CN103390151A - 人脸检测方法及装置 - Google Patents

Abstract

一种人脸检测方法及装置。所述人脸检测方法包括：利用人脸检测算法获取图像中的多个区域框；对所述多个区域框进行聚类分析，以获得至少一个聚类区域；统计各聚类区域中的区域框的个数，确定区域框的个数大于第一阈值的聚类区域为人脸区域。本发明的技术方案，降低了人脸检测的复杂度，且误检率和漏检率低。

Description

人脸检测方法及装置

技术领域

本发明涉及图像技术领域，尤其涉及一种人脸检测方法及装置。

背景技术

人脸识别（Face Recognition）特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，是目前人工智能和模式识别的重点，被广泛地应用在国家安全、军事安全、身份识别、银行及海关的监控、门禁***、视频会议等领域。

人脸检测（Face Detection）是人脸识别中的关键环节，人脸检测是指对于任意一副给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。

根据利用的人脸知识的不同，人脸检测方法可以分为：基于特征的人脸检测方法和基于学习的人脸检测方法。基于特征的人脸检测方法包括：底层特征分析方法、组群特征方法和变形模板方法，底层特征分析方法又包括基于肤色的人脸检测方法。基于学习的人脸检测方法根据学习方法的不同可以分为：基于贝叶斯准则的方法、基于人工神经网络的方法（ANN,artificial neuralnetwork）、支持向量机的方法（SVM，support vector machine）、基于Adaboost的方法等。

基于肤色的人脸检测方法主要根据像素点的颜色信息来检测像素点是否属于肤色，从大量的景物中对图像进行肤色分割，并通过对图像中肤色像素点进行聚类分析来找到可能的人脸区域。其不依赖于面部的细节特征，对于旋转、表情改变等情况具有相对的稳定性，且能和大多数背景物体的颜色相区别。但是基于肤色的人脸检测方法由于依赖于固定的先验模式，因此适应能力比较差，当图像受到光照影响时，对于偏色的环境或偏色人脸检测率低，检测效果较差，有时甚至检测不出人脸。此外，基于肤色的人脸检测方法也易受噪声以及各种遮挡的影响，进而影响最终的检测效果。

基于Adaboost的人脸检测方法，其基本思想是对同一个训练集运用不同的特征，训练出不同的弱分类器，然后将这些弱分类器组合起来构成一个强分类器。该法不易受到颜色的影响，但是误检率高。为了能够降低误检率，通常需要采集大量的训练样本，进行严格的训练，提取更多的矩形特征参数，进而增加了计算的复杂度。对于小型设备而言，如：手持设备，由于设备自身资源的限制，使得该法不太适用在小型设备上检测图像中的人脸，对于低端的手持设备而言，该法甚至不能用于低端设备上检测图像中的人脸。

因此，提供一种复杂度、误检率和漏检率都低的人脸检测方法成为目前亟待解决的问题之一。

其他有关人脸检测的相关技术还可以参见公开号为US2006072811A1，发明名称为人脸检测（Face detection）的美国专利申请。

发明内容

本发明解决的问题是提供一种复杂度、误检率和漏检率都低的人脸检测方法及装置。

为了解决上述问题，本发明提供一种人脸检测方法，包括：

利用人脸检测算法获取图像中的多个区域框；

对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

统计各聚类区域中的区域框的个数，确定区域框的个数大于第一阈值的聚类区域为人脸区域。

可选的，所述人脸检测方法，还包括：

基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域。

可选的，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域的肤色像素点；

在所述肤色像素点的个数比所述聚类区域内像素点的个数的值大于第三阈值时，确定所述聚类区域为人脸区域。

可选的，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域中任一区域框的肤色像素点；

在所述肤色像素点的个数比所述任一区域框内像素点的个数的值大于第四阈值时，确定所述聚类区域为人脸区域。

可选的，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域中任一区域框的预设区域的肤色像素点；

在所述肤色像素点的个数比所述预设区域内的像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。

可选的，所述区域框为矩形框，所述预设区域通过下述方式确定：

width∈0.25W～1W，height∈0.25H～1H；

其中，width为所述预设区域的宽，height为所述预设区域的高，W为所述矩形框的宽，H为所述矩形框的高。

可选的，所述人脸检测方法，还包括：确定区域框的个数小于第二阈值的聚类区域为非人脸区域。

可选的，所述第一阈值为[10，40]之间的整数。

可选的，所述第二阈值为[5，8]之间的整数。

可选的，所述第三阈值的取值范围为[0.3～0.8]。

可选的，所述肤色检测算法为基于高斯模型或贝叶斯模型的肤色检测算法。

可选的，所述人脸检测方法，还包括：在统计各聚类区域中的区域框的个数前，去除所述聚类区域中满足预设条件的区域框。

可选的，所述预设条件为：在所述区域框的中心到聚类区域的中心的距离比所述区域框的宽度的值小于距离阈值。

可选的，所述区域框为矩形框，所述距离阈值的范围为[0.5W，W]，其中W为所述矩形框的宽。

可选的，所述人脸检测算法和肤色检测算法在不同的色彩空间进行。

可选的，所述人脸检测算法为adaboost算法。

为解决上述问题，本发明还提供一种人脸检测装置，包括：

获取单元，用于利用人脸检测算法获取图像中的多个区域框；

聚类分析单元，用于对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

统计单元，用于统计各聚类区域中的区域框的个数；

第一确定单元，用于确定区域框的个数大于第一阈值的聚类区域为人脸区域。

与现有技术相比，本发明的技术方案具有以下优点：

对通过人脸检测算法获取的多个区域框进行聚类分析，统计各聚类区域中区域框的个数，以此检测人脸区域，相对于基于肤色的人脸检测方法而言，由于其受光照影响较小，故漏检率低；相对于基于Adaboost的人脸检测方法而言，由于在检测器的训练过程中无需采集大量的样本，故降低了人脸检测的复杂度；并且，采用人脸检测算法获取区域框后，先进行聚类分析，再对聚类区域中的区域框个数进行统计，也降低了人脸检测的误检率。

在聚类区域的区域框的个数小于第一阈值且大于第二阈值时，基于所述聚类区域的肤色特征确定人脸区域，相较于基于肤色的人脸检测方法和基于Adaboost的人脸检测算法，通过结合聚类区域的区域框个数统计和肤色检测算法进行人脸检测，进一步降低了人脸检测的漏检率和误检率。

附图说明

图1是本发明实施例一的人脸检测方法的流程示意图；

图2是本发明实施例一的采用Adaboost算法检测到的可能是人脸区域的分布示意图；

图3是本发明实施例一的图像数目与矩形框之间的关系示意图；

图4是本发明实施例一的人脸检测装置的结构示意图；

图5是本发明实施例二的人脸检测方法的流程示意图；

图6是本发明实施例二的预设区域的选取示意图；

图7是本发明实施例二的人脸检测装置的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

现有的基于肤色的人脸检测算法容易受到光照影响，因此对人脸的检测率较低，而基于Adaboost的人脸检测方法虽然可以通过严格的训练来获得级联的强分类器以准确地检测人脸，但是训练强分类器时计算复杂度较高，不适用于对小型设备中的图像进行检测。

发明人考虑是否可以在不增加计算复杂度的前提下对人脸进行准确和全面的检测，发明人经过长期的研究发现，在采用人脸检测算法检测图像时，会检测出多个区域框，对多个区域框进行聚类分析后，会得到不同的聚类区域，而各个聚类区域中区域框的个数与人脸区域的检测有着密切的关系。

因此，发明人提出，通过对聚类区域的区域框的个数的判断来检测人脸区域。

实施例一

图1是本发明实施例一的人脸检测方法的流程示意图，如图1所示，所述人脸检测方法包括：

步骤S11：利用人脸检测算法获取图像中的多个区域框；

步骤S12：对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

步骤S13：统计各聚类区域中的区域框的个数，确定区域框的个数大于第一阈值的聚类区域为人脸区域。

执行步骤S11，本步骤中可以应用现有人脸检测技术获取图像中的多个区域框，如：可以采用基于贝叶斯准则的算法、基于人工神经网络的算法、支持向量机的算法或Adaboost算法来对图像进行检测，获取图像中的多个区域框。本实施例中，以采用Adaboost算法对图像进行检测为例进行说明。

所述采用Adaboost算法对图像进行检测实际是指通过Adaboost算法形成强分类器，利用所述强分类器对图像进行检测。一般来讲，可以通过采集一定数量的包括人脸的正样本和不包括人脸的负样本，形成样本训练集。针对不同的样本训练集训练弱分类器，然后把这些在不同训练集上得到的弱分类器集合起来，构成一个强分类器。所述不同的样本训练集是通过调整每个样本对应的权重实现的。

最初开始训练时，每个样本（包括正样本和负样本）对应的权重是相同的，在此样本分布下训练出一个弱分类器h₁(x)。对于h₁(x)错分的样本，则增加其对应的权重；而对于h₁(x)正确分类的样本，则降低其权重。使得错分的样本突出出来，并得到新的样本分布。同时，根据错分的情况赋予h₁(x)一个权重，表示该弱分类器的重要程度，错分得越少权重越大。在新的样本分布下，再次对弱分类器h₁(x)进行训练，得到弱分类器h₂(x)及其权重。依次类推，经过T次循环，就得到了T个弱分类器，以及T个弱分类器对应的权重。最后把这T个弱分类器按其所对应的权重累加起来就得到了强分类器。形成强分类器可以参考现有技术的利用Adaboost算法形成强分类器的具体过程。

本步骤中，采用Adaboost算法训练强分类器时，为了降低计算复杂度，训练过程中训练样本的数量、训练参数的提取都可以进行适当的选取。通过Adaboost算法训练获得强分类器后，利用所述强分类器对图像进行检测。

另外，需要说明的是，采用Adaboost算法对人脸进行检测时，是在灰度空间进行的，因此，若待检测图像是彩色图像，通过Adaboost算法获取待检测图像中的区域框之前，应先将待检测图像转换至灰度空间。

对于采用Adaboost算法形成的强分类器而言，检测时强分类器（检测器）通常为矩形窗口，检测器在待检测图像中是按照像素级进行滑动检测。因此，在有人脸的地方会检测出多个矩形框（矩形框大小不定）。

图2是本发明实施例一的采用Adaboost算法检测到的可能是人脸区域的分布示意图，为了便于说明，图2中仅给出了一张人脸所对应的区域框。对于一幅图像中的多个人脸而言，每一人脸处均应出现与图2所示相似的情况。

如图2所示，检测器检测到的多个矩形框实际上对应了一张人脸，也可以说这多个矩形框实际上对应的是同一区域。因此，对这种情况需要进行聚类分析合并。对检测到的矩形框通过聚类算法将其进行合并，以获得相应的聚类区域。例如：可以将检测到的矩形框按照其中心进行合并，也就是将中心聚集的矩形框合并为一个矩形区域，所述矩形区域即为进行聚类分析后获得的聚类区域，所述聚类区域的长和宽可以分别取在对矩形框进行合并过程中，矩形框长度的最大值和矩形框宽度的最大值，所述矩形区域的中心即为聚类区域的中心。在实际应用中，具体采用何种聚类算法将多个矩形框进行聚类分析合并以形成聚类区域，由实际需求而定。

执行步骤S12，对步骤S11中获得的多个矩形框进行聚类分析，获得N个聚类区域（N≥1），也即N个候选人脸区域。且对于N个聚类区域而言，其均是由至少一个矩形框进行聚类分析合并获得的，或者说对于每个聚类区域而言均包含了至少一个矩形框。

本实施例中，为了防止聚类过程中出现偏差，还包括对已经进行过聚类分析的矩形框进行检测，或者说对聚类区域中的矩形框进行检测，以去除不符合条件的矩形框。具体地，就是计算矩形框的中心到聚类区域的中心c的距离d(参见图2)，在所述d不满足如下公式时，将该矩形框剔出聚类区域。

$\frac{d}{W_i}>\mathrm{rec}\_\mathrm{ratio}$

其中，W_i为聚类区域中第i个矩形框的宽度，rec_ratio为距离阈值。本实施例中rec_ratio取0.5W_i～W_i之间。

执行步骤S13，对步骤S12中获得的N个聚类区域（候选人脸区域）中的矩形框进行统计，通过统计的矩形框的数目来检测人脸区域。发明人进行了大量的实验，采集了大量的图像并分别执行步骤S11和S12，发现当获得的聚类区域为人脸区域时，该聚类区域的矩形框的个数满足一定的条件，获得了根据统计聚类区域的矩形框的数目来检测人脸的置信区间。具体地，就是聚类区域的矩形框的个数大于第一阈值时，获得的聚类区域为人脸区域。所述第一阈值关联于人脸检测算法的目标检测率，所述目标检测率包括：目标检测的正确率、目标检测的漏检率和目标检测的误检率。

图3是本发明实施例一的图像数目与矩形框之间的关系示意图。如图3所示，图中横坐标代表了聚类区域的矩形框的个数，纵坐标代表了采集的图像的数目。如图3所示，本实施例中，采集到的图像中，检测到人脸区域时，矩形框的个数均大于1。或者说在本实施例中，不会出现在人脸区域只有一个矩形框的情况。聚类区域为人脸区域时，聚类区域中矩形框的个数为2个的图像有139幅；聚类区域为人脸区域时，聚类区域中矩形框的个数为4个的图像有78幅；聚类区域为人脸区域时，聚类区域中矩形框的个数为15个的图像有162幅；......；聚类区域为人脸区域时，聚类区域中矩形框的个数为20个的图像有173幅；......；聚类区域为人脸区域时，聚类区域中矩形框的个数为25个的图像有186幅；聚类区域为人脸区域时，聚类区域中矩形框的个数为30个的图像有151幅；......；当采集到的图像中的聚类区域的矩形框的个数在图3所示的高置信区间时，所述聚类区域为人脸区域。所述第一阈值为[10，40]之间的整数，本实施例中，所述第一阈值取10。通过对聚类区域的矩形框的个数进行统计，可以很快地检测出人脸的位置。

对应于上述的人脸检测方法，本实施例还提供一种人脸检测装置，图4是本发明实施例一的人脸检测装置的结构示意图，如图4所示，所述人脸检测装置包括：

获取单元101，用于利用人脸检测算法获取图像中的多个区域框。

聚类分析单元102，与所述获取单元101相连，用于对所述多个区域框进行聚类分析，以获得至少一个聚类区域。

统计单元103，与所述聚类分析单元102相连，用于统计各聚类区域中的区域框的个数。

第一确定单元104，与所述统计单元103相连，用于确定区域框的个数大于第一阈值的聚类区域为人脸区域。

本实施例中，所述人脸检测算法可以为Adaboost算法，所述第一阈值为[10～40]之间的整数。

本实施例中，所述人脸检测装置还包括：去除单元（图中未示出），用于在所述统计单元103统计各聚类区域中的区域框的个数前，去除所述聚类区域中满足预设条件的区域框。所述预设条件为：在所述区域框的中心到聚类区域的中心的距离比所述区域框的宽度的值小于距离阈值。本实施例中所述区域框为矩形框，所述距离阈值的范围为[0.5W，W]，其中W为所述矩形框的宽。

本实施例中，所述人脸检测装置的工作过程可以参见上述的人脸检测方法进行，此处不再赘述。

实施例二

实施例一中，给出了在聚类区域的区域框的个数大于第一阈值时，确定该聚类区域为人脸区域。在实际的检测过程中，也可能出现聚类区域的区域框的个数不满足大于第一阈值的情况，本实施例对聚类区域的区域框的个数不满足实施例一中的情况时，如何确定聚类区域是否为人脸区域进行说明。

图5是本发明实施例二的人脸检测方法的流程示意图，如图5所示，所述人脸检测方法包括：

步骤S 11：利用人脸检测算法获取图像中的多个区域框；

步骤S12：对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

步骤S13：统计各聚类区域中的区域框的个数，确定区域框的个数大于第一阈值的聚类区域为人脸区域；

步骤S14：基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域；

步骤S15：确定区域框的个数小于第二阈值的聚类区域为非人脸区域。

本实施例中步骤S11～S13与实施例一中相类似，故此处不再详述。

请继续参见图3，图3中所示的过渡区间，即为检测到的聚类区域中区域框的个数小于第一阈值且大于第二阈值的情况，所述第二阈值关联于人脸检测算法的目标检测率，所述第二阈值为[5～8]之间的整数，本实施例中，所述第二阈值取5。对于聚类区域的矩形框的个数处于过渡区间的聚类区域而言，利用该聚类区域的肤色特征来确定人脸区域。

具体地，步骤S14包括：

步骤S141：利用肤色检测算法检测所述聚类区域中任一区域框的预设区域的肤色像素点；

步骤S142：在所述肤色像素点的个数比所述预设区域内的像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。

执行步骤S141，由于经过聚类分析后的聚类区域对应了至少一个矩形框，因此，利用肤色检测算法检测所述聚类区域中任一矩形框的预设区域的肤色像素点。

图6是本发明实施例二的预设区域的选取示意图，所述预设区域为矩形，所述预设区域的宽width在0.25W～1W之间，W为矩形框的宽(单位为像素点)，所述预设区域的高height在0.25H～1H之间，H为矩形框的高（单位为像素点）。

一般来讲，对于矩形的人脸区域结构而言，沿竖直方向可以将其等间隔的分为三个区域，其中眼睛和眉毛通常位于矩形区域靠上的1/3区域；嘴巴通常位于矩形区域靠下的1/3区域，鼻子则位于剩下的处于中间的1/3区域。由于本实施例中是基于肤色特征来检测人脸区域，而眼睛、眉毛及嘴巴所在区域的肤色特征不明显，因此，对于待检测的人脸区域（矩形区域）而言，所述预设区域的选取应尽量避开眼睛眉毛和嘴巴的影响，选取所述矩形区域的中间区域（含有鼻子的区域）。本实施例中，所述预设区域的选取如图6中所示，所述预设区域的中心位于矩形框的中心，所述预设区域的宽

所述预设区域的高

选定预设区域后，可以应用现有的肤色检测技术检测所述预设区域的肤色像素点，如：可以采用基于高斯模型的肤色检测算法检测所述预设区域的肤色像素点，也可以采用基于贝叶斯模型的肤色检测算法检测所述预设区域的肤色像素点，且采用肤色检测算法检测肤色像素点时，图像所在的空间可以为YCbCr空间、YUV空间、YIQ空间等其他颜色空间中的任意一种。具体采用基于何种模型的肤色检测算法检测所述预设区域的肤色像素点，由实际情况而定。

执行步骤S142，统计肤色像素点的个数，在预设区域的肤色像素点的个数比预设区域内的所有像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。即：

$\frac{\mathrm{count}}{\mathrm{width}\×\mathrm{height}}>\mathrm{limit}\_\mathrm{ratio}$

其中，count为预设区域的肤色像素点的个数，weight×height为预设区域内的像素点的个数，limit_ratio为第五阈值。

所述第五阈值由测试而定，本实施例中所述第五阈值的范围为[0.5～1），如，所述第五阈值可以取0.5、0.6、0.7等。

在另一实施例中，基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域是通过检测聚类区域的肤色像素点，并将聚类区域中的肤色像素点与整个聚类区域内的像素点进行比较来进行，具体地，包括：

利用肤色检测算法检测所述聚类区域的肤色像素点；

在所述肤色像素点的个数比所述聚类区域内像素点的个数的值大于第三阈值时，确定所述聚类区域为人脸区域。

所述第三阈值由测试而定，本实施例中，所述第三阈值的取值范围为[0.3，0.8]。如，所述第三阈值可以取0.3、0.4、0.5等。

在又一实施例中，基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域是通过检测所述聚类区域中的任一区域框的肤色像素点个数，并将所述肤色像素点个数与该区域框内的像素点个数进行比较来进行，具体地，包括：

利用肤色检测算法检测所述聚类区域中任一区域框的肤色像素点；

在所述肤色像素点的个数比所述任一区域框内像素点的个数的值大于第四阈值时，确定所述聚类区域为人脸区域。

所述第四阈值由测试而定，本实施例中，所述第四阈值的取值范围为[0.5～1），如，所述第四阈值可以取0.5、0.6、0.7、0.8等。

对于检测到的聚类区域中区域框的个数小于第二阈值的情况，即图3中所示的矩形框的个数位于低置信区间时，确定该聚类区域为非人脸区域。

需要说明的是，本实施例中，是通过统计聚类区域的矩形框的个数，并对矩形框的个数进行分类得到若干置信区间。然而图3仅仅给出了置信区间的一种划分方式，即根据矩形框的个数划分出三个置信区间，当统计某一聚类区域的矩形框的个数属于高置信区间时，则确定该聚类区域为人脸区域。当统计某一聚类区域的矩形框的个数属于低置信区间时，则确定该聚类区域为非人脸区域。当统计某一聚类区域的矩形框的个数属于过渡区间时，则要进一步结合肤色检测算法来确定该聚类区域是否为人脸区域。在实际运用时，置信区间的划分不仅仅局限于图3所示，如，置信区间可以划分为2个、4个、5个等，具体如何划分合理的置信区间可以通过对采集到的数据样本进行测试而定。因此，置信区间的划分不应作为对本发明技术方案的限定。

对应于上述的人脸检测方法，本发明实施例还提供一种人脸检测装置，图7是本发明实施例二的人脸检测装置的结构示意图，如图7所示，所述人脸检测装置包括：

获取单元101，用于利用人脸检测算法获取图像中的多个区域框。

聚类分析单元102，与所述获取单元101相连，用于对所述多个区域框进行聚类分析，以获得至少一个聚类区域。

统计单元103，与所述聚类分析单元102相连，用于统计各聚类区域中的区域框的个数。

第一确定单元104，与所述统计单元103相连，用于确定区域框的个数大于第一阈值的聚类区域为人脸区域。

第二确定单元105，与所述统计单元103相连，用于基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域。

第三确定单元106，与所述统计单元103相连，用于确定区域框的个数小于第二阈值的聚类区域为非人脸区域。

本实施例中所述第二阈值为[5～8]之间的整数，所述第二确定单元105包括：

第三检测单元（图中未示出），用于利用肤色检测算法检测所述聚类区域中任一区域框的预设区域的肤色像素点。

第三确定子单元（图中未示出），用于在所述肤色像素点的个数比所述预设区域内的像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。

所述肤色检测算法为基于高斯模型或贝叶斯模型的肤色检测算法。所述第五阈值由测试而定，本实施例中所述第五阈值的取值范围为[0.5～1），如，所述第五阈值可以取0.5、0.6、0.7等。

在另一实施例中，所述第二确定单元包括：

第一检测单元，利用肤色检测算法检测所述聚类区域的肤色像素点；

第一确定子单元，用于在所述肤色像素点的个数比所述聚类区域内像素点的个数的值大于第三阈值时，确定所述聚类区域为人脸区域。

所述第三阈值由测试而定，本实施例中，所述第三阈值的取值范围为[0.3，0.8]。如，所述第三阈值可以取0.3、0.4、0.5等。

在又一实施例中，所述第二确定单元包括：

第二检测单元，利用肤色检测算法检测所述聚类区域中任一区域框的肤色像素点；

第二确定子单元，用于在所述肤色像素点的个数比所述任一区域框内像素点的个数的值大于第四阈值时，确定所述聚类区域为人脸区域。

所述第四阈值由测试而定，本实施例中，所述第四阈值的取值范围为[0.5～1），如，所述第四阈值可以取0.5、0.6、0.7、0.8等。

本实施例中所述人脸检测装置的工作过程，可以参见上述的人脸检测方法进行，此处不再展开具体详述。

综上所述，本发明的技术方案至少具有以下有益效果：

对通过人脸检测算法获取的多个区域框进行聚类分析，统计各聚类区域中区域框的个数，以此检测人脸区域，相对于基于肤色的人脸检测方法而言，由于其受光照影响较小，故漏检率低；相对于基于Adaboost的人脸检测方法而言，由于在检测器的训练过程中无需采集大量的样本，故降低了人脸检测的复杂度；并且，采用人脸检测算法获取区域框后，先进行聚类分析，再对聚类区域中的区域框个数进行统计，也降低了人脸检测的误检率。

在聚类区域的区域框的个数小于第一阈值且大于第二阈值时，基于所述聚类区域的肤色特征确定人脸区域，相较于基于肤色的人脸检测方法和基于Adaboost的人脸检测算法，通过结合聚类区域的区域框个数统计和肤色检测算法进行人脸检测，进一步降低了人脸检测的漏检率和误检率。

检测肤色像素点时，可以检测所述聚类区域的肤色像素点，也可以检测所述聚类区域中任一区域框的肤色像素点，还可以检测所述聚类区域中任一区域框的预设区域的肤色像素点，进而利用肤色像素点来确定人脸区域，因此具有很大的灵活性。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (32)

1.一种人脸检测方法，其特征在于，包括：

利用人脸检测算法获取图像中的多个区域框；

对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

统计各聚类区域中的区域框的个数，确定区域框的个数大于第一阈值的聚类区域为人脸区域。

2.如权利要求1所述的人脸检测方法，其特征在于，还包括：

基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域。

3.如权利要求2所述的人脸检测方法，其特征在于，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域的肤色像素点；

在所述肤色像素点的个数比所述聚类区域内像素点的个数的值大于第三阈值时，确定所述聚类区域为人脸区域。

4.如权利要求2所述的人脸检测方法，其特征在于，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域中任一区域框的肤色像素点；

在所述肤色像素点的个数比所述任一区域框内像素点的个数的值大于第四阈值时，确定所述聚类区域为人脸区域。

5.如权利要求2所述的人脸检测方法，其特征在于，所述基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域包括：

利用肤色检测算法检测所述聚类区域中任一区域框的预设区域的肤色像素点；

在所述肤色像素点的个数比所述预设区域内的像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。

6.如权利要求5所述的人脸检测方法，其特征在于，所述区域框为矩形框，所述预设区域通过下述方式确定：

width∈0.25W～1W，height∈0.25H～1H；

其中，width为所述预设区域的宽，height为所述预设区域的高，W为所述矩形框的宽，H为所述矩形框的高。

7.如权利要求1或2所述的人脸检测方法，其特征在于，还包括：确定区域框的个数小于第二阈值的聚类区域为非人脸区域。

8.如权利要求1～6任一项所述的人脸检测方法，其特征在于，所述第一阈值为[10，40]之间的整数。

9.如权利要求2～6任一项所述的人脸检测方法，其特征在于，所述第二阈值为[5，8]之间的整数。

10.如权利要求3所述的人脸检测方法，其特征在于，所述第三阈值的取值范围为[0.3～0.8]。

11.如权利要求3～5任一项所述的人脸检测方法，其特征在于，所述肤色检测算法为基于高斯模型或贝叶斯模型的肤色检测算法。

12.如权利要求1所述的人脸检测方法，其特征在于，还包括：在统计各聚类区域中的区域框的个数前，去除所述聚类区域中满足预设条件的区域框。

13.如权利要求12所述的人脸检测方法，其特征在于，所述预设条件为：在所述区域框的中心到聚类区域的中心的距离比所述区域框的宽度的值小于距离阈值。

14.如权利要求13所述的人脸检测方法，其特征在于，所述区域框为矩形框，所述距离阈值的范围为[0.5W，W]，其中W为所述矩形框的宽。

15.如权利要求3～5任一项所述的人脸检测方法，其特征在于，所述人脸检测算法和肤色检测算法在不同的色彩空间进行。

16.如权利要求1所述的人脸检测方法，其特征在于，所述人脸检测算法为adaboost算法。

17.一种人脸检测装置，其特征在于，包括：

获取单元，用于利用人脸检测算法获取图像中的多个区域框；

聚类分析单元，用于对所述多个区域框进行聚类分析，以获得至少一个聚类区域；

统计单元，用于统计各聚类区域中的区域框的个数；

第一确定单元，用于确定区域框的个数大于第一阈值的聚类区域为人脸区域。

18.如权利要求17所述的人脸检测装置，其特征在于，还包括：

第二确定单元，用于基于区域框的个数小于第一阈值且大于第二阈值的聚类区域的肤色特征确定人脸区域。

19.如权利要求18所述的人脸检测装置，其特征在于，所述第二确定单元包括：

第一检测单元，利用肤色检测算法检测所述聚类区域的肤色像素点；

第一确定子单元，用于在所述肤色像素点的个数比所述聚类区域内像素点的个数的值大于第三阈值时，确定所述聚类区域为人脸区域。

20.如权利要求18所述的人脸检测装置，其特征在于，所述第二确定单元包括：

第二检测单元，利用肤色检测算法检测所述聚类区域中任一区域框的肤色像素点；

第二确定子单元，用于在所述肤色像素点的个数比所述任一区域框内像素点的个数的值大于第四阈值时，确定所述聚类区域为人脸区域。

21.如权利要求18所述的人脸检测装置，其特征在于，所述第二确定单元包括：

第三检测单元，用于利用肤色检测算法检测所述聚类区域中任一区域框的预设区域的肤色像素点；

第三确定子单元，用于在所述肤色像素点的个数比所述预设区域内的像素点的个数的值大于第五阈值时，确定所述聚类区域为人脸区域。

22.如权利要求21所述的人脸检测装置，其特征在于，所述区域框为矩形框，所述预设区域通过下述方式确定：

width∈0.25W～1W，height∈0.25H～1H；

其中，width为所述预设区域的宽，height为所述预设区域的高，W为所述矩形框的宽，H为所述矩形框的高。

23.如权利要求17或18所述的人脸检测装置，其特征在于，还包括：

第三确定单元，用于确定区域框的个数小于第二阈值的聚类区域为非人脸区域。

24.如权利要求17～22任一项所述的人脸检测装置，其特征在于，所述第一阈值为[10，40]之间的整数。

25.如权利要求18～22任一项所述的人脸检测装置，其特征在于，所述第二阈值为[5，8]之间的整数。

26.如权利要求19所述的人脸检测装置，其特征在于，所述第三阈值的取值范围为[0.3～0.8]。

27.如权利要求19～21任一项所述的人脸检测装置，其特征在于，所述肤色检测算法为基于高斯模型或贝叶斯模型的肤色检测算法。

28.如权利要求17所述的人脸检测装置，其特征在于，还包括：

去除单元，用于在所述统计单元统计各聚类区域中的区域框的个数前，去除所述聚类区域中满足预设条件的区域框。

29.如权利要求28所述的人脸检测装置，其特征在于，所述预设条件为：在所述区域框的中心到聚类区域的中心的距离比所述区域框的宽度的值小于距离阈值。

30.如权利要求29所述的人脸检测装置，其特征在于，所述区域框为矩形框，所述距离阈值的范围为[0.5W，W]，其中W为所述矩形框的宽。

31.如权利要求19～21任一项所述的人脸检测装置，其特征在于，所述人脸检测算法和肤色检测算法在不同的色彩空间进行。

32.如权利要求17所述的人脸检测装置，其特征在于，所述人脸检测算法为adaboost算法。

Images