CN103020949A - 人脸图像检测方法 - Google Patents
人脸图像检测方法 Download PDFInfo
- Publication number
- CN103020949A CN103020949A CN201110296502XA CN201110296502A CN103020949A CN 103020949 A CN103020949 A CN 103020949A CN 201110296502X A CN201110296502X A CN 201110296502XA CN 201110296502 A CN201110296502 A CN 201110296502A CN 103020949 A CN103020949 A CN 103020949A
- Authority
- CN
- China
- Prior art keywords
- candidate window
- face
- window
- pixel
- skin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种人脸检测方法，通过增加肤色检测和人脸边沿检测，为人脸检测增加了肤色这一重要人脸特征，增加了人脸检测的准确性。进一步，通过动态调整人脸候选窗口，加快了人脸检测速度。
Description
技术领域
本发明涉及图像处理检测技术领域，尤其涉及一种人脸图像检测方法。
背景技术
目前，计算机对人脸检测技术应用的是Adaboost算法，这种算法与传统的算法相比，检测速度大大提高。Adaboot算法利用人脸特征和积分图像来简化特征值计算的复杂度，在搜索过程中加入了层叠分类器的方法实现了进一步的提速，该算法检测率和误检率比较理想，能够被较好的应用于PC机上小图片的实时人脸检测。
但是，上述人脸检测方法，需要搜索的图像子窗口比较多，并且以灰度图像为基础，丢弃了肤色这一重要的人脸特征，同时，也没有考虑到利用人脸边缘相对固定的特点，仅仅利用灰度区域变化来实现检测，因此检测效率有限。
发明内容
为此，本发明所要解决的技术问题是：提供一种人脸图像检测方法，以克服背景技术中所述的不足，提高检测效率。
于是，本发明提供了一种人脸检测方法，包括：
步骤1，设置一初始候选窗口；
步骤2，对候选窗口内的图片上的所有像素点计算肤色像素，若N1＞thSkin，则执行下一步，否则执行步骤5，其中，N1为肤色像素点的个数，thSkin为一个与候选窗口面积有关的阀值；thSkin＝area×SkinSensitivity，area为候选窗口面积，Skin Sensitivity为一个小于1的正数；
步骤3，对候选窗口内的所有像素点计算边沿点像素，若N2＞thSobel，则执行下一步，否则执行步骤5，其中，N2为边沿像素的个数，thSobel为一 个与候选窗口边长相关的阀值，thSobel＝d×SobelSensitivity，d为候选窗口边长，SobelSensitivity为一个由实验所得的正数；
步骤4，计算stage分离器的输出值，并判断是否通过所有分离器，若为是，则记录当前窗口，若为否，则执行下一步骤；
步骤5，移动候选窗口，转至步骤2开始执行，并判断候选窗口水平移动是否遇到边界，若为是，则下移候选窗口，转至步骤2，直至候选窗口遍历一次图片；
步骤6，若图片中包含人脸，则将包含人脸的候选窗口按照尺寸相近且位置相邻的原则将候选窗口归类合并，得出人脸矩形方框区域。
其中，在步骤5中，在步骤5中，移动候选窗口后，转至步骤2之前，还包括：移动候选窗口的步长与上一候选窗口设定值及窗口扩大倍数有关，若上一个候选窗口判定不为人脸，则直接移动候选窗口，若上一个候选窗口判定为人脸，则增大移动步长Step＝Stepscale×scale×(islastFace？acc：1)，同时判断候选窗口水平移动是否超过边界，若为否，则转至步骤2，若为是，则调整候选窗口大小，并判断是否超过预置最大人脸尺寸，若为否，则转至步骤2，若为是，则结束图像的扫描，其中Stepscale为初始候选窗口步长设定值，一般为1，scale为当前窗口扩大倍数，islastFace为一布尔值，若上一个候选窗口为人脸则为真，否则为假，acc为动态增大倍数。
其中，步骤2中所述对候选窗口内的图片上的所有像素点计算肤色像素，包括：
选用YCbCr空间作为肤色分布统计的映射空间，RGB空间按照如下公式获得肤色像素：
Y＝0.299R+0.587G+0.114B
Cb＝0.168R-0.332G+0.5B
Cr＝0.5R-0.4187G-0.813B
其中，Y是指亮度分量，Cb指蓝色色度分量，而Cr指红色色度分量。
其中，所述scale取值为1.5至2。
上述方法还包括：根据肤色范围80≤Cb≤135，136≤Cr≤177，得到肤色判定的二值逻辑图像。
上述方法还包括：利用sobel算子，设定固定阀值后，即可以等到相应的边沿判定二值逻辑图像。
其中，步骤2中所述Skin Sensitivity取值为1/3。
其中，步骤3中所述对候选窗口内的所有像素点计算边沿点像素，包括：
利用积分图像公式：ii(x，y)＝∑i(x′，y′)，其中(x，y)点为候选窗口像素点，(x′，y′)为边沿像素点；
计算候选窗口四个边沿点的像素值，根据一对角积分图像值相加减去另外一对角积分图像值，得到候选窗口内边沿像素的个数。
步骤3中所述SobelSensitivity取值为2至5中的正数。
步骤6中所述归类合并包括：
将尺寸相近且位置相邻的候选窗口归为一类；
若类成员数大于或等于预置阀值，则保留该类，否则进行删除；
根据类成员的位置坐标和尺寸求取平均坐标和平均尺寸，作为每一类的坐标和尺寸；
剔除大窗口中出现的小窗口，剩下若干窗口则为判定的人脸区域。
本发明所述一种人脸检测方法，通过增加肤色检测和人脸边沿检测，为人脸检测增加了肤色这一重要人脸特征，增加了人脸检测的准确性。
进一步，通过动态调整人脸候选窗口，加快了人脸检测速度。
附图说明
图1为本发明实施例所述人脸检测方法流程示意图；
图2为本发明实施例所述人脸检测方法详细具体的流程示意图；
图3为(x，y)点的积分图像示意图；
图4为候选窗口区域示意图。
具体实施方式
下面，结合附图对本发明进行详细描述。
如图1所示，本实施例提供了一种人脸检测方法，该方法中增加了肤色这一重要人脸特征，使得人脸检测准确性更高。其核心处理算法可以分成四个步骤来实现，分别为A：计算肤色和边沿积分图像，以确定人脸区域；B：对确定的人脸区域再计算积分图像和平方图像，进一步确定人脸区域；C：动态调整人脸候选窗口的步长并扫描人脸；D：合并同类方框。
本实施例中，输入是一张彩色图片，使用本实施例所述人脸检测方法，输出的是代表人脸区域的矩形方框。另外，本实施例所述人脸检测方法中还有最小搜索窗口，最大搜索窗口，图像缩小倍数，搜索方框扩大倍数，移动步长倍数，肤色及边沿控制阀值等控制参数，这些控制参数可以根据需要调整搜索速度和搜索精确度。
下面详细描述本实施例提供的人脸检测方法。如图图1和2所示：
步骤201，开始扫描图像，设置一初始候选窗口；
步骤201，对候选窗口内的图片上的所有像素点计算肤色像素；
其中，对于肤色判断，选用YCbCr空间作为肤色分布统计的映射空间，RGB空间可按下述公式(1)转换到YCbCr空间：
Y＝0.299R+0.587G+0.114B
Cb＝0.168R-0.332G+0.5B (1)
Cr＝0.5R-0.4187G-0.0813B
由于肤色范围为：
80≤Cb≤135，136≤Cr≤177 (2)
因此，得到肤色判定的二值逻辑图像。
同样的，利用sobel算子，设定固定阀值可以等到相应的边沿判定二值逻辑图像。
利用积分图像公式：
ii(x，y)＝∑i(x′，y′) (3)
其中(x，y)点的积分图像就是图3中阴影区域的所有像素i(x′，y′)的逻辑值之和，代表该区域内肤色像素和边沿像素的个数。
如图4所示，应用时利用公式：
区域D和＝ii4+ii1-ii2-ii3 (4)
可计算区域D中肤色点的个数与边缘点的个数。
步骤203，若N1＞thSkin，则执行下一步，否则执行步骤208；
其中，N1为肤色像素点的个数，thSkin为一个与候选窗口面积有关的阀值；thSkin＝area×SkinSensitivity，area为候选窗口面积，Skin Sensitivity为一个小于1的正数，此时可以取值为1/3；
步骤204，对候选窗口内的所有像素点计算边沿点像素，其中，计算边沿点像素的详细方法如步骤201中所述，在此不再重复描述；
步骤205，若N2＞thSobel，则执行下一步，否则执行步骤208；
其中，N2为边沿像素的个数，thSobel为一个与候选窗口边长相关的阀值，thSobel＝d×SobelSensitivity，d为候选窗口边长，SobelSensitivity为一个由实验所得的正数，在此处可以取值为2到5；
步骤206，计算stage分离器的输出值，并判断是否通过所有分离器，若为是，则执行下一步骤，若为否，则执行步骤208；
具体的，该步骤包括：选择一Stage分类器，按照Adaboost算法得出其每个弱分类器的输出值并累加，得到一个stage分类器的输出值，将stage分类器的输出值与训练所得的阀值相比，若输出值大于该阀值，若为否，则继续计算下一个stage分离器的输出值，继续判断stage分离器的输出值是否大于训练所得的阀值，直到...为止。该stage分类器的输出值大于训练所得的阀值，则判断是否通过所有分离器，若为是，则记录当前窗口，若为否，则执行下一步骤。其中，阈值是训练算法通过训练样本所得。
步骤207，记录当前窗口，即记录当前窗口值，一般是左上角坐标值和窗口的长宽值；
步骤208，移动候选窗口；
步骤209，判断候选窗口水平移动是否超过边界，若为是，则执行一下步骤，若为否，则转至步骤202；
步骤210，调整候选窗口大小，移动候选窗口的步长与上一候选窗口设定值及窗口扩大倍数有关，若上一个候选窗口判定不为人脸，则直接移动候选窗口，若上一个候选窗口判定为人脸，则增大移动步长Step＝Stepscale×scale×(islastFace？acc：1)，其中Stepscale为初始候选窗口步长设定值，一般为1，scale为当前窗口扩大倍数，islastFace为一布尔值，若上一个候选窗口为人脸则为真，否则为假，acc为动态增大倍数，一般取值为1.5至2；
步骤211，判断调整的候选窗口尺寸是否超出预置最大人脸尺寸，若为否，转至步骤202，若为是，则结束图像的扫描。
当候选窗口遍历整个图片后，若图片中包含有人脸，则将包含人脸的候选窗口按照尺寸相近且位置相邻的原则将候选窗口归类合并，得出人脸矩形方框区域。
由于同一人脸很可能在相邻的地方多次被检出，同时可能存在一些误检的情况，因此需要进行方框的合并，合并的方法是利用不相交集合算法。即，将尺寸相近且位置相邻的候选窗口归为一类；若类成员数大于或等于预置阀值T，则保留该类，否则进行删除，此处在于消除个别误检的情况；对保留的每一类，根据类成员的位置坐标和尺寸求取平均坐标和平均尺寸，作为每一类的坐标和尺寸；最后，根据实际情况，还需要剔除大窗口中出现的小窗口，剩下若干窗口则为判定的人脸区域。其中，预置阀值T是类成员数量判决阈值。
上述步骤201到步骤208，实现了对人脸区域的查找扫描，使得人脸检测 结果更为准确、精准。步骤208到步骤211是对候选窗口的一种动态调整过程，从人脸检测方法来说，其动态调整过程不是必须的，但是增加了步骤208到步骤211后，可以将检测人脸的过程加速，提供了检测速度。
可见，上述方法，克服了人脸特征利用不足的缺点，有效的利用肤色逻辑图像和边沿逻辑图像减少了人脸的候选集，并采用逻辑积分图像和动态步长调整加快计算和搜索速度，从而大大减少了人脸检测***的检测时间。
综上所述，本发明实施例所述一种人脸检测方法，通过增加肤色检测和人脸边沿检测，为人脸检测增加了肤色这一重要人脸特征，增加了人脸检测的准确性。
进一步，通过动态调整人脸候选窗口，加快了人脸检测速度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸检测方法，其特征在于，包括：
步骤1，设置一初始候选窗口；
步骤2，对候选窗口内的图片上的所有像素点计算肤色像素，若N1＞thSkin，则执行下一步，否则执行步骤5，其中，N1为肤色像素点的个数，thSkin为一个与候选窗口面积有关的阀值；thSkin＝area×SkinSensitivity，area为候选窗口面积，Skin Sensitivity为一个小于1的正数；
步骤3，对候选窗口内的所有像素点计算边沿点像素，若N2＞thSobel，则执行下一步，否则执行步骤5，其中，N2为边沿像素的个数，thSobel为一个与候选窗口边长相关的阀值，thSobel＝d×SobelSensitivity，d为候选窗口边长，SobelSensitivity为一个由实验所得的正数；
步骤4，计算stage分离器的输出值，并判断是否通过所有分离器，若为是，则记录当前窗口，若为否，则执行下一步骤；
步骤5，移动候选窗口，转至步骤2开始执行，并判断候选窗口水平移动是否遇到边界，若为是，则下移候选窗口，转至步骤2，直至候选窗口遍历一次图片；
步骤6，若图片中包含人脸，则将包含人脸的候选窗口按照尺寸相近且位置相邻的原则将候选窗口归类合并，得出人脸矩形方框区域。
2.根据权利要求1所述的方法，其特征在于，在步骤5中，移动候选窗口后，转至步骤2之前，还包括：移动候选窗口的步长与上一候选窗口设定值及窗口扩大倍数有关，若上一个候选窗口判定不为人脸，则直接移动候选窗口，若上一个候选窗口判定为人脸，则增大移动步长Step＝Stepscale×scale×(islastFace？acc：1)，同时判断候选窗口水平移动是否超过边界，若为否，则转至步骤2，若为是，则调整候选窗口大小，并判断是否超过预置最大人脸尺寸，若为否，则转至步骤2，若为是，则结束图像的扫描，其中Stepscale为初始候选窗口步长设定值，一般为1，scale为当前窗口扩大倍数，islastFace为一布尔值，若上一个候选窗口为人脸则为真，否则为假，acc为动态增大倍数。
3.根据权利要求1所述的方法，其特征在于，步骤2中所述对候选窗口内的图片上的所有像素点计算肤色像素，包括：
选用YCbCr空间作为肤色分布统计的映射空间，RGB空间按照如下公式获得肤色像素：
Y＝0.299R+0.587G+0.114B
Cb＝0.168R-0.332G+0.5B
Cr＝0.5R-0.4187G-0.0813B
其中，Y是指亮度分量，Cb指蓝色色度分量，而Cr指红色色度分量。
4.根据权利要求2所述的方法，其特征在于，所述scale取值为1.5至2。
5.根据权利要求1所述的方法，其特征在于，还包括：根据肤色范围80≤Cb≤135，136≤Cr≤177，得到肤色判定的二值逻辑图像。
6.根据权利要求1所述的方法，其特征在于，还包括：利用sobel算子，设定固定阀值后，即可以等到相应的边沿判定二值逻辑图像。
7.根据权利要求1所述的方法，其特征在于，步骤2中所述Skin Sensitivity取值为1/3。
8.根据权利要求1所述的方法，其特征在于，步骤3中所述对候选窗口内的所有像素点计算边沿点像素，包括：
利用积分图像公式：ii(x，y)＝∑i(x′，y′)，其中(x，y)点为候选窗口像素点，(x′，y′)为边沿像素点；
计算候选窗口四个边沿点的像素值，根据一对角积分图像值相加减去另外一对角积分图像值，得到候选窗口内边沿像素的个数。
9.根据权利要求1所述的方法，特征在于，步骤3中所述SobelSensitivity取值为2至5中的正数。
10.根据权利要求1所述的方法，其特征在于，步骤6中所述归类合并包括：
将尺寸相近且位置相邻的候选窗口归为一类；
若类成员数大于或等于预置阀值，则保留该类，否则进行删除；
根据类成员的位置坐标和尺寸求取平均坐标和平均尺寸，作为每一类的坐标和尺寸；
剔除大窗口中出现的小窗口，剩下若干窗口则为判定的人脸区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110296502XA CN103020949A (zh) | 2011-09-27 | 2011-09-27 | 人脸图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110296502XA CN103020949A (zh) | 2011-09-27 | 2011-09-27 | 人脸图像检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103020949A true CN103020949A (zh) | 2013-04-03 |
Family
ID=47969516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110296502XA Pending CN103020949A (zh) | 2011-09-27 | 2011-09-27 | 人脸图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103020949A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226698A (zh) * | 2013-04-16 | 2013-07-31 | 哈尔滨工程大学 | 一种人脸检测方法 |
| CN103607554A (zh) * | 2013-10-21 | 2014-02-26 | 无锡易视腾科技有限公司 | 一种基于全自动人脸无缝合成的视频合成方法 |
| CN103778430A (zh) * | 2014-02-24 | 2014-05-07 | 东南大学 | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 |
| CN105243380A (zh) * | 2015-11-18 | 2016-01-13 | 哈尔滨工业大学 | 基于选择性中值滤波和pca结合的单人脸图像识别方法 |
| CN106529437A (zh) * | 2016-10-25 | 2017-03-22 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
| CN106530498A (zh) * | 2016-11-14 | 2017-03-22 | 浪潮（苏州）金融技术服务有限公司 | 一种业务办理方法、装置及自助终端 |
| CN109145716A (zh) * | 2018-07-03 | 2019-01-04 | 袁艳荣 | 基于脸部识别的登机口检验平台 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923637A (zh) * | 2010-07-21 | 2010-12-22 | 康佳集团股份有限公司 | 一种移动终端及其人脸检测方法和装置 |
| CN102184385A (zh) * | 2011-04-19 | 2011-09-14 | 天津工业大学 | 一种基于结构特征的人脸检测方法 |
-
2011
- 2011-09-27 CN CN201110296502XA patent/CN103020949A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923637A (zh) * | 2010-07-21 | 2010-12-22 | 康佳集团股份有限公司 | 一种移动终端及其人脸检测方法和装置 |
| CN102184385A (zh) * | 2011-04-19 | 2011-09-14 | 天津工业大学 | 一种基于结构特征的人脸检测方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226698A (zh) * | 2013-04-16 | 2013-07-31 | 哈尔滨工程大学 | 一种人脸检测方法 |
| CN103226698B (zh) * | 2013-04-16 | 2016-01-27 | 哈尔滨工程大学 | 一种人脸检测方法 |
| CN103607554A (zh) * | 2013-10-21 | 2014-02-26 | 无锡易视腾科技有限公司 | 一种基于全自动人脸无缝合成的视频合成方法 |
| CN103778430A (zh) * | 2014-02-24 | 2014-05-07 | 东南大学 | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 |
| CN103778430B (zh) * | 2014-02-24 | 2017-03-22 | 东南大学 | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 |
| CN105243380A (zh) * | 2015-11-18 | 2016-01-13 | 哈尔滨工业大学 | 基于选择性中值滤波和pca结合的单人脸图像识别方法 |
| CN106529437A (zh) * | 2016-10-25 | 2017-03-22 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
| CN106529437B (zh) * | 2016-10-25 | 2020-03-03 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
| CN106530498A (zh) * | 2016-11-14 | 2017-03-22 | 浪潮（苏州）金融技术服务有限公司 | 一种业务办理方法、装置及自助终端 |
| CN109145716A (zh) * | 2018-07-03 | 2019-01-04 | 袁艳荣 | 基于脸部识别的登机口检验平台 |
| CN109145716B (zh) * | 2018-07-03 | 2019-04-16 | 南京思想机器信息科技有限公司 | 基于脸部识别的登机口检验平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103020949A (zh) | 人脸图像检测方法 | |
| CN101916370B (zh) | 人脸检测中非特征区域图像处理的方法 | |
| CN106295656B (zh) | 基于图像色块内容的图像轮廓特征提取方法和装置 | |
| CN105005766B (zh) | 一种车身颜色识别方法 | |
| CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
| CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN108288033B (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
| CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
| CN100463000C (zh) | 基于级联分类和哈夫圆变换的人眼状态检测方法 | |
| CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
| US6360002B2 (en) | Object extracting method using motion picture | |
| CN103824059A (zh) | 一种基于视频图像序列的人脸表情识别方法 | |
| CN105354599A (zh) | 一种基于改进的slic超像素分割算法的颜色识别方法 | |
| CN103310422B (zh) | 获取图像的方法及装置 | |
| CN105678218B (zh) | 一种移动物体分类的方法 | |
| CN104463138B (zh) | 基于视觉结构属性的文本定位方法及*** | |
| CN107507144A (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
| CN104966285A (zh) | 一种显著性区域的检测方法 | |
| CN103914849A (zh) | 一种红枣图像的检测方法 | |
| CN109215010A (zh) | 一种图像质量判断的方法及机器人人脸识别*** | |
| CN113537211B (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
| CN109190455A (zh) | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 | |
| CN106815587A (zh) | 图像处理方法及装置 | |
| CN102610104A (zh) | 一种车载的前方车辆检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130403 |