視頻人臉檢測方法及裝置的制造方法
【技術領域】
[0001] 本發明涉及一種視頻圖像處理方法，尤其是指一種視頻人臉檢測方法及裝置。
【背景技術】
[0002] 在實時視頻監控裝置中，對于不同角度的人臉圖像存在實時檢測采集，而后上傳 于服務器數據庫存儲關鍵信息進而進行犯罪嫌疑人人臉識別的應用需求。
[0003] 然而傳統的人臉檢測多采用haar/lbp特征加 adaboost分類器的方法從而實現攝 像機等嵌入式設備上進行實時的人臉檢測。上述adaboost是一種迭代算法，其核心思想是 針對同一個訓練集訓練不同的分類器，然后把這些弱分類器集合起來，構成一個更強的最 終分類器。使用adaboost分類器可以排除一些不必要的訓練數據特征，并放在關鍵的訓練 數據上面。
[0004] 但此種算法存在訓練慢、檢測慢等問題，其中檢測慢在于需使用adaboost分類器 的層級多，若減少使用adaboost分類器的層級或者使用SVM分類器（SVM-Support Vector Machine，即支持向量機，是一個有監督的學習模型，通常用來進行模式識別、分類、以及回 歸分析），雖可提高速度但經對同檢測樣本集的測試不難驗證如此方法會導致最終應用中 人臉檢測效果變差的問題。

【發明內容】

[0005] 本發明所要解決的技術問題是：提供一種可有效提高人臉檢測速度的視頻人臉檢 測方法及裝置。
[0006] 為了解決上述技術問題，本發明采用的技術方案為：一種視頻人臉檢測方法，包括 人臉檢測流程；所述人臉檢測流程包括步驟，
[0007] SI)輸入視頻圖像幀，將圖像幀作為原始圖像；
[0008] S3)采用haar或Ibp特征使用adaboost分類器檢測原始圖像，得到人臉位置預序 列；
[0009] S4)將人臉位置預序列輸入SVM分類器進行檢測，得到人臉位置終序列。
[0010] 上述中，還包括分類器訓練流程；所述分類器訓練流程包括，采用灰度、顏色、邊緣 信息中的一個或者多個作為特征訓練SVM分類器。
[0011] 上述中，在人臉檢測流程Sl與S3之間還包括S2)輸入加速處理；所述輸入加速處 理包括步驟，
[0012] S21)遍歷判斷原始圖像的每個像素在YCbCr色彩空間下的顏色是否同時滿足 Cb e [80, 135]且Cr e [136, 177]，得到第一二值掩碼圖像；
[0013] S22)對原始圖像進行圖像邊緣檢測得到邊緣圖像；
[0014] S23)對邊緣圖像根據設定閾值進行二值化處理，得到第二二值掩碼圖像；
[0015] S24)對第二二值掩碼圖像進行腐蝕、膨脹圖像處理，得到第三二值掩碼圖像；
[0016] S25)取第一二值掩碼圖像與第三二值掩碼圖像的交集，得到原始圖像的區域二值 掩碼圖像；
[0017] 所述步驟S3具體包括步驟，
[0018] S31)采用滑動子窗口遍歷原始圖像；
[0019] S32)將當前滑動子窗口相對應的區域二值掩碼圖像中區域的值進行累加；
[0020] S33)判斷累加值是否滿足預設閾值，對滿足閾值的執行步驟S34 ;
[0021] S34)對當前滑動子窗口進行adaboost分類檢測，遍歷結束后得到人臉位置預序 列。
[0022] 上述中，所述步驟S22中，使用sobel算子核
對原始圖像進行圖像邊緣 檢測。
[0023] 上述中，所述輸入加速流程的步驟S24中的腐蝕、膨脹圖像處理中的膨脹次數大 于腐蝕次數。
[0024] 一種視頻人臉檢測裝置，包括人臉檢測單元；所述人臉檢測單元包括，
[0025] 獲取模塊，用于輸入視頻圖像幀，將圖像幀作為原始圖像而后轉到adaboost檢測 模塊；
[0026] adaboost檢測模塊，用于采用haar或Ibp特征使用adaboost分類器檢測原始圖 像，得到人臉位置預序列而后轉到SVM檢測模塊；
[0027] SVM檢測模塊，用于將人臉位置預序列輸入SVM分類器進行檢測，得到人臉位置終 序列。
[0028] 上述中，還包括分類器訓練單元；所述分類器訓練單元包括SVM訓練模塊，用于采 用灰度、顏色、邊緣信息中的一個或者多個作為特征訓練SVM分類器。
[0029] 上述中，所述獲取模塊通過輸入加速處理模塊轉到adaboost檢測模塊；所述輸入 加速處理模塊包括，
[0030] 顏色判別子模塊，用于遍歷判斷原始圖像的每個像素在YCbCr色彩空間下的顏色 是否同時滿足Cb e [80, 135]且Cr e [136, 177]，得到第一二值掩碼圖像而后轉到邊緣檢 測子模塊；
[0031] 邊緣檢測子模塊，用于對原始圖像進行圖像邊緣檢測得到邊緣圖像而后轉到二值 處理子模塊；
[0032] 二值處理子模塊，用于對邊緣圖像根據設定閾值進行二值化處理，得到第二二值 掩碼圖像而后轉到圖像處理子模塊；
[0033] 圖像處理子模塊，用于對第二二值掩碼圖像進行腐蝕、膨脹圖像處理，得到第三二 值掩碼圖像而后轉到交集子模塊；
[0034] 交集子模塊，用于取第一二值掩碼圖像與第三二值掩碼圖像的交集，得到原始圖 像的區域二值掩碼圖像；
[0035] 所述adaboost檢測模塊具體包括，
[0036] 遍歷子模塊，采用滑動子窗口遍歷原始圖像而后轉到累加子模塊；
[0037] 累加子模塊，用于將當前滑動子窗口相對應的區域二值掩碼圖像中區域的值進行 累加而后轉到判斷子模塊；
[0038] 判斷子模塊，用于判斷累加值是否滿足預設閾值，對滿足閾值的轉到檢測子模 塊；
[0039] 檢測子模塊，用于對當前滑動子窗口進行adaboost分類檢測，遍歷結束后得到人 臉位置預序列。
[0040] 上述中，所述邊緣檢測子模塊，用于使用sobel算子核I
I對原始圖像進行 圖像邊緣檢測。
[0041] 上述中，所述加速處理模塊的圖像處理子模塊中的腐蝕、膨脹圖像處理中的膨脹 次數大于腐蝕次數。
[0042] 本發明的有益效果在于：將adaboost和SVM兩種分類器有機結合應用于視頻人臉 檢測，由此adaboost分類器的層級可較單獨使用大幅減少，進而有效提升視頻人臉檢測的 速度，而檢測效果則進一步在adaboost的檢測結果上使用SVM分類器進行二次分類，實現 了在不影響檢測效果的基礎上大幅加速視頻人臉檢測。
【附圖說明】
[0043] 下面結合附圖詳述本發明的具體結構
[0044] 圖1為本發明的人臉檢測流程的流程圖；
[0045] 圖2為本發明的輸入加速處理步驟的流程圖；
[0046] 圖3為本發明的人臉檢測流程的實施例流程圖。
【具體實施方式】
[0047] 為詳細說明本發明的技術內容、構造特征、所實現目的及效果，以下結合實施方式 并配合附圖詳予說明。
[0048] 請參閱圖1，一種視頻人臉檢測方法，包括人臉檢測流程；所述人臉檢測流程包括 步驟：
[0049] SI)輸入視頻圖像幀，將圖像幀作為原始圖像；
[0050] S3)采用haar或Ibp特征使用adaboost分類器檢測原始圖像，得到人臉位置預序 列；
[0051] 本步驟對原始圖像的檢測采用的是人臉識別常用的adaboost分類檢測器， adaboost分類檢測器的算法在進行檢測時會使用到的一個滑動子窗口，其是一個可以根據 設置層數逐層等比放大，并且可以自由滑動的矩形窗口。而本步驟中人臉位置預序列，通 常是通過矩形區域在原始圖像上的坐標表示人臉位置，例如人臉位置預序列為facelistl 時：
[0052] facelistl; Irectwidthi, rectheighti，Sxi, ex;，Syi, eyj，
[0053] 式中i為自然數，rectwidthi為第i個矩形窗口的寬，rectheight ;為第i個矩形 窗口的高，Sxi, ex;, Syi, ey;為第i個矩形窗口四個頂點的坐