一种定点型人脸的检测方法技术

公开了一种定点型人脸检测方法，该方法对AdaBoost人脸检测算法中的瀑布式级联分类器中相关训练浮点型模型参数实现定点数转换处理，并对相关浮点计算过程进行定点化计算转换，该方法具体包括步骤：(1)根据瀑布式级联分类器中强分类器和弱分类器的分类计算特点，对强分类器和弱分类器的相关参数在标定意义上进行有效分离；(2)根据弱分类器的分类计算特点进行θ参数的浮点数转定点数处理、Harr特征的计算、积分图计算的定点化计算；(3)根据强分类器的分类计算特点及参数定义进行强分类器中at和a_th的浮点数转定点数处理；(4)将AdaBoost人脸检测算法的浮点计算转化为定点计算。

【技术实现步骤摘要】

本专利技术属于模式识别
，具体涉及到，即对正面端正人脸的检测判别方法。
技术介绍
人脸检测技术一直是模式识别和计算机视觉等领域的研究热点，具有十分广泛的应用前景。在人脸检测研究领域，以Paul Viola提出的AdaBoost算法为里程碑，使人脸检测技术走向实用，AdaBoost算法与以往的人脸检测算法相比具有较高检测精度及快速性，已成为人脸检测实时系统的首选算法。AdaBoost算法是众多人脸检测算法的一种快速算法，但由于算法中大部分训练模型参数均为浮点数，计算过程也为浮点计算，这在一定程度上影响了人脸检测算法的实时 性能，也影响了在定点型嵌入式设备上使用。
技术实现思路
本专利技术的技术解决问题是克服以上技术的不足，提供一种人脸检测速度快并利于算法在定点型嵌入式设备上的定点型人脸的检测方法。本专利技术的技术解决方案是这种定点型人脸的检测方法，对AdaBoost人脸检测算法中的瀑布式级联分类器中相关训练模型参数进行浮点数转定点数处理，并对相关浮点计算过程进行定点化计算转换，该方法具体包括以下步骤(I)根据瀑布式级联分类器中强分类器和弱分类器的分类计算特点，对强分类器和弱分类器的相关参数在标定意义上进行有效分离；(2)根据弱分类器的分类计算特点进行Θ参数的浮点数转定点数处理、Harr特征的计算、积分图计算的定点化计算；(3)根据强分类器的分类计算特点及参数定义进行强分类器中at和a_th的浮点数转定点数处理；(4)将AdaBoost人脸检测算法的浮点计算转化为定点计算。由于该方法提供了分类器中浮点模型参数转化为定点数的转换方法，以及相关浮点计算转为定点计算的转换方法，所以能够速度快、实现实时检测，并且该方法利于在定点型嵌入式设备上实现移植与进一步优化。附图说明图I示出了根据本专利技术的基于AdaBoost算法的人脸检测流程；图2示出了根据本专利技术的用缩放算法得到的金字塔图像集合；图3a_3e不出了 5种Harr特征；图4示出了根据本专利技术的基于AdaBoost算法的级联式人脸检测器。具体实施例方式按Paul Viola提出的AdaBoost算法理论,本申请人实现了人脸检测原型算法。算法流程为对当前图像以一定缩小比例进行缩小，直至图像接近24*24止，组成金字塔形图像集合，在图像集合中，以一定步进规则，按24*24大小,使用AdaBoost算法搜索人脸图像，如搜索到人脸图像，标定人脸位置，并记录所在的金字塔图像及缩小比例，所有图像搜索完毕后，按记录位置及缩小比例换算到与原始图像大小对应的位置，该位置即为检测到人脸位置。图I示出了根据本专利技术的基于AdaBoost算法的人脸检测流程。图2示出了根据本专利技术的用缩放算法得到的金字塔图像集合。人脸检测算法流程中，AdaBoost人脸检测器由积分图像计算、归一化均值及均方差检测(用于人脸位置的初步检测)、Harr特征计算和瀑布式级联分类器组成。I)积分图像及平方积分图对于图像内一点A (X、y),定义其积分图ii(x、y)为 (x，>0= y') x'<x,y'<y其中ii(x' , Y')为图像中各个像素的亮度Y分量为点(X' , Y')处的“原始图”，即Y分量(对于彩色图像，通常是以RGB来描述，也可以用YUV来描述，Y分量表示图像亮度，U和V为色差信号，多用于数字视频信号中)，其值为O 255。对于图像内一点A(x、y),定义其平方积分图ii2(x、y)为2(χ，>0= Σ ,)积分图像和平方积分图像均可由迭代方法求出。2) Harr特征计算利用积分图像计算5种Harr特征，分别为当特征如图3a所示时，计算方法BCEF-ABDE= (B+F-C-E) - (A+E-B-D) = D+F-A-C+2 (B-E)当特征如图3b所示时，计算方法BCEF-ABDE= (B+F-C-E) - (A+E-B-D) = D+F-A-C+2 (B-E)当特征如图3c所示时，计算方法CDGH+ABEF-2BCFG= ADEH-3BCFG = A+H-D-E+3 (C+F-B-G)当特征如图3d所示时，计算方法CDGH+ABEF-2BCFG= ADEH-3BCFG = A+H-D-E+3 (C+F-B-G)当特征如图3e所示时，计算方法ABDE+EFHI-BCEF-DEGH= A+E-B-D+E+I-H-F+E+G-D-H+E+C-B-F= 4E-2(B+D-H-F)+A+C+G+I3)瀑布式级联分类器瀑布式级联分类器为机器学习训练得到，其级联形式如图4所示，包含数级强分类器(节点分类器)，每级强分类器又包含不同级数的弱分类器。所选取的Harr特征先进行弱分类器分类，分类结果经强分类器加权求和得到该级强分类器的分类结果。如不是人脸，将退出，并做出“不是人脸”的判断；如是人脸，将进入下一级分类器再进行分类判断，直至完成所有分类器的分类判断，即所有强分类器均判定为人脸，则瀑布式级联分类器做出最终判断“该区域为人脸”。—个弱分类器h(x, f, p, s, Θ )由一个特征f,阈值Θ和指示不等号方向的P组成，弱分类器的分类结果为本文档来自技高网...

【技术保护点】
一种定点型人脸的检测方法，其特征在于，对AdaBoost人脸检测算法中的瀑布式级联分类器中相关训练模型参数进行浮点数转定点数处理，并对相关浮点计算过程进行定点化计算转换，该方法具体包括以下步骤：(1)根据瀑布式级联分类器中强分类器和弱分类器的分类计算特点，对强分类器和弱分类器的相关参数在标定意义上进行有效分离；(2)根据弱分类器的分类计算特点进行θ参数的浮点数转定点数处理、Harr特征的计算、积分图计算的定点化计算；(3)根据强分类器的分类计算特点及参数定义进行强分类器中at和a_th的浮点数转定点数处理；(4)将AdaBoost人脸检测算法的浮点计算转化为定点计算。

【技术特征摘要】
1.一种定点型人脸的检测方法，其特征在于，对AdaBoost人脸检测算法中的瀑布式级联分类器中相关训练模型参数进行浮点数转定点数处理，并对相关浮点计算过程进行定点化计算转换，该方法具体包括以下步骤 (1)根据瀑布式级联分类器中强分类器和弱分类器的分类计算特点，对强分类器和弱分类器的相关参数在标定意义上进行有效分离； (2)根据弱分类器的分类计算特点进行Θ参数的浮点数转定点数处理、Harr特征的计算、积分图计算的定点化计算； (3)根据强分类器的分类计算特点及参数定义进行强分类器中at和a_th的浮点数转定点数处理； (4)将Ada...

【专利技术属性】
技术研发人员：丘江，杨慧松，张海峰，杨晔，艾奇，
申请(专利权)人：北京汉邦高科数字技术股份有限公司，
类型：发明
国别省市：