[發(fā)明專利]一種基于顯著子區(qū)域的面部特征解析方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711251398.6
• 申請(qǐng)日: 2017-12-01
• 公開（公告）號(hào): CN108108669A
• 公開（公告）日: 2018-06-01
• 發(fā)明（設(shè)計(jì)）人: 石宇;張麗君;馮友計(jì);周祥東
• 申請(qǐng)（專利權(quán)）人: 中國科學(xué)院重慶綠色智能技術(shù)研究院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 上海光華專利事務(wù)所(普通合伙) 31219
• 代理人: 尹麗云

本發(fā)明提供一種基于顯著子區(qū)域的面部特征解析方法，包括：建立訓(xùn)練模型；根據(jù)所述訓(xùn)練模型進(jìn)行候選面部圖像區(qū)域提取和面部圖像的精細(xì)預(yù)測(cè)，獲取面部特征解析結(jié)果，本發(fā)明通過結(jié)合區(qū)域的整體特征和顯著子區(qū)域的局部特征對(duì)圖像各區(qū)域是否包含面部圖像進(jìn)行判定，對(duì)面部圖像和非面部圖像的判別具有較高的區(qū)分能力，同時(shí)局部特征的提取速度快，本發(fā)明通過自動(dòng)提取的對(duì)面部圖像和背景有較高區(qū)分能力的區(qū)域，利用這些子區(qū)域的特征可以大幅提高面部特征解析的準(zhǔn)確率，同時(shí)由于子區(qū)域特征和整體特征的提取共用一個(gè)卷積網(wǎng)絡(luò)，因此不會(huì)引入額外的時(shí)間開銷，有效的提高了解析效率。

技術(shù)領(lǐng)域

本發(fā)明涉及物體檢測(cè)識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于顯著子區(qū)域的面部特征解析方法。

背景技術(shù)

面部特征解析是指判斷圖像中是否包含面部圖像并給出面部圖像所在的區(qū)域，通常是面部特征解析的第一步，在整個(gè)技術(shù)中有重要的地位。目前，面部特征解析技術(shù)日趨成熟，可廣泛應(yīng)用在安防、金融、教育、娛樂等領(lǐng)域?，F(xiàn)有的面部特征解析方法大致可以分為以下三類。

第一類是根據(jù)區(qū)域內(nèi)手工特征如Harr特征、局部二值特征、梯度直方圖特征，使用支持向量機(jī)、級(jí)聯(lián)的AdaBoost等分類器對(duì)圖像各區(qū)域是否包含面部圖像進(jìn)行判定，圖像的區(qū)域一般為遍歷整個(gè)圖像的滑動(dòng)窗口。但手工特征結(jié)合傳統(tǒng)分類器的方法使得面部特征解析的準(zhǔn)確率不夠高。

第二類是采用最近的基于卷積神經(jīng)網(wǎng)絡(luò)的通用物體檢測(cè)方法，先由卷積網(wǎng)絡(luò)輸出部分可能包含物體的區(qū)域，再利用該區(qū)域更深層次的卷積特征進(jìn)行物體類別的判定和位置與大小的回歸。應(yīng)用于面部特征解析問題時(shí)，物體類別數(shù)為2，分別是面部圖像和背景。這種方法相比于傳統(tǒng)方法提高了面部特征解析的準(zhǔn)確率，但仍然無法滿足實(shí)際應(yīng)用需求。

第三類是采用多個(gè)卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)的方法，每一個(gè)級(jí)聯(lián)單元根據(jù)區(qū)域整體的卷及特征判定當(dāng)前區(qū)域是否包含面部圖像并回歸面部圖像的位置和大小，之后保留包含面部圖像的區(qū)域供下一個(gè)級(jí)聯(lián)單元進(jìn)一步判斷，初始的候選區(qū)域?yàn)楸闅v整個(gè)圖像的滑動(dòng)窗口。這種方式大大提高了面部特征解析的準(zhǔn)確率，但多個(gè)卷積神經(jīng)網(wǎng)絡(luò)的級(jí)聯(lián)也使得算法具有較大的時(shí)間開銷。

因此，亟需一種新的技術(shù)手段，能夠提高面部特征解析的準(zhǔn)確率，同時(shí)降低額外的時(shí)間開銷。

發(fā)明內(nèi)容

鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明提供一種基于顯著子區(qū)域的面部特征解析方法，以解決上述技術(shù)問題。

本發(fā)明提供的基于顯著子區(qū)域的面部特征解析方法，包括：

建立訓(xùn)練模型；

根據(jù)所述訓(xùn)練模型進(jìn)行候選面部圖像區(qū)域提取和面部圖像的精細(xì)預(yù)測(cè)，獲取面部特征解析結(jié)果；

所述候選面部圖像區(qū)域提取包括通過不同層次和不同分辨率的卷積層獲取圖像中包含不同尺度的候選區(qū)域，根據(jù)所述訓(xùn)練模型對(duì)輸入圖像進(jìn)行處理，獲取處理結(jié)果，所述處理結(jié)果包括輸入圖像的特征圖、特征圖出現(xiàn)面部圖像的概率以及面圖圖像框的坐標(biāo)；

所述面部圖像的精細(xì)預(yù)測(cè)包括根據(jù)特征圖出現(xiàn)面部圖像的概率對(duì)面部圖像框進(jìn)行篩選，根據(jù)篩選結(jié)果獲取面部圖像候選區(qū)域集，對(duì)面部圖像候選區(qū)域集中的每個(gè)候選區(qū)域進(jìn)行處理，獲取對(duì)應(yīng)候選區(qū)域的屬于面部圖像區(qū)域的最終概率，并通過與預(yù)先設(shè)置的第一閾值進(jìn)行比較完成面部圖像的精細(xì)預(yù)測(cè)。

進(jìn)一步，對(duì)面部圖像框進(jìn)行篩選后，獲取第一篩選結(jié)果，對(duì)所述第一篩選結(jié)果進(jìn)行非極大值抑制處理，依次從篩選后的面部圖像框中選擇與其他面部圖像框重疊度小于第二閾值，且概率最大的面部圖像框，獲取第二篩選結(jié)果，將所述第二篩選結(jié)果作為面部圖像候選區(qū)域集。

進(jìn)一步，根據(jù)所述第二篩選結(jié)果，獲取精確面部圖像框坐標(biāo)。

進(jìn)一步，所述面部圖像候選區(qū)域集包括多個(gè)候選區(qū)域，所有候選區(qū)域均獲得第二篩選結(jié)果后，對(duì)其進(jìn)行第二非極大值抑制處理。