一种基于结构化模型的人脸检测方法技术

本发明专利技术公开了一种基于结构化模型的人脸检测方法，其包括如下步骤：训练结构化的人脸检测模型，其中包括全局人脸，部件，以及部件与全局人脸之间的空间关系模型，在该模型中，每个部件都有相应的子类别，并且每个部件都可以进行相应的移动来根据样本进行自适应的调整；同时，使用基于短语模型的身体检测器进行身体的检测，并利用身体的检测器来估计人脸的位置；最后训练一个上下文模型来融合上述两者的检测，得到最终的检测结果。本发明专利技术能够提高人脸检测精度，具有对遮挡，形变，姿态，光照等复杂变化下的鲁棒性，本发明专利技术检测精度高，适应范围广。

【技术实现步骤摘要】

本专利技术涉及图像处理与模式识别
，尤其是。
技术介绍
人脸检测在基于人脸的计算机视觉、模式识别应用中占有很重要的地位，例如视频监控和身份识别系统等。对于大部分的人脸应用，都首先需要对人脸进行精确的检测。传统的人脸检测方法，往往遵循一个固定的框架:首先采集训练样本，在固定的区域提取特定的固定纹理特征，然后将这些纹理特征放到某个分类器中进行训练，从而得到一个人脸检测模型；对于待检测的样本，则也在相应的位置抽取固定的纹理特征并与训练好的分类器进行对比，获取一个置信分数，从而判断其是否为人脸。这种方法在人脸的姿态变化不大的条件下可以获得较好的效果，但是在实际应用时，不同个体的脸部五官比例并不是一样的。即使对于同一个体，由于姿态表情等变化，其五官的外观状态也是不确定的(如闭眼和睁眼)。因此由于人脸部的这种多样性，传统的人脸检测并不能达到令人满意的效果。
技术实现思路
本专利技术的目的是克服现有技术中存在的不足，提供，该方法在检测的时候可以根据样本进行自适应的调整。本专利技术所提出的包括如下步骤:步骤1，对于图像数据库，手工标定含有人脸和不含有人脸的图像作为训练样本，含有人脸的图像为正样本{Ia，Ha}，不含有人脸的图像为负样本{Ib}，其中，Ha为训练正样本Ia中人工标定出的人脸配直；步骤2，对所述正样本中的各个部件按照其表象特征进行聚类，得到人脸各个部件的若干子类，所述人脸所在的位置，人脸各个部件所在的位置及各个部件的子类组成一人脸配置H,其中，H = {h0, h1； h2,..., hN}, h0为人脸所在的位置九={li； tj为人脸第i个部件所在的位置，Ii表示第i个部件所在的位置坐标，其包含该部件的左上角坐标(Xi，yi)，高度和宽度山为第i个部件所属子类的标签；步骤3，建立融合了人脸全局和部件的表象特征，以及全局与部件之间的空间关系的结构化人脸检测模型Vi步骤4，利用结杓化支持向量机的参数学习方法在所述步骤I手工标定的训练样本集上学习得到所述结构化人脸检测模型的最优参数，从而得到最优结构化人脸检测模型；步骤5，输入待检测图像，根据所述最优结构化人脸检测模型，利用能量目标函数来寻找所述待检测图像中最优的人脸配置H* ;步骤6，对于所述数据库中的每一幅图像，通过手工标定得到带有人脸位置和身体关节点的训练样本，用于产生描述身体的短语；步骤7，根据所述短语对应的训练样本，利用常用的形变部件模型训练基于短语的身体检测器，其中，每个短语对应一个身体检测器；步骤8，将所述待检测图像与上述训练得到的每一个基于短语的身体检测器进行匹配，得到检测到的短语位置及其相应的匹配分数；步骤9，基于上述得到的身体检测器的检测结果估计人脸位置；步骤10，利用结构化的身体上下文模型融合每个身体检测器检测得到的身体位置与所述最优结构化人脸检测模型检测得到的人脸位置，得到最终的检测结果。本专利技术同时建模全局人脸，人脸的部件和全局人脸与部件人脸的空间关系，对人脸的每一个部件引入子类的概念，从而将最终可能表示的人脸组合达到指数级别。在利用模型检测的时候，通过优化一个目标函数来自动的求解最佳的部件位置和部件子类别，从而实现了自适应的人脸检测。为了学习模型的参数，本专利技术利用结构化支持向量机对模型的参数进行学习，对人的身体和人脸相对位置的空间关系进行建模，利用线性回归估计人脸位置；使用结构化的上下文模型来建模结构化人脸检测结果和身体的检测结果，推断最终的检测结果。本专利技术方法可以提高人脸检测精度，具有对遮挡，形变，姿态，光照等复杂变化下的鲁棒性，其检测精度高，适应范围广。附图说明图1是本专利技术基于结构化模型的人脸检测方法流程图。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。图1是本专利技术基于结构化模型的人脸检测方法流程图，如图1所示，所述基于结构化模型的人脸检测方法包括如下步骤:步骤1，对于图像数据库，手工标定含有人脸和不含有人脸的图像作为训练样本，含有人脸的图像为正样本,不含有人脸的图像为负样本,其中,对于正样本的标定包括标定整体的人脸位置和人脸的各个部件的位置。步骤2，对所述正样本中的各个部件按照其表象特征(比如HOG特征)进行聚类，得到人脸各个部件的若干子类，所述人脸所在的位置，人脸各个部件所在的位置及各个部件的子类组成一人脸配置H，其中，H= Ovh1A2,...，hN}，hQ为人脸所在的位置九={li；tj为人脸第i个部件所在的位置，Ii表示第i个部件所在的位置坐标，其包含该部件的左上角坐标(Xi，Yi)，高度和宽度山为第i个部件所属子类的标签。所述聚类可使用现有技术中常用的聚类算法，比如K-均值、谱聚类等聚类算法。在本专利技术的一实施例中，各个部件的子类集合中的子类个数设置为4。步骤3，建立融合了人脸全局和部件的表象特征，以及全局与部件之间的空间关系的结构化人脸检测模型.M ;所述结构化人脸检测模型別分为两个层次，第一层为全局的人脸表象模型，用来表示人脸的全局结构特征；第二层为人脸各部件的表象模型，用来表示人脸的纹理细节。除此之外，本专利技术对人脸各部件的表象模型与全局的人脸表象模型之间的空间关系做一个约束，那么所述结构化人脸检测模型> 就可以分解为:本文档来自技高网...

【技术保护点】
一种基于结构化模型的人脸检测方法，其特征在于，该方法包括以下步骤：?步骤1，对于图像数据库，手工标定含有人脸和不含有人脸的图像作为训练样本，含有人脸的图像为正样本{Ia，Ha}，不含有人脸的图像为负样本{Ib}，其中，Ha为训练正样本Ia中人工标定出的人脸配置；?步骤2，对所述正样本中的各个部件按照其表象特征进行聚类，得到人脸各个部件的若干子类，所述人脸所在的位置，人脸各个部件所在的位置及各个部件的子类组成一人脸配置H，其中，H＝{h0，h1，h2，...，hN}，h0为人脸所在的位置；hi＝{li，ti}为人脸第i个部件所在的位置，li表示第i个部件所在的位置坐标，其包含该部件的左上角坐标(xi，yi)，高度和宽度；ti为第i个部件所属子类的标签，N为部件的个数；?步骤3，建立融合了人脸全局和部件的表象特征，以及全局与部件之间的空间关系的结构化人脸检测模型步骤4，利用结构化支持向量机的参数学习方法在所述步骤1手工标定的训练样本集上学习得到所述结构化人脸检测模型的最优参数，从而得到最优结构化人脸检测模型；?步骤5，输入待检测图像I，根据所述最优结构化人脸检测模型，利用能量目标函数来寻找所述待检测图像中最优的人脸配置H*；?步骤6，对于所述数据库中的每一幅图像，通过手工标定得到带有人脸位置和身体关节点的训练样本，用于产生描述身体的短语；?步骤7，根据所述短语对应的训练样本，利用常用的形变部件模型训练基于短语的身体检测器，其中，每个短语对应一个身体检测器；?步骤8，将所述待检测图像与上述训练得到的每一个基于短语的身体检测器进行匹配，得到检测到的短语位置及其相应的匹配分数；?步骤9，基于上述得到的身体检测器的检测结果估计人脸位置；?步骤10，利用结构化的身体上下文模型融合每个身体检测器检测得到的身体位置与所述最优结构化人脸检测模型检测得到的人脸位置，得到最终的检测结果。?FDA00002739455100011.jpg...

【技术特征摘要】
1.种基于结构化模型的人脸检测方法，其特征在于，该方法包括以下步骤: 步骤1，对于图像数据库，手工标定含有人脸和不含有人脸的图像作为训练样本，含有人脸的图像为正样本{Ia, HJ，不含有人脸的图像为负样本{Ib}，其中，Ha为训练正样本Ia中人工标定出的人脸配置； 步骤2，对所述正样本中的各个部件按照其表象特征进行聚类，得到人脸各个部件的若干子类，所述人脸所在的位置，人脸各个部件所在的位置及各个部件的子类组成一人脸配置H,其中，H = {h0, h1； h2,..., hN}, h0为人脸所在的位置九={li； tj为人脸第i个部件所在的位置，Ii表示第i个部件所在的位置坐标，其包含该部件的左上角坐标(Xyyi)，高度和宽度山为第i个部件所属子类的标签，N为部件的个数； 步骤3，建立融合了人脸全局和部件的表象特征，以及全局与部件之间的空间关系的结构化人脸检测模型; 步骤4，利用结构化支持向量机的参数学习方法在所述步骤I手工标定的训练样本集上学习得到所述结构化人脸检测模型的最优参数，从而得到最优结构化人脸检测模型；步骤5，输入待检测图像I，根据所述最优结构化人脸检测模型，利用能量目标函数来寻找所述待检测图像中最优的人脸配置; 步骤6，对于所述数据库中的每一幅图像，通过手工标定得到带有人脸位置和身体关节点的训练样本，用于产生描述身体的短语； 步骤7，根据所述短语对应的训练样本，利用常用的形变部件模型训练基于短语的身体检测器，其中，每个短语对应一个身体检测器； 步骤8，将所述待检测图像与上述训练得到的每一个基于短语的身体检测器进行匹配，得到检测到的短语位置及其相应的匹配分数；步骤9，基于上述得到的身体检测器的检测结果估计人脸位置； 步骤10，利用结构化的身体上下文模型融合每个身体检测器检测得到的身体位置与所述最优结构化人脸检测模型检测得到的人脸位置，得到最终的检测结果。2.据权利要求1所述的方法，其特征在于，所述结构化人脸检测模型包括用来表示人脸的全局结构特征的全局的人脸表象模型，以及用来表示人脸的纹理细节的人脸各部件的表象模型。3.据权利要求1所述的方法，其特征在于，所述结构化人脸检测模型分解为:4.据权利要求1所述的方法，其特征在于，所述步骤4中采用的结构化支持向量机表示为:5.据权利要求3所述的方法，其特征在于，所述步骤4中在学习参数时，首先分别对所述全局的人脸表象模型M和人脸各部件的表象模型^基于所述结构化的支持向量机独立进行模型参数学习，从而得到所述全局的人脸表象模型和人脸各部件的表象模型 的最优参数；然后将所述全局的人脸表象模型M和人脸各部件的表象模型Mp的最优爹划.!乍为参数学习的初始值，再对所述结构化人脸检测模型uVl基于所述结构化的支持向量机进行模型参数学习，从而得到所...

【专利技术属性】
技术研发人员：李子青，雷震，闫俊杰，张旭聪，
申请(专利权)人：中国科学院自动化研究所，北京中科奥森科技有限公司，
类型：发明
国别省市：