[发明专利]一种基于分层过滤的人脸检测方法

说明书

技术领域

本发明属于图像检测领域，特别涉及一种人脸检测方法。

背景技术

人脸检测方法各异，大体可分为：基于颜色特征的方法，基于知识的方法，基于统计的方法和基于概率的方法。由于人脸是非刚性的，具有高自由度的变化，显式的描述人脸特征比较难，因此，基于统计的方法更受重视，如SVM，Adaboost和神经网络检测算法等。传统的Adaboost检测算法并不能兼顾速度和准确率：基于矩阵特征的人脸检测可以快速检测人脸，但其检测率不高；基于复杂特征的人脸检测可以准确定位人脸，但是检测时间很长。且传统检测方法都是基于单像素逐步检测的，把大量时间放在非人脸区域，导致检测时间长，往往还得不到准确的检测结果。精确而快速的人脸检测方法越来越受到研究者的重视。

特征融合是将多个特征进行合并，生成一个新的特征。新的特征具备了多个被合并特征的优点，但其复杂度并没有增大，只是特征值的个数增加了，是被合并特征个数的总和。传统改善特征值的方法，主要通过对单特征进行改进或者直接使用多个特征。传统改善特征值的方法能够得到较好的准确率，但是检测时间延长。

本发明提供一种分层过滤的人脸检测方法，先用简单、快速的算法来提取人脸的候选区域，再用复杂、高准确度的算法来精确的定位候选区域中的人脸，从而使人脸检测过程快速、精确。

发明内容

本发明的目的在于提供一种基于分层过滤的人脸检测方法，能够同时提高检测速度和准确率。用haar-like矩阵特征来选取人脸候选区域，用LBP和LGP的融合特征来精确定位人脸，且整个过程都用双阈值FloatBoost来训练特征值。

本发明采用的技术方案如下：

一种基于分层过滤的人脸检测方法，其包含如下步骤：

步骤1：读取待检测图像，利用图像金字塔生成不同尺度的训练样本集；

步骤2：提取不同尺度的haar-like矩阵特征，在每一个尺度上，由双阈值FloatBoost来生成强分类器A；

步骤3：通过不同尺度的强分类器A来快速而精确地提取原始图像中候选的多尺度人脸区域；

步骤4：提取不同尺度的LBP和LGP纹理特征，在每一个尺度上，将两者进行融合，融合后的新特征为LBP和LGP特征总和，并由双阈值FloatBoost来训练生成强分类器B，该强分类器的形式为H(C)；

步骤5：强分类器B在候选区域中精确定位人脸，并显示。

所述的人脸检测方法，步骤2中双阈值FloatBoost是对FloatBoost的改进，以双阈值函数作为分类器函数。

上述步骤1中生成12种不同尺度的训练样本集。

上述方法步骤2提取6种不同尺度的haar-like矩阵特征，不用12种尺度是为了快速提取人脸候选区域。6种尺度分别为16*16，25*25，38*38，60*60，94*94，146*146。

上述方法步骤2中双阈值FloatBoost是对FloatBoost的改进，以双阈值函数作为分类器函数。

FloatBoost在Adaboost基础之上进行了改进，该算法把浮动搜索与Adaboost算法结合起来，在前向搜索时引入回溯机制，将已选择的强分类器中导致整体分类性能下降的弱分类器从级联弱分类器中删除掉。解决了非单调性带来的问题，且能高效地选择特征和生成强分类器。

FloatBoost算法弱分类器函数采用的是单阈值函数，而对于特征值M，应该有上下界，即M₀≤M≤M₁，若待检测的特征值落入区域[M₀,M₁]中，则表示人脸，否则为非人脸。双阈值FloatBoost就是采用双阈值函数作为弱分类器的，可以提取更好的弱分类器，就能进一步提高FloatBoost的性能。

上述方法步骤2通过双阈值FloatBoost生成这些尺度的强分类器A，及数低且误检率低。

上述方法步骤3中在提取候选区域过程中，可以先用大尺度的矩阵特征来提取候选区域，再用小尺度的矩阵特征来提取下一个候选区域。进一步优选的方法为一旦大尺度的矩阵特征提取出了候选区域，小尺度的矩阵特征就不用再在该候选区域进行判断了，这样就可以快速而精准的提取多尺度人脸的候选区域。

上述方法步骤4中用双阈值FloatBoost训练LBP和LGP融合特征，形成的强分类器H(C)为：