本公开是关于一种人脸识别方法和装置，属于人脸识别领域。所述方法包括：基于训练的强分类器，对图像的每个区域进行分类，得到所述图像的多个候选图像区域；遍历所述多个候选图像区域；对于当前遍历到的候选图像区域，基于预设分类模型，对所述候选图像区域进行分类，得到所述候选图像区域的分类结果，所述分类结果为人脸区域或者非人脸区域；从所述多个候选图像区域中，提取出分类结果为人脸区域的图像区域。本公开提高了分类准确率，提升了人脸识别的效果，降低了人脸识别的错误率，且避免了对分类速度的影响。
【技术实现步骤摘要】
本公开是关于人脸识别领域，具体来说是关于人脸识别方法和装置。
技术介绍
Adaboost (Adaptive Boosting，自适应增强）是一种迭代算法，其核心思想是针对 同一个训练样本集训练不同的弱分类器，然后将这些弱分类器集合起来，构成一个强分类 器。基于该强分类器进行图像识别时，识别速度非常快，基本可以达到实时识别的水平。 Adaboost算法在进行训练之前，通常会获取样本图像的弱特征，基于样本图像的 弱特征，构成训练样本集。样本图像的弱特征可以为矩形特征，该矩形特征通过对样本图像 中相邻像素的颜色进行对比得到，可以用于对样本图像进行简单地描述。
技术实现思路
为了解决相关技术中存在的问题，本公开提供了一种人脸识别方法和装置。所述 技术方案如下： 根据本公开实施例的第一方面，提供了一种人脸识别方法，所述方法包括： 基于训练的强分类器，对图像的每个区域进行分类，得到所述图像的多个候选图 像区域，所述强分类器由多个弱分类器组成，所述多个弱分类器基于同一训练样本集训练 而成； 遍历所述多个候选图像区域； 对于当前遍历到的候选图像区域，基于预设分类模型，对所述候选图像区域进行 分类，得到所述候选图像区域的分类结果，所述分类结果为人脸区域或者非人脸区域； 从所述多个候选图像区域中，提取出分类结果为人脸区域的候选图像区域； 其中，所述预设分类模型包括多个网络层，每个网络层由多个特征图组成，每个特 征图由多个神经元组成，同一特征图内的每个神经元的权重矩阵相同。 在另一实施例中，所述基于训练的强分类器，对图像的每个区域进行分类，得到所 述图像的多个候选图像区域，包括： 遍历多种尺寸，所遍历的每种尺寸均不大于所述图像的尺寸； 按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个区域； 对于划分得到的每个区域， 根据预设特征提取算法，提取所述区域的特征； 根据所述区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果 为人脸区域或者非人脸区域； 如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。 在另一实施例中，所述对于当前遍历到的候选图像区域，基于预设分类模型，对所 述候选图像区域进行分类，得到所述候选图像区域的分类结果之前，所述方法还包括： 对所述预设分类模型中每个特征图的权重矩阵和偏置项进行初始化； 根据所述预设分类模型中每个特征图的权重矩阵、偏置项和预设激活函数，计算 样本图像的输出结果； 计算所述输出结果与所述样本图像的预设理论结果之间的差值； 根据所述差值，对所述预设分类模型中每个特征图的权重矩阵和偏置项进行调 整； 基于调整后的权重矩阵和偏置项以及所述预设激活函数，继续计算所述样本图像 的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停 止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。 在另一实施例中，所述根据所述预设分类模型中每个特征图的权重矩阵、偏置项 和预设激活函数，计算样本图像的输出结果，包括： 将所述样本图像输入所述预设分类模型中的第一个网络层； 在所述预设分类模型的每个网络层中，根据上一个网络层的输出结果以及当前网 络层中每个特征图的权重矩阵、偏置项和所述预设激活函数，计算输出结果； 将当前网络层的输出结果输入至下一网络层中，继续计算下一网络层的输出结 果，直至计算出最后一层的输出结果。 在另一实施例中，所述预设分类模型包括卷积层；在所述预设分类模型的每个网 络层中，根据上一个网络层的输出结果以及当前网络层中每个特征图的权重矩阵、偏置项 和所述预设激活函数，计算输出结果，包括： 获取上一个网络层的每个特征图中的每个神经元的输出结果； 对于所述卷积层的每个特征图中的每个指定神经元， 根据上一个网络层中每个神经元与所述指定神经元之间的连接权重，对获取到的 上一个网络层中每个神经元的输出结果进行加权求和，得到所述指定神经元的特征值； 计算所述指定神经元的特征值与所述指定神经元所在特征图的偏置项的和值； 应用所述预设激活函数，对所述和值进行计算，得到所述指定神经元的输出结果。 在另一实施例中，所述预设分类模型包括子采样层；在所述预设分类模型的每个 网络层中，根据上一个网络层的输出结果以及当前网络层中每个特征图的权重矩阵、偏置 项和所述预设激活函数，计算输出结果，包括： 对于所述子采样层的每个特征图中的每个指定神经元， 获取在上一个网络层的每个特征图中的连接神经元的输出结果，所述连接神经元 是指上一个网络层中，所在的特征图与所述指定神经元所在的特征图的位置相同、子采样 窗口与所述指定神经元的子采样窗口的尺寸相同且互不重叠的神经元； 计算上一个网络层中，与所述指定神经元所在的指定特征图的位置相同的特征图 中的连接神经元的输出结果的和值，作为所述指定神经元的特征值； 计算所述指定特征图的权重矩阵与所述指定神经元的特征值的乘积，并计算所述 乘积与所述指定特征图的偏置项的和值； 应用所述预设激活函数，对所述乘积与所述指定特征图的偏置项的和值进行计 算，得到所述神经元的输出结果。 在另一实施例中，所述基于预设分类模型，对所述候选图像区域进行分类，得到所 述候选图像区域的分类结果，包括： 将所述候选图像区域输入至所述预设分类模型中； 根据所述预设分类模型中已确定的每个特征图的权重矩阵、偏置项和所述预设激 活函数，计算所述候选图像区域的分类结果。 根据本公开实施例的第二方面，提供了一种人脸识别装置，所述装置包括： 第一分类模块，用于基于训练的强分类器，对图像的每个区域进行分类，得到所述 图像的多个候选图像区域，所述强分类器由多个弱分类器组成，所述多个弱分类器基于同 一训练样本集训练而成； 遍历模块，用于遍历所述多个候选图像区域； 第二分类模块，用于对于当前遍历到的候选图像区域，基于预设分类模型，对所述 候选图像区域进行分类，得到所述候选图像区域的分类结果，所述分类结果为人脸区域或 者非人脸区域； 提取模块，用于从所述多个候选图像区域中，提取出分类结果为人脸区域的候选 图像区域； 其中，所述预设分类模型包括多个网络层，每个网络层由多个特征图组成，每个特 征图由多个神经元组成，同一特征图内的每个神经元的权重矩阵相同。 在另一实施例中，所述第一分类模块用于遍历多种尺寸，所遍历的每种尺寸均不 大于所述图像的尺寸；按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个 区域；对于划分得到的每个区域，根据预设特征提取算法，提取所述区域的特征；根据所述 区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果为人脸区域或者非 人脸区域；如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。 在另一实施例中，所述装置还包括： 初始化模块，用于对所述预设分类模型中每个特征图的权重矩阵和偏置项进行初 始化； 输出计算模块，用于根据所述预设分类模型中每个特征图的权重矩阵、偏置项和 预设激活函数，计算样本图像的输出结果； 差值计算模块，用于计算所述输出结果与所述样本图像的预设理论结果之间的差 值； 调整模块，用于根据所述差值，对所述预设分类模型中每个特征图的权重矩阵和 偏置项进行调整； 循环模块，用于基于调整后的权重矩阵本文档来自技高网...
【技术保护点】
一种人脸识别方法，其特征在于，所述方法包括：基于训练的强分类器，对图像的每个区域进行分类，得到所述图像的多个候选图像区域，所述强分类器由多个弱分类器组成，所述多个弱分类器基于同一训练样本集训练而成；遍历所述多个候选图像区域；对于当前遍历到的候选图像区域，基于预设分类模型，对所述候选图像区域进行分类，得到所述候选图像区域的分类结果，所述分类结果为人脸区域或者非人脸区域；从所述多个候选图像区域中，提取出分类结果为人脸区域的候选图像区域；其中，所述预设分类模型包括多个网络层，每个网络层由多个特征图组成，每个特征图由多个神经元组成，同一特征图内的每个神经元的权重矩阵相同。
【技术特征摘要】
【专利技术属性】
技术研发人员：张涛，龙飞，陈志军，
申请(专利权)人：小米科技有限责任公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。