[發明專利]人臉標定方法及裝置

在審

• 申請號: 201810096476.8
• 申請日: 2018-01-31
• 公開（公告）號: CN108229432A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 查俊莉;湯錦鵬
• 申請（專利權）人: 廣州市動景計算機科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04
• 代理公司: 北京合智同創知識產權代理有限公司 11545
• 代理人: 李杰

本申請實施例提供了一種人臉標定方法及裝置，其中方法包括：根據第一神經網絡模型對人臉圖片進行處理，以確定一批人臉區域；根據第二神經網絡模型對一批人臉區域進行處理，以從一批人臉區域中過濾掉非人臉區域；根據第三神經網絡模型對過濾了非人臉的一批人臉區域進行處理，以確定T時刻的唯一人臉區域；根據人臉跟蹤模型對T時刻的唯一人臉區域進行跟蹤，以確定T+1時刻的唯一人臉區域。由于經過了多個神經網絡模型通過多層卷積操作，高效精準的提取人臉特征點，大大提高人臉標定的魯棒性，進一步地，當引入反饋機制時，提高了標定效率和穩定性。

技術領域

本申請實施例涉及圖像處理技術領域，尤其涉及一種人臉標定方法及裝置。

背景技術

神經網絡在圖片識別領域取得的巨大突破，推動了人臉標定作為圖像應用的飛速進展，為人臉標定在應對姿態、光照和表情變化時提供了更高的穩定性，由此也促進人臉標定廣泛應用于娛樂、安全等越來越多的領域。

人臉標定主要分為人臉檢測和人臉表征兩個階段。人臉檢測階段就是給定任意一張圖片，判斷圖片內是否存在一個或者多個人臉，并且返回每個人臉的位置區域。人臉檢測的研究在早期主要致力于模板匹配、子空間方法等，后來主要集中在基于數據驅動的方法，比如統計模型方法，神經網絡學習方法等。最有代表性的是Viola和Jones(簡稱VJ人臉檢測)通過Haar-Like特征和AdaBoost訓練出的級聯分類器，獲得了實時性非常好的人臉檢測器。但針對于現實的復雜環境，比如：人臉尺度多變、姿態多樣、光照條件惡劣、分辨率低等，經典的VJ人臉檢測器更多時候表現并不好。近來，越來越多基于CNN卷積神經網絡的人臉識別算法涌現出來，表現了更強的魯棒性和更高的檢測精確度。比如：FacenessNet，DCNN等。

人臉表征主要是對齊人臉并提取人臉的特征，定位出眉毛、眼鏡、嘴巴、鼻子和臉部輪廓等關鍵區域的位置，又稱人臉關鍵點檢測。目前常見的人臉對齊有5點對齊，68點對齊。人臉對齊可以應用于五官定位，表情識別、人臉漫畫生成，增強現實，換臉等等。人臉關鍵點檢測的方法分為三種：1.基于ASM(Active Shape Model)和AAM(Active AppearnceModel)的傳統方法；2.基于級聯形狀回歸的方法；3.基于深度學習的方法。傳統方法模型雖然簡單，易于理解和應用，但是對于模型有較強的依賴性，魯棒性較差。因此，目前大部門使用基于深度學習的方法進行人臉關鍵點的檢測。

發明內容

有鑒于此，本申請實施例所解決的技術問題之一在于提供一種人臉標定方法及裝置，用以克服或者緩解現有技術中上述缺陷。

本申請實施例提供了一種人臉區域標定方法，其包括：

根據第一神經網絡模型對人臉圖片進行處理，以確定一批人臉區域；

根據第二神經網絡模型對所述一批人臉區域進行處理，以從所述一批人臉區域中過濾掉非人臉區域；

根據第三神經網絡模型對過濾了非人臉的所述一批人臉區域進行處理，以確定T時刻的唯一人臉區域；

根據人臉跟蹤模型對T時刻的唯一人臉區域進行跟蹤，以確定T+1時刻的唯一人臉區域。

可選地，在本申請的任一實施例中，還包括：

獲取采集的原始人臉圖片，并將所述原始人臉圖片進行縮放處理得到不同尺寸的圖像金字塔；

將不同尺寸的圖像金字塔作為所述第一神經網絡模型的輸入，以使得第一神經網絡模型對人臉圖片進行處理，以確定一批人臉區域。

可選地，在本申請的任一實施例中，獲取采集的原始人臉圖片包括：通過電子終端的開發接口獲取由電子終端設圖像采集單元采集的原始人臉圖片。