本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，尤其涉及一種快速級聯(lián)式無約束人臉檢測方法。
背景技術(shù)：
隨著計(jì)算機(jī)視覺的發(fā)展，人臉識別成為最有潛力的生物身份驗(yàn)證手段，人臉檢測是人臉識別中的第一個(gè)環(huán)節(jié)，是一項(xiàng)關(guān)鍵技術(shù)。在大力發(fā)展人工智能的今天，人臉檢測技術(shù)也取得了很大的進(jìn)步。雖然如此，但在實(shí)際應(yīng)用中，由于成像角度的不同造成人臉的多姿態(tài)，如平面內(nèi)旋轉(zhuǎn)、深度旋轉(zhuǎn)以及上下旋轉(zhuǎn)，這些困難都為解決人臉問題造成了難度，人臉檢測的正確率還是難以得到保證，因此，研究一種能夠?qū)Χ嘁暯强焖偃四槞z測的方法存在很大應(yīng)用價(jià)值。
現(xiàn)有的人臉檢測研究主要針對具有較強(qiáng)約束條件的人臉圖象，在處理多姿態(tài)人臉問題時(shí)遇到很大困難。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是，提供一種快速級聯(lián)式無約束人臉檢測方法，對多姿態(tài)人臉進(jìn)行檢測，最小能檢測到20x20大小的人臉，具有能滿足精度的同時(shí)，又能達(dá)到很好的實(shí)時(shí)性。
為了實(shí)現(xiàn)上述目的，本發(fā)明采取了如下的技術(shù)方案：
一種快速級聯(lián)式無約束人臉檢測方法，包括以下步驟：
步驟1：獲取人臉圖像，將所述人臉圖像劃分為20*20的小窗口；
步驟2：快速lab級聯(lián)分類器人臉檢測
步驟2-1：提取所述小窗口的lab特征；
步驟2-2：將所述lab特征輸入到6個(gè)并聯(lián)的二值分類器中，從不同視角對輸入圖像進(jìn)行判別，當(dāng)且僅當(dāng)所有的二值分類器都都判定該窗口不含人臉時(shí)丟棄，否則留下該窗口；
步驟3：精細(xì)的級聯(lián)mlp分類器進(jìn)行人臉檢測
步驟3-1：對二值分類器留下的窗口進(jìn)行預(yù)處理，提取待檢測人臉窗口的surf特征；
步驟3-2：將surf特征分別輸入到3個(gè)已經(jīng)訓(xùn)練好的并聯(lián)的mlp分類器中；
步驟3-3：3個(gè)mlp分別從左側(cè)臉、正臉、有右側(cè)臉3個(gè)視角對待測人臉進(jìn)行判定，當(dāng)且僅當(dāng)3個(gè)mlp人臉檢測分類器都判定沒有人臉時(shí)舍去；
步驟4：執(zhí)行完步驟3之后，將留下的窗口用20x20的矩形窗口進(jìn)行標(biāo)記。
作為優(yōu)選，步驟3是利用mlp網(wǎng)絡(luò)訓(xùn)練一個(gè)圖片二分類器，該分類器分別針對3個(gè)視角下的人臉姿態(tài)可以將輸入圖片分類為人臉或者非人臉，每個(gè)視角的mlp網(wǎng)絡(luò)需要用相應(yīng)的樣本提前訓(xùn)練好。
本發(fā)明的有益效果是：
本發(fā)明通過可行的技術(shù)方案，具有以下幾點(diǎn)有益效果：
1、本發(fā)明采用級聯(lián)式結(jié)構(gòu)，精度由粗到細(xì)，在具有很好的實(shí)時(shí)性的同時(shí)兼顧準(zhǔn)確率；
2、本發(fā)明最小能識別20x20像素大小的人臉，對于側(cè)臉角度為0～60度的姿態(tài)人臉有很好的檢測效果。
附圖說明
圖1本發(fā)明快速級聯(lián)式無約束人臉檢測方法的流程示意圖。
具體實(shí)施方式
如圖1所示，本發(fā)明提供一種快速級聯(lián)式無約束人臉檢測方法包括以下步驟：
步驟1：獲取一幅640x480像素大小的.jpg格式的圖像，把這幅圖像劃分為20*20的小窗口。
步驟2：快速lab級聯(lián)分類器人臉檢測；
步驟2-1：提取這些小窗口的lab特征。
步驟2-2：把這些lab特征輸入到6個(gè)并聯(lián)的二值分類器中，進(jìn)行判斷。這六個(gè)分類器分別從不同視角對輸入圖像進(jìn)行判別，當(dāng)且僅當(dāng)所有的二值分類器都都判定該窗口不含人臉時(shí)丟棄，否則留下該窗口。
這6個(gè)并行分類器分別用相應(yīng)的視覺的人臉數(shù)據(jù)去訓(xùn)練，例如第一個(gè)分類器用0～30度的人臉和非人臉數(shù)據(jù)去訓(xùn)練，第二個(gè)用30～60度和非人臉人臉數(shù)據(jù)去訓(xùn)練，以此類推分別訓(xùn)練相應(yīng)視角分類器(定義從左到右為0～180度，正臉為90度)。學(xué)習(xí)出一個(gè)分類器之后，再用這幾個(gè)分類器去測試訓(xùn)練集，把誤判的數(shù)據(jù)收集起來，和前面的非人臉數(shù)據(jù)混合起來，再訓(xùn)練。最后得出理想的分類器。
該方法中提出的lab特征，融合了lbp特征中的二值編碼模式和haar-like特征中的矩形區(qū)域亮度和特征，對于區(qū)域亮度模式很強(qiáng)的人臉模式表示能力很強(qiáng)，而且，易于定點(diǎn)化。
步驟3：精細(xì)的級聯(lián)mlp分類器進(jìn)行人臉檢測，3個(gè)mlp分別從左側(cè)臉、正臉、有右側(cè)臉3個(gè)視角對待測人臉進(jìn)行判定，當(dāng)且僅當(dāng)3個(gè)mlp人臉檢測分類器都判定沒有人臉時(shí)舍去。本方法用到的每個(gè)mlp有兩個(gè)隱層，第一個(gè)隱層設(shè)置300個(gè)節(jié)點(diǎn)，第二個(gè)隱層設(shè)置100個(gè)節(jié)點(diǎn)，激勵(lì)函數(shù)用的是relu，最后輸出兩個(gè)節(jié)點(diǎn)，是人臉或者不是。以檢測正臉的mlp分類器為例：
(1)對二值分類器留下的窗口進(jìn)行預(yù)處理，提取待檢測人臉窗口的surf特征；
(2)將surf特征分別輸入到已經(jīng)訓(xùn)練好的并聯(lián)的mlp分類器中；
(3)最后輸出結(jié)果是或者不是，是的窗口在原圖進(jìn)行標(biāo)記，利用non-maximalsuprresion算法留下一個(gè)矩形標(biāo)記，即為檢測出的人臉。
其中，步驟2的每個(gè)二值分類器，是針對6個(gè)不同視角提前訓(xùn)練好的。
其中，步驟3是利用mlp網(wǎng)絡(luò)訓(xùn)練一個(gè)圖片二分類器，該分類器分別針對3個(gè)視角下的人臉姿態(tài)可以將輸入圖片分類為人臉或者非人臉，每個(gè)視角的mlp網(wǎng)絡(luò)需要用相應(yīng)的樣本提前訓(xùn)練好。