一种人脸检测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种人脸检测方法、系统、装置及存储介质，该方法包括：将获得的第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息；其中，所述卷积神经网络在训练时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理。该系统包括获取单元和处理单元。该装置包括用于存储程序的存储器以及用于加载程序以执行所述方法的处理器。通过使用本发明专利技术的检测方案，能快速且准确地对教师场景下的图像进行人脸检测，可广泛应用于教室考勤领域中。

【技术实现步骤摘要】
一种人脸检测方法、系统、装置及存储介质
本专利技术涉及图像处理技术，尤其涉及一种适用于教室场景的人脸检测方法、系统、装置及存储介质。
技术介绍
技术词解释：Haar特征：由边缘特征、线性特征、中心特征和对角线特征组合得到的特征模板。人脸检测是指在有人脸的图像或视频画面中，检测出人脸所在位置的过程，是计算机视觉领域中重要的组成部分之一。所述人脸检测在实际生活中有着广泛的应用，例如身份认证、安全防护、基于人脸的媒体娱乐、电子产品以及图像检索层面等。然而，目前的人脸检测并没有应用于教室考勤场景中，因此，每次进行学生考勤时都需要依靠人力来进行点名考勤，这样则会耗费大量的时间，效率低，由此可见，针对教室考勤场景的人脸检测的研究有着重大的意义和实用价值。目前现有的人脸检测方法大致可分为传统的检测方法(如基于匹配模板的检测方法、基于距离的检测方法等)以及基于机器学习的人脸检测方法。其中，在实际应用中最为常用的基于机器学习的人脸检测方法为OpenCV人脸检测方法。对于所述OpenCV人脸检测方法，其是利用提取的Haar特征来对OpenCV自带的人脸检测器进行训练后，从而实现人脸检测的。然而OpenCV人脸检测方法仍存有检测速度慢，且容易因环境变化强烈而导致检测精度不够高的缺点。而在教室场景之下的图像或视频画面，常常会在对拍摄不良好的环境中进行图像采集，例如阳光太强或太弱、雾霾等环境，并且它们图像中的人脸占比通常都比较小，特别是，由于教室场景下座位是排列有序的，以至于图像或视频画面中坐在后排的学生的人脸占比极小，同时由于座位前后排列，则容易导致图像或视频画面中存有人脸遮挡、侧面以及图像中占比较小的人脸难以检测到的情况出现，还有在图像或视频画面中，学生动作、姿态多种多样，即图像或画面中的人脸角度多种多样，因此由此可见，相较于其它场景下的人脸，教室场景下的人脸检测难度非常之大，上述现有的人脸检测方法，就算是OpenCV人脸检测方法，均无法适用于教室场景下的人脸检测。
技术实现思路
有鉴于此，本专利技术实施例的目的是提供一种适用于教室场景的人脸检测方法、系统、装置及存储介质，可准确且快速地进行教室场景下的人脸检测。第一方面，本专利技术实施例提供了一种人脸检测方法，包括以下步骤：获取第一教室图像；将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息；其中，所述卷积神经网络在训练时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理。进一步，还包括卷积神经网络的训练步骤，所述卷积神经网络的训练步骤包括：构建卷积神经网络；获取原始教室图像以及原始教室图像的人脸位置标记数据；对原始教室图像进行预处理后得到训练输入图像；将训练输入图像和人脸位置标记数据输入至卷积神经网络进行训练，直到得到分类任务的损失函数的最小值和回归任务的损失函数的最小值为止；其中，所述分类任务被配置为对从训练输入图像提取出的图像候选区域进行人脸区域和非人脸区域的类别区分，所述回归任务被配置为对从训练输入图像提取出的图像候选区域进行人脸位置坐标数据的输出。进一步，所述将训练输入图像和人脸位置标记数据输入至卷积神经网络进行训练这一步骤，其具体为：将训练输入图像和人脸位置标记数据输入至卷积神经网络，从而对卷积神经网络包含的特征提取模块进行训练。进一步，所述特征提取模块包括有依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层以及激活函数层，所述激活函数层采用的函数为ReLu函数。进一步，所述将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息这一步骤，其包括：对第一教室图像进行图像候选区域的提取；将提取出的图像候选区域输入至特征提取模块进行人脸特征提取；将提取出的人脸特征进行归一化处理后得到人脸特征向量；将得到的人脸特征向量输出，其中，所述输出的人脸特征向量为所述第一教室图像中若干个人脸的位置信息。进一步，所述对原始教室图像进行预处理后得到训练输入图像这一步骤，其具体为：对原始教室图像依次进行四种尺度的尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理后，得到训练输入图像。进一步，还包括以下步骤：建立图像数据库，所述图像数据库存储有所述原始教室图像以及原始教室图像的人脸位置标记数据。第二方面，本专利技术实施例提供了一种人脸检测系统，包括：获取单元，用于获取第一教室图像；处理单元，用于将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息；其中，所述卷积神经网络在训练时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理。第三方面，本专利技术实施例提供了一种人脸检测装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述一种人脸检测方法。第四方面，本专利技术实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述一种人脸检测方法。上述本专利技术实施例中的一个或多个技术方案具有如下优点：本专利技术实施例通过利用卷积神经网络来实现教室图像的人脸位置预测，并且在训练所述卷积神经网络时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，其中，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理，因此通过使用本专利技术实施例来实现教室图像的人脸检测，能够达到检测快速且准确的效果。附图说明图1是本专利技术实施例一种人脸检测方法的步骤流程图；图2是本专利技术实施例中所述卷积神经网络的结构示意图；图3是本专利技术实施例一种人脸检测系统的结构框图；图4是本专利技术实施例一种人脸检测装置的结构框图。具体实施方式下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。如图1所示，本专利技术实施例提供了一种人脸检测方法，包括以下步骤：S101、获取第一教室图像；S102、将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息；其中，所述卷积神经网络在训练时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理。对于图像的尺度变换处理，对图像从小区域到大区域的图像变换，令它们从局部到整体表现在一系列不同的空间尺度上。对于图像的颜色变换，即彩色变换，指对于以红、绿、蓝系统表示的图像，通过改变红色、绿色、蓝色通道的值从而改变图像的颜色。对于图像的镜像变换处理，其具体分为水平镜像、垂直镜像和对角镜像3种；其中，水平镜像是指将图像的左右部分以图像垂直中轴线为本文档来自技高网...

【技术保护点】
1.一种人脸检测方法，其特征在于，包括以下步骤：获取第一教室图像；将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息；其中，所述卷积神经网络在训练时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理。

【技术特征摘要】
1.一种人脸检测方法，其特征在于，包括以下步骤：获取第一教室图像；将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教室图像中若干个人脸的位置信息；其中，所述卷积神经网络在训练时所采用的训练输入图像是通过对原始教室图像进行预处理后得到的图像，所述预处理包括尺度变换处理、噪声加入处理、颜色变换处理、亮度变换处理以及镜像变换处理中至少一种预处理。2.根据权利要求1所述一种人脸检测方法，其特征在于，还包括卷积神经网络的训练步骤，所述卷积神经网络的训练步骤包括：构建卷积神经网络；获取原始教室图像以及原始教室图像的人脸位置标记数据；对原始教室图像进行预处理后得到训练输入图像；将训练输入图像和人脸位置标记数据输入至卷积神经网络进行训练，直到得到分类任务的损失函数的最小值和回归任务的损失函数的最小值为止；其中，所述分类任务被配置为对从训练输入图像提取出的图像候选区域进行人脸区域和非人脸区域的类别区分，所述回归任务被配置为对从训练输入图像提取出的图像候选区域进行人脸位置坐标数据的输出。3.根据权利要求2所述一种人脸检测方法，其特征在于，所述将训练输入图像和人脸位置标记数据输入至卷积神经网络进行训练这一步骤，其具体为：将训练输入图像和人脸位置标记数据输入至卷积神经网络，从而对卷积神经网络包含的特征提取模块进行训练。4.根据权利要求3所述一种人脸检测方法，其特征在于，所述特征提取模块包括有依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层以及激活函数层，所述激活函数层采用的函数为ReLu函数。5.根据权利要求3所述一种人脸检测方法，其特征在于，所述将所述第一教室图像输入至训练好的卷积神经网络中进行人脸检测处理后，输出第一教...

【专利技术属性】
技术研发人员：葛海玉，郝禄国，杨琳，龙鑫，曾文彬，李伟儒，
申请(专利权)人：广州海昇计算机科技有限公司，
类型：发明
国别省市：广东,44