[发明专利]一种改进型复杂环境下人脸检测定位识别方法

权利要求书

1.一种改进型复杂环境下人脸检测定位识别方法，其特征在于：系统分为三部分，首先对于输入图像进行处理，将人脸信息从复杂环境中筛选出；然后训练样本集，建立特征空间；最后将筛选出的人脸信息进行识别，具体为：

第一步、复杂环境人脸检测：

1.利用haar-like特征对人脸信息进行检测：读取输入图片信息，设定初始矩形框；将小矩形表示为黑白两部分，分别对两部分所覆盖的像素灰度值进行求和，最后用白色部分像素点灰度值之和减去黑色部分像素点灰度值之和，得到一个haar-like特征；通过对训练样本中haar-like特征出现率，对haar-like特征设置权重；

2.对特征按照权重排序，设定阈值：先对当前框图权重较高的特征进行计算，对提取的haar-like特征进行数据处理，形成积分图，通过对同一框图的特征权重的累加和，当累加和高于阈值则将区域传递给下一级；

3.训练弱分类器：

确定特征数量，对特征f训练特征弱分类器h(x,f,p,a)：

其中，x代表一个检测窗口，f是特征，p标识不等号的方向，a代表阈值，训练弱分类器的目的就是确定特征的最优阈值，通过该阈值使的这个弱分类器误差最低，在对所有的训练样本进行分类时，通过以下几步可以了解弱分类器的训练过程：

（1）计算特征f所有训练样本的特征值；

（2）对上步计算所得特征值进行排序；

（3）对于排好序的每个元素：

（a）计算所有人脸样本的权重和T1；

（b）计算所有非人脸样本的权重和T2；

（c）计算人脸样本在该元素之前的所有权重之和T3；

（d）计算非人脸样本在该元素之前的所有权重之和T4；

（4）阈值的选择为前一个特征值和当前特征值之间的数，该阈值的分类误差可以通过下式进行计算：

在通过将这个排序的表从头到尾扫描一遍可以为弱分类器选择使分类误差最小的阈值；

4.组合弱分类器：

首先给每一个训练样本定义一个权重，权重代表该样本能够被正确分类的概率，这样每次训练重点关注的样本取决于样本的权重，而样本权重的变化取决于样本前一轮是否被正确分类，如果前一轮样本被正确分类，就降低该样本的权重；如果前一轮样本未被正确分类，则提高该样本的权重，使下一轮重点关注被错误分类的样本；其次，弱分类器构成强分类器是采用加权投票表决的方式，就是给每个弱分类器定义权重，对于分类误差较小的分类器定义较大的权重，使其在投票表决中占据较大的“影响力”，对于分类误差率较大的分类器定义较小的权重，减小其在投票中所占据的“影响力”；综上，这些弱分类器通过加权组合构成了一个分类能力更强的强分类器；

假定输入训练集其中表示的是训练样本，表示的是样本的是否为人脸，学习的循环次数为T，人脸图像为m个，非人脸图像为l个：

（1）初始化样本权重，分别初始化人脸样本的权重为，非人脸样本权重为；

（2）对于T次循环，t=1,2,3……T；

（a）权重归一化：，

此时计算得出的是t次循环第i个样本的权重；

（b）对每一个特征j，训练分类器，计算所有特征的加权错误率：

（c）从比较弱分类器的加权错误值，寻找最小加权错误率的弱分类器；

（d）对每个样本的权重进行重新定义：

其中：，若样本被正确分类则为0，若未被正确分类则为1；

（3）通过不断调整弱分类器权重，构成强分类器：

其中代表的是弱分类器，H是最终形成的强分类器，强分类器是由T个弱分类器的权重投票产生的，在第一次循环时，设定所有图片的权重，同类型图片的权重相同，经过每一次循环，被错误分类的样本的权重都会逐渐增加，使得在下次分类时被重点关注，增加正确分类的概率，组合所有的弱分类器形成强分类器；

5.级联分类器：

对于第一级分类器，它的训练样本为输入的全部训练样本，第二级训练样本的非人脸样本为第一级对原始非人脸样本的误检样本，通过这样一级一级的筛选分类，构建完成级联的强分类器；

在检测输入图像时，由于人脸图像特征大小并不固定，所以需要对输入图像进行多区域、多尺寸的检测；所谓多区域检测，就是通过取样子窗口的平移操作获得图像多区域的信息，以便对于每个区域进行检测；在进行样本训练时所采用的样本都是设定好尺寸的图像，但是输入图像并非是固定尺寸的，所以在检测时为了解决比训练样本更大尺寸的输入图像的检测，需要采用多尺度检测的方式；本系统通过不断扩大取样子窗口的尺寸进行多尺寸检测，并利用积分图进行优化计算，每个矩形区域的计算都只需要进行四个值的加减计算；在检测的过程中，程序会取样大量的子窗口，这些子窗口会被一级一级的筛选；在检测过程中只有检测出人脸区域才会进入下一级进行检测，获得的子窗口只有通过所有级联的分类器并被判断为人脸区域，才能最后确定为人脸；

第二步、样本训练：

1.建立人脸身份数据库，读入人脸图像信息， ；

2.数据中心化：；

3.计算协方差矩阵， X为中心化后的数据，维矩阵；

4.对协方差矩阵进行特征值分解，得到特征值，选择前k个特征值所对应的特征向量，构成新的投影矩阵为p维向量；

5.将原来的样本投影到新的特征空间，得到新的降维样本，为pⅹn维矩阵；

第三步、人脸识别：

1.初始化：将阈值距离设置为所有样本之间距离的最大值；

2.计算新输入样本的与训练集中其他样本的距离d；

3.选出最邻近的K个样本，并求出K个最邻近样本之间距离的最大值D；

4.如果所有的d都大于D，则认为该样本不属于该样本集，如果d小于D，则将该训练样本作为K-最邻近样本；

根据K-最邻近样本中这几个类别号每个类别出现的次数，选择出现次数最多的那个样本名称，作为该输入样本的名称。