本發(fā)明涉及算機(jī)視覺和模式識別領(lǐng)域，具體涉及一種基于條件隨機(jī)森林的笑臉檢測器及方法。

背景技術(shù)：

笑臉檢測在用戶體驗(yàn)感知、學(xué)生心理狀態(tài)分析、照片增強(qiáng)處理、相機(jī)微笑快門等方面有著廣泛的應(yīng)用。當(dāng)前的笑臉檢測算法大多只對正臉圖像有效，而在很多實(shí)際應(yīng)用中，人的頭部姿態(tài)通常不受限制。在頭部姿態(tài)變化范圍較大的情況下，人臉對齊較為困難，巨大的類內(nèi)差異會導(dǎo)致難以設(shè)計(jì)高正確率和高效率的笑臉檢測器。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于，解決在不限定頭部姿態(tài)圖像中檢測笑臉的問題，提供一種具備高正確率、高效率的笑臉檢測器。

一種基于條件隨機(jī)森林的笑臉檢測器，包括條件隨機(jī)森林組、人臉檢測模塊、頭部姿態(tài)估計(jì)模塊、動態(tài)隨機(jī)森林組建模塊、隨機(jī)森林笑臉分類模塊，其中，

條件隨機(jī)森林組通過離線訓(xùn)練得到，由一組不同頭部姿態(tài)條件下的笑臉分類隨機(jī)森林組成；人臉檢測模塊用于從圖像中檢測出包含人臉的區(qū)域；頭部姿態(tài)估計(jì)模塊用于根據(jù)人臉區(qū)域提取的特征估計(jì)出頭部姿態(tài)；動態(tài)隨機(jī)森林組建模塊用于根據(jù)估計(jì)的頭部姿態(tài)從條件隨機(jī)森林組中選擇決策樹動態(tài)建構(gòu)用于笑臉分類的隨機(jī)森林；隨機(jī)森林笑臉分類模塊用于利用動態(tài)組建的笑臉分類隨機(jī)森林對人臉區(qū)域圖像做出笑臉/非笑臉的分類。

作為優(yōu)化，所述條件隨機(jī)森林組離線訓(xùn)練得到，訓(xùn)練的過程為：

(1)將訓(xùn)練數(shù)據(jù)集中的圖像按頭部姿態(tài)所屬范圍劃分為N個(gè)子集，記為其中Ω_n表示第n個(gè)子集中包含的圖像的頭部姿態(tài)范圍；

(2)利用各個(gè)數(shù)據(jù)子集中的圖像訓(xùn)練一個(gè)條件隨機(jī)森林T(Ω_n)，每個(gè)條件隨機(jī)森林T(Ω_n)由T棵決策樹組成，即每棵決策樹T_t(Ω_n)采用如下步驟獨(dú)立訓(xùn)練生成：

(21)從訓(xùn)練樣本子集中隨機(jī)選擇m張圖像，接著從選中的每張圖像上提取一系列圖像特征，圖像I_i提取特征后的特征圖像集合記為I_i＝{I_i¹,I_i²，...，I_i^f，...，I_i^F}，i∈[1,m]，其中F表示特征的種數(shù)；然后從每張?zhí)卣鲌D像上隨機(jī)摳取N_P個(gè)大小為s×s像素的圖像子塊，并將從第i張圖像上摳取的第j個(gè)圖像塊記為P_ij＝(θ_i,I_ij)，其中θ_i∈{-1,+1}為表示笑和非笑的類別標(biāo)簽；

(22)生成候選二值測試集每個(gè)二值測試包含四個(gè)參數(shù)R₁,R₂,f,τ，其中R₁和R₂分別表示從圖像子塊P里隨機(jī)選取的兩個(gè)矩形區(qū)域，f∈{1,2,…,F}表示隨機(jī)選取的特征通道，τ為閾值；每個(gè)二值測試的形式為：

其中I^f表示提取第f種特征后的圖像，|R₁|、|R₂|分別表示兩個(gè)矩形區(qū)域內(nèi)像素的數(shù)量，(x,y)表示像素；

(23)生成一個(gè)根節(jié)點(diǎn)，該節(jié)點(diǎn)中包含所有摳取的圖像子塊{P_ij}，將根節(jié)點(diǎn)標(biāo)記為當(dāng)前節(jié)點(diǎn)；

(24)使用候選二值測試集中的每一個(gè)嘗試將當(dāng)前節(jié)點(diǎn)上的圖像子塊集P分裂為兩個(gè)子集和及

(25)計(jì)算分裂后的信息增益：

其中H(·)表示熵；

當(dāng)隨機(jī)樹生長到預(yù)設(shè)的最大深度時(shí)，或當(dāng)前節(jié)點(diǎn)的信息增益小于最小閾值時(shí)，停止隨機(jī)樹的生長并生成葉子節(jié)點(diǎn)；否則繼續(xù)迭代分裂；到達(dá)葉子節(jié)點(diǎn)l的圖像子塊記為l(P)，統(tǒng)計(jì)l(P)中標(biāo)簽為笑臉(θ＝1)的概率p(θ|l(P))，并將p(θ|l(P))存儲于該葉子節(jié)點(diǎn)上；

(3)計(jì)算各個(gè)條件隨機(jī)森林分類閾值：

(31)從訓(xùn)練數(shù)據(jù)子集中的各張圖像上隨機(jī)摳取一系列圖像子塊，并將各個(gè)圖像子塊輸入條件隨機(jī)森林T(Ω_n)的各棵決策樹，最終到達(dá)決策樹的葉子節(jié)點(diǎn)；取圖像子塊到達(dá)的葉子節(jié)點(diǎn)上存儲的分類概率p(θ|Ω_n,l(P))作為該圖像子塊屬于笑臉的概率。為表述方便將所有圖像子塊屬于笑臉的概率簡記為{p₁,p₂,p₃…}；

(32)初始化聚類中心:c₀＝min{p₁,p₂,p₃…},c₁＝max{p₁,p₂,p₃…}；

(33)計(jì)算每個(gè)數(shù)據(jù)對象p_i到聚類中心c₀和c₁的歐式距離，并將各個(gè)數(shù)據(jù)歸類到距離較短的聚類中心所在的類，歸類后的兩類數(shù)據(jù)集合分別記為和

(34)計(jì)算各類均值作為新的聚類中心；

(35)重復(fù)(32)、(33)直到聚類中心不再變化；

(36)輸出聚類結(jié)果C₀、C₁。

(37)計(jì)算條件隨機(jī)森林T(Ω_n)的分類閾值τ_p(Ω_n)：

作為優(yōu)化，所述動態(tài)隨機(jī)森林組建模塊從離線訓(xùn)練的條件隨機(jī)森林組中選出T棵決策樹動態(tài)組建出一個(gè)隨機(jī)森林T^C，其中從條件隨機(jī)森林T(Ω_n)中隨機(jī)選出的決策樹的棵數(shù)k_n由頭部姿態(tài)估計(jì)模塊給出的頭部姿態(tài)分布情況來決定：

其中p(ω|P)表示頭部姿態(tài)估計(jì)模塊給出的頭部姿態(tài)分布，表示向下取整；動態(tài)組建的隨機(jī)森林T^C的分類閾值τ_p為：

作為優(yōu)化，所述隨機(jī)森林笑臉分類模塊接收從人臉檢測模塊輸入的人臉區(qū)域圖像，并利用動態(tài)組建的隨機(jī)森林T^C對人臉區(qū)域圖像做出笑臉/非笑臉的分類，步驟為：

1)對人臉區(qū)域圖像提取特征；

2)從人臉區(qū)域的各類特征圖像上分別摳取M個(gè)圖像子塊{P_i,i∈[1,m]}，并輸入動態(tài)組建的隨機(jī)森林T^C的各棵決策樹種；當(dāng)圖像子塊到P_i到達(dá)決策樹的葉子節(jié)點(diǎn)時(shí)，記錄該葉子節(jié)點(diǎn)上保存的概率值p_it＝p(θ,l(P))；

3)若判決輸入的人臉區(qū)域圖像為笑臉；否則判決輸入的人臉區(qū)域圖像為非笑臉。

一種基于條件隨機(jī)森林的笑臉檢測方法，包括以下步驟：

步驟1)通過離線訓(xùn)練得到由一組不同頭部姿態(tài)條件下的笑臉分類隨機(jī)森林組成的條件隨機(jī)森林組；

步驟2)從圖像中檢測出包含人臉的區(qū)域；

步驟3)根據(jù)人臉區(qū)域提取的特征估計(jì)出頭部姿態(tài)；

步驟4)根據(jù)估計(jì)的頭部姿態(tài)從條件隨機(jī)森林組中選擇決策樹動態(tài)建構(gòu)用于笑臉分類的隨機(jī)森林；

步驟5)利用動態(tài)組建的笑臉分類隨機(jī)森林對人臉區(qū)域圖像做出笑臉/非笑臉的分類。

作為優(yōu)化，所述步驟1)中的條件隨機(jī)森林組離線訓(xùn)練得到，訓(xùn)練的過程為：

11)將訓(xùn)練數(shù)據(jù)集中的圖像按頭部姿態(tài)所屬范圍劃分為N個(gè)子集，記為其中Ω_n表示第n個(gè)子集中包含的圖像的頭部姿態(tài)范圍；

12)利用各個(gè)數(shù)據(jù)子集中的圖像訓(xùn)練一個(gè)條件隨機(jī)森林T(Ω_n)，每個(gè)條件隨機(jī)森林T(Ω_n)由T棵決策樹組成，即每棵決策樹T_t(Ω_n)采用如下步驟獨(dú)立訓(xùn)練生成：

121)從訓(xùn)練樣本子集中隨機(jī)選擇m張圖像，接著從選中的每張圖像上提取一系列圖像特征，圖像I_i提取特征后的特征圖像集合記為I_i＝{I_i¹,I_i²，...，I_i^f，...，I_i^F}，i∈[1,m]，其中F表示特征的種數(shù)；然后從每張?zhí)卣鲌D像上隨機(jī)摳取N_P個(gè)大小為s×s像素的圖像子塊，并將從第i張圖像上摳取的第j個(gè)圖像塊記為P_ij＝(θ_i,I_ij)，其中θ_i∈{-1,+1}為表示笑和非笑的類別標(biāo)簽；

122)生成候選二值測試集每個(gè)二值測試包含四個(gè)參數(shù)R₁,R₂,f,τ，其中R₁和R₂分別表示從圖像子塊P里隨機(jī)選取的兩個(gè)矩形區(qū)域，f∈{1,2,…,F}表示隨機(jī)選取的特征通道，τ為閾值；每個(gè)二值測試的形式為：

其中I^f表示提取第f種特征后的圖像，|R₁|、|R₂|分別表示兩個(gè)矩形區(qū)域內(nèi)像素的數(shù)量，(x,y)表示像素；

123)生成一個(gè)根節(jié)點(diǎn)，該節(jié)點(diǎn)中包含所有摳取的圖像子塊{P_ij}，將根節(jié)點(diǎn)標(biāo)記為當(dāng)前節(jié)點(diǎn)；

124)使用候選二值測試集中的每一個(gè)嘗試將當(dāng)前節(jié)點(diǎn)上的圖像子塊集P分裂為兩個(gè)子集和及

125)計(jì)算分裂后的信息增益：

其中H(·)表示熵；

當(dāng)隨機(jī)樹生長到預(yù)設(shè)的最大深度時(shí)，或當(dāng)前節(jié)點(diǎn)的信息增益小于最小閾值時(shí)，停止隨機(jī)樹的生長并生成葉子節(jié)點(diǎn)；否則繼續(xù)迭代分裂；到達(dá)葉子節(jié)點(diǎn)l的圖像子塊記為l(P)，統(tǒng)計(jì)l(P)中標(biāo)簽為笑臉(θ＝1)的概率p(θ|l(P))，并將p(θ|l(P))存儲于該葉子節(jié)點(diǎn)上；

13)計(jì)算各個(gè)條件隨機(jī)森林分類閾值：

131)從訓(xùn)練數(shù)據(jù)子集中的各張圖像上隨機(jī)摳取一系列圖像子塊，并將各個(gè)圖像子塊輸入條件隨機(jī)森林T(Ω_n)的各棵決策樹，最終到達(dá)決策樹的葉子節(jié)點(diǎn)；取圖像子塊到達(dá)的葉子節(jié)點(diǎn)上存儲的分類概率p(θ|Ω_n,l(P))作為該圖像子塊屬于笑臉的概率。為表述方便將所有圖像子塊屬于笑臉的概率簡記為{p₁,p₂,p₃…}；

132)初始化聚類中心:c₀＝min{p₁,p₂,p₃…},c₁＝max{p₁,p₂,p₃…}；

133)計(jì)算每個(gè)數(shù)據(jù)對象p_i到聚類中心c₀和c₁的歐式距離，并將各個(gè)數(shù)據(jù)歸類到距離較短的聚類中心所在的類，歸類后的兩類數(shù)據(jù)集合分別記為和

134)計(jì)算各類均值作為新的聚類中心；

135)重復(fù)132)、133)直到聚類中心不再變化；

136)輸出聚類結(jié)果C₀、C₁。

137)計(jì)算條件隨機(jī)森林T(Ω_n)的分類閾值τ_p(Ω_n)：

作為優(yōu)化，所述步驟4)從離線訓(xùn)練的條件隨機(jī)森林組中選出T棵決策樹動態(tài)組建出一個(gè)隨機(jī)森林T^C，其中從條件隨機(jī)森林T(Ω_n)中隨機(jī)選出的決策樹的棵數(shù)k_n由頭部姿態(tài)估計(jì)模塊給出的頭部姿態(tài)分布情況來決定：

其中p(ω|P)表示頭部姿態(tài)估計(jì)模塊給出的頭部姿態(tài)分布，表示向下取整；動態(tài)組建的隨機(jī)森林T^C的分類閾值τ_p為：

作為優(yōu)化，所述步驟5)接收從人臉檢測模塊輸入的人臉區(qū)域圖像，并利用動態(tài)組建的隨機(jī)森林T^C對人臉區(qū)域圖像做出笑臉/非笑臉的分類，步驟為：

51)對人臉區(qū)域圖像提取特征；

52)從人臉區(qū)域的各類特征圖像上分別摳取M個(gè)圖像子塊{P_i,i∈[1,m]}，并輸入動態(tài)組建的隨機(jī)森林T^C的各棵決策樹種；當(dāng)圖像子塊到P_i到達(dá)決策樹的葉子節(jié)點(diǎn)時(shí)，記錄該葉子節(jié)點(diǎn)上保存的概率值p_it＝p(θ,l(P))；

53)若判決輸入的人臉區(qū)域圖像為笑臉；否則判決輸入的人臉區(qū)域圖像為非笑臉。

作為優(yōu)化，在訓(xùn)練和檢測過程中也可以不從整個(gè)人臉區(qū)域摳取圖像子塊，而從嘴巴、眉眼等區(qū)域摳取圖像子塊，然后利用本發(fā)明提供的技術(shù)構(gòu)建笑臉檢測器。

作為優(yōu)化，亦可從多個(gè)人臉的多個(gè)區(qū)域摳取圖像子塊，利用本發(fā)明提供的技術(shù)構(gòu)建笑臉多個(gè)檢測器，然后組合這些笑臉檢測器，進(jìn)一步提高笑臉檢測的正確率。

本發(fā)明的有益技術(shù)效果體現(xiàn)在：

本發(fā)明提供了一種基于條件隨機(jī)森林的笑臉檢測系統(tǒng)。該系統(tǒng)在利用隨機(jī)森林做笑臉檢測時(shí)將頭部姿態(tài)作為條件狀態(tài)，在訓(xùn)練時(shí)根據(jù)頭部姿態(tài)將數(shù)據(jù)進(jìn)行分類，降低了數(shù)據(jù)的內(nèi)類差異，使得訓(xùn)練的條件隨機(jī)森林具備高的分類正確率和效率；在進(jìn)行笑臉/非笑臉分類時(shí)，也先進(jìn)行了頭部姿態(tài)的估計(jì)，根據(jù)估計(jì)的頭部姿態(tài)分布情況動態(tài)組建隨機(jī)森林，并計(jì)算動態(tài)隨機(jī)森林的分類閾值。因此，本發(fā)明提供的技術(shù)可以解決不限定頭部姿態(tài)情景下的笑臉檢測問題，擴(kuò)展笑臉檢測系統(tǒng)的應(yīng)用范圍。

附圖說明

圖1是本發(fā)明一較佳實(shí)施例結(jié)構(gòu)組成示意圖；

圖2是本發(fā)明一較佳實(shí)施例條件隨機(jī)森林組的離線訓(xùn)練流程圖；

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

圖1示出了本發(fā)明一個(gè)較佳實(shí)施例。一種基于條件隨機(jī)森林的笑臉檢測器，包括：條件隨機(jī)森林組10、人臉檢測模塊11、頭部姿態(tài)估計(jì)模塊12、動態(tài)隨機(jī)森林組建模塊13、隨機(jī)森林笑臉分類模塊14，其中，

條件隨機(jī)森林組10通過離線訓(xùn)練得到，由一組不同頭部姿態(tài)條件下的笑臉分類隨機(jī)森林組成；人臉檢測模塊11從圖像中檢測出包含人臉的區(qū)域；頭部姿態(tài)估計(jì)模塊12根據(jù)人臉區(qū)域提取的特征估計(jì)出頭部姿態(tài)；動態(tài)隨機(jī)森林組建模塊13根據(jù)估計(jì)的頭部姿態(tài)從條件隨機(jī)森林組中選擇決策樹動態(tài)建構(gòu)用于笑臉分類的隨機(jī)森林；隨機(jī)森林笑臉分類模塊14利用動態(tài)組建的笑臉分類隨機(jī)森林對人臉區(qū)域圖像做出笑臉/非笑臉的分類。

所述條件隨機(jī)森林組10離線訓(xùn)練得到，訓(xùn)練的過程如圖2所示：

S11：將訓(xùn)練數(shù)據(jù)集中的圖像按頭部姿態(tài)所屬范圍劃分為N個(gè)子集，記為其中Ω_n表示第n個(gè)數(shù)據(jù)子集中包含的圖像的頭部姿態(tài)范圍。在本實(shí)施例中，按頭部的水平偏向角度ω將訓(xùn)練數(shù)據(jù)劃分為3個(gè)子集，即Ω₁＝{-30°≤ω≤30°}、Ω₂＝{ω|-30°＜ω≤-60°}∪{ω|30°＜ω≤60°}、及Ω₃＝{ω|-90°≤ω＜-60°}∪{ω|60°＜ω≤90°}。其中，Ω₂和Ω₃利用了人臉的水平對稱性，將朝向?yàn)樽蟮娜四槇D像作水平鏡像后與朝向?yàn)橛业娜四槇D像合并。

S12：利用各個(gè)數(shù)據(jù)子集中的圖像訓(xùn)練一個(gè)條件隨機(jī)森林T(Ω_n)。每個(gè)條件隨機(jī)森林T(Ω_n)由T棵決策樹組成，即在本實(shí)施例中，T設(shè)置為30。每棵決策樹T_t(Ω_n)采用如下步驟獨(dú)立訓(xùn)練生成：

S121：從訓(xùn)練樣本子集中隨機(jī)選擇m張圖像。在本實(shí)施例中，m設(shè)置為2000。接著從每張選中的圖像上提取一系列圖像特征，圖像I_i提取特征后的特征圖像集合記為I_i＝{I_i¹,I_i²，...，I_i^F}，i∈[1,m]其中F表示特征的種數(shù)。在本實(shí)施例中，F(xiàn)設(shè)置為3，并采用了3種特征：圖像灰度值、局部二進(jìn)制模式(LBP)和Gabor特征。然后從每張?zhí)卣鲌D像上隨機(jī)摳取N_P個(gè)大小為s×s像素的圖像子塊，并將從第i張圖像上摳取的第j個(gè)圖像塊記為P_ij＝(θ_i,I_ij)，其中θ_i∈{-1,+1}為類別標(biāo)簽(笑/非笑)。在本實(shí)施例中，N_P設(shè)置為200，s設(shè)置為25，即從每張?zhí)卣鲌D像上摳取200個(gè)25×25像素的圖像子塊。

S122：生成候選二值測試集每個(gè)二值測試包含四個(gè)參數(shù)R₁,R₂,f,τ，其中R₁和R₂分別表示從圖像子塊P里隨機(jī)選取的兩個(gè)矩形區(qū)域，f∈{1,2,…,F}表示隨機(jī)選取的特征通道，τ為閾值。每個(gè)二值測試的形式為：

其中|R₁|、|R₂|分別表示矩形區(qū)域內(nèi)像素的數(shù)量。在本實(shí)施例中，候選二值測試集的大小設(shè)置為3000。

S123：生成一個(gè)根節(jié)點(diǎn)，該節(jié)點(diǎn)中包含所有摳取的圖像子塊{P_ij}。將根節(jié)點(diǎn)標(biāo)記為當(dāng)前節(jié)點(diǎn)。

S124：分裂節(jié)點(diǎn)。使用候選二值測試集中的每一個(gè)嘗試將當(dāng)前節(jié)點(diǎn)上的圖像子塊集P分裂為兩個(gè)子集和及

計(jì)算分裂后的信息增益:

其中H(·)表示熵。選擇使得信息增益最大的二值測試將當(dāng)前節(jié)點(diǎn)分裂為兩個(gè)子節(jié)點(diǎn)。

當(dāng)隨機(jī)樹生長到預(yù)設(shè)的最大深度時(shí)，或當(dāng)前節(jié)點(diǎn)的信息增益小于最小閾值時(shí)，停止隨機(jī)樹的生長并生成葉子節(jié)點(diǎn)；否則繼續(xù)迭代分裂。到達(dá)葉子節(jié)點(diǎn)l的圖像子塊記為l(P)，統(tǒng)計(jì)l(P)中標(biāo)簽為笑臉(θ＝1)的概率p(θ|l(P))，并將p(θ|l(P))存儲于該葉子節(jié)點(diǎn)上。

S13：計(jì)算各個(gè)條件隨機(jī)森林分類閾值。閾值的計(jì)算步驟為：

S131：從訓(xùn)練數(shù)據(jù)子集中的各張圖像上隨機(jī)摳取一系列圖像子塊，并將各個(gè)圖像子塊輸入條件隨機(jī)森林T(Ω_n)的各棵決策樹，最終到達(dá)決策樹的葉子節(jié)點(diǎn)。取圖像子塊到達(dá)的葉子節(jié)點(diǎn)上存儲的分類概率p(θ|Ω_n,l(P))作為該圖像子塊屬于笑臉的概率。為表述方便將所有圖像子塊屬于笑臉的概率簡記為{p₁,p₂,p₃…}。

S132：初始化聚類中心:c₀＝min{p₁,p₂,p₃…},c₁＝max{p₁,p₂,p₃…}。

S133：計(jì)算每個(gè)數(shù)據(jù)對象p_i到聚類中心c₀和c₁的歐式距離，并將各個(gè)數(shù)據(jù)歸類到距離較短的聚類中心所在的類。歸類后的兩類數(shù)據(jù)集合分別記為和

S134：計(jì)算各類均值作為新的聚類中心。

S135：重復(fù)(S132)、(S133)直到聚類中心不再變化。

S136：輸出聚類結(jié)果C₀、C₁。

S137：計(jì)算條件隨機(jī)森林T(Ω_n)的分類閾值：

在本實(shí)施例中，人臉檢測模塊11由兩個(gè)基于Haar特征的AdaBoost分類器組成，其中一個(gè)負(fù)責(zé)從圖像中檢測正面人臉，另外一個(gè)負(fù)責(zé)從圖像中檢測側(cè)臉圖像。不難理解，人臉檢測模塊11也可以采用其他算法來實(shí)施。

在本實(shí)施例中，頭部姿態(tài)估計(jì)算法采用文獻(xiàn)《Robust head pose estimation using Dirichlet-tree distribution enhanced random forests》中提供的算法來實(shí)現(xiàn)。改算法輸入人臉區(qū)域圖像即可估計(jì)出頭部姿態(tài)的分布情況。不難理解，頭部姿態(tài)檢測模塊12也可以采用其他能估計(jì)頭部姿態(tài)分布的算法來實(shí)施。

所述動態(tài)隨機(jī)森林組建模塊13從離線訓(xùn)練的條件隨機(jī)森林組10中選出T棵決策樹動態(tài)組建出一個(gè)隨機(jī)森林T^C，其中從條件隨機(jī)森林T(Ω_n)中隨機(jī)選出的決策樹的棵數(shù)k_n由頭部姿態(tài)估計(jì)模塊給出的頭部姿態(tài)分布情況來決定：

其中p(ω|P)表示頭部姿態(tài)估計(jì)模塊給出的頭部姿態(tài)分布，表示向下取整。動態(tài)組建的隨機(jī)森林T^C的分類閾值τ_p為：

所述隨機(jī)森林笑臉分類模塊14接收從人臉檢測模塊輸入的人臉區(qū)域圖像，并利用動態(tài)組建的隨機(jī)森林T^C對人臉區(qū)域圖像做出笑臉/非笑臉的分類，步驟為：

(1)對人臉區(qū)域圖像提取特征。所提取的特種種類與離線訓(xùn)練條件隨機(jī)森林組所提取的特征種類一致。

(2)從人臉區(qū)域的各類特征圖像上分別摳取M個(gè)圖像子塊{P_i,i∈[1,m]}，并輸入動態(tài)組建的隨機(jī)森林T^C的各棵決策樹種。當(dāng)圖像子塊到P_i到達(dá)決策樹的葉子節(jié)點(diǎn)時(shí)，記錄該葉子節(jié)點(diǎn)上保存的概率值p_it＝p(θ,l(P))。在本實(shí)施例中M設(shè)置為200.

(3)若判決輸入的人臉區(qū)域圖像為笑臉；否則判決輸入的人臉區(qū)域圖像為非笑臉。

作為優(yōu)化，在訓(xùn)練和檢測過程中也可以不從整個(gè)人臉區(qū)域摳取圖像子塊，而從嘴巴、眉眼等區(qū)域摳取圖像子塊，然后利用本發(fā)明提供的技術(shù)構(gòu)建笑臉檢測器。作為優(yōu)化，亦可從多個(gè)人臉的多個(gè)區(qū)域摳取圖像子塊，利用本發(fā)明提供的技術(shù)構(gòu)建笑臉多個(gè)檢測器，然后組合這些笑臉檢測器，進(jìn)一步提高笑臉檢測的正確率。

本實(shí)例可在包括但不限于智能手機(jī)、平板電腦、智能電視、計(jì)算機(jī)等硬件上實(shí)施。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。