[发明专利]基于人工神经网络的人脸检测识别方法

说明书

技术领域

本发明属于人工智能和模式识别技术领域,具体涉及一种基于神经网络的人脸识别方法。

背景技术

人脸检测问题最初来源于人脸识别（FaceRecognition）。人脸识别的研究可以追溯到20世纪60-70年代，经过几十年的曲折发展已日趋成熟。人脸检测是自动人脸检测系统中的一个关键环节，也是面部表情识别、头部状态估计的必须技术。早期的人脸识别研究主要针对具有较强约束条件的人脸图像（如无背景的图像），往往假设人脸位置已知或很容易获得，因此人脸检测问题并未受到重视。近几年随着电子商务等应用的发展，人脸识别成为最有潜力的身份验证手段，这种应用背景要求自动人脸检测系统能够对一般环境中的人脸图像具有一定的适应能力。

人脸是一类具有相当复杂的细节变化的自然结构的目标，目前人脸检测所面临的问题可以归结如下：

图像平面内变化：脸部图像的最简单变化可以通过脸部本事的旋转、移动、缩放、镜像等独立地表示。本类同样包含所有的图像亮度、对比度变化以及被其他物体遮挡。

姿态变化：脸部某些方面的姿态变包含在图像平面变化中，比如旋转和平移。不在图像平面内的脸部旋转对表现会产生很大影响。另一类变化是脸部离摄像机的距离，会导致景物变形。

光线和肤色变化：目标及其环境引起的变化，特别是目标的表面特征和光源。光源的变化会引起脸部表现的强烈变化。

背景变化：当目标具有可预测的形状，就可以选取一个只包含此物体象素的窗口，并忽略背景。可是，对于侧脸，脸部本身的边界是至关重要的特征，并且每个人的形状都不一样。因此，边界是不可预测的，背景不能被简单地屏蔽或忽略。

形状变化：最后是目标本身的形状变化。对于人脸，此类变化包含了脸部表情，如嘴和眼睛的张开、闭合。

对于人脸检测问题，从不同的角度可以有多种分类方法。同时，人脸图像所包含的模式特征十分丰富，这些特征中哪些是最有用的、如何利用这些特征，是人脸检测要研究的主要问题。

发明内容

为了解决上述问题，本发明提供一种基于人工神经网络的人脸检测系统，采用的技术方案如下：

基于人工神经网络的人脸检测识别方法，包括以下步骤：

（1）位置和姿态估计：用神经网络分析图像中潜在的脸部区域并确定脸部姿态；

（2）预处理：图像进行预处理来改善图像的亮度和对比度；

（3）检测：在前两步对图像作位置、姿态和预处理后，由面检测器检测是否存在人脸；

（4）决断：通过利用启发式算法，将面检测器的检测结果合并在一起作决断，来增强人脸检测的正确率。

优选地，还包括人脸检测训练，训练方法如下：

（1）窗口输入图像样本；

（2）训练神经网络，对人脸图像样本输出1，非人脸图像样本输出-1；在循环的第一次迭代时，随即初始化网络的权重；

（3）使用上一次训练计算的权重做为下一次训练的起点。

优选地，在输入图像样本前还包括图像样本的处理，处理方法为：在20×20像素的窗口中，将图像调整为统一的大小、位置和方位；图像的扩缩率为与之间的随机因子，平移量为0.5像素以内的随机值。

优选地，所述人脸训练所需的图像样本的生成方法如下：

（1）选择初始人脸图像；

（2）依据头部的三维姿态，在每张人脸图样上标记特征点；

（3）不同人脸上的标记特征点组合；

（4）多次组合后，形成多个人脸图像样本。

优选地，所述标记特征点组合的原理为：相关特征点对之间的距离平方和为最小。

优选地，所述标记特征点组合的计算方法如下：当存在旋转、伸缩和移动时，相关特征点对之间的距离平方和为最小，即在二维形式下，坐标变换可以写为：

。

优选地，有多对相关的坐标集，上述公式扩展为：

用伪逆方法解此线形方程系统：命名左边的矩阵为A，矢量形式的变量为T，右边为B，此方程的伪逆解为：

伪逆解产生变换T是我们的初始目标，T最小化了坐标集与改造前的之间差的平方和。

在知道如何组合两组标记了的特征点后，按如下的过程不断组合特征点：

（1）初始化，这是一些初始特征位置的向量，也是所有脸部每一个被标记特征的平均位置；对于正面脸的组合，这些特征可以为输入窗口中两个眼睛的期望位置，其它姿态的人脸，这些位置应该来自头部的平均3D模型；