[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 201710856524.4
• 申請日: 2017-09-21
• 公開（公告）號: CN107633229A
• 公開（公告）日: 2018-01-26
• 發(fā)明（設(shè)計(jì)）人: 謝靜;王正;李志國;曾建平
• 申請（專利權(quán)）人: 北京智芯原動(dòng)科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/194;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理、視頻監(jiān)控以及安防領(lǐng)域，特別涉及人臉檢測方法及裝 置。

背景技術(shù)

近年來，由于人臉識別的廣泛應(yīng)用和其較高的市場期望，人臉識別一直是模 式識別中的一個(gè)熱門方向。

人臉檢測作為人臉識別系統(tǒng)中的關(guān)鍵環(huán)節(jié)，占用了大部分的系統(tǒng)資源，并且 其檢測性能直接影響最終的識別精度，因此顯得十分重要。

目前，常見的基于視頻圖像的人臉檢測方法有模板匹配法、膚色模型法、神 經(jīng)網(wǎng)絡(luò)法、SVM分類器法、Adaboost分類器法等。但這些方法檢測準(zhǔn)確率較低， 難以適應(yīng)復(fù)雜的環(huán)境。

近年來，隨著人工智能的快速發(fā)展，深度學(xué)習(xí)被越來越多地引入到人臉識別 領(lǐng)域中，其通過組合底層特征形成高層特征，受環(huán)境變化的影響較小。卷積神經(jīng) 網(wǎng)絡(luò)(Convolutional Neural Networks，簡稱CNN)是深度學(xué)習(xí)的一種模型結(jié)構(gòu)， 其通過卷積層和子采樣層的相關(guān)運(yùn)算來處理圖像信息，對平移、縮放、傾斜和旋 轉(zhuǎn)等變形的敏感度低，更加適用于無約束環(huán)境的圖像人臉檢測。

然而，現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測方法一般采用較多的網(wǎng)絡(luò)層實(shí) 現(xiàn)，其運(yùn)算復(fù)雜度較高。

綜上所述，需要提出一種運(yùn)算復(fù)雜度低且檢測準(zhǔn)確率高的人臉檢測方法。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的主要目的在于快速的實(shí)現(xiàn)人臉檢測，且檢測準(zhǔn)確率高。

為達(dá)到上述目的，按照本發(fā)明的第一個(gè)方面，提供了基于卷積神經(jīng)網(wǎng)絡(luò)的人 臉檢測方法，該方法包括：

第一步驟，輸入待處理圖像；

第二步驟，采用雙膚色分割法，從待處理圖像中提取前景區(qū)域；

第三步驟，根據(jù)前景區(qū)域的前景點(diǎn)所占比值和寬高比，從前景區(qū)域中篩選出 候選區(qū)域；

第四步驟，選取標(biāo)注人臉的圖像為正樣本圖像，標(biāo)注非人臉的圖像為負(fù)樣本 圖像，根據(jù)正樣本圖像和負(fù)樣本圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練，獲取訓(xùn)練好 的人臉檢測模型；以及

第五步驟，采用訓(xùn)練好的人臉檢測模型對候選區(qū)域進(jìn)行人臉檢測，輸出檢測 結(jié)果。

進(jìn)一步地，所述第二步驟包括：

YIQ前景分割步驟，將待處理圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)IQ顏色空間， 統(tǒng)計(jì)待處理圖像中像素點(diǎn)(x,y)的I分量值I(x,y)，若ITh1≤I(x，y)≤ITH2，則 認(rèn)為像素點(diǎn)(x,y)為前景點(diǎn)，否則認(rèn)為像素點(diǎn)(x,y)為背景點(diǎn)，生成由前景點(diǎn)與背 景點(diǎn)構(gòu)成的二值圖像，對二值圖像進(jìn)行中值濾波處理，以獲取YIQ二值圖像；

YCbCr前景分割步驟，將待處理圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr顏色空 間，統(tǒng)計(jì)待處理圖像中像素點(diǎn)(x,y)的Cb分量值Cb(x,y)和Cr分量值Cr(x,y)， 若CbTh1≤Cb(x,y)≤CbTh2并且CrTh1≤Cr(x,y)≤CrTh2，則認(rèn)為像素點(diǎn)(x,y) 為前景點(diǎn)，否則認(rèn)為像素點(diǎn)(x,y)為背景點(diǎn)，生成由前景點(diǎn)與背景點(diǎn)構(gòu)成的二值 圖像，對二值圖像進(jìn)行中值濾波處理，以獲取YCbCr二值圖像；

雙膚色二值圖像獲取步驟，YIQ二值圖像與YCbCr二值圖像做與操作，獲 取雙膚色二值圖像；

前景區(qū)域獲取步驟，采用連通區(qū)域法對雙膚色二值圖像進(jìn)行連通區(qū)域標(biāo)記， 統(tǒng)計(jì)標(biāo)記連通區(qū)域CR_i的標(biāo)記點(diǎn)的個(gè)數(shù)SR_i，若SR_i≥STh，則在待處理圖像中獲 取對應(yīng)標(biāo)記連通區(qū)域的外接矩形區(qū)域作為前景區(qū)域，其中CR_i為標(biāo)記的第i個(gè)連 通區(qū)域。

進(jìn)一步地，所述第三步驟包括：

區(qū)域?qū)捀弑扔?jì)算步驟，統(tǒng)計(jì)第j個(gè)前景區(qū)域的寬度FAW_j和高度FAH_j，計(jì) 算寬度與高度的比值

前景點(diǎn)比值計(jì)算步驟，統(tǒng)計(jì)第j個(gè)前景區(qū)域內(nèi)前景點(diǎn)數(shù)量FSum_j，計(jì)算前景 點(diǎn)所占的比值

候選區(qū)域篩選步驟，若RTh1≤WHR_j≤RTh2并且FR_j≥RTh3，則認(rèn)為第j個(gè) 前景區(qū)域?yàn)楹蜻x區(qū)域，否則將第j個(gè)前景區(qū)域內(nèi)的所有前景點(diǎn)設(shè)置為背景點(diǎn)。

進(jìn)一步地，所述第四步驟包括：

訓(xùn)練樣本選取步驟，選取多樣式的標(biāo)注人臉圖像為正樣本圖像，選取多樣式 的標(biāo)注非人臉圖像為負(fù)樣本圖像；

樣本初步訓(xùn)練步驟，將正樣本圖像和負(fù)樣本圖像進(jìn)行灰度化處理，并將其縮 放到固定寬度和固定高度，采用卷積神經(jīng)網(wǎng)絡(luò)對經(jīng)過灰度化和縮放處理的正樣本 圖像和負(fù)樣本圖像進(jìn)行訓(xùn)練，獲得初步訓(xùn)練的人臉檢測模型；