[发明专利]人脸特征提取方法、装置及计算机可读存储介质

权利要求书

1.一种人脸特征提取方法，其特征在于，包括：

获取用户输入的人脸特征识别指令；

根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

根据所述视频图像，对所述人脸目标进行特征识别和提取；

根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板。

2.如权利要求1所述的人脸特征提取方法，其特征在于，所述根据预设规则对提取的多个人脸特征分别进行评分的方法包括：

根据要素赋予人脸图像分类标签，其中，所述要素包括：正侧脸、人脸图像是否被遮挡、光线明暗、清晰程度；

根据人脸图像的正侧脸分类对人脸图像进行评分；

根据人脸图像是否被遮挡分类对人脸图像进行评分；

根据人脸图像的光线明暗分类对人脸图像进行评分；

根据人脸图像的清晰程度分类对人脸图像进行评分；

获取该张人脸图像的各项要素评分。

3.如权利要求1或2所述的人脸特征提取方法，其特征在于，所述根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像具体包括：

根据所述识别指令，对人脸目标拍摄预设时间，以获取基于可见光的一段视频图像。

4.如权利要求1或2所述的人脸特征提取方法，其特征在于，所述人脸特征提取方法还包括：

通过第一卷积神经网络对所述视频图像处理快速产生候选窗体；

通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体，其中，所述第二卷积神经网络的卷积层数大于所述第一卷积神经网络的卷积层数；

通过第三卷积神经网络精炼所述候选窗体，同时显示预设数量的面部特征点位置，其中，所述第三卷积神经网络的卷积层数大于所述第二卷积神经网络的卷积层数。

5.如权利要求4所述的人脸特征提取方法，其特征在于，所述通过第一卷积神经网络快速产生候选窗体包括：采用全卷积神经网络对所述视频图像处理，以获得候选窗体和边界回归向量，同时，候选窗体根据边界框进行校准，然后利用非极大值抑制法去除重叠窗体。

6.如权利要求5所述的人脸特征提取方法，其特征在于，所述通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体包括：将包含所述候选窗体的图片在第三卷积神经网络精炼，该网络选用全连接的方式进行训练，利用边界框向量微调候选窗体，再利用非极大值抑制法去除重叠窗体。

7.如权利要求1或2所述的人脸特征提取方法，其特征在于，在所述获取用户输入的人脸特征识别指令之前还包括如下训练步骤：

读入人脸图像；

求人脸样本平均脸；

获取非人脸特征；

通过线性分类器进行人脸和非人脸判别，并输出判别结果。

8.如权利要求1或2所述的人脸特征提取方法，其特征在于，所述人脸特征提取方法还包括：

基于人脸先验知识构建三维人脸的特征点模型；

提取人脸特征点的局部特征并计算特征点间的测地线距离，以获取人脸表述；

将所述人脸表述输入LeNet-5卷积神经网络进行分类，以获取识别结果。

9.一种人脸特征提取装置，其特征在于，所述装置包括：

指令输入模块，用于获取用户输入的人脸特征识别指令；

图像采集模块，用于根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

特征提取模块，用于根据所述视频图像，对所述人脸目标进行特征识别和提取；

评分模块，用于根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

筛选模块，用于当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任一所述的人脸特征提取方法的各个步骤。