基于一类支持向量的快速人脸检测的方法技术

一种基于一类支持向量的快速人脸检测的方法，其特征在于，采用一类模式方式对人脸进行检测。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及一种人脸检测的方法，尤其是指提出了采用一类模式分析的思想来解决人脸检测问题，并提供了一种。
技术介绍
基于图像与视频的人脸分析是近年来计算机视觉与模式识别领域中的研究热点之一，因为它有广泛的前景，比如生物特征认证、信息安全、人机交互、以及视觉监控等等。人脸检测是一个自动人脸分析系统中的关键步骤之一。它的目的就是从摄像机捕捉来的图像中找到人脸及其存在的位置，为进一步分析作初始准备。因此，人脸检测的效果直接影响人脸分析系统的性能。近年来，人们已提出了大量的人脸检测方法。大体上可分两大类一、早期的方法是利用肤色特征，以及结合简单的几何特征等。它的缺点是对和肤色相近的背景很不鲁棒，另外，几何特征的抽取对光照等环境因素很敏感。二、基于学习的方法。利用统计学习的方法找到人脸模式和非人脸模式的差别。由于它具有良好的性能，现已成为人脸检测的主流方法。但是目前基于学习的人脸检测方法大多把人脸检测看成是两类问题，即人脸模式和非人脸模式，收集大量的人脸样本和非人脸样本来学习一个分类的准则。比如基于神经网络的方法，基于例子学习的方法，基于支持向量机的方法，和基于Adaboost的方法等等。我们知道人脸模式是很容易描述的，但是对非人脸模式建模实际上是很难的，因为在图像空间中不属于人脸模式的部分都是非人脸模式。目前的系统中都是通过自举的方式产生非人脸样本，非人脸样本的好坏直接影响检测的性能。
技术实现思路
本专利技术的目的在于，提出把人脸检测问题看成是一类问题，即只关心“人脸模式”，并提供一种，避免了由于非人脸样本的好坏而影响检测的性能，从而达到更好的检测效果。根据对背景技术的分析，人脸模式的模型是比较容易建立的，但是建立非人脸模式的模型几乎是不可能的，因为所有不属于人脸的模式都应该属于非人脸模式，是无穷无尽的。本专利技术的出发点是把人脸检测问题看成是个一类问题，即只对人脸模式建模。我们提出用具有分类和代表能力的一类支持向量来描述人脸模式。为了得到更好的和较紧凑的一类人脸模式的支持向量，首先把人脸图像压缩到一个低维的、紧凑的简化流形空间中。另外，我们还结合了皮肤颜色特征，以及mosaic图等预处理来进一步提高检测的效率和性能。具体的讲，本专利技术提出用一类模式来分析人脸检测问题，并提供了一种，包括如下步骤a)利用肤色特征，找到人脸候选区域；b)mosaic图校验，进一步减少人脸候选区域；c)简化流形降维，并用人脸模式的一类支持向量来描述；d)分类器决策，判断候选区域是否是人脸区域。所述的，其中步骤a)是指如下步骤a1)建立人脸肤色的高斯模型，并使用其进行肤色检验，可以除去待检测图像中大部分的非人脸区域；a2)采用图像处理中的开、闭等运算将肤色区域整合到一起，作为候选区域进行下一步处理。所述的，其中步骤a1)是指在进行肤色检验时，计算待检测的彩色图像中每个象素点的概率值，概率值大于设定的阈值的可以视为肤色点，然后将过滤剩下的象素点整合成完整的区域，图像区域的70％都是肤色点的可以视为人脸候选区域。所述的，其中所述的阈值为0.5。所述的，其中步骤b)是指如下步骤b1)将人脸分成平均的九个区域；b2)使用如下8条灰度密度规则和10条边缘密度规则进行校验，灰度密度规则定义如下规则1(1)＜(2)规则2(3)＜(2)规则3(1)＜(4)规则4(3)＜(6)规则5(5)＜(4)规则6(5)＜(6)规则7(8)＜(9)规则8(8)＜(7)边缘密度规则定义如下规则1(4)＜(1)规则2(7)＜(1)规则3(6)＜(3)规则4(9)＜(3)规则5(2)＜(1)规则6(2)＜(3)规则7(4)＜(5)规则8(6)＜(5)规则9(7)＜(8)规则10(9)＜(8)b3)采用一个多数投票的机制确定人脸的候选区域。所述的，其中步骤c)是指如下步骤c1)采用LPP方法把人脸样本压缩到一个紧凑的、低维的流形子空间中；c2)用一类支持向量学习来得到具有代表性的一类支持向量来描述人脸模式。附图说明图1是本专利技术的流程图；图2是本专利技术的mosaic图校验示意图；图3是本专利技术的实施效果图。具体实施例方式如图1所示，本专利技术提供的主要包括以下几个步骤a)肤色模型检测在图像和视频中确定人脸的位置，人脸的肤色是一个很重要的信息。我们的算法中首先使用皮肤的颜色对待检测人脸的区域进行处理，过滤掉处于肤色空间以外的区域。这样可以提高人脸检测的速度和准确程度。具体步骤如下a1)建立人脸肤色的高斯模型，并使用其进行肤色检验，可以除去待检测图像中大部分的非人脸区域；a2)采用图像处理中的开、闭等运算将肤色区域整合到一起，作为候选区域进行下一步处理。我们采用归一化的r，g颜色来建立人脸肤色双变量高斯模型。r＝R/(R+G+B)g＝G/(R+G+B)高斯模型的均值和方差为mean＝E{x}，其中x＝(r，g)Tvar＝E{(x-m)(x-m)T}任意给定一点x＝(rx，gx)T概率值为P(x)＝exp(-(x-mean)Tvar-1(x-mean)/2)在待检测的彩色图像中，计算每个象素点的概率值，概率值大于设定的阈值(比如0.5)的可以视为肤色点，然后将过滤剩下的象素点整合成完整的区域，图像区域的70％都是肤色点的可以视为人脸候选区域。b)mosaic图校验根据人脸的结构，我们还采用了一些简单的规则去除一些通过皮肤色模型得到的候选区域。比如，一般来说，人的眼睛位置的平均灰度值要小于脸颊和鼻梁上面的部分。眼睛或者嘴巴附近的梯度密度要大于脸颊的梯度密度。通过这些简单的预处理，可以进一步提高我们算法的速度和鲁棒性。我们采用了mosaic图的方法，如图2所示。具体步骤如下b1)将人脸分成平均的九个区域；b2)使用如下8条灰度密度规则和10条边缘密度规则进行校验，灰度密度规则定义如下规则1(1)＜(2)规则2(3)＜(2)规则3(1)＜(4)规则4(3)＜(6)规则5(5)＜(4)规则6(5)＜(6)规则7(8)＜(9)规则8(8)＜(7)边缘密度规则定义如下规则1(4)＜(1)规则2(7)＜(1)规则3(6)＜(3)规则4(9)＜(3)规则5(2)＜(1)规则6(2)＜(3)规则7(4)＜(5)规则8(6)＜(5)规则9(7)＜(8) 规则10(9)＜(8)b3)采用一个多数投票的机制，例如上面的18条规则满足14条以上则可以认为是人脸的候选区域。c)简化流形降维由于图像空间是个高维的空间，而实际上人脸图像只属于图象空间中的一个低维的子空间。传统的降维方法如主元分析、独立元分析都是基于全局考虑的线性分析方法，不能描述人脸图像中由于光照、表情、姿态等复杂的非线性变化。非线性流形学习近年来得到了人们的广泛关注，但是目前的流形学习方法如，局部线性嵌入(LLE)、ISOMap以及Laplace Eigenmap等都不能对未知的样本提供很好的处理。本专利技术采用局部保留投影(LPP)是一种简化的线性流形学习方法。它的思想就是用一种线性的方式去近似Laplace Eigenmap方法，可以得到和类似于流形的特点(局部保距)。具体步骤如下c1)采用LPP方法把人脸样本压缩到一个低维的、紧凑的流形子空间中；c2)用一类支持向量学习来得到具有代表性的一类支持向量来描述人脸模式。d)分类器决策在检测的过程中本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：刘青山，卢汉清，金洪亮，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：