[发明专利]基于全卷积网络人脸五官定位与判别的方法及系统

权利要求书

1.一种基于全卷积网络人脸五官定位与判别方法，该方法包括如下步骤：

步骤11：收集人脸图片并对人脸五官进行标注，形成一个训练数据集合；

步骤12：设计一个全卷积神经网络；

步骤13：利用步骤11中的训练数据集合对步骤12中设计的全卷积神经网络进行训练；

步骤14：利用步骤13已经训练好的全卷积神经网络，对人脸图片进行五官定位和标注。

2.如权利要求1所述的方法，其特征在于，优选的，该方法还包括步骤S10：在对五官进行标注前，进行预处理操作，截取所述训练数据集合的人脸图片中的人脸区域，去掉多余的背景区域，并对人脸进行转正、对齐。

3.如权利要求2所述的方法，其特征在于，对人脸进行对齐具体为，利用AdaBoost分类器或者深度学习的人脸检测算法检测人脸和人脸关键点，根据检测的人脸关键点，计算该人脸到标准人脸的仿射或者相似变换，把该人脸与标准人脸对齐。

4.如权利要求1所述的方法，其特征在于，所述人脸五官标注为手工标注。

5.如权利要求4所述的方法，其特征在于，所述手工标注为像素级别标注。

6.如权利要求1所述的方法，其特征在于，所述全卷积神经网络的前端是多个卷积层和池化层的组合，后端是多个反卷积层的组合。

7.如权利要求6所述的方法，其特征在于，所述全卷积神经网络具体结构为，

第一层，卷积层，卷积核大小为3x3，步长stride为2；

第二层，最大池化层，池化区间为2x2，步长stride为2；

第三层，卷积层，卷积核大小为3x3，步长Stride为1；

第四层，最大池化层，池化区间为2x2，步长stride为2；

第五层，卷积层，卷积核大小为3x3，步长Stride为1；

第六层，最大池化层，池化区间为2x2，步长stride为2；

第七层，卷积层，卷积核大小为3x3，步长stride为1；

第八层，卷积层，卷积核大小为3x3，步长stride为1；

第九层，卷积层，卷积核大小为3x3，步长stride为1；

第十层，反卷积层，卷积核大小为6x6，步长stride为4；

第十一层，反卷积层，卷积核大小为6x6，步长stride为4；

第十二层，反卷积层，卷积核大小为6x6，步长stride为1。

8.如权利要求6所述的方法，其特征在于，所述全卷积神经网络还包括一个损耗层，用于计算损耗。

9.如权利要求6所述的方法，其特征在于，在所述卷积层和所述反卷积层之后都增加一个非线性响应单元。

10.如权利要求1所述的方法，其特征在于，步骤S13中所述训练采用随机梯度下降法。

11.一种基于全卷积网络人脸五官定位与判别系统，该系统包括如下模块：

收集标注模块，收集人脸图片并对人脸五官进行标注，形成一个训练数据集合；

神经网络设计模块，用于设计一个全卷积神经网络；

神经网络训练模块，用于利用所述收集标注模块中的训练数据集合对所述神经网络设计模块中设计的全卷积神经网络进行训练；

五官定位标注模块，利用所述神经网络训练模块中的已经训练好的全卷积神经网络，对人脸图片进行五官定位和标注。

12.如权利要求11所述的系统，其特征在于，该系统还包括：

预处理模块，用于截取所述训练数据集合的人脸图片中的人脸区域，去掉多余的背景区域，并对人脸进行转正、对齐。

13.如权利要求12所述的系统，其特征在于，对人脸进行对齐具体为，利用AdaBoost分类器或者深度学习的人脸检测算法检测人脸和人脸关键点，根据检测的人脸关键点，计算该人脸到标准人脸的仿射或者相似变换，把该人脸与标准人脸对齐。

14.如权利要求11所述的系统，其特征在于，所述人脸五官标注为手工标注。

15.如权利要求14所述的系统，其特征在于，所述手工标注为像素级别标注。