利用聚合通道特征进行多视角人脸检测的方法技术

本发明专利技术公开了一种利用聚合通道特征进行多视角人脸检测的方法，主要是对10个ACF通道里的LUV颜色三通道改进为一个灰度单通道，形成8通道特征，这样就会更快速地进行特征提取，对提取的特征进行一个4级的Adaboost级联分类器的训练，形成一个包含4096个弱分类器的级联强分类器，利用级联分类器以及快速特征金字塔方法进行图像检测，最终快速、准确地检测出人脸。本发明专利技术利用滑动窗口在特征金字塔上按步长依次滑动得到检测块，利用训练好的Adaboost分类器对检测块分类，含有人脸的检测块再通过非极大值抑制法去除重叠的窗口，保留最终的人脸检测窗口，提高了检测的精度。

【技术实现步骤摘要】

本专利技术涉及计算机视觉的人脸检测
，尤其涉及一种利用聚合通道特征进行多视角人脸检测的方法。
技术介绍
人脸是一个常见而复杂的视觉模式，所反映的视觉信息在人与人的交流与交往中有着重要的作用和意义。人脸检测是人脸识别系统中的关键的第一步，也是计算机视觉和模式识别研究领域的热点。近年来，随着计算机视觉、模式识别和人工智能等技术的发展，以及智能交通、智能监控和安全领域的迫切需求，行人检测技术受到越来越多的关注，但是遮挡、重叠的行人难以检测，所以需要人脸检测来更有效的、更精确的代替行人检测。因此，人脸检测在视频监控、出入口控制、人流量监测以及人机交互等领域有着广泛的应用前景。过去的几年中，最有效的人脸检测方法是Viola和Jones提出的利用Haar-like特征与Adaboost分类器结合，Haar特征是各种不同大小的矩形框通过积分图快速计算得到。VJ检测具有很好的实时性，但是还无法满足在检测速度、形态各异的多视角人脸检测精度上的要求。HOG与SVM结合的检测算法中的HOG是梯度直方图特征，根据各个像素点的梯度方向组成细胞，并进行直方图归一化，再由多个细胞组成block块进行归一化，最终求得HOG特征，但是HOG特征单一，容易造成误检和漏检，无法满足多视角人脸检测的精度。最近几年，ICF与Adaboost结合的算法是对之前算法的有效补充和改进，ICF即积分通道特征，是在HOG特征基础上，采用Haar特征的方式在梯度直方图上随机取其矩形框特征，并且加入了LUV颜色通道和梯度幅值通道，但是这种通过随机产生大小不同、位置不同的矩形区域的积分值的方法还是太繁琐，无法满足检测速度的要求。后来，PiotrDollar又提出了ACF与Adaboost结合的算法，ACF就是聚合通道特征，与ICF特征很相似，也是包括LUV颜色通道、梯度幅值通道、HOG通道，由于LUV空间在表征目标表面颜色特征时，能提高目标模型对颜色变化的鲁棒性，对外界光照变化影响很小，梯度幅值具有大量的边缘强度信息，HOG富含目标特征信息最为全面，侧重于目标形状和轮廓信息，对光照和人脸形变影响较小，所以对视角各异的人脸具有很好的检测效果。与ICF相比较，ACF计算大小固定、位置固定区域内单个像素的特征，并融合在一起，不再进行积分图计算，所以会加快检测速度。
技术实现思路
本专利技术的目的在于克服现有技术对多视角人脸检测的精度不高、速度不快等不足，提供一种利用聚合通道特征进行多视角人脸检测的方法，通过把PiotrDollar提出的10个ACF通道改进为8个通道，即把其中的LUV颜色三通道改为单一的灰度通道，改进的新的ACF特征在人脸检测速度上会有很大提升，检测速度快且准确。本专利技术的目的通过下述技术方案实现：一种利用聚合通道特征进行多视角人脸检测的方法，其方法步骤如下：A、获取检测人脸图像，在人脸图像上构造出图像金字塔；B、从图像金字塔中提取各层的聚合通道特征；计算第1、9、17层的真实尺寸，然后根据这些尺寸估计他们之间的其他图像尺寸，这样会加快计算速度，快速形成特征金字塔；具体如下：B1、将步骤A中人脸图像的原RGB图像转换为灰度图像，这是一个颜色通道特征提取；B2、计算步骤B1每个像素的梯度幅度值，这是一个梯度幅度特征提取；B3、计算每个像素在6个梯度方向上的梯度方向直方图，这是6个方向直方图特征提取；B4、把每个像素点的1个灰度特征、1个梯度幅度特征和6个梯度方向直方图特征聚合到一起形成一个含有8个通道特征的聚合通道特征；步骤B中的特征金字塔就是通过计算图像金字塔中的每个图像的聚合通道特征而形成的；C、利用滑动窗口按照一定的步长在图像金字塔上滑动，获取一系列滑动窗口大小的检测块；所述步骤C中的滑动检测窗口在特征通道金字塔上按照设定好的步长，从左到右、从上到下不断滑动，滑动窗口设置为24X24，步长小于24；D、使用训练好的级联分类器将步骤C中得到的检测块分别分类，分类结果为人脸和非人脸的检测块；期训练过程如下：首先，获取训练样本集，样本集包括正样本集和负样本集，所述的正样本集使用10000个包含人脸且像素大小大于24X24的图像区域，并且对每个正样本图像中的人脸区域标注出坐标和宽高，所述的负样本集是有不包含人脸的10000张图片组成；然后，训练第一阶段，获取正负样本训练的窗口，根据标注数据提取正样本窗口，根据每个负样本图片里取25个窗口，分别对提取到的正负窗口进行聚合通道特征提取，用二叉决策树进行特征判断，训练出包含64个弱分类器的一个强分类器；最后，训练第二阶段，使用第一阶段训练好的分类器对负样本集进行检测，检测到为正的窗口作为负样本，与正样本继续用二叉决策树进行特征判断，训练出包含256个弱分类器的一个强分类器；第三、四阶段同理，直到某一层弱分类器分出的loss小于阈值，训练结束，最后得到一个包含4096个弱分类器的一个多级强分类器；E、分类为人脸的检测块标记为人脸候选窗口，并记录每个候选窗口的得分；F、根据缩放比例，恢复到原始图像的窗口大小；所述步骤F的缩放比例是图像金字塔中各幅图像与原始图像之间的比例，检测到的窗口大小都为24X24，因此需要按照比例恢复到原图像上形成许多重叠的矩形框；H、利用非极大值抑制法去除重叠的人脸候选窗口，得到最终人脸检测窗口，并且显示窗口的大小、坐标和得分。为了更好地实现本专利技术，所述步骤H的非极大值抑制法步骤如下：首先，将初始检测窗口按分数从高到低排列；然后，将第一个初始检测窗口作为当前抑制窗口；最后，将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口，计算当前抑制窗口面积s1、被抑制窗口面积s2及其两者的重合面积a，如果比值大于0.55，则剔除得分较小的被抑制窗口，最终得到人脸检测窗口。本专利技术为了解决现有技术对多视角人脸检测的精度不高、速度不快等不足，所采用的技术方案是，一种利用聚合通道特征进行多视角人脸检测的方法，所述新方法主要是对10个ACF通道里的LUV颜色三通道改进为一个灰度单通道，形成8通道特征，这样就会更快速地进行特征提取，对提取的特征进行一个4级的Adaboost级联分类器的训练，形成一个包含4096个弱分类器的级联强分类器，利用级联分类器以及快速特征金字塔方法进行图像检测，最终快速、准确地检测出人脸，所述方法包括以下步骤，整个流程见图1。本专利技术较现有技术相比，具有以下优点及有益效果：本专利技术通过把PiotrDollar提出的10个ACF通道改进为8个通道，即把其中的LUV颜色三通道改为单一的灰度通道，改进的新的ACF特征在人脸检测速度上会有很大提升。附图说明图1为本专利技术的流程示意图。具体实施方式下面结合实施例对本专利技术作进一步地详细说明：实施例如图1所示，一种利用聚合通道特征进行多视角人脸检测的方法，其方法步骤如下：A、获取检测人脸图像，在人脸图像上构造出图像金字塔；B、从图像金字塔中提取各层的聚合通道特征；计算第1、9、17层的真实尺寸，然后根据这些尺寸估计他们之间的其他图像尺寸，这样会加快计算速度，快速形成特征金字塔；具体如下：B1、将步骤A中人脸图像的原RGB图像转换为灰度图像，这是一个颜色通道特征提取；B2、计算步骤B1每个像素的梯度幅度值，这是一个梯度幅度特征提取；B3、计算每个像素本文档来自技高网...

【技术保护点】
一种利用聚合通道特征进行多视角人脸检测的方法，其特征在于：其方法步骤如下：A、获取检测人脸图像，在人脸图像上构造出图像金字塔；B、从图像金字塔中提取各层的聚合通道特征；计算第1、9、17层的真实尺寸，然后根据这些尺寸估计他们之间的其他图像尺寸，这样会加快计算速度，快速形成特征金字塔；具体如下：B1、将步骤A中人脸图像的原RGB图像转换为灰度图像，这是一个颜色通道特征提取；B2、计算步骤B1每个像素的梯度幅度值，这是一个梯度幅度特征提取；B3、计算每个像素在6个梯度方向上的梯度方向直方图，这是6个方向直方图特征提取；B4、把每个像素点的1个灰度特征、1个梯度幅度特征和6个梯度方向直方图特征聚合到一起形成一个含有8个通道特征的聚合通道特征；步骤B中的特征金字塔就是通过计算图像金字塔中的每个图像的聚合通道特征而形成的；C、利用滑动窗口按照一定的步长在图像金字塔上滑动，获取一系列滑动窗口大小的检测块；所述步骤C中的滑动检测窗口在特征通道金字塔上按照设定好的步长，从左到右、从上到下不断滑动，滑动窗口设置为24X24，步长小于24；D、使用训练好的级联分类器将步骤C中得到的检测块分别分类，分类结果为人脸和非人脸的检测块；期训练过程如下：首先，获取训练样本集，样本集包括正样本集和负样本集，所述的正样本集使用10000个包含人脸且像素大小大于24X24的图像区域，并且对每个正样本图像中的人脸区域标注出坐标和宽高，所述的负样本集是有不包含人脸的10000张图片组成；然后，训练第一阶段，获取正负样本训练的窗口，根据标注数据提取正样本窗口，根据每个负样本图片里取25个窗口，分别对提取到的正负窗口进行聚合通道特征提取，用二叉决策树进行特征判断，训练出包含64个弱分类器的一个强分类器；最后，训练第二阶段，使用第一阶段训练好的分类器对负样本集进行检测，检测到为正的窗口作为负样本，与正样本继续用二叉决策树进行特征判断，训练出包含256个弱分类器的一个强分类器；第三、四阶段同理，直到某一层弱分类器分出的loss小于阈值，训练结束，最后得到一个包含4096个弱分类器的一个多级强分类器；E、分类为人脸的检测块标记为人脸候选窗口，并记录每个候选窗口的得分；F、根据缩放比例，恢复到原始图像的窗口大小；所述步骤F的缩放比例是图像金字塔中各幅图像与原始图像之间的比例，检测到的窗口大小都为24X24，因此需要按照比例恢复到原图像上形成许多重叠的矩形框；H、利用非极大值抑制法去除重叠的人脸候选窗口，得到最终人脸检测窗口，并且显示窗口的大小、坐标和得分。...

【技术特征摘要】
1.一种利用聚合通道特征进行多视角人脸检测的方法，其特征在于：其方法步骤如下：A、获取检测人脸图像，在人脸图像上构造出图像金字塔；B、从图像金字塔中提取各层的聚合通道特征；计算第1、9、17层的真实尺寸，然后根据这些尺寸估计他们之间的其他图像尺寸，这样会加快计算速度，快速形成特征金字塔；具体如下：B1、将步骤A中人脸图像的原RGB图像转换为灰度图像，这是一个颜色通道特征提取；B2、计算步骤B1每个像素的梯度幅度值，这是一个梯度幅度特征提取；B3、计算每个像素在6个梯度方向上的梯度方向直方图，这是6个方向直方图特征提取；B4、把每个像素点的1个灰度特征、1个梯度幅度特征和6个梯度方向直方图特征聚合到一起形成一个含有8个通道特征的聚合通道特征；步骤B中的特征金字塔就是通过计算图像金字塔中的每个图像的聚合通道特征而形成的；C、利用滑动窗口按照一定的步长在图像金字塔上滑动，获取一系列滑动窗口大小的检测块；所述步骤C中的滑动检测窗口在特征通道金字塔上按照设定好的步长，从左到右、从上到下不断滑动，滑动窗口设置为24X24，步长小于24；D、使用训练好的级联分类器将步骤C中得到的检测块分别分类，分类结果为人脸和非人脸的检测块；期训练过程如下：首先，获取训练样本集，样本集包括正样本集和负样本集，所述的正样本集使用10000个包含人脸且像素大小大于24X24的图像区域，并且对每个正样本图像中的人脸区域标注出坐标和宽高，所述的负样本集是有不包含人脸的10000张图片组成；...

【专利技术属性】
技术研发人员：刁海峰，魏永涛，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川;51