[发明专利]人脸检测方法及系统

权利要求书

1.一种人脸检测方法，其特征在于，包括：

步骤S1：拷贝分类器模型和背景图到GPU的内存，所述分类器模型中包含滑动检测窗尺寸、滑动步长、强分类器个数、用于分类的特征总个数、强分类器中每个弱分类器需要的特征值位置、强分类器中每个弱分类器的分支分割点、强分类器中每个弱分类器的叶子结点得分、强分类器阈值；

步骤S2：利用所述分类器模型以及对所述GPU分配的K个线程计算K个滑动检测窗在所述背景图的位置以及每一个所述滑动检测窗所在位置的子图的人脸置信度，并将人脸置信度大于等于所述强分类器阈值的子图的位置及人脸置信度输出到CPU的内存，其中，所述K个线程中第n个线程计算的滑动检测窗在所述背景图的位置为(x_n，y_n)，n＝1，2，...，K；

x_n＝[n/([(width-winSize)/winStep]+1)]；

y_n＝n/([(height-winSize)/winStep]+1)*winStep；

其中，winSize为所述滑动检测窗尺寸，winStep为所述滑动步长，width为所述背景图的分辨率宽度值，height为所述背景图的分辨率高度值，[]为向下取整；

步骤S3：利用所述CPU根据所述人脸置信度大于等于所述强分类器阈值的子图的位置及人脸置信度在所述背景图中定位人脸区域。

2.根据权利要求1所述的人脸检测方法，其特征在于，通过对所述GPU分配M个任务处理块，每个所述任务处理块分配L个线程，从而对所述GPU分配所述K个线程，其中，M的值为所述GPU中麦克斯韦流多处理器数量的12倍。

3.根据权利要求2所述的人脸检测方法，其特征在于，L的值为所述GPU中一个麦克斯韦流多处理器中的流处理器数量。

4.根据权利要求1所述的人脸检测方法，其特征在于，在所述步骤S3中，所述CPU采用非极大值抑制算法在所述背景图中定位人脸区域。

5.一种人脸检测系统，其特征在于，包括：

拷贝模块，用于拷贝分类器模型和背景图到GPU的内存，所述分类器模型中包含滑动检测窗尺寸、滑动步长、强分类器个数、用于分类的特征总个数、强分类器中每个弱分类器需要的特征值位置、强分类器中每个弱分类器的分支分割点、强分类器中每个弱分类器的叶子结点得分、强分类器阈值；

处理模块，用于利用所述分类器模型以及对所述GPU分配的K个线程计算K个滑动检测窗在所述背景图的位置以及每一个所述滑动检测窗所在位置的子图的人脸置信度，并将人脸置信度大于等于所述强分类器阈值的子图的位置及人脸置信度输出到CPU的内存，其中，所述K个线程中第n个线程计算的滑动检测窗在所述背景图的位置为(x_n，y_n)，n＝1，2，...，K；

x_n＝[n/([(width-winSize)/winStep]+1)]；

y_n＝n/([(height-winSize)/winStep]+1)*winStep；

其中，winSize为所述滑动检测窗尺寸，winStep为所述滑动步长，width为所述背景图的分辨率宽度值，height为所述背景图的分辨率高度值，[]为向下取整；

定位模块，用于利用所述CPU根据所述人脸置信度大于等于所述强分类器阈值的子图的位置及人脸置信度在所述背景图中定位人脸区域。

6.根据权利要求5所述的人脸检测系统，其特征在于，通过对所述GPU分配M个任务处理块，每个所述任务处理块分配L个线程，从而对所述GPU分配所述K个线程，其中，M的值为所述GPU中麦克斯韦流多处理器数量的12倍。

7.根据权利要求6所述的人脸检测系统，其特征在于，L的值为所述GPU中一个麦克斯韦流多处理器中的流处理器数量。

8.根据权利要求5所述的人脸检测系统，其特征在于，所述CPU采用非极大值抑制算法在所述背景图中定位人脸区域。