[发明专利]一种改进型复杂环境下人脸检测定位识别方法

说明书

一种改进型复杂环境下人脸检测定位识别方法，系统通过大量数据集对haar‑like特征进行训练，以特征出现率高低对特征附权重。对权重累加和设置阈值。在分类器中先对权重较高的特征进行投票，当权重累加和满足阈值条件传入下一级。通过该操作大大减轻了由于特征数量较多导致的时间成本较高。与积分图结合，实现了复杂环境下人脸区域快速准确检测定位。本系统基于haar‑like特征对人脸进行检测，以弱分类器组合实现较小计算成本的高分类准确率。然后级联弱分类器的组合对输入样本进行逐层筛选，最终定位人脸区域。将检测的人脸区域输入训练形成的特征空间，通过最邻近样本投票实现对输入人脸区域的识别。实现了复杂环境人脸的检测识别。

技术领域

本发明属于图像处理领域，尤其涉及人脸检测与识别应用中，提出了一种改进型复杂环境下的人脸检测定位识别方法。

背景技术

近年来，随着人脸识别技术的发展，人脸识别渐渐在生活中得到广泛的应用。手机的刷脸解锁、宿舍楼的刷脸开门等方便了我们的日常生活。在复杂环境中对人脸检测识别，对人来说是十分容易的事情，但是对于机器来说，从复杂环境识别是否有人脸的存在是一件十分复杂的事情。

目前社会上存在的人脸识别算法有：（1）基于几何特征的人脸识别方法。主要通过提取人眼、口、鼻等重要特征点的位置和几何特征作为分类特征。但几何特征对人脸识别精确性不高。（2）基于特征脸的人脸识别。它首先根据一组前期准备好的人脸训练图像构造主元空间，然后通过特征的加权和表征人脸。而对特定脸部的识别仅需要将这些权重与已知个人权重进行比较。（3）基于弹性模型的人脸识别。采用全局特征描述，并且针对局部特征关键点，是基于采样点的Gabor小波人脸识别算法的代表方法之一。通过该方法，面部的全局特征得到了保留，局部的关键特征也进行了建模。缺点是时间复杂度高，速度较慢，实现复杂。

随着深度学习的兴起，越来越多的人投入到基于深度学习的人脸检测研究中。基于神经网络的人脸识别算法也渐渐出现。如北京飞搜科技有限公司提出“一种基于三级卷积网络的人脸检测方法及系统”（专利申请号201710078431.3，公开号CN106874868 A），采用三级卷积神经网络进行人脸检测，多级性能逐渐增强的网络逐级训练，并且将前n级的训练结果作为后一级的输入,但是该三级卷积神经网络需要采取分阶段的方式训练,存在效率慢、训练步骤繁琐、不能进行联合任务的问题,网络的泛化能力较差,具有一定的局限性。

发明内容

针对现有技术中存在的问题，本发明提出了一种改进型复杂环境下人脸检测定位识别方法，能对输入含多个人脸信息、人脸信息在复杂背景环境中、多人脸信息同时在复杂环境中的图片进行准确的人脸检测识别，解决复杂环境人脸信息处理准确率低、识别效果差的问题；系统采用根据训练样本集中特征的出现率为特征加权重的方法来实现数据的快速计算，解决大量数据计算带来的检测时间长的问题。

一种改进型复杂环境下人脸检测定位识别方法，如图1所示，系统分为三部分，首先对于输入图像进行处理，将人脸信息从复杂环境中筛选出；然后训练样本集，建立特征空间；最后将筛选出的人脸信息进行识别，具体为：

第一步、复杂环境人脸检测：

1.利用haar-like特征对人脸信息进行检测：读取输入图片信息，设定初始矩形框；将小矩形表示为黑白两部分，分别对两部分所覆盖的像素灰度值进行求和，最后用白色部分像素点灰度值之和减去黑色部分像素点灰度值之和，得到一个haar-like特征；常用的haar-like特征如图3所示，通过对训练样本中haar-like特征出现率，对haar-like特征设置权重；

2.对特征按照权重排序，设定阈值：先对当前框图权重较高的特征进行计算，对提取的haar-like特征进行数据处理，形成积分图，如图4所示；通过对同一框图的特征权重的累加和，当累加和高于阈值则将区域传递给下一级；

3.训练弱分类器：