一种改进型复杂环境下人脸检测定位识别方法

摘要

一种改进型复杂环境下人脸检测定位识别方法，系统通过大量数据集对haar‑like特征进行训练，以特征出现率高低对特征附权重。对权重累加和设置阈值。在分类器中先对权重较高的特征进行投票，当权重累加和满足阈值条件传入下一级。通过该操作大大减轻了由于特征数量较多导致的时间成本较高。与积分图结合，实现了复杂环境下人脸区域快速准确检测定位。本系统基于haar‑like特征对人脸进行检测，以弱分类器组合实现较小计算成本的高分类准确率。然后级联弱分类器的组合对输入样本进行逐层筛选，最终定位人脸区域。将检测的人脸区域输入训练形成的特征空间，通过最邻近样本投票实现对输入人脸区域的识别。实现了复杂环境人脸的检测识别。

说明书

技术领域

本发明属于图像处理领域，尤其涉及人脸检测与识别应用中，提出了一种改进型复杂环境下的人脸检测定位识别方法。

背景技术

近年来，随着人脸识别技术的发展，人脸识别渐渐在生活中得到广泛的应用。手机的刷脸解锁、宿舍楼的刷脸开门等方便了我们的日常生活。在复杂环境中对人脸检测识别，对人来说是十分容易的事情，但是对于机器来说，从复杂环境识别是否有人脸的存在是一件十分复杂的事情。

目前社会上存在的人脸识别算法有：（1）基于几何特征的人脸识别方法。主要通过提取人眼、口、鼻等重要特征点的位置和几何特征作为分类特征。但几何特征对人脸识别精确性不高。（2）基于特征脸的人脸识别。它首先根据一组前期准备好的人脸训练图像构造主元空间，然后通过特征的加权和表征人脸。而对特定脸部的识别仅需要将这些权重与已知个人权重进行比较。（3）基于弹性模型的人脸识别。采用全局特征描述，并且针对局部特征关键点，是基于采样点的Gabor小波人脸识别算法的代表方法之一。通过该方法，面部的全局特征得到了保留，局部的关键特征也进行了建模。缺点是时间复杂度高，速度较慢，实现复杂。

随着深度学习的兴起，越来越多的人投入到基于深度学习的人脸检测研究中。基于神经网络的人脸识别算法也渐渐出现。如北京飞搜科技有限公司提出“一种基于三级卷积网络的人脸检测方法及系统”（专利申请号201710078431.3，公开号CN106874868 A），采用三级卷积神经网络进行人脸检测，多级性能逐渐增强的网络逐级训练，并且将前n级的训练结果作为后一级的输入,但是该三级卷积神经网络需要采取分阶段的方式训练,存在效率慢、训练步骤繁琐、不能进行联合任务的问题,网络的泛化能力较差,具有一定的局限性。

发明内容

针对现有技术中存在的问题，本发明提出了一种改进型复杂环境下人脸检测定位识别方法，能对输入含多个人脸信息、人脸信息在复杂背景环境中、多人脸信息同时在复杂环境中的图片进行准确的人脸检测识别，解决复杂环境人脸信息处理准确率低、识别效果差的问题；系统采用根据训练样本集中特征的出现率为特征加权重的方法来实现数据的快速计算，解决大量数据计算带来的检测时间长的问题。

一种改进型复杂环境下人脸检测定位识别方法，如图1所示，系统分为三部分，首先对于输入图像进行处理，将人脸信息从复杂环境中筛选出；然后训练样本集，建立特征空间；最后将筛选出的人脸信息进行识别，具体为：

第一步、复杂环境人脸检测：

1.利用haar-like特征对人脸信息进行检测：读取输入图片信息，设定初始矩形框；将小矩形表示为黑白两部分，分别对两部分所覆盖的像素灰度值进行求和，最后用白色部分像素点灰度值之和减去黑色部分像素点灰度值之和，得到一个haar-like特征；常用的haar-like特征如图3所示，通过对训练样本中haar-like特征出现率，对haar-like特征设置权重；

2.对特征按照权重排序，设定阈值：先对当前框图权重较高的特征进行计算，对提取的haar-like特征进行数据处理，形成积分图，如图4所示；通过对同一框图的特征权重的累加和，当累加和高于阈值则将区域传递给下一级；

3.训练弱分类器：

确定特征数量，对特征f训练特征弱分类器

其中，x代表一个检测窗口，f是特征，p标识不等号的方向，a代表阈值，训练弱分类器的目的就是确定特征的最优阈值，通过该阈值使的这个弱分类器误差最低，在对所有的训练样本进行分类时，通过以下几步可以了解弱分类器的训练过程：

（1）计算特征f所有训练样本的特征值；

（2）对上步计算所得特征值进行排序；

（3）对于排好序的每个元素：

（a）计算所有人脸样本的权重和T1；

（b）计算所有非人脸样本的权重和T2；

（c）计算人脸样本在该元素之前的所有权重之和T3；

（d）计算非人脸样本在该元素之前的所有权重之和T4；

（4）阈值的选择为前一个特征值和当前特征值之间的数，该阈值的分类误差可以通过下式进行计算：

在通过将这个排序的表从头到尾扫描一遍可以为弱分类器选择使分类误差最小的阈值；

4.组合弱分类器：

首先给每一个训练样本定义一个权重，权重代表该样本能够被正确分类的概率，这样每次训练重点关注的样本取决于样本的权重，而样本权重的变化取决于样本前一轮是否被正确分类，如果前一轮样本被正确分类，就降低该样本的权重；如果前一轮样本未被正确分类，则提高该样本的权重，使下一轮重点关注被错误分类的样本；其次，弱分类器构成强分类器是采用加权投票表决的方式，就是给每个弱分类器定义权重，对于分类误差较小的分类器定义较大的权重，使其在投票表决中占据较大的“影响力”，对于分类误差率较大的分类器定义较小的权重，减小其在投票中所占据的“影响力”；综上，这些弱分类器通过加权组合构成了一个分类能力更强的强分类器；

假定输入训练集

（1）初始化样本权重，分别初始化人脸样本的权重为

（2）对于T次循环，t=1,2,3……T；

（a）权重归一化：

此时计算得出的

（b）对每一个特征j，训练分类器

（c）从比较弱分类器的加权错误值，寻找最小加权错误率的弱分类器；

（d）对每个样本的权重进行重新定义：

其中：

（3）通过不断调整弱分类器权重，构成强分类器：

其中

5.级联分类器：

对于第一级分类器，它的训练样本为输入的全部训练样本，第二级训练样本的非人脸样本为第一级对原始非人脸样本的误检样本，通过这样一级一级的筛选分类，构建完成级联的强分类器；

在检测输入图像时，由于人脸图像特征大小并不固定，所以需要对输入图像进行多区域、多尺寸的检测；所谓多区域检测，就是通过取样子窗口的平移操作获得图像多区域的信息，以便对于每个区域进行检测；在进行样本训练时所采用的样本都是设定好尺寸的图像，但是输入图像并非是固定尺寸的，所以在检测时为了解决比训练样本更大尺寸的输入图像的检测，需要采用多尺度检测的方式；本系统通过不断扩大取样子窗口的尺寸进行多尺寸检测，并利用积分图进行优化计算，每个矩形区域的计算都只需要进行四个值的加减计算；在检测的过程中，程序会取样大量的子窗口，这些子窗口会被一级一级的筛选；在检测过程中只有检测出人脸区域才会进入下一级进行检测，获得的子窗口只有通过所有级联的分类器并被判断为人脸区域，才能最后确定为人脸；

第二步、样本训练：

1.建立人脸身份数据库，读入人脸图像信息，

2.数据中心化：

3.计算协方差矩阵

4.对协方差矩阵进行特征值分解，得到特征值

5.将原来的样本投影到新的特征空间，得到新的降维样本，

第三步、人脸识别：

1.初始化：将阈值距离设置为所有样本之间距离的最大值；

2.计算新输入样本的与训练集中其他样本的距离d；

3.选出最邻近的K个样本，并求出K个最邻近样本之间距离的最大值D；

4.如果所有的d都大于D，则认为该样本不属于该样本集，如果d小于D，则将该训练样本作为K-最邻近样本；

根据K-最邻近样本中这几个类别号每个类别出现的次数，选择出现次数最多的那个样本名称，作为该输入样本的名称。

一种改进型复杂环境下人脸检测定位识别方法，系统通过大量数据集对haar-like特征进行训练，以特征出现率高低对特征附权重。对权重累加和设置阈值。在分类器中先对权重较高的特征进行投票，当权重累加和满足阈值条件传入下一级。通过该操作大大减轻了由于特征数量较多导致的时间成本较高。与积分图结合，实现了复杂环境下人脸区域快速准确检测定位。本系统基于haar-like特征对人脸进行检测，以弱分类器组合实现较小计算成本的高分类准确率。然后级联弱分类器的组合对输入样本进行逐层筛选，最终定位人脸区域。将检测的人脸区域输入训练形成的特征空间，通过最邻近样本投票实现对输入人脸区域的识别。实现了复杂环境人脸的检测识别。

附图说明

图1是系统基本架构图；

图2是复杂环境下人脸检测流程图；

图3是常用haar-like特征图；

图4是积分图模型；

图5是人脸区域判定过程图；

图6是样本训练流程图；

图7是人脸识别过程图。

具体实施方式

样本训练是在MATLAB上，首先读取训练样本，为了缩短训练时间在测试时选用的是ORL人脸数据库。首先读取数据库中的人脸图片，将一张人脸图片的灰度信息存成一行，形成一个pⅹn的矩阵X。其中p代表的是样本数量，n代表的是一个样本所有灰度值的有序排列。然后求矩阵X的平均值，将矩阵中所有的值减去平均值，对数据进行中心化形成新的矩阵

目前的人脸识别主要针对以人脸信息为主要的图像，但是对于人来说就是有点不方便。本系统实现复杂环境人脸检测识别，可以实现较远距离的人脸识别，例如居民区门禁搭载本系统可以实现较远距离的人脸识别，而不需要人走的特别近。公共交通区域搭载本系统可以实现复杂人群中精准识别，帮助建设安全公共环境。