[發明專利]一種提取人臉圖像毛孔特征的方法與裝置

有效

• 申請號: 201710651809.4
• 申請日: 2017-08-02
• 公開（公告）號: CN107403166B
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 王曉東;梁煜偉;李東;章云;劉治
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本發明實施例公開了一種提取人臉圖像毛孔特征的方法與裝置，對獲取的人臉圖像進行預處理，可以得到第一像素訓練圖像；通過第一像素訓練圖像來實現對特征提取卷積神經網絡參數的優化，從而得到優化后的特征提取卷積神經網絡；依據從人臉圖像截取得到的第二像素訓練圖像，來實現對特征檢測卷積神經網絡參數的優化，從而得到優化后的特征檢測卷積神經網絡；利用優化后的特征提取卷積神經網絡以及優化后的特征檢測卷積神經網絡，實現對人臉圖像毛孔特征的提取，即獲取到毛孔特征向量。由于訓練圖像來自于待處理的人臉圖像，因此，優化后的神經網絡能夠更加準確的提取出該人臉圖像中的毛孔特征。

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種提取人臉圖像毛孔特征的方法與裝置。

背景技術

隨著監控攝像頭的廣泛應用，人臉識別系統的市場需求也在逐漸擴大。然而，在這些應用中被監控人群大多處于非約束狀態，當前的人臉識別產品和人臉識別系統都需要對檢測到的人臉具有一定的限定或要求。這些限定條件已成為人臉識別技術推廣和應用的主要障礙。存在這些限定條件是因為：在非可控條件下，復雜干擾因素將導致人臉識別精度急劇下降，不能滿足應用需求。

在非可控條件下，不僅可能存在強光變化、大范圍的姿態變化、夸張的表情變化、有意或無意的遮擋、圖像分辨率偏低等嚴重的干擾因素，而且這些因素可能隨機組合地出現在視頻人臉圖像中。這些復雜干擾將導致同一個人的人臉面像呈現巨大差異。這導致在非可控條件下準確地識別人臉非常困難。因此，非限定人臉識別依然是一個非常困難的問題；其識別精度也遠不能滿足實際應用需求。

近年來，國內外學者開始把深度學習方法應用在圖像識別問題上，并取得了優異的效果。不同人的毛孔分布是不一樣的，如果能夠通過局部的毛孔特征來對人臉識別，將能達到很好的效果。

可見，如何從人臉圖像中準確的提取毛孔特征，是本領域技術人員亟待解決的問題。

發明內容

本發明實施例的目的是提供一種提取人臉圖像毛孔特征的方法與裝置，可以從人臉圖像中準確的提取毛孔特征，從而提高人臉識別的精度。

為解決上述技術問題，本發明實施例提供一種提取人臉圖像毛孔特征的方法，包括：

對獲取的人臉圖像進行預處理，得到第一像素訓練圖像；

利用特征提取卷積神經網絡，獲取所述第一像素訓練圖像對應的特征向量；

依據所述特征向量，對所述特征提取卷積神經網絡的參數進行優化處理，得到優化后的特征提取卷積神經網絡；

利用特征檢測卷積神經網絡，計算出第二像素訓練圖像中心點的坐標值；所述第二像素訓練圖像為從所述人臉圖像截取得到的訓練圖像；

依據所述坐標值，對所述特征檢測卷積神經網絡的參數進行優化處理，得到優化后的特征檢測卷積神經網絡；

利用優化后的所述特征提取卷積神經網絡以及優化后的所述特征檢測卷積神經網絡，對所述人臉圖像進行毛孔特征的提取，獲取到毛孔特征向量。

可選的，所述依據所述特征向量，對所述特征提取卷積神經網絡的參數進行優化處理，得到優化后的特征提取卷積神經網絡包括：

調整所述特征提取卷積神經網絡的參數，直至所述特征向量滿足預設條件，從而得到優化后的特征提取卷積神經網絡。

可選的，所述利用特征檢測卷積神經網絡，計算出第二像素訓練圖像中心點的坐標值包括：

利用特征檢測卷積神經網絡的卷積層，對所述第二像素訓練圖像進行卷積處理，得到卷積層特征圖像；

利用特征檢測卷積神經網絡的高斯卷積層，對所述卷積層特征圖像進行卷積處理，得到高斯模糊特征圖像；