[发明专利]基于改进加速鲁棒特征的平面旋转人脸检测的方法

说明书

本发明涉及图像处理技术领域，是一种基于改进加速鲁棒特征的平面旋转人脸检测的方法，包括以下步骤：第一步，采用FAST‑SURF算法提取特征；第二步，采用Adaboost算法对特征点进行分类；第三步，采用Adaboost算法对经分类后的特征点进行迭代、计算得到公共人脸特征分类器；第四步，将特征点与人眼区域相结合，过滤无效特征点，获得有效特征点；第五步，判断有效特征点与公共人脸特征关键点集是否匹配；第六步，检测出旋转人脸区域。本发明利用人眼定位来降低人脸检测的误检率，采用Harrlike特征模板定位人眼区域，有效降低背景及其他非人脸部分对人脸检测的干扰，减少无效特征点数目，提高检测效率。

技术领域

本发明涉及图像处理技术领域，是一种基于改进加速鲁棒特征的平面旋转人脸检测的方法。

背景技术

人脸检测是一个确定待检测图像中人脸数目、姿态、位置的图像处理过程。它是人脸信息处理的关键一步，在图像搜索、身份认证、金融安全等方面中有着极其重要的应用价值，是模式识别和机器学习等领域研究的热点。在实际应用中，由于采集到的人脸图像存在角度偏转等问题，因此对旋转人脸检测的研究就显得至关重要。目前，人脸检测的研究主要分为三个阶段，第一阶段是基于模板匹配进行人脸检测，包括底层特征分析方法、组群特征方法和变形模板方法；第二阶段是基于统计模型进行人脸检测，主要有主成分分析与特征脸，隐马尔可夫模型和神经网络等；第三阶段是使用多种方法结合进行人脸检测。前两阶段虽然可以实现人脸检测，但检测效果不佳。比如在第一阶段中，通过肤色进行人脸检测的方法虽然可以进行人脸检测，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；第二阶段中，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。而在第三阶段中，通过多种方法的结合，可以取长补短，利用不同方法的优点来是使得检测效果达到最佳状态。本发明属于第三类方法，利用FAST算法对SURF算法进行改进，并与Adaboost算法以及人眼定位相结合，从而达到了比目前已有方法更好的检测效果。

SURF算法是Herbert Bay等人在2006年提出的一种高鲁棒性的局部特征点检测算法。其针对SIFT算法计算数据量大，耗时长的缺点加以改进，该算法采用积分图像、Haar小波变换和近似的Hessian矩阵运算来提高时间效率，通过Haar小波变换增加鲁棒性。但其在特征点提取中，SURF检测在平滑区域边缘容易提取大量特征点，增加计算复杂度。

发明内容

本发明提供了一种基于改进加速鲁棒特征的平面旋转人脸检测的方法，克服了上述现有技术之不足，其能有效解决现有技术中识别人脸图像时存在平面角度偏转易造成人脸误检测的问题。

本发明的技术方案是通过以下措施来实现的：基于改进加速鲁棒特征的平面旋转人脸检测的方法，包括以下步骤：

第一步，采用FAST-SURF算法提取特征点，包括以下过程：

(1)采用FAST算法对待检测图像的所有候选点进行检测；通过比较候选点周围的像素值提取所有特征点位置(x，y)集合，采用如下公式对候选点是否为特征点进行判别：

其中，I(x)为圆周上任意一点像素值，I(p)为候选点像素值，ε_d为相差阈值，若圆周上有N个点满足上述公式，则特征点为角点；

(2)采用改进SURF算法对特征点进行描述，之后进入第二步；

第二步，采用Adaboost算法对改进SURF算法提取的特征点进行分类，对特征点分类包括以下过程：

(1)确定样本的权值；