一種基于hog特征的人臉檢測(cè)方法
【專利摘要】本發(fā)明提供一種基于HOG特征的人臉檢測(cè)方法，先訓(xùn)練出大量基于HOG特征的局部SVM分類器，然后從這些局部分類器中選出分類效果較好的。把選出的各個(gè)分類器對(duì)訓(xùn)練樣本的分類結(jié)果組合成新的特征向量，最后對(duì)這些向量再次用SVM訓(xùn)練出最終的分類器。本販賣國內(nèi)本發(fā)明利用HOG局部特征結(jié)合局部分類器，對(duì)表情、局部光照不均等情況具有較強(qiáng)魯棒性。
【專利說明】—種基于HOG特征的人臉檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理技術(shù)，特別涉及人臉檢測(cè)技術(shù)。
技術(shù)背景
[0002]人臉識(shí)別通過采集人臉圖像，在圖像中檢測(cè)到人臉位置后，把人臉圖像提取后和數(shù)據(jù)庫中特征對(duì)比得到識(shí)別結(jié)果。
[0003]在人臉識(shí)別系統(tǒng)中，主要需要解決兩個(gè)問題:(1)人臉檢測(cè)；(2)人臉特征提取。人臉檢測(cè)是該系統(tǒng)的核心技術(shù)，通過合適的算法，從圖像中準(zhǔn)確快速地找出人臉在圖片中的位置并且獲得人臉的大小。在人臉檢測(cè)后，通過特征提取算法提取人臉特征，然后和特征庫對(duì)比，從而得到人臉的身份。人臉檢測(cè)得到的結(jié)果是人臉識(shí)別階段的材料基礎(chǔ)，所以人臉檢測(cè)的準(zhǔn)確性直接影響人臉識(shí)別和整個(gè)系統(tǒng)性能。在實(shí)際中，待檢測(cè)的人臉圖像常常受光照，遮擋，表情，背景等因素影響。對(duì)其進(jìn)行適當(dāng)?shù)臄?shù)學(xué)建模，實(shí)現(xiàn)準(zhǔn)確快速的人臉線檢測(cè)是研究的主要問題。
[0004]經(jīng)過幾十年的研究，研究者們提出了大量人臉檢測(cè)算法，但對(duì)于光照，表情，環(huán)境變化等的魯棒性有待提高，檢測(cè)速度和精度的矛盾有待改善。
【發(fā)明內(nèi)容】
[0005]本發(fā)明所要解決的技術(shù)問題是，提供一種具有更強(qiáng)魯棒性的人臉檢測(cè)方法。
[0006]本發(fā)明為解決上述技術(shù)問題所采樣的技術(shù)方案是，一種基于HOG特征的人臉檢測(cè)方法，包括以下步驟:
[0007]對(duì)當(dāng)前圖像進(jìn)行光照預(yù)處理；
[0008]對(duì)當(dāng)前圖像進(jìn)行分塊，提取各分塊圖像的局部HOG特征，根據(jù)各分塊位置將局部HOG特征輸入對(duì)應(yīng)局部分類器，將局部分類結(jié)果組合成特征向量，最后將特征向量輸入最終分類器得到當(dāng)前檢測(cè)結(jié)果；
[0009]所述局部分類器通過以下步驟訓(xùn)練而成:
[0010]將各訓(xùn)練樣本進(jìn)行以不同尺寸進(jìn)行多次分塊處理，每個(gè)分塊位置對(duì)應(yīng)一個(gè)局部分類器；所述訓(xùn)練樣本包括正樣本、負(fù)樣本；
[0011]提取訓(xùn)練樣本各分塊的局部HOG特征；
[0012]根據(jù)訓(xùn)練樣本各分塊位置對(duì)應(yīng)的局部HOG特征用支持向量機(jī)SVM訓(xùn)練出局部分類器；
[0013]所述最終分類器通過以下步驟訓(xùn)練而成:
[0014]使用訓(xùn)練樣本對(duì)所有訓(xùn)練出的局部分類器進(jìn)行測(cè)試，對(duì)應(yīng)不同分塊位置的局部分類器從訓(xùn)練樣本提取對(duì)應(yīng)分塊的局部HOG特征，并將該局部HOG特征輸入對(duì)應(yīng)位置的局部分類器；根據(jù)各局部分類器輸出的分類結(jié)果選出分類正確率大于預(yù)設(shè)分類概率的局部分類器作為優(yōu)選局部分類器并記錄其對(duì)應(yīng)的分塊位置；預(yù)設(shè)分類概率大于隨機(jī)分類概率；
[0015]將所有優(yōu)選局部分類器輸出的分類結(jié)果組成特征向量Kxi, yi)}，其中，Yi是第i個(gè)訓(xùn)練樣本類別，Yi=I表示正樣本，Yi=-1表示負(fù)樣本，Xi= [xn，Xi2,...，XiJT，Xi表示對(duì)第i個(gè)訓(xùn)練樣本的局部分類結(jié)果，Xik e {I, -1}，k=l, 2，...，L，表示第k個(gè)優(yōu)選局部分類器對(duì)第i個(gè)訓(xùn)練樣本的局部分類結(jié)果，L表示局部分類器個(gè)數(shù)；
[0016]將特征向量KxiJiM輸入支持向量機(jī)SVM訓(xùn)練出最終分類器。
[0017]本發(fā)明先訓(xùn)練出大量基于HOG特征的局部SVM分類器，然后從這些局部分類器中選出分類效果較好的。把選出的各個(gè)分類器對(duì)訓(xùn)練樣本的分類結(jié)果組合成新的特征向量，最后對(duì)這些向量再次用SVM訓(xùn)練出最終的分類器。
[0018]進(jìn)一步的，在進(jìn)行當(dāng)前圖像方向梯度直方圖HOG特征之前，對(duì)當(dāng)前圖像進(jìn)行光照預(yù)處理。
[0019]進(jìn)一步的，為了加快計(jì)算速度，使用HOG積分圖計(jì)算分塊的HOG特征。
[0020]本發(fā)明的有益效果是，利用HOG局部特征結(jié)合局部分類器，對(duì)表情、局部光照不均等情況具有較強(qiáng)魯棒性。
【專利附圖】
【附圖說明】
[0021]圖1為積分圖示意圖；
[0022]圖2為積分圖計(jì)算示意圖；
[0023]圖3為對(duì)比人臉檢測(cè)流程圖；
[0024]圖4為光照預(yù)處理前后圖像。
【具體實(shí)施方式】
[0025]為了方便地描述本
【發(fā)明內(nèi)容】
，首先介紹本實(shí)施例涉及的現(xiàn)有技術(shù):
[0026]HOG:(方向梯度直方圖，Histogram of Oriented Gradients)。HOG 是一種特征提取算子，下面以20x20的窗口為例，介紹HOG特征的提取方法，其計(jì)算步驟如下:
[0027]1.窗口由橫豎線分為大小想等的小方塊(5x5)，最小的那種方塊叫做細(xì)胞cell。4個(gè)相鄰的cell構(gòu)成一個(gè)較大的正方形叫做塊block。block與block之間可以重疊，也可以不重疊。
[0028]2.然后用梯度算子求各個(gè)像素的橫向梯度H(x，y)和縱向梯度V(x，y)；
[0029]3.然后求每個(gè)像素點(diǎn)(x，y)的梯度方向Θ (x，y)和幅度m(x，y)，計(jì)算公式為:
[0030]m (X，y) = [H (x, y) 2+V (x, y)2]1/2 ； θ (χ, y) AarT1 [V (χ, y) /H (χ, y)]
[0031]4.θ (χ, y)取值范圍為-90度到90度，我們把它平均分成9份。然后每個(gè)cell中按梯度方向投票，權(quán)重為m(x, y),這樣每個(gè)cell就得到一個(gè)9維的向量,把同一個(gè)block中的4個(gè)cell得到的向量連起來就得到了一個(gè)block的36維特征向量。最后把所有向量連起來就得到了該窗口的HOG特征向量。
[0032]HOG積分圖:對(duì)于圖像內(nèi)一個(gè)像素點(diǎn)點(diǎn)(X，y)，我們用M(x, y) = [M(x, ykMU，y)2，...，M(x，y)9]T表示該像素點(diǎn)在9個(gè)梯度方向的幅值。對(duì)于任意像素點(diǎn)(x，y)，M(x，y)i，i=l，...，9這9個(gè)分量中只有I個(gè)非零。假設(shè)圖像高m，寬為η。我們先計(jì)算圖像各列HOG積分和s(x, y),把這mXn個(gè)值存入內(nèi)存。
【權(quán)利要求】
1.一種基于HOG特征的人臉檢測(cè)方法，其特征在于，包括以下步驟: 對(duì)當(dāng)前圖像進(jìn)行光照預(yù)處理； 計(jì)算當(dāng)前圖像HOG積分圖；(該積分圖加快下一步驟HOG特征的提取速度) 對(duì)當(dāng)前圖像進(jìn)行分塊，提取各分塊圖像的局部HOG特征，將局部HOG特征輸入各局部分類器，將局部分類結(jié)果組合成特征向量，最后將特征向量輸入最終分類器得到當(dāng)前檢測(cè)結(jié)果; 所述局部分類器通過以下步驟訓(xùn)練而成: 將各訓(xùn)練樣本進(jìn)行以不同尺寸進(jìn)行多次分塊處理，每個(gè)分塊位置對(duì)應(yīng)一個(gè)局部分類器；所述訓(xùn)練樣本包括正樣本、負(fù)樣本； 提取訓(xùn)練樣本各分塊的HOG特征； 根據(jù)訓(xùn)練樣本各分塊位置對(duì)應(yīng)的HOG特征用支持向量機(jī)SVM訓(xùn)練出局部分類器； 所述最終分類器通過以下步驟訓(xùn)練而成: 使用訓(xùn)練樣本對(duì)所有訓(xùn)練出的局部分類器進(jìn)行測(cè)試，對(duì)應(yīng)不同分塊位置的局部分類器從訓(xùn)練樣本提取對(duì)應(yīng)分塊的局部HOG特征，并將該局部HOG特征輸入對(duì)應(yīng)位置的局部分類器；根據(jù)各局部分類器輸出的分類結(jié)果選出分類正確率大于預(yù)設(shè)分類概率的局部分類器作為優(yōu)選局部分類器并記錄其對(duì)應(yīng)的分塊位置；所述預(yù)設(shè)分類概率大于隨機(jī)分類概率； 將所有優(yōu)選局部分類器輸出的分類結(jié)果組成特征向量{(Xi，yi)}，其中，Ii是第i個(gè)訓(xùn)練樣本類別，Yi=I表示正樣本，Yi=-1表示負(fù)樣本，Xi= [Xn，Xi2,...，XiL]T，Xi表示對(duì)第i個(gè)訓(xùn)練樣本的局部分類結(jié)果， Xik e {I, -1}，k=l, 2，...，L，表示第k個(gè)優(yōu)選局部分類器對(duì)第i個(gè)訓(xùn)練樣本的局部分類結(jié)果，L表示局部分類器個(gè)數(shù)； 將特征向量KbyiM輸入支持向量機(jī)SVM訓(xùn)練出最終分類器。
2.如權(quán)利要求1所述一種基于HOG特征的人臉檢測(cè)方法，其特征在于，在進(jìn)行當(dāng)前圖像方向梯度直方圖HOG特征之前，對(duì)當(dāng)前圖像進(jìn)行光照預(yù)處理。
3.如權(quán)利要求2所述一種基于HOG特征的人臉檢測(cè)方法，其特征在于，光照預(yù)處理的具體方式為對(duì)圖像灰度進(jìn)行校正，實(shí)現(xiàn)低灰度像素范圍的向高灰度拉伸，高灰度范圍像素向低灰度的拉伸。
4.如權(quán)利要求3所述一種基于HOG特征的人臉檢測(cè)方法，其特征在于，所述實(shí)現(xiàn)低灰度像素范圍的向高灰度拉伸，高灰度范圍像素向低灰度的拉伸的具體方法是:
I Y(x, y) = [/(x, y)/0.5]°- *0.5/(x, y) < 0.5
IY(x, y) = {[?(χ, r)-0.5]/0.5J? *0.5 + 0.5.v)> 0_5 其中I(x，y)為預(yù)處理前圖像像素灰度值，Y(x, y)為處理后圖像像素灰度值。
5.如權(quán)利要求1所述一種基于HOG特征的人臉檢測(cè)方法，其特征在于，使用HOG積分圖計(jì)算分塊的HOG特征。
6.如權(quán)利要求1所述一種基于HOG特征的人臉檢測(cè)方法，其特征在于，所述預(yù)設(shè)分類概率 53%。
【文檔編號(hào)】G06K9/62GK103440478SQ201310377532
【公開日】2013年12月11日 申請(qǐng)日期:2013年8月27日 優(yōu)先權(quán)日:2013年8月27日
【發(fā)明者】解梅, 慕春雷, 陳路, 蔡家柱 申請(qǐng)人:電子科技大學(xué)