[发明专利]基于随机森林的ATM终端部分遮挡人脸关键点检测方法

说明书

技术领域：

本发明属于机器视觉领域，特别涉及一种基于随机森林的ATM终端部分遮挡人脸关键点检测方法。

背景技术：

现有ATM视频监控系统属于被动防守型系统，主要作用是将监控视频录制下来，在事件发生后，通过视频进行事后取证。这种被动防守型的方式可能耽误解决事件的最佳机会，即使查实了证据，也无法挽回损失。

随着我国经济的高速发展，ATM终端已经深入到人们生活之中。但社会治安情况的日益复杂化，在ATM终端上的犯罪现象愈演愈烈。当前的形式已经迫切要求ATM安保领域从传统的被动防守型向主动的积极防御方向转型。

近年来，人脸智能识别技术已经能够保证识别率、识别速度、以及误识率和拒识率等各项指标的优异性，通过实时捕获的人脸影像与银行系统预先采集的客户人脸信息进行匹配，将为ATM终端的安全监控提供更实时智能的预警手段。但是，现有的成熟人脸识别技术主要针对完整人脸进行识别，而针对ATM终端实施犯罪行为的人员往往会有意识地使用口罩、墨镜等物体遮挡人脸，遮挡物引入的干扰使得现有基于人脸的信息匹配技术变得困难。其次，视频监控图像背景复杂，人脸姿态多样，脸部关键点难以确定，进一步增加了人脸的定位和身份识别的难度。

本发明针对上述问题，基于ATM终端捕获的操作人影像，在遮挡人脸检测的基础之上，进一步检测其人脸姿态，并对人脸未遮挡部位的关键点进行标定， 从而为下一步的智能人脸身份认证提供精准分析依据，降低由遮挡、姿态等引入的干扰，提高人脸信息匹配的准确率。

发明内容：

本发明的主要目的是提出一种面向ATM终端的部分遮挡人脸关键点检测方法，在准确检测人脸遮挡部位的同时，迅速、精准定位人脸未遮挡部位的关键点。

为了实现上述目的，本发明提供如下技术方案：

步骤一、当有用户插入银行卡的时候，采集人脸图像；

步骤二、将采集图像序列转化为灰度图，并归一化为480*360像素的图像；

步骤三、计算图像的方差值S，并判断其是否小于阈值ε，若S<ε，则对图像进行多尺度Retinex图像增强^[1]，提高图像的对比度；

步骤四、采用Haarcascade人脸检测算法^[2]，从图像中定位人脸具体位置；

步骤五、基于随机森林姿态估计树模型估计人脸姿态(左偏、正脸、右偏)；

步骤六、基于Viola Jones^[3]框架强分类器级联模型判断图像中人脸是否存在遮挡，并判断遮挡类型属于眼部或嘴部遮挡；

步骤七、根据步骤五估计的人脸姿态，选择相应姿态的随机森林关键点检测模型，标定未遮挡位置的人脸关键点；

与现有的技术相比，本发明具有以下有益效果：

1.通过步骤五基于随机森林的姿态预估计，降低了姿态变化引入的干扰对人脸关键点检测的影响，能有效提高人脸身份验证的准确度。

2.通过步骤六基于Viola Jones框架的遮挡部位检测及步骤七中基于随机森林的人脸关键点标定，为后续基于遮挡人脸的身份识别提供了高精度的 人脸局部特征，进一步降低了由遮挡引入的干扰对身份验证精度的影响。

3.结合多尺度Retinex图像增强技术、基于随机森林的姿态估计模型、ViolaJones遮挡判断方法及基于随机森林的多姿态关键点检测模型，共同构建了一个鲁棒的遮挡人脸关键点检测方法。如图6所示，在眼部和嘴部遮挡下，本发明对不同姿态的人脸都具有较好的关键点检测效果。

因此，本发明在ATM终端安全监控以及智能人脸身份认证的应用中都具有广泛的应用前景。

附图说明：

图1本发明的方法流程图；

图2多尺度Retinex图像增强效果图；

图3基于随机森林的姿态估计树模型；

图4基于Viola Jones框架强分类器级联模型的人脸遮挡检测模型；

图5随机森林人脸关键点检测流程图；

图6部分遮挡人脸关键点检测的结果图；

具体实施方式

为了更好的说明本发明的目的、具体步骤以及特点，下面结合附图对本发明作进一步详细的说明：

参考图1，本发明提出的一种基于随机森林的ATM终端部分遮挡人脸关键点检测方法，主要包含以下步骤：

步骤一、当有用户插入银行卡的时候，采集人脸图像；

步骤二、将采集图像序列转化为灰度图，并归一化为480*360像素的图像；