一種基于Haar分類器和ORB特征的人臉檢索方法及系統的制作方法
【專利摘要】本發明提供了一種基于Haar分類器和ORB特征的人臉檢索方法及系統。在本發明中，通過對分類器進行訓練得到強分類器，篩選、級聯所有強分類器得到Haar分類器，然后可用Haar分類器檢測待檢索圖像是否存在人臉。其中，篩選式級聯方式提高了分類器的準確率，積分圖算法的使用加速了算法的速度；之后，對檢測出的人臉區域圖像提取ORB特征并進行聚類及匹配，ORB特征采用中心點和周圍領域像素點的灰度值直接比較來檢測特征點。本發明能快速檢測出待檢索圖像是否存在人臉并進行精準匹配，可廣泛應用于海量視頻或圖像庫中快速檢索目標人臉，在公安監控系統快速查詢犯罪目標行蹤等實際應用中具有很高的市場應用價值。
【專利說明】—種基于Haar分類器和ORB特征的人臉檢索方法及系統
【技術領域】
[0001]本發明屬于人臉檢索【技術領域】，尤其涉及一種基于Haar分類器和ORB特征的人臉檢索方法及系統。
【背景技術】
[0002]隨著各種攝像器材和顯示媒體技術的快速發展，視頻圖像廣泛應用于安防、門禁識別、視頻會議等領域，圖像和視頻已經成為人類信息傳播和存儲的主要載體之一。然而，面對如今海量的、甚至還在呈指數級增長的圖片和視頻信息，如何快速、有效地檢索出所需要的圖片或視頻信息已成迫切需要。
[0003]由于圖片和視頻內容的非結構化和語義鴻溝問題的存在，讓基于內容的圖片/視頻分析和檢索的研究十分復雜且困難重重。但是，近年來，隨著人臉識別技術取得了重大突破并獲得廣泛應用，一些研究者已經開始嘗試將人臉識別應用于圖像/視頻檢索中，并將基于人臉的圖像/視頻檢索發展為視頻檢索的一個重要分支；此外，人臉是人類個體最明顯也是最重要的區分特征，人臉圖像特征的提取和應用比虹膜、指紋等生物特征更容易被人類接受，利用人臉特征代表人類個體進行圖像/視頻分析和檢索具有廣闊的應用空間和巨大的市場價值。但是，現有的人臉檢索方法普遍存在的檢索不精確、檢索速度慢的問題，因此，一種適于海量圖庫快速進行人臉檢索定位的方法亟待開發。
【發明內容】
[0004]本發明的目的在于提供一種基于Haar分類器和ORB特征的人臉檢索方法及系統，旨在解決現有技術中人臉檢索圖像不精確、檢索速度慢等問題。
[0005]本發明是這樣實現的，一種基于Haar分類器和ORB特征的人臉檢索方法，包括以下步驟:
[0006]應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉；
[0007]獲取包含有目標人臉的數字圖像，對所述目標人臉以及待檢索人臉的區域圖像進行規定化預處理后再用ORB特征方法分別提取ORB特征點；
[0008]對所述目標人臉以及待檢索人臉的ORB特征點分別進行聚類處理后得到相應的目標人臉ORB特征集以及待檢索人臉ORB特征集；
[0009]將所述目標人臉ORB特征集與待檢索人臉ORB特征集進行匹配，匹配結果一致則將包含有所述待檢索人臉的圖像或視頻片段標記出來。
[0010]優選地，所述應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉包括以下具體步驟:
[0011]應用AdaBoost算法訓練樣本的Haar特征后得到區分人臉和非人臉的強分類器，篩選級聯所有強分類器為Haar分類器；
[0012]應用所述Haar分類器的Haar特征進行人臉檢測；
[0013]在檢測過程中利用積分圖算法對所述Haar分類器的Haar特征的計算進行加速。[0014]優選地，所述在檢測人臉過程中利用積分圖算法對所述Haar分類器的Haar特征的計算進行加速包括以下具體步驟:
[0015]計算像素點行方向的累加；
[0016]逐行掃描圖像，遞歸計算每個所述像素點行方向的累加得到積分圖像的值；
[0017]根據所述積分圖像的值掃描圖像構造出積分圖像；
[0018]通過所述積分圖像對Haar分類器的Haar特征計算。
[0019]優選地，所述區域圖像進行規定化預處理包括:人臉轉正、固定分辨率以及直方圖均衡化。
[0020]優選地，所述ORB特征方法包括:ORB特征點定位和ORB特征點描述。
[0021]一種基于Haar分類器和ORB特征的人臉檢索系統，包括:
[0022]Haar分類器人臉檢測模塊，用于通過應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉；
[0023]ORB特征點提取模塊，用于獲取包含有目標人臉的數字圖像，對所述目標人臉以及待檢索人臉的區域圖像進行規定化預處理后再用ORB特征方法分別提取ORB特征點；
[0024]ORB特征集聚類模塊，用于對所述目標人臉以及待檢索人臉的ORB特征點分別進行聚類處理后得到相應的目標人臉ORB特征集以及待檢索人臉ORB特征集；
[0025]匹配檢索模塊，用于將所述目標人臉ORB特征集與待檢索人臉ORB特征集進行匹配，匹配結果一致則將包含有所述待檢索人臉的圖像或視頻片段標記出來。
[0026]優選地，所述Haar分類器檢索模塊包括:
[0027]Haar分類器訓練模塊，用于通過應用AdaBoost算法訓練樣本的Haar特征后得到區分人臉和非人臉的強分類器，篩選級聯所有強分類器為Haar分類器；
[0028]人臉檢測模塊，用于通過應用所述Haar分類器的Haar特征進行人臉檢測；
[0029]加速檢測模塊，用于在檢測過程中利用積分圖算法對所述Haar分類器的Haar特征的計算進行加速。
[0030]優選地，所述加速檢測模塊包括:
[0031]像素累加模塊，用于計算像素點行方向的累加；
[0032]像素點累加模塊，用于逐行掃描圖像，遞歸計算每個所述像素點行方向的累加得到積分圖像的值；
[0033]積分圖像構造模塊，用于根據所述積分圖像的值掃描圖像構造出積分圖像；
[0034]加速計算模塊，用于通過所述積分圖像對Haar分類器的Haar特征計算。
[0035]優選地，所述ORB特征點提取模塊中區域圖像進行規定化預處理包括:人臉轉正、固定分辨率以及直方圖均衡化。
[0036]優選地，所述ORB特征點提取模塊中ORB特征方法包括:0RB特征點定位和ORB特征點描述
[0037]本發明克服現有技術的不足，提供一種基于Haar分類器和ORB特征的人臉檢索方法，采用了 Haar分類器進行人臉檢測、ORB特征進行人臉匹配。其中，通過對分類器進行訓練得到強分類器，篩選、級聯所有強分類器得到Haar分類器，然后可用Haar分類器檢測待檢索圖像是否存在人臉。其中，篩選式級聯方式提高了分類器的準確率，積分圖算法的使用加速了算法的速度；之后，對檢測出的人臉區域圖像提取ORB特征并進行聚類及匹配，ORB特征采用中心點和周圍領域像素點的灰度值直接比較來檢測特征點，其特征點檢測速度更快，且ORB描述子采用二進制比特串組成，所需存儲空間更小，在匹配時可應用漢明距離進行快速匹配。本發明能快速檢測出待檢索圖像是否存在人臉并進行精準匹配，從而實現精準、快速人臉檢索，可廣泛應用于海量視頻或圖像庫中快速檢索目標人臉，在公安監控系統快速查詢犯罪目標行蹤等實際應用中具有很高的市場應用價值。
【專利附圖】
【附圖說明】
[0038]圖1是本發明中基于Haar分類器和ORB特征的人臉檢索方法一實施例的流程示意圖；
[0039]圖2是本發明中基于Haar分類器和ORB特征的人臉檢索方法又一實施例的流程示意圖；
[0040]圖3是本發明中基于Haar分類器和ORB特征的人臉檢索系統一實施例的結構示意圖；
[0041]圖4是本發明中基于Haar分類器和ORB特征的人臉檢索系統又一實施例的結構示意圖。
【具體實施方式】
[0042]為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
[0043]如圖1所示，本發明的一種基于Haar分類器和ORB特征的人臉檢索方法，包括以下步驟:
[0044]S1、應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉。
[0045]S2、獲取包含有目標人臉的數字圖像，對所述目標人臉以及待檢索人臉的區域圖像進行規定化預處理后再用ORB特征方法分別提取ORB特征點。
[0046]在步驟S2中，區域圖像進行規定化預處理包括:人臉轉正、固定分辨率以及直方圖均衡化。
[0047]在步驟S2中，ORB特征是繼SIFT之后又一經典的局部特征方法，ORB特征用于人臉匹配，相比于傳統的SIFT等局部特征方法速度更快、特征描述子復雜度更低以及匹配速度也更快，此外，ORB特征采用的中心點和周圍領域像素點的灰度值直接比較來檢測特征點，其特征點檢測速度更快；而ORB特征采用二進制比特串組成，所需存儲空間更小，且在匹配時可應用漢明距離進行快速匹配。其中，ORB特征方法包括:(1)0RB特征點定位和(2)ORB特征點描述。
[0048](I) ORB特征點定位
[0049]①應用FAST檢測算子對預處理后的人臉區域圖像進行特征點檢測，其中，檢測以候選特征點為圓心、r=3為半徑的圓周上點的灰度值，若圓周上有足夠多的連續點與候選點的灰度值差值大于閾值d，則該候選點為一個特征點。
[0050]②確定特征點方向
[0051]ORB中方向的生成使用了簡單而有效的角向量測量方法，即強度圖心，根據Rosin的定義圖像塊的矩Hlij可表示成:
[0052]rny =^xlyJI(x,y)其中
X y.?
[0053]I (x, y)表示像素點(X, y)的灰度值，1、j分別表示在x、y方向上的權重。
[0054]利用距矩的定義可以得到圖心P。的表示方法:
W10 W01 I
[0055]Pa =-，-其中，
1^00 ^ooJ-
[0056]中心點到點P。的矢量方向就是特征點的方向，特征點主方向的角度可以表示成:Θ =arctan2 (m10, m01)。
[0057](2) ORB特征點描述:
[0058]先在以特征點為中心、31X31的區域中選取η個有序的點對(Pi，Qi)，并按照特征點的主方向角度對點對進行旋轉。再挑選那些相互距離平均值為0.5的測試對，組成一個容器T ;最后進行貪婪檢索:具體挑選出256對測試點對，保證區分度。點對的比較可以用如下公式表示:
Jl ifl(p)<l(q)廿山
[0059]T(^；A") = l0 otherwise ?’其中，
[0060]Se表示在Θ方向上的點對。
[0061]那么ORB描述子就是256個有序比較結果組成的比特序列:
[0062]fAse) = Σ η (ρ., P ,，q
i<, 256
O
[0063]S3、對所述目標人臉以及待檢索人臉的ORB特征點分別進行聚類處理后得到相應的目標人臉ORB特征集以及待檢索人臉ORB特征集；
[0064]在步驟S3中，對ORB特征點聚類處理，可以將特征點匯聚成特征集合，特征集合不僅更具有目標的表征性，在匹配時效率更高，具體包括以下步驟:
[0065]①給定原始聚類中心點。考慮到獲取的人臉圖像大部分都沒有傾斜，原始中心點可指定在人臉圖的雙眼、鼻子、嘴巴大致區域，以提高聚類效率。
[0066]②計算每個特征點與中心點的歐氏距離，并將該特征點分配到離其最近的中心點子集中。
[0067]③計算每個子集中全部特征點的平均位置，并以該平均位置為該子集新的中心點。
[0068]④重復步驟①②③，直至所有中心點的位置不再變化，至此聚類處理結束，各中心點為特征集合的中心。
[0069]通過對特征點聚類處理，獲得的特征集合將主要是以眼睛、鼻子、嘴巴區域，這些五官區域也是人臉圖像中特征最明顯的地方，區分能力更強，保證了后續匹配效率更高。
[0070]S4、將所述目標人臉ORB特征集與待檢索人臉ORB特征集進行匹配，匹配結果一致則將包含有所述待檢索人臉的圖像或視頻片段標記出來。
[0071]在步驟S4中，人臉特征匹配特征點X: /； =(xl5x2,...x?)與特征點Y:// =(U2，…凡)之間的距離可以用下面公式表示:[0072]
【權利要求】
1.一種基于Haar分類器和ORB特征的人臉檢索方法，其特征在于包括以下步驟: 應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉； 獲取包含有目標人臉的數字圖像，對所述目標人臉以及待檢索人臉的區域圖像進行規定化預處理后再用ORB特征方法分別提取ORB特征點； 對所述目標人臉以及待檢索人臉的ORB特征點分別進行聚類處理后得到相應的目標人臉ORB特征集以及待檢索人臉ORB特征集； 將所述目標人臉ORB特征集與待檢索人臉ORB特征集進行匹配，匹配結果一致則將包含有所述待檢索人臉的圖像或視頻片段標記出來。
2.如權利要求1所述的基于Haar分類器和ORB特征的人臉檢索方法，其特征在于，所述應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉包括以下具體步驟: 應用AdaBoost算法訓練樣本的Haar特征后得到區分人臉和非人臉的強分類器，篩選級聯所有強分類器為Haar分類器； 應用所述Haar分類器的Haar特征進行人臉檢測； 在檢測過程中利用積分圖算法對所述Haar分類器的Haar特征的計算進行加速。
3.如權利要求2所述的基于Haar分類器和ORB特征的人臉檢索方法，其特征在于，所述在檢測人臉過程中利用積分圖算法對所述Haar分類器的Haar特征的計算進行加速包括以下具體步驟: 計算像素點行方向的累加； 逐行掃描圖像，遞歸計算每個所述像素點行方向的累加得到積分圖像的值； 根據所述積分圖像的值掃描圖像構造出積分圖像； 通過所述積分圖像對Haar分類器的Haar特征計算。
4.如權利要求3所述的基于Haar分類器和ORB特征的人臉檢索方法，其特征在于，所述區域圖像進行規定化預處理包括:人臉轉正、固定分辨率以及直方圖均衡化。
5.如權利要求4所述的基于Haar分類器和ORB特征的人臉檢索方法，其特征在于，所述ORB特征方法包括:0RB特征點定位和ORB特征點描述。
6.一種基于Haar分類器和ORB特征的人臉檢索系統，其特征在于，包括: Haar分類器人臉檢測模塊，用于通過應用Haar分類器算法對待檢索數字圖像進行檢測獲取待檢索人臉； ORB特征點提取模塊，用于獲取包含有目標人臉的數字圖像，對所述目標人臉以及待檢索人臉的區域圖像進行規定化預處理后再用ORB特征方法分別提取ORB特征點； ORB特征集聚類模塊，用于對所述目標人臉以及待檢索人臉的ORB特征點分別進行聚類處理后得到相應的目標人臉ORB特征集以及待檢索人臉ORB特征集； 匹配檢索模塊，用于將所述目標人臉ORB特征集與待檢索人臉ORB特征集進行匹配，匹配結果一致則將包含有所述待檢索人臉的圖像或視頻片段標記出來。
7.如權利要求6所述的基于Haar分類器和ORB特征的人臉檢索系統，其特征在于，所述Haar分類器檢索模塊包括: Haar分類器訓練模塊，用于通過應用AdaBoost算法訓練樣本的Haar特征后得到區分人臉和非人臉的強分類器，篩選級聯所有強分類器為Haar分類器； 人臉檢測模塊，用于通過應用所述Haar分類器的Haar特征進行人臉檢測；加速檢測模塊，用于在檢測過程中利用積分圖算法對所述Haar分類器的Haar特征的計算進行加速。
8.如權利要求7所述的基于Haar分類器和ORB特征的人臉檢索系統，其特征在于，所述加速檢測模塊包括: 像素累加模塊，用于計算像素點行方向的累加； 像素點累加模塊，用于逐行掃描圖像，遞歸計算每個所述像素點行方向的累加得到積分圖像的值； 積分圖像構造模塊，用于根據所述積分圖像的值掃描圖像構造出積分圖像； 加速計算模塊，用于通過所述積分圖像對Haar分類器的Haar特征計算。
9.如權利要求8所 述的基于Haar分類器和ORB特征的人臉檢索系統，其特征在于，所述ORB特征點提取模塊中區域圖像進行規定化預處理包括:人臉轉正、固定分辨率以及直方圖均衡化。
10.如權利要求9所述的基于Haar分類器和ORB特征的人臉檢索系統，其特征在于，所述ORB特征點提取模塊中ORB特征方法包括:0RB特征點定位和ORB特征點描述。
【文檔編號】G06K9/66GK103745240SQ201310704462
【公開日】2014年4月23日 申請日期:2013年12月20日 優先權日:2013年12月20日
【發明者】許雪梅, 周立超, 丁家峰, 尹林子, 丁一鵬, 曹粲 申請人:許雪梅