[發明專利]人臉誤檢優化方法及裝置

有效

• 申請號: 201810879801.8
• 申請日: 2018-08-03
• 公開（公告）號: CN110795975B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 劉承文
• 申請（專利權）人: 浙江宇視科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/778;G06V10/25
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 王文紅

1.一種人臉誤檢優化方法，其特征在于，應用于監控設備，所述方法包括：

提取待識別圖像集中每張圖像的人臉初始區域；

基于預先訓練的多任務人臉判別網絡模型提取所述人臉初始區域中人臉的關鍵特征點，并根據每個關鍵特征點對應區域的深度特征判斷所述人臉初始區域中的人臉是否為誤檢人臉；

若是，則將該張圖像從所述待識別圖像集中移除，以得到誤檢優化后的待識別圖像集；

其中，所述多任務人臉判別網絡模型包括依次連接的基礎特征提取網絡和深度特征提取網絡，所述基礎特征提取網絡和深度特征提取網絡共享網絡權重參數，完成對多任務人臉判別網絡模型的訓練；

所述基于預先訓練的多任務人臉判別網絡模型提取所述人臉初始區域中人臉的關鍵特征點，并根據每個關鍵特征點對應區域的深度特征判斷所述人臉初始區域中的人臉是否為誤檢人臉的步驟，包括：

將所述人臉初始區域輸入到所述多任務人臉判別網絡模型中，通過基礎特征提取網絡提取所述人臉初始區域中人臉的關鍵特征點；

通過深度特征提取網絡提取每個關鍵特征點對應區域的深度特征；

根據提取出的每個關鍵特征點對應區域的深度特征判斷所述人臉初始區域中的人臉是否為誤檢人臉；

將每個關鍵特征點對應區域的深度特征進行特征合并，得到合并后的深度特征；

根據所述合并后的深度特征判斷所述人臉初始區域中的人臉是否為誤檢人臉，輸出誤檢判斷結果。

2.根據權利要求1所述的人臉誤檢優化方法，其特征在于，所述提取待識別圖像集中每幀圖像的人臉初始區域的步驟，包括：

將所述待識別圖像集中的每幀圖像轉換為灰度圖像；

提取所述灰度圖像的類Haar特征；

利用adaboost級聯分類器對提取出的類Haar特征進行推理，根據所述類Haar特征從所述灰度圖像中提取得到人臉的初始區域。

3.根據權利要求1所述的人臉誤檢優化方法，其特征在于，所述通過深度特征提取網絡提取每個關鍵特征點對應區域的深度特征的步驟，包括：

分別通過每個卷積層組合提取每個關鍵特征點對應區域的特征圖；

通過ROI池化層從每個關鍵特征點對應區域的特征圖中提取出目標特征圖，并按照線性插值方法對提取出的目標特征圖進行池化操作得到池化后的每個關鍵特征點對應區域的池化深度特征；

將每個關鍵特征點對應區域的池化深度特征輸入到對應的全連接層組合中，得到每個關鍵特征點對應區域的深度特征。

4.根據權利要求1-3中任意一項所述的人臉誤檢優化方法，其特征在于，所述基于預先訓練的多任務人臉判別網絡模型提取所述人臉初始區域中人臉的關鍵特征點的步驟之前，所述方法還包括：

訓練所述多任務人臉判別網絡模型；

所述訓練所述多任務人臉判別網絡模型的方式，包括：

響應配置操作，配置所述多任務人臉判別網絡模型的網絡結構，其中，所述網絡結構包括基礎特征提取網絡和深度特征提取網絡，所述基礎特征提取網絡用于提取人臉初始區域中的關鍵特征點，所述深度特征提取網絡用于提取每個關鍵特征點對應區域的深度特征，所述深度特征提取網絡包括與所述基礎特征提取網絡相連的ROI池化層、與所述ROI池化層相連的多個卷積層組合以及與所述ROI池化層相連的多個全連接層組合，每個卷積層組合與相應的全連接層組合存在對應關系，每個卷積層組合提取對應的關鍵特征點對應區域的深度特征后由所述ROI池化層進行池化操作后輸入到對應的全連接層組合中；

對配置好的上述網絡結構的多任務人臉判別網絡模型的網絡權重參數進行隨機初始化，并基于輸入的訓練樣本集對所述多任務人臉判別網絡模型進行訓練，計算得到對應的損失函數值，其中，所述訓練樣本集包括人臉圖像數據集和非人臉圖像數據集；

根據所述損失函數值利用預先配置的反向傳播閾值策略計算對應的反向梯度值；

根據所述反向梯度值，利用鏈式導數傳導法計算所述多任務人臉判別網絡模型的網絡權重參數的偏導數；

基于所述偏導數更新所述多任務人臉判別網絡模型的網絡權重參數，并基于更新所述網絡權重參數后的多任務人臉判別網絡模型重復上述訓練步驟，直到訓練后的網絡權重參數滿足訓練終止條件時，輸出滿足訓練終止條件的多任務人臉判別網絡模型，其中，所述基礎特征提取網絡和深度特征提取網絡共享所述網絡權重參數。