[发明专利]人脸误检优化方法及装置

权利要求书

1.一种人脸误检优化方法，其特征在于，应用于监控设备，所述方法包括：

提取待识别图像集中每张图像的人脸初始区域；

基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点，并根据每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸；

若是，则将该张图像从所述待识别图像集中移除，以得到误检优化后的待识别图像集；

其中，所述多任务人脸判别网络模型包括依次连接的基础特征提取网络和深度特征提取网络，所述基础特征提取网络和深度特征提取网络共享网络权重参数，完成对多任务人脸判别网络模型的训练；

所述基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点，并根据每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸的步骤，包括：

将所述人脸初始区域输入到所述多任务人脸判别网络模型中，通过基础特征提取网络提取所述人脸初始区域中人脸的关键特征点；

通过深度特征提取网络提取每个关键特征点对应区域的深度特征；

根据提取出的每个关键特征点对应区域的深度特征判断所述人脸初始区域中的人脸是否为误检人脸；

将每个关键特征点对应区域的深度特征进行特征合并，得到合并后的深度特征；

根据所述合并后的深度特征判断所述人脸初始区域中的人脸是否为误检人脸，输出误检判断结果。

2.根据权利要求1所述的人脸误检优化方法，其特征在于，所述提取待识别图像集中每帧图像的人脸初始区域的步骤，包括：

将所述待识别图像集中的每帧图像转换为灰度图像；

提取所述灰度图像的类Haar特征；

利用adaboost级联分类器对提取出的类Haar特征进行推理，根据所述类Haar特征从所述灰度图像中提取得到人脸的初始区域。

3.根据权利要求1所述的人脸误检优化方法，其特征在于，所述通过深度特征提取网络提取每个关键特征点对应区域的深度特征的步骤，包括：

分别通过每个卷积层组合提取每个关键特征点对应区域的特征图；

通过ROI池化层从每个关键特征点对应区域的特征图中提取出目标特征图，并按照线性插值方法对提取出的目标特征图进行池化操作得到池化后的每个关键特征点对应区域的池化深度特征；

将每个关键特征点对应区域的池化深度特征输入到对应的全连接层组合中，得到每个关键特征点对应区域的深度特征。

4.根据权利要求1-3中任意一项所述的人脸误检优化方法，其特征在于，所述基于预先训练的多任务人脸判别网络模型提取所述人脸初始区域中人脸的关键特征点的步骤之前，所述方法还包括：

训练所述多任务人脸判别网络模型；

所述训练所述多任务人脸判别网络模型的方式，包括：

响应配置操作，配置所述多任务人脸判别网络模型的网络结构，其中，所述网络结构包括基础特征提取网络和深度特征提取网络，所述基础特征提取网络用于提取人脸初始区域中的关键特征点，所述深度特征提取网络用于提取每个关键特征点对应区域的深度特征，所述深度特征提取网络包括与所述基础特征提取网络相连的ROI池化层、与所述ROI池化层相连的多个卷积层组合以及与所述ROI池化层相连的多个全连接层组合，每个卷积层组合与相应的全连接层组合存在对应关系，每个卷积层组合提取对应的关键特征点对应区域的深度特征后由所述ROI池化层进行池化操作后输入到对应的全连接层组合中；

对配置好的上述网络结构的多任务人脸判别网络模型的网络权重参数进行随机初始化，并基于输入的训练样本集对所述多任务人脸判别网络模型进行训练，计算得到对应的损失函数值，其中，所述训练样本集包括人脸图像数据集和非人脸图像数据集；

根据所述损失函数值利用预先配置的反向传播阈值策略计算对应的反向梯度值；

根据所述反向梯度值，利用链式导数传导法计算所述多任务人脸判别网络模型的网络权重参数的偏导数；

基于所述偏导数更新所述多任务人脸判别网络模型的网络权重参数，并基于更新所述网络权重参数后的多任务人脸判别网络模型重复上述训练步骤，直到训练后的网络权重参数满足训练终止条件时，输出满足训练终止条件的多任务人脸判别网络模型，其中，所述基础特征提取网络和深度特征提取网络共享所述网络权重参数。