[发明专利]基于广义交并比的多尺度特征融合人脸检测与分割方法

说明书

本发明公开了一种基于广义交并比的多尺度特征融合人脸检测与分割方法，包括如下步骤：S1：将待检测的人脸图像进行预处理并将其输入Mask R‑CNN模型中，通过预训练好的深度神经网络模型提取相应的特征图；S2：通过预设好尺寸的区域建议网络在特征图上生成候选区域；S3：然后利用候选区域匹配，将输入图像与特征图的像素匹配对应并获取相对应的固定尺寸特征图；S4：最后利用全连接层对候选区域进行分类和边界框的定位，利用全卷积网络进行逐像素点的预测，生成相应的二值掩码将人脸目标与背景图像分割开来。本发明提高了识别精度，并使多目标人脸检测后图像像素点定位精准度达到像素级，能够在复杂的监控画面上获取精确的人脸信息。

技术领域

本发明属于机器视觉技术领域，具体涉及一种基于广义交并比的多尺度特征融合人脸检测与分割方法。

背景技术

近年来，随着智能手机、高性能计算机、智能机器人等智能硬件设备的飞速发展与普及，人工智能技术已经应用到日常生活的各个方面，如自动驾驶、电子商务、智能机器人、网络安全、智能家居等，为人们的工作与生活带来了极大的便利。人类是人工智能技术的主要服务对象，因此人脸信息的获取尤为重要，而人脸检测作为人脸信息获取的关键环节，其重要性不言而喻。

人脸检测一般包括人脸的识别和定位两个过程，通过图像处理技术以及机器学习等相关技术从图像或视频中检测定位出人脸，从而获取人脸信息。人脸检测是人脸相关应用的首要一步，同时也是最关键环节，其效果直接影响后续应用的性能。因此，人脸检测已成为人工智能领域的研究热点，其应用前景十分广泛。由人脸检测研究的发展进程，可以将现有的工作分为基于传统手工特征的方法和基于卷积神经网络的方法。基于传统手工特征的人脸检测算法多是基于滑动窗口的框架或是根据特征点进行匹配，具有明显的速度优势；而基于深度学习的人脸检测方法主要是利用卷积神经网络进行特征提取，在准确率及多目标检测方面具有很好的实现效果，并且相对于传统的机器学习算法能够以较少的时间花费换取大幅度的准确率提升，因此基于深度学习的人脸检测算法已成为多目标人脸检测的主流研究方向。

现有技术：在传统手工特征方面，随着首个实时有效的人脸检测方法 Viola-Jones的提出，人脸检测开始进入实用阶段。Viola-Jones算法利用 Haar特征进行特征表达，再通过Adaboost与级联结构进行人脸检测，可以实现在普通场景下的实时人脸检测效果。然而，该算法存在诸如特征尺寸大、复杂场景下识别率低等缺点。针对以上缺点，研究人员设计出了更为精细的手工特征，如方向梯度直方图(Histogram of Oriented Gradient,HOG) 特征、尺度不变特征变换(Scale-invariant feature transform，SIFT)、加速稳健特征特征(Speeded Up Robust Features,SURF)、局部二值模式特征(Local BinaryPattern,LBP)等，并结合支持向量机(Support Vector Machine,SVM)等分类器实现人脸检测。除此之外，2010年Felzenszwalb 等人提出的可变形部件模型(Deformable PartModel,DPM)是传统手工特征方法的重要进展之一，该方法采用了多组件策略，并通过改进的HOG特征与 SVM结合，改善了不同角度及形变情况下的目标检测效果，因此在人脸识别、行人检测等任务上取得重要突破。基于传统手工特征的方法较好地实现了人脸的实时检测，然而其仍存在一定的不足，如手工特征设计较为复杂、检测稳定性较差、滑窗策略不具针对性等，因此人脸检测方法还有较大的改进空间。