[发明专利]一种基于多任务级联卷积神经网络的面部识别方法在审

专利信息
申请号: 201810957956.9 申请日: 2018-08-22
公开(公告)号: CN110858274A 公开(公告)日: 2020-03-03
发明(设计)人: 武玉亭;张晓林;范宇 申请(专利权)人: 北京航天长峰科技工业集团有限公司
主分类号: G06K9/00 分类号: G06K9/00;G06N3/04
代理公司: 暂无信息 代理人: 暂无信息
地址: 100854*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 任务 级联 卷积 神经网络 面部 识别 方法
【说明书】:

发明涉及一种基于多任务级联卷积神经网络的面部识别方法,对原始输入视频图像、人工拍照图像利用多任务级联卷积神经网络进行人脸检测,定位人脸所在区域进行剪裁与放缩,进而在同尺寸的剪裁图像中得到双眼、两嘴角与鼻子五个关键点坐标;对所有剪裁图片中的五个特征点分别求平均,计算得到平均人脸模型;将待对齐的人脸图像以平均人脸为基准进行普氏变换,得到对齐后的图像;对对齐后的人脸图像进行识别、验证。

技术领域

本发明属于数字图像处理技术领域,涉及一种面部识别方法,特别一种基于多任务级联卷积神经网络的面部识别方法。

背景技术

人脸验证、人脸识别是计算机视觉领域的研究热点,同时在安防、金融等领域有着大量的应用需求。人脸识别的主要思想是将采集到的人脸图像通过定位人面部的一系列特征点而对人脸进行定位,而后通过数学方法将采集到的人脸转化为标准的人脸图像,进而交给验证、识别算法进行判断。由于通过相机、摄像头采集的图像有着拍摄角度不一,被拍目标头部动作不一的特点,使得人脸验证、人脸识别的算法设计难度大、准确率低。

发明内容

本发明的目的在于提供一种基于多任务级联卷积神经网络的面部识别方法,能够降低验证、识别算法的设计难度,且能够提升识别的准确率。

本发明的技术方案如下:

一种基于多任务级联卷积神经网络的面部识别方法,其特征在于包括以下步骤:

(1)对原始输入视频图像、人工拍照图像利用多任务级联卷积神经网络进行人脸检测,定位人脸所在区域进行剪裁与放缩,进而在同尺寸的剪裁图像中得到双眼、两嘴角与鼻子五个关键点坐标;

(2)对所有剪裁图片中的五个特征点分别求平均,计算得到平均人脸模型;

(3)将待对齐的人脸图像以步骤(2)中得到的平均人脸为基准进行普氏变换,得到对齐后的图像;

(4)对对齐后的人脸图像进行识别、验证。

本发明通过对监测视频、人工照相采集的人脸图像进行平均人脸模型计算,在实际应用时对测试图像进行普氏变换,使其转化为标准的正面照片,进而提供验证、识别算法进行训练学习与判断推理,方法迁移能力强,适应性好,能降低验证、识别算法的难度,且具有显著的准确率提升。

具体实施方式

本发明具体包括以下步骤:

步骤一、对原始输入视频图像、人工拍照图像利用多任务级联卷积神经网络进行人脸检测,定位人脸所在区域进行剪裁与放缩,进而在同尺寸的剪裁图像中得到双眼、两嘴角与鼻子五个关键点坐标;

步骤二、对所有剪裁图片中的五个特征点分别求平均,计算得到平均人脸模型;

步骤三、对待对齐图像以步骤二所得平均人脸模型为标准进行仿射变换(普氏变换),得到对齐后的图像。设待对齐图像的五个特征点组成的矩阵为A(A∈R5*2),标准图像为B(B∈R5*2),具体步骤为:

分别计算待对齐图与标准图五个特征点的中心位置(均值),分别记作C1、C2∈R1*2,之后针对两张图的特征点分别进行中心化处理(即减去均值);

分别计算待对齐图与标准图五个特征点坐标的标准差(反应人脸的大小尺寸水平),分别记作S1、S2∈R1*1,之后针对两张图的特征点分别进行归一化处理(即除以标准差);

计算ATB的奇异值分解:U∑VT=ATB,则令R=VUT,则R即为反映旋转的线性变换阵;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京航天长峰科技工业集团有限公司,未经北京航天长峰科技工业集团有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810957956.9/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top