【技术实现步骤摘要】
人脸误检优化方法及装置
本申请涉及计算机
，具体而言，涉及一种人脸误检优化方法及装置。
技术介绍
人脸视频监控与处理是智能监控系统中的一个重要组成部分。人脸监控在小区门禁、地铁安检等越来越多的实际场景中应用，在维稳反恐、流动人员管控等方面起到积极的促进作用。然而，在人脸检测过程中，如何控制误检率一直是重大难题，因为应用场景的多样性，会造成大量的图案、车轮、背包、甚至空拍等错误检测，这类误检图片会影响后续的人脸比对和识别功能，导致虚警事件，增加人工甄别成本。例如，当前基于深度学习方法的人脸检测，误检率一般都在5％左右，在某些复杂场景中甚至达10％，对于人脸监控产品的应用是一个致命的问题。
技术实现思路
为了克服现有技术中的上述不足，本申请的目的在于提供一种人脸误检优化方法及装置，以解决或者改善上述问题。为了实现上述目的，本申请实施例采用的技术方案如下：第一方面，本申请实施例提供一种人脸误检优化方法，应用于监控设备，所述方法包括：提取待识别图像集中每张图像的人脸初始区域；...
【技术保护点】
1.一种人脸误检优化方法，其特征在于，应用于监控设备，所述方法包括：/n提取待识别图像集中每张图像的人脸初始区域；/n基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点，并根据每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸；/n若是，则将该张图像从所述待识别图像集中移除，以得到误检优化后的待识别图像集。/n
【技术特征摘要】
1.一种人脸误检优化方法，其特征在于，应用于监控设备，所述方法包括：
提取待识别图像集中每张图像的人脸初始区域；
基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点，并根据每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸；
若是，则将该张图像从所述待识别图像集中移除，以得到误检优化后的待识别图像集。
2.根据权利要求1所述的人脸误检优化方法，其特征在于，所述提取待识别图像集中每帧图像的人脸初始区域的步骤，包括：
将所述待识别图像集中的每帧图像转换为灰度图像；
提取所述灰度图像的类Haar特征；
利用adaboost级联分类器对提取出的类Haar特征进行推理，根据所述类Haar特征从所述灰度图像中提取得到人脸的初始区域。
3.根据权利要求1所述的人脸误检优化方法，其特征在于，所述多任务人脸判别网络模型包括依次连接的基础特征提取网络和深度特征提取网络，所述基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点，并根据每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸的步骤，包括：
将所述人脸初始区域输入到所述多任务人脸判别网络模型中，通过基础特征提取网络提取所述人脸初始区域中人脸的关键特征点；
通过深度特征提取网络提取每个关键特征点对应区域的深度特征；
根据提取出的每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸。
4.根据权利要求3所述的人脸误检优化方法，其特征在于，所述通过深度特征提取网络提取每个关键特征点对应区域的深度特征的步骤，包括：
分别通过每个卷积层组合提取每个关键特征点对应区域的特征图；
通过ROI池化层从每个关键特征点对应区域的特征图中提取出目标特征图，并按照线性插值方法对提取出的目标特征图进行池化操作得到池化后的每个关键特征点对应区域的池化深度特征；
将每个关键特征点对应区域的池化深度特征输入到对应的全连接层组合中，得到每个关键特征点对应区域的深度特征。
5.根据权利要求4所述的人脸误检优化方法，其特征在于，所述将每个关键特征点对应区域的池化深度特征输入到对应的全连接层组合中，得到每个关键特征点对应区域的深度特征的步骤，包括：
将每个关键特征点对应区域的深度特征进行特征合并，得到合并后的深度特征；
根据所述合并后的深度特征判断所述人脸初始区域中的人脸是否为误检人脸，输出误检判断结果。
6.根据权利要求1-5中任意一项所述的人脸误检优化方法，其特征在于，所述基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点的步骤之前，所述方法还包括：
训练所述多任务人脸判别网络模型；
所述训练所述多任务人脸判别网络模型的方式，包括：
响应配置操作，配置所述多任务人脸判别网络模型的网络结构，其中，所述网络结构包括基础特征提取网络和深度特征提取网络，所述基础特征提取网络用于提取人脸初始区域中的关键特征点，所述深度特征提取网络用于提取每个关键特征点对应区域的深度特征，所述深度特征提取网络包括与所述基础特征提取网络相连的...
【专利技术属性】
技术研发人员：刘承文，
申请(专利权)人：浙江宇视科技有限公司，
类型：发明
国别省市：浙江;33
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。