CN108563997A - 一种建立人脸检测模型、人脸识别的方法和装置 - Google Patents

Abstract

本发明提供了一种建立人脸检测模型、人脸识别的方法和装置，所述建立模型的方法包括：采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本；将所述正样本和所述负样本转换为极坐标体系数据；从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征；采用所述极坐标特征训练分类器，得到人脸检测模型。该方案只要确定待检测图像的坐标旋转角度即可实现检测图像中发生旋转的人脸，通过简单操作即可获得丰富的人脸检测模型，不仅增添了人脸检测模型的功能多样化而且提高了检测精度，在进行人脸识别时，采用肤色阈值范围对颜色进行判别缩小了识别范围，降低了数据运算量，避免了因图像旋转带来的检测数据精度降低的问题。

Description

一种建立人脸检测模型、人脸识别的方法和装置

技术领域

本发明涉及识别技术领域，具体涉及一种建立人脸检测模型、人脸识别的方法和装置。

背景技术

人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。人脸检测是自动人脸识别系统中的一个关键环节。今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。比如，应用于人脸身份识别、人脸性别识别，以及年龄分类等信息识别。目前，国内外有很多学者和研究机构对人脸检测问题进行了深入的研究，其中国外比较著名的机构有 MIT、CMU、USC等，国内有清华大学，亚洲微软研究院、中科院计算机技术研究所等。由此可见，人脸检测技术不管在理论研究还是实际应用都具备重要研究意义。

近几年，随着深度学习的发生，人脸检测技术在检测率和检测精确度上有了迅猛的发展，但是由于人脸检测问题的复杂性，实现通用的人脸检测算法还不实际，且深度学习的应用虽然提高了人脸检测的检测率和检测精确度，但是同时也增加了算法的复杂程度，以目前的情况来看，在普通的PC平台下还很难达到实时检测的要求，更不用说是在配置相对更低的嵌入式平台上。由于大部分人脸检测器对人脸平面旋转角度都有一定的要求，例如有的算法只能检测平面旋转角度左右小于15度的人脸，就算当前最好的算法在人脸旋转角度很大时也很难准确检测到，现有的解决方案通常是将图像进行旋转，而将图像旋转就会改变图像的相关数据，进而导致检测结果精确度不高，并且在嵌入式平台上做图像的旋转是十分耗时的。

因此，如何提高人脸检测的精确度、扩大人脸检测的适用范围，成为一个亟待解决的技术问题。

发明内容

因此，本发明要解决的技术问题在于现有技术中人脸检测方法的精确度低、适用范围小。

从而提供一种建立人脸检测模型、人脸识别的方法和装置。

有鉴于此，本发明实施例的第一方面提供了一种建立人脸检测模型的方法，包括：采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本；将所述正样本和所述负样本转换为极坐标体系数据；从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征；采用所述极坐标特征训练分类器，得到人脸检测模型。

优选地，所述从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征包括：基于PICO算法从所述极坐标体系数据中提取所述极坐标特征。

优选地，所述人脸数据包括：人脸信息、光照场景信息、年龄信息和性别信息。

本发明实施例的第二方面提供了一种人脸识别方法，包括：提取目标图像的颜色信息；判断所述颜色信息是否在预设的肤色阈值范围内；在所述颜色信息在所述肤色阈值范围内时，获取所述目标图像对应的预设的坐标旋转角度；将所述目标图像和所述坐标旋转角度输入采用本发明实施例的第一方面或第一方面的任一优选方案所述的建立人脸检测模型的方法建立的人脸检测模型进行人脸识别。

优选地，所述提取目标图像的颜色信息包括：将所述目标图像转换至 YUV色彩空间，得到所述目标图像的YUV数据；从所述YUV数据中提取 U数据和V数据作为所述目标图像的颜色信息。

本发明实施例的第三方面提供了一种建立人脸检测模型的装置，包括：采集模块，用于采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本；转换模块，用于将所述正样本和所述负样本转换为极坐标体系数据；第一提取模块，用于从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征；训练模块，用于采用所述极坐标特征训练分类器，得到人脸检测模型。

优选地，所述第一提取模块包括：提取单元，用于基于PICO算法从所述极坐标体系数据中提取所述极坐标特征。

优选地，所述人脸数据包括：人脸信息、光照场景信息、年龄信息和性别信息。

本发明实施例的第四方面提供了一种人脸识别装置，包括：第二提取模块，用于提取目标图像的颜色信息；判断模块，用于判断所述颜色信息是否在预设的肤色阈值范围内；获取模块，用于在所述颜色信息在所述肤色阈值范围内时，获取所述目标图像对应的预设的坐标旋转角度；识别模块，用于将所述目标图像和所述坐标旋转角度输入采用本发明实施例的第一方面或第一方面的任一优选方案所述的建立人脸检测模型的方法建立的人脸检测模型进行人脸识别。

优选地，所述第二提取模块包括：转换单元，用于将所述目标图像转换至YUV色彩空间，得到所述目标图像的YUV数据；提取单元，用于从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。

本发明的技术方案具有以下优点：

1、本发明实施例提供的建立人脸检测模型、人脸识别的方法和装置，通过将正负样本转换为极坐标体系数据，并从该极坐标体系数据中提取正、负样本的极坐标特征多为分类器的训练样本进行训练，进而得到人脸检测模型，由于极坐标特征可以通过改变角度坐标进而使人脸检测模型发生相适应的旋转，因而只要确定待检测图像的坐标旋转角度即可实现检测图像中发生旋转的人脸，通过简单操作即可获得丰富的人脸检测模型，不仅增添了人脸检测模型的功能多样化，扩大了人脸检测的适用范围，而且提高了检测精度。

2、在进行人脸识别时，首先判别目标图像的颜色信息是否满足预设的肤色阈值范围，只有满足条件的目标图像才有可能存在人脸，然后根据该目标图像对应的坐标旋转角度通过实施例1建立的人脸检测模型对该目标图像进行人脸检测，不同的坐标旋转角度可以检测出目标图像中发生不同旋转的人脸，与现有技术相比，采用肤色阈值范围对颜色进行判别缩小了识别范围，降低了数据运算量，无需旋转目标图像即可准确地检测出发生旋转的人脸，避免了因图像旋转带来的检测数据精度降低的问题，不仅操作简单，而且提高了人脸识别的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1的建立人脸检测模型的方法的一个流程图；

图2为本发明实施例2的人脸识别方法的一个流程图；

图3为本发明实施例3的建立人脸检测模型的装置的一个框图；

图4为本发明实施例4的人脸识别装置的一个框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例提供一种建立人脸检测模型的方法，可用于人脸识别过程中的检测模型建立，如图1所示，包括如下步骤：

S11：采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本。此处，正样本所用的人脸数据可以是一些历史图像中的人脸数据，该人脸数据包含但不限于人脸信息、光照场景信息、年龄信息和性别信息。精确的人脸数据可以获取更加精确的人脸检测模型。为了与正样本有明确的区分性，负样本要挑选不包含人脸的图像数据，以达到人脸与非人脸的准确区分，在具体实施过程中，可以将正、负样本的大小进行统一转化，比如统一为大小为20*20的样本，并进行滤波，比如采用高斯滤波进行处理，以获得统一平滑的样本，有利于之后的坐标转换和数据计算。

S12：将正样本和负样本转换为极坐标体系数据。通过极坐标体系数据来表达正、负样本，使得正、负样本具有旋转角度参数，正、负样本足够丰富的情况下，其对应的极坐标体系数据就可以包含全部的旋转角度，使得正、负样本的特征有可旋转特性。

S13：从极坐标体系数据中分别提取正样本和负样本的极坐标特征。正、负样本的极坐标特征不仅可以准确表征正、负样本的特征参数，而且因角度参数的存在使其具有可旋转性，进而可以使最终训练得到的人脸检测模型具有随坐标旋转角度变化而发生相适应的旋转的特性。作为一种优选方案，步骤S13具体可以包括：基于PICO算法从极坐标体系数据中提取极坐标特征。即可以按照PICO算法的原理提取正、负样本的极坐标特征，PICO 算法是提取点对特征，对两个像素点进行对比，提取到的特征更加有效，数据运算效率更高。

S14：采用极坐标特征训练分类器，得到人脸检测模型。由正、负样本的极坐标特征作为分类器的训练样本得到的人脸检测模型，可以随输入的坐标旋转角度变化而发生相适应的旋转，即如果需要该人脸检测模型发生一定的旋转，只需要向其输入一个对应的坐标旋转角度即可，如此通过简单操作即可获得丰富的人脸检测模型，增添了人脸检测模型的功能多样化。

作为一种优选方案，本实施例中，对于数据的处理可以采用定点化的处理方式，定点化式指将浮点数据使用定点数来表示，定点数的小数位是固定的。使用数据定点化处理的目的是提高数据处理效率，以扩展本实施例技术方案的适用范围，比如对于嵌入式平台，由于其自身的硬件条件的限制，在数据处理上，浮点运算的复杂度要远远大于定点运算。所以将算法中的浮点数据全部转化成定点数之后，算法的运算速度可以有很大的提升。

本实施例提供的建立人脸检测模型的方法，通过将正负样本转换为极坐标体系数据，并从该极坐标体系数据中提取正、负样本的极坐标特征多为分类器的训练样本进行训练，进而得到人脸检测模型，由于极坐标特征可以通过改变角度坐标进而使人脸检测模型发生相适应的旋转，因而只要确定待检测图像的坐标旋转角度即可实现检测图像中发生旋转的人脸，通过简单操作即可获得丰富的人脸检测模型，不仅增添了人脸检测模型的功能多样化，扩大了人脸检测的适用范围，而且提高了检测精度。

实施例2

本实施例提供一种人脸识别方法，可用于各种场景中的人脸识别，如图2所示，包括如下步骤：

S21：提取目标图像的颜色信息。此处目标图像可以是一副完整的待检测图像，也可以是一副图像中划分出的多个滑动窗口内的图像，将目标图像的颜色信息作为人脸识别的一个参考依据，进而缩小人脸检测的范围。作为一种优选方案，步骤S21可以包括：将目标图像转换至YUV色彩空间，得到目标图像的YUV数据；从YUV数据中提取U数据和V数据作为目标图像的颜色信息。即采用粉色检测原理进行肤色判别，肤色检测是指在目标图像中选取对应于人体皮肤像素的过程，具体地，将目标图像转换到YUV 色彩空间下，对每个像素的U，V值作为目标图像的颜色信息进行提取，得到颜色信息。

S22：判断颜色信息是否在预设的肤色阈值范围内。有学者研究发现，将图像转换到YUV色彩空间后，人的皮肤的色彩值U和V的分布在某一个特定的区间(即肤色阈值范围)内，与Y(亮度)值无关，因此利用这个特性，可以将步骤S21中每个像素的U，V值作为目标图像的颜色信息进行肤色判定，具体地，可以对满足条件的目标图像进行标记，比如若判别颜色信息在肤色阈值范围内的目标图像标记为1，否则标记为0。如此，可以准确地确定目标图像中是否有肤色区域，只有存在肤色区域的目标图像才可能存在人脸，进而可以进入人脸检测过程，即进入步骤S23，而不存在肤色区域的目标图像也不可能存在人脸，因此无需进入人脸检测即可判定该目标图像中无人脸，不仅缩小了人脸检测范围，降低了数据量，而且提高了人脸识别的精确度。

S23：在颜色信息在肤色阈值范围内时，获取目标图像对应的预设的坐标旋转角度。在确定颜色信息在预设的肤色阈值范围内时，说明该目标图像中可能存在人脸，则可以根据目标图像中的对象信息确定该目标对象对应的坐标旋转角度，比如，目标图像中的人脸向左旋转了15°，则此时坐标旋转角度即为15°。作为一种优选方案，为了更进一步的降低数据量，对于判定存在肤色区域的目标图像，还可以通过肤色区域在目标图像中所占比例进一步筛选，比如，可以为肤色区域在目标图像中所占比例设置一个比例阈值，只有肤色区域所占比例达到该比例阈值时，才会将该目标图像进入人脸检测步骤(步骤S24)，否则丢弃该目标图像，当然该方案虽然可以降低人脸检测的数据量，检测精度也会受到影响，因此在具体使用场景中可以根据实际需要进行取舍。

S24：将目标图像和坐标旋转角度输入采用实施例1的建立人脸检测模型的方法建立的人脸检测模型进行人脸识别。即对步骤S23确定的满足条件的目标图像进行人脸检测，坐标旋转角度是目标图像的一个参数，对于存在人脸旋转的目标图像可以通过该坐标旋转角度使人脸检测模型发生相适应的旋转，进而无需旋转目标图像即可准确地进行人脸检测，避免了旋转目标图像对检测结果的不良影响。

作为一种优选方案，为了得到待识别图像中的完整的人脸信息，还可以包括如下步骤：

步骤一：将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像。通过步骤S21-S24的筛选和识别，会得到多个存在人脸的目标滑动窗口，每个目标滑动窗口内的人脸图像一般只是局部的，不一定完整，因此通过将这些目标滑动窗口内目标图像进行合并，可以到合并后的比较完整的合并图像。

步骤二：判断合并图像中是否存在人脸图像。由于各种因素，合并图像中的人脸并不一定完整，有可能只是人脸的很小的一部分，比如待识别图像中原本的人脸区域不完整，就会导致合并图像中的人脸也只有很小一部分，通过再一次的判断合并图像中是否存在人脸图像可以降低识别结果误判率，如果判断结果为是，进入步骤三，否则，说明步骤S21-S24的识别结果可能存在误判。

步骤三：在合并图像中存在人脸图像时，输出人脸图像的位置信息。如果合并图像中存在人脸图像，可以通过获取合并图像中的人脸信息来得到人脸图像的位置信息，当然也可以得到与该人脸图像相关的其他人脸信息，将这些信息输出，可以为与人脸识别相关的领域提供丰富的参考材料。

本实施例提供的人脸识别方法，在进行人脸识别时，首先判别目标图像的颜色信息是否满足预设的肤色阈值范围，只有满足条件的目标图像才有可能存在人脸，然后根据该目标图像对应的坐标旋转角度通过实施例1 建立的人脸检测模型对该目标图像进行人脸检测，不同的坐标旋转角度可以检测出目标图像中发生不同旋转的人脸，与现有技术相比，采用肤色阈值范围对颜色进行判别缩小了识别范围，降低了数据运算量，无需旋转目标图像即可准确地检测出发生旋转的人脸，避免了因图像旋转带来的检测数据精度降低的问题，不仅操作简单，而且提高了人脸识别的准确性。

实施例3

本实施例供了一种建立人脸检测模型的装置，可用于人脸识别过程中的检测模型建立，如图3所示，包括：采集模块31、转换模块32、第一提取模块33和训练模块34，各模块功能如下：

采集模块31，用于采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本，具体参见实施例1中对步骤S11的详细描述。

转换模块32，用于将正样本和负样本转换为极坐标体系数据，具体参见实施例1中对步骤S12的详细描述。

第一提取模块33，用于从极坐标体系数据中分别提取正样本和负样本的极坐标特征，具体参见实施例1中对步骤S13的详细描述。

训练模块34，用于采用极坐标特征训练分类器，得到人脸检测模型。具体参见实施例1中对步骤S14的详细描述。

作为一种优选方案，第一提取模块33包括：提取单元，用于基于PICO 算法从极坐标体系数据中提取极坐标特征。具体参见实施例1中的相关详细描述。

作为一种优选方案，人脸数据包括：人脸信息、光照场景信息、年龄信息和性别信息。具体参见实施例1中的相关详细描述。

本实施例提供的建立人脸检测模型的装置，通过将正负样本转换为极坐标体系数据，并从该极坐标体系数据中提取正、负样本的极坐标特征多为分类器的训练样本进行训练，进而得到人脸检测模型，由于极坐标特征可以通过改变角度坐标进而使人脸检测模型发生相适应的旋转，因而只要确定待检测图像的坐标旋转角度即可实现检测图像中发生旋转的人脸，通过简单操作即可获得丰富的人脸检测模型，不仅增添了人脸检测模型的功能多样化而且提高了检测精度。

实施例4

本实施例供了一种人脸识别装置，可用于各种场景中的人脸识别，如图4所示，包括：第二提取模块41、判断模块42、获取模块43和识别模块44，各模块功能如下：

第二提取模块41，用于提取目标图像的颜色信息，具体参见实施例2 中对步骤S21的详细描述。

判断模块42，用于判断颜色信息是否在预设的肤色阈值范围内，具体参见实施例2中对步骤S22的详细描述。

获取模块43，用于在颜色信息在肤色阈值范围内时，获取目标图像对应的预设的坐标旋转角度，具体参见实施例2中对步骤S23的详细描述。

识别模块44，用于将目标图像和坐标旋转角度输入采用实施例1的建立人脸检测模型的方法建立的人脸检测模型进行人脸识别。具体参见实施例2中对步骤S24的详细描述。

作为一种优选方案，第二提取模块41包括：转换单元，用于将目标图像转换至YUV色彩空间，得到目标图像的YUV数据；提取单元，用于从 YUV数据中提取U数据和V数据作为目标图像的颜色信息。具体参见实施例2中对步骤S21的优选方案的详细描述。

本实施例提供的人脸识别装置，在进行人脸识别时，首先判别目标图像的颜色信息是否满足预设的肤色阈值范围，只有满足条件的目标图像才有可能存在人脸，然后根据该目标图像对应的坐标旋转角度通过实施例1 建立的人脸检测模型对该目标图像进行人脸检测，不同的坐标旋转角度可以检测出目标图像中发生不同旋转的人脸，与现有技术相比，采用肤色阈值范围对颜色进行判别缩小了识别范围，降低了数据运算量，无需旋转目标图像即可准确地检测出发生旋转的人脸，避免了因图像旋转带来的检测数据精度降低的问题，不仅操作简单，而且提高了人脸识别的准确性。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种建立人脸检测模型的方法，其特征在于，包括：

采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本；

将所述正样本和所述负样本转换为极坐标体系数据；

从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征；

采用所述极坐标特征训练分类器，得到人脸检测模型。

2.根据权利要求1所述的建立人脸检测模型的方法，其特征在于，所述从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征包括：

基于PICO算法从所述极坐标体系数据中提取所述极坐标特征。

3.根据权利要求1所述的建立人脸检测模型的方法，其特征在于，所述人脸数据包括：人脸信息、光照场景信息、年龄信息和性别信息。

4.一种人脸识别方法，其特征在于，包括：

提取目标图像的颜色信息；

判断所述颜色信息是否在预设的肤色阈值范围内；

在所述颜色信息在所述肤色阈值范围内时，获取所述目标图像对应的预设的坐标旋转角度；

将所述目标图像和所述坐标旋转角度输入采用如权利要求1-4中任一项所述的建立人脸检测模型的方法建立的人脸检测模型进行人脸识别。

5.根据权利要求5所述的人脸识别方法，其特征在于，所述提取目标图像的颜色信息包括：

将所述目标图像转换至YUV色彩空间，得到所述目标图像的YUV数据；

从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。

6.一种建立人脸检测模型的装置，其特征在于，包括：

采集模块，用于采集人脸数据作为正样本，采集不包含人脸的图像数据作为负样本；

转换模块，用于将所述正样本和所述负样本转换为极坐标体系数据；

第一提取模块，用于从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征；

训练模块，用于采用所述极坐标特征训练分类器，得到人脸检测模型。

7.根据权利要求6所述的建立人脸检测模型的装置，其特征在于，所述第一提取模块包括：

提取单元，用于基于PICO算法从所述极坐标体系数据中提取所述极坐标特征。

8.根据权利要求6所述的建立人脸检测模型的装置，其特征在于，所述人脸数据包括：人脸信息、光照场景信息、年龄信息和性别信息。

9.一种人脸识别装置，其特征在于，包括：

第二提取模块，用于提取目标图像的颜色信息；

判断模块，用于判断所述颜色信息是否在预设的肤色阈值范围内；

获取模块，用于在所述颜色信息在所述肤色阈值范围内时，获取所述目标图像对应的预设的坐标旋转角度；

识别模块，用于将所述目标图像和所述坐标旋转角度输入采用如权利要求1-4中任一项所述的建立人脸检测模型的方法建立的人脸检测模型进行人脸识别。

10.根据权利要求5所述的人脸识别装置，其特征在于，所述第二提取模块包括：

转换单元，用于将所述目标图像转换至YUV色彩空间，得到所述目标图像的YUV数据；

提取单元，用于从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。