[发明专利]人脸检测方法及装置

说明书

技术领域

本发明涉及图像技术领域，尤其涉及一种人脸检测方法及装置。

背景技术

人脸识别（Face Recognition）特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，是目前人工智能和模式识别的重点，被广泛地应用在国家安全、军事安全、身份识别、银行及海关的监控、门禁系统、视频会议等领域。

人脸检测（Face Detection）是人脸识别中的关键环节，人脸检测是指对于任意一副给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。

根据利用的人脸知识的不同，人脸检测方法可以分为：基于特征的人脸检测方法和基于学习的人脸检测方法。基于特征的人脸检测方法包括：底层特征分析方法、组群特征方法和变形模板方法，底层特征分析方法又包括基于肤色的人脸检测方法。基于学习的人脸检测方法根据学习方法的不同可以分为：基于贝叶斯准则的方法、基于人工神经网络的方法（ANN,artificial neural network）、支持向量机的方法（SVM，support vector machine）、基于Adaboost的方法等。

基于肤色的人脸检测方法主要根据像素点的颜色信息来检测像素点是否属于肤色，从大量的景物中对图像进行肤色分割，并通过对图像中肤色像素点进行聚类分析来找到可能的人脸区域。其不依赖于面部的细节特征，对于旋转、表情改变等情况具有相对的稳定性，且能和大多数背景物体的颜色相区别。但是基于肤色的人脸检测方法由于依赖于固定的先验模式，因此适应能力比较差，当图像受到光照影响时，对于偏色的环境或偏色人脸检测率低，检测效果较差，有时甚至检测不出人脸。此外，基于肤色的人脸检测方法也易受噪声以及各种遮挡的影响，进而影响最终的检测效果。

基于Adaboost的人脸检测方法，其基本思想是对同一个训练集运用不同的特征，训练出不同的弱分类器，然后将这些弱分类器组合起来构成一个强分类器。该法不易受到颜色的影响，但是误检率高。为了能够降低误检率，通常需要采集大量的训练样本，进行严格的训练，提取更多的矩形特征参数，进而增加了计算的复杂度。对于小型设备而言，如：手持设备，由于设备自身资源的限制，使得该法不太适用在小型设备上检测图像中的人脸，对于低端的手持设备而言，该法甚至不能用于低端设备上检测图像中的人脸。

因此，提供一种复杂度、误检率和漏检率都低的人脸检测方法成为目前亟待解决的问题之一。

其他有关人脸检测的相关技术还可以参见公开号为US2006072811A1，发明名称为人脸检测（Face detection）的美国专利申请。

发明内容

本发明解决的问题是提供一种复杂度、误检率和漏检率都低的人脸检测方法及装置。

为了解决上述问题，本发明提供一种人脸检测方法，包括：

利用人脸检测算法获取图像中的多个区域框；

对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

统计各聚类区域中的区域框的个数，确定区域框的个数大于第一阈值的聚类区域为人脸区域。

可选的，所述人脸检测方法，还包括：

基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域。

可选的，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域的肤色像素点；

在所述肤色像素点的个数比所述聚类区域内像素点的个数的值大于第三阈值时，确定所述聚类区域为人脸区域。

可选的，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域中任一区域框的肤色像素点；

在所述肤色像素点的个数比所述任一区域框内像素点的个数的值大于第四阈值时，确定所述聚类区域为人脸区域。

可选的，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域中任一区域框的预设区域的肤色像素点；

在所述肤色像素点的个数比所述预设区域内的像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。

可选的，所述区域框为矩形框，所述预设区域通过下述方式确定：

width∈0.25W～1W，height∈0.25H～1H；