[发明专利]一种基于融合特征的人脸检测与对齐方法

说明书

本发明提供一种基于融合特征的人脸检测与对齐方法，包含四个步骤：首先由输入图像生成多尺度金字塔图像，然后以固定大小窗口和固定步长扫描不同尺度图像，生成多个候选人脸窗口；然后依次将扫描窗口模块生成的候选人脸窗口作为输入传递给人脸非人脸分类器，分类器输出人脸窗口；接着以上一步骤输出的人脸图像为输入传递给人脸特征点回归器，人脸特征点回归器输出该人脸图像中的人脸特征点位置如眉毛、眼角、鼻子、嘴角等；最后根据人脸特征点检测模块输出的人脸图像及其对应的人脸特征点位置，对人脸进行旋转和缩放处理，输出对齐后的人脸图像。本发明可实现对图像中人脸的自动检测与自动对齐，具有速度快、准确率高的特点，有助于提高人脸验证与人脸识别技术的准确率。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于传统特征与卷积神经网络特征的人脸检测与对齐方法。

背景技术

随着计算机科学的不断发展，人机交互已成为越来越受重视的技术。作为计算机视觉领域的人脸识别和人脸验证技术已经在工业界开始得到应用，在过去几十年中人脸识别与验证技术一直是计算机视觉领域的热点研究课题。而人脸检测与对齐是人脸识别中至关重要的一个步骤。

首先，当前使用比较常见的人脸检测方法是基于Haar-like特征和AdaBoost技术的人脸检测方法，它通过提取人工设计的特征训练了基于AdaBoost技术的人脸分类器。但是由于Haar-like特征是一种人工设计的低层次抽象特征，并不具备完备的人脸信息，所以导致训练出来的分类器准确率不高。

其次，当前使用比较常见的人脸特征点定位方法是自适应形状模型方法(ASM，adaptive shape model)。这种方法对于异常特征点和姿态变化都不具备很强的鲁棒性，因此很难得到准确的人脸特征点，这将直接影响人脸对齐效果，进一步导致人脸识别性能的严重下降。

再次，基于卷积神经网络的方法虽然在准确率方面比传统方法较高，但是卷积神经网络计算量大，处理单张图片耗时长，很难达到实时检测人脸并对齐的要求。所以需要开发一种新的人脸检测与对齐方法，可以将基于传统特征的方法和基于卷积神经网络的方法结合起来。

为了解决上述问题，本发明提供一种基于传统特征与卷积神经网络特征的人脸检测与对齐方法，该方法以任意包含人脸的图像为输入，可以快速准确地检测并对齐人脸。

发明内容

本发明解决的技术问题是：克服了现有的基于传统特征和基于卷积神经网络的人脸检测与对齐方法的不足，提供了一种基于融合特征的人脸检测与对齐方法。

本发明采用的技术方案为：一种基于融合特征的人脸检测与对齐方法，本发明流程示意图如图7所示，包括以下四个步骤：

步骤(1)、首先将输入图像放大至5倍于原图像大小，然后以0.7937为系数乘以放大后的图像尺寸，生成新的尺寸图像，重复该过程直至图像尺寸大小小于特定阈值(如110)，按照上述步骤生成了多尺度金字塔图像后，然后以固定大小窗口和固定步长扫描不同尺度的图像，生成多个候选人脸窗口；

步骤(2)、然后提取图像的传统特征(local binary pattern特征和Haar-like特征)和卷积神经网络特征，训练一个人脸非人脸分类器；预先训练好的人脸非人脸分类器本质上是一个二分类器，输入固定大小图像，输出0或1，即表示输入图像是否是人脸；依次将步骤(1)生成的候选人脸窗口作为输入传递给预先训练好的人脸非人脸分类器，分类器输出人脸窗口；

步骤(3)、接着提取人脸图像的传统特征(local binary pattern特征和Haar-like特征)和卷积神经网络特征，训练一个人脸特征点回归器；以步骤(2)输出的人脸图像为输入传递给预先训练好的人脸特征点回归器，人脸特征点回归器输出该人脸图像中的人脸特征点位置(眉毛、眼角、鼻子、嘴角等)；