[发明专利]一种基于霍夫森林集成学习的人脸检测方法

说明书

本发明公开了一种基于霍夫森林集成学习的人脸检测方法，所提出的基于霍夫决策森林的方法可以自适应学习目标图像的局部图像块特征并在每次分裂时随机选择特征，霍夫森林中每棵树的叶节点集都可以视为一个判别码本，每个叶节点都可以对局部图像块属于人脸或背景做一个概率假设，并对图像块的中心位置进行概率投票；然后进行监督训练和快速匹配，获取局部图像块特征与它们在霍夫投票空间内的映射关系；本发明提出的方法对存在几何失真、噪声和部分遮挡的图像具有较好的鲁棒性，在CMU+MIT数据库上的实验结果证明了该方法的有效性；解决了集成学习框架下使用霍夫森林检测人脸图像位置的问题。

技术领域：

本发明涉及一种机器视觉应用中的人脸检测技术，特别是涉及一种基于霍夫森林集成学习的人脸检测方法。

背景技术：

随着机器视觉的发展，人脸检测受到极大的关注。人类面孔是基于视觉的人机互动系统中的主要信息来源。因此，任何集成基于机器视觉的智能系统都需要快速可靠的人脸检测，并检测人脸在图像中存在的位置。人脸检测也是人脸识别系统的必要步骤，其性能极大地影响系统识别率。

人脸检测问题可以描述为：给定任意图像，确定图像中是否存在人脸，如果存在，则返回图像中每个脸部的位置。人脸检测器返回包含脸部的矩形边框的图像位置，该检测框作为上述应用的起点。由于人脸是具有高度变异性的非刚性结构，姿态、照明、表情、遮挡、老化、图像采集质量和杂乱的背景等因素对人脸检测的影响较大，从而使人脸检测成为模式识别和机器视觉中具有挑战性的课题之一。

发明内容：

本发明所要解决的技术问题是：克服现有技术的不足，提供一种解决了集成学习框架下使用霍夫森林检测人脸图像位置问题的一种基于霍夫森林集成学习的人脸检测方法。

本发明的技术方案是：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。

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；