[发明专利]一种基于霍夫森林集成学习的人脸检测方法

摘要

本发明公开了一种基于霍夫森林集成学习的人脸检测方法，所提出的基于霍夫决策森林的方法可以自适应学习目标图像的局部图像块特征并在每次分裂时随机选择特征，霍夫森林中每棵树的叶节点集都可以视为一个判别码本，每个叶节点都可以对局部图像块属于人脸或背景做一个概率假设，并对图像块的中心位置进行概率投票；然后进行监督训练和快速匹配，获取局部图像块特征与它们在霍夫投票空间内的映射关系；本发明提出的方法对存在几何失真、噪声和部分遮挡的图像具有较好的鲁棒性，在CMU+MIT数据库上的实验结果证明了该方法的有效性；解决了集成学习框架下使用霍夫森林检测人脸图像位置的问题。 1

主权项

1.一种基于霍夫森林集成学习的人脸检测方法，其步骤是：A、构造霍夫森林；

B、对构建的霍夫森林进行学习训练，其训练步骤如下：

(1)随机抽取由正样本和负样本构成的局部图像块来构建霍夫森林树；

(2)对输入的两类样本进行二值测试，将两类样本尽可能的分开，并使得类标签与偏移向量的不确定性最小化，实现决策树的构建；

C、输入检测图像并提取局部图像块，对到达每个树非叶节点的局部图像块特征a_j进行二值测试；

D、对所有到达叶节点的图像块特征在霍夫空间进行概率投票，得到2D霍夫图像；

E、计算霍夫图像H并返回局部最大值位置信息，并用检测框对人脸区域进行标注。

2.根据权利要求1所述的一种基于霍夫森林集成学习的人脸检测方法，其特征是：所述霍夫森林的构造包括以下步骤：

(1)霍夫森林由随机树组成，其中每棵树由非叶节点和叶节点组成。训练期间，在每个分裂节点算法尝试分裂给定的训练数据其中z_i∈R^D是D维特征向量，v_i∈{1，...，C}是对应的类标签，N是训练样本的数量；

(2)通过预定义分裂函数的参数，该递归算法继续分裂数据直到达到树的最大深度、节点中数据的子集是纯的或样本的数量低于阈值。如满足上述其中一个条件就创建叶节点，并估计类概率P(v|z)；

(3)在含人脸的正样本和含背景的负样本中随机提取局部图像块，每个图像块用三个特征描述，正样本存储指向人脸中心的偏移向量；

(4)将所有局部图像块输入训练后的霍夫森林进行遍历测试，通过每棵树时，每个图像块将相应的被二分类，将正样本与负样本分开，并根据其偏移向量将相似的正样本聚集在一起。当图像块到达第一个叶节点时便停下来，得到叶节点中存储的类别信息；

(5)每个叶节点对图像块是否属于脸部或背景的一部分进行概率假设，并在霍夫变换空间中对图像块中心位置进行概率投票，整合所有不同图像块对目标中心的投票，检测输出最大得分的位置，即置信度最高的地方就是所要检测的目标脸部中心。

3.根据权利要求1所述的一种基于霍夫森林集成学习的人脸检测方法，其特征是：所述霍夫森林树的构建步骤为：(a)通过单个码本B表示人脸的不同视图，B₁，...，B_b分别对应于图像中的不同脸部姿态；

(b)从一组含人脸的正样本图像和一组背景图像中随机抽取一组图像块来创建霍夫森林T中每棵树的节点，用特征集合来表示训练图像块集，其中a_j是提取的局部图像元素特征，l_j是图像块的类标签，o_j是偏移向量，表示从局部图像块中心到样本中心的偏移距离；

(c)从负样本(背景图像)抽取的图像块被分配类标签l_j＝0，偏移向量o_j＝0；从正样本(含检测框标注的人脸图像)中抽取的图像块被分配类标签l_j＝1。然后，基于这样的一组图像块，从根开始递归地构建霍夫森林树。

4.根据权利要求1所述的一种基于霍夫森林集成学习的人脸检测方法，其特征是：所述决策树的构建步骤为：(a)通过度量两个不确定性来衡量分离的质量：

用类标签不确定度μ₁来测量类标签l_j的不纯度：

μ₁(A)＝|A|·ε({l_j})   (1)

用偏移不确定度μ₂来测量偏移向量o_j的不纯度：

其中是图像块集，|A|是A中的图像块数量，O_m是该集合的平均偏移量；ε是香农熵，用于最大化分类信息熵，则类标签熵为：

ε({l_j})＝‑∑_l∈{0,1}P(l_j|A)logP(l_j|A)   (3)

其中P(l_j|A)是集合A中类标签为l_j的图像块所占的比例；

(b)当节点内图像块数量低于阈值或达到树的最大深度时停止分裂，该节点被定义为叶节点，每个叶节点L存储到达该节点图像块的类别信息；

(c)霍夫森林中的叶节点形成一个具有指定信息的可辨别码本，该信息表征人脸中心的可能位置，这些信息用于对图像不同位置存在人脸的概率进行霍夫投票。

5.根据权利要求1所述的一种基于霍夫森林集成学习的人脸检测方法，其特征是：步骤C的具体过程为：(a)图像块的特征a_j＝(Γ_j¹，Γ_j²，...，Γ_j^c)，其中c是所提取的特征数量；测试相同路径的一对像素值与阈值进行比较，二值测试T_(a,p,q,r)(a)定义为：

其中，Γ^ɑ为特征子分量，p,q为图像块中的两个位置，r为阈值；

(b)通过二值测试来评估所有到达非叶节点的图像块集，满足最小化目标Ω的二值测试定义为：

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河南工程学院，未经河南工程学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201711429012.6/，转载请声明来源钻瓜专利网。