[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

说明书

技术领域

本发明属于人脸识别技术领域，更为具体地讲，涉及一种基于人脸关键点的多神经网络级联识别人脸方法。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系类相关技术，通常也叫做人像识别、面部识别。

人脸识别的现代研究始于20世纪60年代末。在近20年，随着计算机性能的提高和算法的不断发展，人脸识别有了重大突破，真正进入了自动识别阶段。现今人脸识别已广泛应用于金融、司法、军队、教育等人类生活的各个领域，并且还在不断地开拓新领域。

传统人脸识别方法主要有以下几种：

(1)基于模板匹配的方法。该方法将待处理的人脸图像直接与数据库中所有的模板进行匹配，选取匹配最相似的模板图像作为待处理图像的分类。但由于数据库中每个人的模板图片数量有限，不可能涵盖到现实中所有的复杂情况。

(2)基于几何特征的方法。人的面部有很多形状、大小都不相同的部件，例如鼻子、嘴巴等。通过对这些部件形状的对比，部件之间的位置检测，从而实现人脸识别。

(3)基于代数特征的方法。该方法主要通过对待处理图片的灰度分布进行代数变换或矩阵分解来实现。常见方法有：主成分分析法、线性判别分析法及隐马尔科夫分析法。

(4)基于人工神经网络的方法。该方法直接使用图像像素点作为神经网络的输入，通过模拟人脑神经元工作机制，可以学习到其他方法难以实现的隐性人脸特征表示。但由于网络中训练参数过多导致训练时间过长等问题，因此不适合在实际应用中采用。

(5)基于稀疏表示的人脸识别方法。基于稀疏表示的人脸识别，其稀疏表示用的字典直接由训练所用的全部图像组成，而不需要经过字典学习。目前，很多基于稀疏表示的人脸识别算法得到了非常好的效果，例如MPR算法、SRC算法等。

上述传统方法尽管在人脸识别技术的研究中取得了大量成果，但是由于人脸识别自身的复杂性，在使用中往往存在很多问题：

(1)对光照及成像条件极其敏感。在光线太明或太暗、图片模糊等情况下，传统识别方法无法准确检测出人脸。

(2)对人脸的遮挡极其敏感。在很多场合不可避免地存在人脸被遮挡的情况，传统方法在这种情景下的应用非常有限。

(3)由于算法和计算机性能的限制，没有能力训练大规模的人脸数据集，且计算时间过长，难以实现实时处理。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于人脸关键点的多神经网络级联识别人脸方法，通过使用多个改进的神经网络来进行人脸关键点检测及特征提取，从而使得在光照条件或人脸不同姿态下，准确识别人脸。

为实现上述发明目的，本发明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)、第二级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)：