[发明专利]基于多移动目标的人脸识别方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术，揭露了一种基于多移动目标的人脸识别方法，包括：从待检测图像集合的图像中提取候选区域集合，从候选区域集合中生成行人候选区域，提取行人候选区域中的HOG特征及CLBP特征并进行特征融合，得到混合特征，利用预训练的分类器对行人候选区域中的行人进行定位，得到行人定位区域，利用几何先验算法进行人脸区域粗定位，得到原始人脸区域，基于预设的颜色空间模型对原始人脸区域进行精定位，得到标准人脸区域，利用预训练的卷积神经网络对标准人脸区域进行人脸识别，得到人脸识别结果。本发明还提出一种基于多移动目标的人脸识别方法装置、电子设备以及计算机可读存储介质。本发明可以解决人脸识别准确度不高的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于多移动目标的人脸识别方法、装置、电子设备及计算机可读存储介质。

背景技术

随着人工智能的快速发展和视频监控系统的日渐普及，人脸识别研究在安防领域具有重大的意义。相比于其他生物识别技术，人脸识别具有交互友好性，方便性等优势。

目前，针对约束性场景下的人脸识别已经达到商用的程度，但是在自然场景中，例如监控场景、宿舍门禁中，人脸由于受角度，光照，分辨率等诸多因素的影响，造成了识别上的困难，导致人脸识别准确率不高。

发明内容

本发明提供一种基于多移动目标的人脸识别方法、装置、电子设备及可读存储介质，其主要目的在于解决人脸识别准确度不高的问题。

为实现上述目的，本发明提供的一种基于多移动目标的人脸识别方法，包括：

获取目标视频数据，从所述目标视频数据中读取待检测图像集合；

基于选择性搜索算法从所述待检测图像集合的图像中提取候选区域集合；

基于窗口筛选算法从所述候选区域集合中生成行人候选区域，提取所述行人候选区域中的HOG 特征，以及提取所述行人候选区域中的CLBP 特征，对所述HOG 特征及所述CLBP 特征进行特征融合，得到混合特征；

基于所述混合特征，利用预训练的分类器对所述行人候选区域中的行人进行定位，得到行人定位区域；

利用几何先验算法对所述行人定位区域进行人脸区域粗定位，得到原始人脸区域；

基于预设的颜色空间模型对所述原始人脸区域进行精定位，得到标准人脸区域；

利用预训练的卷积神经网络对所述标准人脸区域进行人脸识别，得到人脸识别结果。

可选地，所述基于选择性搜索算法从所述待检测图像集合的图像中提取候选区域集合，包括：

对所述待检测图像集合中的图像进行随机分割，得到子区域集合；

计算所述子区域集合中相邻子区域的局部相似度，并在所述局部相似度满足预设的相似阈值时，将相邻子区域进行合并，得到更新后的子区域；

从所述子区域集合中移除与所述合并子区域相关的子区域，并返回所述计算所述子区域集合中相邻子区域的局部相似度的步骤，直至满足预设的迭代条件时，汇总所有的合并子区域得到合并子区域集合；

对所述合并子区域集合进行窗口筛选，得到所述候选区域集合。

可选地，所述提取所述行人候选区域中的HOG 特征，包括：

根据Gamma校正法对所述行人候选区域进行颜色空间归一化处理，得到矫正区域；

计算所述矫正区域内水平方向及垂直方向的梯度直方图；

利用预设方向及幅度的细胞单元收集所述梯度直方图中的特征，得到所述HOG特征。

可选地，所述提取所述行人候选区域中的CLBP 特征，包括：

利用预设的采集窗口对所述行人候选区域进行采样，得到采样区域；

计算所述采样区域内中心点的灰度特征、差值符号特征及差值幅度特征；

串联所述差值符号特征、所述差值幅度特征及所述中心点的灰度特征，得到所述CLBP 特征。