[发明专利]基于GentleBoost机器学习的人眼十字定位法

说明书

技术领域

本发明涉及模式识别技术领域，具体是基于GentleBoost机器学习的人眼十字定位法。

背景技术

人眼定位是指在一幅包含了人脸的图像中，自动对人眼进行检测，给出左眼和右眼中心位置的坐标。精确的人眼定位是进行人脸识别的一个关键步骤，人眼定位的精确度直接影响到人脸识别的准确度。目前，现有的关于人眼定位的方法大多是基于自顶向下逐级精化的搜索方法，即首先通过机器学习的手段(如Adaboost算法，支撑向量机等等)获得人脸和人眼的分类器，然后对包含了人脸的图像进行逐级精化的搜索，先找出图像中存在人脸的区域，再在存在人脸的区域中进行更细粒度的搜索，从而确定人眼的精确位置。

基于AdaBoost机器学习算法的分类器训练方法是目前人眼检测中训练分类器的常用方法。Adaboost机器学习算法是解决二类划分问题(如确定一幅图片是否是人脸图片)的有效方法，该方法依据给定的样本集合(包括正样本和负样本)对该类样本的特征集合(如Haar特征集合)进行筛选，进而将筛选出的特征经过加权构成一个分类器。由该方法得到的分类器具备较高的准确度和鲁棒性，被广泛应用于各种模式识别系统中，如人物检测、人脸检测、人眼检测系统等等。

自顶向下逐级精华搜索方法步骤一般是输入图片首先经过一次多尺度二维滑动窗口搜索，确定人脸所在区域，然后再在人脸所在区域的左半边搜索左眼，在人脸所在区域的又半边搜索右眼，搜索方法都是二维滑动窗口法。现有的人眼定位方法在进行人脸和人眼的搜索过程中，都是在不同的尺度上以二维滑动窗口的方式进行搜索，该方法需要将待检测区域在两个维度进行滑动，需要对大量的矩形区域进行测试，以确定它是否是人脸或人眼。这种搜索过程需要较大的运算量，同时因为在目标区域的附近(人脸或人眼区域)，通常会检测出多个疑似人脸或人眼的位置，该类方法一般将这些疑似人脸的位置进行平均，从而得到最终的人脸或人眼位置，这样得到的检测结果包含较大的随机误差，会对后续的人脸识别过程产生较大的影响。

为了尽量减少人眼定位过程中产生的随机误差，本发明提出人眼的十字定位法，对人眼定位过程中的搜索范围进行限定，一方面可以缩小搜索范围，降低计算量，另一方面减小随机误差，提高准确度。

发明内容

本发明所解决的技术问题在于提供基于GentleBoost机器学习的人眼十字定位法，以解决上述背景技术中的缺点。

本发明所解决的技术问题采用以下技术方案来实现：

基于GentleBoost机器学习的人眼十字定位法，包括以下步骤：

第一步：以GentleBoost机器学习算法为基础，通过分类器训练过程得到六个分类器：人脸分类器、双眼分类器、左眼横向分类器、右眼横向分类器，左眼纵向分类器以及右眼纵向分类器；

第二步：使用人脸分类器对包含人脸的图像进行多尺度二维滑动窗口搜索，确定人脸的位置；进而，对人脸区域进行十字交叉搜索，得到左眼和右眼的外廓矩形；

第三步：计算左眼和右眼外廓矩形的中心，这两个中心点就是左眼和右眼的中心位置。

本发明中，所述分类器训练过程，包括以下步骤：

第一步：样本标定子步骤：选取合适的包含人脸图像的样本集合并对该集合内的人脸及人眼的位置进行人工标定，以得到样本图像中人眼的坐标位置；

第二步：训练样本生成子步骤：依据样本集合的标定结果，对样本图像进行分割及大小归一化，构成分类器训练样本；

第三步：以GentleBoost机器学习算法为基础，以形成的训练样本为输入进行训练，得到六个分类器：人脸分类器、双眼分类器、左眼横向分类器、右眼横向分类器，左眼纵向分类器以及右眼纵向分类器。

本发明中，所述十字交叉搜索过程，包括以下步骤：

第一步：使用双眼分类器对人脸区域进行自上而下一维滑动窗口搜索，以确定双眼的位置；

第二步：在检测到的双眼区域内，使用左眼水平分类器在其左半部分进行自左而右一维滑动窗口搜索，以确定左眼的水平位置，使用右眼水平分类器在其右半部分进行自左而右一维滑动窗口搜索，以确定右眼的水平位置；

第三步：以左眼和右眼的水平位置的范围内，分别使用左右眼垂直分类器进行自上而下一维滑动窗口搜索，以确定左眼和右眼的垂直位置。

有益效果