[发明专利]基于级联深度卷积神经网络的人脸检测方法

说明书

本发明公开了一种基于级联深度卷积神经网络的人脸检测方法，包括：建立n级深度卷积网络；对训练样本填充后进行卷积运算；将特征图中的部分或全部特征图作为下一层卷积层的输入，进行卷积运算；重复上一步骤直至到第n+1层卷积层；将第n+1层卷积层输出的特征图串行化得到高维向量，将高维向量与全连接层的节点进行全连接；输出人脸框坐标和人脸质量评价得分；获取人脸检测损失函数、图像质量评价损失函数及总损失函数；获取训练样本的损失函数，进行训练样本权值的更新；训练出级联深度卷积神经网络。本发明能同时解决人脸检测和人脸图像质量评价的问题、在提高处理速度的同时还能提高性能。

技术领域

本发明涉及人脸检测领域，特别涉及一种基于级联深度卷积神经网络的人脸检测方法。

背景技术

人脸检测(Face Detection)是指在输入图像中，采用一定的策略对其进行搜索，确定其中是否含有人脸，如果有则返回各个人脸的位置及大小的过程。。人脸检测是人脸识别的基础，是人脸识别的先行步骤。人脸检阶段检测出的人脸图像质量好坏直接影响到人脸识别的精度。传统的人脸识别过程中，人脸检测和人脸图像质量评价是分两个阶段任务完成的，先检测出人脸图像，然后对检测出的人脸图像进行质量评价。这种方法有两个不足之处，一是需要消耗更多的处理时间，而在许多图像实时处理中，处理时间是一个很关键的指标。二是人脸检测的过程本身就需要用到图像质量作为判断依据，两种之间存在相关性。将这两个任务分开处理，会割裂两者之间的相关性。

人脸检测方法可分成四大类：

1)基于知识的方法。

这种方法将研究人员对人脸的知识编码成识别规则。例如图像中的人脸，通常具有互相对称的两只眼睛、一个鼻子和一张嘴吧。特征之间的相互关系可以通过它们之间的距离和位置关系来描述。这种方法的问题是很难将人的知识转换为明确定义的规则。如果规则过于详细，则会导致低的识别率，反之，如果规则太通用，则会导致高的错检率。

2)特征不变量方法。

这种方法的依据是人可以容易地识别出不同姿态、角度、光照条件下的人脸，因此可以认为图像中存在不随姿态、角度、光照条件改变的特征不变量。该方法先提取出诸如眉毛、眼睛、鼻子、嘴巴等面部特征，然后建立统计模型描述特征之间的关系以证实人脸的存在。该方法的问题是当图像中存在光照、噪声和遮挡等现象时，提取出来的特征可能会变得不可靠。

3)模板匹配方法。

这种方法预先定义好一些标准的人脸模式，通过计算输入图像区域和标准模式之间的相关程度来检测人脸。该方法实现简单，但不能有效地处理尺度、状态、形状变化的的问题。

4)基于机器学习的方法。

这种方法从训练图像中学习得到人脸和非人脸的知识，并以此检测人脸。在模板匹配中方法中，人脸的模板是由专家预先定义的，而在本方法中，模式是从图像中学习得到的。这类方法的问题在如何选择好的特征和机器学习算法。

图像质量评价(Image Quality Assessment，IQA)是图像处理中的基本技术之一。图像质量评价通过对图像特性进行分析研究，评估出图像的优劣程度或失真程度。图像质量评价在某些图像应用例如人脸认证(Face Authentication)中具有重要的作用，一个人脸库中注册的人，可能因为相机采集到的图像质量很差(例如：模糊，歪斜，失真等)而无法通过验证。图像质量评价包括主观评价和客观评价两种方法。主观评价方法可分为绝对评价和相对评价两种类型。客观评价可分为全参考(Full-Reference)，部分参考(Reduced-Reference)和无参考(No-Reference)三种类型。