一种驾考中驾驶员人脸的实时检测方法及系统技术方案

本发明专利技术公开了一种驾考中驾驶员人脸的实时检测方法，包括：获取车内图像；采用人脸目标检测模型对所述车内图像进行检测，并判断是否存在人脸，若存在则输出人脸图像区域位置信息；若不存在，则将被检测的车内图像输送至辅助筛选器模型内进行检测，若存在人脸，则获得难例图像样本；采用获得的难例图像样本训练人脸目标检测模型，更新参数后，获得高精度的人脸目标检测模型，并继续执行人脸检测。本发明专利技术主要应用于智能驾考中人脸检测，其实现了自动获取不同场景下的难例样本并用于预测模型的更新；既节约了人力筛选样本的时间，又提高了人脸检测的精度。

A Real-time Detection Method and System for Driver's Face in Driving Examination

【技术实现步骤摘要】
一种驾考中驾驶员人脸的实时检测方法及系统
本专利技术涉及驾考中的人脸检测
，特别涉及一种驾考中驾驶员人脸的实时检测方法及系统。
技术介绍
随着社会经济的不断发展和人民生活水平的持续提高，越来越多的家庭拥有小汽车，越来越多的人开始学习开车技术，面对众多的考生，教练师傅人数相对来说比较少，智能驾考中准确快速检测出人脸框坐标位置，能够为后续的考生操作识别打下了重要基础。现有的人脸识别技术在单一的背景环境下时，能够高效而准确的识别出人脸，然而在变化的环境背景下，则经常出错，识别率较低且识别速度很慢。而在驾考过程中，由于车辆在快速的运动，通过车窗传进来的光线和背景等都在不停的快速变化，因此现有的人脸识别技术在驾考过程中无法准确而快速的检测识别出考生的人脸，从而给智能驾考带来了诸多不变。
技术实现思路
针对上述现有技术中存在的问题，本专利技术的目的是：提出一种驾考中驾驶员人脸的实时检测方法及系统，其能够在驾考中适应不同的场景变化，并准确而快速的检测出人脸。本专利技术解决其技术问题所采用的技术方案是：一种驾考中驾驶员人脸的实时检测方法，包括如下步骤：S1、通过摄像头获取车内图像；S2、采用预建立的基于深度学习的人脸目标检测模型对所述车内图像进行检测，并判断所述车内图像内是否存在人脸，若存在人脸，则输出人脸图像区域位置信息；S3、在上述判断过程中，若不存在人脸，则将被检测的所述车内图像输送至预建立的基于深度学习的辅助筛选器模型内进行检测，若存在人脸，则获得难例图像样本；S4、采用获得的所述难例图像样本训练所述基于深度学习的人脸目标检测模型，更新参数后，获得高精度的人脸目标检测模型，并继续执行步骤S2。进一步优化技术方案，所述实时检测方法还包括：建立基于深度学习的人脸目标检测模型；建立基于深度学习的辅助筛选器模型。进一步优化技术方案，所述建立基于深度学习的人脸目标检测模型的具体步骤如下：S11、搭建人脸目标检测深度学习网络；S12、获取不同角度、光照及图像质量的车内图像样本；S13、采用矩形框标记所述车内图像样本中的人脸区域位置，并记录所述矩形框的坐标信息[x,y,width,height]；其中，x,y表示矩形框左上角坐标点，width表示矩形宽度，height表示矩形高度；S14、以每张所述车内图像样本和该车内图像样本中的矩形框的坐标信息为一组训练数据，生成人脸目标检测训练数据集；S15、使用生成的所述人脸目标检测训练数据集训练所述人脸目标检测深度学习网络，参数更新后得到基于深度学习的人脸目标检测模型。进一步优化技术方案，所述人脸目标检测深度学习网络包括：由8个卷积层、8个ReLU激活层和3个池化层组成的人脸特征提取器，以及与所述人脸特征提取器连接的第一卷积层和第二卷积层。进一步优化技术方案，在步骤S1中对获取到的所述车内图像还需进行图像预处理。进一步优化技术方案，所述图像预处理的步骤包括：将获取到的所述车内图像的尺寸缩放到96x160；将缩放后的所述车内图像的每个通道的像素值减去127.5；将所述车内图像的像素值乘以1/128，并进行像素值归一化处理。进一步优化技术方案，所述建立基于深度学习的辅助筛选器模型包括如下步骤：采用基于SSH人脸检测模型结构，建立难例预训练深度学习网络模型；收集不同背景、内容和噪声的难例图像，并用矩形框标注所述难例图像中的人脸区域位置，并记录该矩形框的坐标信息[x’,y’,width’,height’]；其中，x’,y’表示矩形框左上角坐标点，width’表示矩形宽度，height’表示矩形高度；以每张所述难例图像和该难例图像中的矩形框的坐标信息为一组训练数据，生成难例图像检测训练数据集；采用所述难例图像检测训练数据集训练所述难例预训练深度学习网络模型，网络参数更新后，得到基于深度学习的辅助筛选器模型。进一步优化技术方案，所述获得难例图像样本的具体步骤包括：S31、获取在步骤S2中未检测到人脸的车内图像；S32、将未检测到人脸的所述车内图像输入至所述基于深度学习的辅助筛选器进行检测；S33、若检测结果中存在人脸，则用矩形框标注人脸所在位置，输出矩形框坐标信息；S34、将步骤S33中得到的标注有矩形框坐标信息的车内图像作为难例图像样本。一种驾考中驾驶员人脸的实时检测系统，包括：存储器，被配置为存储数据及计算机程序指令；与存储器建立通信的处理器，所述处理器执行所述计算机程序指令以执行上述任一项所述实时检测方法的步骤。本专利技术的有益效果是：本专利技术主要应用于智能驾考中人脸检测，其实现了自动获取不同场景下的难例样本并用于预测模型的更新；既节约了人力筛选样本的时间，又提高了人脸检测的精度。附图说明图1是本专利技术中实时检测方法的流程图。图2是本专利技术中难例图像样本的获取流程图。具体实施方式以下结合附图，对本专利技术做进一步说明。在检测之前，首选需要搭建基于深度学习的人脸目标检测模型和基于深度学习的辅助筛选器模型。其中，建立基于深度学习的人脸目标检测模型的具体步骤如下：S11、搭建人脸目标检测深度学习网络；人脸目标检测深度学习网络包括：由8个卷积层、8个ReLU激活层和3个池化层组成的人脸特征提取器，以及与所述人脸特征提取器连接的第一卷积层和第二卷积层；S12、获取不同角度、光照及图像质量的车内图像样本；S13、采用矩形框标记所述车内图像样本中的人脸区域位置，并记录所述矩形框的坐标信息[x,y,width,height]；其中，x,y表示矩形框左上角坐标点，width表示矩形宽度，height表示矩形高度；S14、以每张所述车内图像样本和该车内图像样本中的矩形框的坐标信息为一组训练数据，生成人脸目标检测训练数据集；S15、使用生成的所述人脸目标检测训练数据集训练所述人脸目标检测深度学习网络，参数更新后得到基于深度学习的人脸目标检测模型。其中，建立基于深度学习的辅助筛选器模型包括如下步骤：采用基于SSH人脸检测模型结构，建立难例预训练深度学习网络模型；收集不同背景、内容和噪声的难例图像，并用矩形框标注所述难例图像中的人脸区域位置，并记录该矩形框的坐标信息[x’,y’,width’,height’]；其中，x’,y’表示矩形框左上角坐标点，width’表示矩形宽度，height’表示矩形高度；以每张所述难例图像和该难例图像中的矩形框的坐标信息为一组训练数据，生成难例图像检测训练数据集；采用所述难例图像检测训练数据集训练所述难例预训练深度学习网络模型，网络参数更新后，得到基于深度学习的辅助筛选器模型。本专利技术中的一种驾考中驾驶员人脸的实时检测方法，如图1所示，包括如下步骤：S1、通过摄像头获取车内图像，并对车内图像进行图像预处理；S2、采用预建立的基于深度学习的人脸目标检测模型对所述车内图像进行检测，并判断所述车内图像内是否存在人脸，若存在人脸，则输出人脸图像区域位置信息；S3、在上述判断过程中，若不存在人脸，则将被检测的所述车内图像输送至预建立的基于深度学习的辅助筛选器模型内进行检测，若存在人脸，则获得难例图像样本；S4、采用获得的所述难例图像样本训练所述基于深度学习的人脸目标检测模型，更新参数后，获得高精度的人脸目标检测模型，并继续执行步骤S2。其中，图像预处理的具体步骤如下：将获取到的车内图像的尺寸缩放到96x本文档来自技高网...

【技术保护点】
1.一种驾考中驾驶员人脸的实时检测方法，其特征在于，包括如下步骤：S1、通过摄像头获取车内图像；S2、采用预建立的基于深度学习的人脸目标检测模型对所述车内图像进行检测，并判断所述车内图像内是否存在人脸，若存在人脸，则输出人脸图像区域位置信息；S3、在上述判断过程中，若不存在人脸，则将被检测的所述车内图像输送至预建立的基于深度学习的辅助筛选器模型内进行检测，若存在人脸，则获得难例图像样本；S4、采用获得的所述难例图像样本训练所述基于深度学习的人脸目标检测模型，更新参数后，获得高精度的人脸目标检测模型，并继续执行步骤S2。

【技术特征摘要】
1.一种驾考中驾驶员人脸的实时检测方法，其特征在于，包括如下步骤：S1、通过摄像头获取车内图像；S2、采用预建立的基于深度学习的人脸目标检测模型对所述车内图像进行检测，并判断所述车内图像内是否存在人脸，若存在人脸，则输出人脸图像区域位置信息；S3、在上述判断过程中，若不存在人脸，则将被检测的所述车内图像输送至预建立的基于深度学习的辅助筛选器模型内进行检测，若存在人脸，则获得难例图像样本；S4、采用获得的所述难例图像样本训练所述基于深度学习的人脸目标检测模型，更新参数后，获得高精度的人脸目标检测模型，并继续执行步骤S2。2.如权利要求1所述的一种驾考中驾驶员人脸的实时检测方法，其特征在于，所述实时检测方法还包括：建立基于深度学习的人脸目标检测模型；建立基于深度学习的辅助筛选器模型。3.如权利要求2所述的一种驾考中驾驶员人脸的实时检测方法，其特征在于，所述建立基于深度学习的人脸目标检测模型的具体步骤如下：S11、搭建人脸目标检测深度学习网络；S12、获取不同角度、光照及图像质量的车内图像样本；S13、采用矩形框标记所述车内图像样本中的人脸区域位置，并记录所述矩形框的坐标信息[x,y,width,height]；其中，x,y表示矩形框左上角坐标点，width表示矩形宽度，height表示矩形高度；S14、以每张所述车内图像样本和该车内图像样本中的矩形框的坐标信息为一组训练数据，生成人脸目标检测训练数据集；S15、使用生成的所述人脸目标检测训练数据集训练所述人脸目标检测深度学习网络，参数更新后得到基于深度学习的人脸目标检测模型。4.如权利要求3所述的一种驾考中驾驶员人脸的实时检测方法，其特征在于，所述人脸目标检测深度学习网络包括：由8个卷积层、8个ReLU激活层和3个池化层组成的人脸特征提取器，以及与所述人脸特征提取器连接的第一卷积层和第二卷积层。5.如权利要求1所述的一种驾考中...

【专利技术属性】
技术研发人员：周康明，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海,31