一種基于結構化模型的人臉檢測方法技術

本發明專利技術公開了一種基于結構化模型的人臉檢測方法，其包括如下步驟：訓練結構化的人臉檢測模型，其中包括全局人臉，部件，以及部件與全局人臉之間的空間關系模型，在該模型中，每個部件都有相應的子類別，并且每個部件都可以進行相應的移動來根據樣本進行自適應的調整；同時，使用基于短語模型的身體檢測器進行身體的檢測，并利用身體的檢測器來估計人臉的位置；最后訓練一個上下文模型來融合上述兩者的檢測，得到最終的檢測結果。本發明專利技術能夠提高人臉檢測精度，具有對遮擋，形變，姿態，光照等復雜變化下的魯棒性，本發明專利技術檢測精度高，適應范圍廣。

【技術實現步驟摘要】

本專利技術涉及圖像處理與模式識別
，尤其是。
技術介紹
人臉檢測在基于人臉的計算機視覺、模式識別應用中占有很重要的地位，例如視頻監控和身份識別系統等。對于大部分的人臉應用，都首先需要對人臉進行精確的檢測。傳統的人臉檢測方法，往往遵循一個固定的框架:首先采集訓練樣本，在固定的區域提取特定的固定紋理特征，然后將這些紋理特征放到某個分類器中進行訓練，從而得到一個人臉檢測模型；對于待檢測的樣本，則也在相應的位置抽取固定的紋理特征并與訓練好的分類器進行對比，獲取一個置信分數，從而判斷其是否為人臉。這種方法在人臉的姿態變化不大的條件下可以獲得較好的效果，但是在實際應用時，不同個體的臉部五官比例并不是一樣的。即使對于同一個體，由于姿態表情等變化，其五官的外觀狀態也是不確定的(如閉眼和睜眼)。因此由于人臉部的這種多樣性，傳統的人臉檢測并不能達到令人滿意的效果。
技術實現思路
本專利技術的目的是克服現有技術中存在的不足，提供，該方法在檢測的時候可以根據樣本進行自適應的調整。本專利技術所提出的包括如下步驟:步驟1，對于圖像數據庫，手工標定含有人臉和不含有人臉的圖像作為訓練樣本，含有人臉的圖像為正樣本{Ia，Ha}，不含有人臉的圖像為負樣本{Ib}，其中，Ha為訓練正樣本Ia中人工標定出的人臉配直；步驟2，對所述正樣本中的各個部件按照其表象特征進行聚類，得到人臉各個部件的若干子類，所述人臉所在的位置，人臉各個部件所在的位置及各個部件的子類組成一人臉配置H,其中，H = {h0, h1； h2,..., hN}, h0為人臉所在的位置九={li； tj為人臉第i個部件所在的位置，Ii表示第i個部件所在的位置坐標，其包含該部件的左上角坐標(Xi，yi)，高度和寬度山為第i個部件所屬子類的標簽；步驟3，建立融合了人臉全局和部件的表象特征，以及全局與部件之間的空間關系的結構化人臉檢測模型Vi步驟4，利用結杓化支持向量機的參數學習方法在所述步驟I手工標定的訓練樣本集上學習得到所述結構化人臉檢測模型的最優參數，從而得到最優結構化人臉檢測模型；步驟5，輸入待檢測圖像，根據所述最優結構化人臉檢測模型，利用能量目標函數來尋找所述待檢測圖像中最優的人臉配置H* ;步驟6，對于所述數據庫中的每一幅圖像，通過手工標定得到帶有人臉位置和身體關節點的訓練樣本，用于產生描述身體的短語；步驟7，根據所述短語對應的訓練樣本，利用常用的形變部件模型訓練基于短語的身體檢測器，其中，每個短語對應一個身體檢測器；步驟8，將所述待檢測圖像與上述訓練得到的每一個基于短語的身體檢測器進行匹配，得到檢測到的短語位置及其相應的匹配分數；步驟9，基于上述得到的身體檢測器的檢測結果估計人臉位置；步驟10，利用結構化的身體上下文模型融合每個身體檢測器檢測得到的身體位置與所述最優結構化人臉檢測模型檢測得到的人臉位置，得到最終的檢測結果。本專利技術同時建模全局人臉，人臉的部件和全局人臉與部件人臉的空間關系，對人臉的每一個部件引入子類的概念，從而將最終可能表示的人臉組合達到指數級別。在利用模型檢測的時候，通過優化一個目標函數來自動的求解最佳的部件位置和部件子類別，從而實現了自適應的人臉檢測。為了學習模型的參數，本專利技術利用結構化支持向量機對模型的參數進行學習，對人的身體和人臉相對位置的空間關系進行建模，利用線性回歸估計人臉位置；使用結構化的上下文模型來建模結構化人臉檢測結果和身體的檢測結果，推斷最終的檢測結果。本專利技術方法可以提高人臉檢測精度，具有對遮擋，形變，姿態，光照等復雜變化下的魯棒性，其檢測精度高，適應范圍廣。附圖說明圖1是本專利技術基于結構化模型的人臉檢測方法流程圖。具體實施例方式為使本專利技術的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本專利技術進一步詳細說明。圖1是本專利技術基于結構化模型的人臉檢測方法流程圖，如圖1所示，所述基于結構化模型的人臉檢測方法包括如下步驟:步驟1，對于圖像數據庫，手工標定含有人臉和不含有人臉的圖像作為訓練樣本，含有人臉的圖像為正樣本,不含有人臉的圖像為負樣本,其中,對于正樣本的標定包括標定整體的人臉位置和人臉的各個部件的位置。步驟2，對所述正樣本中的各個部件按照其表象特征(比如HOG特征)進行聚類，得到人臉各個部件的若干子類，所述人臉所在的位置，人臉各個部件所在的位置及各個部件的子類組成一人臉配置H，其中，H= Ovh1A2,...，hN}，hQ為人臉所在的位置九={li；tj為人臉第i個部件所在的位置，Ii表示第i個部件所在的位置坐標，其包含該部件的左上角坐標(Xi，Yi)，高度和寬度山為第i個部件所屬子類的標簽。所述聚類可使用現有技術中常用的聚類算法，比如K-均值、譜聚類等聚類算法。在本專利技術的一實施例中，各個部件的子類集合中的子類個數設置為4。步驟3，建立融合了人臉全局和部件的表象特征，以及全局與部件之間的空間關系的結構化人臉檢測模型.M ;所述結構化人臉檢測模型別分為兩個層次，第一層為全局的人臉表象模型，用來表示人臉的全局結構特征；第二層為人臉各部件的表象模型，用來表示人臉的紋理細節。除此之外，本專利技術對人臉各部件的表象模型與全局的人臉表象模型之間的空間關系做一個約束，那么所述結構化人臉檢測模型> 就可以分解為:本文檔來自技高網...

【技術保護點】
一種基于結構化模型的人臉檢測方法，其特征在于，該方法包括以下步驟：?步驟1，對于圖像數據庫，手工標定含有人臉和不含有人臉的圖像作為訓練樣本，含有人臉的圖像為正樣本{Ia，Ha}，不含有人臉的圖像為負樣本{Ib}，其中，Ha為訓練正樣本Ia中人工標定出的人臉配置；?步驟2，對所述正樣本中的各個部件按照其表象特征進行聚類，得到人臉各個部件的若干子類，所述人臉所在的位置，人臉各個部件所在的位置及各個部件的子類組成一人臉配置H，其中，H＝{h0，h1，h2，...，hN}，h0為人臉所在的位置；hi＝{li，ti}為人臉第i個部件所在的位置，li表示第i個部件所在的位置坐標，其包含該部件的左上角坐標(xi，yi)，高度和寬度；ti為第i個部件所屬子類的標簽，N為部件的個數；?步驟3，建立融合了人臉全局和部件的表象特征，以及全局與部件之間的空間關系的結構化人臉檢測模型步驟4，利用結構化支持向量機的參數學習方法在所述步驟1手工標定的訓練樣本集上學習得到所述結構化人臉檢測模型的最優參數，從而得到最優結構化人臉檢測模型；?步驟5，輸入待檢測圖像I，根據所述最優結構化人臉檢測模型，利用能量目標函數來尋找所述待檢測圖像中最優的人臉配置H*；?步驟6，對于所述數據庫中的每一幅圖像，通過手工標定得到帶有人臉位置和身體關節點的訓練樣本，用于產生描述身體的短語；?步驟7，根據所述短語對應的訓練樣本，利用常用的形變部件模型訓練基于短語的身體檢測器，其中，每個短語對應一個身體檢測器；?步驟8，將所述待檢測圖像與上述訓練得到的每一個基于短語的身體檢測器進行匹配，得到檢測到的短語位置及其相應的匹配分數；?步驟9，基于上述得到的身體檢測器的檢測結果估計人臉位置；?步驟10，利用結構化的身體上下文模型融合每個身體檢測器檢測得到的身體位置與所述最優結構化人臉檢測模型檢測得到的人臉位置，得到最終的檢測結果。?FDA00002739455100011.jpg...

【技術特征摘要】
1.種基于結構化模型的人臉檢測方法，其特征在于，該方法包括以下步驟: 步驟1，對于圖像數據庫，手工標定含有人臉和不含有人臉的圖像作為訓練樣本，含有人臉的圖像為正樣本{Ia, HJ，不含有人臉的圖像為負樣本{Ib}，其中，Ha為訓練正樣本Ia中人工標定出的人臉配置； 步驟2，對所述正樣本中的各個部件按照其表象特征進行聚類，得到人臉各個部件的若干子類，所述人臉所在的位置，人臉各個部件所在的位置及各個部件的子類組成一人臉配置H,其中，H = {h0, h1； h2,..., hN}, h0為人臉所在的位置九={li； tj為人臉第i個部件所在的位置，Ii表示第i個部件所在的位置坐標，其包含該部件的左上角坐標(Xyyi)，高度和寬度山為第i個部件所屬子類的標簽，N為部件的個數； 步驟3，建立融合了人臉全局和部件的表象特征，以及全局與部件之間的空間關系的結構化人臉檢測模型; 步驟4，利用結構化支持向量機的參數學習方法在所述步驟I手工標定的訓練樣本集上學習得到所述結構化人臉檢測模型的最優參數，從而得到最優結構化人臉檢測模型；步驟5，輸入待檢測圖像I，根據所述最優結構化人臉檢測模型，利用能量目標函數來尋找所述待檢測圖像中最優的人臉配置; 步驟6，對于所述數據庫中的每一幅圖像，通過手工標定得到帶有人臉位置和身體關節點的訓練樣本，用于產生描述身體的短語； 步驟7，根據所述短語對應的訓練樣本，利用常用的形變部件模型訓練基于短語的身體檢測器，其中，每個短語對應一個身體檢測器； 步驟8，將所述待檢測圖像與上述訓練得到的每一個基于短語的身體檢測器進行匹配，得到檢測到的短語位置及其相應的匹配分數；步驟9，基于上述得到的身體檢測器的檢測結果估計人臉位置； 步驟10，利用結構化的身體上下文模型融合每個身體檢測器檢測得到的身體位置與所述最優結構化人臉檢測模型檢測得到的人臉位置，得到最終的檢測結果。2.據權利要求1所述的方法，其特征在于，所述結構化人臉檢測模型包括用來表示人臉的全局結構特征的全局的人臉表象模型，以及用來表示人臉的紋理細節的人臉各部件的表象模型。3.據權利要求1所述的方法，其特征在于，所述結構化人臉檢測模型分解為:4.據權利要求1所述的方法，其特征在于，所述步驟4中采用的結構化支持向量機表示為:5.據權利要求3所述的方法，其特征在于，所述步驟4中在學習參數時，首先分別對所述全局的人臉表象模型M和人臉各部件的表象模型^基于所述結構化的支持向量機獨立進行模型參數學習，從而得到所述全局的人臉表象模型和人臉各部件的表象模型 的最優參數；然后將所述全局的人臉表象模型M和人臉各部件的表象模型Mp的最優爹劃.!乍為參數學習的初始值，再對所述結構化人臉檢測模型uVl基于所述結構化的支持向量機進行模型參數學習，從而得到所...

【專利技術屬性】
技術研發人員：李子青，雷震，閆俊杰，張旭聰，
申請(專利權)人：中國科學院自動化研究所，北京中科奧森科技有限公司，
類型：發明
國別省市：