[发明专利]一种基于人脸关键点的多神经网络级联识别人脸方法

权利要求书

1.一种基于人脸关键点的多神经网络级联识别人脸方法，其特征在于，包括以下步骤：

(1)、通过MTCNN算法进行人脸检测

(1.1)、先利用MTCNN算法中的建议网络P-Net筛选出候选人脸区域及对应的候选人脸区域边框，再利用极大值抑制算法对高度重叠的候选人脸区域边框进行合并；

(1.2)、利用MTCNN算法中的完善网络R-Net对候选人脸区域进行细化，得到候选人脸图像，同时利用边界框回归算法和和非极大值抑制算法删除错误的候选人脸区域边框；

(1.3)、利用MTCNN算法中的输出网络O-Net过滤余下的候选人脸区域边框，将人脸从候选人脸图像中裁剪出来；

(2)、通过仿射变换对人脸图像进行线性变换和平移，再对人脸图像中的人脸部分进行旋转、缩放、平移，使人脸位于人脸图像的中央；

(3)、对人脸图像中的人脸关键点进行检测和定位

(3.1)、利用第一级CNN网络检测出一个精确包含脸部轮廓点的矩形框CR，以及检测出一个精确包含人脸内部关键点的矩形框IR，再将框CR中的图像传入到第二级CNN网络中；

(3.2)、第一级CNN网络根据矩形框CR检测出脸部轮廓点，同时根据矩形框IR检测出脸部内部特征点，再将检测出的脸部轮廓点和脸部内部特征点进行合并输出，得到训练样本集；

(4)、采用基于类别模式的PCA算法将训练样本集中的训练样本从高维空间中投影到低维空间；

(5)、基于弹性动量的BP神经网络实现人脸识别

(5.1)、将步骤(4)处理后的训练样本输入到基于弹性动量的BP神经网络中；

(5.2)、调整BP神经网络的网络权值

调整t+1时刻的网络权值w(t+1)：

w(t+1)=w(t)-sign(∂E(t)∂w)Δt,∂E(t)∂w≠00,∂E(t)∂w=0]]>

其中，E(t)表示训练样本的误差，表示误差对权值的偏导数，Δt表示权值的改变量；

(5.3)、利用训练样本训练BP神经网络，通过调整BP神经网络的网络权值，使BP神经网络输出人脸识别结果，最终得到训练完成的BP神经网络；

(6)、将待检测的人脸图像按照步骤(1)-(4)所述方法处理后，输入至训练完成的BP神经网络，从而输出人脸识别结果。

2.根据权利要求1所述的基于人脸关键点的多神经网络级联识别人脸方法，其特征在于，所述的权值的改变量Δt的调整方法为：

Δt=α×Δ(t-1),∂E(t)∂w×∂E(t-1)∂w>0β×Δ(t-1),∂E(t)∂w×∂E(t-1)∂w<0Δ(t-1),∂E(t)∂w×∂E(t-1)∂w<0]]>

其中，α为增量因子，β为减量因子，且0<β<1<α。