[发明专利]一种人脸检测模型训练方法、装置和介质

权利要求书

1.一种人脸检测模型训练方法，其特征在于，包括：

针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储，其中，每一次训练之前更新所述训练样本中各样本的权重；

根据存储的分类结果集合，如果判断出所述强分类器不满足第一预设条件，则增加用于训练强分类器的弱分类器数量后，利用所述训练样本重新训练得到新的强分类器，直至得到的强分类器满足所述第一预设条件；

利用得到的强分类器更新级联分类器；

如果所述级联分类器的误检率不大于第一预设阈值则结束训练，否则，更新训练样本重新训练，直至得到的级联分类器的误检率不大于第一预设阈值。

2.如权利要求1所述的方法，其特征在于，针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储，具体包括：

针对给定的训练样本，提取所述训练样本对应的N个Haar特征得到与每一Haar特征分别对应的N个弱分类器，其中，N为大于等于1的整数；

分别利用每一弱分类器对所述训练样本进行分类得到相应的分类结果；

根据所述分类结果确定本次训练得到的最优弱分类器；

将得到的最优弱分类器添加至强分类器中，并在强分类器的分类结果集合中添加本次训练得到的最优弱分类器的分类结果；

如果得到的强分类器中包含的最优弱分类器的数量小于第二预设阈值，则根据最优弱分类器的分类结果更新所述训练样本中每一样本的权重，并重新训练得到新的最优弱分类器并存储分类结果，直至所述强分类器中包含的最优弱分类器的数量达到所述第二预设阈值。

3.如权利要求1所述的方法，其特征在于，按照以下流程判断所述强分类器是否满足第一预设条件：

根据所述强分类器对应的分类结果集合确定所述强分类器对应的分类阈值；

根据所述分类阈值确定所述强分类器对应的误检率；

如果所述误检率不大于预设误检率阈值，则确定所述强分类器满足第一预设条件，如果所述误检率大于所述预设误检率阈值，则确定所述强分类器不满足第一预设条件。

4.如权利要求2所述的方法，其特征在于，针对每一样本，按照以下方法提取该样本对应的Haar特征：

F＝(Sum_b-Sum_w)/(Sum_b+Sum_w)，其中：

F表示该样本对应的任一Haar特征；

Sum_b表示第一区域内的像素和；

Sum_w表示第二区域内的像素和。

5.一种人脸检测模型训练装置，其特征在于，包括：

第一训练单元，用于针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储，其中，每一次训练之前更新所述训练样本中各样本的权重；

第二训练单元，用于根据存储的分类结果集合，如果判断出所述强分类器不满足第一预设条件，则增加用于训练强弱分类器的弱分类器数量后，利用所述训练样本重新训练得到新的强分类器，直至得到的强分类器满足所述第一预设条件；

更新单元，用于利用得到的强分类器更新级联分类器；

第三训练单元，用于如果所述级联分类器的误检率不大于第一预设阈值则结束训练，否则，更新训练样本重新训练，直至得到的级联分类器的误检率不大于第一预设阈值。

6.如权利要求5所述的装置，其特征在于，所述第一训练单元，包括：

提取子单元，用于针对给定的训练样本，提取所述训练样本对应的N个Haar特征得到与每一Haar特征分别对应的N个弱分类器，其中，N为大于等于1的整数；

分类子单元，用于分别利用每一弱分类器对所述训练样本进行分类得到相应的分类结果；

确定子单元，用于根据所述分类结果确定本次训练得到的最优弱分类器；

添加子单元，用于将得到的最优弱分类器添加至强分类器中，并在强分类器的分类结果集合中添加本次训练得到的最优弱分类器的分类结果；

训练子单元，用于如果得到的强分类器中包含的最优弱分类器的数量小于第二预设阈值，则根据最优弱分类器的分类结果更新所述训练样本中每一样本的权重，并重新训练得到新的最优弱分类器并存储分类结果，直至所述强分类器中包含的最优弱分类器的数量达到所述第二预设阈值。