一种人脸特征数据库构建方法及人脸特征匹配方法组成比例

本发明专利技术公开了一种人脸特征数据库构建方法及匹配方法，其中，人脸特征数据库构建方法由三个级联的轻量级CNN完成的MTCNN算法实现对图像进行人脸检测和关键点检测，得到人脸特征数据，将人脸特征数据与专属id进行绑定，构建人脸数据库。通过对不同人脸的注册的特征进行数据保存，每一个人脸特征绑定一个专属id保存为一个H5py文件作为注册的底库，实现了每一个人脸和专属id的对应。人脸特征匹配方法，利用欧氏距离或者cos距离作为衡量标准，将特征向量与上述人脸特征数据库构成方法构成的底库进行比对，避免因为同名导致的输出错误。避免因为同名导致的输出错误。避免因为同名导致的输出错误。

【技术实现步骤摘要】
一种人脸特征数据库构建方法及人脸特征匹配方法


[0001]本专利技术涉及人脸识别领域，更具体地，本专利技术涉及一种人脸特征数据库构建方法及匹配方法。

技术介绍

[0002]现有的明星面部识别技术，往往直接将明星的脸和明星的名字联系在一起，但是这样会忽略明星存在重名的情况。例如，当不同的男女明星都叫张三时，为了辨别不同的明星，只有在张三名字加上后缀(男/女)，但倘若不同的两个男性都叫张三，便会出现只能输入和保存其中一个的情况。该技术的缺陷是只是单纯地用名字区分不同的人脸特征，有时候识别出名为张三的女明星，但资料库中存放的是男明星张三的信息，此时识别调用的结果发生错误。

技术实现思路

[0003]本专利技术克服了现有技术的不足，提供一种人脸特征数据库构建方法及匹配方法，以期望可以解决现有技术对同名明星识别存在错误的问题。
[0004]为解决上述的技术问题，本专利技术提供了一种人脸特征数据库构建方法：
[0005]一种人脸特征数据库构建方法，包括以下步骤：
[0006]基于轻量级人脸识别网络模型FaceNets，通过构建卷积神经网络搭建构建人脸检测、人脸关键点和人脸特征提取模型；
[0007]FaceNets模型的网络结构采用MobileNetV2做为基础骨干网络，采用ArcFace的损失函数进行训练。此网络结构的通道扩张倍数变小，模型的参数变少，效果和准确率提升。
[0008]输入人脸图像，通过resize程序处理来保证图像的维度统一，从而使图像能够载入搭建的模型；
[0009]由三个级联的轻量级CNN完成的MTCNN算法实现对图像进行人脸检测和关键点检测，得到人脸特征数据；
[0010]记录保存人脸特征数据，将人脸特征数据与专属id进行绑定，构建人脸数据库。
[0011]进一步的技术方案为，所述对图像进行人脸检测和关键点检测的方法包括以下步骤：
[0012]对输入的图像数据进行网络处理，判断人脸box得分，去掉得分不标准的集合，不断地精确bounding box的位置参数，选择合适的box并得到最终的box坐标；
[0013]输出只有N个边界框的4个坐标信息(x,y,w,h)和score；
[0014]其中，(x,y,w,h)为使用四维向量来表示的边界框，分别表示边界框的中心点坐标和宽高；
[0015]score可以看做是分类的输出(即人脸的概率)；
[0016]将数据保存在anchor box对应的(Pc,bx,by,bh,bw,c1,c2,c3)中，得到带有人脸框的图片；
[0017]其中，Pc表示anchor box是否在图片划分的网格中检测到目标(若无，则Pc＝0，后面的就不用填了)；
[0018](bx,by,bh,bw)是目标的bounding box的位置参数，(c1,c2,c3)是目标的类型；
[0019]设置人脸参数，判断图片是否符合人脸参数，若符合则人脸关键点则注册成功，如果不符合人脸参数，则结束图片识别；
[0020]对于注册成功的图片，通过box找到人脸的关键点的位置，不断地修正图像框，使得人脸关键点位置的识别越来越准确；
[0021]把检测结果裁剪出来，输入到人脸特征提取模型中，对人脸特征进行提取。
[0022]更进一步的技术方案为，所述人脸关键点的位置具体为：左眼的位置、右眼的位置、鼻子的位置、左嘴巴的位置、右嘴巴的位置。
[0023]更进一步的技术方案为，在得到人脸框中人脸关键点之后，设置人脸参数前，进行以下步骤：
[0024]用算法对人脸偏移角度进行矫正。
[0025]有的时候人脸并不正好为方形，有可能图像偏左或偏右，因此需要输出当前框位置相对完美的人脸框位置的偏移，对box进行位置修正；
[0026]把检测结果裁剪出来，输入到人脸特征提取模型中，对人脸特征进行提取。。
[0027]更进一步的技术方案为，所述记录保存人脸特征数据，将人脸数据与专属id进行绑定，构建人脸数据库包括以下步骤；
[0028]对输入的图片进行人脸对齐；
[0029]人脸图像的关键点位置信息转换成特征向量；
[0030]采用facenet，将每一个主体的人脸特征绑定一个专属id保存为一个H5py文件作为注册的底库。
[0031]通过上述方法，同一个主体的所有人脸都映射到相似的特征向量。然后构建人脸特征数据库，对不同人脸的注册的特征进行数据保存，每一个人脸特征绑定一个专属id保存为一个H5py文件作为注册的底库，实现了每一个人脸和专属id的对应。
[0032]本专利技术还提供了一种人脸特征匹配方法，包括以下步骤：
[0033]输入新的人脸数据，由三个级联的轻量级CNN完成的MTCNN算法实现对图像进行人脸检测和关键点检测；
[0034]快速提取新输入的人脸数据的人脸关键点的位置，将检测得到的人脸图像的关键点位置信息转换成特征向量；
[0035]利用欧氏距离或者cos距离作为衡量标准，将特征向量与上述人脸特征数据库构成方法构成的底库进行比对，通过判断是否大于阈值来区分是否是同一个人脸；
[0036]若判断为同一人脸，则输出数据的专属id标签，然后对该id进行信息匹配，根据id匹配搜索出该id所存放的专属明星信息；
[0037]若无法与数据库中人脸匹配，则输出识别失败。
[0038]与现有技术相比，本专利技术至少具有以下有益效果：通过上述方法，同一个主体的所有人脸都映射到相似的特征向量，每一个人脸特征绑定一个专属id，实现了每一个人脸和专属id的对应，在进行人脸识别时，能够根据专属id匹配演员信息，避免因为同名导致的输出错误。
附图说明
[0039]图1为本专利技术具体实施例提供的特征数据库构建方法的流程示意图。
[0040]图2为本专利技术具体实施例提供的人脸特征匹配方法的流程示意图。
具体实施方式
[0041]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0042]本专利技术提供了一种人脸特征数据库构建方法，参考图1，包括以下步骤：
[0043]S1：基于轻量级人脸识别网络模型FaceNets，通过构建卷积神经网络搭建构建人脸检测、人脸关键点和人脸特征提取模型；
[0044]S2：输入人脸图像，图像尺寸为(480,720)，通过resize程序处理来保证图像的维度统一，从而使图像能够载入搭建的模型。将矩阵中的维度统一为(2,0,1)；
[0045]由三个级联的轻量级CNN完成的MTCNN算法实现对图像进行人脸检测和关键点检测，得到人脸特征数据；
[0046]具体步骤为：
[0047]S21：对输入的图像数据进行网络处理，判断人脸box得分，去掉得分不标准的集合，不断地精确bounding本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸特征数据库构建方法，其特征在于，包括以下步骤：基于轻量级人脸识别网络模型FaceNets，通过构建卷积神经网络搭建构建人脸检测、人脸关键点和人脸特征提取模型；输入人脸图像，通过resize程序处理来保证图像的维度统一，从而使图像能够载入搭建的模型；由三个级联的轻量级CNN完成的MTCNN算法实现对图像进行人脸检测和关键点检测，得到人脸特征数据；记录保存人脸特征数据，将人脸特征数据与专属id进行绑定，构建人脸数据库。2.如权利要求1所述的一种人脸特征数据库构建方法，其特征在于，所述对图像进行人脸检测和关键点检测的方法包括以下步骤：对输入的图像数据进行网络处理，判断人脸box得分，去掉得分不标准的集合，不断地精确bounding box的位置参数，选择合适的box并得到最终的box坐标；输出只有N个边界框的4个坐标信息(x,y,w,h)和score；其中，(x,y,w,h)为使用四维向量来表示的边界框，分别表示边界框的中心点坐标和宽高；score可以看做是分类的输出；将数据保存在anchor box对应的(Pc,bx,by,bh,bw,c1,c2,c3)中，得到带有人脸框的图片；其中，Pc表示anchor box是否在图片划分的网格中检测到目标；(bx,by,bh,bw)是目标的bounding box的位置参数，(c1,c2,c3)是目标的类型；设置人脸参数，判断图片是否符合人脸参数，若符合则人脸关键点则注册成功，如果不符合人脸参数，则结束图片识别；对于注册成功的图片，通过box找到人脸关键点的位置，不断地修正图像框，使得人脸关...

【专利技术属性】
技术研发人员：谢梓溪，吴文平，
申请(专利权)人：四川虹微技术有限公司，
类型：发明
国别省市：