一种人脸检测速度优化方法及系统

技术领域

本公开涉及人脸检测、图像处理技术领域，具体涉及一种人脸检测速度优化方法及系统。

背景技术

人脸检测是计算机视觉领域的热点研究课题，其目的在于确定图像中是否有人脸的存在。在涉及人脸处理的系统中确定人脸的位置是首要操作，可以为人脸处理的问题缩小检测范围，如何提高人脸检测的速度，对于减少人脸处理中的数据量，提高人脸处理系统的整体速度，满足实时人脸处理具有重要的意义，传统的人脸检测技术，存在训练分类器速度很慢，或者精度较差等问题。

发明内容

为解决上述问题，本公开提供一种人脸检测速度优化方法及系统的技术方案，根据本公开的一方面，提供一种人脸检测速度优化方法，所述方法包括以下步骤：

S100，获取视频图像；

S200，针对视频图像提取人脸区域；

S300，验证提取的人脸区域。

具体的，S100中，所述视频图像采用近红外摄像机获得,所述近红外摄像机的红外光的波长范围为[700,1100]nm。

具体的，S200中，根据视频图像提取人脸区域的方法为：

S111，将视频图像转换为灰度图像；

S112，针对灰度图像进行预处理；

S113，对预处理过的灰度图像进行检测以提取人脸区域。

具体的，S112中，针对灰度图像进行预处理的方法为直方图均衡化法、中值滤波法、归一化法、基于肤色的预处理法、边缘检测法和方差预处理法中的一种。

具体的，S113中，对预处理过的灰度图像进行检测以提取人脸区域的方法为采用AdaBoost算法对预处理过的灰度图像进行检测以提取人脸区域，具体步骤为：

S1131，增加45゜矩形特征形成新的Haar-like特征；

S1132，采用新的Haar-like特征对正、负样本进行训练，得到AdaBoost分类器：

S1132-1，将每个Haar-like特征生成1个分类器：

其中，x为样本，f

S1132-2，设输入的训练样本图像为(x

S1132-3，对于负样本，设权值w

S1132-4，归一化权重为一个概率分布，

S1133，提取预处理过的灰度图像的Haar-like特征后输入到AdaBoost分类器进行人脸检测以提取人脸区域。

具体的，S300中,验证提取的人脸区域的方法为面积阈值法。

具体的，所述面积阈值法的步骤为：

S310，计算检测到的人脸区域的面积；

S320，计算预处理过的灰度图像的面积；

S330，如果检测到的人脸区域的面积/预处理过的灰度图像的面积大于等于面积阈值，判断检测到的人脸区域为人脸图像，否则，判断检测到的人脸区域不为人脸图像。

具体的，所述面积阈值的取值范围为(0.5,1)，所述检测到的人脸区域的面积为检测到的人脸区域的图像像素的行数×检测到的人脸区域的图像像素的列数，所述预处理过的灰度图像的面积为预处理过的灰度图像像素的行数×预处理过的灰度图像像素的列数。

本发明还提供了一种人脸检测速度优化系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：

获取单元,用于获取视频图像；

提取单元,用于针对视频图像提取人脸区域；

验证单元,用于验证提取的人脸区域。

本公开的有益效果为：本发明提供一种人脸检测速度优化方法及系统，通过AdaBoost算法对预处理过的灰度图像进行检测以提取人脸区域,噪声更少，计算量更少，又采用面积阈值法验证提取的人脸区域的方法，不仅保留了原图像的重要特征信息而且加快了运算速度，维持了较好的运算精度。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：

图1所示为一种人脸检测速度优化方法的流程图；

图2所示为一种人脸检测速度优化系统结构图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的一种人脸检测速度优化方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种人脸检测速度优化方法。

本公开提出一种人脸检测速度优化方法，所述方法包括以下步骤：

S100，获取视频图像；

S200，针对视频图像提取人脸区域；

S300，验证提取的人脸区域。

优选的，S100中，所述视频图像采用近红外摄像机获得,所述近红外摄像机的红外光的波长范围为[700,1100]nm。

优选的，S200中，根据视频图像提取人脸区域的方法为：

S111，将视频图像转换为灰度图像；

S112，针对灰度图像进行预处理；

S113，对预处理过的灰度图像进行检测以提取人脸区域。

优选的，S112中，针对灰度图像进行预处理的方法为直方图均衡化法、中值滤波法、归一化法、基于肤色的预处理法、边缘检测法和方差预处理法中的一种。

优选的，S113中，对预处理过的灰度图像进行检测以提取人脸区域的方法为采用AdaBoost算法对预处理过的灰度图像进行检测以提取人脸区域，具体步骤为：

S1131，增加45゜矩形特征形成新的Haar-like特征；

S1132，采用新的Haar-like特征对正、负样本进行训练，得到AdaBoost分类器：

S1132-1，将每个Haar-like特征生成1个分类器：

其中，x为样本，f

S1132-2，设输入的训练样本图像为(x

S1132-3，对于负样本，设权值w

S1132-4，归一化权重为一个概率分布，

S1133，提取预处理过的灰度图像的Haar-like特征后输入到AdaBoost分类器进行人脸检测以提取人脸区域。

优选的，S300中,验证提取的人脸区域的方法为面积阈值法。

优选的，所述面积阈值法的步骤为：

S310，计算检测到的人脸区域的面积；

S320，计算预处理过的灰度图像的面积；

S330，如果检测到的人脸区域的面积/预处理过的灰度图像的面积大于等于面积阈值，

判断检测到的人脸区域为人脸图像，否则，判断检测到的人脸区域不为人脸图像。

优选的，所述面积阈值的取值范围为(0.5,1)，所述检测到的人脸区域的面积为检测到的人脸区域的图像像素的行数×检测到的人脸区域的图像像素的列数，所述预处理过的灰度图像的面积为预处理过的灰度图像像素的行数×预处理过的灰度图像像素的列数。

本公开的实施例提供的一种人脸检测速度优化系统，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：

获取单元,用于获取视频图像；

提取单元,用于针对视频图像提取人脸区域；

验证单元,用于验证提取的人脸区域。

所述一种人脸检测速度优化系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种人脸检测速度优系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种人脸检测速度优化系统的示例，并不构成对一种人脸检测速度优化系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种人脸检测速度优化系统还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种人脸检测速度优化系统运行系统的控制中心，利用各种接口和线路连接整个一种人脸检测速度优化可运行系统的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种人脸检测速度优化系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。