[发明专利]一种基于可变形部件加权的多角度人脸检测方法

说明书

技术领域

本发明属于模式识别与机器智能技术领域，具体是一种基于可变形部件加权的多角度人脸检测方法，可用于复杂场景下的安全检测、身份认证、智能交通等领域。

背景技术

人脸检测是人脸分析的第一步，涉及确认输入图片或者视频中是否存在人脸，以及在确认有人脸后如何对人脸的位置进行定位的问题。由于人脸内在的丰富变化以及外在条件的变化，人脸检测技术领域存在着许多的困难和挑战，例如不同的年龄，外貌，表情等人脸的内在变化以及成像角度，光照，遮挡等外在因素都严重干扰人脸检测的正常施行。

基于部件的检测起源于上个世纪70年代(所谓部件，即人脸的局部区域)，自从本世纪以来越来越受到重视，它不仅考虑了目标的局部纹理特征，还考虑了目标的结构特征，因而对复杂环境下的人脸检测具有更强的鲁棒性。对于经典的基于部件的模型：P.Felzenszwalb提出了树形结构模型，D.Crandall提出了k-fan结构模型(文献请分别参考“P.Felzenszwalb and D.Huttenlocher.Pictorial structures for object recognition.Internation Journal of Computer Vision，61(1)：55-79，2005.”，“D.Crandall，P.Felzenszwalb，and D.Huttenlocher.Spatial priors for part-based recognition using statistical models.In CVPR，10-17，2005.”)，两种模型均属于生成模型，对人脸和非人脸的界限是模糊的，同时，k-fan结构模型(k＞1)计算复杂度太高，并且k-fan模型和树形模型针对大角度人脸检测无能为力。于是P.Felzenszwalb提出了基于判别方法的部件模型(文献请分别参考“P.F.Felzenszwalb，R.B.Girshick，D.McAllester，and D.Ramanan.Object detectionwith discriminatively trained part based models.PAMI，2009.”)，该模型使用星形结构表征目标的结构，利用部件的局部纹理特征和部件之间的结构特征的结合来训练隐支持矢量机，具有很强的区分能力，并且采用多模型融合方法解决大角度人脸检测问题。这些模型都是图模型，每个节点代表一个部件，节点之间通过有向边来连接，模型构建后均采用动态规划的方法来进行目标检测。但是，这些模型都是平等地对待每个部件，检测过程中不能更好地发挥重要部件的作用，并且，多模型融合方法过于简单以致于出现大量的错检、漏检。

发明内容

本发明提供一种基于可变形部件加权的多角度人脸检测方法，着重解决基于判别方法的部件模型的如下两个问题：1.模型部件被平等对待引起的错检、漏检问题；2.多角度模型融合过于简单引起的错检、漏检问题。

整个过程分为模型构建、人脸检测两个过程。模型构建过程包括如下步骤：

A1，收集人脸训练样本集和负样本集F_n，将人脸训练样本集中的训练图片进行标记，得到人脸在每个训练图片中的位置和大小；然后将人脸训练样本集分为正式训练集和辅助训练集，为了训练多个模型来实现多角度人脸检测，本发明将正式训练集分为M个子集{oset₁，......，oset_M}，用来训练M个原始部件模型，辅助训练集也分成M个子集{aset₁，......，aset_M}，用来训练部件权重并且和正式训练集的子集一一对应，每两个对应的子集包含特定偏转角度的人脸；

A2，对于m＝1:M循环执行下面的步骤：

A21，利用oset_m、oset_m的标记以及负样本集F_n训练得到第m个基于判别方法的部件模型(采用星形结构)的参数β_m。假设第m个模型包括n个部件

A22，根据每个部件定位性能的好坏给其赋予适当的权重；具体实施步骤为：

A221，对于j＝1:n-1循环执行步骤：保留部件以及中心部件使用此原始残余部件模型(只包含两个部件)对aset_i中的图片进行检测，记录正确检测的图片个数

A222，对于j＝1:n-1循环执行步骤：将权重赋予部件

人脸检测过程包括如下步骤：

B1，对于m＝1:M循环执行下面的步骤：