本發(fā)明涉及服務(wù)機(jī)器人技術(shù)領(lǐng)域，尤其涉及一種基于人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法。

背景技術(shù)：

當(dāng)前，市面上的機(jī)器人品種眾多，主要分為服務(wù)領(lǐng)域和工業(yè)領(lǐng)域。相對(duì)來說，工業(yè)領(lǐng)域的機(jī)器人技術(shù)較為成熟，使用廣泛，具有很高的實(shí)際生產(chǎn)價(jià)值；服務(wù)機(jī)器人領(lǐng)域相應(yīng)的產(chǎn)品相對(duì)較少，且成熟性較差，大部分當(dāng)前的服務(wù)機(jī)器人還停留在智能化較低的展示階段。

對(duì)于服務(wù)機(jī)器人智能引領(lǐng)方面，目前主要的方案有兩類，一類是不考慮后方人群是否跟上，即不存在服務(wù)機(jī)器人與人的智能交互能力，而是由機(jī)器人自行行走，人需要很好的跟上機(jī)器人，否則容易跟丟；另一類時(shí)使用激光傳感器進(jìn)行機(jī)器人跟隨功能，此方法通常采用距離地面不高的二維激光，對(duì)人腿進(jìn)行檢測(cè)與跟蹤，該方法比較適用于較為廣闊的場(chǎng)景，如果用在餐館等比較復(fù)雜的環(huán)境，則會(huì)由于桌子或凳子腿與人腿很相似而很容易跟蹤丟失，造成引領(lǐng)失敗。

因此，如何有效解決通過視覺處理，以引導(dǎo)服務(wù)機(jī)器人成為筮待解決的問題。

技術(shù)實(shí)現(xiàn)要素：

基于此，本發(fā)明的目的在于提供一種基于人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，解決現(xiàn)有技術(shù)存在的問題。

為了實(shí)現(xiàn)本發(fā)明的目的，提供一種基于人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，包括人臉檢測(cè)步驟和數(shù)據(jù)融合步驟；所述人臉檢測(cè)步驟，通過Haar特征與Adaboost分類器進(jìn)行人臉圖像檢測(cè)；所述數(shù)據(jù)融合步驟，用于處理逆光圖像；其中，所述Haar特征用于表征人臉特征，所述Adaboost分類器用于識(shí)別的人臉圖像。

在一些實(shí)施例中，所述Haar特征包括邊緣特征、線性特征、中心特征和對(duì)角線特征，所述邊緣特征、所述線性特征、所述中心特征和所述對(duì)角線特征組 合成特征模板。

在一些實(shí)施例中，所述特征模版包括白色矩形和黑色矩形，設(shè)定所述特征模版的特征值為白色矩形像素和減去黑色矩形像素和的值。

在一些實(shí)施例中，所述Adaboost分類器為Cascade Adaboost分類器；所述Cascade Adaboost分類器，由多個(gè)強(qiáng)Adaboost分類器級(jí)聯(lián)而成。

在一些實(shí)施例中，所述強(qiáng)Adaboost分類器的訓(xùn)練過程為：S11、給定訓(xùn)練樣本(x1，y1)，...，(xi，yi)，...，(xn，yn)，其中xi表示第i個(gè)樣本，yi＝0表示為負(fù)樣本，yi＝1表示為正樣本，n為訓(xùn)練樣本總數(shù)；S12、初始化訓(xùn)練樣本的權(quán)重；S13、第一次迭代，訓(xùn)練弱分類器，并計(jì)算弱分類器的錯(cuò)誤率；選取閾值，使得誤差最??；更新樣本權(quán)重；S14、T次循環(huán)，得到T個(gè)弱分類器，評(píng)價(jià)每一個(gè)弱分類器的重要性的權(quán)重進(jìn)行加權(quán)疊加，最終得到強(qiáng)分類器。

在一些實(shí)施例中，所述數(shù)據(jù)融合步驟之前，還包括逆光判斷步驟，首先建立圖像的灰度直方圖，然后對(duì)所述灰度直方圖分析從而判斷是否為逆光圖像；如果圖像為非逆光的正常圖像，則通過人臉檢測(cè)步驟識(shí)別；如果圖像為逆光圖，則通過數(shù)據(jù)融合步驟識(shí)別。

在一些實(shí)施例中，所述數(shù)據(jù)融合步驟采用HOG特征提取。

在一些實(shí)施例中，所述HOG特征提取為，S21、對(duì)圖像進(jìn)行灰度化；S22、對(duì)圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化；S23、計(jì)算圖像每個(gè)像素的梯度；S24、將圖像劃分成小單元；S25、統(tǒng)計(jì)每個(gè)單元的梯度直方圖，形成每個(gè)單元的描述器；S26、將不定數(shù)個(gè)單元組成一個(gè)塊，所述塊內(nèi)所有單元的特征描述器串聯(lián)，得到所述塊的HOG特征描述器；S27、將圖像內(nèi)的所有塊的HOG特征描述器串聯(lián)，得到所述圖像的HOG特征描述器。

區(qū)別于現(xiàn)有技術(shù)，上述人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，通過人臉檢測(cè)步驟和數(shù)據(jù)融合步驟，結(jié)合視覺傳感器得到的圖像數(shù)據(jù)，對(duì)周圍環(huán)境進(jìn)行分析與處理，從而提高機(jī)器人的智能性。

【附圖說明】

圖1為本發(fā)明一個(gè)實(shí)施例中基于人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法的分類器訓(xùn)練過程圖。

圖2為本發(fā)明一個(gè)實(shí)施例中基于人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法的灰度直方圖。

圖3為本發(fā)明一個(gè)實(shí)施例中基于人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法的HOG特征提取圖。

【具體實(shí)施方式】

為詳細(xì)說明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實(shí)現(xiàn)目的及效果，以下結(jié)合實(shí)施方式并配合附圖詳予說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用來限定本發(fā)明。

一種人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，包括人臉檢測(cè)步驟和數(shù)據(jù)融合步驟；該人臉檢測(cè)步驟，通過Haar特征與Adaboost分類器進(jìn)行人臉圖像檢測(cè)；數(shù)據(jù)融合步驟，用于逆光圖像處理。

其中，Haar特征用于表征人臉特征，Adaboost分類器用于識(shí)別的人臉圖像。

本發(fā)明的人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，通過人臉檢測(cè)步驟和數(shù)據(jù)融合步驟，結(jié)合視覺傳感器得到的圖像數(shù)據(jù)，對(duì)周圍環(huán)境進(jìn)行分析與處理，從而提高機(jī)器人的智能性。

在本發(fā)明的具體實(shí)施例中，一種人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，包括人臉檢測(cè)步驟和數(shù)據(jù)融合步驟；該人臉檢測(cè)步驟，通過Haar特征與Adaboost分類器進(jìn)行人臉圖像檢測(cè)；數(shù)據(jù)融合步驟，用于逆光圖像處理。

其中，Haar特征用于表征人臉特征，Adaboost分類器用于識(shí)別的人臉圖像。Haar特征包括邊緣特征、線性特征、中心特征和對(duì)角線特征，并組合成特征模板。

可優(yōu)選的，特征模版包括白色和黑色兩種，并設(shè)定特征模版的特征值為白色矩形像素和減去黑色矩形像素和的值。該Haar特征值反映了圖像的灰度變化情況。

例如：臉部的一些特征由矩形特征簡單的描述，如：眼睛要比臉頰顏色要深，鼻梁兩側(cè)比鼻梁顏色要深，嘴巴比周圍顏色要深等。矩形特征僅對(duì)一些簡單的圖形結(jié)構(gòu)，如邊緣、線段較敏感，因此只能描述特定走向，水平、垂直、 對(duì)角的結(jié)構(gòu)。

為加快算法的運(yùn)行速度，在一些實(shí)施例中，Adaboost分類器為Cascade Adaboost分類器；該Cascade Adaboost分類器，由多個(gè)強(qiáng)Adaboost分類器級(jí)聯(lián)而成。該強(qiáng)Adaboost分類器分類判別能力逐級(jí)加強(qiáng)，每級(jí)分類器保證低漏識(shí)別率，將難以識(shí)別的人臉圖像送入下一級(jí)分類器。

每一級(jí)分類器都是一個(gè)強(qiáng)Adaboost分類器，其訓(xùn)練過程是一個(gè)迭代的過程，用于自適應(yīng)地改變訓(xùn)練樣本的分布，使得分類器聚焦在那些很難分的樣本上；如圖1所示，該強(qiáng)Adaboost分類器的訓(xùn)練過程為：

S11、給定訓(xùn)練樣本(x1、y1)，...，(xi、yi)，...，(xn、yn)，其中xi表示第i個(gè)樣本，yi＝0表示為負(fù)樣本，yi＝1表示為正樣本，n為訓(xùn)練樣本總數(shù)；

S12、初始化訓(xùn)練樣本的權(quán)重；

S13、第一次迭代，訓(xùn)練弱分類器，并計(jì)算弱分類器的錯(cuò)誤率；選取閾值，使得誤差最小；更新樣本權(quán)重；

S14、經(jīng)過T次循環(huán)后，得到T個(gè)弱分類器，評(píng)價(jià)每一個(gè)弱分類器的重要性的權(quán)重進(jìn)行加權(quán)疊加，最終得到強(qiáng)分類器。

服務(wù)機(jī)器人在實(shí)際的生活場(chǎng)景中，會(huì)存在很多圖像質(zhì)量不好的情況，最為常見的情況是相機(jī)的逆光問題。對(duì)于該情況是無法避免，且經(jīng)常出現(xiàn)，因此該引領(lǐng)系統(tǒng)必須要解決這樣的問題，才能真正的實(shí)際生活中使用。在相機(jī)逆光時(shí)，由于相機(jī)的自動(dòng)曝光效果，使得背景很亮，而其他的物體，比如人臉，會(huì)相對(duì)較暗淡，從而影響人臉檢測(cè)的效果。

需對(duì)當(dāng)前相機(jī)采集得到的圖像進(jìn)行判斷，即判斷當(dāng)前是否是逆光情況，通過實(shí)際實(shí)驗(yàn)并對(duì)逆光和正常光線下的圖像進(jìn)行分析，得到在逆光時(shí)，其灰度直方圖是兩端尖峰，中間低矮的分布，而正常的圖像是灰度分布相對(duì)較為均勻。如圖2所示，左邊的為逆光情況的灰度直方圖，右邊的為正常圖像的灰度直方圖。

據(jù)此，在數(shù)據(jù)融合步驟之前，還包括逆光判斷步驟，首先建立圖像的灰度直方圖，然后對(duì)所述灰度直方圖分析從而判斷是否為逆光圖像；如果圖像為非逆光的正常圖像，則通過人臉檢測(cè)步驟識(shí)別；如果圖像為逆光圖，則通過數(shù)據(jù) 融合步驟識(shí)別，結(jié)合激光數(shù)據(jù)進(jìn)行判斷。

本發(fā)明實(shí)施例中，服務(wù)機(jī)器人將二維激光安裝在較低的位置，相機(jī)安裝在機(jī)器人的正上方，使用機(jī)械的尺寸圖，獲得相機(jī)與激光坐標(biāo)系之間的R和T，從而將二維激光投影到圖像上。根據(jù)激光數(shù)據(jù)，粗略獲得類似人腿的位置再將其對(duì)應(yīng)的位置投影到圖像上，在圖像上形成可疑區(qū)域，再對(duì)該區(qū)域進(jìn)行進(jìn)一步分析。

通過對(duì)逆光條件分析，可以獲得人體的粗略輪廓，本發(fā)明數(shù)據(jù)融合步驟采用HOG特征提取作為人體上半身的檢測(cè)器。其中，方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征是在計(jì)算機(jī)視覺和圖像處理中用于進(jìn)行物體檢測(cè)的特征描述子，通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。

可優(yōu)選的，如圖3所示，該HOG特征提取為：

S21、對(duì)圖像進(jìn)行灰度化；即將圖像看做一個(gè)x、y、z灰度的三維圖像；

S22、對(duì)圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化；

具體地，采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化(歸一化)；以調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾。

S23、計(jì)算圖像每個(gè)像素的梯度；該梯度信息包括大小和方向，用于捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾；

S24、將圖像劃分成小單元cells，本發(fā)明實(shí)施例中，例如為6*6像素/cell；

S25、統(tǒng)計(jì)每個(gè)單元cell的梯度直方圖，不同梯度的個(gè)數(shù)，形成每個(gè)單元的描述器descriptor；

S26、將不定數(shù)個(gè)單元cell組成一個(gè)塊block，所述塊block內(nèi)所有單元cell的特征描述器串聯(lián)，得到所述塊的HOG特征描述器descriptor；

S27、將圖像內(nèi)的所有塊block的HOG特征描述器串聯(lián)，得到所述圖像的HOG特征描述器descriptor。

本發(fā)明實(shí)施例，具體應(yīng)用中，人臉檢測(cè)對(duì)人臉模型進(jìn)行訓(xùn)練，才可以在檢測(cè)階段進(jìn)行使用。其訓(xùn)練過程使用bootstrapping算法完成并實(shí)現(xiàn)；其訓(xùn)練樣 本為24*24像素大小的正面人臉10000張，只截取其中的五官區(qū)域，不包括人臉的輪廓和頭發(fā)。

負(fù)樣本通過對(duì)5000多張大小不一的非人臉圖像進(jìn)行裁取獲得，可以使算法最后檢測(cè)時(shí)速度較快，手動(dòng)設(shè)置初始第一級(jí)分類器為只有一個(gè)強(qiáng)Adaboost。在訓(xùn)練過程中，使用2000張正負(fù)樣本作為驗(yàn)證集，以確保每個(gè)級(jí)聯(lián)的分類器具有較好的效果。

在對(duì)多傳感器數(shù)據(jù)融合部分，對(duì)逆光圖像和正常圖像進(jìn)行統(tǒng)計(jì)，即計(jì)算灰度直方圖的低區(qū)域、高區(qū)域和中間區(qū)域的灰度閾值，使用多幅圖像進(jìn)行邏輯回歸來獲得相應(yīng)的參數(shù)。

同時(shí)，對(duì)人體上半身的HOG分類器進(jìn)行訓(xùn)練，訓(xùn)練正樣本為2000張，負(fù)樣本2000張，通過手動(dòng)裁剪獲得樣本。為加快檢測(cè)時(shí)的計(jì)算能力，需對(duì)滑動(dòng)窗口的灰度值的均值和方差進(jìn)行初步判斷，以過濾很多非人體區(qū)域，加速計(jì)算。

本發(fā)明的人臉檢測(cè)的服務(wù)機(jī)器人視覺引領(lǐng)方法，通過人臉檢測(cè)步驟和數(shù)據(jù)融合步驟，結(jié)合視覺傳感器得到的圖像數(shù)據(jù)，對(duì)周圍環(huán)境進(jìn)行分析與處理，從而提高機(jī)器人的智能性，以及融合二維的激光數(shù)據(jù)，進(jìn)行輔助判斷，尤其對(duì)于光線條件不好的場(chǎng)景，可以更好的提高系統(tǒng)的適用性；解決當(dāng)前市面上的服務(wù)機(jī)器人引領(lǐng)時(shí)可能會(huì)出現(xiàn)的錯(cuò)誤情況，同時(shí)解決相機(jī)在光線條件不好時(shí)的人臉檢測(cè)問題；可以實(shí)現(xiàn)機(jī)器人的智能引領(lǐng)功能，從而有效的提升服務(wù)機(jī)器人產(chǎn)品的智能性；通過添加服務(wù)機(jī)器人引領(lǐng)功能，可以使服務(wù)機(jī)器人應(yīng)用在展覽館、餐廳和其他需要展示和帶領(lǐng)功能的場(chǎng)所。

需要說明的是，在本發(fā)明中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者終端設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者終端設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括……”或“包含……”限定的要素，并不排除在包括上述要素的過程、方法、物品或者終端設(shè)備中還存在另 外的要素。此外，在本文中，“大于”、“小于”、“超過”等理解為不包括本數(shù)；“以上”、“以下”、“以內(nèi)”等理解為包括本數(shù)。

盡管已經(jīng)對(duì)上述各實(shí)施例進(jìn)行了描述，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對(duì)這些實(shí)施例做出另外的變更和修改，所以以上上述僅為本發(fā)明型的實(shí)施例，并非因此限制本發(fā)明的專利保護(hù)范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍之內(nèi)。