[发明专利]人脸检测方法及系统

说明书

本发明公开了一种人脸检测方法及系统，该人脸检测方法包括：步骤S1：拷贝分类器模型和背景图到GPU的内存；步骤S2：利用分类器模型以及对GPU分配的K个线程计算K个滑动检测窗在背景图的位置以及每一个滑动检测窗所在位置的子图的人脸置信度，并将人脸置信度大于等于强分类器阈值的子图的位置及人脸置信度输出到CPU的内存；步骤S3：利用CPU根据人脸置信度大于等于强分类器阈值的子图的位置及人脸置信度在背景图中定位人脸区域。本发明不但可以解决传统人脸检测算法速度较慢，占用大量计算资源的问题，有效提高人脸检测速度，还可以解决传统人脸检测算法对光照敏感的问题，能够有效提升人脸识别的效率。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸检测方法及系统。

背景技术

近年来，随着基于深度学习的人脸识别技术在准确率上的提升，人脸识别技术的应用场景越来越广泛，需求也越来越多。与视频流结合的实时人脸识别技术在安防、非主动配合式人脸识别考勤、智能门禁系统等领域都存在广泛的需求。

人脸识别的前提是利用人脸检测技术在背景图中精确定位人脸区域。目前，PaulViola和Michael Jones提出的AdaBoost算法仍然在人脸检测领域占有重要作用，但其算法首先需以不同大小滑动窗在背景图上滑动，得到背景图中不同区域的子图，再做后续处理，一般背景图中子图的数量是上百万级别的，因此巨大的计算量导致CPU计算资源开销巨大，并且在一般装置上检测速度难以达到实时性的要求。

发明内容

本发明的目的在于提供一种人脸检测方法及系统，以解决在单机单路CPU主机上基于adaboost算法的人脸检测技术实时性差的问题。

为实现上述目的，本发明的技术方案提供了一种人脸检测方法，包括：

步骤S1：拷贝分类器模型和背景图到GPU的内存，所述分类器模型中包含滑动检测窗尺寸、滑动步长、强分类器个数、用于分类的特征总个数、强分类器中每个弱分类器需要的特征值位置、强分类器中每个弱分类器的分支分割点、强分类器中每个弱分类器的叶子结点得分、强分类器阈值；

步骤S2：利用所述分类器模型以及对所述GPU分配的K个线程计算K个滑动检测窗在所述背景图的位置以及每一个所述滑动检测窗所在位置的子图的人脸置信度，并将人脸置信度大于等于所述强分类器阈值的子图的位置及人脸置信度输出到CPU的内存，其中，所述K个线程中第n个线程计算的滑动检测窗在所述背景图的位置为(x_n，y_n)，n＝1，2，...，K；

x_n＝[n/([(width-winSize)/winStep]+1)]；

y_n＝n/([(height-winSize)/winStep]+1)*winStep；

其中，winSize为所述滑动检测窗尺寸，winStep为所述滑动步长，width为所述背景图的分辨率宽度值，height为所述背景图的分辨率高度值，[]为向下取整；

步骤S3：利用所述CPU根据所述人脸置信度大于等于所述强分类器阈值的子图的位置及人脸置信度在所述背景图中定位人脸区域。

进一步地，通过对所述GPU分配M个任务处理块，每个所述任务处理块分配L个线程，从而对所述GPU分配所述K个线程，其中，M的值为所述GPU中麦克斯韦流多处理器数量的12倍。

进一步地，L的值为所述GPU中一个麦克斯韦流多处理器中的流处理器数量。

进一步地，在所述步骤S3中，所述CPU采用非极大值抑制算法在所述背景图中定位人脸区域。

为实现上述目的，本发明的技术方案还提供了一种人脸检测系统，包括：