[发明专利]一种基于深度学习的ATM机异常人脸检测方法

权利要求书

1.一种基于深度学习的ATM机异常人脸检测方法，其特征在于，所述方法包括以下步骤：

S1、异常人脸的训练样本采集和整理；

S2、构建卷积神经网络并制作异常人脸分类器；

S3、将样本输入构建好的模型训练获得各个异常人脸的类别；

S4、将获取前景人脸图像输入多标签卷积神经网络，得到图像的各标签的置信度根据规则判断目标是否为异常人脸。

2.根据权利要求1所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S1中还包括以下步骤：

S11、通过关键字抓取网络上的异常人脸图片形成初步异常人脸训练样本；

S12、对所有初始训练样本通过框选形成样本集。

3.根据权利要求2所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S11中还包括以下步骤：

S111、利用整理开放的人脸识别数据库图像作为补充形成初步异常人脸训练样本。

4.根据权利要求3所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S2中还包括以下步骤：

S21、以MobileNet作为基础搭建卷积神经网络结构；

S22、通过搭建的卷积神经网络结构构建训练多标签分类器。

5.根据权利要求4所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S3包括以下步骤：

S31、获取ATM机背景建模算法截取到的包含人脸的图块；

S32、通过图像清晰度标签的置信度判断该图像的特征是否明显；

S33、判断清洗置信度是否大于设定阈值，如是，则进入其余多标签规则判断，如否，则认为图像质量有问题放弃当前图像并继续获取下一张图像；

S34、判断目标带有头盔的置信度，如预测为头盔，则目标为异常人脸，如否，则进入组合判断，如通过，则执行下一步骤，如否，则放弃；

S35、判断口罩、墨镜、帽子的信度，如其中任意2个标签的置信值大于预设阈值，则判断物体标签相对应的面部器官标签的置信度数值是否大于预设的阈值，若面部器官标签的置信度小于阈值，则判断为存在面部遮挡，图片分类为异常人脸图片，否则判断为不存在面部遮挡，图片分类为正常人脸图片。

6.根据权利要求5所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S1中将常见的异常人脸细划分为7类标签，并分别收集和组织样本。

7.根据权利要求6所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，在收集图片时以1：1的比例划分为模糊图片和清晰图片2类。

8.根据权利要求7所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述标签包括清晰度、口罩、戴墨镜、戴头盔、帽子、眼睛、鼻子中的一种或多种。

9.根据权利要求7所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，在抓取异常人脸图片时的关键字为墨镜、口罩、头盔中的一种或多种组合。

10.据权利要求7所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，初步的异常人脸训练样本每个类别搜集

1000～2000样本作为初始样本。