一种基于新Haar-like特征的Adaboost人脸检测方法

摘要

本发明公开了一种基于新Haar-like特征的Adaboost人脸检测方法，其步骤如下：1）训练阶段：第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器；第二步，训练得到人脸和非人脸的强分类器；第三步，重复第二步到第三步的训练过程，得到完整的人脸检测器；2）检测阶段：第四步，遍历一次图像提取所有被检测的子窗口，得到待检测子图像集；第五步，计算各子图像的所有矩形的积分图值；第六步，利用训练得到的分类器进行检测；第七步，合并所有的检测结果，输出检测到的人脸位置。本发明的弱分类器更具体，更精确，能够有效的提高人脸的检测效率。

主权项

一种基于新Haar‑like特征的Adaboost人脸检测方法，其特征在于：其步骤如下：1)训练阶段第一步，采用摄像头采集人脸特征和非人脸特征图像样本，提取出人脸特征集和非人脸特征集进行训练，构造出能够区分人脸样本和非人脸样本的矩形特征以及相应的弱分类器，其具体过程如下：A.构造Haar‑like特征，用于反映图像局部的灰度变化，所述Haar‑like特征包括传统的边缘特征、线性特征、中心特征、以及新增加的人脸的斜度方向上的灰度变化特征和脸颊与眼睛区域的灰度变化特征；该人脸的斜度方向上的灰度变化特征由大小两个相似的正方形组成，其中大正方形为白色，小正方形为黑色，小正方形的面积占大正方形面积的四分之一，小正方形位于大正方形的四个角，形成四种不同的人脸的斜度方向上的灰度变化特征；所述脸颊与眼睛区域的灰度变化特征由两个全等的正方形组成，其中一个正方形为白色，另外一个为黑色，两个正方形分别位于一个矩形区域的对角，形成四种不同的脸颊与眼睛区域的灰度变化特征；B.应用积分图计算方法计算出矩形特征值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；C.挑选矩形特征，并构成与之对应的弱分类器；其中，所述弱分类器的计算公式如下：公式中h_j(x)就是基于简单特征的分类器值，x就是待检测子窗口，f_j(x)是子窗口x的特征值计算函数，p_j是一个符号因子，θ_j是对应分类器的阈值；第二步，利用得到的弱分类器和Adaboost算法进行进一步训练，得到人脸和非人脸的强分类器，具体的训练过程如下：一、给定训练图像(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，其中y_i＝0,1代表负例和正例，x_i∈X，X是训练样本集；二、初始化权值：分别对应y_i＝0,1的情况，其中m和1分别表示负例的个数和正例的个数；三、通过T轮训练得到所需要的强分类器；所述通过T轮训练得到所需要的强分类器的具体步骤如下：a.归一化权值，t＝1,2,…T，其中ω_t是一个概率分布；b.对于每一个特征j，训练出唯一与之相对应的分类器h_j，该分类器的错误ε_j根据ω_t计算得到的，${ϵ}_j=\underset{i}{\Sigma }{\omega }_i|h_j\left(x_i\right)-y_i|;$c.选取h_t，使得ε_j达到最小；d.更新权值：${\omega }_{t+1,i}={\omega }_{t,i}{\beta }_t^{1-e_i}$其中当x_i被正确分类时，e_i＝0，否则e_i＝1；e.最终强的分类器如下：其中，${\alpha }_t=log\frac{1}{{\beta }_t};$第三步，重复第二步到第三步前的训练过程，得到多层强分类器，将所述多层强分类器利用Cascade策略级联为级联分类器，该级联分类器采用双通道，其中一个通道的级联分类器用来检测侧面人脸的坐标位置，另一个通道的级联分类器用来检测正面人脸的坐标位置，即得到的该级联分类器为一个完整的人脸检测器；2)检测阶段第四步，按照1.2比例连续缩放检测窗口，并用得到的检测窗口按步长为1，长宽均为6像素点的正方形，遍历一次图像提取所有被检测的子窗口，得到待检测子图像集；第五步，计算各子图像的所有矩形的积分图值，其特征值为采用白色矩阵区域所有像素灰度值之和减去黑色矩阵区域所有像素灰度值之和的差值；第六步，利用训练得到的分类器进行检测，如果任意一层分类器输出低于训练所得的该层分类器阈值，即认为待检测子图像为非人脸而不需要进行后续判断，只有通过所有层分类器判断的子窗口被认为是人脸；第七步，合并所有的检测结果，输出检测到的人脸位置。