[發明專利]基于廣義交并比的多尺度特征融合人臉檢測與分割方法

在審

• 申請號: 202011251701.4
• 申請日: 2020-11-10
• 公開（公告）號: CN114463800A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 呂巨建;林凱瀚;趙慧民;陳榮軍;熊建斌;戰蔭偉
• 申請（專利權）人: 廣東技術師范大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/25;G06V10/80;G06K9/62;G06T7/194
• 代理公司: 廣州藍晟專利代理事務所(普通合伙) 44452
• 代理人: 歐陽凱;范順萍

本發明公開了一種基于廣義交并比的多尺度特征融合人臉檢測與分割方法，包括如下步驟：S1：將待檢測的人臉圖像進行預處理并將其輸入Mask R?CNN模型中，通過預訓練好的深度神經網絡模型提取相應的特征圖；S2：通過預設好尺寸的區域建議網絡在特征圖上生成候選區域；S3：然后利用候選區域匹配，將輸入圖像與特征圖的像素匹配對應并獲取相對應的固定尺寸特征圖；S4：最后利用全連接層對候選區域進行分類和邊界框的定位，利用全卷積網絡進行逐像素點的預測，生成相應的二值掩碼將人臉目標與背景圖像分割開來。本發明提高了識別精度，并使多目標人臉檢測后圖像像素點定位精準度達到像素級，能夠在復雜的監控畫面上獲取精確的人臉信息。

技術領域

本發明屬于機器視覺技術領域，具體涉及一種基于廣義交并比的多尺度特征融合人臉檢測與分割方法。

背景技術

近年來，隨著智能手機、高性能計算機、智能機器人等智能硬件設備的飛速發展與普及，人工智能技術已經應用到日常生活的各個方面，如自動駕駛、電子商務、智能機器人、網絡安全、智能家居等，為人們的工作與生活帶來了極大的便利。人類是人工智能技術的主要服務對象，因此人臉信息的獲取尤為重要，而人臉檢測作為人臉信息獲取的關鍵環節，其重要性不言而喻。

人臉檢測一般包括人臉的識別和定位兩個過程，通過圖像處理技術以及機器學習等相關技術從圖像或視頻中檢測定位出人臉，從而獲取人臉信息。人臉檢測是人臉相關應用的首要一步，同時也是最關鍵環節，其效果直接影響后續應用的性能。因此，人臉檢測已成為人工智能領域的研究熱點，其應用前景十分廣泛。由人臉檢測研究的發展進程，可以將現有的工作分為基于傳統手工特征的方法和基于卷積神經網絡的方法。基于傳統手工特征的人臉檢測算法多是基于滑動窗口的框架或是根據特征點進行匹配，具有明顯的速度優勢；而基于深度學習的人臉檢測方法主要是利用卷積神經網絡進行特征提取，在準確率及多目標檢測方面具有很好的實現效果，并且相對于傳統的機器學習算法能夠以較少的時間花費換取大幅度的準確率提升，因此基于深度學習的人臉檢測算法已成為多目標人臉檢測的主流研究方向。

現有技術：在傳統手工特征方面，隨著首個實時有效的人臉檢測方法 Viola-Jones的提出，人臉檢測開始進入實用階段。Viola-Jones算法利用 Haar特征進行特征表達，再通過Adaboost與級聯結構進行人臉檢測，可以實現在普通場景下的實時人臉檢測效果。然而，該算法存在諸如特征尺寸大、復雜場景下識別率低等缺點。針對以上缺點，研究人員設計出了更為精細的手工特征，如方向梯度直方圖(Histogram of Oriented Gradient,HOG) 特征、尺度不變特征變換(Scale-invariant feature transform，SIFT)、加速穩健特征特征(Speeded Up Robust Features,SURF)、局部二值模式特征(Local BinaryPattern,LBP)等，并結合支持向量機(Support Vector Machine,SVM)等分類器實現人臉檢測。除此之外，2010年Felzenszwalb 等人提出的可變形部件模型(Deformable PartModel,DPM)是傳統手工特征方法的重要進展之一，該方法采用了多組件策略，并通過改進的HOG特征與 SVM結合，改善了不同角度及形變情況下的目標檢測效果，因此在人臉識別、行人檢測等任務上取得重要突破?；趥鹘y手工特征的方法較好地實現了人臉的實時檢測，然而其仍存在一定的不足，如手工特征設計較為復雜、檢測穩定性較差、滑窗策略不具針對性等，因此人臉檢測方法還有較大的改進空間。