基于深度学习和关键点特征提取的人脸识别方法技术

本发明专利技术公开了一种新的基于深度学习的视频人脸检测及识别方法，其步骤是：在视频中检测人脸图像，通过对人眼区域的检测，排除非人脸区域对检测结果的干扰，把人脸图像准确的从背景中提取出来；选择人脸区域中受视觉干扰条件影响较小的区域，在这些区域内的关键点上提取局部特征；通过卷积神经网络提取选定的区域的高层人脸特征，与局部特征一起作为表达人脸的特征，在对该特征进行经过降维和归一化处理；对人脸对中两张人脸图像的特征进行相似性度量，逐一进行评估，选择相似性分值最高的一组，最后得到识别结果。本发明专利技术的应用，非限定条件下的良好识别效果，适用于姿态、表情、光照、遮挡等的复杂干扰环境。

【技术实现步骤摘要】

本专利技术属于计算机视觉研究领域，涉及视频图像处理和机器学习方法，特别是涉及基于深度学习和关键点特征提取的人脸识别方法。
技术介绍
随着监控摄像头的广泛应用，人脸识别系统的市场需求也在逐渐扩大。然而，在这些应用中被监控人群大多处于非约束状态，当前的人脸识别产品和人脸识别系统都需要对检测到的人脸具有一定的限定或要求。这些限定条件已成为人脸识别技术推广和应用的主要障碍。存在这些限定条件是因为：在非可控条件下，复杂干扰因素将导致人脸识别精度急剧下降，不能满足应用需求。在非可控条件下，不仅可能存在强光变化、大范围的姿态变化、夸张的表情变化、有意或无意的遮挡、图像分辨率偏低等严重的干扰因素，而且这些因素可能随机组合地出现在视频人脸图像中。这些复杂干扰将导致同一个人的人脸面像呈现巨大差异。这导致在非可控条件下准确地识别人脸非常困难。因此，非限定人脸识别依然是一个非常困难的问题；其识别精度也远不能满足实际应用需求。然而，在非限定人脸识别中，大多数当前工作都着重于减少单张人脸图像包含的干扰，而忽略了“视觉干扰条件差异”这种现象。例如，一些研究者采用图像预处理技术消除图像包含的干扰，如光照规范化技术本文档来自技高网...

【技术保护点】
基于深度学习和关键点特征提取的人脸识别方法，其特征在于，包括以下步骤，步骤1、获取视频图像，提取视频图像中的类哈尔特征；步骤2、根据类哈尔特征，构建级联的强分类器，再利用强分类器检测出视频图像中的人眼区域图像；步骤3、对人眼区域图像对称设置至少7个关键点，再对其进行区域划分，获得局部图像块；步骤4、获取人脸数据库中设置有相同关键点的预处理局部图像块，将其匹配局部图像块获得对应关键点的图像块对，再利用深度卷积神经网络提取出图像块对的特征向量；步骤5、计算特征向量的分类器决策分，判断出分类器决策分最高的图像块对，其中属于人脸数据库中的预处理局部图像块所在人脸图像作为识别的输出结果。

【技术特征摘要】
1.基于深度学习和关键点特征提取的人脸识别方法，其特征在于，包括以下步骤，步骤1、获取视频图像，提取视频图像中的类哈尔特征；步骤2、根据类哈尔特征，构建级联的强分类器，再利用强分类器检测出视频图像中的人眼区域图像；步骤3、对人眼区域图像对称设置至少7个关键点，再对其进行区域划分，获得局部图像块；步骤4、获取人脸数据库中设置有相同关键点的预处理局部图像块，将其匹配局部图像块获得对应关键点的图像块对，再利用深度卷积神经网络提取出图像块对的特征向量；步骤5、计算特征向量的分类器决策分，判断出分类器决策分最高的图像块对，其中属于人脸数据库中的预处理局部图像块所在人脸图像作为识别的输出结果。2.根据权利要求1所述的基于深度学习和关键点特征提取的人脸识别方法，其特征在于，所述的步骤2，包括如下步骤，步骤2.1、归一化权重，对应类哈尔特征，计算简单分类器的错误率，选择错误率最低的简单分类器作为弱分类器，并更新权重；步骤2.2、根据自适应增强算法，对弱分类器进行步骤2.1循环迭代，得出强分类器，并将所有强分类器级联；步骤2.3、利用级联的强分类器检测出视频图像中人眼区域图像。3.根据权利要...

【专利技术属性】
技术研发人员：高建彬，刘婧月，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51