眼镜检测的方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种眼镜检测的方法、装置、电子设备及存储介质，属于图像处理和生物识别技术领域，所述眼镜检测的方法包括：对待测图像进行人脸检测，并从中截出鼻梁区域；将鼻梁区域图像输入到训练好的深度卷积神经网络中得到输出数值；若所述输出数值大于预设阈值，则认为待测图像中的人佩戴眼镜，若所述输出数值小于等于预设阈值，则认为待测图像中的人没有佩戴眼镜。这样，通过截取鼻梁区域，并借助于深度卷积神经网络，本发明专利技术在测试集上达到了99.9％的准确率，而且检测快速，不包含人脸检测时只有2ms。

【技术实现步骤摘要】
眼镜检测的方法、装置、电子设备及存储介质
本专利技术涉及图像处理和生物识别
，特别涉及一种眼镜检测的方法、装置、电子设备及存储介质。
技术介绍
眼镜检测是来判断当前图像中的人有没有佩戴眼镜，有没有佩戴眼镜是人脸诸多属性比如性别、年龄、是否有遮挡、是否是睁眼或闭眼、图像质量等中的一种。佩戴墨镜或者近视眼镜反光严重时会影响后续的人脸识别效果等。正是基于此，在办身份证拍照时，工作人员会提醒摘掉眼镜。眼镜有多种分类，按照用途分，包括近视镜、老花镜、太阳镜、偏光夜行镜、防护镜等；按照材料分，包括板材(或塑料)框镜、金属架(镍合金，钛等)镜等；按照框的类型分，包括全框、半框、无框(即镜片夹子类)等。申请号为CN201110085419.8，名称为“眼镜检测方法和装置”的专利中通过提取眼睛区域的LBP(LocalBinaryPattern，局部二值模式)特征，再利用SVM(SupportVectorMachine，支持向量机)模型进行分类。申请号为CN201410787322.5，名称为“用于人脸识别的眼镜检测方法及系统”的专利中依次提取眼睛区域的LBP特征和HOG(HistogramofOrientedGradient，方向梯度直方图)特征，并通过AdaBoost算法挑选出更好的特征，之后用SVM分类。上述专利中提到的方法如LBP、HOG等特征都属于传统手工设计的特征，通常一种有效的手工特征需要经过很多实验以及改进，这种基于传统手工设计特征的评价方法准确率不够高，并且计算耗时较多。<br>
技术实现思路
为解决上述技术问题，本专利技术实施例提供一种准确率高、检测快速的眼镜检测的方法、装置、电子设备及存储介质。本专利技术实施例提供技术方案如下：一方面，提供一种眼镜检测的方法，包括：对待测图像进行人脸检测，并从中截出鼻梁区域；将鼻梁区域图像输入到训练好的深度卷积神经网络中得到输出数值；若所述输出数值大于预设阈值，则认为待测图像中的人佩戴眼镜，若所述输出数值小于等于预设阈值，则认为待测图像中的人没有佩戴眼镜。在本专利技术一些实施例中，所述对待测图像进行人脸检测，并从中截出鼻梁区域包括：对待测图像进行人脸检测，得到人脸区域；从所述人脸区域中截出鼻梁区域，所述鼻梁区域为包含鼻梁上部和两内侧眼角的方形区域。在本专利技术一些实施例中，所述对待测图像进行人脸检测，并从中截出鼻梁区域还包括：将鼻梁区域通过双线性插值归一化到预设标准尺寸。在本专利技术一些实施例中，所述预设标准尺寸为：32×32。在本专利技术一些实施例中，所述深度卷积神经网络包括：6个卷积层，每个卷积层依次是BN层和relu层，4个max池化层，3个全连接层，2个dropout层，一个softmax层。在本专利技术一些实施例中，所述深度卷积神经网络采用深度学习框架MatConvNet进行训练，训练100个回合，每批次100个样本，学习率从1e-03降至1e-06。在本专利技术一些实施例中，所述预设阈值为0.5。另一方面，提供一种眼镜检测的装置，包括：检测模块，用于对待测图像进行人脸检测，并从中截出鼻梁区域；输入模块，用于将鼻梁区域图像输入到训练好的深度卷积神经网络中得到输出数值；判定模块，用于若所述输出数值大于预设阈值，则认为待测图像中的人佩戴眼镜，若所述输出数值小于等于预设阈值，则认为待测图像中的人没有佩戴眼镜。在本专利技术一些实施例中，所述检测模块包括：检测子模块，用于对待测图像进行人脸检测，得到人脸区域；截取子模块，用于从所述人脸区域中截出鼻梁区域，所述鼻梁区域为包含鼻梁上部和两内侧眼角的方形区域。在本专利技术一些实施例中，所述检测模块包括：归一化子模块，用于将鼻梁区域通过双线性插值归一化到预设标准尺寸。在本专利技术一些实施例中，所述预设标准尺寸为：32×32。在本专利技术一些实施例中，所述深度卷积神经网络包括：6个卷积层，每个卷积层依次是BN层和relu层，4个max池化层，3个全连接层，2个dropout层，一个softmax层。在本专利技术一些实施例中，所述深度卷积神经网络采用深度学习框架MatConvNet进行训练，训练100个回合，每批次100个样本，学习率从1e-03降至1e-06。在本专利技术一些实施例中，所述预设阈值为0.5。再一方面，提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行上述任一所述的方法。又一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一所述的方法。本专利技术实施例具有以下有益效果：本专利技术实施例提供的眼镜检测的方法、装置、电子设备及存储介质，首先对待测图像进行人脸检测，并从中截出鼻梁区域，然后将鼻梁区域图像输入到训练好的深度卷积神经网络中得到输出数值，最后若所述输出数值大于预设阈值，则认为待测图像中的人佩戴眼镜，若所述输出数值小于等于预设阈值，则认为待测图像中的人没有佩戴眼镜。这样，通过截取鼻梁区域，并借助于深度卷积神经网络，本专利技术在测试集上达到了99.9％的准确率，而且检测快速，不包含人脸检测时只有2ms。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本专利技术的眼镜检测的方法实施例的流程示意图；图2为图1所示方法实施例中得到的人脸区域及鼻梁区域的示意图，其中(a)为人脸区域示意图，(b)为标示出鼻梁区域后的示意图；图3为本专利技术的眼镜检测的装置实施例的结构示意图；图4为本专利技术的电子设备一个实施例的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明，本专利技术实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者本文档来自技高网...

【技术保护点】
1.一种眼镜检测的方法，其特征在于，包括：/n对待测图像进行人脸检测，并从中截出鼻梁区域；/n将鼻梁区域图像输入到训练好的深度卷积神经网络中得到输出数值；/n若所述输出数值大于预设阈值，则认为待测图像中的人佩戴眼镜，若所述输出数值小于等于预设阈值，则认为待测图像中的人没有佩戴眼镜。/n

【技术特征摘要】
1.一种眼镜检测的方法，其特征在于，包括：
对待测图像进行人脸检测，并从中截出鼻梁区域；
将鼻梁区域图像输入到训练好的深度卷积神经网络中得到输出数值；
若所述输出数值大于预设阈值，则认为待测图像中的人佩戴眼镜，若所述输出数值小于等于预设阈值，则认为待测图像中的人没有佩戴眼镜。


2.根据权利要求1所述的方法，其特征在于，所述对待测图像进行人脸检测，并从中截出鼻梁区域包括：
对待测图像进行人脸检测，得到人脸区域；
从所述人脸区域中截出鼻梁区域，所述鼻梁区域为包含鼻梁上部和两内侧眼角的方形区域。


3.根据权利要求1所述的方法，其特征在于，所述对待测图像进行人脸检测，并从中截出鼻梁区域还包括：
将鼻梁区域通过双线性插值归一化到预设标准尺寸。


4.根据权利要求3所述的方法，其特征在于，所述预设标准尺寸为：32×32。


5.根据权利要求1-4中任一所述的方法，其特征在于，所述深度卷积神经网络包括：6个卷积层，每个卷积层依次是BN层和relu层，4个max池化层，3个全连接层，2个dropout层，一个softmax层。


6.根据权利要求5所述的方法，其特征在于，所述深度卷积神经网络采用深...

【专利技术属性】
技术研发人员：周军，孔勇，
申请(专利权)人：北京眼神智能科技有限公司，北京眼神科技有限公司，
类型：发明
国别省市：北京;11