一种人脸检测方法、装置和计算机可读存储介质制造方法及图纸

本发明专利技术公开了人脸检测方法、装置和计算机可读存储介质，方法包括模型训练和人脸检测；训练过程是采用正、负样本图像及其标准像素差特征，来构建深度二次树，再通过多个深度二次树组成随机森林来进行人脸检测跟踪。训练过程中每得到一次随机森林后都进行测试，看是否能够正确检测到人脸，并把检测错误的图像更新到相应的训练集中继续进行不断的训练学习，直至得到检测效果符合预期的随机森林。检测时将待检测图像的特征输入到随机森林，通过其每一个二次树分别进行判断，再对所有二次树的判断结果进行统计，根据统计结果判定是否为人脸图像。具有使用较少训练样本得到较高精度的检测模型的优点，尤其适合对有遮挡的人脸进行检测的场合。

【技术实现步骤摘要】
一种人脸检测方法、装置和计算机可读存储介质
本专利技术涉及计算机视觉和图像处理领域，尤其是涉及一种利用基于随机森林的人脸检测器来检测图像中是否包含人脸的人脸检测方法。
技术介绍
伴随着图像处理技术和机器学习方法的快速发展，基于人脸识别的应用越来越广泛，例如身份验证、智能交通、安全防护等领域。人脸检测作为人脸识别的第一个步骤，其准确性至关重要。人脸检测技术是基于人脸图像的特征，对输入的图像或者视频流，判断是否存在人脸的过程。首先，选择一种图像特征，对用于训练的人脸样本图像进行特征提取；其次，基于所提取的样本图像特征，训练分类器，用于判断图像中是否存在人脸，为进一步的基于人脸检测的技术应用做准备。传统的人脸检测方法，一般是利用基于Haar特征、HOG特征、LBP特征或者组合特征等作为描述特征来训练分类器。而在一些特殊场合，人脸检测存在着一定的障碍，背景复杂、人脸形态差别较大或人脸佩戴饰品等造成人脸部分遮挡，要设计一种普适的人脸检测算法较为困难。另外为了达到较好的检测效果，需要大量的人脸图片对算法进行训练，而特定领域的人脸检测要获得大规模的人脸图片集是不现实的。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
本专利技术的主要目的在于提出一种人脸检测方法，通过人脸样本注册和不断更新的方法来获得特定场合下的人脸样本图像，并构造基于深度二次树的随机森林作为人脸检测器来检测有遮挡的人脸。与传统方法相比，能够利用较少的样本图像实现具有检测精度高、泛化能力强，并能有效减少过拟合的人脸检测器。本专利技术为达上述目的所提出的技术方案如下：一种人脸检测方法，包括人脸检测模型的训练步骤和人脸检测步骤：其中，所述训练步骤包括以下步骤：A1、获取多张人脸图像和非人脸图像，以分别建立正、负样本训练集；A2、对正、负样本训练集的所有图像分别进行标准像素差特征的提取，得到每一图像各自的特征向量；对所有特征向量中的所有标准像素差特征归一化处理到0～255之间；A3、分别从正、负样本训练集中随机抽取数张正样本图像和数张负样本图像，并分别从各正样本图像和各负样本图像的特征向量中随机抽取数个特征，得到每一正样本图像的正样本特征向量和每一负样本图像的负样本特征向量；A4、基于步骤A3所抽取的正样本图像及其正样本特征向量，以及负样本图像及其的负样本特征向量，构建一深度二次树；A5、重复步骤A3和A4，得到多个不同的深度二次树，组成随机森林；A6、利用得到的随机森林对测试图像进行是否包含人脸的检测，若测试图像中含有人脸但并未被检测到，则将该测试图像加入到正样本训练集中，以更新正样本训练集；若测试图像中不含人脸但检测到人脸，则将该测试图像加入到负样本训练集中，以更新负样本训练集；A7、利用更新的正、负样本训练集不断重复步骤A2至A6直至得到检测效果符合预设要求的随机森林；人脸检测步骤包括：B1、接收待检测图像，通过随机森林的每一深度二次树来分别对所述待检测图像进行是否包含人脸的检测；B2、对所有深度二次树的判断结果进行统计，若判断出待检测图像中包含人脸的深度二次树的比例大于一预设值，则所述随机森林的判断结果为所述待检测图像中含有人脸。本专利技术提供的上述人脸检测方法，针对特殊场合的人脸检测尤其具有优势，特殊场合例如有遮挡的人脸检测，这一类的人脸图像往往难以收集，即训练时难以得到较大数量的训练集，而本专利技术的方法可以事先采用较少数量的训练集，在训练和测试过程中利用出现检测错误的图像作为新样本来更新训练集，这样不仅使得训练集在训练过程中越来越大，更关键的是，每一次训练都可能用到前一次训练过程中测试时出现检测错误的图像，以此来提高检测的准确性，从而最终可以得到检测精度较高的人脸检测模型(随机森林)。本专利技术的另一实施方式还提出了一种人脸检测装置，包括图像采集单元、存储单元以及模型训练程序和人脸检测程序；所述图像采集单元用于获取不同的人脸图像；所述存储单元存储人脸图像和收集到的非人脸图像，其中，人脸图像和非人脸图像被划分为正、负样本训练集；所述模型训练程序用于基于正、负样本训练集来训练得到一人脸检测模型；所述人脸检测程序用于对输入的待检测图像进行特征提取，并输入到人脸检测模型中进行是否包含人脸的检测；其中，所述模型训练程序包括：特征提取程序，用于对正、负样本训练集的所有图像分别进行标准像素差特征的提取，得到每一图像各自的特征向量；对所有特征向量中的所有标准像素差特征归一化处理到0～255之间；随机采样程序，用于分别从正、负样本训练集中随机抽取数张正样本图像和数张负样本图像，并分别从各正样本图像和各负样本图像的特征向量中随机抽取数个特征，得到每一正样本图像的正样本特征向量和每一负样本图像的负样本特征向量；二次树构建程序，用于根据随机采样程序所抽取到的正样本图像及其正样本特征向量，以及负样本图像及其负样本特征向量，构建一深度二次树；多次执行所述二次树构建程序，得到多个深度二次树，构成随机森林，即人脸检测模型；测试程序，利用得到的随机森林对测试图像进行是否包含人脸的检测，若测试图像中含有人脸但并未被检测到，则将该测试图像加入到正样本训练集中，以更新正样本训练集；若测试图像中不含人脸但检测到人脸，则将该测试图像加入到负样本训练集中，以更新负样本训练集。另一方面，本专利技术还提出了一种计算机可读存储介质，其上存储有一计算机程序，所述计算机程序被处理器执行时实现前述人脸检测方法的步骤。附图说明图1是本专利技术一实施例的人脸检测方法流程图；图2是本专利技术训练步骤中所构建的一示例性的深度二次树示意图。具体实施方式下面结合附图和具体的实施方式对本专利技术作进一步说明。本专利技术的一具体实施方式提出了一种人脸检测方法，可用于一些特殊场合的人脸检测，比如可针对有遮挡的人脸图像进行人脸检测跟踪。所述人脸检测方法包括人脸检测模型的训练步骤和人脸检测步骤，参考图1：所述训练步骤包括以下步骤A1至A7：A1、获取多张人脸图像和非人脸图像，以分别建立正、负样本训练集。特殊场合例如有遮挡的人脸图像，搜集现成图像不足的话，还可自行拍摄，比如，设定以摄像机中心为原点坐标，划定一合适的区域为人脸样本收集区域，并用红色框标记。其次，用户将人脸摆放至标记框位置，前后移动使得标记框大小与人脸大小基本一致，并小幅度转动人脸，收集不同角度人脸图像增加样本的多样性。负样本图像即不含人脸的图像。A2、对正、负样本训练集的所有图像分别进行标准像素差特征的提取，得到每一图像各自的特征向量；对所有特征向量中的所有标准像素差特征归一化处理到0～255之间。本专利技术中将标准像素差作为一种图像特征进行提取，标准像素差特征可用下式(1)进行提取计算：其中，p、q分别为同一图像中的两个像素的像素值。上式(1)在p＝q＝0时不适用，因此定义f(0,0)＝0，另外，当时表示该两个像素p和q之间没有差别。标准像素差衡量的是两个像素之间的相对差值，它的符号(+或-)表示两个像素的有序关系。与像素值绝对差|p-q|相比，标准像素差有尺度不变性，这与本专利技术中针对有遮挡的人脸进行检测的算法相本文档来自技高网...

【技术保护点】
一种人脸检测方法，包括人脸检测模型的训练步骤和人脸检测步骤：其中，所述训练步骤包括以下步骤：A1、获取多张人脸图像和非人脸图像，以分别建立正、负样本训练集；A2、对正、负样本训练集的所有图像分别进行标准像素差特征的提取，得到每一图像各自的特征向量；对所有特征向量中的所有标准像素差特征归一化处理到0～255之间；A3、分别从正、负样本训练集中随机抽取数张正样本图像和数张负样本图像，并分别从各正样本图像和各负样本图像的特征向量中随机抽取数个特征，得到每一正样本图像的正样本特征向量和每一负样本图像的负样本特征向量；A4、基于步骤A3所抽取的正样本图像及其正样本特征向量，以及负样本图像及其负样本特征向量，构建一深度二次树；A5、重复步骤A3和A4，得到多个不同的深度二次树，组成随机森林；A6、利用得到的随机森林对测试图像进行是否包含人脸的检测，若测试图像中含有人脸但并未被检测到，则将该测试图像加入到正样本训练集中，以更新正样本训练集；若测试图像中不含人脸但检测到人脸，则将该测试图像加入到负样本训练集中，以更新负样本训练集；A7、利用更新的正、负样本训练集不断重复步骤A2至A6直至得到检测效果符合预设要求的随机森林；人脸检测步骤包括：B1、接收待检测图像，通过随机森林的每一深度二次树来分别对所述待检测图像进行是否包含人脸的检测；B2、对所有深度二次树的判断结果进行统计，若判断出待检测图像中包含人脸的深度二次树的比例大于一预设值，则所述随机森林的判断结果为所述待检测图像中含有人脸。...

【技术特征摘要】
1.一种人脸检测方法，包括人脸检测模型的训练步骤和人脸检测步骤：其中，所述训练步骤包括以下步骤：A1、获取多张人脸图像和非人脸图像，以分别建立正、负样本训练集；A2、对正、负样本训练集的所有图像分别进行标准像素差特征的提取，得到每一图像各自的特征向量；对所有特征向量中的所有标准像素差特征归一化处理到0～255之间；A3、分别从正、负样本训练集中随机抽取数张正样本图像和数张负样本图像，并分别从各正样本图像和各负样本图像的特征向量中随机抽取数个特征，得到每一正样本图像的正样本特征向量和每一负样本图像的负样本特征向量；A4、基于步骤A3所抽取的正样本图像及其正样本特征向量，以及负样本图像及其负样本特征向量，构建一深度二次树；A5、重复步骤A3和A4，得到多个不同的深度二次树，组成随机森林；A6、利用得到的随机森林对测试图像进行是否包含人脸的检测，若测试图像中含有人脸但并未被检测到，则将该测试图像加入到正样本训练集中，以更新正样本训练集；若测试图像中不含人脸但检测到人脸，则将该测试图像加入到负样本训练集中，以更新负样本训练集；A7、利用更新的正、负样本训练集不断重复步骤A2至A6直至得到检测效果符合预设要求的随机森林；人脸检测步骤包括：B1、接收待检测图像，通过随机森林的每一深度二次树来分别对所述待检测图像进行是否包含人脸的检测；B2、对所有深度二次树的判断结果进行统计，若判断出待检测图像中包含人脸的深度二次树的比例大于一预设值，则所述随机森林的判断结果为所述待检测图像中含有人脸。2.如权利要求1所述的人脸检测方法，其特征在于：步骤A2中标准像素差特征p、q分别为同一图像中的两个像素的像素值。3.如权利要求1所述的人脸检测方法，其特征在于：步骤A4中构建一深度二次树具体包括：首先，通过穷举法遍历正、负样本特征向量中的所有样本特征，通过计算分到左、右分支的样本特征权重的累加，来得到每一个样本特征的分类误差，选择最小的分类误差所对应的像素值作为根节点分类阈值；其次，再次利用穷举法分别遍历分到左、右两支的所有样本特征，得到第二层的最优分类阈值；依此类推，当深度二次树达到设定的阈值条件时停止分裂，得到一深度二次树。4.如权利要求1所述的人脸检测方法，其特征在于：步骤A4中构建一深度二次树具体包括：A41、基于步骤A3所抽取的正样本图像及其正样本特征向量，以及负样本图像及其负样本特征向量，分别建立正、负样本特征的初始化权重直方图，并分别得到正、负样本特征的按特征值分类的样本数矩阵；A42、两层遍历正样本特征向量和负样本特征向量中的所有样本特征，在每一次外层遍历时，初始化分到根节点右分支的样本数，并在内层遍历时通过所述样本数矩阵更新右分支的样本数；同时根据所述初始化权重直方图，利用加权均方误差计算分类误差和左、右分支的正样本比率fl、fr；当分...

【专利技术属性】
技术研发人员：陈永强，董继来，张新，王好谦，张颖，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东,44