一种基于深度学习的高效批量人脸识别和抠图系统技术方案

本发明专利技术公开了一种基于深度学习的高效批量人脸识别和抠图系统，包括：多线程视频解码模块，用以采集多路摄像头行人的视频流，每一路视频流使用单独的线程进行解码，得到图像的数字表示形式；人脸检测模块，维持一个队列用以接收多线程解码得到的图像，并将多张图像进行拼接，将多张图像批量化，设计改进的级联人脸检测网络进行人脸检测获得人脸区域以及人脸关键点坐标；人脸识别模块，利用改进的轻量级神经网络提取人脸特征并进行比对识别；人脸抠图模块，对于感兴趣的人脸图像，抠出以人脸中心为中心点，用户指定大小高和宽的人脸区域，如果此区域包含其他人脸，则对其他人脸进行模糊处理以保护用户的肖像权和隐私。

【技术实现步骤摘要】
一种基于深度学习的高效批量人脸识别和抠图系统
本专利技术涉及人脸检测和识别领域，尤其涉及一种基于深度学习的高效批量人脸识别和抠图系统。
技术介绍
现实场景的人脸检测及识别一直是计算机视觉领域的热点话题，其难点表现为真实场景中的人脸伴有复杂的姿态、光线、表情、遮挡等因素的干扰，因此如何设计鲁棒性好、速度快的算法来检测和识别人脸成为亟需解决的重点问题。传统的人脸检测或者识别方法通过手工设计的局部描述特征如LBP、HOG、Gabor来提取人脸中的兴趣区域，并且通过集成分类器进行分类，判断检测和识别的结果，但是手动设计的特征提取方法鲁棒性不够强，难以应对真实场景噪声的变化，并且效率不够高，难以达到实时性的要求。最近几年以深度学习为代表的人脸检测和识别技术大放异彩。相比传统方法，基于深度学习的方法无需手工设计特征，转而用多层次组织的神经元及非线性激活单元来提取特征，而且在训练阶段使用大量的样本进行学习，在检测和识别的准确率上得到了非常大的提升；另一方面得益于现代并行计算单元和并行技术的开发，使得实时性也能满足场景需求，使得深度学习方法成为人脸检测和识别应本文档来自技高网...

【技术保护点】
1.一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，包括如下模块：/n多线程视频解码模块，用以采集多路摄像头人脸的视频，每一路视频流使用单独的线程进行解码，得到图像的矩阵表示形式；/n人脸检测模块，维持一个队列用以接收多线程解码得到的图像，并将多张图像进行拼接以方便批量处理，设计改进的级联人脸检测网络Alpha-MTCNN(Alpha Multi-taskConvolutional Neural Network)来提取人脸区域以及人脸关键点坐标；/n人脸识别模块，利用改进的轻量级神经网络MobileFaceNet提取人脸特征并进行比对识别；/n人脸抠图模块，对于感兴趣的人脸图像，抠出...

【技术特征摘要】
1.一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，包括如下模块：
多线程视频解码模块，用以采集多路摄像头人脸的视频，每一路视频流使用单独的线程进行解码，得到图像的矩阵表示形式；
人脸检测模块，维持一个队列用以接收多线程解码得到的图像，并将多张图像进行拼接以方便批量处理，设计改进的级联人脸检测网络Alpha-MTCNN(AlphaMulti-taskConvolutionalNeuralNetwork)来提取人脸区域以及人脸关键点坐标；
人脸识别模块，利用改进的轻量级神经网络MobileFaceNet提取人脸特征并进行比对识别；
人脸抠图模块，对于感兴趣的人脸图像，抠出以人脸区域中心为中心点，用户指定的高和宽大小的人脸区域，如果此区域包含其他人脸，则对其他人脸进行模糊处理以保护用户的肖像权和隐私。


2.根据权利要求1所述的一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，所述的输入和视频解码模块在共享服务器上用多个独立的线程，接收多路高清摄像头采集的不同区域的行人视频，并进行解码，将解码得到的图像放入一个共享队列中。


3.根据权利要求1所述的一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，所述的人脸检测模块对输入的人脸图像进行中值滤波减少噪声，以降低级联网络中候选人脸框的冗余性，提高人脸检测的速度。


4.根据权利要求1所述的一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，所述的人脸检测模块将图像队列中得到的多个图像按行进行拼接批量化，在图形显示单元(GraphicsProcessingUnit,GPU)或者具有多个计算核心的服务器上进行批量检测。


5.根据权利要求3所述的一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，所述的人脸检测模块在人脸检测前先使用中值滤波对图像进行平滑处理，进行中值滤波处理的目的是对图像进行平滑，去除图像中的噪声，当摄像头面对的场景比较复杂如黑暗的光线、密集点较多时，引入滤波操作可以一定程度减小初级人脸候选框的数目，不仅可以降低误检测率，亦可加快检测速度。


6.根据权利要求3所述的一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，所述的人脸检测模块从多个方面对原始的级联人脸检测方法MTCNN(Multi-taskConvolutionalNeuralNetwork)网络进行创新改进，得到Alpha-MTCNN。


7.根据权利要求6所述的一种基于深度学习的高效批量人脸识别和抠图系统，其特征在于，所述的Alpha-MTCNN方法将原始PNet网络的最小输入从12×12改变为24×24，满足真实场景所需的最小人脸需求，同时降低多尺度图像高斯金字塔的范围，从而提高多尺度空间检测的速率。

<...

【专利技术属性】
技术研发人员：陈支泽，朱振宇，
申请(专利权)人：南京视能智能科技有限公司，朱振宇，
类型：发明
国别省市：江苏;32