[发明专利]一种基于人脸关键点的多神经网络级联识别人脸方法

摘要

本发明公开了一种基于人脸关键点的多神经网络级联识别人脸方法，先通过MTCNN算法检测出人脸图像，然后利用仿射变换对人脸进行旋转、平移、缩放，以便后续处理。接下来利用卷积神经网络分别对人脸轮廓关键点和人脸内部关键点进行检测，然后用PCA算法进行特征降维。在进行降维的时候，可以根据不同的类别，采用基于类别模式的方法，可以克服传统PCA算法不能有效利用类别间类别信息，在有光照和表情变化的情况下鲁棒性差的问题。最后通过BP神经网络进行识别。因为在很多环节使用了较先进或改进后的方法，因此，在进行人脸识别时能够得到很好的效果。

主权项

一种基于人脸关键点的多神经网络级联识别人脸方法，其特征在于，包括以下步骤：(1)、通过MTCNN算法进行人脸检测(1.1)、先利用MTCNN算法中的建议网络P‑Net筛选出候选人脸区域及对应的候选人脸区域边框，再利用极大值抑制算法对高度重叠的候选人脸区域边框进行合并；(1.2)、利用MTCNN算法中的完善网络R‑Net对候选人脸区域进行细化，得到候选人脸图像，同时利用边界框回归算法和和非极大值抑制算法删除错误的候选人脸区域边框；(1.3)、利用MTCNN算法中的输出网络O‑Net过滤余下的候选人脸区域边框，将人脸从候选人脸图像中裁剪出来；(2)、通过仿射变换对人脸图像进行线性变换和平移，再对人脸图像中的人脸部分进行旋转、缩放、平移，使人脸位于人脸图像的中央；(3)、对人脸图像中的人脸关键点进行检测和定位(3.1)、利用第一级CNN网络检测出一个精确包含脸部轮廓点的矩形框CR，以及检测出一个精确包含人脸内部关键点的矩形框IR，再将框CR中的图像传入到第二级CNN网络中；(3.2)、第一级CNN网络根据矩形框CR检测出脸部轮廓点，同时根据矩形框IR检测出脸部内部特征点，再将检测出的脸部轮廓点和脸部内部特征点进行合并输出，得到训练样本集；(4)、采用基于类别模式的PCA算法将训练样本集中的训练样本从高维空间中投影到低维空间；(5)、基于弹性动量的BP神经网络实现人脸识别(5.1)、将步骤(4)处理后的训练样本输入到基于弹性动量的BP神经网络中；(5.2)、调整BP神经网络的网络权值调整t+1时刻的网络权值w(t+1)：w(t+1)=w(t)-sign(∂E(t)∂w)Δt,∂E(t)∂w≠00,∂E(t)∂w=0]]>其中，E(t)表示训练样本的误差，表示误差对权值的偏导数，Δt表示权值的改变量；(5.3)、利用训练样本训练BP神经网络，通过调整BP神经网络的网络权值，使BP神经网络输出人脸识别结果，最终得到训练完成的BP神经网络；(6)、将待检测的人脸图像按照步骤(1)‑(4)所述方法处理后，输入至训练完成的BP神经网络，从而输出人脸识别结果。