基于卷积神经网络的人脸检测方法及装置制造方法及图纸

本发明专利技术提供了基于卷积神经网络的人脸检测方法，该方法包括：输入待处理图像；采用双肤色分割法，从待处理图像中提取前景区域；根据前景区域的前景点所占比值和宽高比，从前景区域中筛选出候选区域；选取标注人脸的图像为正样本图像，标注非人脸的图像为负样本图像，根据正样本图像和负样本图像对卷积神经网络进行反复训练，获取训练好的人脸检测模型；采用训练好的人脸检测模型对候选区域进行人脸检测，输出检测结果。与现有技术相比，本发明专利技术能快速地检测复杂场景中的人脸，且鲁棒性较好。

Face detection method and device based on convolution neural network

The present invention provides a method of face detection based on convolutional neural network, the method includes: the input image to be processed; the double color segmentation method, extract the foreground region from the image to be processed; according to the attractions of the foreground region occupied ratio and aspect ratio, from the foreground region in selected candidate regions; selection of face image annotation is the sample image, image annotation non face negative sample image according to the sample image and negative sample image are drilled on the convolutional neural network, obtain the face detection model is trained by training; good face detection model for face detection of the candidate region and output test results. Compared with the existing technology, the present invention can quickly detect the face in the complex scene, and it has good robustness.

【技术实现步骤摘要】
基于卷积神经网络的人脸检测方法及装置
本专利技术涉及图像处理、视频监控以及安防领域，特别涉及人脸检测方法及装置。
技术介绍
近年来，由于人脸识别的广泛应用和其较高的市场期望，人脸识别一直是模式识别中的一个热门方向。人脸检测作为人脸识别系统中的关键环节，占用了大部分的系统资源，并且其检测性能直接影响最终的识别精度，因此显得十分重要。目前，常见的基于视频图像的人脸检测方法有模板匹配法、肤色模型法、神经网络法、SVM分类器法、Adaboost分类器法等。但这些方法检测准确率较低，难以适应复杂的环境。近年来，随着人工智能的快速发展，深度学习被越来越多地引入到人脸识别领域中，其通过组合底层特征形成高层特征，受环境变化的影响较小。卷积神经网络(ConvolutionalNeuralNetworks，简称CNN)是深度学习的一种模型结构，其通过卷积层和子采样层的相关运算来处理图像信息，对平移、缩放、倾斜和旋转等变形的敏感度低，更加适用于无约束环境的图像人脸检测。然而，现有的基于卷积神经网络的人脸检测方法一般采用较多的网络层实现，其运算复杂度较高。综上所述，需要提出一种运算复杂度低且检测准确率高的人本文档来自技高网...

【技术保护点】
基于卷积神经网络的人脸检测方法，其特征在于，该方法包括：第一步骤，输入待处理图像；第二步骤，采用双肤色分割法，从待处理图像中提取前景区域；第三步骤，根据前景区域的前景点所占比值和宽高比，从前景区域中筛选出候选区域；第四步骤，选取标注人脸的图像为正样本图像，标注非人脸的图像为负样本图像，根据正样本图像和负样本图像对卷积神经网络进行反复训练，获取训练好的人脸检测模型；以及第五步骤，采用训练好的人脸检测模型对候选区域进行人脸检测，输出检测结果。

【技术特征摘要】
1.基于卷积神经网络的人脸检测方法，其特征在于，该方法包括：第一步骤，输入待处理图像；第二步骤，采用双肤色分割法，从待处理图像中提取前景区域；第三步骤，根据前景区域的前景点所占比值和宽高比，从前景区域中筛选出候选区域；第四步骤，选取标注人脸的图像为正样本图像，标注非人脸的图像为负样本图像，根据正样本图像和负样本图像对卷积神经网络进行反复训练，获取训练好的人脸检测模型；以及第五步骤，采用训练好的人脸检测模型对候选区域进行人脸检测，输出检测结果。2.如权利要求1所述的方法，其特征在于，所述第二步骤包括：YIQ前景分割步骤，将待处理图像从RGB颜色空间转换到YIQ颜色空间，统计待处理图像中像素点(x,y)的I分量值I(x,y)，若ITh1≤I(x,y)≤ITh2，则认为像素点(x,y)为前景点，否则认为像素点(x,y)为背景点，生成由前景点与背景点构成的二值图像，对二值图像进行中值滤波处理，以获取YIQ二值图像；YCbCr前景分割步骤，将待处理图像从RGB颜色空间转换到YCbCr颜色空间，统计待处理图像中像素点(x,y)的Cb分量值Cb(x,y)和Cr分量值Cr(x,y)，若CbTh1≤Cb(x,y)≤CbTh2并且CrTh1≤Cr(x,y)≤CrTh2，则认为像素点(x,y)为前景点，否则认为像素点(x,y)为背景点，生成由前景点与背景点构成的二值图像，对二值图像进行中值滤波处理，以获取YCbCr二值图像；双肤色二值图像获取步骤，若YIQ二值图像与YCbCr二值图像做与操作，获取双肤色二值图像；前景区域获取步骤，采用连通区域法对双肤色二值图像进行连通区域标记，统计标记连通区域CRi的标记点的个数SRi，若SRi≥STh，则在待处理图像中获取对应标记连通区域的外接矩形区域作为前景区域，其中CRi为标记的第i个连通区域。3.如权利要求2所述的方法，所述ITh1的取值范围为0.01～0.06，所述ITh2的取值范围为0.1～0.6，所述CbTh1的取值范围为60～90，所述CbTh2的取值范围为110～150，CrTh1的取值范围为115～155，所述CrTh2的取值范围为150～190，所述STh的取值范围为15～40。4.如权利要求1所述的方法，其特征在于，所述第三步骤包括：区域宽高比计算步骤，统计第j个前景区域的宽度FAWj和高度FAHj，计算宽度与高度的比值前景点比值计算步骤，统计第j个前景区域内前景点数量FSumj，计算前景点所占的比值候选区域筛选步骤，若RTh1≤WHRj≤RTh2并且FRj≥RTh3，则认为第j个前景区域为候选区域，否则将第j个前景区域内的所有前景点设置为背景点。5.如权利要求4所述的方法，所述RTh1的取值范围为0.4～0.9，所述RTh2的取值范围为1.2～2.2，所述RTh3的取值范围为0.4～0.9。6.如权利要求1所述的方法，其特征在于，所述第四步骤包括：训练样本选取步骤，选取多样式的标注人脸图像为正样本图像，选取多样式的标注非人脸图像为负样本图像；样本初步训练步骤，将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用卷积神经网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的人脸检测模型；测试样本选取步骤，选取多样式的标注人脸图像和标注非人脸图像为测试图像；样本二次训练步骤，将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的人脸检测模型对经过灰度化和缩放处理的测试图像进行反复训练，直至人脸检测模型收敛。7.如权利要求6所述的方法，所述固定宽度的取值范围为16～256，所述固定高度的取值范围为16～256。8.如权利要求1所述的方法，其特征在于，所述第五步骤包括：前景区域特征提取步骤，利用训练好的人脸检测模型分别提取前景区域图像的特征；人脸检测判定步骤，计算提取的前景区域图像特征与人脸检测模型中人脸分类特征的相似度Simi...

【专利技术属性】
技术研发人员：谢静，王正，李志国，曾建平，
申请(专利权)人：北京智芯原动科技有限公司，
类型：发明
国别省市：北京,11