一種基於AdaBoost算法的人臉檢測方法
2023-05-01 21:38:16 1
專利名稱:一種基於AdaBoost算法的人臉檢測方法
技術領域:
本發明屬於模式識別技術領域,具體涉及到一種基於AdaBoost算法的人臉檢測方法。
背景技術:
人臉檢測技術是模式識別和計算機視覺等領域的研究熱點,其應用前景廣泛。在人臉檢測研究過程中,Paul Viola提出的AdaBoost算法具有重要的代表性,已在許多人臉檢測實時系統中得到應用,使得人臉檢測技術走向實用。與以往的人臉檢測算法相比,AdaBoost算法具有較高檢測精度及快速性,但從其算法原理而言,存在較多的冗餘計算,具備進一步提升實時性能的潛質,並可適應由於監控圖像畫面的不斷擴大,監控更多路視頻畫面人臉檢測的需求。
發明內容
本發明的技術解決問題是克服現有技術的不足,提供一種具有更高實時性能、檢測更多路監控視頻圖像中人臉的基於AdaBoost算法的人臉檢測方法。本發明的技術解決方案是這種基於AdaBoost算法的人臉檢測方法,包括以下步驟(1)將待測圖像利用縮放算法生成金字塔圖像集合;( 在金字塔圖像集合中以預定大小步進地利用AdaBoost人臉檢測器搜索人臉,以便判定該檢測區域內是否存在人臉, AdaBoost人臉檢測器包含Harr特徵計算及瀑布式級聯分類器,瀑布式級聯分類器包括強分類器及簡單分類器;C3)標定人臉位置,按所在的金字塔圖像及縮小比例,換算到與原始圖像中,確定所檢人臉位置及大小;其特徵在於,所述步驟( 包括以下分步驟(2. 1)設置分類器人臉判定快速跳轉控制和分類器非人臉判定快速退出控制;(2.2)將強分類器的分類計算合併到簡單分類器中,構建成新瀑布式級聯分類器;(2. 3)通過新瀑布式級聯分類器進行人臉和非人臉的檢測當判定該檢測區域為人臉時,跳轉進入下一級強分類器進行進一步判別,直至所有強分類器完成判斷,如均判為人臉,則最終判斷為人臉;當判定該檢測區域為非人臉時,則退出瀑布式級聯分類器,並給出「非人臉」的判定結果,轉入下一檢測區域進行檢測。分類器人臉判定快速跳轉控制加快了強分類器間的跳轉,減少分類器內部計算過程的特徵性冗餘計算;分類器非人臉判定快速退出控制,加快了非人臉判斷退出,以減少分類器內部計算過程的特徵性冗餘計算。同時,在以上兩種控制的基礎上,構建了新瀑布式級聯分類器,同步實現人臉及非人臉的判定,並根據人臉及非人臉的判斷,減少級聯分類器的冗餘計算,同時,減少遍歷性冗餘計算,從而提高級聯分類器整體實時檢測性能,並可以檢測更多路監控視頻圖像中人臉。
圖1示出了用縮放算法得到的金字塔圖像集合;圖2示出了基於AdaBoost算法的人臉檢測方法的流程圖;圖3a-3e示出了 5禾中Harr特徵;圖4示出了強分類器判別真假的過程;圖5示出了基於AdaBoost算法的瀑布式級聯分類器;圖6示出了根據本發明的基於AdaBoost算法的新瀑布式級聯分類器。
具體實施例方式本發明是在AdaBoost人臉檢測原型算法的基礎上提出的,在保持原型人臉檢測算法的檢測準確度的前提下,針對算法中瀑布式級聯分類器部分,提出一種具有更高實時性能的人臉檢測分類器實現方法。AdaBoost人臉檢測原型算法包含金字塔圖像生成、積分圖像計算、Harr特徵提取及瀑布式級聯分類器幾個重要計算過程。金字塔圖像的生成和積分圖像計算較為簡單,計算量相對較少;Harr特徵計算及瀑布式級聯分類器將按24* 大小在金字塔圖像集合中進行遍歷,據統計,約佔總計算量的80%以上。金字塔圖像是對原始圖像以一定尺度進行縮小組成待檢測圖像集合。金字塔圖像保證了人臉訓練模板對圖像中待檢人臉的在尺度特性上遍歷性。在金字塔圖像集合中,以一定的步進規則,AdaBoost人臉檢測算法在24拉4範圍上進行人臉檢測,並實現空間位置上遍歷性。如本發明申請人設計的檢測系統採用的輸入圖像為352*觀8,考慮數據對齊,尺度縮小因子約為0. 8,則金字塔圖像由13級圖像組成,圖像大小分別為352M88、288*232, 232*192、184*152、152*120、120*96、96*80、80*64、64*56、56*40、40*32、32拉4,各級圖像對應搜索步進分別為3、2、2、2、2、2、1、1、1、1、1、1、1,步進單位為像素,搜索步進方式呈「Z」 字形搜索,先水平遍歷,再垂直遍歷。即將在75232個對拉4的圖像塊上進行人臉檢測。通常,人臉信息損失較大的情況下,在352*288的圖像上,最多可擺放180張24* 大小人臉, 即存在99. 7%的冗餘計算,此為遍歷造成冗餘計算,即遍歷性冗餘計算。 在AdaBoost算法原理中,按24拉4完成人臉模型庫,選取人臉的不同Harr特徵完成簡單分類器和強分類器的學習訓練。以若干簡單分類器組成強分類器,以若干強分類器級聯組成瀑布式級聯分類器。分類計算過程,以強分類器綜合簡單分類器分類結果,做出進一步分類檢測還是「非人臉」退出的判斷。由於分類器的訓練完備性和普遍適應性,對於以 「個體」出現的待檢人臉,需以個體特徵在完備的特徵集中進行逐一搜索,因此,在分類器內部計算過程也存在較多的冗餘計算,此為特徵性冗餘計算。 本發明的基於AdaBoost算法的人臉檢測方法,包括以下步驟(1)將待測圖像利用縮放算法生成金字塔圖像集合;( 在金字塔圖像集合中以預定大小步進地利用 AdaBoost人臉檢測器搜索人臉,以便判定該檢測區域內是否存在人臉,AdaBoost人臉檢測器包含Harr特徵計算及瀑布式級聯分類器,瀑布式級聯分類器包括強分類器及簡單分類器;C3)標定人臉位置,按所在的金字塔圖像及縮小比例,換算到與原始圖像中,確定所檢人臉位置及大小;
其中所述步驟⑵包括以下分步驟(2. 1)設置分類器人臉判定快速跳轉控制和分類器非人臉判定快速退出控制;(2.2)將強分類器的分類計算合併到簡單分類器中,構建成新瀑布式級聯分類器;(2. 3)通過新瀑布式級聯分類器進行人臉和非人臉的檢測當判定該檢測區域為人臉時,跳轉進入下一級強分類器進行進一步判別,直至所有強分類器完成判斷,如均判為人臉,則最終判斷為人臉;當判定該檢測區域為非人臉時,則退出瀑布式級聯分類器,並給出「非人臉」的判定結果,轉入下一檢測區域進行檢測。分類器人臉判定快速跳轉控制加快了強分類器間的跳轉,減少分類器內部計算過程的特徵性冗餘計算;分類器非人臉判定快速退出控制,加快了非人臉判斷退出,以減少分類器內部計算過程的特徵性冗餘計算。同時,在以上兩種控制的基礎上,構建了新瀑布式級聯分類器,同步實現人臉及非人臉的判定,並根據人臉及非人臉的判斷,減少級聯分類器的冗餘計算,同時,減少遍歷性冗餘計算,從而提高級聯分類器整體實時檢測性能,並可以檢測更多路監控視頻圖像中人臉。優選地,步驟(2. 1)中的分類器人臉判定快速跳轉控制為
T設α t_T為當前強分類器中所屬簡單分類器α 和,即A—Τ =
=1 ,設α t_F(w)為當前強分類器中弱分類器判為人臉的α t之和,設J(w)為強分類器跳轉標誌,J(w) = 1時,表示當前強分類器已判定為人臉,可跳轉至下一強分類器進行進一步判定;強分類器中a_th為當前強分類器人臉判定閾值,如強分類器分類計算結果達到該閾值,則立即進行跳轉;依據步驟(2. 1)中的分類器人臉判定快速跳轉控制,強分類器的分類計算合併到
簡單分類器為
w = \, wg{ 1,2,3,Λ , T } while (J (w) == 0)
if(pf(^) < PS0) hw(w,f,p,S,e) = l else hw(w,f,p,s,0) = Q
w
O^t _F(w) = J^at xht(x,f,p,s,6)
t=l
if(at _F(w)>a_ th) J(w) = 1 else J{w) = 0
優選地,步驟(2. 1)中的分類器非人臉判定快速退出控制為設α t_R(w)為當前強分類器中所屬未參與判別弱分類器α t之和,
T設α t_T為當前強分類器中所屬簡單分類器α 和,即A—Τ =
=1 ,設α t_F(w)為當前強分類器中弱分類器判為人臉的α t之和,設R(w)為分類器非人臉退出標誌,R(W) = 1時,表示當前分類器已判定為非人臉, 將不需要後級分類器進行進一步分類判別,直接退出;依據步驟(2. 1)中的分類器非人臉判定快速退出控制,強分類器的分類計算合併
到簡單分類器為
權利要求
1. 一種基於AdaBoost算法的人臉檢測方法,包括以下步驟(1)將待測圖像利用縮放算法生成金字塔圖像集合;(2)在金字塔圖像集合中以預定大小步進地利用AdaBoost人臉檢測器搜索人臉,以便判定該檢測區域內是否存在人臉,AdaBoost人臉檢測器包含Harr 特徵計算及瀑布式級聯分類器,瀑布式級聯分類器包括強分類器及簡單分類器;C3)標定人臉位置,按所在的金字塔圖像及縮小比例,換算到與原始圖像中,確定所檢人臉位置及大其特徵在於,所述步驟( 包括以下分步驟(2. 1)設置分類器人臉判定快速跳轉控制和分類器非人臉判定快速退出控制; (2. 2)將強分類器的分類計算合併到簡單分類器中,構建成新瀑布式級聯分類器; (2. 3)通過新瀑布式級聯分類器進行人臉和非人臉的檢測當判定該檢測區域為人臉時,跳轉進入下一級強分類器進行進一步判別,直至所有強分類器完成判斷,如均判為人臉,則最終判斷為人臉;當判定該檢測區域為非人臉時,則退出瀑布式級聯分類器,並給出非人臉的判定結果,轉入下一檢測區域進行檢測。
2.根據權利要求1所述的基於AdaBoost算法的人臉檢測方法,其特徵在於,步驟 (2. 1)中的分類器人臉判定快速跳轉控制為設α t_T為當前強分類器中所屬簡單分類器α t之和,即
3.根據權利要求1所述的基於AdaBoost算法的人臉檢測方法,其特徵在於,步驟 (2. 1)中的分類器非人臉判定快速退出控制為設at_R(w)為當前強分類器中所屬未參與判別弱分類器Cit之和, 設α t_T為當前強分類器中所屬簡單分類器α t之和,即
4.根據權利要求1、2或3所述的基於AdaBoost算法的人臉檢測方法,其特徵在於,步驟(2. 2)中的新瀑布式級聯分類器為設α t_T為當前強分類器中所屬簡單分類器α t之和,即
全文摘要
公開了一種具有更高實時性能、檢測更多路監控視頻圖像中人臉的基於AdaBoost算法的人臉檢測方法,包括步驟(1)將待測圖像利用縮放算法生成金字塔圖像集合;(2)在圖像集合中以預定大小步進地利用AdaBoost人臉檢測器搜索人臉,人臉檢測器包含Harr特徵計算及瀑布式級聯分類器,級聯分類器包括強分類器及簡單分類器;(3)標定人臉位置;步驟(2)包括分步驟(2.1)設置分類器人臉判定快速跳轉控制和分類器非人臉判定快速退出控制;(2.2)將強分類器的分類計算合併到簡單分類器中,構建成新瀑布式級聯分類器;(2.3)通過新瀑布式級聯分類器進行人臉和非人臉的檢測。
文檔編號G06K9/62GK102254183SQ20111020028
公開日2011年11月23日 申請日期2011年7月18日 優先權日2011年7月18日
發明者丘江, 郜向陽 申請人:北京漢邦高科數位技術有限公司