基于支持向量新穎檢測分類器級聯的人臉檢測方法技術

本發明專利技術公開了一種基于支持矢量新穎檢測分類器級聯的人臉檢測方法，主要解決的是人臉檢測過程中計算復雜度過大導致檢測時間過長的問題，其檢測過程是：訓練樣本集的預處理及提取樣本特征；利用支持矢量新穎檢測算法對已提取特征的訓練樣本進行訓練，并得到分類器模型；根據在已有測試集的檢測的正檢和誤檢率來優化算法參數并挑選合適三個合適的子分類器級聯成一個強分類器；用此級聯強分來器對灰度圖片進行人臉的檢測并標出。本發明專利技術具有檢測速度快的優點，可用于機器學習和模式識別范疇內的人臉檢測。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，涉及人臉的檢測，即將人臉從檢測圖片中定位并 標出，可用于安全控制、人機交互及人類情感ff究。
技術介紹
人臉檢測是人臉識別系統的第一個步驟，這一步驟的所獲得的精度與速度直接影 響整個系統的性能。此外，人臉檢測的應用也大大超過了人臉識別系統的范疇，在人 臉表情識別系統，基于內容的檢索，視頻會議，三維人臉模型等方面也有重要的應用 價值。人臉的自動檢測是一類具有很大挑戰性的問題，其主要難點在于(1)人臉是一 類高度非剛性的目標，存在相貌，表情，膚色等差異。(2)人臉上可能會存在一些附屬物，諸如，眼鏡，胡須等。(3)人臉的姿態變化萬千，并且可能存在遮擋物。(4)待檢測圖像性質的差異。比如待檢測圖像的分辨率攝錄器材的質量等。(5)淘汰 的種類和角度。不同種類和角度的光源會對待檢測的人臉產生不同性質的反射和不同 區域的陰影。在傳統的基于統計理論的人臉檢測方法中，基于支持向量機方法用于對人臉檢測 時，需要訓練人臉與非人臉樣本得到分類兩類問題的學習機，以進行真實圖片地檢測， 而現實中一人臉樣本遠遠大于人臉樣本，且形態各異，不便于提取，因而采用傳統支 持向量機方法進行人臉檢測存在以下缺點(1)訓練支持向量機是一個求解二次規劃 問題，計算量巨大；(2)訓練非人臉需要大量樣本，這樣就會導致出現大量的支持向 量。(3)真實圖片中提取的檢測樣本量巨大，導致檢測時的計算量大。
技術實現思路
本專利技術的目的在于克服傳統支持向量機檢測方法的不足，提供一種基于支持向量 新穎檢測分類器級聯的人臉檢測方法，以減小檢測時的計算量，提高檢領爐度。 為實現上述目的，本專利技術包括如下步驟-(1)對于已有人臉庫樣本，取其中的所有人臉樣本F及非人臉樣本U進行直方 圖均衡化，同時將所有的樣本圖片矩陣拉成向量，以圖片的像素值作為圖片樣本特征；(2>將所有特征提取后的人臉樣本F隨機n等份，每次取其中n-l份作為訓練集 N，剩下盼一份和所有的非人臉樣本U組成測試樣本集M;(3) 采用高斯核函數將選取的訓練集N從樣本空間映射到核空間；(4) 用支持向量新穎檢測算法對核空|5)#本進行訓練分類，得出包括支持向量SVs，對應系數w以及決策半徑p的分類器模型；(5) 將(2)中得到的測試樣本集M，甩(4)得到的分類器模型進行檢測，并 對M中每一個測試樣本與所有支持向量SVs進行高斯核映射，再乘以對應系數w得到待檢測半徑r，將r與決策半徑p進行比較，大于/7則為人臉，反之則為非人臉；(6) 將人臉樣本經過分類器模型判決為人臉稱為正檢，而非人臉樣本經過分類 器模型判決為人臉稱為誤檢，并統計測試集M中所有人臉樣本正檢率和所有非人臉 樣本誤檢率以及對應的支持向量數，計算n次交叉驗證的平均結果，以此來優化參數v和g,挑選三個最優的分類器模型構成級聯強分類器；(7) 輸入一幅灰度圖，用與訓練樣本尺寸相同的子窗口掃描整幅圖片，每掃描 到一處就將該位置對應與子窗口相同大小的圖片截下作為一個待檢測樣本，子窗口每 次移動d個像素點，掃描完一遍后將圖片縮小為上一次的0.9倍，并再一次進行掃描， 如此逐次將原始圖片縮放k次；(8) 將上步中掃描得到的每個截圖樣本，依次進行直方圖均衡化處理，并用(6) 中得到的級聯分類器進行檢測，對于同一張人臉被多次檢出時，在原圖上用矩形框標 識出現重疊框的結果； ^(9) 將邊界有重疊的矩形框的四個頂點坐標分別取平均，作為新的頂點，合成 一個檢測結果框，完成對圖片中人臉的檢測和定位。本專利技術與經典支持向量機及單層支持向量新穎檢測方法相比具有以下優點-1. 本專利技術中分類器模型訓練時只需用到人臉庫中人臉樣本，從而大大減少了傳統 支持向量機需要額外訓練大量非人臉樣本而產生的大量支持向量，提高了檢測效率， 同時本專利技術結果的準確率也能得到保證。2. 本專利技術采用一個三層級聯的分類器進行人臉檢測，前兩層分類器檢測時保證了 用較少的支持向量在保留所有人臉的前提下、WC了大部分的非人臉，且耗時較少，從 而在最后一層用含有大量支持向量的分類器進行精確檢測時，樣本集的規模已被大大5削減，相比于單層分類器的檢測，降低了計算復雜度，提高了檢測速度。 附圖說明S1是本專利技術的人臉檢測過程圖2是本專利技術與現有兩種方法檢測結果對照掛，其中 圖2a是傳統支持向量機方法檢測結果圖； 圖2b是單層支持向量新穎檢測方法檢測結果圖； 圖2c是本專利技術方法檢測結果圖。 具體實施例方式步驟l:訓練樣本的預處理。對己有MIT人臉庫中的所有2706張人臉以及4381張非人臉樣本進行直方圖均衡 化，以消除由于拍攝時的光線、曝光等因素引起圖像灰度值分布出現偏差而對圖像檢 測帶來的影響，同時將每張20x20的樣本圖片矩陣拉成一個lx400的向量作為該樣本 的特征。步驟2:分類器的訓練。2&.將預處理后的人臉庫上所有人臉樣本標記為1，所有非人臉樣本標記為0, 將所有人臉樣本集分割為十等分，但不限于十等分，每次選取比分割等分少一份的份 數作為訓練樣本集，該一份和所有非人臉樣本作為測試樣本集；2b.采用高斯核函數將訓練集樣本從樣本空間映射到核空間，并用支持向量新穎 檢測算法進行訓練，其用于訓練求解及ltf斯核函數的表達式如下高斯核函數《",、)=exP(一g * |x, — x/1A 2)二次規劃min「^Hf +々X《"V2W ,.=i 乂約束土a.A:(:^)^-《/-1,2,.."/戶i求解w和P得到決策函數/(力二sgn(SW 〗(、,義)-/7)其中jc,.和^是訓練樣本，g是高斯核參數，W為"對應樣本A的權值系數，v為新穎因子，/為訓練樣本i，《為松弛因子，/7為決策半徑，^為求解后W中'大于0的6系數，、為與、對應的訓練樣本即支持向量，X為檢測樣本。2c.求解上述二次規劃，得到包括支持向量SVs,對應系數w以及決策半徑/ 的 分類器模型；2d.將測試樣本集中每一個樣本用2c中得到的分類器模型進行檢測，將人臉樣 本經過分類器模型判決為人臉稱為正檢，而非人臉樣本經過分類器模型判決為人臉稱 為誤檢；2e.分類器地挑選采統計測試樣本集中所有人臉樣本正檢率和所有非人臉樣本 誤檢率以及對應的支持向量數，計算十次交叉驗證的平均結果，以此來優化參數v和g，挑選三個最優的分類器模型構成級聯強分類器，取較小的參數訓練得到的包含支持向量數26個，且將測試集M上檢測的正檢率99.8。/。，誤檢率26.0%的分類器，形成第一層；然后逐漸增大參數v和g得到的包含支持向量數59個，且在測試集M上檢測的正檢率99.4%，誤檢率13.83%的分類器作為第二層分類器；將包含支持矢量數 111個，且在測試集M上檢測的正檢率鄰.0。/。，誤檢率8.65%的分類器作為第三層， 構成一個三層級聯的強分類器。 步驟3:真實圖片地檢測。3&.輸入一幅圖片，用20x20大小的子窗掃描整幅圖片，每掃描到一處就將該位 置對應與子窗口相同大小的圖片截下作為一個待檢測樣本，按照人臉的"三庭五眼" 準則，子窗口每次移動4個像素點，掃jg完一遍就將圖片縮小為原來的0.9倍，并再 次掃描，逐次將原圖片縮小12次；3b.將每個掃描到的待檢測樣本都到進行直方圖均衡化，用于步驟2中得到的強 分類器進行分類檢測，檢測標記為l本文檔來自技高網...

【技術保護點】
一種基于支持矢量新穎檢測分類器級聯的人臉檢測方法，包括如下步驟：　　（１）對于已有人臉庫樣本，取其中的所有人臉樣本Ｆ及非人臉樣本Ｕ進行直方圖均衡化，同時將所有的樣本圖片矩陣拉成向量，以圖片的像素值作為圖片樣本特征；　　（２）將所有特征提取后的人臉樣本Ｆ隨機ｎ等份，每次取其中ｎ－１份作為訓練集Ｎ，剩下的一份和所有的非人臉樣本Ｕ組成測試樣本集Ｍ；　　（３）采用高斯核函數將選取的訓練集Ｎ從樣本空間映射到核空間；　　（４）用支持向量新穎檢測算法對核空間樣本進行訓練分類，得出包括支持向量ＳＶｓ，對應系數ｗ以及決策半徑ρ的分類器模型；　　（５）將（２）中得到的測試樣本集Ｍ，用（４）得到的分類器模型進行檢測，并對Ｍ中每一個測試樣本與所有支持向量ＳＶｓ進行高斯核映射，再乘以對應系數ｗ得到待檢測半徑ｒ，將ｒ與決策半徑ρ進行比較，大于ρ則為人臉，反之則為非人臉；　　（６）將人臉樣本經過分類器模型判決為人臉稱為正檢，而非人臉樣本經過分類器模型判決為人臉稱為誤檢，并統計測試集Ｍ中所有人臉樣本正檢率和所有非人臉樣本誤檢率以及對應的支持向量數，計算ｎ次交叉驗證的平均結果，以此來優化參數ｖ和ｇ，挑選三個最優的分類器模型構成級聯強分類器；　　（７）輸入一幅灰度圖，用與訓練樣本尺寸相同的子窗口掃描整幅圖片，每掃描到一處就將該位置對應與子窗口相同大小的圖片截下作為一個待檢測樣本，子窗口每次移動ｄ個像素點，掃描完一遍后將圖片縮小為上一次的０．９倍，并再一次進行掃描，如此逐次將原始圖片縮放ｋ次；　　（８）將上步中掃描得到的每個截圖樣本，依次進行直方圖均衡化處理，并用（６）中得到的級聯分類器進行檢測，最終檢測標記為１的作為人臉樣本在原圖上用矩形框標出，對于同一張人臉被多次檢出時，在原圖上用矩形框標識出現重疊框的結果；　　（９）將邊界有重疊的矩形框的四個頂點坐標分別取平均，作為新的頂點，合成一個檢測結果框，完成對圖片中人臉的檢測和定位。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：張莉，周偉達，楊淑媛，胡志，葉強，焦李成，侯彪，王爽，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：87[中國|西安]