[发明专利]人脸图像处理方法及装置

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种人脸图像处理方法及装置。

背景技术

目前，身份证件照片主要包括：数据库内的身份证件照片、身份证件的件体表面上的照片以及身份证件的件体内里的照片。

现有技术中，通常采用线性分类器来对身份证件照片进行识别。现有的线性分类器通常通过多种方式提取多种人脸特征，如采用局部二值模式(Local Binary Pattern，LBP)获取人脸图像局部纹理特征，采用尺寸不变特征变换(Scale-invariant Feature Transform，SIFT)获取图像中的关键点，采用伽柏(Gabor)滤波器提取人脸图像中的人脸特征等，将提取的多种人脸特征进行融合以提高人脸特征的提取精度。

然而，在提取图像中的人脸特征时，运算量较大，人脸特征的提取速度较慢。

发明内容

本发明解决的技术问题是如何提高人脸特征的提取速度。

为解决上述技术问题，本发明实施例提供一种人脸图像处理方法，包括：接收输入的待处理人脸图像；将所述待处理人脸图像进行归一化处理，得到预设标准尺寸的标准的人脸图像；将所述标准的人脸图像输入至深度学习的全连接神经网络；采用已训练的全连接神经网络模型映射出所述待处理人脸图像对应的人脸模板并输出。

可选地，采用如下方式训练所述全连接神经网络模型：获取训练样本人脸图像集；将所述训练样本人脸图像集中的所有训练样本人脸图像分别进行归一化处理，分别得到各训练样本人脸图像对应的所述标准尺寸的标准的人脸图像，作为所述训练样本人脸图像集对应的标准人脸图像集；将所述标准人脸图像集进行分组并按组依次对所述全连接神经网络进行训练，且将下一分组中的各标准人脸图像输入至当前分组训练后的所述全连接神经网络，直至所有分组参与对所述全连接神经网络进行训练，作为一个训练周期；采用所述训练样本人脸图像集对所述全连接神经网络进行预设训练周期的迭代训练，得到所述全连接神经网络模型。

可选地，所述将所述标准人脸图像集进行分组并按组依次对所述全连接神经网络进行训练，包括：分别从第i组各训练样本人脸图像对应的标准的人脸图像中提取第一人脸模板，i为正整数；向所述全连接神经网络中分别输入所述第i组各训练样本人脸图像对应的标准的人脸图像，得到所述全连接神经网络输出的所述第i组各训练样本人脸图像对应的第二人脸模板；分别计算所述第i组各训练样本人脸图像的第二人脸模板与第一人脸模板的距离并求和，得到所述第i组各训练样本人脸图像所对应的第二人脸模板与第一人脸模板的距离之和；根据计算得到的所述第i组各训练样本人脸图像所对应的第二人脸模板与第一人脸模板距离之和，对所述全连接神经网络中各全连接层对应的权重进行调整；向调整后的全连接神经网络输入第i+1组各训练样本人脸图像对应的标准的人脸图像，采用所述第i+1组各训练样本人脸图像对所述全连接神经网络进行训练。

可选地，采用欧式距离损失函数分别计算所述第i组各训练样本人脸图像的第二人脸模板与所述第一人脸模板的距离。

可选地，所述获取训练样本人脸图像集，包括：获取训练样本图像集，对所述训练样本图像集中的各训练样本图像进行人脸图像检测；当所述训练样本图像中存在人脸图像时，进行人脸特征定位；根据定位结果，获取所述训练样本人脸图像，以得到所述训练样本人脸图像集。

可选地，所述将所述训练样本人脸图像集中的所有训练样本人脸图像分别进行归一化处理，包括：将所述训练样本人脸图像进行旋转操作，使得所述训练样本人脸图像中的人眼按照预设方向进行显示；将所述训练样本人脸图像进行缩放处理，使得所述训练样本人脸图像中的眼距调整为预设距离，所述预设距离与所述标准尺寸相关，所述眼距指两眼的内眼角之间的距离；获取人脸图像标识点及裁剪信息，并根据人脸图像标识点及裁剪信息对处理后的训练样本人脸图像进行裁剪。

可选地，所述将所述待处理人脸图像进行归一化处理，包括：将所述待处理人脸图像进行旋转操作，使得所述训练样本人脸图像中的人眼按照所述预设方向进行显示；将所述待处理人脸图像进行缩放处理，使得所述训练样本人脸图像中的眼距调整为所述预设距离，所述预设距离与所述标准尺寸相关，所述眼距指两眼的内眼角之间的距离；获取所述人脸图像标识点及所述裁剪信息，并根据所述人脸图像标识点及所述裁剪信息对处理后的待处理人脸图像进行裁剪。

可选地，所述人脸图像处理方法，还包括：当所述待处理人脸图像对应的人脸模板与所存储的人脸模板相似度值超过预设阈值时，发出告警提醒。

可选地，所述全连接神经网络包括依次耦接的三层全连接层。