[发明专利]一种四级人脸检测和关键点回归的方法及系统

说明书

本发明公开了一种四级人脸检测和关键点回归的方法及系统，包括以下步骤，采集模块采集人脸图像数据，并结合公开数据集构建训练样本；处理模块对所述训练样本进行处理，分为完整人脸图像、部分人脸图像和无人脸图像三种类别；识别模块搭建四级人脸检测模型并基于所述训练样本分别对四个人脸检测模型进行训练，输出充分训练后的人脸检测模型；使用采集模块采集待测图像；将所述待测图像输入训练后的识别模块进行人脸检测。本发明的有益效果：能够在不增加训练样本的基础上，提升人脸检测的精度，并在复杂光照环境下可以获得效果比较好的人脸检测框和人脸关键点，提高在实际应用中的人脸检测效果。

技术领域

本发明涉及机器视觉的技术领域，尤其涉及一种四级人脸检测和关键点回归的方法及系统。

背景技术

近年来，人脸识别技术迅速发展并被广泛应用于多个领域，通常的方法是通过图像采集设备如摄像头获取图像并对图像中的人脸进行检测，如果在图像中获取到人脸框，则会进行后续的人脸识别判断等步骤，因此，人脸检测是人脸识别过程中的重要步骤，该步骤的好坏直接决定了接下来的识别和判断效果。

而在现有的人脸检测方法中存在诸多问题，主要包括识别率和召回率等相关指标都比较低，且在复杂光照条件和使用场景下，会产生大量的漏检测和误检测，在人脸存在大角度偏转的时候，也会产生大量的漏检现象。具体来看，在现有技术的图像处理等算法中，通常会针对训练样本中人脸的肤色建立统计学模型，然后根据统计学模型对图像进行二值化处理并找出人脸位置，该方法在光照或者人脸肤色变化较大的情况下会造成大量的漏检和误检；而基于深度学习方法的人脸检测虽然相比较上述算法有了很大的改进，例如MTCNN算法等都获得了良好的效果，但是这种算法在检测的过程中对人脸框的准确位置和关键的回归还不够准确，需要进一步的提升和改进。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的一个技术问题是：提供一种四级人脸检测和关键点回归的方法，提高人脸检测的准确率，并使得人脸关键点的回归效果更好。

为解决上述技术问题，本发明提供如下技术方案：一种四级人脸检测和关键点回归的方法，包括以下步骤，采集模块采集人脸图像数据，并结合公开数据集构建训练样本；处理模块对所述训练样本进行处理，分为完整人脸图像、部分人脸图像和无人脸图像三种类别；识别模块搭建四级人脸检测模型并基于所述训练样本分别对四个人脸检测模型进行训练，输出充分训练后的人脸检测模型；使用采集模块采集待测图像；将所述待测图像输入训练后的识别模块进行人脸检测。

作为本发明所述的四级人脸检测和关键点回归的方法的一种优选方案，其中：所述对训练样本进行处理还包括以下步骤，根据标签信息在正确的人脸框中心点随机生成候选框，然后将候选框和正确框计算IOU，并根据IOU大小确定候选框的标签。

作为本发明所述的四级人脸检测和关键点回归的方法的一种优选方案，其中：所述分类的标准为，0.65<IOU<1时，为完整人脸图像，作为正样本；0.3<IOU<0.65时，为有部分人脸图像，作为部分样本；IOU<0.3时，为无人脸图像，作为负样本。

作为本发明所述的四级人脸检测和关键点回归的方法的一种优选方案，其中：所述正样本、部分样本和负样本的比例为1：1：3。

作为本发明所述的四级人脸检测和关键点回归的方法的一种优选方案，其中：所述四级人脸检测模型包括A-NET、B-NET、C-NET和D-NET四个网络模型，且A-NET为包括四个卷积层的轻量级的全卷积网络模型，B-NET、C-NET和D-NET为有全连接的分类网络模型。