專利名稱：人臉檢測方法和人臉檢測設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種人臉檢測方法和人臉檢測設(shè)備。
背景技術(shù)：
隨著計算機技術(shù)特別是模式識別技術(shù)的發(fā)展，人臉檢測作為ー個技術(shù)方向出現(xiàn)在人們的視野。人臉檢測技術(shù)可以作為圖像處理和視頻分析領(lǐng)域中多種應(yīng)用項目的基礎(chǔ)性エ作，比如人臉識別、人臉圖像檢索以及駕駛員疲勞狀態(tài)檢測等等。在人臉檢測技術(shù)的外圍技術(shù)中，例如，專利文件1(US 6415053B1)提出了計算并存儲代表方向的梯度信息的技木。在該專利中，采用許多方向性模板，以提升邊緣區(qū)域的提取精確度。應(yīng)當指出，該專利的目的在于定位圖像中的邊緣區(qū)域，并不能直接用于人臉檢測?，F(xiàn)在，關(guān)于人臉檢測技木本身也已經(jīng)取得了一定成就，例如，專利文件2(US7171025B2)提出了一種可以選擇來自圖像或者視頻內(nèi)容中的人臉的檢測模塊。該檢測模塊采用了由粗到精的策略。在粗糙層級中，一些候選點通過顏色模型而被選擇。在精細層級中，采用人臉檢測器來從具有膚色的圖像點中選擇人臉位置。該發(fā)明的主要局限在干，由于該專利技術(shù)的實施依賴于顏色模型，而顏色模型對于光照并不魯棒，因此嚴重限制了其性倉^:。傳統(tǒng)的人臉檢測手段的設(shè)計思路雖然是要使人臉檢測器同時保證檢測性能、檢測速度和低誤檢率，然而這樣的設(shè)計思路造成人臉檢測器的訓練過程困難、復雜，在各種性能方面實際上難以面面俱到 。

發(fā)明內(nèi)容
鑒于現(xiàn)有技術(shù)中存在的上述問題而做出本發(fā)明。根據(jù)本發(fā)明實施例的ー個方面，提出了ー種人臉檢測方法，包括導入步驟，導入待處理圖像；子圖像提取步驟，利用不同尺度的窗ロ分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像；預(yù)處理步驟，針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像,如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像；檢測步驟，針對通過預(yù)處理步驟的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像；驗證步驟，針對所述候選人臉子圖像，利用基于Haar-Sobel特征建立的Adaboost分類器,對候選人臉子圖像進行驗證，排除非人臉子圖像，其余作為人臉子圖像。根據(jù)本發(fā)明實施例的另ー個方面，提出了ー種人臉檢測設(shè)備，包括導入裝置，導入待處理圖像；子圖像提取裝置，利用不同尺度的窗ロ分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像；預(yù)處理裝置，針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像,如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像；檢測裝置，針對通過預(yù)處理裝置的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像；驗證裝置，針對所述候選人臉子圖像，利用基于Haar-Sobel特征建立的Adaboost分類器，對候選人臉子圖像進行驗證，排除非人臉子圖像，其余作為人臉子圖像。本發(fā)明的實施例的人臉檢測手段在設(shè)計中采用了“分而治之”的策略。按照本發(fā)明的實施例，在傳統(tǒng)人臉檢測器的基礎(chǔ)上另外引入用于預(yù)處理和驗證的功能模塊，從而本發(fā)明實施例的人臉檢測手段可以分為3個功能模塊，分別用于實現(xiàn)數(shù)據(jù)預(yù)處理、人臉檢測和人臉驗證。在數(shù)據(jù)預(yù)處理模塊中，可以采用Sobel特征來直接拒絕ー些明顯非人臉的子窗ロ，此功能模塊可以避免大量的子窗ロ掃描，從而節(jié)省隨后的檢測時間。在人臉檢測模塊中，可以采用基于Haar特征的級聯(lián)分類器來選擇候選人臉子圖像。在人臉驗證模塊中，可以采用基于Haar-Sobel特征的Adaboost分類器來拒絕ー些復雜的非人臉子圖像,從而提升整體檢測性能。在本發(fā)明實施例中，將傳統(tǒng)的人臉檢測器替代為包括傳統(tǒng)檢測在內(nèi)的三個功能模塊，使得傳統(tǒng)檢測器的性能擴展為三個性能，從而每個功能模塊的設(shè)計難度大大降低。更重要的是，這些功能模塊在設(shè)計時可以互為補充，從而使得可以更容易地同時保證人臉檢測整體的檢測性能、檢測速度和低誤檢率。通過閱讀結(jié)合附圖考慮的以下本發(fā)明的優(yōu)選實施例的詳細描述，將更好地理解本發(fā)明的以上和其他目標、特征、優(yōu)點和技術(shù)及エ業(yè)重要性。


圖1示出按照本發(fā)明實施例的人臉檢測方法的總體流程圖。圖2示例性地示出利用不同尺度的窗ロ分別遍歷待處理圖像的示意圖。圖3包括圖3A至圖3H，示出了ー些被預(yù)處理步驟排除的子圖像示例。圖4示出本發(fā)明實施例中可以采用的Adaboost級聯(lián)分類器的結(jié)構(gòu)示意圖。圖5包括圖5A至圖5C，示出可以用于本發(fā)明實施例所采用的級聯(lián)檢測器的Haar特征的示例，其中，圖5A示出線性Haar特征示例，圖5B示出邊緣Haar特征示例，圖5C示出中心環(huán)繞Haar特征示例。圖6包括圖6A和圖6B,圖6A示意性地示出積分Sobel圖像，圖6B示意性地示出利用圖6A所示的積分Sobel圖像而得到相應(yīng)的Sobel圖像區(qū)域的像素值之和的過程。圖7示例性地示出可以用于人臉驗證的Haar-Sobel特征模板的示意圖。圖8包括圖8A和圖8B，示意性地示出對人臉子圖像進行后處理的過程，其中，圖8A示出將經(jīng)過驗證的人臉子圖像放置在原始待處理圖像中的情況，圖SB示出對人臉子圖像進行后處理之后在原始待處理圖像中的情況。圖9示出按照本發(fā)明實施例的人臉檢測設(shè)備的總體框圖。圖10是示出按照本發(fā)明實施例的人臉檢測系統(tǒng)的總體框圖。圖11示出采用驗證過程對整體人臉檢測性能的改進示例。圖12包括圖12A至圖12F，示出采用按照本發(fā)明實施例的驗證手段前后對待處理圖像進行人臉檢測的結(jié)果對比。
具體實施方式
下面結(jié)合附圖描述本發(fā)明實施例。圖1示出按照本發(fā)明實施例的人臉檢測方法的總體流程圖。如圖1所示，本發(fā)明實施例的人臉檢測方法SlO包括導入步驟S100，可以導入待處理圖像；子圖像提取步驟S200，可以利用不同尺度的窗ロ分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像；預(yù)處理步驟S300，可以針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像,如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像；檢測步驟S400，可以針對通過預(yù)處理步驟的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像；驗證步驟S500,可以針對所述候選人臉子圖像,利用基于Haar-Sobel特征建立的Adaboost分類器，對候選人臉子圖像進行驗證，排除非人臉子圖像，其余作為人臉子圖像。本發(fā)明實施例所處理的圖像可以通過各種已知輸入技術(shù)來輸入，諸如從各種存儲設(shè)備讀入、從網(wǎng)絡(luò)獲取、或利用掃描儀掃描得到等等，輸入的圖像可以以任意公知手段導入本發(fā)明實施例的人臉檢測手段的處理過程，經(jīng)過處理所得到的結(jié)果可以通過任意公知導出手段來導出，并以任意手段向外部輸出，諸如存儲到各種存儲設(shè)備、經(jīng)由網(wǎng)絡(luò)輸出、或利用打印機打印出等等。在經(jīng)過導入步驟SlOO導入待處理圖像之后，待處理圖像進入子圖像提取步驟S200的處理。 圖2示例性地示出利用不同尺度的窗ロ分別遍歷待處理圖像的示意圖。如圖2所示，窗ロ在某種預(yù)定義尺度下，按照預(yù)定步長在X方向和Y方向上遍歷該圖像，窗ロ在毎次所在的位置均限定了ー個圖像范圍，可以將每次窗ロ范圍內(nèi)的圖像部分作為ー個子圖像。某種尺度的窗ロ遍歷整幅圖像之后，可以按照預(yù)定義的尺度變化比率改變窗ロ尺度(放大或縮小)，以同樣方式再次遍歷整幅圖像。從而，經(jīng)過子圖像提取步驟S200的處理，可以從待處理圖像中得到各個位置各個尺度的子圖像，以用于此后過程的處理。然后，針對在子圖像提取步驟S200提取的每幅子圖像，由預(yù)處理步驟S300對其進行預(yù)處理，排除明顯不符合人臉圖像標準的子圖像。首先，將水平Sobel模板施加于子圖像，得到該子圖像的Sobel圖像。水平Sobel模板也可以稱為水平方向Sobel算子模板，在本發(fā)明實施例中例如可以采用3*3的模板，例
+1 +2 +1如可以是0 0 0 ,代表圖像紋理的水平梯度信息。
-—I —2 —1-當施加該水平Sobel模板到子圖像時，將該模板與子圖像進行相關(guān)性計算，計算后得到該子圖像的Sobel圖像，或稱為Sobel子圖像。通過對大量人臉樣本圖像的研究發(fā)現(xiàn)，在由其得到的Sobel圖像中，某些特定位置相對于其他位置具有明顯更高的響應(yīng)能量，此特性可以用來粗略排除非人臉圖像。上述的特定位置可以預(yù)定為預(yù)定區(qū)域，所述預(yù)定區(qū)域例如可以是在假設(shè)子圖像為人臉子圖像的情況下的人眼位置的區(qū)域。經(jīng)過對大量樣本圖像的定量分析，可以得到所述預(yù)定區(qū)域為子圖像中上部4%至40%的帶狀區(qū)域,也就是例如在子圖像高度為IOOmm的情況下,從頂部起4mm至40mm的區(qū)域。對于未知的子圖像，可以通過以下公式(I)計算該預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比。
. sum block gradientRatio =-=-=-
sum image _ gradient其中，sum_block_gradient是在Sobel圖像中位于預(yù)定區(qū)域的像素的Sobel響應(yīng)值之和，sum_image_gradient是該子圖像的全部像素的Sobel響應(yīng)值之和，即總Sobel響應(yīng)值，Ratio是二者比值。根據(jù)對大量樣本圖像的分析，如果是人臉子圖像，則該比值Ratio通常大于50%，因此，在此可以將比例閾值預(yù)先設(shè)定為50%。如果該比值Ratio小于50% (或小于等于50% )，則該子圖像認為明顯不是人臉，因此可以在此階段直接排除。在此預(yù)處理步驟S300，還可以進ー步考慮在計算得到Sobel子圖像之后對其進行積分計算，得到積分Sobel圖像，在該積分Sobel圖像中的每個像素值由其相應(yīng)的Sobel子圖像中位置的左上部分所有像素響應(yīng)值的和得到。公式(I)中的sum_block_gradient和sum_image_gradient可以由該積分Sobel圖像簡單得到，例如，sum_block_gradient可以由其右下點處像素值(積分值)減右上點處像素值(積分值)得到，子圖像的右下角點的像素值即為sum_image_gradient。對Sobel圖像進行積分處理得到其積分Sobel圖像的技術(shù)還將在后文中描述。通過預(yù)處理步驟S300的排除，可以直接拒絕大量的掃描得到的子窗ロ圖像，顯著提升整體檢測速度。圖3包括圖3A至圖3 H，示出了ー些被預(yù)處理步驟排除的子圖像示例。其中，圖3F明顯包括人臉，但是可能由于子圖像過大，人臉比例過小而被排除，有可能由比圖3F所示子圖像尺度小的恰好包含人臉的窗ロ所得的子圖像可以通過預(yù)處理步驟S300。ー些具有復雜紋理的子圖像也可以排除，可以減輕此后處理過程的負擔。然后，在檢測步驟S400，可以采用傳統(tǒng)的人臉檢測手段來排除非人臉圖像，例如可以利用Adaboost級聯(lián)分類器，逐級排除所處理的圖像。圖4示出本發(fā)明實施例中可以采用的Adaboost級聯(lián)分類器的結(jié)構(gòu)示意圖。如圖4所示，例如，級聯(lián)檢測器由多級檢測單元構(gòu)成，其中I到n各個級的檢測單元構(gòu)成級聯(lián)結(jié)構(gòu)，進入的子圖像從第I級的檢測單元開始，逐步判斷是否是人臉子圖像，如果在某級的檢測單元被判斷為非，則該子圖像歸于非人臉ー類，直接排除而不代入此后的處理，在子圖像經(jīng)過所有級別的檢測單元都判斷為是關(guān)于人臉的子圖像之后，歸為人臉ー類，該子圖像作為候選人臉子圖像。從I到n各個級別的檢測單元可以利用Adaboost算法進行訓練，該人臉檢測器也可由其它類型的檢測器構(gòu)成，如支持向量機檢測器(或者稱分類器)或者神經(jīng)網(wǎng)絡(luò)檢測器(或者稱分類器)。在檢測步驟S300中,Adaboost級聯(lián)分類器的各級可以利用不同的Haar特征來判斷子圖像是否是非人臉子圖像。每個級的檢測單元按照其所處位置的不同而具有不同的特征復雜度。在前端的檢測單元所采用的Haar特征可以相對簡單，包含的基于Haar特征的弱分類器數(shù)目比較少；在后端的檢測單元所采用的Haar特征可以相對復雜，包含的基于Haar特征的弱分類器數(shù)目比較多。圖5包括圖5A至圖5C，示出可以用于本發(fā)明實施例所采用的級聯(lián)檢測器的Haar特征的示例，其中，圖5A示出線性Haar特征示例，圖5B示出邊緣Haar特征示例，圖5C示出中心環(huán)繞Haar特征示例，Haar特征可以在水平和傾斜兩種方向?？梢圆捎玫腍aar特征不限于圖5所示，本領(lǐng)域技術(shù)人員可以理解，其它Haar特征模板例如圖5所示的模板的各種組合也可以應(yīng)用于本發(fā)明的實施例。Haar特征表示局部紋理的對比信息。在Adaboost級聯(lián)分類器中所采用的Haar特征可以是在訓練過程挑選之后的模板，在檢測之前所需要用的Haar特征模板已經(jīng)確定，所選擇的Haar特征模板可以預(yù)先存儲在檢測單元中。在傳統(tǒng)的人臉檢測處理中，通過Adaboost級聯(lián)分類器而得到的子圖像可以認為是人臉子圖像，可以直接按照其所在位置而回到原始的待處理圖像，來進行諸如聚類之類的后處理。根據(jù)本發(fā)明實施例，還可以進ー步采用驗證步驟S500，在經(jīng)過檢測的候選人臉子圖像之中進ー步排除非人臉圖像，提高最終結(jié)果的精確性。在驗證步驟S500中可以采用Adaboost分類器來對候選人臉子圖像進行進一歩的排除，通過Adaboost分類器的人臉子圖像可以回到原始的待處理圖像來進行進一歩的后處理。Adaboost分類器采用Adaboost算法,可以基于Haar-Sobel特征來建立,能夠精細地驗證已經(jīng)通過人臉檢測器的候選人臉子圖像。在此可以不必采用級聯(lián)分類器，而是可以選擇采用例如單級分類器。在驗證步驟S500中所采用的Haar-Sobel特征可以是在訓練過程中確定的模板，也就是，在驗證處理之前，Haar-Sobel特征模板已經(jīng)確定,所確定的Haar-Sobel特征存儲在Adaboost分類器中。用于人臉驗證的分類器也屬于Adaboost分類器的類型，可以由ー些弱分類器組成，每個弱分類器是一個基于對應(yīng)的Haar-Sobel特征建立的分段線性函數(shù)，每個弱分類器的權(quán)重通過Adaboost算法訓練獲得。按照本發(fā)明的實施例，可以通過針對樣本人臉圖像，利用水平Sobel模板計算得到樣本人臉Sobel圖像,對樣本人臉Sobel圖像應(yīng)用Haar特征,來獲得所述Haar-Sobel特征。例如，可以對樣本人臉Sobel圖像進行積分處理得到樣本人臉積分Sobel圖像，針對樣本人臉積分Sobel圖像，對與該樣本人臉積分Sobel圖像對應(yīng)的樣本人臉Sobel圖像上的Haar特征進行計算，來獲得所述Haar-Sobel特征。具體地，可以收集足夠數(shù)量的樣本人臉圖像，以類似于前述預(yù)處理步驟S300中的方式，將水平Sobel模板施加于樣本人臉圖像，得到樣本人臉圖像的Sobel圖像，也可以稱為樣本人臉Sobel圖像。然后，可以通過以下的公式(2)來對樣本人臉圖像的Sobel圖像計算其相應(yīng)的積分Sobel圖像。圖6包括圖6A和圖6B,圖6A示意性地示出積分Sobel圖像，圖6B示意性地示出利用圖6A所示的積分Sobel圖像而得到相應(yīng)的Sobel圖像區(qū)域的像素值之和的過程。設(shè)Sobel圖像為SI，積分Sobel圖像為SSI，則如圖6A所示，積分Sobel圖像SSI中任一點SSI(x，y)的像素值為其對應(yīng)的Sobel圖像中左上角為(0，0)右下角為(x，y)的矩形框中的所有像素值之和。從而，如圖6B所示，在得到積分Sobel圖像之后，Sobel圖像中任意位置的矩形框(例如圖6B中角點為S1、S2、S3、S4的矩形框)中的像素值之和可以通過以下公式(3)快速計算得到，其中，Sobel圖像中各像素的像素值也即該像素的Sobel響應(yīng)值。SIsquare = SSI (SI) -SSI (S2) -SSI (S3) +SSI (S4) (3)其中，SIsqume是如圖 6 所示角點為 S1、S2、S3、S4 的矩形框，SSI (SI)、SSI (S2)、SSI (S3),SSI (S4)分別為相應(yīng)積分Sobel圖像SSI中S1、S2、S3、S4點的像素值，其中，積分Sobel圖像中各像素的像素值也即該像素處的Sobel積分值。在得到樣本人臉積分Sobel圖像后，對與該樣本人臉積分Sobel圖像對應(yīng)的樣本人臉Sobel圖像上的Haar特征進行計算，得到所需的Haar-Sobel特征模板。圖7示例性地示出可以用于人臉驗證的Haar-Sobel特征模板的示意圖，其代表的是相鄰Sobel梯度的局部對比信息，可以利用積分Sobel圖像快速計算得到。如圖7所示，選擇線性、邊緣、中心環(huán)繞三種紋理類型的Haar-Sobel特征模板，具有水平和傾斜兩種方向?；贖aar-Sobel特征模板建立Adaboost分類器,來在候選人臉子圖像中進ー步地排除非人臉圖像，獲得人臉子圖像。經(jīng)過驗證步驟S500進ー步排除之后的人臉子圖像可以作為最終結(jié)果輸出，也可以進ー步進行后處理，在人臉子圖像按照其所在位置放置到原待處理圖像中之后，進ー步地排除及聚類，改善輸出效果。例如，按照本發(fā)明實施例的人臉檢測方法還可以進ー步包括決策步驟，可以根據(jù)待處理圖像中人臉子圖像的密度，排除密度低于預(yù)定密度閾值的位置處的人臉子圖像。還可以進一歩包括聚類步驟，可以針對經(jīng)過決策步驟的待處理圖像，將同一位置重疊的人臉子圖像聚類為待處理圖像的人臉區(qū)域。圖8包括圖8A和圖8B，示意性地示出對人臉子圖像進行后處理的過程，其中，圖8A示出將經(jīng)過驗證的人臉子圖像放置在原始待處理圖像中的情況，圖SB示出對人臉子圖像進行后處理之后在原始待處理圖像中的情況。在后處理過程中，首先根據(jù)待處理圖像中人臉子圖像的密度，排除密度低于預(yù)定密度閾值的位置處的人臉子圖像?？梢灶A(yù)定義最小重疊子圖像數(shù)量，可以稱為子圖像的密度閾值，用來過濾掉一部分人臉子圖像。如果預(yù)定義的最小重疊子圖像數(shù)量為N，則排除位置相重疊的人臉子圖像數(shù)量小于N的人臉子圖像，即如果人臉子圖像的密度低于密度閾值，則該位置處的人臉子圖像都排除。圖8A中的虛線框代表人臉子圖像，假定預(yù)定義的最小重疊子圖像數(shù)量為2，則排除未與任何其它人臉子圖像有任何重疊的人臉子圖像，從而進一步增加人臉檢測的整體準確程度。然后，依照剰余的各個人臉子圖像的位置以及重疊程度對這些候選子窗ロ進行聚類，圖8B中的實線框代表多個位置相重疊的人臉子圖像聚類得到的人臉區(qū)域?？梢詫С鰣D8B所示的結(jié)果，即帶有最終確定的人臉區(qū)域的待處理圖像。在此，本發(fā)明實施例對該待處理圖像的處理可以認為結(jié)束，然而，為了與處理過程中所用的已知的樣本圖像相區(qū)別，在此仍然稱為“待處理圖像”。上述的后處理過程也可以合并為ー個聚類過程，聚類過程中發(fā)現(xiàn)聚類數(shù)目(同一位置處重疊的子圖像數(shù)目)小于密度閾值的所聚類的子圖像均排除，由未排除的得到聚類結(jié)果?？梢愿鶕?jù)人臉子圖像之間的重合程度來判斷是否要合并，如果某一子圖像和另一子圖像大小相差不大，重合程度大于某個經(jīng)驗閾值，則該兩子窗ロ可以認為應(yīng)合并，否則認為不應(yīng)合并。對于判斷應(yīng)合并的子圖像，可以通過本領(lǐng)域熟知的任何ー種手段來實現(xiàn)聚類。例如，如圖8A所示，得到兩個聚類，其中有I個人臉子圖像的聚類可以排除，而由有4個人臉子圖像的聚類得到如圖SB所示的聚類結(jié)果，即最終確定的待處理圖像中的人臉區(qū)域。圖SB所示的示意圖像可以作為最終處理結(jié)果而導出。圖9示出按照本發(fā)明實施例的人臉檢測設(shè)備的總體框圖。按照本發(fā)明實施例的人臉檢測設(shè)備10可以用來實施上述人臉檢測方法S10，如圖9所示，人臉檢測設(shè)備10可以包括導入裝置100，可以用來實施上述導入步驟S100，以導入待處理圖像；子圖像提取裝置200，可以用來實施上述子圖像提取步驟S200，以利用不同尺度的窗ロ分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像；預(yù)處理裝置300，可以用來實施上述預(yù)處理步驟S300，以針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像，如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像；檢測裝置400，可以用來實施上述檢測步驟S400，以針對通過預(yù)處理裝置300的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像；驗證裝置500，可以用來實施上述驗證步驟S500，以針對所述候選人臉子圖像，利用基于Haar-Sobel特征建立的Adaboost分類器,對候選人臉子圖像進行驗證,排除非人臉子圖像，其余作為人臉子圖像。其中，可以通過針對樣本人臉圖像，利用水平Sobel模板計算得到樣本人臉Sobel圖像，對樣本人臉Sobel圖像應(yīng)用Haar特征,來獲得所述Haar-Sobel特征。其中，可以對樣本人臉Sobel圖像進行積分處理得到樣本人臉積分Sobel圖像，針對樣本人臉積分Sobel圖像，對與該樣本人臉積分Sobel圖像對應(yīng)的樣本人臉Sobel圖像上的Haar特征進行計算,來獲得所述Haar-Sobel特征。按照本發(fā)明實施例的人臉檢測設(shè)備還可以包括決策裝置，可以用來實施上述決策步驟，以根據(jù)待處理圖像中人臉子圖像的密度，排除密度低于預(yù)定密度閾值的位置處的人臉子圖像。按照本發(fā)明實施例的人臉檢測設(shè)備還可以包括聚類裝置，可以用來實施上述聚類步驟，以針對通過決策裝置的待處理圖像，將同一位置重疊的人臉子圖像聚類為待處理圖像的人臉區(qū)域。其中，所述預(yù)處理裝置300所針對的所述預(yù)定區(qū)域為在假設(shè)子圖像為人臉子圖像的情況下的人眼位置的區(qū)域。其中，所述檢測裝置400所利用的所述Adaboost級聯(lián)分類器的各級利用不同的Haar特征來判斷子圖像是否是非人臉子圖像。其中，所述預(yù)處理裝置300所采用的所述預(yù)定比例閾值為50%。其中，所述預(yù)處理裝置300所針對的所述預(yù)定區(qū)域為子圖像中上部4%至40%的帯狀區(qū)域。本發(fā)明還可以實施為ー種人臉檢測系統(tǒng)。圖10是示出按照本發(fā)明實施例的人臉檢測系統(tǒng)1000的總體框圖。如圖10所示，人臉檢測系統(tǒng)1000可以包括輸入設(shè)備1100，用于從外部輸入將要檢測處理的圖像，例如可以包括鍵盤、鼠標器、掃描儀、以及通信網(wǎng)絡(luò)及其所連接的遠程輸入設(shè)備等等；處理設(shè)備1200，用于實施上述的按照本發(fā)明實施例的人臉檢測方法，或者實施為上述的按照本發(fā)明實施例的人臉檢測設(shè)備，例如可以包括計算機的中央處理器或其它的具有處理能力的芯片等等；輸出設(shè)備1300，用于向外部輸出實施上述人臉檢測過程所得的結(jié)果，例如可以包括顯示器、打印機、以及通信網(wǎng)絡(luò)及其所連接的遠程輸出設(shè)備等等；以及存儲設(shè)備1400，用于以易失或非易失的方式存儲上述人臉檢測處理過程所涉及的圖像、所得的結(jié)果、命令、中間數(shù)據(jù)等等，例如可以包括隨機存取存儲器(RAM)、只讀存儲器(ROM)、硬盤、或半導體存儲器等等的各種易失或非易失性存儲器。圖11示出采用驗證過程對整體人臉檢測性能的改進示例。在一個示例性的實驗中，利用100張樣本圖像，其中包含202個人臉。在未采用按照本發(fā)明實施例的驗證過程的情況下，將非人臉誤檢為人臉33個，檢測出人臉區(qū)域172，即漏檢30個，經(jīng)過選取特征的調(diào)整，在非人臉誤檢數(shù)下降5個，即誤檢28個(如圖11中柱PN所示)的情況下，檢測出人臉區(qū)域132個，檢測率為66%，即漏檢數(shù)増加40個(如圖11中柱PH所示)。在采用按照本發(fā)明實施例的驗證過程的情況下，如果起初非人臉誤檢為人臉33個，檢測出人臉區(qū)域172，即漏檢30個，經(jīng)過選取特征的調(diào)整，在非人臉誤檢數(shù)下降5個，即誤檢28個(如圖11中柱AN所示)的情況下，仍然檢測出人臉區(qū)域154個，檢測率為77%，即漏檢數(shù)増加18個(如圖11中柱AH所示)。因此，在上述對比實驗中，在使用驗證手段之后，從檢測率的角度看，在相同的誤檢率情況下，沒有驗證手段時檢測率為66%，采用驗證手段時檢測率為77%，在加入驗證手段后整體檢測性能得到了明顯的提升。圖12包括圖12A至圖12F，示出采用按照本發(fā)明實施例的驗證手段前后對待處理圖像進行人臉檢測的結(jié)果對比。圖12A、圖12C、圖12E分別示出沒有采用驗證手段的情況下的人臉檢測的結(jié)果，圖12B、圖12D、圖12F分別示出采用驗證手段的情況下的人臉檢測的結(jié)果。圖12B、圖12D、圖12F與圖12A、圖12C、圖12E分別基于相同的圖像，通過實驗結(jié)果可以發(fā)現(xiàn)，在加入驗證手段后，在由Haar特征所構(gòu)建的人臉檢測器中很難被拒絕的紋理，諸如手、鮮花和文字等等的一些子圖像，在加入驗證手段后都被拒絕了。在本發(fā)明實施例中，采用分而治之的策略來解決人臉檢測問題。采用的特征可以包括各種能夠滿足實時性能要求的局部紋理描述子，諸如Haar特征、Sobel特征、及Haar-Sobel特征等等。傳統(tǒng)的人臉檢測器被擴展為3個模塊，即，數(shù)據(jù)預(yù)處理、人臉檢測和人臉驗證。在數(shù)據(jù)預(yù)處理中，采用Sobel特征來直接拒絕ー些非人臉的子圖像，從而可以避免大量的子圖像檢測過程，節(jié)約檢測時間。在人臉檢測模塊中，采用Haar特征的級聯(lián)分類器來選擇候選人臉子圖像。在人臉驗證模塊中，采用Haar-Sobel特征聯(lián)合Adaboost分類器的方式來拒絕ー些復雜非人臉子圖像，以提升整體檢測性能。通過這樣的策略，由于不同的模塊針對不同的子功能，因此每個模塊的設(shè)計難度也就大大降低了。更進一歩，因為不同模塊在設(shè)計時可以互為補充，從而使得可以更容易地同時保證檢測性能、檢測速度和低誤檢率。在說明書中說明的一系列操作能夠通過硬件、軟件、或者硬件與軟件的組合來執(zhí)行。當由軟件執(zhí)行該一系列操作時，可以把其中的計算機程序安裝到內(nèi)置于專用硬件的計算機中的存儲器中，使得計算機執(zhí)行該計算機程序?；蛘?，可以把計算機程序安裝到能夠執(zhí)行各種類型的處理的通用計算機中，使得計算機執(zhí)行該計算機程序。例如，可以把計算機程序預(yù)先存儲到作為記錄介質(zhì)的硬盤或者R0M(只讀存儲器)中?；蛘?，可以臨時或者永久地存儲(記錄)計算機程序到可移動記錄介質(zhì)中，諸如軟盤、⑶-ROM (光盤只讀存儲器)、MO (磁光)盤、DVD (數(shù)字多功能盤)、磁盤、或半導體存儲器。可以把這樣的可移動記錄介質(zhì)作為封裝軟件提供。本發(fā)明已經(jīng)參考具體實施例進行了詳細說明。然而，很明顯，在不背離本發(fā)明的精神的情況下，本領(lǐng)域技術(shù)人員能夠?qū)嵤├龍?zhí)行更改和替換。換句話說，本發(fā)明用說明的形式公開，而不是被限制地解釋。要判斷本發(fā)明的要_，應(yīng)該考慮所附的權(quán)利要求。
權(quán)利要求
1.一種人臉檢測方法，包括 導入步驟，導入待處理圖像； 子圖像提取步驟，利用不同尺度的窗口分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像； 預(yù)處理步驟，針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像，如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像； 檢測步驟，針對通過預(yù)處理步驟的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像； 驗證步驟，針對所述候選人臉子圖像，利用基于Haar-Sobel特征建立的Adaboost分類器，對候選人臉子圖像進行驗證，排除非人臉子圖像，其余作為人臉子圖像。
2.按照權(quán)利要求1所述的人臉檢測方法，其中，通過針對樣本人臉圖像，利用水平Sobel模板計算得到樣本人臉Sobel圖像，對樣本人臉Sobel圖像應(yīng)用Haar特征，來獲得所述 Haar-Sobel 特征。
3.按照權(quán)利要求2所述的人臉檢測方法，其中，對樣本人臉Sobel圖像進行積分處理得到樣本人臉積分Sobel圖像，針對樣本人臉積分Sobel圖像，對與該樣本人臉積分Sobel圖像對應(yīng)的樣本人臉Sobel圖像上的Haar特征進行計算,來獲得所述Haar-Sobel特征。
4.按照權(quán)利要求1所述的人臉檢測方法，還包括決策步驟，根據(jù)待處理圖像中人臉子圖像的密度，排除密度低于預(yù)定密度閾值的位置處的人臉子圖像。
5.按照權(quán)利要求4所述的人臉檢測方法，還包括聚類步驟，針對經(jīng)過決策步驟的待處理圖像，將同一位置重疊的人臉子圖像聚類為待處理圖像的人臉區(qū)域。
6.按照權(quán)利要求1所述的人臉檢測方法，其中，在所述預(yù)處理步驟中，所述預(yù)定區(qū)域為在假設(shè)子圖像為人臉子圖像的情況下的人眼位置的區(qū)域。
7.按照權(quán)利要求1所述的人臉檢測方法，其中，在所述檢測步驟中，所述Adaboost級聯(lián)分類器的各級利用不同的Haar特征來判斷子圖像是否是非人臉子圖像。
8.按照權(quán)利要求1所述的人臉檢測方法，其中，在所述預(yù)處理步驟中，所述預(yù)定比例閾值為50%。
9.按照權(quán)利要求1所述的人臉檢測方法，其中，在所述預(yù)處理步驟中，所述預(yù)定區(qū)域為子圖像中上部4%至40%的帶狀區(qū)域。
10.一種人臉檢測設(shè)備，包括 導入裝置，導入待處理圖像； 子圖像提取裝置，利用不同尺度的窗口分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像； 預(yù)處理裝置，針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像，如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像； 檢測裝置，針對通過預(yù)處理裝置的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像； 驗證裝置，針對所述候選人臉子圖像，利用基于Haar-Sobel特征建立的Adaboost分類器，對候選 人臉子圖像進行驗證，排除非人臉子圖像，其余作為人臉子圖像。
全文摘要
本發(fā)明提供一種人臉檢測方法，包括導入步驟，導入待處理圖像；子圖像提取步驟，利用不同尺度的窗口分別遍歷待處理圖像，提取窗口中的待處理圖像的部分，作為子圖像；預(yù)處理步驟，針對所述子圖像，利用水平Sobel模板計算得到該子圖像的Sobel圖像，如果該Sobel圖像中預(yù)定區(qū)域的Sobel響應(yīng)值之和相對于該子圖像的總Sobel響應(yīng)值之比小于預(yù)定比例閾值，則排除該子圖像；檢測步驟，針對通過預(yù)處理步驟的子圖像，利用Adaboost級聯(lián)分類器排除非人臉子圖像，獲得候選人臉子圖像；驗證步驟，針對所述候選人臉子圖像，利用基于Haar-Sobel特征建立的Adaboost分類器，對候選人臉子圖像進行驗證，排除非人臉子圖像，其余作為人臉子圖像。本發(fā)明還相應(yīng)地提供一種人臉檢測設(shè)備。
文檔編號G06K9/00GK103049733SQ20111030576
公開日2013年4月17日 申請日期2011年10月11日 優(yōu)先權(quán)日2011年10月11日
發(fā)明者鐘誠, 劉殿超, 劉童, 師忠超, 王剛 申請人:株式會社理光