[发明专利]基于多分类器的人脸检测方法及装置

摘要

本发明提供了基于多分类器的人脸检测方法，该方法包括：选取正样本图像和负样本图像，通过K‑means聚类算法对正样本图像进行聚类，获取聚类正样本集；采用Cascade算法分别利用主分类器和子分类器对聚类正样本集和负样本图像进行训练，获取训练好的主分类器和子分类器；输入图像，根据训练好的主分类器和子分类器对输入的图像进行检测，输出检测结果。与现有技术相比，本发明能够从复杂的图像中检测出人脸，检测准确率较高。

主权项

1.基于多分类器的人脸检测方法，其特征在于，该方法包括：第一步骤，选取正样本图像和负样本图像，通过K‑means聚类算法对正样本图像进行聚类，获取聚类正样本集；第二步骤，采用Cascade算法分别利用主分类器和子分类器对聚类正样本集和负样本图像进行训练，获取训练好的主分类器和子分类器；第三步骤，输入图像，根据训练好的主分类器和子分类器对输入的图像进行检测，输出检测结果；其中，所述第二步骤包括：主分类器训练步骤，采用Cascade算法利用主分类器提取全体聚类正样本集DS_ALL和负样本图像的特征，对全体聚类正样本集DS_ALL和负样本图像提取的特征进行训练，当训练过程中的误检率≤Th_NF₁或者时训练层数≥Th_TL，停止训练，得到训练好的实现人脸与背景分类的主分类器，主分类器是由Th_TL个级联的Boost分类器构成；子分类器选择步骤，采用N₁个子分类器，分别提取N₁个聚类正样本集{DS_SUB1，DS_SUB2，…，DS_SUBN₁}和负样本图像的样本特征，并根据聚类正样本集{DS_SUB1，DS_SUB2，…，DS_SUBN₁}和负样本图像的样本特征进行训练，每个子分类器是由N₂个级联的Boost分类器组成；子分类器训练步骤，对子分类器SCi训练ΔTL层，分别计算聚类正样本集DS_SUBj中每个样本S_jk在第i个子分类器SCi中的置信度S_i_jk，i＝1，2，…，N₃，j＝1，2，…，N₃，k＝1，2，…，Num_j，N₃为需要训练的子分类器的数量，统计该样本S_jk的置信度最大值对应的i，若i≠j，则将该样本S_jk重新分配到DS_SUBi中，重复计算，直至聚类正样本集{DS_SUB1，DS_SUB2，…，DS_SUBN₁}中每个样本都计算完毕；子分类器重复训练步骤，计算第j个子分类器的误检率，若误检率≤Th_NF₂，则停止对第j个子分类器的训练，继续对剩余的子分类器重复子分类器训练步骤，直至所有的子分类器都停止训练，得到N₁个训练好的实现人脸与背景分类的子分类器SC′i，i＝1，2，…，N₁；其中所述Th_NF₁∈[0.05，0.2]，Th_TL∈[40,80]，N₂∈[100,1000]，ΔTL∈[10,20]，Th_NF₂∈[5×10^‑7,5×10^‑5]。