一种自适应的人脸低层特征选择方法及人脸属性识别方法技术

本发明专利技术公开了一种自适应的人脸低层特征选择方法及人脸属性识别方法。本方法为：1）根据待检测的属性，选取一属性标注的人脸图像样本数据库；2）对每一样本进行底层特征提取，即根据待检测属性对人脸图像进行关键点检测，确定目标窗口；用多个矩形区域覆盖该目标窗口；用多种低层的描述子分别对每一矩形区域内进行特征提取，得到该样本的基础特征库；用自适应的提升方法选择基础特征，将所选基础特征组合成长特征作为该样本的底层特征；3）对所有样本的底层特征进行训练，生成一支持向量机的人脸属性识别模型；4）对任一待属性识别的人脸图像，提取其底层特征，利用该人脸属性识别模型得到其人脸属性信息。本发明专利技术大大提高了属性识别的准确性。

【技术实现步骤摘要】
一种自适应的人脸低层特征选择方法及人脸属性识别方法
本专利技术属于图像处理及人脸识别
，涉及图像特征提取和特征选择，具体涉及一种一种自适应的人脸低层特征选择方法及人脸属性识别方法，可应用于人脸/一般物体属性识别分析。
技术介绍
目前人脸识别检测技术在各领域得到广泛应用，成为当前的一项研究热点，比如申请号201210313721.9、名称“人脸识别方法”的专利文献，申请号201210310643.7、名称“一种人脸识别方法及其系统”的专利文献。人脸表征(facerepresentation)，即从原始自然图像中提取可供计算机运算分析的特征向量或特征图，是人脸识别系统中最重要的一环。比如申请号201310115471.2、名称“一种人脸自动标注方法及系统”首先从截取的视频中检测出人脸，获取人脸图片集合，然后过滤出人脸图片集合，同时，获取相邻帧图片的HSV颜色直方图差值，采用空间颜色直方图的镜头边缘检测算法进行镜头分割，对来自相邻帧的人脸，检测第一帧的目标区域内角点，并使用局部匹配的方法将这些角点递延给下一帧，并进行相应的更新，并统计匹配个数，依据匹配个数的阈值，依此进行下去获取人脸序列。然后通过唇动检测模块根据人脸序列中说话人的唇动检测出说话人和未说话人，将说话人、说话内容及说话时间三者融合进行标注；最后，读入每个序列上的人脸，逐个定位，再根据定位结果进行仿射变换，并提取变换后特征点附近固定大小圆形区域内的像素灰度值，作为该人脸特征。申请号201110390185.8的专利文献公开了一种基于非清晰区域抑制的多特征融合显著区域提取方法，首先输入待处理的源图像，再进行如下处理：(1)预处理；(2)对经过预处理的图像进行低层特征提取，获得空间显著图和频域显著图；(3)对经过预处理的图像进行高层语义特征提取，获得人脸显著图；(4)对步骤(2)和步骤(3)获得的空间显著图、频域显著图和人脸显著图进行中心聚集化操作，获得综合显著图；(5)根据综合显著图对待处理的源图像进行分割处理，提取出显著区域。人脸表征算法的好坏，直接决定了生成的人脸特征的描述性、区分性及有效性，进而将影响到最终人脸识别系统的性能。现有的低层特征选择主要通过特征降维或抽取稀疏角点处的特征实现。特征降维，比如PCA(PrincipalComponentAnalysis)，对图像的对齐和归一化有严格要求；如果图像有旋转变换，PCA甚至可以完全失效。在图像中，有描述性的区域往往在梯度较大的角点处出现，抽取稀疏角点处的特征理论上可以实现图像表征的效果。但这一方法对角点判断的准确性要求很高，故人脸表情、朝向、光照的变化会影响特征的描述能力。
技术实现思路
本专利技术针对上述问题，提出了一种基于提升方法的自适应的人脸低层特征选择方法及人脸属性识别方法，可对不同的应用场景自适应的学习出有效的特征，用于特征空间中的人脸表示。为实现上述目的，本专利技术采用的技术方案如下：一种基于提升方法的自适应的人脸低层特征选择方法，其步骤包括：1)确定分析的目标窗口并对人脸图像进行预处理；2)根据应用场景的不同，用密集的不同大小并且相互重叠的矩形区域覆盖图像区域；3)用多种低层的描述子表示每个矩形区域内的图像，构建特征库；4)对单个特征训练基础分类器，基于自适应的提升方法进行基础特征的选择；5)组合选取的基础特征，并训练最终的特征分类器，进而的得到人脸低层特征的选择结果。进一步地，步骤1)首先针对不同的应用场景构建不同的学习数据库，对数据库的样本进行物体检测、关键点检测，以确定分析的目标窗口。进一步地，步骤1)所述预处理包括对图像进行增强、放缩等处理。进一步地，步骤3)所述多种低层的描述子包括HOG，ULBP，Gabor，SIFT等；任意一个区域被一个描述子表示成一个基础特征，每个样本所有的基础特征总长可能达到数十万维。进一步地，步骤4)所述用自适应的提升方法选择基础特征，每一级的提升选出一个基础特征；每一级过程如下：随机抽取一部分未选择的基础特征；随机抽取一部分样本，每个样本被抽到的概率和样本的权值相关；在抽取的样本上训练基础分类器；比较基础分类器的分类效率，选择效率最高的分类器，它对应的基础特征被选出；根据选出的分类器的分类结果更新所有样本的权值：增加被错误分类的样本的权值，降低被正确分类的样本的权值；进一步地，步骤5)连接选出的基础特征连接，组合成长特征；根据不同的应用场景、样本类型(定类变量、定序变量，定距变量)选择不同策略训练分类器(一对一、一对多、树型分类器、OHRank)。一种人脸属性识别方法，其步骤为：1)根据待检测的属性，选取一属性标注的人脸图像样本数据库；2)对于每一样本进行低层特征提取，即21)根据待检测属性对人脸图像进行关键点检测，确定低层特征提取的目标窗口；22)用多个不同大小、不同位置的相互重叠的矩形区域覆盖该目标窗口；23)用多种低层的描述子分别对每一矩形区域内的图像进行特征提取，将每一描述子对每一矩形区域提取的特征记录为一基础特征，得到该样本的基础特征库；24)用自适应的提升方法选择该基础特征，每一级的提升选出一个基础特征；25)将所选的基础特征组合成长特征，作为该样本的低层特征；3)利用机器学习算法对所有样本的所述低层特征进行训练，生成一支持向量机的人脸属性识别模型；4)对任意一张待属性识别的人脸图像，提取其所述低层特征，利用该人脸属性识别模型得到其人脸属性信息。与现有技术相比，本专利技术的积极之处在于：1)本专利技术提出一种有效的特征选择方法，从数十万甚至百万的底层弱特征中经过层层迭代筛选，选取其中最有分辨力的组成最终的分类器。更重要的是，该专利技术将经典算法Adaboost算法用在特征选择的过程中，通过调节那些被错误分类的样本的权重，使得后一步迭代选择的特征更加聚焦在这些错误的样本上，即后一步迭代选出的特征实际上是对前面已选特征的补充。因此，最终选出的特征之间的互补性非常强，带来了非常稳定的分类效果；2)本专利技术在特征选择上非常的灵活，可以根据用户不同的实际需求选择不同长度的特征。例如用户如果不考虑计算资源受限而更关心准确度，即可选择一个长的而分辨能力更强的特征；而如果用户需要对计算时间有严格要求，如在手机等移动设备上运算，则可以根据其设备的实际计算能力选择较短的特征。也就是说，本专利技术非常方便在时间复杂度和计算精度上根据实际情况做出权衡。附图说明图1是本专利技术方法的步骤流程图。图2是本专利技术方法中自适应特征选择的流程图。具体实施方式下面通过具体实施例和附图，对本专利技术做进一步说明。本专利技术的基于提升方法的自适应的低层特征选择方法，用于特征空间中的人脸表示，该方法的具体流程如图1所示，包含以下步骤：a.针对不同的应用场景构建不同的学习数据库。b.对数据库的已属性标注样本进行物体检测、关键点检测，确定分析的目标窗口(即低层特征提取区域)；对图像进行增强、放缩等预处理。c.根据应用场景的不同，确定合适的采样方法，即用不同大小、不同位置的密集的相互重叠的矩形区域覆盖目标窗口。d.用多种低层的描述子(比如HOG，ULBP，Gabor，SIFT)描述每个矩形区域内的图像，构建特征库；任意一个区域被一个描述子表示成一个基础特征，每个样本所有的基础特征总长可能达到数十万维。e本文档来自技高网...

【技术保护点】
一种自适应的人脸低层特征选择方法，其步骤为：1）根据所选属性对人脸图像进行关键点检测，确定底层特征提取的目标窗口；2）用多个不同大小、不同位置的相互重叠的矩形区域覆盖该目标窗口；3）用多种低层的描述子分别对每一矩形区域内的图像进行特征提取，将每一描述子对每一矩形区域提取的特征记录为一基础特征，得到该人脸图像的基础特征库；4）用自适应的提升方法选择该基础特征，每一级的提升选出一个基础特征；5）将所选的基础特征组合成长特征，作为该人脸图像所选属性的底层特征。

【技术特征摘要】
1.一种自适应的人脸低层特征选择方法，其步骤为：1)根据所选属性对人脸图像进行关键点检测，确定低层特征提取的目标窗口；2)用多个不同大小、不同位置的相互重叠的矩形区域覆盖该目标窗口；3)用多种低层的描述子分别对每一矩形区域内的图像进行特征提取，将每一描述子对每一矩形区域提取的特征记录为一基础特征，得到该人脸图像的基础特征库；4)用自适应的提升方法选择该基础特征，每一级的提升选出一个基础特征；具体方法为：41)每次从所述基础特征库中随机抽取一未选择过的基础特征；42)将一已属性标注样本数据集合A和所抽取的基础特征作为输入，利用机器学习算法训练一基础分类器；43)利用该基础分类器对另一已属性标注样本数据集合B进行分类；44)重复步骤41)～43)，选择分类效率最高的基础分类器对应的基础特征作为当前级提升所选出的基础特征；并且根据所选出的基础分类器的分类结果更新所有样本的权值：增加被错误分类的样本的权值，降低被正确分类的样本的权值；5)将所选的基础特征组合成长特征，作为该人脸图像所选属性的低层特征。2.如权利要求1所述的方法，其特征在于所述样本数据集合A和所述样本数据集合B抽取自同一样本数据库；自适应提升方法的每一级中，所述样本数据集合A中样本被抽到的概率和样本的权值相关。3.如权利要求1或2所述的方法，其特征在于所述多种低层的描述子包括HOG，ULBP，Gabor和SIFT。4.如权利要求1所述的方法，其特征在于所述属性包括年龄属性、性别属性、种族属性。5.一种人脸属性识别方法，其步骤为：a)根据待检测的属性，选取一属性标注的人脸图像样本数据库；b)对于每一样本进行低层特征提取，即i.根据待检测属性对...

【专利技术属性】
技术研发人员：印奇，曹志敏，姜宇宁，杜儒成，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：