一種多角度人臉檢測方法
2023-09-22 03:57:55 1
專利名稱：一種多角度人臉檢測方法
技術領域：
本發明屬於人物目標查詢搜索技術方法領域，尤其是涉及一種多角度人臉檢測方法。
背景技術：
目前的研究對單張圖像的人臉檢測的方法分為四類(I)基於知識的方法。這些基於先驗知識的方法對組成典型人臉的知識進行編碼。通常，先驗知識包含了這些人臉特徵之間的相互關係。此類方法主要用於人臉定位。這種方法的一個難點是怎樣把人臉知識轉化為定義良好的準則。如果準則過於詳細，那麼有些人臉將被漏檢，因為其沒有通過所有的準則。如果準則過於粗略，則將可能犯很多積極錯 誤。此外，這種方法很難被擴充到檢測不同姿勢的人臉，因為要枚舉出所有可能的情況比較困難。另一方面，這種啟發式方法對於特定場景中的正面人臉檢測具有很好的效果。(2)特徵不變方法。這些算法的目標是找出存在的一些結構特徵，這些特徵在姿勢、觀察點、光照條件改變的情況下保持不變。然後使用這些特性來定位人臉。這些方法主要用於人臉定位。與基於知識的方法相對，研究者們一直在試圖找到人臉的不變量，用來檢測人臉。利用象皮膚顏色、大小、形狀等全局特徵來找出候選人臉，然後用局部特徵驗證這些候選人臉，例如眉毛、鼻子和頭髮。一個典型的方法是，開始的時候檢測出像皮膚的區域，然後利用組合分析或集群算法將似人臉像素分組並聯繫起來。如果被聯繫起來的區域有橢圓形或卵形，那麼該區域就成為候選人臉。(3)模版匹配法。這種方法首先是存儲一張人臉的幾個標準模版，用來描述整張人臉或人臉的部分特性。然後通過計算輸入圖像與已經存儲模版之間的相關度來進行檢測。這些方法既可用於人臉檢測也可用於人臉定位。早期的時候Sakai等使用眼睛、鼻子、嘴巴和人臉輪廓的子模版建立人臉模型。Miao等提出用一種分層模版匹配法進行人臉檢測。將輸入圖像按一定步長從進行旋轉，形成圖像分層，用拉普拉斯變換提取邊緣。人臉模版包含六個人臉結構元的邊緣兩個眉毛、兩隻眼睛、一個鼻子、一張嘴巴。最後使用啟發式方法決定人臉的存在與否。Sinha使用一組空間圖像不變量描述人臉模式的空間特性。當變量隨著光照的改變而改變人臉不同部分的亮度時，這些部分的相對亮度基本保持不變。確定一些類似區域的成對亮度比，保留這些比例的大致趨勢，比如一個區域比另一個區域亮更或更暗，這些比例就給我們提高供了一個很好的不變量。因此，觀察到的亮度規律被編碼成一個粗糙的人臉空間比例模版，這個模版中包含適當選擇的對應於主要人臉特徵的子區域，如眼睛、臉頰和額頭。通過子區域間的一組適當的明-暗關係對獲取人臉特徵間的亮度限制。4)基於外觀的方法。與模版匹配不同的是，這裡的模版是從一組訓練圖像經過學習而得來的，這些圖像應該包括人臉外觀的具有代表性的變化因素。這些方法主要用於人臉檢測。基於外觀的方法可以通過使用概率框架來理解。令從一幅圖像中獲取的圖像向量或特徵向量為一個隨機變量X，通過條件密度函數決定X的值。然後可以使用貝頁斯分類法和最大似然法決定候選圖像位置是人臉或不是人臉。基於外觀方法的另一個實現途徑是在人臉和非人臉之間找出一個判別函數。按照慣例，將圖像模式映射到低維空間，然後形成判別函數用於分類，或者用多層神經網絡形成一個非線性判決面。在速度上人臉檢測技術的發展可以分為幾個階段，在研究初期主要是以檢測精度的提高和各種視角的人臉檢測為主要內容，對速度的關注相對較少。一些代表行的研究有k_均值聚類的方法，該方法通過聚類的方法在特徵空間中建立多個人臉模板，利用神經網絡學習訓練樣本到各個模板之間的距離。基於膚色特徵的人臉檢測方法認為人臉的皮膚的顏色具有一致性，可以用一種統一的模型進行描述。膚色用於人臉檢測時，可以採用不同的建模方法，主要有高斯模型、高斯混合模型以及非參數估計等。非參數的核函數概率密度估計法也可以用於建立膚色模型，在此基礎上mean shift方法能夠實現臉的檢測和跟蹤。該算法提高了人臉的檢測速度，對於遮擋和光照也有一定的魯棒性。但是這種方法處理複雜背景和多個人臉時存在困難。為了解決光照問題，有學者提出了針對不同光照進行補償，然後再檢測膚色區域的方法。人臉檢測速度提高的一個轉折點是P. Viola提出的Adaboost和Cascade算法實現了實時的人臉檢測系統，使得人臉檢測從真正意義上走向實用。基於 AdaBoost的學習算法。它能從一個很大的特徵集中選擇很小的一部分關鍵的特徵，從而產生一個極其有效的分類器。基於Boosting和Cascade算法的系統在速度方面具有很大的優越性。它是在提出的一系列Haar-Iike特徵的基礎上,通過Boosting算法學習一些弱分類器，再組合成一個強分器。但一般一個強分類器還不足以圓滿完成任務，還要級聯一系列這樣的強分類器。但是要進一步提高檢測精度，就需要級聯更多的強分類器，但是這樣又會降低檢測速度。我們認為一方面可以採用更好的、計算卻更簡單的圖像特徵表述方法；另一方面就是綜合Adaboost和一些強分類器。通過上述的調查分析得知，截目前為止國內市場上還沒有高清視頻實時增強系統，而且人臉檢測方法較為單一，難以滿足複雜環境下圖像增強的需求。圖像增強的基礎研究也有待進一步深入和提聞。經過近四十年的研究，人臉識別領域的研究成果已經碩果纍纍，為深入研究提供了豐富的方法和經驗。然而，到目前為止，任何一種方法都有其特定的應用條件和局限性，不能完全適應於各種情形。
發明內容
為了彌補上述對圖像中人臉檢測受應用條件限制，應用範圍受局限的缺陷，本發明提出一種多角度人臉檢測方法，其技術方案為，本方法對輸入的圖像首先採用最大穩定極值區域特徵檢測的方式對圖像進行檢測，獲取該圖像的最大穩定極值區域，並對獲得的區域進行歸一，得到候選人臉的矩形待檢測圖像，然後將待檢測圖像採用LBP算法提取LBP特徵，並將圖像根據LBP特徵採用神經網絡RBF函數作為人臉姿態分類器，將圖像按照人臉的姿態劃分為左、正、右三個子類，再通過連續Adaboost算法對每個姿態子類的圖像進行計算，計算出三個姿態子類下的人臉特徵，最後將三個姿態子類下的計算結果進行融合，檢測出圖像中的人臉。所述最大穩定極值區域特徵檢測方式是指在輸入的圖像中，區分出圖像內部像素灰度全部大於或全部小於其周圍像素灰度的局部圖像區域，其步驟為(I)將圖像中每個像素的灰度按照灰度值的大小按照進行排序；(2)利用灰度的範圍區間
內的256個不同值對灰度圖像進行二值化，然後統計出二值圖像中的連通區域；(3)令區域Qi為圖像二值化後區域i對應的二值圖像中的任意連通區域，當二值化閾值由i分別變為i+A和i-A時，連通區域也相應變為Qi+A和Qi_A，通過q(i)的局部極小值函數
權利要求
1.一種多角度人臉檢測方法，其特徵在於，對輸入的圖像首先採用最大穩定極值區域特徵檢測的方式對圖像進行檢測，獲取該圖像的最大穩定極值區域，並對獲得的區域進行歸一，得到候選人臉的矩形待檢測圖像，然後將待檢測圖像採用LBP算法提取LBP特徵，並將圖像根據LBP特徵採用神經網絡RBF函數作為人臉姿態分類器，將圖像按照人臉的姿態劃分為左、正、右三個子類，再通過連續Adaboost算法對每個姿態子類的圖像進行計算，計算出三個姿態子類下的人臉特徵，最後將三個姿態子類下的計算結果進行融合，檢測出圖像中的人臉。
2.根據權利要求I所述的多角度人臉檢測方法，其特徵在於，所述最大穩定極值區域特徵檢測方式是指在輸入的圖像中，區分出圖像內部像素灰度全部大於或全部小於其周圍像素灰度的局部圖像區域，其步驟為 (1)將圖像中每個像素的灰度按照灰度值的大小按照進行排序； (2)利用灰度的範圍區間
內的256個不同值對灰度圖像進行二值化，然後統計出二值圖像中的連通區域； (3)令區域Qi為圖像二值化後區域i對應的二值圖像中的任意連通區域，當二值化閾值由i分別變為i+Λ和i-Λ時，連通區域也相應變為Qi+,和，通過q(i)的局部極小值函數 挑選出相對面積隨二值化閾值變化而發生較小變化的穩定區域，即得到最大穩定極值區域，函數中IQiI表示區域Qi的面積，Qi^-Qi-A表示QiM區域減去Qi^區域後的剩餘區域； (4)對步驟(3)中得到的最大穩定極值區域進行歸一化。
3.根據權利要求2所述的多角度人臉檢測方法，其特徵在於，所述步驟(4)中採用將獲得的最大穩定極值區域通過雙線性插值映射到固定MxN大小的圖像的方式，對圖像進行歸一化；其中，M為圖像高度，N為圖像寬度。
4.根據權利要求I所述的多角度人臉檢測方法，其特徵在於，對每個姿態的圖像進行計算的連續Adaboost算法為①設樣本集s = Kx1, Y1),... , (xm, ym)}, Xi e X, Yi e Y = {-I, +1}, i = I,... , m, Xi為在最大穩定極值區域中提取得到的LBP特徵，y,為是非人臉標記； ②將步驟①的到的樣本初始化，抽取(Xi,Yi) e S，wt (Xi, Yi) = 1/m, wt(xi; γ)為樣本權重，得到一個分類器ht下的分類結果Xi — yi ; ③更新樣本權重 zt是樣本權重歸-化常量，使得④迭代結束，最終形成的級聯分類器為
5.根據權利要求I所評述的多角度人臉檢測方法，其特徵在於，採用基於最大化準則(maximum rule)融合方法對得到的三個姿態子類下的矩形檢測結果進行融合， 若三個檢測矩形R1, R2, R3之間都沒有重疊，則檢測結果為R = (R1, R2, R3I ； 若其中兩個矩形Rx，Ry, Rx, Ry e (R1, R2, R3I且Rx古Ry有重疊，則融合結果為R = {Rz，argmax(f(Rx)，f(Ry))},其中 Rz 為除 Rx，Ry 的矩形，f(Rx)為檢測置信度，
全文摘要
本發明提出一種多角度人臉檢測方法，對輸入的圖像首先採用最大穩定極值區域特徵檢測的方式對圖像進行檢測，獲取該圖像的最大穩定極值區域，並對獲得的區域進行歸一，得到候選人臉的矩形待檢測圖像，然後將待檢測圖像採用LBP算法提取LBP特徵，並將圖像根據LBP特徵採用神經網絡RBF函數作為人臉姿態分類器，將圖像按照人臉的姿態劃分為左、正、右三個子類，再通過連續Adaboost算法對每個姿態子類的圖像進行計算，計算出三個姿態子類下的人臉特徵，最後將三個姿態子類下的計算結果進行融合，檢測出圖像中的人臉。
文檔編號G06K9/62GK102799901SQ20121023696
公開日2012年11月28日 申請日期2012年7月10日 優先權日2012年7月10日
發明者李 燦 申請人:輝路科技(北京)有限公司