[发明专利]一种基于深度学习的人脸跟踪方法及系统

权利要求书

1.一种基于深度学习的人脸跟踪方法，其特征在于，包括步骤：

S1、获取视频流的起始帧作为当前帧，设置n＝0；

S2、判断视频流的当前帧n是否满足n％N＝＝0，若是，执行步骤S3，若否，执行步骤S4，其中，N为预设间隔帧数；

S3、对当前帧进行人脸检测，若检测到人脸，输出人脸候选框，执行步骤S4，否则，获取视频流的下一帧作为当前帧，设置n＝0，执行步骤S2；

S4、对人脸候选框进行人脸验证，验证人脸候选框中是否包含人脸，若是，输出人脸框图像，执行步骤S5，否则，获取视频流的下一帧作为当前帧，设置n＝0，执行步骤S2；

S5、对所述人脸框图像进行关键点定位，计算人脸关键点的外接矩形框；

S6、扩展所述外接矩形框得到外扩矩形框，提取视频流的下一帧作为当前帧，设置n＝n+1、外扩矩形框为人脸候选框，执行步骤S2。

2.根据权利要求1所述的人脸跟踪方法，其特征在于，所述人脸检测由卷积神经网络实现，包括输入层、全连接层、输出层、卷积神经网络子模块，所述卷积神经网络子模块的具体结构为：第一卷积层→第一PReLU层→第一池化层→第二卷积层→第二PReLU层→第二池化层→第三卷积层→第三PReLU层→第四卷积层→第四PReLU层→第四池化层→第五卷积层→第五PReLU层；第一卷积层与输入层连接，输入层输入的是视频流图像帧，全连接层位于最后一个池化层和输出层之间，输出层输出人脸或非人脸、人脸候选框。

3.根据权利要求1所述的人脸跟踪方法，其特征在于，所述人脸验证由卷积神经网络实现，包括输入层、全连接层、输出层、卷积神经网络子模块，所述卷积神经网络子模块的具体结构为：第一卷积层→第一PReLU层→第一池化层→第二卷积层→第二PReLU层→第二池化层→第三卷积层→第三PReLU层→第四卷积层→第四PReLU层→第四池化层→第五卷积层→第五PReLU层→第六卷积层→第六PReLU层→第六池化层→第七卷积层→第七PReLU层；第一卷积层与输入层连接，输入层输入的是人脸候选框，全连接层位于最后一个池化层和输出层之间，输出层为分类器，输出人脸或非人脸。

4.根据权利要求1所述的人脸跟踪方法，其特征在于，所述关键点定位由卷积神经网络实现，包括输入层、全连接层、输出层、卷积神经网络子模块，所述卷积神经网络子模块的具体结构为：第一卷积层→第一PReLU层→第一池化层→第二卷积层→第二PReLU层→第二池化层→第三卷积层→第三PReLU层→第三池化层→第四卷积层→第四PReLU层；第一卷积层与输入层连接，输入层输入的是人脸框图像，全连接层位于最后一个池化层和输出层之间，输出层输出人脸的关键点。

5.根据权利要求1所述的人脸跟踪方法，其特征在于，所述关键点包括左眼睛、右眼睛、鼻子、嘴巴以及脸部外轮廓。

6.一种基于深度学习的人脸跟踪系统，其特征在于，包括：

图像/视频模块，用于获取视频流的起始帧作为当前帧，设置n＝0；

判断模块，用于判断视频流的当前帧n是否满足n％N＝＝0，若是，调用人脸检测模块，若否，调用人脸验证模块，其中，N为预设间隔帧数；

人脸检测模块，用于对当前帧进行人脸检测，若检测到人脸，输出人脸候选框，调用人脸验证模块，否则，获取视频流的下一帧作为当前帧，设置n＝0，调用判断模块；

人脸验证模块，用于对人脸候选框进行人脸验证，验证人脸候选框中是否包含人脸，若是，输出人脸框图像，调用人脸对齐模块，否则，获取视频流的下一帧作为当前帧，设置n＝0，调用判断模块；

人脸对齐模块，用于对所述人脸框图像进行关键点定位，计算人脸关键点的外接矩形框；

扩展模块，用于扩展所述外接矩形框得到外扩矩形框，提取视频流的下一帧作为当前帧，设置n＝n+1、外扩矩形框为人脸候选框，调用判断模块。