【技术实现步骤摘要】
基于肤色联合Adaboost算法的人脸检测方法
[0001]本专利技术属于图像处理领域,具体为一种基于肤色联合Adaboost算法的人脸检测方法。
技术介绍
[0002]人脸检测计算机视觉技术下的一种应用。它旨在查找和识别数字图像中的人脸。而且,这是在图像中定位面部以执行面部识别的预备步骤的过程。人脸检测基本分为两个步骤:第一步就是找出一幅图像中是否含有人脸,第二步就是确定人脸在这幅图像中所在的位置。人脸检测可用于执法,生物识别和娱乐等各个领域。由于人脸检测技术的非接触式认证,直接,友好,方便的特点使得人脸检测技术的研究得到了广泛的研究和发展,已成为研究的热点。
[0003]目前,有四种方法用于人脸检测:基于统计的方法,特征不变方法,模板匹配方法和基于外观的方法。其中基于统计的检测方法用得比较多。基于统计的人脸检测方法主要有:Adaboost、神经网络方法、支持向量机方法、隐马尔可夫模型等。其中最成熟的方法是Adaboost方法。它是第一个实时的人脸检测算法。在这种情况下,2001年,Paul Viola和MichaelJones提出基于Haar
‑ꢀ
like特征的Adaboost人脸检测算法。现在Viola
–
Jones算法已被广泛用于面部检测。Viola
–
Jones算法使用AdaBoost训练作为机器学习来解决分类问题。它使用Haar级联分类器检测关键的面部特征,使用积分图像有效地计算矩形内像素的总和,并采用级联方法来检测人脸。
[0004] ...
【技术保护点】
【技术特征摘要】
1.一种基于肤色联合Adaboost算法的人脸检测方法,其特征在于,包括以下步骤:步骤1:对人脸图像进行预处理;步骤2:建立新的颜色空间YC
b
C
g
C
r
;步骤3:确定阈值模型以分割肤色和非肤色区域,得到初步的人脸检测候选图像;步骤4:利用Adaboost算法训练弱分类器,将不同训练集中的弱分类器组合成强分类器,强分类器串联成级联分类器;利用训练好的级联分类器对步骤3选出的候选图像进行第二次检测,得到最终的检测结果。2.如权利要求1所述的基于肤色联合Adaboost算法的人脸检测方法,其特征在于,对人脸图像进行预处理的具体过程为:将图像中所有像素的亮度从高到低进行排序,取前10%的像素L作为参考白,则参考白像素的亮度平均值aveGray为:aveGray=Gray
ref
/Gray
refNum
式中Gray
ref
为参考白灰度值;Gray
refNum
用为参考白像素数;计算光照补偿系数coe:coe=255/aveGray将原像素值分别乘以光照补偿系数coe,得到光照补偿后的图像;对光照补偿后的图像进行伽马矫正补偿,具体如下:对光照补偿后的图像进行归一化操作,具体采用rgb范数的方法对伽马矫正进行归一化,具体为:建立图像I(i,j),R、G、B分量与I(i,j)的关系:I(i,j)=R(i,j)+G(i,j)+B(i,j)其中,R(i,j),G(i,j),B(i,j)为红、绿、蓝分量在第(i,j)像素的值;采用范数概念:数概念:数概念:根据公式I
E
=(I
N
)
γ
,γ为常数,分别带入得到:,γ为常数,分别带入得到:,γ为常数,分别带入得到:通过反归一化,得到改进后的图像,四舍五入取整得到最终伽马增强图像I
′
。3.如权利要求1所述的基于肤色联合Adaboost算法的人脸检测方法,其特征在于,步骤2中新的肤色空间具体为:
R、G、B分别为红绿蓝分量。4.如权利要求1所述的基于肤色联合Adaboost算法的人脸检测方法,其特征在于,步骤3中所述肤色模型具体为:80<C
b
<135;133<C
r
<173;133<c
g
<173。5.如权利要求1所述的基于肤色联合Adaboost算法的人脸检测方法,其特征在于,步骤4利用Adaboost算法训练弱分类器,将不同训练集中的弱分类器组合成强分类器,强分类器再串联成级联分类器的具体方法为:步骤4.1:准备人脸及非人脸图片,分别标记为正、负样本,并且根据人脸不同部位特征提取出不同的haar特征;步骤4....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。