1.一種基于條件隨機森林的笑臉檢測器，其特征在于，包括條件隨機森林組、人臉檢測模塊、頭部姿態估計模塊、動態隨機森林組建模塊、隨機森林笑臉分類模塊，其中，

條件隨機森林組通過離線訓練得到，由一組不同頭部姿態條件下的笑臉分類隨機森林組成；人臉檢測模塊用于從圖像中檢測出包含人臉的區域；頭部姿態估計模塊用于根據人臉區域提取的特征估計出頭部姿態；動態隨機森林組建模塊用于根據估計的頭部姿態從條件隨機森林組中選擇決策樹動態建構用于笑臉分類的隨機森林；隨機森林笑臉分類模塊用于利用動態組建的笑臉分類隨機森林對人臉區域圖像做出笑臉/非笑臉的分類。

2.根據權利要求1所述的基于條件隨機森林的笑臉檢測器，其特征在于，所述條件隨機森林組離線訓練得到，訓練的過程為：

(1)將訓練數據集中的圖像按頭部姿態所屬范圍劃分為N個子集，記為其中Ω_n表示第n個子集中包含的圖像的頭部姿態范圍；

(2)利用各個數據子集中的圖像訓練一個條件隨機森林T(Ω_n)，每個條件隨機森林T(Ω_n)由T棵決策樹組成，即每棵決策樹T_t(Ω_n)采用如下步驟獨立訓練生成：

(21)從訓練樣本子集中隨機選擇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其中F表示特征的種數；然后從每張特征圖像上隨機摳取N_P個大小為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簽；

(22)生成候選二值測試集每個二值測試包含四個參數R₁,R₂,f,τ，其中R₁和R₂分別表示從圖像子塊P里隨機選取的兩個矩形區域，f∈{1,2,…,F}表示隨機選取的特征通道，τ為閾值；每個二值測試的形式為：

其中I^f表示提取第f種特征后的圖像，|R₁|、|R₂|分別表示兩個矩形區域內像素的數量，(x,y)表示像素；

(23)生成一個根節點，該節點中包含所有摳取的圖像子塊{P_ij}，將根節點標記為當前節點；

(24)使用候選二值測試集中的每一個嘗試將當前節點上的圖像子塊集P分裂為兩個子集和及

(25)計算分裂后的信息增益：

其中H(·)表示熵；

當隨機樹生長到預設的最大深度時，或當前節點的信息增益小于最小閾值時，停止隨機樹的生長并生成葉子節點；否則繼續迭代分裂；到達葉子節點l的圖像子塊記為l(P)，統計l(P)中標簽為笑臉(θ＝1)的概率p(θ|l(P))，并將p(θ|l(P))存儲于該葉子節點上；

(3)計算各個條件隨機森林分類閾值：

(31)從訓練數據子集中的各張圖像上隨機摳取一系列圖像子塊，并將各個圖像子塊輸入條件隨機森林T(Ω_n)的各棵決策樹，最終到達決策樹的葉子節點；取圖像子塊到達的葉子節點上存儲的分類概率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)計算每個數據對象p_i到聚類中心c₀和c₁的歐式距離，并將各個數據歸類到距離較短的聚類中心所在的類，歸類后的兩類數據集合分別記為和

(34)計算各類均值作為新的聚類中心；

(35)重復(32)、(33)直到聚類中心不再變化；

(36)輸出聚類結果C₀、C₁。

(37)計算條件隨機森林T(Ω_n)的分類閾值τ_p(Ω_n)：

${\mathrm{\τ}}_p\left({\mathrm{\Ω}}_n\right)=\frac{1}{2}\left(max\right\{p_1^0,p_2^0,p_3^0,...\}+min\{p_1^1,p_2^1,p_3^1,...\left\}\right).$