[发明专利]一种基于像素级差分特征的非受限环境人脸检测方法

说明书

本发明公开了一种基于像素级差分特征的非受限环境人脸检测方法，包括：使用训练好的基于像素级差分特征的人脸检测器对待检测图像进行人脸检测，得到初步检测人脸区域；若拍摄环境为夜间，将初步检测人脸区域转换至Lab色度空间，利用Lab色度空间得到色偏因子，当色偏因子大于等于色偏阈值时，将初步检测人脸区域转换至YCrCb色度空间进行肤色判断，进而得到新的肤色阈值；当初步检测人脸区域中在肤色阈值范围内的像素点个数超过数量阈值时，初步检测人脸区域为人脸区域，否则为非人脸区域。本发明的人脸检测方法能够在非受限环境下取得较好的人脸检测效果，同时检测速度具有一定的优势。

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种基于像素级差分特征的非受限环境人脸检测方法。

背景技术

人脸检测的目标是在给定图像中找到并定位出人脸具体的存在位置。基于正面的，限定背景下的人脸检测已经取得了很好的效果，并且已经广泛应用在各个领域。随着需求的不断增加，仅仅检测正面限定背景下的人脸已经不能满足需求，当需要在非受限环境下拍摄的照片中准确的找到人脸区域时，需要面对的困难有如下几种，比如人脸姿态的变化，光照条件的改变，遮挡，失焦和低分辨率等。如何精准快速地在非受限环境拍摄的图像中定位人脸的位置成为众多研究者关注的问题。

实现人脸检测的方法普遍可以总结为先选择合适的方法来描述人脸图像提供的信息，再通过一定的评判规则与待检测图像进行比较，从而判断检测区域属于人脸还是非人脸。现有的人脸检测算法主要包括模板匹配、支持向量机、神经网络和Adaboost，由于基于模板匹配和支持向量机的人脸检测算法模型较为复杂，对于复杂的场景训练过程困难，检测速度因此受到影响且检测效果并不理想。基于神经网络的人脸检测算法训练需要大量标记数据，且训练得到的模型复杂，检测速度无法满足要求。

由此可见，现有技术存在检测速度慢、检测效果差的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于像素级差分特征的非受限环境人脸检测方法，由此解决现有技术存在检测速度慢、检测效果差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于像素级差分特征的非受限环境人脸检测方法，包括：

(1)使用人脸检测器对待检测图像进行人脸检测，得到初步检测人脸区域；

(2)通过待检测图像的亮度判断拍摄环境是否为夜间，若拍摄环境为夜间，将初步检测人脸区域由RGB色度空间转换至Lab色度空间，利用Lab色度空间得到色偏因子，若拍摄环境不是夜间，则进入步骤(4)；

(3)当色偏因子大于等于色偏阈值时，将初步检测人脸区域由RGB色度空间转换至YCrCb色度空间，根据YCrCb色度空间和待检测图像的原始肤色阈值得到新的肤色阈值；

(4)若拍摄环境为夜间且色偏因子大于等于色偏阈值，当初步检测人脸区域中在新的肤色阈值范围内的像素点个数超过数量阈值时，初步检测人脸区域为人脸区域，否则为非人脸区域，若拍摄环境不是夜间或者色偏因子小于等于色偏阈值，当初步检测人脸区域中在原始肤色阈值范围内的像素点个数超过数量阈值时，初步检测人脸区域为人脸区域，否则为非人脸区域。

人脸检测器为训练好的基于像素级差分特征的人脸检测器，所述人脸检测器的训练包括：

获取训练使用的正、负样本，正样本为人脸图像，负样本为不包含人脸区域的非受限环境图像，使用正、负样本训练人脸检测器，训练过程中提取像素级差分特征，利用像素级差分特征构建深度二次树，使用booststrap将深度二次树级联得到训练好的基于像素级差分特征的人脸检测器。

进一步地，训练过程还得到困难样本，将困难样本作为负样本重复训练人脸检测器，加速训练过程。

进一步地，步骤(1)包括：