[发明专利]一种无人脸数据训练的人脸识别方法和系统

权利要求书

1.一种无人脸数据训练的人脸识别方法，其特征在于，主要包括步骤S103：获取人脸图像与人脸底库的比对值，若根据比对值能够在底图图库中查到Face ID的图像，则输出检测到的ID，若输入图像与人脸底库图像相似度大于识别阈值加5，则进行人脸质量判断，若符合人脸质量标准，若底库照片大于等于10，则删除识别次数少的底库照片，然后加入人脸底库；若根据比对值不能够在底图图库中查到Face ID，则进行人脸质量判断，若满足人脸质量标准，则将图像加入人脸底库中，然后输出ID。

2.根据权利要求1所述的一种无人脸数据训练的人脸识别方法，其特征在于，若底库照片小于10，则直接加入人脸底库。

3.根据权利要求1或2所述的一种无人脸数据训练的人脸识别方法，其特征在于，若根据比对值不能够在底图图库中查到Face ID，若满足人脸质量标准，则使用特征值MD5码生成Face ID并加入人脸底库中，然后输出ID；若不满足人脸质量标准，则判断为未识别。

4.根据权利要求3所述的一种无人脸数据训练的人脸识别方法，其特征在于，若不满足人脸质量标准，则采用队列临时存储拒识别的人脸数据，在服务器空闲时，进行人脸底库对比并查到ID后删除该缓存的图片并输出ID。

5.根据权利要求1所述的一种无人脸数据训练的人脸识别方法，其特征在于，当人脸底库中新增的图片数量大于500张时，则进行人脸聚类，删除相似度高的图片，合并相似度较高的Face ID。

6.根据权利要求1所述的一种无人脸数据训练的人脸识别方法，其特征在于，还包括以下步骤：

步骤S101：采用MTCNN进行人脸五官特征点检测，确定图像中人脸位置，提取视频中一种或者多张人脸的抓拍照片；所述MTCNN将给定图片缩放到不同尺寸，形成图像金字塔，以达到尺寸不变；

步骤S102：运用ResNet算法进行人脸识别，并计算抓拍图像与人脸底库图像的余弦距离形成比对值。

7.根据权利要求6所述的一种无人脸数据训练的人脸识别方法，其特征在于，所述步骤S101主要包括以下步骤：

步骤S1011：使用P-Net全卷积网络用来生成候选窗和边框回归向量；使用Boundingbox regression的方法来校正候选窗，使用非极大值抑制合并重叠的候选框；

步骤S1012：使用R-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；

步骤S1013：最后使用O-Net输出最终的人脸框和特征点位置；生成5个特征点位置。

8.根据权利要求7所述的一种无人脸数据训练的人脸识别方法，其特征在于，所述步骤S103中进行人脸质量评估时，采用人脸质量评估算法；人脸质量评估算法主要通过步骤S101中MTCNN检测的5个关键点信息计算人脸角度与完整度，再结合深度学习图像分类模型评估图像清晰度，从而实现人脸质量评估。

9.根据权利要求1-8任一项所述的一种无人脸数据训练的人脸识别方法，其特征在于，输出ID后对应人脸底库照片识别次数+1。

10.一种人脸识别系统，其特征在于，主要包括用于确定图像中的人脸位置的人脸检测算法模块、用于提取人脸特征的人脸识别算法模块、用于评估人脸角度或人脸完整度或人脸清晰度的人脸质量评估算法模块、用于管理底库人脸图片的人脸底库管理模块、用于管理拒识别的人脸图片的拒识别人脸缓存模块、用于为每一个人生成一个固定的Face ID的Face ID生成模块、用于弥补MTCNN侧脸判断不准的人脸特征聚类模块。