[发明专利]一种人脸采集特征提取方法、系统及存储介质

说明书

本发明公开了一种人脸采集特征提取方法、系统及存储介质，所述方法包括：基于卷积神经网络建立人脸特征位置点形状驱动深度模型；通过RetinaFace人脸检测模型检测人脸，生成不同尺寸的多层检测框；所述检测框包含不同尺寸的目标框；在每层检测框对人脸特征位置点形状驱动深度模型进行训练；利用训练后人脸特征位置点形状驱动深度模型进行人脸特征提取和融合，所述融合包括融合人脸特征位置点和人脸姿态。本发明能实现准确、完整检测到所有不同大小的人脸，并有利于提升人脸识别在各种姿态变化条件下的识别效果。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸采集特征提取 方法、系统及存储介质。

背景技术

人脸识别是一种基于人的脸部特征信息进行身份识别的一种生物 识别技术。随着其技术的发展和社会认同度的提高，人脸识别如今应 用于很多领域。目前，通常需要采集待识别用户的人脸图像，以便于 服务端设备从待识别用户的人脸图像中提取出人脸特征向量，从而可 以基于该人脸特征向量去生成识别结果。如何提取人脸特征，使人脸 识别结果更准确，成为本领域人员亟待解决的问题。

发明内容

鉴于以上技术问题，本发明的目的在于提供一种人脸采集特征提 取方法、系统及存储介质，实现从待识别用户的人脸图像中提取出人 脸特征向量，有助于提高人脸识别结果。

本发明采用以下技术方案：

本发明的一种人脸采集特征提取方法，包括:

基于卷积神经网络建立人脸特征位置点形状驱动深度模型；

通过RetinaFace人脸检测模型检测人脸，生成不同尺寸的多层 检测框；所述检测框包含不同尺寸的目标框；在每层检测框对人脸特 征位置点形状驱动深度模型进行训练；

利用训练后人脸特征位置点形状驱动深度模型进行人脸特征提 取和融合，所述融合包括融合人脸特征位置点和人脸姿态。

进一步的，所述人脸特征位置点形状驱动深度模型包括主网络和 辅助子网络，所述主网络采用区域卷积网络。

进一步的，所述区域卷积网络为N个，区域卷积网络由DCNN中 卷积层和池化层所构成，用于对人脸的N个区域进行人脸特征位置点 提取；其中，N为根据人脸特征位置点的位置信息，将人脸图像划分 的N个区域。

进一步的，将人脸图像划分的N个区域的划分方法包括：将人脸 划分为整张人脸、毛区域、右眉毛区域、左眼睛区域、右眼睛区域、 鼻部区域和嘴部区域。

进一步的，所述人脸特征位置点包括每个眉毛的两个角点及其中 心点、每个眼睛的两个角点、上下眼皮中心点以及眼睛中心点、鼻尖 点、鼻顶点、两个鼻翼点、鼻中隔点、嘴巴的两个角点、嘴巴中心点、 上嘴唇的最上点及下嘴唇的最下点中的至少一个。

进一步的，所述人脸姿态包括但不限于：侧脸、正脸、抬头、低 头、表情、遮挡中的一种或多种。

进一步的，所述融合包括：将人脸特征位置点进行人脸对齐，将 对齐后的融合人脸特征位置点和人脸姿态。

一种人脸采集特征提取系统，包括：

构建模块，用于基于卷积神经网络建立人脸特征位置点形状驱动 深度模型；

人脸检测模块，用于通过RetinaFace人脸检测模型检测人脸， 生成不同尺寸的多层检测框；所述检测框包含不同尺寸的目标框；在 每层检测框对人脸特征位置点形状驱动深度模型进行训练；

提取融合模块，用于利用训练后人脸特征位置点形状驱动深度模 型进行人脸特征提取和融合，所述融合包括融合人脸特征位置点和人 脸姿态。

进一步的，所述人脸特征位置点形状驱动深度模型包括主网络和 辅助子网络，所述主网络采用区域卷积网络。