一种训练模型生成方法、人脸检测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种训练模型生成方法，包括：获取多个人脸正样本和人脸负样本；计算每个样本中的每个像素与样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将决策树的判断节点作为弱分类器进行级联；迭代执行从计算出的所有像素差特征中选取一个目标像素差特征至将决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；保存强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成训练模型。实现了结合决策树形成强分类器进行人脸二分类，能够保证在同样精度下降低人脸检测的耗时。

【技术实现步骤摘要】

本专利技术涉及人脸检测领域，尤其涉及训练模型生成方法、人脸检测方法、训练模型生成装置及人脸检测装置。
技术介绍
人脸检测技术是模式识别和人工智能领域的一个研究热点，被广泛应用于安全系统、医学、档案管理、视频图像处理、在线支付、人机交互等方面。智能手机的发展和应用使得人们对人脸相关的交互方式渐渐有了较强的需求，所以具有高精度并且具有实时性的人脸检测技术也变得至关重要。传统的基于HAAR+Adaboost的快速人脸检测装置在PC、数码相机里已经得到了广泛的应用，但是均是结合了跟踪才能进行比较实时的人脸区域定位。当前提取特征的方式通常较为复杂，包括HAAR特征，也需要进行灰度区块的统计计算，并且传统的boost弱分类器性能较弱，仅仅具有比50％稍微好一些的分类效果，所以导致级联成强分类器时需要较多的弱分类器。为了保持较高的精度，检测耗时也会增加，所以精度和实时性是比较矛盾的指标，而且基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种训练模型生成方法、人脸检测方法、训练模型生成装置及人脸检测装置，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题。为了解决上述技术问题，本专利技术实施例第一方面公开了一种训练模型生成方法，包括：获取多个人脸正样本和多个人脸负样本；计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将所述决策树的判断节点作为弱分类器进行级联；迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。结合第一方面，在第一种可能的实现方式中，所述获取多个人脸正样本和多个人脸负样本，包括：搜集多个人脸正样本和多个人脸负样本；将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述将搜集的所有样本的尺寸统一处理为预设像素尺寸大小，包括：将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。本专利技术实施例第二方面公开了一种人脸检测方法，包括：读取用于人脸检测的训练模型；其中所述训练模型为上述的训练模型生成方法生成的训练模型；通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。结合第二方面，在第一种可能的实现方式中，所述训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；所述通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断，包括：通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；对多个检测出人脸的人脸窗口进行融合处理。结合第二方面，或者第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述根据当前判断节点对应的像素差值判断是否为人脸窗口，包括：检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；若检测为是，则判断出为人脸窗口；若检测为否，则判断出不为人脸窗口。本专利技术实施例第三方面公开了一种训练模型生成装置，包括：获取模块，用于获取多个人脸正样本和多个人脸负样本；计算模块，用于计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；选取设置模块，用于从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；级联模块，用于将所述决策树的判断节点作为弱分类器进行级联；迭代模块，用于迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；保存模块，用于保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。结合第三方面，在第一种可能的实现方式中，所述获取模块包括：搜集单元，用于搜集多个人脸正样本和多个人脸负样本；尺寸处理单元，用于将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。结合第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述尺寸处理单元具体用于，将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。本专利技术实施例第四方面公开了一种人脸检测装置，包括：读取模块，用于读取用于人脸检测的训练模型；其中所述训练模型为通过权利要求1-3任一项所述的训练模型生成方法生成的训练模型；提取模块，用于通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征；判断模块，用于根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。结合第四方面，在第一种可能的实现方式中，所述训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；所述提取模块具体用于，通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征；所述判断模块具体用于，根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；所述装置还包括融合模块，用于对多个检测出人脸的人脸窗口进行融合处理。结合第四方面，或者第四方面的第一种可能的实现方式，在第二种可能的实现方式中，所述判断模块包括：差值检测单元，用于检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；若检测为是，则判断出为人脸窗口；若检测为否，则判断出不为人脸窗口。本专利技术实施例第五方面公开了一种计算机存储介质，所述计算机存储介质存储有程序，所述程序执行时包括本专利技术实施例第一方面，或者第一方面的第一种可能的实现方式，或者第一方面的第二种可能的实现方式中训练模型生成方法的全部步骤。本专利技术实施例第六方面公开了一种计算机存储介质，所述计算机存储介质存储有程序，所述程序执行本文档来自技高网...

【技术保护点】
一种训练模型生成方法，其特征在于，包括：获取多个人脸正样本和多个人脸负样本；计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将所述决策树的判断节点作为弱分类器进行级联；迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。

【技术特征摘要】
1.一种训练模型生成方法，其特征在于，包括：获取多个人脸正样本和多个人脸负样本；计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将所述决策树的判断节点作为弱分类器进行级联；迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。2.如权利要求1所述的方法，其特征在于，所述获取多个人脸正样本和多个人脸负样本，包括：搜集多个人脸正样本和多个人脸负样本；将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。3.如权利要求2所述的方法，其特征在于，所述将搜集的所有样本的尺寸统一处理为预设像素尺寸大小，包括：将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。4.一种人脸检测方法，其特征在于，包括：读取用于人脸检测的训练模型；其中所述训练模型为通过权利要求1-3任一项所述的训练模型生成方法生成的训练模型；通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。5.如权利要求4所述的方法，其特征在于，所述训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；所述通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断，包括：通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；对多个检测出人脸的人脸窗口进行融合处理。6.如权利要求4或5所述的方法，其特征在于，所述根据当前判断节点对应的像素差值判断是否为人脸窗口，包括：检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；若检测为是，则判断出为人脸窗口；若检测为否，...

【专利技术属性】
技术研发人员：刘运，
申请(专利权)人：广州市百果园网络科技有限公司，
类型：发明
国别省市：广东;44