[發明專利]人臉檢測方法和裝置

有效

• 申請號: 201610852174.X
• 申請日: 2016-09-26
• 公開（公告）號: CN107871106B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 毛秀萍;張祥德
• 申請（專利權）人: 北京眼神科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 蘇培華

本發明實施例提供了一種人臉檢測方法和裝置，該方法包括：采用預先經過訓練的卷積神經網絡模型對待測人臉圖像提取不同層級網絡的多個人臉特征，得到對應不同層級網絡的多個人臉特征向量；將多個人臉特征向量融合成一個人臉特征向量；對融合處理后的人臉特征向量作降維處理，得到維度相同的兩個人臉特征向量；對兩個人臉特征向量中的一個人臉特征向量作人臉檢測處理，得到人臉檢測結果；同時對兩個人臉特征向量中的另一個人臉特征向量作姿態估計處理，得到姿態估計結果。本發明可使用于人臉檢測和姿態估計的特征對圖像的描述更加豐富，準確度更高，降低后續人臉檢測的失誤率；并能夠同時執行多個相關任務，提升單個任務的性能。提高任務處理效率。

技術領域

本發明涉及人臉識別技術領域，特別是涉及一種人臉檢測方法和裝置。

背景技術

人臉檢測是指從輸入圖像中確定所有人臉(如果存在)的位置和大小的過程。作為人臉信息處理中的一項關鍵技術，人臉檢測是許多自動人臉圖像分析應用的前提和基礎，如人臉識別、人臉配準、人臉追蹤、人臉屬性識別(性別、年齡、表情)等。自上世紀90年代以來，人臉檢測逐步取得了重大進展，近年來在安全訪問控制、視覺監測、基于內容的檢索和新一代人機界面等領域得到了廣泛的應用，成為模式識別與計算機視覺領域內一項受到普遍重視、研究十分活躍的課題。

頭部姿態估計問題作為人臉識別問題中的一項關鍵技術，受到了越來越多的關注。姿態問題是影響人臉識別系統性能的重要因素，當識別非正面的人臉時，系統的性能會急劇的下降。因此解決姿態估計問題是提高人臉識別系統性能的一個重要的途徑，具有重要的應用價值。頭部姿態估計的任務是確定頭部相對攝像機角度的方向。給定一張人臉圖像，其姿態由上下翻轉(pitch)，左右翻轉(yaw)，平面內旋轉(roll)的三種角度構成。

深度學習是近十年來人工智能領域取得的最重要的突破之一，作為深度網絡的一類重要分支，深度卷積神經網絡在諸如人臉識別、目標分類、物體檢測等領域取得重大進展。且網絡學習到的特征可以同時用于多任務，如分類、檢測、物體分割等。越來越多的研究人員嘗試利用深度卷積網絡來提升人臉檢測的效果。

目前，現有的人臉檢測算法分為以下三種：Boosting(一種用來提高弱分類算法準確度的方法)變種、可變部件模型(DPM，deformable part model)、卷積神經網絡(CNN)以及深度卷積神經網絡(DCNN)。

Boosting變種算法的代表方法是Adaboost(一種迭代算法)人臉檢測器及其變種。該Adaboost人臉檢測算法的檢測器包括三個主要內容：級聯結構、積分圖和Adaboost分類器。其中，級聯結構是指一種多層結構的分類器，在級聯結構中，每一層的分類器都是通過Adaboost方法訓練得到的，訓練每一層的分類器需要以下幾個步驟：1)計算矩形特征的值；2)遍歷特征得到弱分類器；3)將弱分類器組合成強分類器。Adaboost算法是Boosting學習方法中最具代表性的算法，Adaboost迭代算法可分為3步：1)初始化訓練數據的權值分布。如果有N個樣本，則每一個訓練樣本最開始時都被賦予相同的權值：1/N；2)訓練弱分類器；3)將各個訓練得到的弱分類器組合成強分類器，誤差率低的弱分類器在最終分類器中占的權重較大，否則較小。

雖然，該經典的Adaboost人臉檢測算法能很好地處理正面和接近正面的人臉，但是當面對復雜姿態、多角度的人臉時，檢測性能大幅下降。