移动计算环境下的人脸检测方法 【技术领域】
本发明涉及模式识别领域，特别涉及结合人脸检测技术、光线处理技术和无线通讯技术的移动计算环境下人脸检测方法。
背景技术
近年来，无线网络技术呈现出爆炸式的发展势头。随着网络技术的发展，无线网络愈来愈影响到人们的日常生活。人们对于无线网络中智能多媒体的应用需求也变得强烈，如人脸识别、表情分析、基于内容的视频播放、无线交互式游戏等等。而人脸检测正是这些应用的一种必不可少的支撑技术。所谓人脸检测就是在多媒体数据(如图像、视频等数字信号)中检测出人脸的位置、大小、个数、方向。但目前已有的人脸检测技术都是基于台式机甚至是工作站的运行环境，不能满足人们在移动环境中应用的需求。移动环境具有一些特殊的运行条件，例如计算能力弱、光线变化大、能量存储有限、不同用户有不同的使用习惯。由于移动计算环境的光照变化大，为了提高人脸检测的鲁棒性，光线处理是一个必不可少地环节。光线处理技术是指一种处理各种不同光照条件下捕获的图片的技术，尽量减少光照变化对后续处理的影响，例如对检测、识别的影响。光线处理和人脸检测都是大运算量的工作。因此，需要优化光线处理和人脸检测算法，使其减少运算量。
【发明内容】
本发明的目的是提供一种在移动环境下，运用光线处理技术对通过手持设备捕获到的视频进行处理，并实时地、鲁棒地检测出人脸的位置、大小、个数、方向。
为实现上述目的，一种在移动计算环境下的人脸检测方法，包括步骤：
从摄像头获得视频数据，利用像素的均值和方差对视频数据进行光线矫正；
根据人脸在屏幕中可能出现的位置和大小的概率分布，确定搜索人脸的顺序；
对每个特定大小和位置的矩形框进行人脸模型判断。
本发明针对应用发展的需要，在移动计算环境实现实时的、鲁棒的人脸检测。
【附图说明】
图1是本发明的系统框图；
图2是人脸检测流程图；
图3是判决功能流程图；
图4是训练算法流程图。
【具体实施方式】
下面结合附图描述本发明。
人脸检测过程如图1所示，具体步骤如下：
(1)获取帧图像：通过手持设备上的摄像头将图像捕获进来。因为我们要对每一帧进行处理，所以要从视频流中，将图像逐帧提取出来。
(2)光线处理：由于光线对人脸检测和识别有着巨大的影响，这包括不同角度、不同强度以及阴影的影响。同时，由于移动设备的计算能力较弱，不能采用复杂的光线模型。在这里采用像素值的均值和方差来矫正光线对图像每一个像素点的影响，即将每个像素点的像素值减去均值，除以方差，然后乘以一个系数。经过上述处理，从而尽可能地消除光线对人脸像素值的影响。
(3)进行人脸检测：对经过光线处理后的图像进行人脸检测。
(4)标定检测区域：图像经过检测模块之后，我们将得到人脸部分的坐标、大小。通过这些坐标标定出人脸区域。
人脸检测算法具体实现步骤：
图2所示为人脸检测算法的流程图。说明如下：
(1)开始：经过光线处理的图像被程序送到检测算法模块。
(2)初始化：检测算法模块初始化各个参数。
(3)加载判决树分类器：判决树分类器是一棵二叉树，由几组子分类器构成，通过所有分类器判断的区域才被认为人脸；否则，就不是。使用这种办法，可以在做简单的几个判断就将大量非人脸的区域排除掉，从而提高速度。
(4)加载搜索策略：在手持式移动设备中，人们将脸放在屏幕的位置和大小是具有一定的概率分布的。例如，人们喜欢将脸放在屏幕的中间。将人们的这种使用习惯建立为一种概率模型，并在搜索人脸位置的时候从最有可能出现的位置先搜索。从而提高人脸检测的速度。
(5)帧图像初始化数据并嵌入判决树：为了减少重复计算，在进行检测之前，先计算积分图像，并将积分图像存放在判决树里，以便后面的判决运算。
(6)搜索策略：进行人脸搜索。搜索策略为从原点开始逐块搜索。
(7)判断搜索策略是否完成：如果搜索策略链表没有完，而且还没有搜索到人脸，计算搜索策略所决定图像区域的判决结果以及判断结果记录的人脸区域，并返回继续搜索。如果已完成，检测并去除重复检测区域，原则是保留较小的区域。最后返回搜索区域。
判决模块具体实现步骤：
图3所示为判决功能模块流程示意图，说明如下：
(1)数据初始化。
(2)判断判决树是否结束：如果已经结束，将成功结果返回，程序结束。如果没有结束，则初始化树枝判决单元。
(3)判断树枝判决单元是否结束：如果没有结束，则计算匹配结果并进行累计，然后返回继续判断树枝判决单元是否结束。如果已经结束，则计算该树枝的综合特征匹配值并进行(4)的操作。
(4)根据该树枝的要求判断通过与否：如果没有通过，则返回失败值，程序结束。如果通过了要求，则返回(2)继续判断判决树是否结束。
判决树的训练：
如图4判决树的长短将很大地影响判决时间。为了能在移动设备上实时地运行人脸检测，本发明中提出新的训练策略，训练一棵精简的判决树。训练过程如下：
(1)加载人脸样本图像5000张，加载非人脸图像3000张。
(2)训练一个分类器
a)找一个最能区分人脸与非人脸的特征，如果这个特征能正确区分三分之一的非人脸，那么说明非人脸样本内部有很多雷同的图像，不具有代表性，删除被正确区分的样本，返回到(1)，将非人脸样本补充到3000个。否则，b)
b)找其他的特征，使得这些特征的组合，可以正确区分样本集里的99.9％的人脸和50％的非人脸。
c)将b)得到的特征集合组合成一个分类器。如果分类器个数够了，就结束程序；否则返回到(1)。