[发明专利]一种基于深度学习的人脸择优方法

权利要求书

1.一种基于深度学习的人脸择优方法，其特征在于：包括以下步骤；

步骤一：将人脸检测得到的人脸区域图片归一化成96*96的BGR三通道数据格式，输入角度量化算法，得到角度量化值；

所述角度量化算法为：

S11、将不同的俯仰角和侧视角度按大小分成五类，具体如下：

1）.超大角度：侧视超过60度，俯视超过40度，仰视超过40度；

2）.大角度：侧视45-60度，俯视30-40度，仰视30-40度；

3）.中角度：侧视30-45度，俯视20-30度，仰视20-30度；

4）.小角度：侧视15-30度，俯视10-20度，仰视10-20度；

5）.正脸：侧视小于15度，俯视小于10度，仰视小于10度；

S12、当人脸同时侧视和俯仰视，以最大的分级为准；

S13、训练五分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0：超大角度）* 0 + P（1：大角度）* 1 + P（2：中角度）* 2 + P（3：小角度）* 3 + P（4：正脸）* 4] / 4；

收集不同角度的人脸数据，按步骤S11要求分成五类，每类六千张，五千张用于训练，一千张用于测试，训练前需要将数据进行增强，包括转化成三通道的灰度图，空间投影变换，提取不同的人脸尺度，crop，色彩变换；

步骤二、该角度量化值小于等于阈值0.5，则丢掉该人脸区域图片；

步骤三、该角度量化值大于阈值0.5，将96*96的BGR三通道数据输入清晰度量化算法，得到清晰度量化值；

所述清晰度量化算法为：

S31、将小角度人脸和正脸图片按清晰度等级分成三类：

1）.清晰人脸：适合做人脸识别；

2）.不确定：清晰度一般，有一部分适合做人脸识别；

3）.模糊人脸：不适合做人脸识别；

S32、训练三分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0：模糊）* 0 + P（1：不确定）* 1 + P（2：清晰人脸）* 2] / 2；

收集不同清晰度人脸数据，按步骤S31要求分成三类，每类一万张，八千张用于训练，两千张用于测试，训练前需要将数据进行增强，包括转化成三通道的灰度图，空间投影变换，提取不同的人脸尺度，crop，色彩变换；

步骤四、清晰度量化值小于等于阈值0.5，则丢掉该人脸区域图片，若大于阈值0.5，保留该人脸区域图片。