[发明专利]人脸图像检测方法、系统、存储介质及设备

说明书

本发明提供一种人脸图像检测方法、系统、存储介质及设备，包括：提取待处理图像中的人脸图像；获取所述人脸图像中各关键点所对应的热力图的置信度；根据各所述置信度计算每个所述人脸图像的人脸关键点得分，据以判断所述人脸图像中人脸被遮挡的程度。本发明的人脸图像检测方法、系统、存储介质及设备，能够对带遮挡的人脸数据进行关键点定位和检测，并且在光线、角度、姿态各异等情况下，均能够快速有效地识别并找到目标人脸。

技术领域

本发明涉及人脸检测技术领域，特别是涉及一种人脸图像检测方法、系统、存储介质及设备。

背景技术

人脸关键点检测是根据给定的人脸预测出五官和脸型轮廓等预先定义好的一系列关键点的坐标，从而进行后续的人脸对齐，识别，表情分析等应用。

传统的人脸关键点检测方法主要有主动外观模型、主动形状模型和级联回归模型等经典算法。随着深度学习的提出和发展，近年来陆续出现了一些基于深度卷积神经网络的方法进行人脸关键点检测，目前最为主流的是利用坐标回归和热度图回归的方法，其中，坐标回归模型主要思想是直接让深度网络学习人脸关键点坐标和输入人脸图像的位置映射关系。其优点在于不需要过多的数据后处理，网络可以直接回归输出关键点的坐标，实现端到端的训练和前向推理，但其在精度上与热度图回归的方法相比较差。而且由于坐标回归的方法受限制于脸部关键点的几何位置关系，预测结果依赖于人脸检测器，存在如下两种问题：其一是当人脸检测器检测到人脸时，若此人脸为侧脸，坐标回归的方法得到的关键点会根据可见关键点的位置，再结合人脸的几何轮廓约束，预测被遮挡部分的关键点，这样强制输出规定个数的关键点不利于后续的人脸对齐和识别；其二是针对的确存在人脸的图像，受限于人脸检测器算法的精度影响，没有对图片中的可见人脸检测到，那么对应的坐标回归的关键点就无法得到，从而丢失了可见有用的人脸信息。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种人脸图像检测方法、系统、存储介质及设备，用于解决现有技术中侧脸或带遮挡情况下的人脸关键点检测的问题。

为实现上述目的及其他相关目的，本发明提供一种人脸图像检测方法，所述方法包括提取待处理图像中的人脸图像；获取所述人脸图像中各关键点及其所对应的热力图和关键点置信度；根据各所述置信度计算每个所述人脸图像的人脸关键点得分，据以判断所述人脸图像中人脸被遮挡的程度。

于本发明的一实施例中，所述方法还包括：当所述人脸图像中人脸被遮挡的比例小于预设阈值时，将所述人脸图像与若干预存的未被遮挡的人脸图像加以比对，从而识别出与所述人脸图像匹配的未被遮挡的人脸。

于本发明的一实施例中，所述待处理图像为抓拍机采集到的人脸图像数据集，所述抓拍机拍摄的时间、地点随机，所述人脸图像数据集包括训练集和测试集。

于本发明的一实施例中，所述人脸图像提取的方法包括：

对所述待处理图像进行质量筛选，剔除遮挡率、光照和分辨率不满足条件的所述人脸图像；

将通过质量筛选后的所述人脸图像缩放到对应输入尺寸；

将所述人脸图像进行像素归一化到[-1,1]区间，并对RGB通道分别进行像素减均值0.5。

于本发明的一实施例中，所述置信度由深度学习网络预测得到，并将所述置信度归一化到(0，1)区间。

于本发明的一实施例中，所述人脸关键点得分计算公式为：

式中，conf_i为第i个关键点的置信度得分，均归一化到[0,1]之间，N为总关键点个数；所述遮挡程度计算式为：

P(occlude)＝1-score。

于本发明的一实施例中，所述方法还包括模型训练方法：