[发明专利]人脸和车辆自适应快速检测系统及检测方法

说明书

技术领域

本发明涉及图像检测，尤其涉及一种自适应快速检测系统及检测方法，能够对人脸和车辆同时进行检测。

背景技术

上个世纪90 年代，人脸检测的研究更多的关注检测精度和多角度人脸检测，经过多年的发展已经取得了较多的研究成果，特别是在检测精度上可以达到 90%以上。但是人脸检测的检测速度限制了其实际应用，现阶段主要的研究方向是如何在提高检测精度的同时提高检测速度。

目前，国外对人脸检测问题的研究较多，比较著名的有麻省理工学院(MIT)，卡耐基-梅隆大学(CMU)和伊利诺斯大学(UIUC)等；国内如清华大学、北京大学、亚洲微软研究院、中科院计算技术研究所和中国科学院自动化研究所等都有人员在从事人脸检测相关的研究。随着人脸检测技术的发展，有关这方面的论文数量不断增长。每年FG、ICIP、CVPR 等重要国际会议都有很多关于人脸检测的论文。

人脸的检测过程实际上就是对人脸模式特征的综合判断过程，包括三种方法：基于几何特征的方法、基于肤色模型的方法和基于统计理论的方法。  adaboost算法是由Viola提出的基于统计理论的一种方法，也是目前比较流行运用于人脸检测的方法，是解决复杂背景下检测问题的有效途径。

车辆检测方法的发展主要经过三个阶段：第一，采用雷达获取车辆信息。这种方法目前在国内应用比较广泛，例如在高速公路两边安设雷达装置，用于检测过往车辆的速度。虽然这种方法实现简单，但是需要额外的硬件设施，且抗干扰性差。第二，采用地感线圈 获取车速和车流量等信息。这种方法的缺点是地感线圈必须埋设在路面下，铺设和检修都会破坏路面，且容易损毁。第三，采用摄像机监控路面，人工获取交通信息。这种方法由工作人员监控道路，发现违章现象，准确度较高，但是成本高，没有实现真正的智能化。

在追查汽车逃逸，追查开车罪犯等智能化应用情况下，往往需要在复杂背景下同时进行车辆和人脸的快速综合检测。但目前尚无这种同时对人脸和车辆进行快速检测的检测系统和检测方法。

发明内容

本发明所所要解决的技术问题在于现有技术只能单独对人脸或车辆进行检测的不足，提供一种人脸和车辆自适应快速检测系统及检测方法。

具体而言，本发明采用以下技术方案解决上述技术问题：

一种人脸和车辆自适应快速检测系统，包括依次连接的图像采集模块、图像预处理模块、图像特征提取模块，以及检测器，所述检测器包括分别与所述图像预处理模块连接的人脸检测器和车辆检测器。

优选地，所述人脸检测器和车辆检测器均包括多个级联的强分类器，所述强分类器由挑选出的弱分类器按照加权投票的方式构造而成。

进一步地，所述强分类器利用Adaboost算法训练得到。

所述图像特征提取模块可以利用各种现有技术提取图像特征，本发明优选利用积分图提取图像的类Harr小波特征（Haar-like，也称作矩形特征）。

一种人脸和车辆自适应快速检测方法，包括采集待检测图像的步骤，对采集到的图像进行预处理的步骤，对预处理后的图像进行特征提取的步骤，以及利用检测器对提取的图像特征进行检测的步骤，所述检测器包括人脸检测器和车辆检测器，人脸检测器和车辆检测器分别对提取的图像特征进行检测并输出检测结果。

优选地，所述人脸检测器和车辆检测器均包括多个级联的强分类器，所述强分类器由挑选出的弱分类器按照加权投票的方式构造而成。

进一步地，所述强分类器利用Adaboost算法训练得到。

所述人脸检测器和车辆检测器分别对提取的图像特征进行检测，包括对不同位置以不同尺度的检测，具体为：分别以原检测器及原检测器缩放1.2或1.25倍进行检测，然后平移4个像素再进行上述步骤，依此类推；最后将得到的重叠的检测结果进行消减，得到最终的检测结果。

所述将得到的重叠的检测结果进行消减具体按照以下方法：对于边界有相交区域的检测结果，对它们的四个顶点分别取平均值作为新的顶点，从而合成一个检测结果。

本发明使用Harr-like特征表示人脸和车辆，使用“积分图”实现特征数值的快速计算；使用Adaboost算法挑选出一些最能代表人脸和车辆的矩形特征(弱分类器)，并按照加权投票的方式将弱分类器构造为一个强分类器；将训练得到的若干强分类器串联组成一个级联结构的检测器，级联结构能有效地提高检测器检测速度；对一副图像作检测的时候需要从不同的尺度和不同的位置逐个检测，并对检测结果的重叠进行消减。本发明能够同时实现人脸和车辆的快速检测，在追查汽车逃逸、开车罪犯等智能化方面有良好的应用前景。

附图说明