[發明專利]基于人工神經網絡的人臉檢測識別方法

在審

• 申請號: 201710378921.5
• 申請日: 2017-05-25
• 公開（公告）號: CN107194356A
• 公開（公告）日: 2017-09-22
• 發明（設計）人: 歐陽偉
• 申請（專利權）人: 湖南警察學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙)11435
• 代理人: 馮曉欣

技術領域

本發明屬于人工智能和模式識別技術領域,具體涉及一種基于神經網絡的人臉識別方法。

背景技術

人臉檢測問題最初來源于人臉識別（FaceRecognition）。人臉識別的研究可以追溯到20世紀60-70年代，經過幾十年的曲折發展已日趨成熟。人臉檢測是自動人臉檢測系統中的一個關鍵環節，也是面部表情識別、頭部狀態估計的必須技術。早期的人臉識別研究主要針對具有較強約束條件的人臉圖像（如無背景的圖像），往往假設人臉位置已知或很容易獲得，因此人臉檢測問題并未受到重視。近幾年隨著電子商務等應用的發展，人臉識別成為最有潛力的身份驗證手段，這種應用背景要求自動人臉檢測系統能夠對一般環境中的人臉圖像具有一定的適應能力。

人臉是一類具有相當復雜的細節變化的自然結構的目標，目前人臉檢測所面臨的問題可以歸結如下：

圖像平面內變化：臉部圖像的最簡單變化可以通過臉部本事的旋轉、移動、縮放、鏡像等獨立地表示。本類同樣包含所有的圖像亮度、對比度變化以及被其他物體遮擋。

姿態變化：臉部某些方面的姿態變包含在圖像平面變化中，比如旋轉和平移。不在圖像平面內的臉部旋轉對表現會產生很大影響。另一類變化是臉部離攝像機的距離，會導致景物變形。

光線和膚色變化：目標及其環境引起的變化，特別是目標的表面特征和光源。光源的變化會引起臉部表現的強烈變化。

背景變化：當目標具有可預測的形狀，就可以選取一個只包含此物體象素的窗口，并忽略背景?？墒?，對于側臉，臉部本身的邊界是至關重要的特征，并且每個人的形狀都不一樣。因此，邊界是不可預測的，背景不能被簡單地屏蔽或忽略。

形狀變化：最后是目標本身的形狀變化。對于人臉，此類變化包含了臉部表情，如嘴和眼睛的張開、閉合。

對于人臉檢測問題，從不同的角度可以有多種分類方法。同時，人臉圖像所包含的模式特征十分豐富，這些特征中哪些是最有用的、如何利用這些特征，是人臉檢測要研究的主要問題。

發明內容

為了解決上述問題，本發明提供一種基于人工神經網絡的人臉檢測系統，采用的技術方案如下：

基于人工神經網絡的人臉檢測識別方法，包括以下步驟：

（1）位置和姿態估計：用神經網絡分析圖像中潛在的臉部區域并確定臉部姿態；

（2）預處理：圖像進行預處理來改善圖像的亮度和對比度；

（3）檢測：在前兩步對圖像作位置、姿態和預處理后，由面檢測器檢測是否存在人臉；

（4）決斷：通過利用啟發式算法，將面檢測器的檢測結果合并在一起作決斷，來增強人臉檢測的正確率。

優選地，還包括人臉檢測訓練，訓練方法如下：

（1）窗口輸入圖像樣本；

（2）訓練神經網絡，對人臉圖像樣本輸出1，非人臉圖像樣本輸出-1；在循環的第一次迭代時，隨即初始化網絡的權重；

（3）使用上一次訓練計算的權重做為下一次訓練的起點。

優選地，在輸入圖像樣本前還包括圖像樣本的處理，處理方法為：在20×20像素的窗口中，將圖像調整為統一的大小、位置和方位；圖像的擴縮率為與之間的隨機因子，平移量為0.5像素以內的隨機值。

優選地，所述人臉訓練所需的圖像樣本的生成方法如下：

（1）選擇初始人臉圖像；

（2）依據頭部的三維姿態，在每張人臉圖樣上標記特征點；

（3）不同人臉上的標記特征點組合；

（4）多次組合后，形成多個人臉圖像樣本。

優選地，所述標記特征點組合的原理為：相關特征點對之間的距離平方和為最小。

優選地，所述標記特征點組合的計算方法如下：當存在旋轉、伸縮和移動時，相關特征點對之間的距離平方和為最小，即在二維形式下，坐標變換可以寫為：

。

優選地，有多對相關的坐標集，上述公式擴展為：

用偽逆方法解此線形方程系統：命名左邊的矩陣為A，矢量形式的變量為T，右邊為B，此方程的偽逆解為：

偽逆解產生變換T是我們的初始目標，T最小化了坐標集與改造前的之間差的平方和。

在知道如何組合兩組標記了的特征點后，按如下的過程不斷組合特征點：

（1）初始化，這是一些初始特征位置的向量，也是所有臉部每一個被標記特征的平均位置；對于正面臉的組合，這些特征可以為輸入窗口中兩個眼睛的期望位置，其它姿態的人臉，這些位置應該來自頭部的平均3D模型；