[发明专利]基于卷积神经网络的人脸检测方法及装置

说明书

技术领域

本发明涉及图像处理、视频监控以及安防领域，特别涉及人脸检测方法及装 置。

背景技术

近年来，由于人脸识别的广泛应用和其较高的市场期望，人脸识别一直是模 式识别中的一个热门方向。

人脸检测作为人脸识别系统中的关键环节，占用了大部分的系统资源，并且 其检测性能直接影响最终的识别精度，因此显得十分重要。

目前，常见的基于视频图像的人脸检测方法有模板匹配法、肤色模型法、神 经网络法、SVM分类器法、Adaboost分类器法等。但这些方法检测准确率较低， 难以适应复杂的环境。

近年来，随着人工智能的快速发展，深度学习被越来越多地引入到人脸识别 领域中，其通过组合底层特征形成高层特征，受环境变化的影响较小。卷积神经 网络(Convolutional Neural Networks，简称CNN)是深度学习的一种模型结构， 其通过卷积层和子采样层的相关运算来处理图像信息，对平移、缩放、倾斜和旋 转等变形的敏感度低，更加适用于无约束环境的图像人脸检测。

然而，现有的基于卷积神经网络的人脸检测方法一般采用较多的网络层实 现，其运算复杂度较高。

综上所述，需要提出一种运算复杂度低且检测准确率高的人脸检测方法。

发明内容

有鉴于此，本发明的主要目的在于快速的实现人脸检测，且检测准确率高。

为达到上述目的，按照本发明的第一个方面，提供了基于卷积神经网络的人 脸检测方法，该方法包括：

第一步骤，输入待处理图像；

第二步骤，采用双肤色分割法，从待处理图像中提取前景区域；

第三步骤，根据前景区域的前景点所占比值和宽高比，从前景区域中筛选出 候选区域；

第四步骤，选取标注人脸的图像为正样本图像，标注非人脸的图像为负样本 图像，根据正样本图像和负样本图像对卷积神经网络进行反复训练，获取训练好 的人脸检测模型；以及

第五步骤，采用训练好的人脸检测模型对候选区域进行人脸检测，输出检测 结果。

进一步地，所述第二步骤包括：

YIQ前景分割步骤，将待处理图像从RGB颜色空间转换到YIQ颜色空间， 统计待处理图像中像素点(x,y)的I分量值I(x,y)，若ITh1≤I(x，y)≤ITH2，则 认为像素点(x,y)为前景点，否则认为像素点(x,y)为背景点，生成由前景点与背 景点构成的二值图像，对二值图像进行中值滤波处理，以获取YIQ二值图像；

YCbCr前景分割步骤，将待处理图像从RGB颜色空间转换到YCbCr颜色空 间，统计待处理图像中像素点(x,y)的Cb分量值Cb(x,y)和Cr分量值Cr(x,y)， 若CbTh1≤Cb(x,y)≤CbTh2并且CrTh1≤Cr(x,y)≤CrTh2，则认为像素点(x,y) 为前景点，否则认为像素点(x,y)为背景点，生成由前景点与背景点构成的二值 图像，对二值图像进行中值滤波处理，以获取YCbCr二值图像；

双肤色二值图像获取步骤，YIQ二值图像与YCbCr二值图像做与操作，获 取双肤色二值图像；

前景区域获取步骤，采用连通区域法对双肤色二值图像进行连通区域标记， 统计标记连通区域CR_i的标记点的个数SR_i，若SR_i≥STh，则在待处理图像中获 取对应标记连通区域的外接矩形区域作为前景区域，其中CR_i为标记的第i个连 通区域。

进一步地，所述第三步骤包括：

区域宽高比计算步骤，统计第j个前景区域的宽度FAW_j和高度FAH_j，计 算宽度与高度的比值

前景点比值计算步骤，统计第j个前景区域内前景点数量FSum_j，计算前景 点所占的比值

候选区域筛选步骤，若RTh1≤WHR_j≤RTh2并且FR_j≥RTh3，则认为第j个 前景区域为候选区域，否则将第j个前景区域内的所有前景点设置为背景点。

进一步地，所述第四步骤包括：

训练样本选取步骤，选取多样式的标注人脸图像为正样本图像，选取多样式 的标注非人脸图像为负样本图像；

样本初步训练步骤，将正样本图像和负样本图像进行灰度化处理，并将其缩 放到固定宽度和固定高度，采用卷积神经网络对经过灰度化和缩放处理的正样本 图像和负样本图像进行训练，获得初步训练的人脸检测模型；