本发明专利技术实施例提供一种人脸检测器训练方法、人脸检测方法及装置。该方法中，在训练阶段构造出弹性的块状局部二值模式特征及相应的第二分类器，寻找合适的第二分类器生成多个第一分类器，通过级联的方法得到多层的第一分类器构成最终的人脸检测器；在检测阶段通过训练过程中学习到的第一分类器或人脸检测器对待检测图像中进行人脸检测，区分出人脸与非人脸，将人脸检测结果合并并输出。该过程中，每个FBLBP特征包括一个基准框与至少一个邻域框，基准框与邻域框的大小相等，各邻域框与基准框的位置无严格的限制，灵活性高，提高鲁棒性的同时降低误检率。
【技术实现步骤摘要】
本专利技术实施例涉及图像模式识别技术，尤其涉及一种人脸检测器训练方法、人脸 检测方法及装置。
技术介绍
人脸检测技术是指从一幅图像或一段视频中确定其是否含有人脸，并对人脸位置 与尺度进行定位的过程。实现人脸检测的前提是构建人脸检测器。一般来说，现有技术通 过如下几种方式构建人脸检测器： 技术一、通过Haar-Like特征与Adaboost算法实现人脸检测。该方法中，采用 Haar-Like特征表示人脸，对各Haar-Like特征进行训练得到弱分类器，通过Adaboost算法 选择多个最能代表人脸的弱分类器构造成强分类器，将若干个强分类器串联组成一个级联 结构的层叠分类器，即人脸检测器。该技术中，每个Haar-Like特征仅考虑了基准框与一个 邻域框的人脸图像信息，导致Haar-Like特征数目多、判别能力弱、通常需要训练的弱分类 器数目比较多且整体判别能力弱、最终人脸检测率低。 技术二、通过多尺度块状局部二值模式（Multi-scaleBlockbasedLocalBinary Patterns，MBLBP)特征与Adaboost算法实现人脸检测。该方法在技术一的基础上，采用可 表示基准框与8个邻域框的人脸图像信息的MBLBP特征表示人脸，通过比较基准框的平均 灰度同周围8个邻域框各自的平均灰度计算MBLBP特征，具体如图1所示，图1为现有技术 中MBLBP特征示意图。该技术中，要求8个邻域框必须均匀的环绕在基准框周围，且基准框 与各邻域框必须相邻，训练样本的灰度均值计算时比较的值固定为〇,使得MBLBP特征对噪 声的鲁棒性差，人脸检测的误检率高，人脸检测的用户体验效果差。 技术三、通过多尺度的结构化定序测量特征（Multi-scaleStructuredOrdinal Features,MS0F)与Adaboost算法实现人脸检测。该方法在技术二的基础上，采用可表示 基准框与8个邻域框的人脸图像信息的MS0F特征表示人脸，8个邻域框相对于基准框的距 离可调，且基准框与8个邻域框可以不相连，具体如图2所示，图2为现有技术中MS0F特征 示意图。该技术中，要求8个邻域框相对于基准框的空间位置均匀分布，灵活性差，同样在 某种程度上制约了鲁棒性，人脸检测器的误检率高。
技术实现思路
本专利技术实施例提供一种人脸检测器训练方法、人脸检测方法及装置，通过弹性的 块状局部二值模式特征与GentleBoost算法构建出高精度的人脸检测器，以提高人脸检测 的精度。 第一个方面，本专利技术实施例提供一种人脸检测方法，包括： 步骤1、采集人脸和非人脸图像作为训练样本集，提取所述人脸和非人脸图像的弹 性的块状局部二值模式FBLBP特征构成FBLBP特征集； 步骤2、利用所述FBLBP特征和GentleBoost算法进行训练，得到第一分类器，所述 第一分类器包括若干个最优第二分类器，每个最优第二分类器通过GentleBoost算法训练 所得； 步骤3、重复步骤1到步骤2的训练过程，得到多层第一分类器，将多层第一分类器 级联成人脸检测器。 在第一个方面的第一种可能的实现方式中，所述步骤1包括如下子步骤： 步骤1. 1、构造所述FBLBP特征，用于表示图像局部灰度相对变化的共生信息，所 述FBLBP特征包括若干个全等的矩形框、阈值和符号位sign，其中，所述若干个全等的矩形 框包括一个基准框和至少一个邻域框，所述符号位sign为-1时，所述阈值为0 ^，所述符号 位sign为1时，所述阈值为0i，所述9 ^与所述9i为实数； 步骤1. 2、计算所述FBLBP特征中所述基准框的特征值AvgIntpiv(rtbl(K；k和各所述邻 域框的特征值.【主权项】1. 一种人脸检测器训练方法，其特征在于，包括： 步骤1、采集人脸和非人脸图像作为训练样本集，提取所述人脸和非人脸图像的弹性的 块状局部二值模式FBLBP特征构成FBLBP特征集； 步骤2、利用所述FBLBP特征和GentleBoost算法进行训练，得到第一分类器，所述第 一分类器包括若干个最优第二分类器，每个最优第二分类器通过GentleBoost算法训练所 得； 步骤3、重复步骤1到步骤2的训练过程，得到多层第一分类器，将多层第一分类器级联 成人脸检测器。2. 根据权利要求1所述的方法，其特征在于，所述步骤1包括如下子步骤： 步骤1. 1、构造所述FBLBP特征，用于表示图像局部灰度相对变化的共生信息，所述FBLBP特征包括若干个全等的矩形框、阔值和符号位sign,其中，所述若干个全等的矩形框 包括一个基准框和至少一个邻域框，所述符号位sign为-1时，所述阔值为0。，所述符号位 sign为1时，所述阔值为01，所述0。与所述01为实数； 步骤1. 2、计算所述FBLBP特征中所述基准框的特征值Avglntpiwtbi。。!^和各所述邻域框 的特征值A當/W。。g;，6。,.w。f4,巧中，所述基准框的特征值AvgIntwY。tbl。。k由所述基准框所在区域 的平均灰度表示，各所述邻域框的特征值^^紅>巧,"3^。^。4-1由各所述邻域框各自所在区域的 平均灰度表示，k为第k个邻域框的序号；对每一所述邻域框，根据所述符号位sign计算差 分结果，将所述差分结果与所述阔值进行比较并量化；将每一所述邻域框的量化结果组成 的二进制数转换为十进制数并保存从而得到所述FBLBP特征的特征值。3. 根据权利要求1或2所述的方法，其特征在于，所述步骤2中利用所述FBLBP特征 和GentleBoost算法进行训练，得到第一分类器，所述第一分类器由若干个最优第二分类 器组成，每个最优第二分类器通过GentleBoost算法训练所得，其中，第二分类器的计算公 式（1)如下：其中，fm(X)为第m个第二分类器，X为该第二分类器的FBLBP特征值，K为该FBLBP特 征的邻域框的数目，a,.为第二分类器的输出，所述a,.根据公式（2)计算得出：其中，0《j《2K-1且j为整数，y;为第i个训练样本的类别，当训练样本为人脸图像 时，所述的值为1，否则为-1，5 0为克罗内克函数，若Xi=j为真，则输出为1，否则，若 Xi=j为假，则输出为0,i为第i个训练图像样本，Ui为第i个训练图像样本的权重。4. 根据权利要求3所述的方法，其特征在于，还包括：根据公式（3)及归一化公式（4) 计算得出所述第i个训练图像样本的权重其中， 所述公式（3)为巧=巧X(j1'-fmW; 所述公式（4) 35. 根据权利要求3所述的方法，其特征在于，还包括：根据公式（5)计算得出所述公式 (1)中每一个第二分类器的FBLBP特征值X，其中， 所述公式（5)为：K为邻域框的个数；其中，5 〇为克罗内克函数，当输入为真时，输出为1 ;否则，当输入为假时，输出为0。6. 根据权利要求1或2所述的方法，其特征在于，所述步骤2中利用所述FBLBP特征和 GentleBoost算法进行训练，得到第一分类器，所述第一分类器由若干个最优第二分类器组 成，所述最优第二分类器的计算过程包括如下子步骤： 步骤2. 1、初始时，所述FBLBP特征仅包括一个基准框与一个邻域框，由该两个矩形框 组成的FBLBP特本文档来自技高网...
【技术保护点】
一种人脸检测器训练方法，其特征在于，包括：步骤1、采集人脸和非人脸图像作为训练样本集，提取所述人脸和非人脸图像的弹性的块状局部二值模式FBLBP特征构成FBLBP特征集；步骤2、利用所述FBLBP特征和GentleBoost算法进行训练，得到第一分类器，所述第一分类器包括若干个最优第二分类器，每个最优第二分类器通过GentleBoost算法训练所得；步骤3、重复步骤1到步骤2的训练过程，得到多层第一分类器，将多层第一分类器级联成人脸检测器。
【技术特征摘要】
【专利技术属性】
技术研发人员：张宇，柴振华，杜志军，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。