基于肤色联合Adaboost算法的人脸检测方法技术

本发明专利技术公开了一种基于肤色联合Adaboost算法的人脸检测方法，包括：对人脸图像进行预处理；建立新的颜色空间YC

【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]虽然adaboost算法在人脸检测上有许多优点，但是在检测过程中还是存在着准确率和检测效率不高的情况。

技术实现思路

[0005]本专利技术的目的在于提出了一种基于肤色联合Adaboost算法的人脸检测方法。
[0006]实现本专利技术目的的技术方案为：一种基于肤色联合Adaboost算法的人脸检测方法，包括以下步骤：
[0007]步骤1：对人脸图像进行预处理；
[0008]步骤2:建立新的颜色空间YC
b
C
g
C
r
；
[0009]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；
[0010]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。
[0011]优选地，对人脸图像进行预处理的具体过程为：
[0012]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：
[0013]aveGray＝Gray
ref
/Gray
refNum
[0014]式中Gray
ref
为参考白灰度值；Gray
refNum
用为参考白像素数；
[0015]计算光照补偿系数coe：
[0016]coe＝255/aveGray
[0017]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；
[0018]对光照补偿后的图像进行伽马矫正补偿，具体如下：
[0019]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：
[0020]建立图像I(i，j)，R、G、B分量与I(i，j)的关系：
[0021]I(i，j)＝R(i，j)+G(i，j)+B(i，j)
[0022]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；
[0023]采用范数概念：
[0024][0025][0026][0027]根据公式I
E
＝(I
N
)
γ
，γ为常数，分别带入得到：
[0028][0029][0030][0031]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
′
。
[0032]优选地，步骤2中新的肤色空间具体为：
[0033][0034]R、G、B分别为红绿蓝分量。
[0035]优选地，步骤3中所述肤色模型具体为：
[0036]80＜C
b
＜135；
[0037]133＜C
r
＜173；
[0038]133＜C
g
＜173。
[0039]优选地，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：
[0040]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；
[0041]步骤4.2：采用积分图的方法计算haar特征值；
[0042]步骤4.3：使用AdaBoost迭代算法训练弱分类器，弱分类器具体为：
[0043][0044]x是要检测的窗口，f是Haar特征值，θ是Haar特征的阈值，P用于控制不等式方向；
[0045]将Haar特征值排序，对排好序的每个特征计算全部正样本权重和T
+
、全部负样本的权重和T
‑
、该特征前正样本的权重和S
+
和该特征前负样本的权重和 S
‑
，选取当前特征的特征值Fk和它前面的一个特征值F
k
‑1之间的数作为阈值，该阈值的分类误差为：
[0046]e＝min(S
+
+(T
‑
‑
S
‑
)，S
‑
+(T
+
‑
S
+
))
[0047]将分类误差最小的Haar特征及其阈值记录下来，作为一个最优弱分类器；
[0048]步骤4.4：按照规则将弱分类器组成强分类器；
[0049]步骤4.5：将强分类器组成级联分类器。
[0050]优选地，构成的强分类器具体为：
[0051][0052][0053]式中，ε
t
＝∑
i
q
i
|h(x
i
，f，p，θ)
‑
y
i
|，
[0054]其中，ε
t
代表代表第t个弱分类器的误差，q
i
代表第i个训练样本在第i次迭代的权值，h(x
i
，f，p，θ)代表第i个弱分类器对第i个样本的判别值。y
i
＝1，表示人脸， y
i
＝0表示非人脸。
[0055]优选地，将强分类器组成级联分类器的具体方法为：
[0056]本文档来自技高网...

【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....

【专利技术属性】
技术研发人员：刘磊，汪继尧，谭鑫，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：