專利名稱：帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的人臉檢測(cè)方法，具體是一種帶有弱分類 器的組合系數(shù)的人臉檢測(cè)方法。
背景技術(shù)：
人臉檢測(cè)是基于圖像進(jìn)行人機(jī)交互的基礎(chǔ)技術(shù)，是人臉識(shí)別、表情檢測(cè)、年 齡估計(jì)的先決條件。因此如何快速有效的進(jìn)行人臉檢測(cè)是各種基于人臉應(yīng)用的關(guān) 鍵性技術(shù)。而人臉作為一個(gè)復(fù)雜的非剛性物體，決定了其檢測(cè)過(guò)程是非平凡的。
經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，在總計(jì)超過(guò)150種人臉檢測(cè)方法中，目前 最流行，使用最廣泛的是Viola和Jones在2001年IEEE Computer Society Conference on Computer Vision and Pattern Recognition (計(jì)算機(jī)視覺(jué)與模 式識(shí)別會(huì)議)中發(fā)表的使用提升級(jí)聯(lián)的快速物體檢測(cè)(Rapid Object Detection using a Boosted Cascade of Simple Features)中提出的級(jí)聯(lián)人臉檢測(cè)方法。其采 用基于類似Haar小波的弱分類器為基礎(chǔ)，通過(guò)采用Adaboost方法構(gòu)建集成分類 器，取得了良好的效果。類似Haar特征的區(qū)域性特點(diǎn)是使其具有一定的抗噪性， 而積分圖級(jí)聯(lián)檢測(cè)的大大加快了速度。相比于其他方法，其具有速度快，準(zhǔn)確度 高的特點(diǎn)。然而其方法中未能有效利用弱分類器之間相互關(guān)系。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)存在的上述不足，提供一種帶有弱分類器的 組合系數(shù)的人臉檢測(cè)方法，使其能夠進(jìn)一步提高人臉檢測(cè)的準(zhǔn)確率，加快人臉檢 測(cè)速度。
本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括如下步驟
第一步，對(duì)人臉圖像進(jìn)行特征提取，稱為人臉圖像特征向量，形成樣本集合；
第二步，使用樣本集合構(gòu)建級(jí)聯(lián)檢測(cè)器對(duì)于級(jí)聯(lián)檢測(cè)器的每一級(jí)節(jié)點(diǎn)，使 用提升方法選取基于特征的弱分類器構(gòu)成集成分類器，并對(duì)于已構(gòu)成的集成分類 器，通過(guò)使用弱類器的組合系數(shù)來(lái)提高進(jìn)一步提高分類效率。
第三步，最后通過(guò)上述構(gòu)建的級(jí)聯(lián)檢測(cè)器來(lái)實(shí)現(xiàn)自動(dòng)人臉檢測(cè)。
通過(guò)對(duì)于集成分類器的研究可以知道，對(duì)于任何一個(gè)樣本要通過(guò)集成分類 器，需要通過(guò)其下一組弱分類器。對(duì)于這一點(diǎn)可借由經(jīng)驗(yàn)觀察，及采用無(wú)權(quán)重 的特征選擇方法的成功可知。故既然一個(gè)樣本必須通過(guò)一組弱分類器，那么這 一組弱分類器如何組織，其組合上是否具有特定的分布，則是具有相當(dāng)多的信 息。而組合系數(shù)則正是用來(lái)描述弱分類器之間的相關(guān)系數(shù)，而通過(guò)使用組合系 數(shù)，則能有效利用這一信息，進(jìn)而取得較好的分類效果提升。
所述級(jí)聯(lián)檢測(cè)器，其級(jí)聯(lián)結(jié)構(gòu)是指一種退化的決策樹(shù)，用于加速人臉檢測(cè)過(guò) 程。對(duì)于給定的對(duì)象只要任意一級(jí)節(jié)點(diǎn)拒絕該對(duì)象則該對(duì)象不被之后任意一級(jí)處 理。
所述提升方法，是一類用于弱分類器組合以獲得更強(qiáng)的分類器的算法，
Adaboost為其典型代表。
所述集成分類器是指將多個(gè)弱分類器組合后所獲得的分類器。 所述帶有弱分類器組合系數(shù)的集成分類器，是指使用原有基礎(chǔ)弱分類器的組
合作為擴(kuò)展弱分類器及描述組合價(jià)值的相關(guān)系數(shù)來(lái)對(duì)原有集成分類器進(jìn)行拓展
的集成分類器。
對(duì)于帶有弱分類器組合系數(shù)的集成分類器，首先為每一個(gè)弱分類器的組合模 式定義一個(gè)組合值。弱分類器的組合值被定義為每個(gè)弱分類器的輸出的二進(jìn)制值
的組合的。組合值是對(duì)于總計(jì)2M個(gè)可能的組合模式的數(shù)值索引，其中M是組合的
階數(shù)。如對(duì)于三個(gè)弱分類器hl (x) ， h2 (x)， h3 (x)以及對(duì)應(yīng)的值0， 1， 1，然后 組合的三階組合值是
v(Mx)h3(x)hg(x)) = (001)2 = 3
對(duì)應(yīng)于給一個(gè)具體的組合模式的擴(kuò)展弱分類器函數(shù)被定義為該組合模式值 的指示函數(shù)。如上述例子，其對(duì)應(yīng)擴(kuò)展弱分類器函數(shù)為
<formula>formula see original document page 7</formula>
其中I(x)為指示函數(shù)
對(duì)于一個(gè)已訓(xùn)練的集成分類器<formula>formula see original document page 7</formula>
經(jīng)使用弱分類器的相關(guān)系數(shù)后，集成分類器拓展為 <formula>formula see original document page 7</formula>
其中B及入是所謂弱分類器的相關(guān)系數(shù)。B是指的對(duì)應(yīng)基礎(chǔ)弱分類器hi、hj組
合模式k的組合系數(shù)。其中具體組合模式對(duì)應(yīng)的擴(kuò)展弱分類器的選取及弱分類器 的組合系數(shù)的確定則用原本的提升方法完成。弱分類器的組合系數(shù)對(duì)應(yīng)于提升方 法中得出弱分類器權(quán)重。
與現(xiàn)有技術(shù)相比，本發(fā)明能夠進(jìn)一步提高人臉檢測(cè)的準(zhǔn)確率，加快人臉檢測(cè)
速度。當(dāng)僅使用二階系數(shù)時(shí)，其選取的特征數(shù)量要小許多，僅472個(gè)，t是指原
來(lái)集成分類器中的弱分類器的個(gè)數(shù)。對(duì)于典型的弱分類配置，這一數(shù)量遠(yuǎn)小于人 臉檢測(cè)中所用的特征數(shù)量，而且在其選取過(guò)程中還可以避免分類器重新調(diào)整的過(guò) 程，故其學(xué)習(xí)過(guò)程相當(dāng)快捷，而其在處理上也十分簡(jiǎn)易，由于其使用的弱分類器 的組合，而原有結(jié)構(gòu)中每個(gè)基礎(chǔ)弱分類器的結(jié)果總是需要被計(jì)算的，故額外運(yùn)算 代價(jià)較小(對(duì)于2階情況為5個(gè)運(yùn)算操作)。同時(shí)，本發(fā)明在表述能力上也是比 較強(qiáng)，通過(guò)允許負(fù)系數(shù)以及允許各種組合，相關(guān)系數(shù)可以表述多種弱分類器之間 的合取，或取，排除關(guān)系。這些組合有力的表述了各種弱分類器之間的關(guān)系，從 而提高了分類效果。
本發(fā)明采用相關(guān)系數(shù)的集成分類器，可以被看作是對(duì)于原有的線性組合的多 項(xiàng)式拓展，其成功利用具有分類能力的高級(jí)系數(shù)，提升了原有分類器的效能，能 有效提升人臉檢測(cè)效率。


圖l為本發(fā)明實(shí)施例與其原Viola and Jones方法(VJ)構(gòu)成單級(jí)節(jié)點(diǎn)的 測(cè)試結(jié)果對(duì)比圖。
圖2本發(fā)明實(shí)施例與其原Viola and Jones方法(VJ)在CMU+MIT人臉檢 測(cè)庫(kù)上的測(cè)試結(jié)果對(duì)比圖。
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明本實(shí)施例在以本發(fā)明技術(shù)方案 為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和過(guò)程，但本發(fā)明的保護(hù)范圍不限于 下述的實(shí)施例。
步驟一，對(duì)人臉圖像進(jìn)行提取并縮放至指定大小24*24，稱為人臉圖像，形 成樣本集合fe,yA...fe,ja;并收集不含有人臉的非臉圖片集(z'/^,A/附J，并在 非臉圖片集上進(jìn)行隨機(jī)采樣并縮放之指定大小24*24,與之前獲取的人臉圖片集 形成初始訓(xùn)練集。(:c^J，A {;,;^}
步驟二，訓(xùn)練級(jí)聯(lián)檢測(cè)器。初始級(jí)聯(lián)檢測(cè)器為空。
a. 使用當(dāng)前訓(xùn)練集^，;;山八更據(jù)當(dāng)前訓(xùn)練策略，訓(xùn)練使用t個(gè)
基礎(chǔ)弱分類器帶有弱分類器相關(guān)系數(shù)的集成分類器
B. 將所獲得的集成分類器作為級(jí)聯(lián)檢測(cè)器的最后一級(jí)添加。
C. 將當(dāng)前檢測(cè)應(yīng)用于訓(xùn)練集，將所有正確分類的負(fù)樣本從訓(xùn)練集中剔除。
D. 運(yùn)用當(dāng)前級(jí)聯(lián)檢測(cè)器于非臉圖片集O'mi,A fmj ，對(duì)于所有被錯(cuò)誤分類的
子窗口將其縮放并添加至訓(xùn)練集中，直到訓(xùn)練集數(shù)量恢復(fù)至初始。若無(wú)法獲得足 夠樣本則訓(xùn)練結(jié)束，當(dāng)前級(jí)聯(lián)檢測(cè)器為最終檢測(cè)器。否則重復(fù)步驟二。
步驟三，最后通過(guò)級(jí)聯(lián)檢測(cè)器來(lái)實(shí)現(xiàn)自動(dòng)人臉檢測(cè)。
步驟二 (a)具體過(guò)程如下
(l)對(duì)于給定樣本集(A，yJ,A {jcw，>v}，使用提升方法Adaboost選取T個(gè)基 于類似Haar特征的弱分類器ht(x)構(gòu)成集成分類器，其中ht(x) = g =，，
ft (x)是類似Haar特征中的特征值，Pt是簡(jiǎn)單分類器的方向，并且9 t是被選
擇使誤差率減到最小的門(mén)限。
(2)對(duì)上述己構(gòu)成的集成分類器，使用相關(guān)系數(shù)來(lái)進(jìn)一步提高分類效率。過(guò) 程如下對(duì)于t=l，…，T或2T選擇在當(dāng)前權(quán)重分布下的最小化目標(biāo)誤差的弱分 類器組合系數(shù)/ZOc)或其逆及其對(duì)應(yīng)的相關(guān)系數(shù)"。對(duì)于Adaboost提升算法和二
階組合系數(shù)其過(guò)程如下
(a) 歸一化權(quán)重
<formula>formula see original document page 9</formula>
(b) 計(jì)算誤差
<formula>formula see original document page 9</formula>
(c) 選擇具有最小<formula>formula see original document page 9</formula>
(d) 計(jì)算^=^和^=1縛^
(e) 更新權(quán)重
(3)最終獲得的強(qiáng)分類器是
<formula>formula see original document page 9</formula>
o 其他情況 其中e'是閥值，可以通過(guò)調(diào)節(jié)e'以控制檢測(cè)率與假陽(yáng)率。
本實(shí)施例1中，當(dāng)僅使用1級(jí)級(jí)聯(lián)檢測(cè)節(jié)點(diǎn)，采用7000個(gè)人臉正樣本，及 14000個(gè)非臉背景作負(fù)樣本，在一個(gè)由3000張人臉和20000非臉的數(shù)據(jù)集上作 測(cè)試，測(cè)試了采用相關(guān)系數(shù)的分類器，以及原有方法的效果。對(duì)于相關(guān)系數(shù)，僅
選了二階系數(shù)，在數(shù)量上則為原有系數(shù)的一倍或兩倍。
在測(cè)試中，取得平均20%至30%的性能提升。其實(shí)驗(yàn)效果請(qǐng)見(jiàn)附圖1，圖中 Cl代表的是額外使用一倍于原有弱分類器總數(shù)的相關(guān)系數(shù)時(shí)構(gòu)成的集成檢測(cè)
器；C2代表的是額外使用兩倍于原有弱分類器總數(shù)的相關(guān)系數(shù)時(shí)構(gòu)成的集成檢
測(cè)器；VJ代表的是原Viola and Jones方法。
在實(shí)施例2中采用5000個(gè)人臉正樣本，及7000個(gè)非臉圖片作為非臉圖片集 合。當(dāng)同樣采用配置，即每級(jí)節(jié)點(diǎn)通過(guò)99%的正樣本時(shí)，帶有相關(guān)系數(shù)的分類器 僅需15級(jí)就能完成訓(xùn)練，而原方法則需42級(jí)級(jí)聯(lián)分類器來(lái)完成，并且在MIT+CMU 的數(shù)據(jù)集上的測(cè)試結(jié)果顯示(見(jiàn)附圖2)，圖中C2代表的是額外使用兩倍于原有 弱分類器總數(shù)的相關(guān)系數(shù)時(shí)構(gòu)成的集成檢測(cè)器；VJ代表的是原Viola and Jones 方法。
本發(fā)明上述實(shí)施例的方法產(chǎn)生的分類器在性能上優(yōu)于原有方法，尤其是在誤 檢率上。充分的顯示出了采用相關(guān)系數(shù)法的優(yōu)勢(shì)。
權(quán)利要求
1、一種帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，其特征在于，步驟如下第一步，對(duì)人臉圖像進(jìn)行特征提取，稱為人臉圖像特征向量，形成樣本集合；第二步，使用樣本集合構(gòu)建級(jí)聯(lián)檢測(cè)器對(duì)于級(jí)聯(lián)檢測(cè)器的每一級(jí)節(jié)點(diǎn)，使用提升方法選取基于特征的弱分類器構(gòu)成集成分類器，并對(duì)已構(gòu)成的集成分類器通過(guò)使用組合系數(shù)來(lái)提高進(jìn)一步提高分類效率；第三步，最后通過(guò)上述構(gòu)建的級(jí)聯(lián)檢測(cè)器來(lái)實(shí)現(xiàn)自動(dòng)人臉檢測(cè)。
2、 根據(jù)權(quán)利要求1所述的帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，其特 征是，所述第二步，使用樣本集合構(gòu)建級(jí)聯(lián)檢測(cè)器，初始級(jí)聯(lián)檢測(cè)器為空，具體 如下A. 使用當(dāng)前訓(xùn)練集^，w，A {^,;^}，更據(jù)當(dāng)前訓(xùn)練策略，訓(xùn)練使用T個(gè)基礎(chǔ)弱分類器帶有弱分類器組合系數(shù)的集成分類器；B. 將所獲得的集成分類器作為級(jí)聯(lián)檢測(cè)器的最后一級(jí)添加；C. 將當(dāng)前檢測(cè)應(yīng)用于訓(xùn)練集，將所有正確分類的負(fù)樣本從訓(xùn)練集中剔除；D. 運(yùn)用當(dāng)前級(jí)聯(lián)檢測(cè)器于非臉圖片集0'/^，A /mm}，對(duì)于所有被錯(cuò)誤分類的子窗口將其縮放并添加至訓(xùn)練集中，直到訓(xùn)練集數(shù)量恢復(fù)至初始，若無(wú)法獲得足 夠樣本則訓(xùn)練結(jié)束，當(dāng)前級(jí)聯(lián)檢測(cè)器為最終檢測(cè)器；否則重復(fù)第二步。
3、 根據(jù)權(quán)利要求2所述的帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，其特征 是，所述帶有弱分類器組合系數(shù)的集成分類器，是指使用原有基礎(chǔ)弱分類器的組 合作為擴(kuò)展弱分類器及描述組合價(jià)值的相關(guān)系數(shù)來(lái)對(duì)原有集成分類器進(jìn)行拓展 的集成分類器。
4、 根據(jù)權(quán)利要求2或3所述的帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，其 特征是，對(duì)于帶有弱分類器組合系數(shù)的集成分類器，首先為每一個(gè)弱分類器的組 合模式定義一個(gè)組合值，弱分類器的組合值被定義為每個(gè)弱分類器的輸出的二進(jìn)制值的組合的，組合值是對(duì)于總計(jì)2 個(gè)可能的組合模式的數(shù)值索引，其中M是組 合的階數(shù)，對(duì)于三個(gè)弱分類器hl(x)， h2 (x)， h3 (x)以及對(duì)應(yīng)的值0， 1， 1，然 后組合的三階組合值是 1氛缺3缺3幼=(001)2 = 3對(duì)應(yīng)于給一個(gè)具體的組合模式的擴(kuò)展弱分類器函數(shù)被定義為該組合模式值 的指示函數(shù)，對(duì)于上述三個(gè)弱分類器，其對(duì)應(yīng)擴(kuò)展弱分類器函數(shù)為/(v(/^C(;c)/z3(x))-3)其中/(JC)為指示函數(shù)對(duì)于一個(gè)已訓(xùn)練的集成分類器cOc)-j1 §°^")>: T為基礎(chǔ)弱分類器0其他情況經(jīng)使用弱分類器的相關(guān)系數(shù)后，集成分類器拓展為1 (x) + Z AJ(—', W)") + Z 'W (諷W)") +L > ^0 其他情況其中&t及~w是所謂弱分類器的相關(guān)系數(shù)，&4是指的對(duì)應(yīng)基礎(chǔ)弱分類器&, ~組合模式k的組合系數(shù)，其中具體組合模式對(duì)應(yīng)的擴(kuò)展弱分類器的選取及弱分類器 的組合系數(shù)的確定則用原本的提升方法完成，弱分類器的組合系數(shù)對(duì)應(yīng)于提升方 法中得出弱分類器權(quán)重。
5、根據(jù)權(quán)利要求2所述的帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，其特 征是，所述步驟A，其具體實(shí)現(xiàn)如下a. 對(duì)于給定樣本集(A,力hA {~,:^}，使用提升方法選取T個(gè)基于Haar特征的弱分類器ht00構(gòu)成集成分類器，其中、(力-g ，:S2ft， ft (x)是Haar特征中的特征值，pt是簡(jiǎn)單分類器的方向，并且8t是被選擇使誤差率減到最小 的門(mén)限；b. 對(duì)上述已構(gòu)成的集成分類器，使用組合系數(shù)來(lái)進(jìn)一步提高分類效率，過(guò)程 如下對(duì)于t=l,…，T或2T選擇在當(dāng)前權(quán)重分布下的最小化目標(biāo)誤差的弱分類 器組合系數(shù)i/(x)或其逆及其對(duì)應(yīng)的相關(guān)系數(shù)/ ，對(duì)于Adaboost提升算法和二階組合系數(shù)其過(guò)程如下 (a)歸一化權(quán)重<formula>formula see original document page 4</formula>其中 是樣本K,y,怖第t輪樣本權(quán)重(b)計(jì)算誤差(c)選擇具有最小化<formula>formula see original document page 4</formula>(d) 計(jì)算<formula>formula see original document page 4</formula>(e) 更新權(quán)重<formula>formula see original document page 4</formula>(3)最終獲得的強(qiáng)分類器是<formula>formula see original document page 4</formula> 其他情況其中w是閥值，通過(guò)調(diào)節(jié)w以控制檢測(cè)率與假陽(yáng)率。
6、根據(jù)權(quán)利要求1所述的帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，其特 征是，所述級(jí)聯(lián)檢測(cè)器，其級(jí)聯(lián)結(jié)構(gòu)是指一種退化的決策樹(shù)，用于加速人臉檢測(cè) 過(guò)程，對(duì)于給定的對(duì)象只要任意一級(jí)節(jié)點(diǎn)拒絕該對(duì)象則該對(duì)象不被之后任意一級(jí) 處理。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的帶有弱分類器的組合系數(shù)的人臉檢測(cè)方法，步驟如下第一步，對(duì)人臉圖像進(jìn)行特征提取，稱為人臉圖像特征向量，形成樣本集合；第二步，使用樣本集合構(gòu)建級(jí)聯(lián)檢測(cè)器對(duì)于級(jí)聯(lián)檢測(cè)器的每一級(jí)節(jié)點(diǎn)，使用提升方法選取基于特征的弱分類器構(gòu)成集成分類器，并對(duì)已構(gòu)成的集成分類器通過(guò)使用組合系數(shù)來(lái)提高進(jìn)一步提高分類效率；第三步，最后通過(guò)上述構(gòu)建的級(jí)聯(lián)檢測(cè)器來(lái)實(shí)現(xiàn)自動(dòng)人臉檢測(cè)。本發(fā)明方法能有效提升人臉檢測(cè)效率。
文檔編號(hào)G06K9/62GK101099675SQ200710044218
公開(kāi)日2008年1月9日 申請(qǐng)日期2007年7月26日 優(yōu)先權(quán)日2007年7月26日
發(fā)明者呂寶糧, 郭佳騁 申請(qǐng)人:上海交通大學(xué)