[发明专利]一种基于梯形区域归一化像素差异特征的猪脸检测方法

权利要求书

1.一种基于梯形区域归一化像素差异特征的猪脸检测方法，其特征在于，包括通过猪脸检测模型的训练得到猪脸检测器，并利用猪脸检测器进行自然场景下猪脸图像的检测，具体包括以下步骤：

步骤1，通过猪脸检测模型的训练得到猪脸检测器，步骤如下：

步骤1.1，采集M张猪脸图像构成一个正样本数据集，采集N张非猪脸图像构成一个负样本数据集，猪脸图像和非猪脸图像的分辨率均为a×a；

步骤1.2，从正样本数据集中随机选取m张猪脸图像，记为正样本训练集，从负样本数据集中随机选取n张非猪脸图像，记为负样本训练集，其中，m＜M，n＜N；

步骤1.3，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，并构建弱分类器；

步骤1.3.1，利用改进的基于梯形区域归一化像素差异特征分别对正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像进行特征提取，得到正样本训练集中每一个猪脸图像的正样本特征向量X₁和负样本训练集中每一个非猪脸图像的负样本特征向量Y₁；

所述改进的梯形区域归一化像素差异特征提取的过程如下：

将正样本训练集中的猪脸图像和负样本训练集中的非猪脸图像统一命名为样本图像，样本图像分辨率为a×a，样本图像中任意两个像素点之间的梯形区域归一化像素差异特征定义像素差异值f(x_i，x_j)，其表达式如下：

其中，

i，j为滑动窗口中像素点的编号，i＝1，2，…，k×k，j＝1，2，…，k×k；将i对应的像素点记为像素点i，将j对应的像素点记为像素点j；

x_i为以像素点i为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点i的平均值x_i，x_j为以像素点j为左端顶点、上底为4、下底为2的梯形区域所有像素强度值的平均值，记为像素点j的平均值x_j，表达式分别如下：

式中，r_i表示像素点i的像素强度值，r_j表示像素点j的像素强度值；

定义像素差异值f(x_i，x_j)：当x_i，x_j＝0时，f(x_i，x_j)等于0；

将分辨率为a×a的样本图像向量化为一个p×1长度的样本图像特征向量I，I＝(h₁，h₂，…，h_u，…，h_v…，h_p)^T，其中，p为样本图像特征点总数，p＝(a-1)×(a-3)，u，v表示样本图像中特征点的编号，u＝1，2，…，p，v＝1，2，…，p，且u≠v，h_u为特征点u的梯形区域像素强度值的平均值，记为特征点u的平均值h_u，h_v为特征点v的梯形区域像素强度值的平均值，记为特征点v的平均值h_v；

将样本图像特征向量I＝(h₁，h₂，…，h_u，…，h_v…，h_p)^T映射到梯形区域归一化像素差特征空间，得到样本图像特征向量空间F，其表达式为：

F＝(f(h₁，h₂)，f(h₁，h₃)，…，f(h_u，h_v)，…，f(h_p-1，h_p))^T

其中，f(h_u，h_v)表示特征点u的平均值h_u和特征点v的平均值h_v之间的像素差异值；

将样本图像特征向量空间F的表达式改写为：

F＝(f_1γ，f_2γ，…，f_qγ，…，f_rγ)^T

其中，

γ为训练集的类别，γ＝α，β，具体的，当γ＝α时，样本图像特征向量空间F为与正样本训练集中图像对应的样本图像特征向量空间并记为正样本特征向量X₁，当γ＝β时，样本图像特征向量空间F为与负样本训练集中图像对应的样本图像特征向量空间并记为负样本特征向量Y₁；

其中，f_qγ为样本图像特征向量空间F中的第q维像素差异特征，r为样本图像特征向量空间的像素差异特征的总数，p为样本图像特征点总数，p＝(a-1)×(a-3)，q为样本图像特征向量空间的像素差异特征的序号，q＝1，2，…，r；

步骤1.3.2，根据正样本训练集、负样本训练集、每一个猪脸图像的正样本特征向量X₁和每一个非猪脸图像的负样本特征向量Y₁，构建一个深度二次树，并将这种深度二次树记为弱分类器；

所述构建一个深度二次树的具体过程如下：

步骤1.3.2.1，采集步骤1.3.1中得到的正样本训练集、正样本特征向量X₁、负样本训练集、负样本特征向量Y₁，记正样本训练集中的图像为正样本，负样本训练集中的图像为负样本；

步骤1.3.2.2，每个正样本和每个负样本，都有一个特征向量空间f＝(f1，f₂，…，f_q，…，f_r)，f_q表示正样本和负样本的第q维像素差异特征；

比较每个正样本和每个负样本第q维像素差异特征的大小，记像素差异特征的大小为特征值，并将各样本第q维特征值按递增的顺序排列，得到特征值序列(t₁，t₂，…，t_g，…，t_m+n)；其中t_g表示正样本训练集和负样本训练集中的第g张图像的第q维像素差异特征对应的特征值，记为t_g，g＝1，2，…，m+n；

赋予每个正样本权重赋予每个负样本权重计算所有正样本权重和，记为T⁺，计算所有负样本权重和，记为T^-；

对已经排序好的特征值序列(t₁，t₂，…，t_g，…，t_m+n)，依次选取每个t_g作为阈值，并进行以下操作：

将t_g之前的所有的正样本权重相加得到S⁺，所有的负样本权重相加得到S^-；

计算t_g对应的分类误差ε，其中ε＝min(S⁺+T^--S^-，S^-+T⁺-S⁺)；

选取最小误差对应的t_g，则此t_g作为根节点的分裂阈值；

步骤1.3.2.3，深度二次树向下分裂，直到深度二次树的深度达到预设值D时，停止分裂，至此构建了一个深度二次树；

其中，深度二次树的分裂规则满足以下规则，dx²+bx+c＝t，其中x表示经过梯形区域归一化像素差异特征提取方式提取的特征值，t表示分裂阈值，d，b，c是关于特征x的常数；

步骤1.4，将通过步骤1.3得到的所有弱分类器级联，得到猪脸分类器；

步骤1-5，建立一个测试数据集，该测试数据集中的图像包括已知猪脸图像和已知非猪脸图像，分辨率均为A×B，A≠B≠a，用步骤1.4得到的猪脸分类器，对测试数据集里的图像进行是否含有猪脸的检测：

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数小于m，结束步骤1，即得到符合要求的猪脸检测器；

若测试数据集里的已知非猪脸图像被误判为含有猪脸，且误判的已知非猪脸图像数大于m，返回步骤1.3，并对步骤1.3中的正样本训练集和负样本训练集进行更新；

步骤2，利用猪脸检测器进行自然场景下猪脸图像的检测，具体步骤如下：

步骤2.1，输入一张自然场景下的猪脸图像，所述自然场景下的猪脸图像即图像中包含猪脸及周围的环境，将该自然场景下的猪脸图像记为待验证猪脸图像，待验证猪脸图像的分辨率为A×B；

步骤2.2，利用步骤1.5中得到的猪脸检测器，对待验证猪脸图像进行猪脸区域和非猪脸区域的分类，并标记出猪脸区域，具体的包括：

步骤2.2.1，设滑动窗口为正方形，边长为k，滑动步长为0.1×k，该滑动窗口从待验证猪脸图像的左上方，自左向右，自上而下的对验证图像进行扫描，得到L个滑动窗口，其中L＝A×B/(0.1×k²)；

步骤2.2.2，更新滑动窗口的边长，并将更新后的边长记为k_τ，k_τ＝1.2×k_τ-1，τ为更新次数，k_τ-1表示更新次数为τ-1时的滑动窗口边长，用更新后的边长k_τ替代边长k后再次进行步骤2.2.1，并重复进行，直到最后一次更新后的边长k_τ＞min{0.5×A，0.5×B}，设此过程总共得到的滑动窗口数为T个，T＝∑L；

步骤2.2.3，用改进的基于梯形区域归一化像素差异特征，对T个滑动窗口进行特征提取，得到每个滑动窗口的特征向量p_e，其中e为滑动窗口的编号，e＝1，2，…T；

步骤2.2.4，将滑动窗口的特征向量p_e输入到猪脸检测器，并进行判断：

若猪脸检测器将滑动窗口的特征向量p_e分类为猪脸，则滑动窗口的特征向量p_e对应的滑动窗口为猪脸区域，用实线标记出该区域：

若猪脸检测器将滑动窗口的特征向量p_e分类为非猪脸，则不对其进行任何处理；

将T个滑动窗口的特征向量p_e均输入猪脸检测器，完成待验证猪脸图像中所有猪脸区域和非猪脸区域的分类，并将猪脸区域标记出来。