[发明专利]基于分类的深度学习人脸检测方法

说明书

本发明属于人脸识别技术领域，公开了一种基于分类的深度学习人脸检测方法，该方法包括：获取待测图像，并加载基于分类的深度学习模型；利用所述基于分类的深度学习模型对所述待测图像进行处理，包括：对所述待测图像进行分割处理，获得面部图像；对所述面部图像进行特征点提取，获得若干面部特征点；计算获得每个所述面部特征点的坐标信息；基于每个所述面部特征点及其对应的所述坐标信息，计算并判断所述面部图像是否为人脸图像。该基于分类的深度学习人脸检测方法利用深度学习模型进行面部图像分割、面部特征点提取、特征点坐标定位，有效地提高了检测的准确率和检测效率。

技术领域

本发明属于人脸识别技术领域，具体涉及一种基于分类的深度学习人脸检测方法。

背景技术

人脸检测的英文名称是Face Detection，人脸检测问题最初来源于人脸识别(Face Recognition)。人脸检测是自动人脸识别系统中的一个关键环节，从最早的以AdaBoost分类器为主的研究方法到现在主要基于卷积神经网络深度学习方法，准确率和速度有很大的提升，已经广泛的应用到安检、交通等领域。深度学习的人脸检测主流主要为基于特征点的检测，首先用特征点标注五官，将人脸图片和特征点输入提取人脸模型。这样做的好处是特别精确，而且便于做人脸识别比对，缺点是不能有遮挡，一般用于安检、认证对比。

由于现在多关注人脸识别的精度，较少的关注遮挡情况下的人脸检测，这就导致现有的人脸检测技术在人脸存在遮挡的情况下检测精度不足，最终导致后续无法进行准确的人脸识别。

发明内容

为了解决现有技术存在的上述一个或多个技术问题，本发明提供了一种基于分类的深度学习人脸检测方法，旨在提高当人脸存在遮挡的情况下的人脸检测精度。

为了实现上述目的，本发明采用了技术方案如下：

一种基于分类的深度学习人脸检测方法，包括以下步骤：

获取待测图像，并加载基于分类的深度学习模型；

利用所述基于分类的深度学习模型对所述待测图像进行处理，包括：

对所述待测图像进行分割处理，获得面部图像；

对所述面部图像进行特征点提取，获得若干面部特征点；

计算获得每个所述面部特征点的坐标信息；

基于每个所述面部特征点及其对应的所述坐标信息，判断所述面部图像是否为人脸图像。

优选的，所述基于分类的深度学习模型包括DenseNet网络、Mask R-CNN R-50FPN框架网络模型以及XGBoost回归模型；所述DenseNet网络嵌设于所述Mask R-CNN R-50FPN框架网络模型中。

优选的，将所述DenseNet网络嵌设于所述Mask R-CNN R-50FPN框架网络模型中的方法包括：

修改所述Mask R-CNN R-50FPN框架网络模型的网络结构，将所述Mask R-CNN R-50FPN框架网络模型中原有的分类器替换为所述DenseNet网络。

优选的，所述面部特征点包括左眉、左眼、右眉、右眼、鼻子以及嘴巴。

进一步优选的，所述面部特征点的坐标信息包括左眉两端的坐标信息、左眼两端的坐标信息、右眉两端的坐标信息、右眼两端的坐标信息、鼻子两端的坐标信息以及嘴巴两端的坐标信息。

进一步优选的，计算获得每个所述面部特征点的坐标信息的方法包括：

以所述待测图像的一个边角坐标为基准点坐标，

基于所述基准点坐标，计算获得每个所述面部特征点的坐标信息。