[发明专利]基于级联卷积神经网络的面部识别方法及装置

权利要求书

1.一种基于级联卷积神经网络的面部识别方法，其特征在于，包括如下步骤：

将目标图像输入第一卷积神经网络，获取候选面部窗口和边界框回归向量，并利用所述边界框回归向量校准所述候选面部窗口，去除重叠候选窗口，获取包括候选面部窗口的目标图像；

将包括所述候选面部窗口的目标图像输入第二卷积神经网络，利用所述边界框回归向量校准所述候选面部窗口，去除重叠候选窗口，获取进一步处理后的目标图像；

将进一步处理后的目标图像输入第三卷积神经网络，去除重叠候选窗口，获取包括五个面部关键点定位的面部图像。

2.根据权利要求1所述的基于级联卷积神经网络的面部识别方法，其特征在于：

所述第一卷积神经网络包括依次连接的大小为3*3的卷积层、池化层和全连接层，其中，在卷积层和全连接层后分别使用RELU函数作为非线性激励函数。

3.根据权利要求1所述的基于级联卷积神经网络的面部识别方法，其特征在于：

所述第二卷积神经网络包括依次连接的两个大小为3*3的卷积层和全连接层，其中，在每个卷积层和全连接层后分别使用RELU函数作为非线性激励函数。

4.根据权利要求1所述的基于级联卷积神经网络的面部识别方法，其特征在于：

所述第三卷积神经网络包括依次连接的三个大小为3*3的卷积层、池化层和全连接层，其中，在每个卷积层、池化层和全连接层后分别使用RELU函数作为非线性激励函数。

5.根据权利要求1所述的基于级联卷积神经网络的面部识别方法，其特征在于：

所述第一卷积神经网络的学习目标为两级分类，对于每个样本，采用交叉熵损失。

6.根据权利要求1所述的基于级联卷积神经网络的面部识别方法，其特征在于：

所述第二卷积神经网络的学习目标为边界框回归，对于每个候选面部窗口，预测其与最接近的边界框的真值之间的偏移量。

7.根据权利要求1所述的基于级联卷积神经网络的面部识别方法，其特征在于：

所述第三卷积神经网络的学习目标为面部关键点定位，将面部关键点定位公式化为回归问题，并将欧几里得损失最小化。

8.一种基于级联卷积神经网络的面部识别装置，其特征在于，包括：

面部分类模块，用于将目标图像输入第一卷积神经网络，获取候选面部窗口和边界框回归向量，并利用所述边界框回归向量校准所述候选面部窗口，去除重叠候选窗口，获取包括候选面部窗口的目标图像；

边界框回归模块，用于将包括所述候选面部窗口的目标图像输入第二卷积神经网络，利用所述边界框回归向量校准所述候选面部窗口，去除重叠候选窗口，获取进一步处理后的目标图像；

关键点定位模块，用于将进一步处理后的目标图像输入第三卷积神经网络，去除重叠候选窗口，获取包括五个面部关键点定位的面部图像。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于：

该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于级联卷积神经网络的面部识别方法。

10.一种电子设备，包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序，其特征在于：

所述处理器执行所述计算机程序时，实现如权利要求1至7中任意一项所述的基于级联卷积神经网络的面部识别方法。