[发明专利]基于改进LBP特征的快速多角度人脸检测方法

说明书

技术领域

本发明属于模式识别技术领域，涉及一种人脸检测方法，具体涉及一种基于改进LBP特征的快速多角度人脸检测方法，可用于人脸识别技术中人脸的位置确定及数码相机等设备中的人脸检测。

背景技术

人脸检测是指搜索图像中是否存在人脸，如果存在人脸，标定出图像中的人脸位置和大小。实际环境中图像中的人脸不只是正面人脸，多角度人脸检测是指将图像中的正面人脸和侧面角度人脸都检测出来。人脸检测技术广泛应用于人脸识别中的人脸位置确定、数码相机、智能手机等设备中。

人脸检测经过多年的研究与发展形成了多种检测方法，主要分为基于知识的方法和基于统计的方法两类。基于知识的检测方法常采用模版匹配法和人脸特征法，将人脸看作眼睛、眉毛、嘴巴等器官的组合，利用各器官的特征以及相互之间的位置关系等先验知识来检测人脸。模版匹配法指先确定人脸的标准模版图像，目标图像特定位置的像素灰度值或颜色值与模版图像的相同位置进行比较，计算灰度差或颜色差，通过差值判定相关度确定是否为人脸；人脸特征法首先提取出人脸的局部不变结构特征，然后根据特征的几何关系来确定人脸是否存在。基于知识的检测方法需要先验知识，不能检测不规则、姿态多样的人脸，鲁棒性差。

基于统计的检测方法把人脸当作一个整体模式，通过对大量人脸样本来进行统计分析，利用统计分析和机器学习构造出人脸模式空间，根据目标与人脸模式的相似度来判断人脸是否存在，常采用神经网络算法、支持向量机或Adaboost算法训练出一个感知人脸复杂模式的分类器来检测人脸。

P.Viola&M.Jones使用Adaboost算法训练基于Haar-like特征的强分类器，将强分类器级联构成cascade型检测器，提高了人脸检测的速度和检测率使得人脸检测具备实用意义。为解决多角度人脸的检测的问题，M.Jones后来提出一种两阶段检测方法，先使用神经网络决策树对人脸做姿态预测，然后使用Adaboost算法训练分类器对各种姿态的人脸进一步检测，这种检测方法检测率高，但是使用仍然存在训练分类器时间长、训练需要大量样本、检测速度慢的不足。之后研究人员又提出了基于LBP特征的多角度人脸检测方法，例如授权公告号为CN 102799901 B，名称为“一种多角度人脸检测方法”的发明专利，公开了一种使用LBP特征的多角度人脸检测方法，包括人脸姿态分类、计算每种姿态下的人脸特征、各姿态下的人脸检测，其中人脸姿态分类将人脸分为：左侧[-90°,90°]，正面[-30°,30°]，右侧[30°,90°]三种姿态，人脸姿态分类器使用LBP特征构造神经网络RBF分类器得到，使用Adaboost算法对每种姿态的人脸进行检测，并对检测结果进行融合处理。该发明提高了多角度人脸的检测速度，但是仍然存在检测速度不够高和分类器训练时间长的缺点。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于改进LBP特征的快速多角度人脸检测方法，用于解决现有多角度人脸检测技术中存在的检测速度慢的技术问题。

本发明的技术思路是，通过对LBP特征的改进，并使用改进的LBP特征构造弱分类器提高弱分类器的分类准确率，减少组成强分类器需要的弱分类器数量来减少检测过程的计算量，实现人脸的快速检测。通过Adaboost算法训练弱分类器得到强分类器，将强分类器级联成检测不同角度人脸的cascade分类器，并按照检测角度由粗到精的方式将cascade分类器组成“金字塔”型检测器，实现人脸的多角度检测。在检测过程中先通过方差检测的方法得到检测候选窗口缩小检测范围，实现检测速度的进一步提高。

根据上述技术思路，实现本发明目的采取的技术方案，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；