CN101099675A - 带有弱分类器的组合系数的人脸检测方法 - Google Patents

Abstract

一种图像处理技术领域的带有弱分类器的组合系数的人脸检测方法，步骤如下：第一步，对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合；第二步，使用样本集合构建级联检测器：对于级联检测器的每一级节点，使用提升方法选取基于特征的弱分类器构成集成分类器，并对已构成的集成分类器通过使用组合系数来提高进一步提高分类效率；第三步，最后通过上述构建的级联检测器来实现自动人脸检测。本发明方法能有效提升人脸检测效率。

Description

带有弱分类器的组合系数的人脸检测方法

技术领域

本发明涉及一种图像处理技术领域的人脸检测方法，具体是一种带有弱分类器的组合系数的人脸检测方法。

背景技术

人脸检测是基于图像进行人机交互的基础技术，是人脸识别、表情检测、年龄估计的先决条件。因此如何快速有效的进行人脸检测是各种基于人脸应用的关键性技术。而人脸作为一个复杂的非刚性物体，决定了其检测过程是非平凡的。

经过对现有技术的文献检索发现，在总计超过150种人脸检测方法中，目前最流行，使用最广泛的是Viola和Jones在2001年IEEE Computer SocietyConference on Computer Vision and Pattern Recognition(计算机视觉与模式识别会议)中发表的使用提升级联的快速物体检测(Rapid Object Detectionusing a Boosted Cascade of Simple Features)中提出的级联人脸检测方法。其采用基于类似Haar小波的弱分类器为基础，通过采用Adaboost方法构建集成分类器，取得了良好的效果。类似Haar特征的区域性特点是使其具有一定的抗噪性，而积分图级联检测的大大加快了速度。相比于其他方法，其具有速度快，准确度高的特点。然而其方法中未能有效利用弱分类器之间相互关系。

发明内容

本发明的目的在于针对现有技术存在的上述不足，提供一种带有弱分类器的组合系数的人脸检测方法，使其能够进一步提高人脸检测的准确率，加快人脸检测速度。

本发明是通过以下技术方案实现的，本发明包括如下步骤：

第一步，对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合；

第二步，使用样本集合构建级联检测器：对于级联检测器的每一级节点，使用提升方法选取基于特征的弱分类器构成集成分类器，并对于已构成的集成分类器，通过使用弱类器的组合系数来提高进一步提高分类效率。

第三步，最后通过上述构建的级联检测器来实现自动人脸检测。

通过对于集成分类器的研究可以知道，对于任何一个样本要通过集成分类器，需要通过其下一组弱分类器。对于这一点可借由经验观察，及采用无权重的特征选择方法的成功可知。故既然一个样本必须通过一组弱分类器，那么这一组弱分类器如何组织，其组合上是否具有特定的分布，则是具有相当多的信息。而组合系数则正是用来描述弱分类器之间的相关系数，而通过使用组合系数，则能有效利用这一信息，进而取得较好的分类效果提升。

所述级联检测器，其级联结构是指一种退化的决策树，用于加速人脸检测过程。对于给定的对象只要任意一级节点拒绝该对象则该对象不被之后任意一级处理。

所述提升方法，是一类用于弱分类器组合以获得更强的分类器的算法，Adaboost为其典型代表。

所述集成分类器是指将多个弱分类器组合后所获得的分类器。

所述带有弱分类器组合系数的集成分类器，是指使用原有基础弱分类器的组合作为扩展弱分类器及描述组合价值的相关系数来对原有集成分类器进行拓展的集成分类器。

对于带有弱分类器组合系数的集成分类器，首先为每一个弱分类器的组合模式定义一个组合值。弱分类器的组合值被定义为每个弱分类器的输出的二进制值的组合的。组合值是对于总计2^M个可能的组合模式的数值索引，其中M是组合的阶数。如对于三个弱分类器h1(x)，h2(x)，h3(x)以及对应的值0，1，1，然后组合的三阶组合值是：

v(h₁(x)h₃(x)h₃(x))＝(001)₂＝3

对应于给一个具体的组合模式的扩展弱分类器函数被定义为该组合模式值的指示函数。如上述例子，其对应扩展弱分类器函数为：

I(v(h₁(x)h₂(x)h₃(x))＝3)

其中I(x)为指示函数

对于一个已训练的集成分类器：

(T为基础弱分类器数量)

经使用弱分类器的相关系数后，集成分类器拓展为

其中β_ijk及λ_ijkl是所谓弱分类器的相关系数。β_ijk是指的对应基础弱分类器h_i，h_j组合模式k的组合系数。其中具体组合模式对应的扩展弱分类器的选取及弱分类器的组合系数的确定则用原本的提升方法完成。弱分类器的组合系数对应于提升方法中得出弱分类器权重。

与现有技术相比，本发明能够进一步提高人脸检测的准确率，加快人脸检测速度。当仅使用二阶系数时，其选取的特征数量要小许多，仅4T²个，T是指原来集成分类器中的弱分类器的个数。对于典型的弱分类配置，这一数量远小于人脸检测中所用的特征数量，而且在其选取过程中还可以避免分类器重新调整的过程，故其学习过程相当快捷，而其在处理上也十分简易，由于其使用的弱分类器的组合，而原有结构中每个基础弱分类器的结果总是需要被计算的，故额外运算代价较小(对于2阶情况为5个运算操作)。同时，本发明在表述能力上也是比较强，通过允许负系数以及允许各种组合，相关系数可以表述多种弱分类器之间的合取，或取，排除关系。这些组合有力的表述了各种弱分类器之间的关系，从而提高了分类效果。

本发明采用相关系数的集成分类器，可以被看作是对于原有的线性组合的多项式拓展，其成功利用具有分类能力的高级系数，提升了原有分类器的效能，能有效提升人脸检测效率。

附图说明

图1为本发明实施例与其原Viola and Jones方法(VJ)构成单级节点的测试结果对比图。

图2本发明实施例与其原Viola and Jones方法(VJ)在CMU+MIT人脸检测库上的测试结果对比图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

步骤一，对人脸图像进行提取并缩放至指定大小24*24，称为人脸图像，形成样本集合{x₁，y₁}，…{x_n，y_n}，；并收集不含有人脸的非脸图片集{im₁，Λim_m}，并在非脸图片集上进行随机采样并缩放之指定大小24*24，与之前获取的人脸图片集形成初始训练集。{x₁，y₁}，Λ{x_N，y_N}

步骤二，训练级联检测器。初始级联检测器为空。

A.使用当前训练集{x₁，y₁}，Λ{x_N，y_N}，更据当前训练策略，训练使用T个基础弱分类器带有弱分类器相关系数的集成分类器

B.将所获得的集成分类器作为级联检测器的最后一级添加。

C.将当前检测应用于训练集，将所有正确分类的负样本从训练集中剔除。

D.运用当前级联检测器于非脸图片集{im₁，Λim_m}，对于所有被错误分类的子窗口将其缩放并添加至训练集中，直到训练集数量恢复至初始。若无法获得足够样本则训练结束，当前级联检测器为最终检测器。否则重复步骤二。

步骤三，最后通过级联检测器来实现自动人脸检测。

步骤二(a)具体过程如下：

(1)对于给定样本集{x₁，y₁}，Λ{x_N，y_N}，使用提升方法Adaboost选取T个基于类似Haar特征的弱分类器h_t(x)构成集成分类器，其中 $h_t\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}{p}_t{f}_t\left(x\right)<p_t{\mathrm{\&theta;}}_t\\ 0& \mathrm{otherwise}\end{array}\right.,$ f_t(x)是类似Haar特征中的特征值，p_t是简单分类器的方向，并且θ_t是被选择使误差率减到最小的门限。

(2)对上述已构成的集成分类器，使用相关系数来进一步提高分类效率。过程如下：对于t＝1，…，T或2T选择在当前权重分布下的最小化目标误差的弱分类器组合系数H(x)或其逆及其对应的相关系数β。对于Adaboost提升算法和二阶组合系数其过程如下：

(a)归一化权重

${\mathrm{\&omega;}}_{t,i}\&LeftArrow;\frac{{\mathrm{\&omega;}}_{t,i}}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{t,j}}$ 其中ω_t，i是样本{x_i，y_i}的第t轮样本权重

(b)计算误差

${\mathrm{err}}_{t_1{t}_{2}j}=\frac{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&omega;}}_{i}I(I(v\left(h_{t_1}{h}_{t_2}\left(x\right)\right)=j)\&NotEqual;y_i)}{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&omega;}}_i}$

(c)选择具有最小化min{err_t1t2j，1-err_t1t2j}

(d)计算 ${\mathrm{\&gamma;}}_{t_1{t}_{2}j}=\frac{1-{\mathrm{err}}_{t_1{t}_{2}j}}{{\mathrm{err}}_{t_1{t}_{2}j}}$ 和 ${\mathrm{\&beta;}}_{t_1{t}_{2}j}=\log \frac{1}{{\mathrm{\&beta;}}_{t_1{t}_{2}j}}$

(e)更新权重

${\mathrm{\&omega;}}_{t+1,i}={\mathrm{\&omega;}}_{t,i}*{\mathrm{\&gamma;}}_{t_1{t}_{2}j}^{I(I(v\left(h_{t_1}{h}_{t_2}\left(x\right)\right)=j)=y_i)}$

(3)最终获得的强分类器是

其中θ′是閥值，可以通过调节θ′以控制检测率与假阳率。

本实施例1中，当仅使用1级级联检测节点，采用7000个人脸正样本，及14000个非脸背景作负样本，在一个由3000张人脸和20000非脸的数据集上作测试，测试了采用相关系数的分类器，以及原有方法的效果。对于相关系数，仅选了二阶系数，在数量上则为原有系数的一倍或两倍。

在测试中，取得平均20％至30％的性能提升。其实验效果请见附图1，图中C1代表的是额外使用一倍于原有弱分类器总数的相关系数时构成的集成检测器；C2代表的是额外使用两倍于原有弱分类器总数的相关系数时构成的集成检测器；VJ代表的是原Viola and Jones方法。

在实施例2中采用5000个人脸正样本，及7000个非脸图片作为非脸图片集合。当同样采用配置，即每级节点通过99％的正样本时，带有相关系数的分类器仅需15级就能完成训练，而原方法则需42级级联分类器来完成，并且在MIT+CMU的数据集上的测试结果显示(见附图2)，图中C2代表的是额外使用两倍于原有弱分类器总数的相关系数时构成的集成检测器；VJ代表的是原Viola and Jones方法。

本发明上述实施例的方法产生的分类器在性能上优于原有方法，尤其是在误检率上。充分的显示出了采用相关系数法的优势。

Claims (6)

1、一种带有弱分类器的组合系数的人脸检测方法，其特征在于，步骤如下：

第一步，对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合；

第二步，使用样本集合构建级联检测器：对于级联检测器的每一级节点，使用提升方法选取基于特征的弱分类器构成集成分类器，并对已构成的集成分类器通过使用组合系数来提高进一步提高分类效率；

第三步，最后通过上述构建的级联检测器来实现自动人脸检测。

2、根据权利要求1所述的带有弱分类器的组合系数的人脸检测方法，其特征是，所述第二步，使用样本集合构建级联检测器，初始级联检测器为空，具体如下：

A.使用当前训练集{x₁，y₁}，Λ{x_N，y_N}，更据当前训练策略，训练使用T个基础弱分类器带有弱分类器组合系数的集成分类器；

B.将所获得的集成分类器作为级联检测器的最后一级添加；

C.将当前检测应用于训练集，将所有正确分类的负样本从训练集中剔除；

D.运用当前级联检测器于非脸图片集{im₁，Λim_m}，对于所有被错误分类的子窗口将其缩放并添加至训练集中，直到训练集数量恢复至初始，若无法获得足够样本则训练结束，当前级联检测器为最终检测器；否则重复第二步。

3、根据权利要求2所述的带有弱分类器的组合系数的人脸检测方法，其特征是，所述带有弱分类器组合系数的集成分类器，是指使用原有基础弱分类器的组合作为扩展弱分类器及描述组合价值的相关系数来对原有集成分类器进行拓展的集成分类器。

4、根据权利要求2或3所述的带有弱分类器的组合系数的人脸检测方法，其特征是，对于带有弱分类器组合系数的集成分类器，首先为每一个弱分类器的组合模式定义一个组合值，弱分类器的组合值被定义为每个弱分类器的输出的二进制值的组合的，组合值是对于总计2^M个可能的组合模式的数值索引，其中M是组合的阶数，对于三个弱分类器h1(x)，h2(x)，h3(x)以及对应的值0，1，1，然后组合的三阶组合值是：

v(h₁(x)h₃(x)h₃(x))＝(001)₂＝3

对应于给一个具体的组合模式的扩展弱分类器函数被定义为该组合模式值的指示函数，对于上述三个弱分类器，其对应扩展弱分类器函数为：

I(v(h₁(x)h₂(x)h₃(x))＝3)

其中I(x)为指示函数

对于一个已训练的集成分类器：

T为基础弱分类器数量；

经使用弱分类器的相关系数后，集成分类器拓展为

其中β_ijk及λ_ijkl是所谓弱分类器的相关系数，β_ijk是指的对应基础弱分类器h_i，h_j组合模式k的组合系数，其中具体组合模式对应的扩展弱分类器的选取及弱分类器的组合系数的确定则用原本的提升方法完成，弱分类器的组合系数对应于提升方法中得出弱分类器权重。

5、根据权利要求2所述的带有弱分类器的组合系数的人脸检测方法，其特征是，所述步骤A，其具体实现如下：

a.对于给定样本集{x₁，y₁}，Λ{x_N，y_N}，使用提升方法选取T个基于Haar特征的弱分类器h_t(x)构成集成分类器，其中 $h_t\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}{p}_t{f}_t\left(x\right)\&Element;p_t{\mathrm{\&theta;}}_t\\ 0& \mathrm{otherwise}\end{array}\right.,$ f_t(x)是Haar特征中的特征值，p_t是简单分类器的方向，并且θ_t是被选择使误差率减到最小的门限；

b.对上述已构成的集成分类器，使用组合系数来进一步提高分类效率，过程如下：对于t＝1，…，T或2T选择在当前权重分布下的最小化目标误差的弱分类器组合系数H(x)或其逆及其对应的相关系数β，对于Adaboost提升算法和二阶组合系数其过程如下：

(a)归一化权重

${\mathrm{\&omega;}}_{t,i}\&LeftArrow;\frac{{\mathrm{\&omega;}}_{t,i}}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{t,j}}$ 其中ω_t，i是样本{x_i，y_i}的第t轮样本权重

(b)计算误差

${\mathrm{err}}_{t_1{t}_{2}j}=\frac{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&omega;}}_{i}I(I(v\left(h_{t_1}{h}_{t_2}\left(x\right)\right)=j)\&NotEqual;y_i)}{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&omega;}}_i}$

(c)选择具有最小化min{err_t1t2j，1-err_t1t2j}

(d)计算 ${\mathrm{\&gamma;}}_{t_1{t}_{2}j}=\frac{1-{\mathrm{err}}_{t_1{t}_{2}j}}{{\mathrm{err}}_{t_1{t}_{2}j}}$ 和 ${\mathrm{\&beta;}}_{t_1{t}_{2}j}=\log \frac{1}{{\mathrm{\&beta;}}_{t_1{t}_{2}j}}$

(e)更新权重

${\mathrm{\&omega;}}_{t+1,i}={\mathrm{\&omega;}}_{t,i}*{\mathrm{\&gamma;}}_{t_1{t}_{2}j}^{I(I(v\left(h_{t_1{t}_2}\left(x\right)\right)=j)=y_i)}$

(3)最终获得的强分类器是

其中θ′是閥值，通过调节θ′以控制检测率与假阳率。

6、根据权利要求1所述的带有弱分类器的组合系数的人脸检测方法，其特征是，所述级联检测器，其级联结构是指一种退化的决策树，用于加速人脸检测过程，对于给定的对象只要任意一级节点拒绝该对象则该对象不被之后任意一级处理。

Images