一種基于msnrd特征的多姿態(tài)人臉檢測器的設(shè)計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種多姿態(tài)人臉檢測器的設(shè)計(jì)方法，尤其是一種基于MSNRD特征的多 姿態(tài)人臉檢測器的設(shè)計(jì)方法。
【背景技術(shù)】
[0002] 人臉檢測器是人臉識別環(huán)節(jié)中最基礎(chǔ)的一步，其性能好壞直接關(guān)系到識別系統(tǒng)的 識別精度。制約其性能的主要因素有：人臉姿態(tài)、表情、及所處環(huán)境的豐富性和多樣性。目 前，人臉探測器的主流方法是Haar或LBP特征結(jié)合Adaboost構(gòu)成強(qiáng)分類器，然后多個(gè)強(qiáng)分 類器級聯(lián)組成的瀑布式結(jié)構(gòu)。LBP對噪聲的抵抗能力較弱，造成檢測結(jié)果不穩(wěn)定，不利于對 人臉進(jìn)行后續(xù)處理；Haar特征有兩個(gè)明顯的缺陷：第一，表達(dá)能力有限，僅限于點(diǎn)、線及邊 緣的表達(dá)，而人臉模式豐富多樣，所以要求特征的表達(dá)能力要強(qiáng)；第二，Haar特征計(jì)算時(shí)需 要積分圖、平方積分圖、涉及兩次加法、兩次除法、兩次根號運(yùn)算，計(jì)算量大，大大影響了檢 測速度。
[0003] 為了提高檢測器對人臉姿態(tài)變化、表情變換及環(huán)境光的適應(yīng)能力，已有的公開技 術(shù)都是針對不同姿態(tài)構(gòu)建不同的檢測器，最終結(jié)果為多個(gè)檢測器檢測結(jié)果的并集；這存在 三個(gè)缺陷：首先，人臉變化豐富，很難將其分類構(gòu)建數(shù)據(jù)集，且分類構(gòu)建數(shù)據(jù)集工作量龐大； 第二，不同姿態(tài)不同表情不同光照條件下的人臉圖像具有一些共性的特征，若分門別類的 訓(xùn)練，不利于充分利用這些共性特征以提高檢測效率；第三，由于檢測器在實(shí)際使用時(shí)是以 滑動窗口的形式在圖像的不同位置不同尺度逐個(gè)掃描，若檢測器個(gè)數(shù)太多，勢必影響檢測 速度，這不利于檢測器在實(shí)時(shí)場合的應(yīng)用。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提出一種基于MSNRD特征的多姿態(tài)人臉 檢測器的設(shè)計(jì)方法。
[0005] 本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于MSNRD特征的多姿態(tài)人臉 檢測器的設(shè)計(jì)方法，包括以下步驟：
[0006] (1)訓(xùn)練階段，具體包括以下子步驟：
[0007] (I. 1)確定模板大小HXH，準(zhǔn)備訓(xùn)練數(shù)據(jù)集；
[0008] 所述訓(xùn)練數(shù)據(jù)集由正樣本數(shù)據(jù)集即人臉數(shù)據(jù)集和負(fù)樣本數(shù)據(jù)集兩部分構(gòu)成；所述 人臉數(shù)據(jù)集由不同光照下各種姿態(tài)的人臉圖像構(gòu)成，其制備方法為：以眉毛和下頌分別作 為Y軸的最小值和最大值；X軸上以鼻尖為中心，選取與Y軸大小相等的區(qū)域作為X軸區(qū)域； 最后統(tǒng)一將截取的樣本圖像歸一化為大小為HXH的標(biāo)準(zhǔn)模板圖像，H為大于20的整數(shù)；所 述負(fù)樣本數(shù)據(jù)集指由非人臉圖案組成的不含人臉的樣本集；
[0009] (1. 2)構(gòu)建featurepool特征池；
[0010] 所述featurepool特征池為一系列有效的MSNRD特征的集合：
[0011] featurepool={MSNRD(i,j,k,I,t,s) | 0 ^i<H, 0 ^j<H, 0 ^k<H, 0 ^ 1<H, 0 ^t<7, O^S<SnaJ
[0012] 式中，（i，j)表示第一個(gè)矩形左上角的坐標(biāo)；（k，1)表示第二個(gè)矩形左上角坐標(biāo)；t 表示矩形的類型，s表示縮放因子，s_為大于1的整數(shù)；
[0013] 所述MSNRD特征為多尺度歸一化的矩形區(qū)域差：
[0014] MSNRD(i,j,k,I,t,s) = (rect(i,j,t,s)-rect(k,I,t,s))/ (rect(i,j,t,s)+rect(k,I,t,s))
[0015] 式中，rect(i，j，t，s)表示圖像上位置處于（i，j)，矩形類型為t，縮放因子 為s的第一矩形區(qū)域內(nèi)像素的平均值，其中，（i，j)表示第一矩形的左上角的坐標(biāo)； rect(k，1，t，s)表示圖像上位置處于（k，1)，矩形類型為t，縮放因子為s的第二矩形區(qū)域 內(nèi)像素的平均值，其中，（k，1)表示第二矩形的左上角坐標(biāo)；
[0016] 所述第一矩形和第二矩形矩形類型相同、縮放因子相同，第一矩形和第二矩形構(gòu) 成矩形對，所述MSNRD(i，j，k，1，t，s)表示所述矩形對所構(gòu)成的MSNRD特征；
[0017] 所述featurepool特征池的構(gòu)建方法為：在模板上遍歷不同類型、不同尺度的矩 形對，一個(gè)矩形對構(gòu)成一個(gè)MSNRD特征，所有的MSNRD特征形成集合，即為所需構(gòu)建的特征 池；
[0018] (I. 3)Adaboost框架下訓(xùn)練強(qiáng)分類器，強(qiáng)分類器由若干弱分類器的線性組合得到， 具體包括以下子步驟：
[0019] (1. 3. 1)建立弱分類器的準(zhǔn)備數(shù)據(jù)集，設(shè)定訓(xùn)練參數(shù)，具體如下：
[0020] 輸入：記當(dāng)前迭代次數(shù)為t，初始值為0 ;
[0021] 訓(xùn)練數(shù)據(jù)集{(Xl，yi)}，初始權(quán)值（W1J，檢出率要求TP;
[0022] 驗(yàn)證集{(xk，l)}，誤檢率目標(biāo)值FP，當(dāng)前誤檢率FPO= 1.0;
[0023] 特征池featurePool，設(shè)特征池中包含N個(gè)特征；
[0024] 其中，^為數(shù)據(jù)集中的第i個(gè)訓(xùn)練樣本圖像，yi為該樣本圖像對應(yīng)的類別標(biāo)簽， yiG{-1，1}，1表示正樣本，-1表示負(fù)樣本，w11表示第t次迭代時(shí)第i個(gè)樣本的歸一化權(quán) 值；
[0025] 輸出：強(qiáng)分類器Ft，閾值tht;
[0026](1. 3. 2)判斷FP0>FP，如果成立，則進(jìn)入步驟（1. 3. 3)，否則進(jìn)入步驟（1. 3. 8);
[0027] (1. 3. 3)根據(jù)訓(xùn)練樣本集及當(dāng)前權(quán)值分布IwliJ訓(xùn)練本次迭代的弱分類器ct;
代得到的弱分類器的分類錯(cuò)誤率;^t是樣本Xi在第t次迭代的權(quán)值；at是第t次迭代得 到的弱分類器的權(quán)值；
[0029] (1. 3. 5)采用以下任意一種方式更新樣本權(quán)值

[0034](I.3.7)根據(jù)檢出率TP^要求在驗(yàn)證集上確定tht，在驗(yàn)證集上確定誤檢率FPO， 令t=t+1，并轉(zhuǎn)入步驟1. 3. 2 ;
[0035] (1. 3. 8)結(jié)束訓(xùn)練；
[0036] (2)檢測階段，具體包括以下子步驟：
[0037] (2. 1)遍歷輸入圖像的每個(gè)位置的每個(gè)尺度的子圖像，如果對于任意的
[0038] (2.2)經(jīng)過步驟2.1后的所有人臉圖像構(gòu)成集合{IJ，集合中任意兩個(gè)元素的重 合面積占最小元素面積的比例超過0. 3,則僅保留分類器輸出值Ft較大的元素；
[0039] (2. 3)反復(fù)進(jìn)行步驟2. 2,直到集合中任意兩個(gè)元素的重合面積與較小者面積的 比例都不超過〇. 3,該集和視為檢測的最終結(jié)果輸出。
[0040] 進(jìn)一步地，所述不同類型的矩形具體為：寬（W)和長（H)的比例為1 :1、2 :1、1 :2、 3 :1、1 :3、3 :2 或 2 :3〇
[0041]進(jìn)一步地，所述步驟（1. 3. 3)中，所述弱分類器CtSCART樹、RF(RandomForest)、 Stump或邏輯回歸函數(shù)（logisticregression)〇
[0042] 進(jìn)一步地，所述弱分類器(^為邏輯回歸函數(shù)，訓(xùn)練過程如下：
[0043] (a)在特征池中隨機(jī)選取N個(gè)MSNRD特征構(gòu)成MSNRD特征向量，記為f(X);
[0044] (b)計(jì)算所有樣本的MSNRD特征向量，記訓(xùn)練樣本i的特征向量為t=f(x;);
[0045] (c)利用IXf1J1M對該MSNRD特征進(jìn)行最小二乘擬合，得到邏輯回歸函數(shù)，邏輯 回歸函數(shù)Ct(X)表達(dá)式為：
[0047] 其中，X為輸入圖像，f(x)為MSNRD特征向量，P為弱分類器Ct的權(quán)值參數(shù)，b為 弱分類器(^的偏置參數(shù)，P和13采用最小二乘擬合得到；
[0048] (d)計(jì)算該分類器的加權(quán)分類錯(cuò)誤率err(Ct)
[0049] (e)反復(fù)執(zhí)行步驟（a)_步驟（d)M次，從中選擇分類錯(cuò)誤率最小的弱分類器作為本 次迭代的最終訓(xùn)練結(jié)果。
[0050] 本發(fā)明的有益效果是：本發(fā)明方法豐富了特征的表達(dá)能力，簡化了特征的計(jì)算過 程，避免了針對不同姿態(tài)分別訓(xùn)練探測器，減輕了訓(xùn)練的工作量，提高了檢測效率。
【附圖說明】
[0051] 圖1為矩形區(qū)域示例；
[0052] 圖2為挑選出的重要矩形區(qū)域示例；
[0053] 圖3為實(shí)施例1的檢測效果；
[0054]圖4為實(shí)施例2的檢測效果。
【具體實(shí)施方式】
[0055] 下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。
[0056] 本發(fā)明提出的基于MSNRD特征的多姿態(tài)人臉檢測器的設(shè)計(jì)方法，該方法包括訓(xùn)練 階段和檢測階段。
[0057] (1)訓(xùn)練階段，具體包括以下子步驟：
[0058] (I. 1)確定模板大小HXH，準(zhǔn)備訓(xùn)練數(shù)據(jù)集；
[0059] 所述訓(xùn)練數(shù)據(jù)集由正樣本數(shù)據(jù)集即人臉數(shù)據(jù)集和負(fù)樣本數(shù)據(jù)集兩部分構(gòu)成；
[0060] 所述人臉數(shù)據(jù)集由不同光照下各種姿態(tài)的人臉圖像構(gòu)成；其制備方法為：以眉毛 和下頌分別作為Y軸的最小值和最大值；X軸上以鼻尖為中心，選取與Y軸大小相等的區(qū)域 作為X軸區(qū)域；最后統(tǒng)一將截取的樣本圖像歸一化為大小為HXH的標(biāo)準(zhǔn)模板圖像，H為大 于20的整數(shù)，如圖2所示；
[0061] 所述負(fù)樣本數(shù)據(jù)集指由非人臉圖案組成的不含人臉的樣本集；
[0062] (1. 2)構(gòu)建featurepool特征池；
[0063] 所述featurepool特征池為一系列有效的MSNRD特征的集合：
[0064] featurepool={MSNRD(i,j,k,I,t,s) | 0 ^i<H, 0 ^j<H, 0 ^k<H, 0 ^ 1<H, 0 ^t<7, 〇 ^S<SnaxI
[0065] 式中，（i，j)表示第一個(gè)矩形左上角的坐標(biāo)；（k，I)表示第二個(gè)矩形左上角坐標(biāo)；t 表示矩形的類型，s表示縮放因子，s_為大于1的整數(shù)；
[0066] 所述MSNRD特征為多尺度歸一化的矩形區(qū)域差（MultiScaleNormalized MSNRDRectangleDifference)
[0067] MSNRD(i,j,k,I,t,s) = (rect(i,j,t,s)-rect(k,I,t,s))/ (rect(i,j,t,s)+rect(k,I,t,s))
[0068] 式中，recta,j，t，s)表示圖像上位置處于（i，j)，矩形類型為t，縮放因子 為s的第一矩形區(qū)域內(nèi)像素的平均值，其中，（i，j)表示第一矩形的左上角的坐標(biāo)； rect(k，1，t，s)表示圖像上位置處于（k，1)，矩形類型為t，縮放因子為s的第二矩形區(qū)域 內(nèi)像素的平均值，其中，（k，1)表示第二矩形的左上角坐標(biāo)；
[0069] 所述第一矩形和第二矩形構(gòu)成矩形對，所述MSNRD(i，j，k，1，t，s)表示所述矩形 對所構(gòu)成的MSNRD特征；
[0070] 所述featurepool特征池的構(gòu)建方法為：在模板上遍歷不同類型、不同尺度的矩 形對，一個(gè)矩形對構(gòu)成一個(gè)MSNRD特征，所有的MSNRD特征形成集合，即為所需構(gòu)建的特征 池；
[0071] 所述不同類型的矩形如圖1所示，所述不同類型如圖1(a)、（b)、（c)、（d)、（e)、 ⑴、（g)所示，寬（W)和長⑶的比例可以為I:1、2 :1、1 :2、3 :1、1 :3、3 :2、2 :3等，用t表 示矩形類型，所述不同尺寸的矩形為，在寬（W)和長（H)的比例一定的情況下，寬（W)和長 (H)的縮放因子s不同，所述矩形對由兩個(gè)矩形類型相同、縮放因子相同的矩形構(gòu)成。
[0072] (1.3)Adaboost框架下訓(xùn)練強(qiáng)