输出人脸分类置信度得分s；按照分裂节点函数即最大值纯度函数γ,将归一化像素差特征构建深度二次树的分裂节点，输入特征f通过穷举法训练双阈值α₁，α₂，根据双阈值α₁，α₂确定深度二次树结构每个分裂节点的左右路线区分，其区分方式如下：

最大值纯度函数γ令训练样本数据集最大程度的区分正负样本，其公式如下：

其中，u_P,v_N为深度二次树中被分裂节点区分的正样本P和负样本N的个数；

设定的树的深度参数为L，当这个深度二次树的深度达到L时，树的训练终止；依次训练T个深度二次树，将T个深度二次树级联起来得到一个级联分类树模型；

步骤1.4：对视频图像用训练好的级联深度二次树进行人脸检测：找到人脸后，记录每个被检测到的人脸的位置，人脸图像的置信度，人脸分辨率信息；

人脸图像的置信度由以下公式计算：

a＝∑_i＝1,...,Ts_i(x)

s_i(x)表示第i个深度二次树模型的评分值；a代表T个深度二次树模型的评分值之和；一张图片的人脸置信度是所有深度二次树的评分值的总和；人脸置信度分数a为人脸检测模块对图片的评价值，这个值越高，代表是人脸的可能性越大；

计算人脸分辨率评价值，设定60×60为合适的人脸标准分辨率,那么对于一张宽为w,高为h的人脸图像，它的分辨率评价值b为：

步骤1.5：利用深度二次树模型进行人脸清晰度评价：进行人脸检测时，图片会通过一颗树中多个节点来判断是否为人脸，这样就形成了一条图片的流动路径；通过这条路径上的各个节点，可以得到对应两点的坐标和像素值，并计算两点的像素差的绝对值；最后经过所有的深度二次树模型的总像素差值之和作为人脸清晰度：

N,M_i分别代表一个级联人脸检测器由N棵深度二次树组成，M_i表示第i颗深度二次树的深度，x_ij和y_ij分别表示第i颗深度二次树上的深度为j的分支节点上两个像素点的灰度值；c表示为模型对人脸图像的清晰度评价值。