[发明专利]基于人脸感兴趣区域分割的人脸识别方法

说明书

本发明提供一种基于人脸感兴趣区域分割的人脸识别方法，包括以下步骤：步骤S1，通过人脸数据库训练基于Centernet算法的人脸检测器和人脸关键点检测器；步骤S2，利用训练好的人脸检测器和人脸关键点检测器获取待处理图像的人脸边界框和人脸关键点；步骤S3，根据人脸关键点的外部轮廓坐标利用B样条曲线拟合得到人脸的感兴趣区域；步骤S5，以标准平均正脸的人脸关键点为基点，将预测出的所有人脸关键点与基点做仿射变换，得到对齐后的人脸，然后将人脸感兴趣区域尺度归一化，并居中裁剪；步骤S6，对于训练集按照上述步骤S2～S5批处理人脸图像数据，得到人脸识别训练集；步骤S7，通过批处理后的人脸识别训练集，构建并训练人脸识别网络。

技术领域

本发明涉及一种人脸识别方法，尤其是一种基于人脸感兴趣区域分割的人脸识别方法。

背景技术

人脸作为一个人的外在属性，具有极强的个体差异。人脸识别技术是一种是基于人的脸部视觉特征信息进行身份识别的生物识别技术。目前市场上人脸识别技术已经十分成熟，已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。

在人脸识别的过程，主要包括人脸图像的匹配和识别过程，就是将提取到的待识别的人脸特征与已得到的存储在数据库中的人脸特征模板进行匹配，根据相似程度对人脸图像的身份信息进行判断。一方面，能够提取到准确而丰富的人脸特征对于人脸识别的结果具有重要影响。另一方面，消除在人脸识别过程中的噪声信息对于人脸识别的结果同样具有重要的意义。在目前的研究中，主要的方向基本围绕在训练数据的清洗或是减少噪声图像(如模糊、遮挡、大角度等)在训练过程中的权重占比来提高模型的鲁棒性。然而，在实际应用场景下，人脸识别任务需要判断不在训练数据集内的人脸数据，这也就要求人脸识别的训练数据集包含百万级甚至更多的人脸数据才能保证模型的稳定性，这无疑在清洗上造成巨大的工作量。另外，通过以往的研究证明减少噪声图像在训练过程中的权重占比来提高模型的鲁棒性显然是有效的，但是这些方法并没有考虑因背景噪声对于人脸识别的影响。在人脸识别任务中，对于模型有效的信息是人脸感兴趣区域的特征信息(如五官、肤色、脸颊等)，而背景信息对于识别任务是无效的，甚至因为部分噪声信息的引入会显著的影响到人脸识别的效果。

目前的研究中都是包含背景信息的对齐后的人脸作为输入来完成人脸识别的训练和预测，并没有有效的去除感兴趣区域以外的噪声信息的方法。

发明内容

本发明为了克服人脸识别任务中对人脸感兴趣区域以外的背景噪声信息考虑不足的问题，提供一种基于人脸感兴趣区域分割的人脸识别方法，实现对于人脸感兴趣区域以外背景噪声的过滤，能够有效的减少因背景原因对于人脸识别任务的影响，实现简单有效，并具有较高的鲁棒性等优点。

本发明实施例采用的技术方案是：

一种基于人脸感兴趣区域分割的人脸识别方法，包括以下步骤：

步骤S1，通过作为人脸检测和人脸关键点检测的人脸数据库训练基于Centernet算法的人脸检测器和人脸关键点检测器；

步骤S2，利用训练好的人脸检测器和人脸关键点检测器获取待处理图像的人脸边界框和人脸关键点；

步骤S3，根据人脸关键点的外部轮廓坐标利用B样条曲线拟合得到人脸的感兴趣区域；

步骤S5，以标准平均正脸的人脸关键点为基点，将预测出的所有人脸关键点与基点做做仿射变换，得到对齐后的人脸，然后将人脸感兴趣区域尺度归一化，并居中裁剪；

步骤S6，对于训练集按照上述步骤S2～S5批处理人脸图像数据，得到人脸识别训练集；

步骤S7，通过批处理后的人脸识别训练集，构建并训练人脸识别网络，训练得到人脸识别模型。

进一步地，在步骤S3与S5之间，还包括：