专栏首页算法工程师的养成之路基于adaboost的人脸快速检测

基于adaboost的人脸快速检测

人脸检测方法

  • 基于规则/知识方法 归纳描述人脸特征的规则,如灰度分布、比例关系、纹理信息等.
  • 基于模板的方法 固定模板法、可变形模板法
  • 基于不变特征的方法 如彩色信息,基于肤色
  • 基于表观分类器学习的方法 将人脸检测视为区分非人脸样本和人脸样本的PR问题.

基于肤色特征的检测

RGB、normalized RGB、HSV、YIQ、YES、CIE XYZ、CIE LUV等.

高斯肤色模型

  • 一元正态分布肤色模型,以F颜色特征为例 F N(μ,σ)μ=1N∑i=1NFi,σ2=1N−1∑i=1N(Fi−μ)2 F~N(\mu,\sigma)\\ \mu = \frac{1}{N}\sum_{i=1}^NF_i,\sigma^2 = \frac{1}{N-1}\sum_{i=1}^N(F_i-\mu)^2 F N(μ,σ)μ=N1​i=1∑N​Fi​,σ2=N−11​i=1∑N​(Fi​−μ)2
  • 二元正态分布肤色模型 N(μ,∑),where μ=(rˉ,gˉ)rˉ=1N∑i=1Nri,gˉ=1N∑i=1Ngi∑=[σrrσrgσgrσgg] N(\mu,\sum),where\ \ \mu=(\bar{r},\bar{g})\\ \bar{r} = \frac{1}{N}\sum_{i=1}^Nr_i,\bar{g} = \frac{1}{N}\sum_{i=1}^Ng_i\\ \sum = \bigg[\begin{matrix} \sigma_{rr}&\sigma_{rg}\\ \sigma_{gr}&\sigma_{gg} \end{matrix}\bigg] N(μ,∑),where μ=(rˉ,gˉ​)rˉ=N1​i=1∑N​ri​,gˉ​=N1​i=1∑N​gi​∑=[σrr​σgr​​σrg​σgg​​]
  • 多人脸训练肤色模型 训练肤色模型
    • 手工标注部分人脸图象
    • 统计方法得到μ,∑\mu,\sumμ,∑
    • 设置合适的阈值截断

    测试阶段

    • 逐像素判断其是否在设定的肤色特征范围内

肤色模型的缺点

  • 肤色模型难以适应各种环境光照变化
    • 背景和前景的光照变化,肤色通常不稳定.
    • 单纯的肤色信息对于人脸检测通常是不充分的.
  • 如何适应在不同光照下的人脸跟踪
    • 如果环境光照有变化,原有的肤色模型可能不再适用,如何建立一个自适应的肤色模型.

基于AdaBoost的快速人脸检测

  1. 采用简单的Haar-like矩形特征作为弱特征,可快速计算.
  2. 基于AdaBoost的分类器设计.
  3. 采用了Cascade(分级分类器)技术提高检测速度.

Haar-like矩形特征

所有白色矩形中像素的亮度值的和,减去所有灰色矩形中点的亮度值的和,得到的差即为Haar-like特征.

Haar-like特征的表示

可以用一个五元组来表示

r(2,2,4,2,A)表示下面的特征

快速计算任意矩阵内所有像素的亮度之和

利用动态规划的思想求任意一点左上角的所有像素亮度积分值ii(x,y)ii(x,y)ii(x,y).

矩形D内像素亮度积分值:

=ii(4)−(ii(2)+ii(3))+ii(1)ii(4)-(ii(2)+ii(3))+ii(1)ii(4)−(ii(2)+ii(3))+ii(1)

AdaBoost

采用AdaBoost算法对Haar-like矩形特征进行分类,为了求得在图像中所有尺寸及角度的人脸,我们需要采取所有可能的矩阵大小甚至旋转对整个图像遍历多次.

基于AdaBoost的快速人脸检测

基于分级分类器的加速策略

  • 大量候选窗口可以利用非常少的特征就可以排除是人脸的可能性。
  • 只有极少数需要大量特征.

分级分类器的构建

  • 采用由粗至细的思想(coarse to fine)
    • 将少量区分性好的特征构成简单分类器置于前面若干层. 放过检测绝大数人脸的同时,排除大量非脸.
    • 后面曾包含更多次重要的特征对非脸进行进一步排除.
  • 训练方法关键思路 每层训练的非脸样本使用前面层分类器误判为人脸的那些样本.

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 帮B站开启圣诞节模式~

    这样的话,在网页加载的时候,就可以通过content_script.js,调用face-api,并注入js代码至b站。

    mixlab
  • AI与艺术相结合:2018年AI生成图像TOP 5

    2017年12月,Google悄俏一个简洁的小工具,你可以上传自己的照片,面部识别将分析你的脸,机器学习算法扫描西方艺术,找到画中和你相像的人。

    AiTechYun
  • 人脸到底是怎样识别的

    人脸识别技术原理简单来讲主要是三大步骤:一是建立一个包含大批量人脸图像的数据库,二是通过各种方式来获得当前要进行识别的目标人脸图像,三是将目标人脸图像与数据库中...

    刘盼
  • 人脸识别相关开源项目汇总

    人脸识别流程包括人脸检测、人脸对齐、人脸识别等子任务,这里优先总结功能相对齐全的开源项目,再总结完成单个子任务的开源项目。本文主要关注方法较流行且提供源码的开源...

    李拜六不开鑫
  • 幸好权健AI还没落地!一个腕表顶中医,18个关键点就能刷脸

    虽然权健自称“传承中医文化精髓”,但上述“创新研发”的神奇产品,无一不夹杂科学科技之名。然后层层“直销”,敛起巨额财富,留下女童周洋一样的可怜。

    量子位
  • 研究报告称脸部识别技术准确率已大幅提升

    据美国国家标准与技术研究院(NIST)研究报告称,在过去5年内,脸部识别技术的准确率已大幅提升。

    人工智能快报
  • 亚马逊人脸识别门铃专利申请受阻,涉及隐私引群众抗议

    据了解,这项门铃专利由被亚马逊收购的公司Ring提出,上面搭载有摄像头,能够识别路人的样貌并将他们的照片发送给执法机关。而现在,这一份专利引来了美国民权同盟(A...

    镁客网
  • 清华大学发布:人脸识别最全知识图谱

    自20世纪下半叶,计算机视觉技术逐渐地发展壮大。同时,伴随着数字图像相关的软硬件技术在人们生活中的广泛使用,数字图像已经成为当代社会信息来源的重要构成因素,各种...

    钱塘数据
  • GeekPwn对抗样本挑战赛冠军队伍开源人脸识别攻击解决方案

    2018 Geekpwn CAAD(对抗样本挑战赛)继承了 NIPS CAAD 2017 比赛的形式,但同时也添加了一些新的挑战。2018 年 10 月,吴育昕...

    机器之心
  • 我们破解了几乎所有旗舰手机的人脸识别,iPhone幸免于难

    今年 11 月,来自纽约大学的研究人员提出了一种可以生成「万能指纹」的神经网络模型 MasterPrints,攻击手机指纹解锁的成功率最高可达 78%。而最近,...

    机器之心

扫码关注云+社区

领取腾讯云代金券