專利名稱：：基于支持向量新穎檢測分類器級聯(lián)的人臉檢測方法
技術(shù)領域：
：本發(fā)明屬于圖像處理
技術(shù)領域：
，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。
背景技術(shù)：
：人臉檢測是人臉識別系統(tǒng)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(tǒng)的性能。此外，人臉檢測的應用也大大超過了人臉識別系統(tǒng)的范疇，在人臉表情識別系統(tǒng)，基于內(nèi)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(zhàn)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(tài)變化萬千，并且可能存在遮擋物。(4)待檢測圖像性質(zhì)的差異。比如待檢測圖像的分辨率攝錄器材的質(zhì)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(chǎn)生不同性質(zhì)的反射和不同區(qū)域的陰影。在傳統(tǒng)的基于統(tǒng)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(xiàn)實中一人臉樣本遠遠大于人臉樣本，且形態(tài)各異，不便于提取，因而采用傳統(tǒng)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(guī)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(xiàn)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。
發(fā)明內(nèi)容本發(fā)明的目的在于克服傳統(tǒng)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(lián)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(xiàn)上述目的，本發(fā)明包括如下步驟-(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(shù)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(shù)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(shù)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(jīng)過分類器模型判決為人臉稱為正檢，而非人臉樣本經(jīng)過分類器模型判決為人臉稱為誤檢，并統(tǒng)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(shù)，計算n次交叉驗證的平均結(jié)果，以此來優(yōu)化參數(shù)v和g,挑選三個最優(yōu)的分類器模型構(gòu)成級聯(lián)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(lián)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(xiàn)重疊框的結(jié)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(jié)果框，完成對圖片中人臉的檢測和定位。本發(fā)明與經(jīng)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(yōu)點-1.本發(fā)明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(tǒng)支持向量機需要額外訓練大量非人臉樣本而產(chǎn)生的大量支持向量，提高了檢測效率，同時本發(fā)明結(jié)果的準確率也能得到保證。2.本發(fā)明采用一個三層級聯(lián)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(guī)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。S1是本發(fā)明的人臉檢測過程圖2是本發(fā)明與現(xiàn)有兩種方法檢測結(jié)果對照掛，其中圖2a是傳統(tǒng)支持向量機方法檢測結(jié)果圖；圖2b是單層支持向量新穎檢測方法檢測結(jié)果圖；圖2c是本發(fā)明方法檢測結(jié)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(xiàn)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(shù)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(shù)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l(fā)tf斯核函數(shù)的表達式如下高斯核函數(shù)《",、)=exP(一g*|x,—x/1A2)二次規(guī)劃min「^Hf+々X《"V2W,.=i乂約束土a.A:(:^)^-《/-1,2,.."/戶i求解w和P得到?jīng)Q策函數(shù)/(力二sgn(SW〗(、,義)-/7)其中jc,.和^是訓練樣本，g是高斯核參數(shù)，W為"對應樣本A的權(quán)值系數(shù)，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(shù)，、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(guī)劃，得到包括支持向量SVs,對應系數(shù)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(jīng)過分類器模型判決為人臉稱為正檢，而非人臉樣本經(jīng)過分類器模型判決為人臉稱為誤檢；2e.分類器地挑選采統(tǒng)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(shù)，計算十次交叉驗證的平均結(jié)果，以此來優(yōu)化參數(shù)v和g，挑選三個最優(yōu)的分類器模型構(gòu)成級聯(lián)強分類器，取較小的參數(shù)訓練得到的包含支持向量數(shù)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(shù)v和g得到的包含支持向量數(shù)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(shù)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(gòu)成一個三層級聯(lián)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的作為人臉樣本在原圖上用矩形的框標出，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(xiàn)重疊框的結(jié)果；3c.對于邊界有相交區(qū)域的檢鄉(xiāng)結(jié)果，對它們的四個頂點分別取平均值作為新的頂點，從而合成一個檢測結(jié)果。本發(fā)明的效果通過以下仿真進一步說明。l.仿真條件與內(nèi)容本發(fā)明實驗所有的數(shù)據(jù)集來自MIT人臉庫，包括2706張人臉圖片，4381張非人臉圖片，每張圖片的大小為20x20,存儲格式為BMP的灰度圖。檢測圖片為網(wǎng)上下載一張空姐多人圖，及一張掛人圖，都為JPG格式。軟件平臺為MATLAB7.0及l(fā)ibsvm-mat-2.84-l。實驗中由于子窗掃描過程數(shù)據(jù)量太大，故將掃描所得的樣本保存下來，實驗結(jié)果只記錄在所保存樣本上的檢測時間。2.仿真結(jié)果對于上述數(shù)據(jù)，分別用傳統(tǒng)支持向量機，單層支持向量新穎檢測及本發(fā)明方法對一幅空姐圖進行檢測，檢測結(jié)果如圖2所示，圖2a為用傳統(tǒng)支持向量機方法，其檢測結(jié)果是人臉數(shù)19個，正檢數(shù)15個，誤檢數(shù)4個；圖2b為用單層支持向量新穎檢測方法，其檢測結(jié)果是人臉數(shù)19個，正檢數(shù)15個，誤檢數(shù)13個；圖2c為本發(fā)明方法，其檢測結(jié)果是人臉數(shù)19個，正檢數(shù)15個，誤檢數(shù)13個，由此可看出本發(fā)明正檢率與傳統(tǒng)方法相當，誤檢率稍微偏高，但在可接受范圍之內(nèi)，主要是由于訓練時沒有加入非人臉的結(jié)果。本發(fā)明方法優(yōu)勢集中在檢測速度上；對于三種方法的檢測過程，分別計算其檢測時間，統(tǒng)計10次試驗運行時間的平均值，結(jié)果如表l所示-<table>tableseeoriginaldocumentpage8</column></row><table>表l由表1可見，本發(fā)明與傳統(tǒng)方法相比，在結(jié)果精確度相當?shù)那闆r下，大大降低了計算復雜度，減少了檢測時間。，權(quán)利要求1、一種基于支持矢量新穎檢測分類器級聯(lián)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(shù)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(shù)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(shù)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(jīng)過分類器模型判決為人臉稱為正檢，而非人臉樣本經(jīng)過分類器模型判決為人臉稱為誤檢，并統(tǒng)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(shù)，計算n次交叉驗證的平均結(jié)果，以此來優(yōu)化參數(shù)v和g，挑選三個最優(yōu)的分類器模型構(gòu)成級聯(lián)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(lián)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(xiàn)重疊框的結(jié)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(jié)果框，完成對圖片中人臉的檢測和定位。2.根據(jù)權(quán)利要求書1所述的人臉檢測方法，其中步驟(6)所述的挑選三個最優(yōu)的分類器模型構(gòu)成級聯(lián)強分類器，是取較小的參數(shù)訓練得到的包含支持向量數(shù)26個，且在測試集M上檢測時正檢率99.8。/。，誤檢率26.0%的分類器，形成第一層；然后逐漸增大參數(shù)v和g得到的包備支持向量數(shù)59個，且在測試集M上檢測時正檢率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(shù)lll個，且在測試集M上檢測時正檢率98.0。/。，誤檢率8.65%的分類器作為第三層，構(gòu)成一個三層級聯(lián)的強分類器。3.根據(jù)k利要求書1所述的人臉檢測方法，其中步驟(8)所述的用得到的級聯(lián)分類器進行檢測，是從首層開始，經(jīng)過該層分類器將判決后標記為正的樣本保留，將標記為負的樣本淘汰；對保留下來的樣本進行下一層分類器地取舍，如此依次經(jīng)過級聯(lián)分類器中的所有三層分類器，將最終標識為正的樣本用白色矩形框在原圖上標出。全文摘要本發(fā)明公開了一種基于支持矢量新穎檢測分類器級聯(lián)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(jù)在已有測試集的檢測的正檢和誤檢率來優(yōu)化算法參數(shù)并挑選合適三個合適的子分類器級聯(lián)成一個強分類器；用此級聯(lián)強分來器對灰度圖片進行人臉的檢測并標出。本發(fā)明具有檢測速度快的優(yōu)點，可用于機器學習和模式識別范疇內(nèi)的人臉檢測。文檔編號G06K9/00GK101667245SQ200910024049公開日2010年3月10日申請日期2009年9月25日優(yōu)先權(quán)日2009年9月25日發(fā)明者彪侯,強葉,周偉達,莉張,楊淑媛,焦李成,爽王,志胡申請人:西安電子科技大學