[发明专利]一种基于AdaBoost的人脸检测分类器构造方法

说明书

本发明提供了一种基于AdaBoost的人脸检测分类器构造方法，其特征在于：首先，提出了一种新的Haar特征，用于生成弱分类器，此特征关注了脸部器官的全局分布，并且对范围在30°至60°的左右旋转具有一定的鲁棒性；其次，对于样本训练过程中可能会出现的退化问题，这里使用双阈值的方法，权重阈值限制样本权重的过分增大，轮数阈值在给予困难样本足够重视的基础上限制大权重样本的数量与存在时间。

技术领域

本发明属于人脸检测技术领域，具体涉及到一种基于AdaBoost的人脸检测分类器的改进构造方法。

背景技术

人脸检测，作为计算机视觉领域中与实际应用结合最紧密的技术之一，在人脸识别中起到至关重要的引导作用，受到了研究人员的广泛重视。直至目前，主要的人脸检测方法可以分为三大类：基于肤色区域的人脸检测、基于模板的人脸检测、基于统计学习的人脸检测。本发明是一种基于统计学习的人脸检测方法。

基于统计学习的人脸检测是用统计分析和机器学习的方法来寻找和区分人脸和非人脸的特征，再根据机器自动学习得到的特征构建分类器以判断图像是否存在人脸。基于统计学习的方法主要有：子空间方法、支持向量机(SVM)方法、神经网络方法、隐马尔可夫模型和AdaBoost方法。

基于AdaBoost算法的人脸检测分类器构造方法,它使用大量带有标签与初始权值的人脸与非人脸样本，充分训练学习人脸与非人脸的关键特征，得到大量弱分类器，以加权的形式生成多个强分类器，最终强分类器再通过级联的方式组合成人脸检测分类器。在训练弱分类器的过程中，会以迭代的方式进行，即对上一轮训练得到的弱分类器计算加权分类误差，取其中最小误差对应的弱分类器，在此分类器的分类下，将分类错误的样本按一定方式增大权重，将分类正确的样本按一定方式减小权重。通过这种样本权重更新方式，增加了对分类错误样本的关注度，之后的分类器会更加针对性的处理这些大权重样本。

上述基于AdaBoost的人脸检测分类器构造方法在训练过程中对样本权重的调整，尤其是错误分类的样本，并未设置上限阈值，可能导致某些分类困难样本的权重过大，出现退化现象。但是仅仅设置一个权重阈值，当样本权重超过该阈值时便不再改变，多个类似样本又会造成困难样本高权重的累积，同样可能会产生“退化”的问题。

发明内容

本发明的目的是针对AdaBoost算法在训练过程中出现的退化现象对该算法进行改进，提出了一种新的双阈值分类器训练方法，该方法首先给所有样本设置一个权重阈值WH，当困难样本的权重不断增大超过该阈值时，即保持不变；同时，引入一个轮数阈值WN，当样本权重超过权重阈值时开始计数，

每更新一轮，若权重依旧大于阈值则加1，当计数超过WN时，将该困难样本的权重缩小到初始权重大小，若计数期间该样本的权重缩小到比权重阈值小，则计数归零。

同时，对于弱分类器所使用的Haar特征，本发明中新增加了兼顾脸部全局形状的新Haar特征，该特征可以很好的适应脸部30°至60°之间的旋转，增加系统的鲁棒性。

本发明是通过下述技术方案实现的。

基于AdaBoost的人脸检测分类器构造方法，具体步骤如下：

步骤1：定义一个包含人脸与非人脸的样本集合(x₁,y₁),...,(x_n,y_n)，其中y_n对应于正、负样本(人脸样本为正样本，非人脸样本为负样本)分别取值为1和-1；

步骤2：初始化正负样本权重分布为w_1,i＝1/n，i＝1,...,n。

步骤3：对于t＝1,...,T：