基于人脸检测的服务机器人视觉引领方法技术

本发明专利技术提供了一种基于人脸检测的服务机器人视觉引领方法，包括人脸检测步骤和数据融合步骤；所述人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；所述数据融合步骤，用于逆光图像处理；其中，所述Haar特征用于表征人脸特征，所述Adaboost分类器用于识别的人脸图像。本发明专利技术基于人脸检测的服务机器人视觉引领方法，通过人脸检测步骤和数据融合步骤，结合视觉传感器得到的图像数据，对周围环境进行分析与处理，从而提高机器人的智能性。

Vision guidance method of service robot based on face detection

The present invention provides a method for service robot visual guidance based on face detection, including face detection steps and data fusion steps; the steps of face detection, face image detection by Haar feature and Adaboost classifier; the data fusion step for inverse optical image processing; wherein, the Haar features for characterizing facial features and the Adaboost classifier for face image recognition. The invention of visual lead for service robot based on face detection, face detection and fusion step by step data, combined with the image data obtained from the vision sensor, analyze and deal with the surrounding environment, so as to improve the intelligence of robots.

【技术实现步骤摘要】
基于人脸检测的服务机器人视觉引领方法
本专利技术涉及服务机器人
，尤其涉及一种基于人脸检测的服务机器人视觉引领方法。
技术介绍
当前，市面上的机器人品种众多，主要分为服务领域和工业领域。相对来说，工业领域的机器人技术较为成熟，使用广泛，具有很高的实际生产价值；服务机器人领域相应的产品相对较少，且成熟性较差，大部分当前的服务机器人还停留在智能化较低的展示阶段。对于服务机器人智能引领方面，目前主要的方案有两类，一类是不考虑后方人群是否跟上，即不存在服务机器人与人的智能交互能力，而是由机器人自行行走，人需要很好的跟上机器人，否则容易跟丢；另一类时使用激光传感器进行机器人跟随功能，此方法通常采用距离地面不高的二维激光，对人腿进行检测与跟踪，该方法比较适用于较为广阔的场景，如果用在餐馆等比较复杂的环境，则会由于桌子或凳子腿与人腿很相似而很容易跟踪丢失，造成引领失败。因此，如何有效解决通过视觉处理，以引导服务机器人成为筮待解决的问题。
技术实现思路
基于此，本专利技术的目的在于提供一种基于人脸检测的服务机器人视觉引领方法，解决现有技术存在的问题。为了实现本专利技术的目的，提供一种基于人脸检测的服务机器人视觉引领方法，包括人脸检测步骤和数据融合步骤；所述人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；所述数据融合步骤，用于处理逆光图像；其中，所述Haar特征用于表征人脸特征，所述Adaboost分类器用于识别的人脸图像。在一些实施例中，所述Haar特征包括边缘特征、线性特征、中心特征和对角线特征，所述边缘特征、所述线性特征、所述中心特征和所述对角线特征组合成特征模板。在一些实施例中，所述特征模版包括白色矩形和黑色矩形，设定所述特征模版的特征值为白色矩形像素和减去黑色矩形像素和的值。在一些实施例中，所述Adaboost分类器为CascadeAdaboost分类器；所述CascadeAdaboost分类器，由多个强Adaboost分类器级联而成。在一些实施例中，所述强Adaboost分类器的训练过程为：S11、给定训练样本(x1，y1)，...，(xi，yi)，...，(xn，yn)，其中xi表示第i个样本，yi＝0表示为负样本，yi＝1表示为正样本，n为训练样本总数；S12、初始化训练样本的权重；S13、第一次迭代，训练弱分类器，并计算弱分类器的错误率；选取阈值，使得误差最小；更新样本权重；S14、T次循环，得到T个弱分类器，评价每一个弱分类器的重要性的权重进行加权叠加，最终得到强分类器。在一些实施例中，所述数据融合步骤之前，还包括逆光判断步骤，首先建立图像的灰度直方图，然后对所述灰度直方图分析从而判断是否为逆光图像；如果图像为非逆光的正常图像，则通过人脸检测步骤识别；如果图像为逆光图，则通过数据融合步骤识别。在一些实施例中，所述数据融合步骤采用HOG特征提取。在一些实施例中，所述HOG特征提取为，S21、对图像进行灰度化；S22、对图像进行颜色空间的标准化；S23、计算图像每个像素的梯度；S24、将图像划分成小单元；S25、统计每个单元的梯度直方图，形成每个单元的描述器；S26、将不定数个单元组成一个块，所述块内所有单元的特征描述器串联，得到所述块的HOG特征描述器；S27、将图像内的所有块的HOG特征描述器串联，得到所述图像的HOG特征描述器。区别于现有技术，上述人脸检测的服务机器人视觉引领方法，通过人脸检测步骤和数据融合步骤，结合视觉传感器得到的图像数据，对周围环境进行分析与处理，从而提高机器人的智能性。【附图说明】图1为本专利技术一个实施例中基于人脸检测的服务机器人视觉引领方法的分类器训练过程图。图2为本专利技术一个实施例中基于人脸检测的服务机器人视觉引领方法的灰度直方图。图3为本专利技术一个实施例中基于人脸检测的服务机器人视觉引领方法的HOG特征提取图。【具体实施方式】为详细说明本专利技术的
技术实现思路
、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用来限定本专利技术。一种人脸检测的服务机器人视觉引领方法，包括人脸检测步骤和数据融合步骤；该人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；数据融合步骤，用于逆光图像处理。其中，Haar特征用于表征人脸特征，Adaboost分类器用于识别的人脸图像。本专利技术的人脸检测的服务机器人视觉引领方法，通过人脸检测步骤和数据融合步骤，结合视觉传感器得到的图像数据，对周围环境进行分析与处理，从而提高机器人的智能性。在本专利技术的具体实施例中，一种人脸检测的服务机器人视觉引领方法，包括人脸检测步骤和数据融合步骤；该人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；数据融合步骤，用于逆光图像处理。其中，Haar特征用于表征人脸特征，Adaboost分类器用于识别的人脸图像。Haar特征包括边缘特征、线性特征、中心特征和对角线特征，并组合成特征模板。可优选的，特征模版包括白色和黑色两种，并设定特征模版的特征值为白色矩形像素和减去黑色矩形像素和的值。该Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。矩形特征仅对一些简单的图形结构，如边缘、线段较敏感，因此只能描述特定走向，水平、垂直、对角的结构。为加快算法的运行速度，在一些实施例中，Adaboost分类器为CascadeAdaboost分类器；该CascadeAdaboost分类器，由多个强Adaboost分类器级联而成。该强Adaboost分类器分类判别能力逐级加强，每级分类器保证低漏识别率，将难以识别的人脸图像送入下一级分类器。每一级分类器都是一个强Adaboost分类器，其训练过程是一个迭代的过程，用于自适应地改变训练样本的分布，使得分类器聚焦在那些很难分的样本上；如图1所示，该强Adaboost分类器的训练过程为：S11、给定训练样本(x1、y1)，...，(xi、yi)，...，(xn、yn)，其中xi表示第i个样本，yi＝0表示为负样本，yi＝1表示为正样本，n为训练样本总数；S12、初始化训练样本的权重；S13、第一次迭代，训练弱分类器，并计算弱分类器的错误率；选取阈值，使得误差最小；更新样本权重；S14、经过T次循环后，得到T个弱分类器，评价每一个弱分类器的重要性的权重进行加权叠加，最终得到强分类器。服务机器人在实际的生活场景中，会存在很多图像质量不好的情况，最为常见的情况是相机的逆光问题。对于该情况是无法避免，且经常出现，因此该引领系统必须要解决这样的问题，才能真正的实际生活中使用。在相机逆光时，由于相机的自动曝光效果，使得背景很亮，而其他的物体，比如人脸，会相对较暗淡，从而影响人脸检测的效果。需对当前相机采集得到的图像进行判断，即判断当前是否是逆光情况，通过实际实验并对逆光和正常光线下的图像进行分析，得到在逆光时，其灰度直方图是两端尖峰，中间低矮的分布，而正常的图像是灰度分布相对较为均匀。如图2所示，左边的为逆光情况的灰度直方图，右边的为正常图像的灰度直方图。据此，在本文档来自技高网...

【技术保护点】
基于人脸检测的服务机器人视觉引领方法，其特征在于，包括人脸检测步骤和数据融合步骤；所述人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；所述数据融合步骤，用于处理逆光图像；其中，所述Haar特征用于表征人脸特征，所述Adaboost分类器用于识别的人脸图像。

【技术特征摘要】
1.基于人脸检测的服务机器人视觉引领方法，其特征在于，包括人脸检测步骤和数据融合步骤；所述人脸检测步骤，通过Haar特征与Adaboost分类器进行人脸图像检测；所述数据融合步骤，用于处理逆光图像；其中，所述Haar特征用于表征人脸特征，所述Adaboost分类器用于识别的人脸图像。2.根据权利要求1所述的基于人脸检测的服务机器人视觉引领方法，其特征在于，所述Haar特征包括边缘特征、线性特征、中心特征和对角线特征，所述边缘特征、所述线性特征、所述中心特征和所述对角线特征组合成特征模板。3.根据权利要求2所述的基于人脸检测的服务机器人视觉引领方法，其特征在于，所述特征模版包括白色矩形和黑色矩形，设定所述特征模版的特征值为白色矩形像素和减去黑色矩形像素和的值。4.根据权利要求1所述的基于人脸检测的服务机器人视觉引领方法，其特征在于，所述Adaboost分类器为CascadeAdaboost分类器；所述CascadeAdaboost分类器，由多个强Adaboost分类器级联而成。5.根据权利要求4所述的基于人脸检测的服务机器人视觉引领方法，其特征在于，所述强Adaboost分类器的训练过程为：S11、给定训练样本(x1，y1)，...，(xi，yi)，...，(xn，yn)，其中xi表示第i个样本，yi＝0表示为...

【专利技术属性】
技术研发人员：姜楠，曲道奎，徐方，王宏玉，李邦宇，张强，
申请(专利权)人：沈阳新松机器人自动化股份有限公司，
类型：发明
国别省市：辽宁,21