[发明专利]一种基于语义特征的人脸误检筛除方法

说明书

本发明涉及人脸检测识别技术领域，目的在于有效提高分类精度，降低泛化误差，实现对人脸误检结果的有效分类筛除，具体涉及一种基于语义特征的人脸误检筛除方法，具体为以原始图像数据作为此阶段的输入，通过人脸检测与对齐算法对原始图像进行人脸检测并对齐，将检测对齐结果缩放至112*112尺寸；采用基于BiSeNet的实时人脸语义分割方法对输入的人脸检测对齐结果进行像素级的人脸语义分割，得到语义分割结果；采用特征工程技术，对语义分割结果进行处理，构造并挑选出最具表征能力的语义特征；采用Stacking模型集成框架对输入的语义特征进行运算，得到最终的人脸误检分类结果并完成误检筛除；实现对人脸误检结果的有效分类筛除，提高整体检测算法的性能与鲁棒性。

技术领域

本发明涉及人脸检测识别技术领域，目的在于有效提高分类精度，降低泛化误差，实现对人脸误检结果的有效分类筛除，提高整体检测算法的性能与鲁棒性，具体涉及一种基于语义特征的人脸误检筛除方法。

背景技术

人脸检测作为所有人脸分析任务的前置步骤，一直以来都是计算机视觉领域的研究热，在安防监控、人证核验、人机交互、社交等领域都有重要的应用价值，人脸检测的目标是得到尽可能高的人脸检测率，同时保证尽可能精确的人脸检测结果和尽可能低的误检率。

近几年来，很多的研究者在该领域做了大量的工作，也取得了不少成果，尤其是基于深度学习的人脸检测更是表现优异，其中具有代表性的算法如MTCNN、Face R-CNN和SSH都在复杂场景下表现出较高的人脸检测率，甚至已经满足了实际工程生产的基本要求。

实践表明，当前一些优秀的人脸检测方法在复杂场景下也能保证较高的人脸检测率，但这并不表示它们能直接应用于实际生产环境中，较高的检测率通常是以产生大量误检结果为代价的，而意外的误检误报必然会影响后续任务的结果和整个系统的性能，因此迎面而来的挑战便是如何有效地减少误检数量，实际生成中大多采用人脸误检筛除的方法。

为了解决人脸误检问题，有人建议将基于人脸的五点坐标特征与支持向量机一起使用，用以减少误报，因为通过人脸坐标可以定位到人脸的相应部分，而任何非人脸理论上都不会具有可靠的人脸坐标，该方法在一定程度上表现了其在减少误报方面的有效性，但由于其对人脸坐标精度的高度依赖，因此在具有姿态变化和部分遮挡的场景中显示出明显不足；也有人提出使用卷积神经网络来进行真假人脸判断，但这无疑与基于深度学习的人脸检测最后的分类阶段如出一辙，相当于使用级联的卷积神经网络进行人脸分类，无法解决根本问题，在增加计算量的同时却难以有效筛除误检目标；除此之外，还有人构造了一个基于轮廓的分类器用以过滤人脸检测产生的误报，但是，当遭遇人脸姿态变换和遮挡时，轮廓特征根本无法很好的发挥作用，因此难以应用于复杂环境中。

综上，现有解决人脸误检问题的方法基本都基于简单的特征选择，但其并不能很好的应用在复杂环境中，这在很大程度上是因为无法提取到具有代表性和鉴别性的人脸特征用于分类。

发明内容

本发明的目的在于提供了一种基于语义特征的人脸误检筛除方法，解决真实复杂环境下存在的人脸误检，该方法通过引入人脸语义分割技术，利用特征工程构造出表征能力更强的人脸语义特征，然后基于Stacking集成模型有效提高分类精度，降低泛化误差，能够实现对人脸误检结果的有效分类筛除，进一步提高整体检测算法的性能与鲁棒性。

本发明采用的技术方案如下：

一种基于语义特征的人脸误检筛除方法，其特征在于，具体包括以下步骤：

S1：人脸检测与对齐：以原始图像数据作为此阶段的输入，通过人脸检测与对齐算法对原始图像进行人脸检测并对齐，然后将检测对齐结果缩放至112*112大小尺寸；

S2：人脸语义分割：采用基于BiSeNet的实时人脸语义分割方法对输入的人脸检测对齐结果进行像素级的人脸语义分割，得到语义分割结果；

S3：语义特征工程：采用特征工程技术，对语义分割结果进行处理，构造并挑选出最具表征能力的语义特征；