[发明专利]基于改进LBP特征的快速多角度人脸检测方法

摘要

本发明提出了一种基于改进LBP特征的快速多角度人脸检测方法，用于解决现有多角度人脸检测技术中存在的检测速度慢的技术问题，实现步骤为对LBP特征进行改进；使用改进LBP特征构造弱分类器；使用Adaboost算法训练弱分类器的强分类器，将强分类器级联成cascade分类器；将各种角度的cascade分类器按照由粗到精的方式构成三层“金字塔”型多角度人脸检测器；检测阶段使用局部方差检测缩小检测区。本发明减少了检测过程中的计算量，在保证检测率的前提下提高了多角度人脸检测的检测速度。

主权项

一种基于改进LBP特征的快速多角度人脸检测方法，其特征在于，包括训练阶段和检测阶段，实现步骤为：训练阶段：(1)对LBP特征进行改进，得到改进LBP特征，并利用改进LBP特征构造弱分类器，得到弱分类器h(x)，实现步骤为：(1a)将LBP特征的特征窗口划分为K×K个大小相等的矩形子块，其中K＝3或5，选取K×K个子块中的四个顶点的子块、四个边界的中间子块和中心子块，构造新的LBP特征，得到改进LBP特征；(1b)计算改进LBP特征中各子块内的像素灰度平均值，并将中心子块与其他8个子块的像素灰度平均值分别进行比较，将像素灰度平均值大于中心子块像素灰度平均值的子块编码为1，其余的子块编码为0，得到8个二进制数；再从这8个二进制数左上角开始，按照顺时针顺序串联，得到二进制编码；最后将二进制编码转换为十进制数，得到改进LBP特征的特征值，该特征值的取值范围为[0,255]，数量为256个；(1c)利用改进LBP特征构造包含256个分支的多叉树，并将这些多叉树各分支的取值与改进LBP特征的每一个特征值依次对应，得到弱分类器h(x)，其实现步骤如下：h(x)=a0,l(xi)=0...am,l(xi)=ma255,l(xi)=255,m=0...255]]>其中表示判别系数，l(xi)表示改进LBP特征的特征值；(2)在大小为W×H的图像窗口中提取P个改进LBP特征，并根据步骤(1c)中所述的弱分类器的构造方法，将每个改进LBP特征构造为一个弱分类器，得到P个弱分类器hj(x),j＝1,...,P，其中W表示图像窗口横向像素数，H表示图像口纵向像素数；(3)收集训练样本集S＝{(x1,y1),(x2,y2),...(xi,yi),...(xN,yN)},i＝1,...N，N表示样本数量，xi表示第i个样本，yi表示样本xi的标签，yi∈{‑1,1}，1表示正样本，‑1表示负样本，每个样本大小为W×H；(4)采用Adaboost算法，对P个弱分类器hj(x)进行训练，得到强分类器，实现步骤为：(4a)给训练样本集S中的每一个样本分配权值，并对各样本权值进行初始化，得到正样本权值w1,i＝1/2M,i＝1,2,…,M和负样本权值w1,i＝1/2L,i＝1,2,…,L，其中M和L分别表示正样本数和负样本数；(4b)利用P个弱分类器hj(x)分别对训练样本集S中的所有样本进行分类：计算改进LBP特征在每个样本上的特征值，利用该改进LBP特征的特征值查找弱分类器的256个分支，得到弱分类器的判别系数am；根据判别系数am对所有样本进行分类，若am>0，则分类为正，否则分类为负；根据判别系数am和样本标签yi，判断分类是否正确，若yiam>0，则分类正确，否则分类错误；利用正样本权值w1,i和负样本权值w1,i，计算各弱分类器的加权分类误差，计算公式如下：并选取加权分类误差Jj最小的弱分类器ht(x)；(4c)利用权分类误差Jj最小的弱分类器ht(x)的分类结果对所有样本权值进行更新，得到新的样本权值，并新的样本权值进行标准化，得到训练样本集S的新样本分布；(4d)重复执行步骤(4b)和步骤(4c)T次，得到T个弱分类器，并对T个弱分类器进行集合，得到强分类器：(5)重复执行步骤(4)n次，得n个强分类器，并对n个强分类器进行级联，得到cascade分类器；(6)对不同角度的人脸执行步骤(3)、步骤(4)及步骤(5)，得到多个不同检测角度的cascade分类器，并保存；检测阶段：(7)按照检测角度由大到小的顺序，将多个不同角度的cascade分类器自上而下排列成三层“金字塔”型结构，得到多角度人脸检测器；(8)对输入图像进行灰度变换和直方图均衡，得到待检测灰度图像，计算并存储待检测灰度图像的积分图，并利用积分图计算待检测图像检测窗口的局部方差，再利用该检测窗口的局部方差对待检测灰度图像进行筛选，得到局部方差值满足条件的候选窗口；(9)多角度人脸检测器计算候选窗口中改进LBP特征的特征值，并利用改进LBP特征的特征值对候选窗口进行判别，将特征值满足条件的候选窗口判定为人脸，得到人脸的位置坐标和大小。