[發明專利]一種人臉檢測方法及裝置

有效

• 申請號: 201810018060.4
• 申請日: 2018-01-09
• 公開（公告）號: CN108171196B
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 李志國;劉洋;曾建平;朱明;李黨
• 申請（專利權）人: 北京智芯原動科技有限公司;深圳前海華夏智信數據科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06T7/215
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種人臉檢測方法，該方法包括：輸入待檢測的視頻圖像；對視頻圖像進行運動目標檢測，獲取運動目標區域；對運動目標區域進行blob團塊處理，獲取目標檢測區域；選取人臉和非人臉樣本圖像，對級聯卷積神經網絡進行訓練，獲取訓練好的人臉檢測模型；采用人臉檢測模型對目標檢測區域進行人臉檢測，輸出檢測結果。與現有技術相比，本發明能快速地檢測復雜場景中的人臉，且檢測準確率高。

技術領域

本發明涉及圖像處理、視頻監控以及安防，特別涉及人臉檢測方法及裝置。

背景技術

近年來，由于人臉識別的廣泛應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熱門方向。

人臉檢測作為人臉識別系統中的關鍵環節，占用了大部分的系統資源，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、神經網絡法、SVM分類器法、Adaboost分類器法等。但這些方法檢測準確率較低，難以適應復雜的環境。

近年來，隨著人工智能的快速發展，深度學習被越來越多地引入到人臉識別領域中，其通過組合底層特征形成高層特征，受環境變化的影響較小。卷積神經網絡(convolutional neural networks，簡稱CNN)是深度學習的一種模型結構，其通過卷積層和子采樣層的相關運算來處理圖像信息，對平移、縮放、傾斜和旋轉等變形的敏感度低，更加適用于無約束環境的圖像人臉檢測。

然而，現有的基于卷積神經網絡的人臉檢測方法一般采用較多的網絡層實現，其運算復雜度較高。

綜上所述，需要提出一種運算復雜度低且檢測準確率高的人臉檢測方法。

發明內容

有鑒于此，本發明的主要目的在于快速的實現人臉檢測，且檢測準確率高。

為達到上述目的，按照本發明的第一個方面，提供了一種人臉檢測方法，該方法包括：

第一步驟，輸入待檢測的視頻圖像；

第二步驟，對視頻圖像進行運動目標檢測，獲取運動目標區域；

第三步驟，對運動目標區域進行blob團塊處理，獲取目標檢測區域；

第四步驟，選取人臉和非人臉樣本圖像，對級聯卷積神經網絡進行訓練，獲取訓練好的人臉檢測模型；

第五步驟，采用人臉檢測模型對目標檢測區域進行人臉檢測，輸出檢測結果。

進一步地，所述第三步驟包括：

小團塊合并步驟，在當前幀視頻圖像內，根據任意兩個運動目標區域的寬度、高度和間距，判斷這兩個運動目標區域是否進行合并處理；

孤立小團塊濾除步驟，在當前幀視頻圖像內，根據運動目標區域的面積、以及與其余運動目標區域的間距，將屬于孤立小團塊的運動目標區域濾除；

過大團塊分割步驟，在當前幀視頻圖像內，根據運動目標區域的面積與視頻圖像面積的比值，將屬于過大團塊的運動目標區域進行分割處理。

進一步地，所述第四步驟包括：

訓練樣本選取步驟，選取標注人臉圖像為正樣本圖像，選取標注非人臉圖像為負樣本圖像，選取部分人臉樣本圖像；

一級卷積神經網絡訓練步驟，采用正樣本圖像、部分人臉樣本圖像和負樣本圖像，對第一級卷積神經網絡進行訓練，獲取訓練好的第一級人臉檢測模型，并利用第一級人臉檢測模型挖掘到難例負樣本圖像；