[发明专利]人脸框的计算方法及计算系统

说明书

本发明提供了一种人脸框的计算方法，包括获取人脸特征图；获取所述人脸特征图内人脸的三个预定义关键点坐标，根据所述三个预定义关键点坐标得出所述人脸的中心坐标；根据所述中心坐标进行椭圆参数遍历过程、重复像素去除过程和排序过程，生成若干椭圆框以及人脸特征信息集合；对所述若干椭圆框进行筛选获得精准人脸特征框，通过获取人脸特征三个预定义关键点坐标构建的若干椭圆框并对所述若干椭圆框进行筛选获得精准人脸特征框来提升人脸框提取的精准度。本发明还提供了一种人脸框的计算系统。

技术领域

本发明涉及计算机领域，尤其涉及一种人脸框的计算方法及计算系统。

背景技术

人脸检测是人脸识别和人脸活体识别分析领域中的关键一步，它是自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口，人脸检测的精准度直接影响到后续的人脸相关操作。近几年，随着新一代人工智能的快速发展，在计算机视觉领域的深度学习技术广泛应用于物体检测、物体分类、物体跟踪、物体识别中。关于人脸的应用技术中，人脸检测、人脸识别、人脸活体识别已经应用到安防摄像头、自动驾驶、智能家居门锁、智能交通验证、智能考勤打开等领域。

新一代人工智能技术，常用的人脸检测方案中，MTCNN人脸检测技术通过图像金字塔，获取不同尺寸的人脸大小图像，采用深度多任务卷积神经网络，将人脸区域检测与人脸五个关键点检测有机结合，预检测出一定数量的人脸检测框，通NMS(非极大值抑制)算法提取最优的人脸框；68个人脸关键点人脸检测技术，通过细分人脸五官特征，用68个关键点将人脸区域检测出来；RetinaFace，它利用联合监督和自我监督的多任务深度学习技术，在各种人脸尺度上执行像素方面的人脸定位检测技术。这些技术为人脸检测、人脸识别、人脸跟踪提供了理论基础及研究方向。

然而，新一代现有的人工智能技术虽然在人脸检测方面取得了一些突破成绩，但如果需要精确的实现活体人脸检测框的提取，这就很难达到。因此，这就会导致即使检测到了人脸区域，在活体识别的过程中也会增加误识率、拒识率，使得系统的稳定性及准确率不高。当活体人脸框包含活体人脸特征信息较小的的时候会出现无法识别为真正的活体；当活体人脸框全部包含活体人脸的特征信息，同时又包含人脸区域之外的非人脸特征信息，例如，头发，脸部棱扩之外的干扰信息等，同样会导致人脸活体识别错误。因此活体人脸框的精准性将直接导致活体识别的成功与否，这就要求活体人脸识别对人脸区框的提取提出了更高的要求。此外，在人脸活体识别过程中，不仅外界环境的光照度、亮度、温差、色差、紫外线的辐射度、障碍物会影响IR Sensor Camera的人脸区域的成像，而且人脸检测的精准性直接导致活体识别的准确性。

因此，有必要提供一种人脸框的计算方法及系统以解决现有技术中存在的上述问题。

发明内容

本发明的目的在于提供一种人脸框的计算方法及计算系统，提高人脸框提取的准确性。

为实现上述目的，本发明所述人脸框的计算方法包括以下步骤：

S1：获取人脸特征图；

S2：获取所述人脸特征图内人脸的三个预定义关键点坐标，根据所述三个预定义关键点坐标得出所述人脸的中心坐标；

S3：根据所述中心坐标进行椭圆参数遍历过程、重复像素去除过程和排序过程，生成若干椭圆框以及人脸特征信息集合；

S4：对所述若干椭圆框进行筛选获得精准人脸特征框。

本发明的所述的人脸框的计算方法的有益效果在于：通过识别所述人脸特征图内人脸的三个预定义关键点坐标定位出人脸中心坐标所组成的三角形，以三角形的内心定位出椭圆的中心，以椭圆形中心构建所述若干椭圆框后根据所述人脸特征信息集合对所述若干椭圆框进行筛选获得所述精准人脸特征框，来提高人脸框提取的精准性。

进一步优选地，所述步骤S1中的人脸特征图具有人脸框，所述人脸框内限定的人脸特征图包含所述三个预定义关键点坐标。