[发明专利]人脸检测方法及系统

说明书

本发明涉及计算机视觉技术领域，公开了一种人脸检测方法及系统，用以解决传统的人脸检测算法的检测精度不能满足应用的要求。本发明先通过采集包含人脸的图像，再对图像中的人脸区域进行标定；再对标定的人脸框坐标进行转换；再使用聚类算法选取锚框；再优化深度学习人脸检测网络；再基于人脸样本库和优化后的深度学习人脸检测网络，训练人脸检测模型；再输入待检测图像，对待检测图像预处理之后提取特征，基于训练的人脸模型，使用聚类得到的锚框回归人脸框，检测人脸，最终输出检测结果并在图像中描绘出人脸框位置。本发明适用于人脸检测。

技术领域

本发明涉及计算机视觉技术领域，特别涉及人脸检测方法及系统。

背景技术

随着计算机视觉技术的不断发展，人脸检测技术趋于成熟并迅速市场化，作为人脸识别算法的关键步骤，在门禁、考勤、人证合一验证、安防等领域得到了广泛应用。所谓人脸检测，就是给定任意一张图片，找到其中是否存在一个或多个人脸，并返回图片中每个人脸的位置和范围。人脸检测根据应用场景的不同，可分为有约束和无约束两种情况。有约束情况是指，人脸数单一、背景简单、偏转角度小，无遮挡条件下的人脸检测，基本的人脸考勤和门禁等，这类属于有约束的情况，用传统改进算法足以满足性能需求；无约束人脸检测是指，人脸尺度变化大，数量多，姿态多样，有遮挡，光照影响，表情变化大，化妆伪装等，涉及到安防实时监控，智能视频人脸分析，人群数量统计等场景，不仅对人脸检测算法的精度要求很高，而且要确保运行的实时性，传统的人脸检测算法的检测精度不能满足应用的要求。

随着深度学习算法的兴起，将人脸检测技术提高到新的水平。深度学习方法与传统算法不同，不依靠手工选取特征，依靠神经网络传输自主选取人脸特征。深度神经网络模型由输入层、隐层(多层)、输出层组成，网络结果较深，参数较多，导致人脸检测模型较大，且需要在强大的计算平台(通常是gpu)上运行，难以实现基于嵌入式cpu平台下的实时检测。随着高效轻型深度网络的深入研究，以及嵌入式平台的运算能力的提高，使得基于深度学习的人脸检测算法在嵌入式cpu下运行成为可能。

发明内容

本发明要解决的技术问题是：提供一种人脸检测方法及系统，用以解决传统的人脸检测算法的检测精度不能满足应用的要求。

为解决上述问题，本发明采用的技术方案是：

人脸检测方法，包括如下步骤：

S001：采集包含人脸的图像，对图像中的人脸区域进行标定；

S002：对标定的人脸框坐标进行转换；

S003：使用聚类算法选取锚框；

S004：优化深度学习人脸检测网络；

S005：基于人脸样本库和步骤S004优化后的深度学习人脸检测网络，训练人脸检测模型；

S006：输入待检测图像，对待检测图像预处理之后提取特征，基于步骤S005训练的人脸模型，使用步骤S003聚类得到的锚框回归人脸框，检测人脸。

进一步的，步骤S001标定的内容包括：人脸区域外接矩形的左上角坐标，及人脸矩形框的长度和宽度。

进一步的，步骤S002中对标定的人脸框坐标进行转换，具体包括：

S002_1：根据步骤S001标定内容计算人脸框的中心坐标(x_center，y_center)以及人脸框的长h_rect和宽w_rect；

S002_2：对步骤S002_1计算的数值进行归一化处理，得到用于训练输入的x、y、w和h，其中，x为人脸框横坐标，x＝x_center/w_image，y为人脸框纵坐标，y＝y_center/h_image，w为人脸框长，w＝w_rect/image_width，h为人脸框高，h＝h_rect/h_image，w_image和h_image分别为图像的宽和高。