人脸检测的训练方法、检测方法和装置制造方法及图纸

一种人脸检测的训练方法、检测方法和装置。所述人脸检测器包括第一分类器及第二分类器，所述训练方法包括：采集人脸和非人脸图像作为训练样本集；提取所述训练样本集中各个训练样本的亮度比较特征；根据所述亮度比较特征获得对应的蕨特征；利用所述蕨特征及贝叶斯定理进行训练，得到所述第一分类器；利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，P≥1，且P为整数；将所述P个决策树分类器级联形成所述第二分类器。应用所述训练方法得到的人脸检测器进行人脸检测时，可以降低人脸检测的复杂度及计算量，提高检测效率。

Face detection training method, detection method and device

Face detection training method, detection method and device. The face detector includes a first classifier and two classifiers, including the training method: collecting face and non face images as training set; comparison of feature extraction of luminance of the training samples of each training sample; according to the characteristics of brightness characteristics of the fern were trained by the fern; characteristics and Bayesian the first theorem by using the classifier; comparing the luminance characteristics and minimizing the weighted mean variance criterion for P round of training, get a P decision tree classifier, P = 1, and P is an integer; the P decision tree classifier cascade form the second classifier. When the face detector is obtained by the training method, the complexity and the amount of computation of the face detection can be reduced, and the detection efficiency can be improved.

【技术实现步骤摘要】
人脸检测的训练方法、检测方法和装置
本专利技术涉及通信
，具体涉及一种人脸检测的训练方法、检测方法和装置。
技术介绍
人脸检测是一项涉及计算机视觉和机器学习的技术，主要目的是在图像和视频中检测出人脸的目标实例，可应用于人脸识别，人机交互等
目前，人脸检测的方法有很多，按照模型来区分，主流的方案有以下几种：1)支持向量机(SupportVectorMachine，SVM)，主要和梯度方向直方图(HistogramofOrientedGradient，HOG)特征一起应用于行人检测领域。该方案计算稠密的梯度方向特征，使用简单的线性SVM对高维的HOG描述子进行分类就能取得很好的检测效果。2)基于部件的变形模型(DeformablePart-basedModel，DPM)，主要和HOG特征一起应用于泛化目标(GeneralizedObject)的检测与识别，尤其适合对非刚性目标的检测和识别。该方法的核心要素，是将部件相对位置和整体位置视为隐变量，使用隐形SVM(Latent-SVM)完成半监督学习。该方法也可以实现级联检测，在不影响检测质量的前提下，可以实现一个数量级的速度提升。3)卷积神经网络(ConvolutionalNeuralNetwork，CNN)是近年大热的方法，适用于泛化目标的检测与识别。通过对输入图像进行多层的卷积、池化操作，再通过Softmax分类器进行分类，即可完成检测过程。4)自提升级联模型(AdaBoostCascadedModel)，主要和哈尔(Haar)特征一起应用于人脸检测(FaceDetection)领域。该方案使用简单的哈尔特征学习许多简单的弱分类器(WeakClassifier)，在实际检测时采用级联结构，每一层滤掉大部分非人脸候选，同时让大部分人脸候选通过，从而加速检测。然而，上述人脸检测方案均难以兼顾检测速度及检测效果。
技术实现思路
本专利技术实施例能够解决在保证检测效果的情况下，如何降低人脸检测的复杂度及计算量，提高检测效率。为解决上述问题，本专利技术实施例提供了一种人脸检测器的训练方法，所述人脸检测器包括第一分类器及第二分类器，所述方法包括：采集人脸和非人脸图像作为训练样本集；提取所述训练样本集中各个训练样本的亮度比较特征；根据所述亮度比较特征获得对应的蕨特征；利用所述蕨特征及贝叶斯定理进行训练，得到所述第一分类器；利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，P≥1，且P为整数；将所述P个决策树分类器级联形成所述第二分类器。可选地，所述第一分类器分类方法如下：其中，Fj是所述训练样本集中第k个训练样本的第j个蕨特征；Cq是第q个类别，P(Fm|C＝Cq)是第k个训练样本的类别为Cq时，第j个蕨特征的似然度，J为第k个训练样本的蕨特征的总数；为第一分类器对第k个训练样本的分类结果；所述第k个训练样本为所述训练样本集中任一训练样本。可选地，所述决策树为回归树。可选地，所述利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，包括：对已获得的p-1个决策树分类器误分类的训练样本的权重进行更新，1≤p≤P，并根据更新后的训练样本的权重，进行第p轮的训练，获得第p个决策树分类器，其中，采用如下步骤获得第p个决策树分类器：从待划分的训练样本的亮度比较特征集合中选取部分亮度比较特征；根据所选取的所述部分亮度比较特征对所述待划分的训练样本进行分类；根据更新后的所述训练样本集中各训练样本的权重，采用最小化加权均方差准则训练所述第p个决策树的划分节点，直至达到所述第p个决策树的最大深度。可选地，采用如下公式对第k个训练样本的权重进行更新：wk’＝wk·exp(-lkTp(Sk))；其中，Tp(Sk)是第p个决策树分类器在所述第k个训练样本的数据为Sk时，对所述第k个训练样本的输出值；wk、lk分别是所述第k个训练样本的权重、真实值；wk’为对所述第k个训练样本的权重wk更新后的权重。可选地，所述第二分类器的分类方法如下：其中，Tp(S)是第p个决策树分类器在训练样本的数据为S时，对所述训练样本的数据为S的训练样本的输出值；αp是第p个决策树分类器的权重，H(S)为所述第二分类器对所述训练样本的数据为S的训练样本的分类结果。可选地，所述根据所述亮度比较特征获得对应的蕨特征，包括：根据条件互信息准则，从每个训练样本的亮度比较特征中选取部分亮度比较特征，并将所选取的部分亮度比较特征作为第j个蕨特征，其中，j为正整数。本专利技术实施例还提供了一种人脸检测方法，所述方法包括：遍历待检测图像，获得待检测子图像集，所述待检测子图像集中每一待检测子图像对应一窗口；将各所述待检测子图像依次带入人脸检测器的第一分类器及第二分类器中进行人脸检测，将通过所述第一分类器及第二分类器的待检测子图像判定为所述待检测图像的人脸检测结果；其中，通过采集人脸和非人脸图像作为训练样本集，提取所述训练样本集中各个训练样本的亮度比较特征，并根据所述亮度比较特征获得对应的蕨特征，利用所述蕨特征及贝叶斯定理进行训练得到所述第一分类器，并利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，P≥1，且P为整数，将所述P个决策树分类器级联形成所述第二分类器；所述将所述判定为待检测图像的人脸检测结果进行聚类，得到所述待检测图像的人脸图像；输出所述待检测图像中所述人脸图像的位置。可选地，所述第一分类器分类方法如下：其中，Fj是所述训练样本集中第k个训练样本的第j个蕨特征；Cq是第q个类别，P(Fm|C＝Cq)是第k个训练样本的类别为Cq时，第j个蕨特征的似然度，J为第k个训练样本的蕨特征的总数；为第一分类器对第k个训练样本的分类结果；所述第k个训练样本为所述训练样本集中任一训练样本。可选地，所述决策树为回归树。可选地，所述利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，包括：对已获得的p-1个决策树分类器误分类的训练样本的权重进行更新，1≤p≤P，并根据更新后的训练样本的权重，进行第p轮的训练，获得第p个决策树分类器，其中，采用如下步骤获得第p个决策树分类器：从待划分的训练样本的亮度比较特征集合中选取部分亮度比较特征；根据所选取的所述部分亮度比较特征对所述待划分的训练样本进行分类；根据更新后的所述训练样本集中各训练样本的权重，采用最小化加权均方差准则训练所述第p个决策树的划分节点，直至达到所述第p个决策树的最大深度。可选地，采用如下公式对第k个训练样本的权重进行更新：wk’＝wk·exp(-lkTp(Sk))；其中，Tp(Sk)是第p个决策树分类器在所述第k个训练样本的数据为Sk时，对所述第k个训练样本的输出值；wk、lk分别是所述第k个训练样本的权重、真实值；wk’为对所述第k个训练样本的权重wk更新后的权重。可选地，所述第二分类器的分类方法如下：其中，Tp(S)是第p个决策树分类器在训练样本的数据为S时，对所述训练样本的数据为S的训练样本的分类结果；αp是第p个决策树分类器的权重，H(S)为所述第二分类器对所述训练样本的数据为S的训练样本的分类结果。可选地，所述根据所述亮度比较特征获得对应的蕨特征，包括：本文档来自技高网...

【技术保护点】
一种人脸检测器的训练方法，其特征在于，所述人脸检测器包括第一分类器及第二分类器，所述方法包括：采集人脸和非人脸图像作为训练样本集；提取所述训练样本集中各个训练样本的亮度比较特征；根据所述亮度比较特征获得对应的蕨特征；利用所述蕨特征及贝叶斯定理进行训练，得到所述第一分类器；利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，P≥1，且P为整数；将所述P个决策树分类器级联形成所述第二分类器。

【技术特征摘要】
1.一种人脸检测器的训练方法，其特征在于，所述人脸检测器包括第一分类器及第二分类器，所述方法包括：采集人脸和非人脸图像作为训练样本集；提取所述训练样本集中各个训练样本的亮度比较特征；根据所述亮度比较特征获得对应的蕨特征；利用所述蕨特征及贝叶斯定理进行训练，得到所述第一分类器；利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，P≥1，且P为整数；将所述P个决策树分类器级联形成所述第二分类器。2.如权利要求1所述的人脸检测器的训练方法，其特征在于，所述第一分类器分类方法如下：其中，Fj是所述训练样本集中第k个训练样本的第j个蕨特征；Cq是第q个类别，P(Fm|C＝Cq)是第k个训练样本的类别为Cq时，第j个蕨特征的似然度，J为第k个训练样本的蕨特征的总数；为第一分类器对第k个训练样本的分类结果；所述第k个训练样本为所述训练样本集中任一训练样本。3.如权利要求1所述的人脸检测器的训练方法，其特征在于，所述决策树为回归树。4.如权利要求3所述的人脸检测器的训练方法，其特征在于，所述利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，包括：对已获得的p-1个决策树分类器误分类的训练样本的权重进行更新，1≤p≤P，并根据更新后的训练样本的权重，进行第p轮的训练，获得第p个决策树分类器，其中，采用如下步骤获得第p个决策树分类器：从待划分的训练样本的亮度比较特征集合中选取部分亮度比较特征；根据所选取的所述部分亮度比较特征对所述待划分的训练样本进行分类；根据更新后的所述训练样本集中各训练样本的权重，采用最小化加权均方差准则训练所述第p个决策树的划分节点，直至达到所述第p个决策树的最大深度。5.如权利要求4所述的人脸检测器的训练方法，其特征在于，采用如下公式对第k个训练样本的权重进行更新：wk’＝wk·exp(-lkTp(Sk))；其中，Tp(Sk)是第p个决策树分类器在所述第k个训练样本的数据为Sk时，对所述第k个训练样本的输出值；wk、lk分别是所述第k个训练样本的权重、真实值；wk’为对所述第k个训练样本的权重wk更新后的权重。6.权利要求3所述的人脸检测器的训练方法，其特征在于，所述第二分类器的分类方法如下：其中，Tp(S)是第p个决策树分类器在训练样本的数据为S时，对所述训练样本的数据为S的训练样本的输出值；αp是第p个决策树分类器的权重，H(S)为所述第二分类器对所述训练样本的数据为S的训练样本的分类结果。7.如权利要求1所述的人脸检测器的训练方法，其特征在于，所述根据所述亮度比较特征获得对应的蕨特征，包括：根据条件互信息准则，从每个训练样本的亮度比较特征中选取部分亮度比较特征，并将所选取的部分亮度比较特征作为第j个蕨特征，其中，j为正整数。8.一种人脸检测方法，其特征在于，包括：遍历待检测图像，获得待检测子图像集，所述待检测子图像集中每一待检测子图像对应一窗口；将各所述待检测子图像依次带入人脸检测器的第一分类器及第二分类器中进行人脸检测，将通过所述第一分类器及第二分类器的待检测子图像判定为所述待检测图像的人脸检测结果；其中，通过采集人脸和非人脸图像作为训练样本集，提取所述训练样本集中各个训练样本的亮度比较特征，并根据所述亮度比较特征获得对应的蕨特征，利用所述蕨特征及贝叶斯定理进行训练得到所述第一分类器，并利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，P≥1，且P为整数，将所述P个决策树分类器级联形成所述第二分类器；将所述判定为待检测图像的人脸检测结果进行聚类，得到所述待检测图像的人脸图像；输出所述待检测图像中所述人脸图像的位置。9.如权利要求8所述的人脸检测方法，其特征在于，所述第一分类器分类方法如下：其中，Fj是所述训练样本集中第k个训练样本的第j个蕨特征；Cq是第q个类别，P(Fm|C＝Cq)是第k个训练样本的类别为Cq时，第j个蕨特征的似然度，J为第k个训练样本的蕨特征的总数；为第一分类器对第k个训练样本的分类结果；所述第k个训练样本为所述训练样本集中任一训练样本。10.如权利要求8所述的人脸检测方法，其特征在于，所述决策树为回归树。11.如权利要求10所述的人脸检测方法，其特征在于，所述利用所述亮度比较特征及最小化加权均方差准则进行P轮训练，得到P个决策树分类器，包括：对已获得的p-1个决策树分类器误分类的训练样本的权重进行更新，1≤p≤P，并根据更新后的训练样本的权重，进行第p轮的训练，获得第p个决策树分类器，其中，采用如下步骤获得第p个决策树分类器：从待划分的训练样本的亮度比较特征集合中选取部分亮度比较特征；根据所选取的所述部分亮度比较特征对所述待划分的训练样本进行分类；根据更新后的所述训练样本集中各训练样本的权重，采用最小化加权均方差准则训练所述第p个决策树的划分节点，直至达到所述第p个决策树的最大深度。12.如权利要求11所述的人脸检测方法，其特征在于，采用如下公式对第k个训练样本的权重进行更新：wk’＝wk·exp(-lkTp(Sk))；其中，Tp(Sk)是第p个决策树分类器在所述第k个训练样本的数据为Sk时，对所述第k个训练样本的输出值；wk、lk分别是所述第k个训练样本的权重、真实值；wk’为对所述第k个训练样本的权重wk更新后的权重。13.权利要求10所述的人脸检测方法，其特征在于，所述第二分类器的分类方法如下：其中，Tp(S)是第p个决策树分类器在训练样本的数据为S时，对所述训练样本的数据为S的训练样本的分类结果；αp是第p个决策树分类器的权重，H(S)为所述第二分类器对所述训练样本的数据为S的训练样本的分类结果。14.如权利要求8所述的人脸检测方法，其特征在于，所述根据所述亮度比较特征获得对应的蕨特征，包括：根据条件互信息准则，从每个训练样本的亮度比较特征中选取部分亮度比较特征，并将所选取的部分亮度比较特征作为第j个蕨特征，其中，j为正整数。15.如权利要求8所述的人脸检测方法，其特征在于，还包括：对原始图像进行降采样处理后获得多个不同尺度的图像，将所述多个不同尺度的图像分别作为所述待检测图像；分别将各待检测图像的人脸检测结果进行升采样处理后再进行聚类。16.如权利要求8所述的人脸检测方法，其特征在于，在所述将所述判定为待检测图像的人脸检测结果进行聚类后，还包括：分别对与所述待检测图像相邻的预设帧数的图像的人脸检测结果进行聚类；对每一帧图像聚类后的结果进行加权处理，并将加权处理后的结果作为所述待检测图像中的人脸图像。17.如权利要求8-16任一项所述的人脸检测方法，其特征在于，所述将所述判定为待检测图像的人脸检测结果进行聚类，得到所述待检测图像的人脸图像，包括：在通过所述第一分类器及第二分类器的待检测子图像中，搜索所有相连接的待检测子图像，将相连接的待检测子图像作为一个聚类；对每个聚类中的所有待检测子图像进行平均操作，生成新的待检测子图像；在所有所述新的待检测子图像中，剔除嵌入待检测子图像，将剩余的所述新的待检测子图像进行合并，得到所述待检测图像的人脸图像。18.一种人脸检测器的训练装置，其特征在于，所述人脸检测器包括第一分类器及第二分类器，所述装置包括：采集单元，适于采集人脸和非人脸图像作为训练样本集；第一特征提取单元，适于提取所述训练样本集中各个训练样本的亮度比较特征；第二特征提取单元，适于根据所述亮度比较特征获得对应的蕨特征；第一训练单元，适于利用所述蕨特征及贝叶斯定...

【专利技术属性】
技术研发人员：刘阳，陈敏杰，潘博阳，郭春磊，林福辉，
申请(专利权)人：展讯通信天津有限公司，
类型：发明
国别省市：天津,12