The invention provides a face classifier training method, including: obtaining a first face glass sample images to detect the occluded face; the first sample face images using the face classifier, the classifier is not detected by the first positive sample picture face; obtain the glass sample images; the first positive samples and pictures the glass sample images as input samples against semi supervised generation network model, generating model generation against network model in the semi supervised training, generative model trained model; will generate a random noise signal is input to the trained, generating second sample images; second positive samples obtained from the picture second sample images; the second is the sample image as positive samples the face classifier, the classification of the face The machine is trained to get the trained face classifier. The invention also provides a training device for face classifier. The invention can improve the robustness of the classifier.
【技术实现步骤摘要】
人脸分类器训练方法、人脸检测方法及装置、电子设备
本专利技术涉及人工智能
,尤其涉及一种人脸分类器训练方法、人脸检测方法及装置、电子设备。
技术介绍
人脸识别是一种生物识别技术,在视频监控、人机交互、金融、娱乐、教育等行业有广泛的应用,而人脸检测技术是人脸识别算法的第一步,它首先将人脸区域从图像或者视频中找出来,然后才能够对该人脸区域进行后续的识别任务;通常情况下,人脸检测都会用到滑动窗口法,即对图像中各个位置、各个尺度对应的窗口区域进行分类,判断该区域是否是人脸,完成这个任务的模型叫做分类器,分类器一般是用机器学习的方法训练而成的,训练时需要用到大量的正样本(人脸)、负样本(非人脸),因此分类器的性能除了取决训练算法本身外,还很大程度上依赖于正负样本的分布和比例。在某些应用场景下,人脸分类器的性能容易受人脸姿态、表情、光照、角度、遮挡、尺寸、图片质量等因素的影响;在交通监控中,很多人脸都出现在车的驾驶座位上,并且隔着车窗玻璃,这样隔着玻璃的遮挡对人脸检测的性能影响极大。从分类器的设计的角度来看,要缓解上面这些因素对分类器性能的影响,需要添加在该应用场景下一定规模的样本去训练分类器。但专门收集那些场景下自然分布的样本需要耗费大量的人力、物力。如果收集到少量的训练样本,则训练出来的检测器,在应用场景下依旧难检测到人脸,甚至会出现很多误检。
技术实现思路
鉴于以上内容,有必要提供一种人脸分类器训练方法、人脸检测方法及装置、电子设备,减少采集样本的工作量,提高人脸检测精度。一种人脸分类器训练方法,所述方法包括:获取玻璃遮挡人脸的第一人脸样本图片;利用人脸分类器 ...
【技术保护点】
一种人脸分类器训练方法,其特征在于,所述方法包括:获取玻璃遮挡人脸的第一人脸样本图片;利用人脸分类器对所述第一人脸样本图片进行检测,得到所述人脸分类器未检测到人脸的第一正样本图片;获取玻璃样本图片;将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本,对半监督的生成对抗网络模型中的生成模型进行训练,得到训练好的生成模型;将随机噪声信号输入至所述训练好的生成模型中,生成第二样本图片;从所述第二样本图片中获取第二正样本图片,所述第二正样本图片包括通过所述训练好的生成模型生成的玻璃遮挡人脸的样本图片;将所述第二正样本图片作为所述人脸分类器的正样本,对所述人脸分类器进行训练,得到训练后的人脸分类器。
【技术特征摘要】
1.一种人脸分类器训练方法,其特征在于,所述方法包括:获取玻璃遮挡人脸的第一人脸样本图片;利用人脸分类器对所述第一人脸样本图片进行检测,得到所述人脸分类器未检测到人脸的第一正样本图片;获取玻璃样本图片;将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本,对半监督的生成对抗网络模型中的生成模型进行训练,得到训练好的生成模型;将随机噪声信号输入至所述训练好的生成模型中,生成第二样本图片;从所述第二样本图片中获取第二正样本图片,所述第二正样本图片包括通过所述训练好的生成模型生成的玻璃遮挡人脸的样本图片;将所述第二正样本图片作为所述人脸分类器的正样本,对所述人脸分类器进行训练,得到训练后的人脸分类器。2.如权利要求1所述的人脸分类器训练方法,其特征在于,所述第一人脸样本图片包括以下一种或者多种的组合:多种光照条件下的人脸的图片、多个人的人脸图片、多种人脸姿态的人脸图片、多种表情的人脸图片、多种材质的玻璃遮挡人脸的图片、多种颜色的玻璃遮挡人脸的图片、多种形状的玻璃遮挡人脸的图片。3.如权利要求1所述的人脸分类器训练方法,其特征在于,所述玻璃样本图片包括以下一种或者多种的组合:多种材质的玻璃图片、多种颜色的玻璃图片、多种形状的玻璃图片。4.如权利要求1所述的人脸分类器训练方法,其特征在于,所述方法还包括:利用人脸分类器对所述第一人脸样本图片进行检测,得到所述人脸分类器能检测到人脸的第三正样本图片;将所述第三正样本图片作为所述人脸分类器的正样本的一部分。5.如权利要求1所述的人脸分类器训练方法,其特征在于,所述方法还包括:从所述第二样本图片中获取第二负样本图片;将所述第二负样本图片作为所述人脸分类器的负样本的一部分,及/或将所述玻璃样本图片作为所述人脸分类器的负样本的一部分。6.一种人脸检测方法,其特征在于,所述方法包括:获取待检测的图片;获取训练好...
【专利技术属性】
技术研发人员:吴伟,牟永强,
申请(专利权)人:深圳云天励飞技术有限公司,
类型:发明
国别省市:广东,44
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。