【摘要】 本发明公开了一种基于图片几何结构的人脸检测方法，包括人脸模型的训练过程和人脸图像的检测过程。该方法包括以下步骤：人脸模型的训练过程步骤：训练样本归一化步骤；特征提取步骤；采用合适大小的块对样本进行划分的分块步骤；将计算获得所有差分值拉成特征列向量步骤，提交分类器学习；瀑布型支持向量机的学习过程；采用级联分类器针对每个窗口中的样本图片进行分类，人脸图像的检测步骤：对检测到的人脸进行标记；本发明改变了目前在本领域普遍存在的着眼于图片的局部结构，但并不能完备和精确的表达图片的全局信息的问题，使其可以快速精确的检测出人脸。 【专利类型】发明授权 【申请人】清华大学 【申请人类型】学校 【申请人地址】100084 北京市海淀区清华园1号 【申请人地区】中国 【申请人城市】北京市 【申请人区县】海淀区 【申请号】CN200810056854.6 【申请日】2008-01-25 【申请年份】2008 【公开公告号】CN101236608B 【公开公告日】2010-08-04 【公开公告年份】2010 【授权公告号】CN101236608B 【授权公告日】2010-08-04 【授权公告年份】2010.0 【IPC分类号】G06K9/62; G06K9/00 【发明人】曹子晟; 陈峰; 张伟东 【主权项内容】1.一种基于图片几何结构的人脸检测方法，包括人脸模型的训练过程和人脸图像的检测过程，其特征在于，该方法包括以下步骤： 其中所述的人脸模型的训练过程包括：训练条件有标定好的人脸样本集、背景样本集和海量背景图片，其训练过程分为如下步骤： (1)训练样本归一化步骤； (2)特征提取步骤； 所述的特征提取步骤进一步包括： 根据训练样本的大小，采用合适大小的块对样本进行划分的分块步骤； 定义分块后的宏块序列为B1，B2，B3，...，Bn； 计算任意两个宏块的块间差分步骤；该步骤的公式定义为： 其中，i和j分别代表第i和第j个宏块，bs、bt是宏块的像素值，l是宏块的像素数；该公式的物理意义是两个宏块的像素平均值之差，反映了两个宏块的亮度差信息； 将计算获得所有差分值拉成特征列向量并提交分类器学习的步骤； (3)瀑布型支持向量机的学习过程： 训练样本集为上述特征提取步骤输出的特征向量，其中， 假定训练集样本大小是M0×M0，设定第一级分类器到最终分类器的最大可接受错检率fs、每级分类器最小可接受检测率ds、全局错检率Fg， 设定支持向量机的维数n0＝10 初始化F0＝1，D0＝1，i＝0 将正样本集放入P，负样本集放入N， 记每轮迭代中的错检率为Fi，检测率为Di，则训练流程的步骤如下： 首先训练第一个阶段的自适应激励分类器，然后采用该弱分类器进行分类，根据错检率重新设定样本权重，进行下一次弱分类器挑选，直到错检率达到fs，调整该自适应激励分类器的阈值，使得检测率达到ds×Di-1，该阶段训练结束，进入下一阶段自适应激励分类器的训练；直到总错检率小于全局错检率Fg后，训练流程结束； 其中所述的人脸图像的检测过程包括： 训练样本归一化； 采用级联分类器针对每个窗口中的样本图片进行分类，该过程是一个全图的多分辨率的过程； 样本依次经过输出分类器的串行过程，任一阶段中的支持向量机判决为负样本，则结论为负样本，跳出判决过程；否则继续进行下一个支持向量机的判决，直到所有支持向量机输出均为正样本，判决才为正样本；这样的分类过程对于绝大多数背景窗口来说都能在前几个支持向量机判决即被正确分类成负样本，只有真正的人脸才会进入最后一级，需要更多的计算量； 对检测到的人脸进行标记； 其中，采用训练集反馈技术，对分类器进行稳定性处理，将学习所得的分类器对大量背 景样本进行检测，将错检的样本放入负样本集，重新进行人脸模型的训练过程和人脸图像的检测过程，直到分类器的错检率保持在稳定状态；将最终的级联分类器的参数记录下来，作为在线检测。 【当前权利人】清华大学 【当前专利权人地址】北京市海淀区清华园1号 【专利权人类型】公立 【统一社会信用代码】12100000400000624D 【被引证次数】2 【被他引次数】2.0 【家族被引证次数】35
