[发明专利]基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法

摘要

本发明涉及基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法，包括以下步骤：对作为训练样本的人眼图像进行大小归一化预处理；接着提取图像的多尺度局部块LBP直方图特征与Co‑HOG特征来表述人眼；然后利用连续AdaBoost算法训练级联分类器；最后得到的分类器能够在归一化后人脸图像中检测出人眼区域。本发明提出的人眼检测方法优点在于：检测精度高，检测速度快，抗干扰性强。 1

主权项

1.基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法,其特征在于，包括以下步骤：

(1)采集人眼图像作为训练样本，并对其进行大小归一化预处理；

(2)提取人眼图像的多尺度局部块LBP直方图特征与Co‑HOG特征来表述人眼；

(3)利用连续AdaBoost算法训练级联分类器；

(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。

2.根据权利要求1所述的基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法，其特征在于，所述步骤(2)中的提取特征过程，包括以下步骤：

第一步，计算多尺度局部块LBP直方图特征：首先定义多种不同大小的尺度，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，且不同的局部块之间可以有重叠部分，然后计算每个局部块的LBP直方图特征，最后把所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征；

第二步，计算Co‑HOG特征：首先计算人眼图像模板的方向梯度，其次将图像按照宽高比均分为m*n个小块，然后选定一种偏移方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用31种偏移方式扫描人眼图像模板，生成(30*64+8)*m*n维的Co‑HOG特征；

第三步，把多尺度局部块LBP直方图特征与Co‑HOG特征连接成一个特征向量。

3.根据权利要求1或2所述的基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法，其特征在于，所述多尺度局部块LBP直方图特征计算步骤如下：

第一步，首先根据人眼图像模板的尺度定义多种局部块尺度；

第二步，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，因此每种尺度的局部块个数可由公式表示：

其中，W与H分别表示人眼图像模板的宽度与高度，w与h分别表示局部块的宽度与高度，t₁表示局部块左右移动的步长，t₂表示局部块上下移动的步长；

第三步，计算每个局部块的LBP值，具体计算过程描述如下：区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较，若中心像素的灰度值小于等于周围像素的灰度值，则将该像素点位置标记为1，否则为0；如此3*3邻域的中心像素的LBP值是一个8位二进制数，将其转换为十进制，其值域为[0,255]；

第四步：统计每个局部块各LBP值出现的次数，生成局部块的LBP直方图特征；

第五步：最后将所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征向量。