[发明专利]基于改进LBP特征的快速多角度人脸检测方法

权利要求书

1.一种基于改进LBP特征的快速多角度人脸检测方法，其特征在于，包括训练阶段和检测阶段，实现步骤为：

训练阶段：

(1)对LBP特征进行改进，得到改进LBP特征，并利用改进LBP特征构造弱分类器，得到弱分类器h(x)，实现步骤为：

(1a)将LBP特征的特征窗口划分为K×K个大小相等的矩形子块，其中K＝3或5，选取K×K个子块中的四个顶点的子块、四个边界的中间子块和中心子块，构造新的LBP特征，得到改进LBP特征；

(1b)计算改进LBP特征中各子块内的像素灰度平均值，并将中心子块与其他8个子块的像素灰度平均值分别进行比较，将像素灰度平均值大于中心子块像素灰度平均值的子块编码为1，其余的子块编码为0，得到8个二进制数；再从这8个二进制数左上角开始，按照顺时针顺序串联，得到二进制编码；最后将二进制编码转换为十进制数，得到改进LBP特征的特征值，该特征值的取值范围为[0,255]，数量为256个；

(1c)利用改进LBP特征构造包含256个分支的多叉树，并将这些多叉树各分支的取值与改进LBP特征的每一个特征值依次对应，得到弱分类器h(x)，其实现步骤如下：

$h\left(x\right)=\left\{\begin{array}{cc}{a}_{0,}& l\left(x_i\right)=0\\ \mathrm{...}& \\ a_{m,}& l\left(x_i\right)=m\\ a_{255,}& l\left(x_i\right)=255\end{array}\right.,m=\mathrm{0...255}$

其中表示判别系数，l(x_i)表示改进LBP特征的特征值；

(2)在大小为W×H的图像窗口中提取P个改进LBP特征，并根据步骤(1c)中所述的弱分类器的构造方法，将每个改进LBP特征构造为一个弱分类器，得到P个弱分类器h_j(x),j＝1,...,P，其中W表示图像窗口横向像素数，H表示图像口纵向像素数；

(3)收集训练样本集S＝{(x₁,y₁),(x₂,y₂),...(x_i,y_i),...(x_N,y_N)},i＝1,...N，N表示样本数量，x_i表示第i个样本，y_i表示样本x_i的标签，y_i∈{-1,1}，1表示正样本，-1表示负样本，每个样本大小为W×H；

(4)采用Adaboost算法，对P个弱分类器h_j(x)进行训练，得到强分类器，实现步骤为：

(4a)给训练样本集S中的每一个样本分配权值，并对各样本权值进行初始化，得到正样本权值w_1,i＝1/2M,i＝1,2,…,M和负样本权值w_1,i＝1/2L,i＝1,2,…,L，其中M和L分别表示正样本数和负样本数；

(4b)利用P个弱分类器h_j(x)分别对训练样本集S中的所有样本进行分类：计算改进LBP特征在每个样本上的特征值，利用该改进LBP特征的特征值查找弱分类器的256个分支，得到弱分类器的判别系数a_m；根据判别系数a_m对所有样本进行分类，若a_m>0，则分类为正，否则分类为负；根据判别系数a_m和样本标签y_i，判断分类是否正确，若y_ia_m>0，则分类正确，否则分类错误；利用正样本权值w_1,i和负样本权值w_1,i，计算各弱分类器的加权分类误差，计算公式如下：并选取加权分类误差J_j最小的弱分类器h_t(x)；

(4c)利用权分类误差J_j最小的弱分类器h_t(x)的分类结果对所有样本权值进行更新，得到新的样本权值，并新的样本权值进行标准化，得到训练样本集S的新样本分布；

(4d)重复执行步骤(4b)和步骤(4c)T次，得到T个弱分类器，并对T个弱分类器进行集合，得到强分类器：

(5)重复执行步骤(4)n次，得n个强分类器，并对n个强分类器进行级联，得到cascade分类器；

(6)对不同角度的人脸执行步骤(3)、步骤(4)及步骤(5)，得到多个不同检测角度的cascade分类器，并保存；

检测阶段：

(7)按照检测角度由大到小的顺序，将多个不同角度的cascade分类器自上而下排列成三层“金字塔”型结构，得到多角度人脸检测器；

(8)对输入图像进行灰度变换和直方图均衡，得到待检测灰度图像，计算并存储待检测灰度图像的积分图，并利用积分图计算待检测图像检测窗口的局部方差，再利用该检测窗口的局部方差对待检测灰度图像进行筛选，得到局部方差值满足条件的候选窗口；

(9)多角度人脸检测器计算候选窗口中改进LBP特征的特征值，并利用改进LBP特征的特征值对候选窗口进行判别，将特征值满足条件的候选窗口判定为人脸，得到人脸的位置坐标和大小。

2.根据权利要求1所述的基于改进LBP特征的快速多角度人脸检测方法，其特征在于：步骤(2d)中所述的训练样本集S的新样本分布，其获取步骤为：

(2d1)利用弱分类器h_t(x)的分类结果对所有样本权值的分布进行更新，得到新的样本权值，更新公式为：

(2d2)并对新的样本权值进行标准化，得到训练样本集S的新样本分布，权重标准化公式为：