[发明专利]一种基于霍夫森林集成学习的人脸检测方法

权利要求书

1.一种基于霍夫森林集成学习的人脸检测方法，其步骤是：A、构造霍夫森林；

B、对构建的霍夫森林进行学习训练，其训练步骤如下：

(1)随机抽取由正样本和负样本构成的局部图像块来构建霍夫森林树；

(2)对输入的两类样本进行二值测试，将两类样本尽可能的分开，并使得类标签与偏移向量的不确定性最小化，实现决策树的构建；

C、输入检测图像并提取局部图像块，对到达每个树非叶节点的局部图像块特征a_j进行二值测试；

D、对所有到达叶节点的图像块特征在霍夫空间进行概率投票，得到2D霍夫图像；

E、计算霍夫图像H并返回局部最大值位置信息，并用检测框对人脸区域进行标注。

2.根据权利要求1所述的一种基于霍夫森林集成学习的人脸检测方法，其特征是：所述霍夫森林的构造包括以下步骤：

(1)霍夫森林由随机树组成，其中每棵树由非叶节点和叶节点组成。训练期间，在每个分裂节点算法尝试分裂给定的训练数据其中z_i∈R^D是D维特征向量，v_i∈{1，...，C}是对应的类标签，N是训练样本的数量；

(2)通过预定义分裂函数的参数，该递归算法继续分裂数据直到达到树的最大深度、节点中数据的子集是纯的或样本的数量低于阈值。如满足上述其中一个条件就创建叶节点，并估计类概率P(v|z)；

(3)在含人脸的正样本和含背景的负样本中随机提取局部图像块，每个图像块用三个特征描述，正样本存储指向人脸中心的偏移向量；

(4)将所有局部图像块输入训练后的霍夫森林进行遍历测试，通过每棵树时，每个图像块将相应的被二分类，将正样本与负样本分开，并根据其偏移向量将相似的正样本聚集在一起。当图像块到达第一个叶节点时便停下来，得到叶节点中存储的类别信息；

(5)每个叶节点对图像块是否属于脸部或背景的一部分进行概率假设，并在霍夫变换空间中对图像块中心位置进行概率投票，整合所有不同图像块对目标中心的投票，检测输出最大得分的位置，即置信度最高的地方就是所要检测的目标脸部中心。

3.根据权利要求1所述的一种基于霍夫森林集成学习的人脸检测方法，其特征是：所述霍夫森林树的构建步骤为：(a)通过单个码本B表示人脸的不同视图，B₁，...，B_b分别对应于图像中的不同脸部姿态；

(b)从一组含人脸的正样本图像和一组背景图像中随机抽取一组图像块来创建霍夫森林T中每棵树的节点，用特征集合来表示训练图像块集，其中a_j是提取的局部图像元素特征，l_j是图像块的类标签，o_j是偏移向量，表示从局部图像块中心到样本中心的偏移距离；

(c)从负样本(背景图像)抽取的图像块被分配类标签l_j＝0，偏移向量o_j＝0；从正样本(含检测框标注的人脸图像)中抽取的图像块被分配类标签l_j＝1。然后，基于这样的一组图像块，从根开始递归地构建霍夫森林树。