[发明专利]一种基于新增Haar-like特征的猪脸检测方法

权利要求书

1.一种基于新增Haar-like特征的猪脸检测方法，其特征在于，按以下步骤实现：

1)训练阶段

步骤1，收集M张猪脸图像构成一个正样本数据集，收集N张非猪脸图像构成一个负样本数据集，将猪脸图像定义为正样本，正样本分辨率为a×a，将非猪脸图像定义为负样本，负样本分辨率为b×b，其中b＞a，将正样本，负样本统一记为训练样本{(x₁，y₁)，(x₂，y₂)，...，(x_i，y_i)，...，(x_n，y_n)}，其中x_i代表第i个训练样本，y_i＝1，0代表正样本或负样本，n＝M+N，n为训练样本总数；

步骤2，构造Haar-like特征，用于反映图像局部的灰度变化，所述Haar-like特征包括原有的边缘特征、线性特征、中心特征、以及新增的猪脸T区上灰度变化特征、猪脸颊与眼睛区域灰度变化特征、猪鼻上灰度变化特征；

所述猪脸T区上灰度变化特征是一个长为8个像素，宽为3个像素的长方形长方形由黑色区域和白色区域构成，黑色区域占据长方形第一行中间6个像素，占据长方形第二行中间4个像素，占据长方形第三行中间2个像素，其余区域为白色区域；

所述猪脸颊与眼睛区域灰度变化特征是一个长为4个像素，宽为3个像素的长方形长方形由黑色区域和白色区域构成，黑色区域占据长方形第一行左边3个像素，占据长方形第二行左边2个像素，占据长方形第三行左边1个像素，其余区域为白色区域；

所述猪鼻上灰度变化特征是一个长为3个像素，宽为2个像素的长方形长方形由黑色区域和白色区域构成，黑色区域占据长方形第一行3个像素，占据长方形第二行中间1个像素，其余区域为白色区域；

将δ个新增Haar-like特征和γ个原有Haar-like特征统称为Haar-like特征，共得到X个Haar-like特征，将X个Haar-like特征中的任意一个记为特征A_c，c＝1，2，...X，X＝δ+γ；

步骤3，对步骤2所提到的特征A_c进行子特征提取、特征值计算和特征值归一化，得到特征A_c的归一化子特征向量F_c，具体步骤如下：

步骤3.1，将特征A_c在训练样本检测窗口中放大加平移得到L个子特征，L为一个特征A_c所产生的子特征总数，将L个子特征中的任意一个记为子特征B_j，j＝1，2，...L；

步骤3.2，先使用积分图计算出子特征B_j对训练样本的初始子特征向量I_j和n个初始子特征值v_d，d＝1，2，...，n，I_j＝[v₁，v₂，，..，v_d，...，v_n]，j＝1，2..L；

然后对n个初始子特征值进行归一化处理，得到n个归一化处理后的子特征值，将其中任意一个记为归一化子特征值V_d；记归一化处理后的初始子特征向量为归一化子特征向量I’_j，I’_j＝[V₁，V₂，...，V_d，...，V_n]；

步骤3.3，对步骤3.1得到的L个子特征B_j，按照步骤3.2的方法逐个进行处理，得到特征A_c的归一化子特征向量F_c，F_c＝[I’₁，I’₂，...，I’_j，...，I’_L]；

步骤4，构建猪脸分类器，具体步骤如下：

步骤4.1，用Adaboost算法训练强分类器，其具体训练过程如下：

步骤4.1.1，输入训练样本{(x₁，y₁)，(x₂，y₂)，...，(x_i，y_i)，...，(x_n，y_n)}；

步骤4.1.2，初始化样本权重，y_i＝0时，y_i＝1时，其中N表示负样本个数，M表示正样本个数；

步骤4.1.3，经过T轮训练得到所需强分类器，具体过程如下：

步骤4.1.3.1，归一化权值，t表示第t轮训练；

步骤4.1.3.2，用子特征B_j得到的归一化子特征向量I’_j训练一个弱分类器h_j(x)，使用该分类器进行分类时，相应的错误率为：ε_j＝∑_iw_i|h_j(x)-y_j|；

步骤4.1.3.3，选取错误率ε_j最小的弱分类器h_j；

步骤4.1.3.4，更新权值其中e_i＝0表示x_i被正确分类，e_i＝1表示被错误分类，其中计算分类器的权值

步骤4.1.3.5，最终形成的强分类器如下：

步骤4.2，重复步骤4.1，得到多层强分类器通过级联得到一个猪脸分类器；

2)检测阶段

步骤5，利用猪脸分类器对真实环境下猪脸图像进行检测，具体步骤如下：

步骤5.1，准备一张真实环境下猪脸图像，所述真实环境下猪脸图像包含猪脸及其周围环境，将所述真实环境下猪脸图像记为待检测猪脸图像，待检测猪脸图像分辨率为C×D；

步骤5.2，利用步骤4.2得到的猪脸分类器对待检测猪脸图像进行猪脸区域和非猪脸区域分类，并标记输出猪脸区域，具体过程包括：

步骤5.2.1，设待检测猪脸图像中滑动窗口为正方形，滑动窗口边长为k，滑动步长为0.1k，将滑动窗口从待检测猪脸图像左上方，自左向右，自上而下依次进行扫描，得到s个检测窗口，其中

步骤5.2.2，更新滑动窗口的边长，记更新后的边长为k_τ，k_τ＝1.2k_τ，τ为更新次数，用更新后的边长k_τ代替边长k再次进行步骤5.2.2并重复进行，直到最后一次更新后的边长k_τmax＞min{0.5C，0.5D}，设此过程总共得到的滑动窗口数为E，E＝∑s；

步骤5.2.3，对E个滑动窗口进行特征提取，得到每个滑动窗口的归一化子特征向量P_f，其中f为滑动窗口的编号，f＝1，2，...E；

步骤5.2.4，将滑动窗口的归一化子特征向量P_f输入到猪脸分类器中，并进行判断：

若猪脸分类器将滑动窗口的归一化子特征向量P_f分类为猪脸，则滑动窗口的归一化子特征向量P_f对应的滑动窗口为猪脸区域，用实线标记该区域；

若猪脸分类器将滑动窗口的归一化子特征向量P_f分类为非猪脸，则滑动窗口的归一化子特征向量P_f对应的滑动窗口为非猪脸区域，则该区域不作处理；

步骤5.2.5，将E个滑动窗口的归一化子特征向量P_f均输入到猪脸分类器中，完成带检测猪脸图像中所有猪脸区域和非猪脸区域的分类，标记出猪脸区域并输出。