CN109145765B - 人脸检测方法、装置、计算机设备和存储介质 - Google Patents
人脸检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109145765B CN109145765B CN201810848147.4A CN201810848147A CN109145765B CN 109145765 B CN109145765 B CN 109145765B CN 201810848147 A CN201810848147 A CN 201810848147A CN 109145765 B CN109145765 B CN 109145765B
- Authority
- CN
- China
- Prior art keywords
- face
- classifier
- target
- angle
- angle range
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Abstract
本发明涉及一种人脸检测方法、系统、计算机设备和存储介质。所述方法包括:将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。采用本方法能够针对不同角度的人脸类型进行检测且能够提高检测结果的准确率。
Description
技术领域
本发明涉及图像分析技术领域,特别是涉及一种人脸检测方法、装置、计算机设备和存储介质。
背景技术
人脸特征分析是人脸识别最为关键的过程之一,要完成人脸特征分析,首先需要在图像上进行人脸检测。
传统的人脸检测算法的适用范围均比较单一,比如有的仅适用于正脸检测、有的则仅适用于纯侧脸检测,不同角度人脸的分类器相互孤立,分类器的检测结果的准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够针对不同角度的人脸类型进行检测且能够提高检测结果的准确率的人脸检测方法、装置、计算机设备和存储介质。
一种人脸检测方法,所述方法包括:
将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
一种人脸检测装置,所述装置包括:
检测模块,用于将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
获取模块,用于在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
计算模块,用于根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
选取模块,用于从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
处理模块,用于根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,并返回人脸在图像中的位置。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
上述人脸检测方法、装置、计算机设备和存储介质,是将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同,在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分,根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分,从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器,根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,采用该方案,可以针对不同角度的人脸类型进行检测,还可以提高检测结果的准确率。
附图说明
图1为一个实施例中终端的内部结构示意图;
图2为一个实施例中人脸检测方法的流程示意图;
图3为另一个实施例中人脸检测方法的流程示意图;
图4为一个实施例中的确定平躺侧脸角度范围步骤的流程示意图;
图5为一个实施例中的多角度人脸检测器组的检测原理图;
图6为一个实施例中的多角度人脸检测器组的组成结构与原理示意图;
图7为一个实施例中的目标人脸对象角度范围的确认流程图;
图8为一个实施例中的二级平躺侧脸角度范围分类器结构;
图9为一个实施例中人脸检测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供的人脸检测方法,可以应用于如图1所示的终端中。该终端包括通过系统总线连接的处理器、非易失性存储介质、网络接口、内存储器、输入装置。其中该终端的非易失性存储介质存储有操作系统,还包括一种人脸检测装置,该终端的人脸检测装置用于实现一种人脸检测方法。该处理器用于提供计算和控制能力,支撑整个终端的运行。终端中的内存储器为非易失性存储介质中的触摸操作控制装置的运行提供环境,网络接口用于与服务器或者其他终端进行通信,如当终端响应点击操作可以产生控制命令发送到服务器或者其他终端等。具体的,终端的人脸检测装置可将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同,在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分权值,从所述至少两个人脸分类器中选取分类置信分权值最大的目标人脸分类器,根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。其中,终端可以不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。需要说明的是,图1仅是给出的本发明的人脸特征分析方法的一种应用示例。本发明的人脸特征分析方法也可以应用于服务器。该服务器可以用独立的服务器或者是多个服务器组成的服务器集合群来实现。
在一个实施例中,如图2所示,提供了一种人脸检测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤201:将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
具体地,将目标图像分别输入到多个人脸分类器,各人脸分类器分别对目标图像进行人脸特征检测,获得各人脸分类器的检测结果;其中,所述多个人脸分类器中的各个人脸分类器所检测的人脸类型不同,所述检测结果至少包括所述目标图像中是否存在人脸的信息以及分类置信分。其中,人脸类型可以包括左纯侧脸、大角度左侧脸、小角度左侧脸、正脸、小角度右侧脸、大角度右侧脸、右纯侧脸和平躺侧脸。
步骤202:在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
其中,分类置信分指对应的人脸分类器的分类置信度的值,可以从对应的人脸分类器的检测结果中获取。
具体地,在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,分别从所述至少两个人脸分类器的中的每个人脸分类器的检测结果中获取分类置信分。
步骤203:根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
其中,所述分类置信分权值可以是预先设置的,各个人脸分类器的分类置信分权值可以是基于各个人脸分类器在校验集上的误识别率进行计算。分类置信分权值的计算也可以其他方式实现。
具体地,可以用于所述至少两个人脸分类器的中的每个人脸分类器的分类置信分分别乘以对应的分类置信分权值,得到所述至少两个人脸分类器的中的每个人脸分类器的加权分类置信分,例如,第i个人脸分类器的加权分类置信分为第i个人脸分类器的分类置信分和第i个人脸分类器的分类置信分权值的乘积,其中,i为正整数。
步骤204:从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
步骤205:根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
上述人脸检测方法中,是将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同,在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分权值,从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器,根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,采用该方案,可以针对不同角度的人脸类型进行检测,还可以提高检测结果的准确率。
在其中一个实施例中,如图3所示,本发明实施例中的人脸检测方法还可以包括:
步骤S301:在仅存在一个人脸分类器的检测结果为对应角度的人脸时,根据该仅存在的一个人脸分类器所检测的人脸类型确定所述目标图像的角度范围。
在其中一个实施例中,如图3所示,本发明实施例中的人脸检测方法还可以包括:
步骤S302:在全部人脸分类器的检测结果均为所述目标图像中不存在人脸时,将所述目标图像确定为非人脸图像。
在其中一个实施例中,上述的根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,可以包括:在所述目标人脸分类器为多个时,则随机选取一个目标人脸分类器,根据所选取出的目标人脸分类器的所检测人脸类型确定所述目标图像的角度范围。
此外,为了在进行人脸分类的同时确定人脸在图像中的具体位置,在其中一个实施例中,本发明实施例中的人脸检测方法还可以包括:通过在滑动窗口中的采样像素使用各人脸类型的人脸检测器分别进行人脸特征匹配的方式,确定人脸在所述目标图像的位置区域。
这里,位置区域是人脸的大致区域。采用本实施例的方案,可以去除目标图像中的多余背景,有利于提高后续的人脸特征分析结果的准确性。
在其中一个实施例中,上述的多个人脸分类器包括左纯侧脸分类器、大角度左侧脸分类器、小角度左侧脸分类器、正脸分类器、小角度右侧脸分类器、大角度右侧脸分类器、右纯侧脸分类器和平躺侧脸综合检测器;
上述的根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,可以包括:在所述目标人脸分类器所检测的人脸类型为正脸、或者所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值时,将所述目标图像中的人脸角度范围归为第一人脸集合;在所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值时,将所述目标图像中的人脸角度范围归为第二人脸集合;在所述目标人脸分类器所检测的人脸类型为左纯侧脸、右纯侧脸、大角度右侧脸或者大角度右侧脸时,将所述目标图像中的人脸角度范围归为第三人脸集合。
其中,第一人脸集合、第二人脸集合和第三人脸集合所对应的人脸角度范围可以根据实际需要确定,较佳地,第一人脸集合对应(-15°,15°),第二人脸集合对应[-60°,-15°]和[15°,60°],第三人脸集合对应(60°,90°]和[-90°,-60°),这里,(·)表示开区间,[·]表示闭区间,(·]和[·)表示半开半闭区间。但人脸角度范围的划分方式不限于此。
需要说明的是,本发明实施例中的大角度、小角度可以不用于限定具体度数,可以仅用于限定相对大小,例如,大角度右侧脸的角度值大于小角度右侧脸的角度值,大角度左侧脸的角度值大于小角度左侧脸的角度值。本发明实施例中的角度值指相对于正脸的偏离角度。
在其中一个实施例中,在进行平躺侧脸角度范围分类之前,使用预先训练好的平躺侧脸综合检测器对应的残差神经网络结构来进行卷积神经网络特征提取,通过预设的二级平躺侧脸角度范围分类器针对平躺侧脸的卷积神经网络特征进行平躺侧脸角度范围的判别。
其中,平躺侧脸综合检测器用于检测目标图像中是否包含平躺侧脸,在平躺侧脸综合检测器判定目标图像中包含平躺侧脸时,通过预设的二级平躺侧脸角度范围分类器针对平躺侧脸的卷积神经网络特征进行平躺侧脸角度范围的判别。
在其中一个实施例中,所述二级平躺侧脸角度范围分类器包括三个相互独立的角度范围二分类器;
具体地,所述二级平躺侧脸角度范围分类器包括三个相互独立的角度范围二分类器,并采用Bagging的集成方式将每个二分类器输出的分类结果归总结合,用以实现平躺侧脸角度范围的三分类。三个角度范围二分类器基于“一对一”的原则进行设计,即为三种角度范围中的每两种角度范围都专门设计一个分类器,比如专门用于区分0~15度平躺侧脸和15~60度平躺侧脸的二分类器、专门用于区分15~60度平躺侧脸和60~90度平躺侧脸的二分类器、专门用于区分0~15度平躺侧脸和60~90度平躺侧脸的二分类器等等。这些二分类器均由包含4个隐藏层的全连接神经网络实现,神经网络的输入为经过平躺侧脸综合检测器对应的残差神经网络结构进行特征提取的平躺侧脸CNN(Convolutional NeuralNetwork,卷积神经网络)特征,输出为角度范围的二分类结果反馈。
在根据所述平躺侧脸综合检测器判定所述目标图像中为平躺侧脸时,如图4所示,上述的根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,可以包括:
步骤S401:对三个角度范围二分类器的角度范围分类结果进行投票表决;
步骤S402:若超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将该角度范围确定为所述目标图像中的人脸角度范围;
其中,半数指50%。
步骤S403:若不存在超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将投票票数最多的角度范围分类结果确定为所述目标图像中的人脸角度范围;
步骤S404:若存在多个投票票数最多的角度范围分类结果,则随机在这多个投票票数最多的角度范围分类结果随机选择的一个角度范围分类结果,将选择出的角度范围分类结果确定为所述目标图像中的人脸角度范围。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了便于理解本发明的方案,以下以一个较佳实施例对本发明方案进行详细阐述。
多角度人脸检测器组可以完成不同角度类型的人脸的检测与区分,还能比较具体地确定目标人脸对象的角度范围。图5展示了多角度人脸检测器组的检测原理,并揭示了不同类型的人脸分类器之间是如何协同工作,较为精准地完成不同角度人脸的多分类任务。多角度人脸检测器组通过使用对应机器学习算法或深度学习算法训练好的八种不同类型的人脸检测器,首先根据整理好的人脸校检图片集计算出每个人脸分类器的分类置信分权值,这些权值基于各个人脸分类器在校检集上的误识率进行计算,只需在并行完成人脸分类器训练时运算一次,不需要在每次进行人脸检测时重复计算。当使用多角度人脸检测器组进行人脸类型的确认时,包含人脸对象的图片(相当于上述的目标图像)将被分别输入不同角度类型的人脸二元分类器中进行检测与分类,每个人脸分类器都会返回一个分类反馈。当所有的分类反馈均拒绝所检测的对象为人脸时,检测器组将把目标对象判定为“非人脸”,同时不会进行进一步的人脸角度类型分类。因为不同角度类型人脸的分界较为模糊,可能出现目标对象被检测为多种类型人脸的情况,所以,当至少一个分类反馈接受目标对象为人脸时,此时分两种情况进行处理:若只有一个分类反馈状态为接受(相当于上述的目标图像中存在人脸),则该分类反馈所对应的人脸分类器的检测类型直接作为最终的人脸角度类型输出;若超过一个分类反馈认定目标对象为人脸,则比较这些分类反馈对应的人脸分类器的加权分类置信分,选取加权分类置信分最大的检测类型作为最终的人脸角度类型输出,如果出现加权分类置信分相同的情形,就随机选取一个检测类型作为最终结果。另外,为了在进行分类的同时确定人脸在图像中的具体位置,这些人脸分类器都结合“滑动窗口”技术一起使用,滑动窗口中的采样像素都会使用所有人脸检测器分别进行特征匹配,因此检测器组在获得人脸分类结果的同时还可以去除图片中的多余背景。
其中,多角度人脸检测器组的组成结构如图6所示。它由八个专门针对特定角度范围人脸进行检测的分类器组成,这些分类器所能检测的脸对象,囊括了大部分拍摄角度所拍下的人脸,像正脸、纯侧脸、介于正脸和纯侧脸之间的绝大部分侧脸,还包括了在平躺状态下所拍摄的不同角度的侧脸。非平躺状态下的人脸检测器,除了正脸检测器以外,均采用相同的算法训练分类器模型。这些分类器首先使用HOG(Histogram of OrientedGradient,方向梯度直方图)来描述人脸的局部形状特征,再通过采用了高斯核的支持向量机来拟合HOG所描述的人脸与背景的分类面。HOG结合支持向量机进行非正脸分类是采用的是现有比较常用的非正脸检测算法,在此不想家赘述,其人脸检测准确率高达99.7%。本实施例所使用的左纯侧脸检测模型和右纯侧脸检测模型均使用该算法独自训练,同时为了减少训练开销,其它角度的侧脸检测模型则直接使用Dlib人脸检测库中预训练好的模型。另外,因为正脸的局部区域像素灰度变化比较明显,所以正脸检测器使用描述局部区域对比度信息的Haar特征结合Adaboost级联分类器进行训练,Haar结合AdaBoost级联分类器同样是现有比较常用的的正脸检测算法,其检测准确率超过98%,本实施例中,直接采用opencv预训练好的Haar级联人脸分类器作为正脸检测模型。
传统人脸检测算法忽略了对平躺状态下拍摄的人脸的检测,这些人脸大多出现在医学照片中,通过对躺在病床上的病人使用超高分辨率的医学摄像设备拍摄而成,对于多种疾病诊断都具有巨大的潜在价值。由于平躺状态下的正脸和普通正脸比较接近,可以使用前述的正脸检测器进行检测,因此本实施例中,仅针对平躺侧脸,设计了一个37层的残差神经网络作为检测器,该残差神经网络的卷积核均为小卷积核,核尺寸为3*3或4*4,通过步幅为2的卷积操作来取代池化操作,实现图像尺寸的逐步收缩。深度残差神经网络平躺侧脸综合检测器通过高分辨率医用平躺侧脸照进行训练,由于训练集里面的均为高分辨率图片,因此残差网络使用了4个大残差块来扩展网络的深度,以提取更为高层的抽象人脸特征,同时统一使用LeakyRelu作为激活函数并在某些卷积层后面进行批归一化操作,以减轻因网络深度带来的梯度消失现象的影响,加快网络收敛。每个大残差块都使用两个跨层连接将浅层的图像特征信息传递至网络深处,避免图像信息的大量丢失。残差网络最后使用两个全连接层对卷积层提取的图像特征进行整合分析,并通过softmax层完成最终的人脸分类判别。本实施例中,使用开源深度学习框架Keras搭建并训练残差神经网络平躺侧脸分类器,提高开发效率和模型训练效率。
除了检测目标人脸对象的区域和确认人脸角度类型外,多角度人脸检测过程中,还会对所发现的人脸对象的角度范围进行归总和最终确认。图7说明了不同角度类型人脸的角度范围的确认流程,可以发现除了平躺侧脸以外,其它类型的人脸由于其分类依据和人脸拍摄角度密切相关,因此这些人脸的角度范围都可以直接确定;而平躺侧脸则由于自身拍摄角度的多样性,还需要进一步进行角度范围的分类才能确定其具体的角度范围。具体而言,所有的纯侧脸(90度拍摄的左右侧脸)以及偏角较大的左右侧脸对应的角度范围被判别为60~90度,正脸以及加权分类置信分大于阈值的小角度侧脸对应的角度范围被判别为0~15度,而加权分类置信分小于阈值的小角度侧脸对应的角度范围则被判别为15~60度,此处使用加权分类置信分的值大小对小角度侧脸的角度范围进行细分是因为部分小角度侧脸的角度位于15~60度之间,同时加权分类置信分越大意味着该侧脸对象的拍摄角度值越小。
另外,在进行平躺侧脸角度范围分类前,首先会使用训练好的平躺侧脸综合检测器对应的残差神经网络结构来进行CNN特征提取,然后通过二级平躺侧脸角度范围分类器针对平躺侧脸的CNN特征完成平躺侧脸角度范围的判别。被确定角度范围的人脸可以使用针对不同角度人脸的特征点检测器完成关键五官特征点的提取。其中,可以将相当于正脸向左侧偏转的度数作为负数的度数,将相当于正脸向右侧偏转的度数作为正数的度数。
图8为二级平躺侧脸角度范围分类器的结构示意图,该角度范围分类器与前述的平躺侧脸综合检测器一起构成一个两级的分类模型,其中平躺侧脸残差神经网络分类器完成平躺侧脸的识别,而角度范围分类器则把所识别出的平躺侧脸进一步按照不同的角度范围进行分类,从而确认平躺侧脸的拍摄角度。二级平躺侧脸角度范围分类器由三个相互独立的角度范围二分类器组成,并采用Bagging的集成方式将每个二分类器输出的分类结果归总结合,用以实现平躺侧脸角度范围的三分类。三个角度范围二分类器基于“一对一”的原则进行设计,即为三种角度范围中的每两种角度范围都专门设计一个分类器,比如专门用于区分0~15度平躺侧脸和15~60度平躺侧脸的二分类器、专门用于区分15~60度平躺侧脸和60~90度平躺侧脸的二分类器等等。这些二分类器均由包含4个隐藏层的全连接神经网络实现,神经网络的输入为经过平躺侧脸综合检测器对应的残差神经网络结构进行特征提取的平躺侧脸CNN特征,输出为角度范围的二分类结果反馈。紧接着,三个角度范围二分类器的分类结果会进行投票表决,如果超过半数的分类结果认为当前的平躺侧脸对象属于某个角度范围,那么就将该角度范围作为最终的分类结果;如果不存在超过半数的角度范围分类结果,则将相对得票数最多的分类结果作为最终的角度范围输出;如果存在多个相对得票数相同的角度范围分类结果,就从这些分类结果中随机选取一个作为最终分类结果。需要注意的是,如果需要检测分类更为精细的角度范围,只需要相应地增加二元分类器的数量即可。另外,由于不同角度范围的平躺侧脸样本存在数据不平衡的现象,即部分类型的平躺侧脸样本明显偏多,而其它的平躺侧脸样本又明显偏少。为了避免数据不平衡带来的训练欠拟合现象,本发明所采用的角度范围分类器专门使用经过改进的合成少数类过采样技术,基于样本空间中同类样本高密度聚集的原则,合成更多属于少数类的平躺侧脸CNN特征向量用于二元分类器组的训练,并减少平躺侧脸数据样本采集的成本。
在一个实施例中,如图9所示,提供了一种人脸检测装置,包括:检测模块901、获取模块902、计算模块903、选取模块904和处理模块905,其中:
检测模块901,用于将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
获取模块902,用于在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
计算模块903,用于根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
选取模块904,用于从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
处理模块905,用于根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
在其中一个实施例中,处理模块905还用于在仅存在一个人脸分类器的检测结果为对应角度的人脸时,根据该仅存在的一个人脸分类器所检测的人脸类型确定所述目标图像的角度范围。
在其中一个实施例中,处理模块905还用于在全部人脸分类器的检测结果均为所述目标图像中不存在人脸时,将所述目标图像确定为非人脸图像。
在其中一个实施例中,处理模块905还用于在所述目标人脸分类器为多个时,随机选取一个目标人脸分类器,根据所选取出的目标人脸分类器的所检测人脸类型确定所述目标图像的角度范围。
在其中一个实施例中,检测模块901还用于通过在滑动窗口中的采样像素使用各人脸类型的人脸检测器分别进行人脸特征匹配的方式,确定人脸在所述目标图像的位置区域。
在其中一个实施例中,所述多个人脸分类器包括左纯侧脸分类器、大角度左侧脸分类器、小角度左侧脸分类器、正脸分类器、小角度右侧脸分类器、大角度右侧脸分类器、右纯侧脸分类器和平躺侧脸综合检测器;
处理模块905在所述目标人脸分类器所检测的人脸类型为正脸、或者所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值时,将所述目标图像中的人脸角度范围归为第一人脸集合;在所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值时,将所述目标图像中的人脸角度范围归为第二人脸集合;在所述目标人脸分类器所检测的人脸类型为左纯侧脸、右纯侧脸、大角度右侧脸或者大角度右侧脸时,将所述目标图像中的人脸角度范围归为第三人脸集合。
在其中一个实施例中,在进行平躺侧脸角度范围分类之前,使用预先训练好的平躺侧脸综合检测器对应的残差神经网络结构来进行卷积神经网络特征提取,通过预设的二级平躺侧脸角度范围分类器针对平躺侧脸的卷积神经网络特征进行平躺侧脸角度范围的判别。
在其中一个实施例中,所述二级平躺侧脸角度范围分类器包括三个相互独立的角度范围二分类器;
处理模块905在根据所述平躺侧脸综合检测器判定所述目标图像中为平躺侧脸时,对三个角度范围二分类器的角度范围分类结果进行投票表决;若超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将该角度范围确定为所述目标图像中的人脸角度范围;若不存在超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将投票票数最多的角度范围分类结果确定为所述目标图像中的人脸角度范围;若存在多个投票票数最多的角度范围分类结果,则随机在这多个投票票数最多的角度范围分类结果随机选择的一个角度范围分类结果,将选择出的角度范围分类结果确定为所述目标图像中的人脸角度范围。
关于人脸检测装置的具体限定可以参见上文中对于人脸检测方法的限定,在此不再赘述。上述人脸检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在仅存在一个人脸分类器的检测结果为对应角度的人脸时,根据该仅存在的一个人脸分类器所检测的人脸类型确定所述目标图像的角度范围。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在全部人脸分类器的检测结果均为所述目标图像中不存在人脸时,将所述目标图像确定为非人脸图像。
在一个实施例中,在处理器执行计算机程序实现所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围的步骤时,可以具体实现以下步骤:在所述目标人脸分类器为多个时,则随机选取一个目标人脸分类器,根据所选取出的目标人脸分类器的所检测人脸类型确定所述目标图像的角度范围。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过在滑动窗口中的采样像素使用各人脸类型的人脸检测器分别进行人脸特征匹配的方式,确定人脸在所述目标图像的位置区域。
在一个实施例中,所述多个人脸分类器包括左纯侧脸分类器、大角度左侧脸分类器、小角度左侧脸分类器、正脸分类器、小角度右侧脸分类器、大角度右侧脸分类器、右纯侧脸分类器和平躺侧脸综合检测器;
处理器在执行计算机程序时还实现所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围的步骤时,可以具体实现以下步骤:
在所述目标人脸分类器所检测的人脸类型为正脸、或者所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值时,将所述目标图像中的人脸角度范围归为第一人脸集合;
在所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值时,将所述目标图像中的人脸角度范围归为第二人脸集合;
在所述目标人脸分类器所检测的人脸类型为左纯侧脸、右纯侧脸、大角度右侧脸或者大角度右侧脸时,将所述目标图像中的人脸角度范围归为第三人脸集合。
在一个实施例中,在处理器执行计算机程序实现在进行平躺侧脸角度范围分类之前,使用预先训练好的平躺侧脸综合检测器对应的残差神经网络结构来进行卷积神经网络特征提取,通过预设的二级平躺侧脸角度范围分类器针对平躺侧脸的卷积神经网络特征进行平躺侧脸角度范围的判别。
在一个实施例中,所述二级平躺侧脸角度范围分类器包括三个相互独立的角度范围二分类器;
在根据所述平躺侧脸综合检测器判定所述目标图像中为平躺侧脸时,在处理器执行计算机程序实现所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围的步骤时,可以具体实现以下步骤:
对三个角度范围二分类器的角度范围分类结果进行投票表决;
若超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将该角度范围确定为所述目标图像中的人脸角度范围;
若不存在超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将投票票数最多的角度范围分类结果确定为所述目标图像中的人脸角度范围;
若存在多个投票票数最多的角度范围分类结果,则随机在这多个投票票数最多的角度范围分类结果随机选择的一个角度范围分类结果,将选择出的角度范围分类结果确定为所述目标图像中的人脸角度范围。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将目标图像分别输入到多个人脸分类器进行人脸特征检测,所述多个人脸分类器所检测的人脸类型不同;
在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;
从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在仅存在一个人脸分类器的检测结果为对应角度的人脸时,根据该仅存在的一个人脸分类器所检测的人脸类型确定所述目标图像的角度范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在全部人脸分类器的检测结果均为所述目标图像中不存在人脸时,将所述目标图像确定为非人脸图像。
在一个实施例中,在计算机程序被处理器执行实现所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围的步骤时,可以具体实现以下步骤:在所述目标人脸分类器为多个时,则随机选取一个目标人脸分类器,根据所选取出的目标人脸分类器的所检测人脸类型确定所述目标图像的角度范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过在滑动窗口中的采样像素使用各人脸类型的人脸检测器分别进行人脸特征匹配的方式,确定人脸在所述目标图像的位置区域。
在一个实施例中,所述多个人脸分类器包括左纯侧脸分类器、大角度左侧脸分类器、小角度左侧脸分类器、正脸分类器、小角度右侧脸分类器、大角度右侧脸分类器、右纯侧脸分类器和平躺侧脸综合检测器;
处理器在执行计算机程序时还实现所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围的步骤时,可以具体实现以下步骤:
在所述目标人脸分类器所检测的人脸类型为正脸、或者所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值时,将所述目标图像中的人脸角度范围归为第一人脸集合;
在所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值时,将所述目标图像中的人脸角度范围归为第二人脸集合;
在所述目标人脸分类器所检测的人脸类型为左纯侧脸、右纯侧脸、大角度右侧脸或者大角度右侧脸时,将所述目标图像中的人脸角度范围归为第三人脸集合。
在一个实施例中,在计算机程序被处理器执行实在进行平躺侧脸角度范围分类之前,使用预先训练好的平躺侧脸综合检测器对应的残差神经网络结构来进行卷积神经网络特征提取,通过预设的二级平躺侧脸角度范围分类器针对平躺侧脸的卷积神经网络特征进行平躺侧脸角度范围的判别。
在一个实施例中,所述二级平躺侧脸角度范围分类器包括三个相互独立的角度范围二分类器;
在根据所述平躺侧脸综合检测器判定所述目标图像中为平躺侧脸时,在计算机程序被处理器执行实现所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围的步骤时,可以具体实现以下步骤:
对三个角度范围二分类器的角度范围分类结果进行投票表决;
若超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将该角度范围确定为所述目标图像中的人脸角度范围;
若不存在超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将投票票数最多的角度范围分类结果确定为所述目标图像中的人脸角度范围;
若存在多个投票票数最多的角度范围分类结果,则随机在这多个投票票数最多的角度范围分类结果随机选择的一个角度范围分类结果,将选择出的角度范围分类结果确定为所述目标图像中的人脸角度范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人脸检测方法,其特征在于,所述方法包括:
将目标图像分别输入到多个人脸分类器进行人脸特征检测,获得各人脸分类器的检测结果;其中,所述多个人脸分类器中的各个人脸分类器所检测的人脸类型不同,所述人脸类型包括左纯侧脸、大角度左侧脸、小角度左侧脸、正脸、小角度右侧脸、大角度右侧脸、右纯侧脸以及平躺侧脸中的任意一种,所述检测结果中包括所述目标图像中是否存在人脸的信息以及分类置信分;
在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;其中,每个人脸分类器的分类置信分权值包括基于对应人脸分类器在校验集上的误识别率确定;
从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围;
其中,所述多个人脸分类器包括左纯侧脸分类器、大角度左侧脸分类器、小角度左侧脸分类器、正脸分类器、小角度右侧脸分类器、大角度右侧脸分类器、右纯侧脸分类器和平躺侧脸综合检测器;
所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,包括:
在所述目标人脸分类器所检测的人脸类型为正脸、或者所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值时,将所述目标图像中的人脸角度范围归为第一人脸集合;
在所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值时,将所述目标图像中的人脸角度范围归为第二人脸集合;
在所述目标人脸分类器所检测的人脸类型为左纯侧脸、右纯侧脸、大角度右侧脸或者大角度右侧脸时,将所述目标图像中的人脸角度范围归为第三人脸集合。
2.根据权利要求1所述的人脸检测方法,其特征在于,所述方法还包括:
在仅存在一个人脸分类器的检测结果为对应角度的人脸时,根据该仅存在的一个人脸分类器所检测的人脸类型确定所述目标图像的角度范围;
或者
在全部人脸分类器的检测结果均为所述目标图像中不存在人脸时,将所述目标图像确定为非人脸图像。
3.根据权利要求1或2所述的人脸检测方法,其特征在于,所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,包括:
在所述目标人脸分类器为多个时,则随机选取一个目标人脸分类器,根据所选取出的目标人脸分类器的所检测人脸类型确定所述目标图像的角度范围。
4.根据权利要求3所述的人脸检测方法,其特征在于,所述方法还包括:
通过在滑动窗口中的采样像素使用各人脸类型的人脸检测器分别进行人脸特征匹配的方式,确定人脸在所述目标图像的位置区域。
5.根据权利要求1所述的人脸检测方法,其特征在于,在进行平躺侧脸角度范围分类之前,使用预先训练好的平躺侧脸综合检测器对应的残差神经网络结构来进行卷积神经网络特征提取,通过预设的二级平躺侧脸角度范围分类器针对平躺侧脸的卷积神经网络特征进行平躺侧脸角度范围的判别。
6.根据权利要求5所述的人脸检测方法,其特征在于,所述二级平躺侧脸角度范围分类器包括三个相互独立的角度范围二分类器;
在根据所述平躺侧脸综合检测器判定所述目标图像中为平躺侧脸时,所述根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,包括:
对三个角度范围二分类器的角度范围分类结果进行投票表决;
若超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将该角度范围确定为所述目标图像中的人脸角度范围;
若不存在超过半数的角度范围分类结果认为当前的平躺侧脸属于同一个角度范围,则将投票票数最多的角度范围分类结果确定为所述目标图像中的人脸角度范围;
若存在多个投票票数最多的角度范围分类结果,则随机在这多个投票票数最多的角度范围分类结果随机选择的一个角度范围分类结果,将选择出的角度范围分类结果确定为所述目标图像中的人脸角度范围。
7.一种人脸检测装置,其特征在于,所述装置包括:
检测模块,用于将目标图像分别输入到多个人脸分类器进行人脸特征检测,获得各人脸分类器的检测结果;其中,所述多个人脸分类器中的各个人脸分类器所检测的人脸类型不同,所述人脸类型包括左纯侧脸、大角度左侧脸、小角度左侧脸、正脸、小角度右侧脸、大角度右侧脸、右纯侧脸以及平躺侧脸中的任意一种,所述检测结果中包括所述目标图像中是否存在人脸的信息以及分类置信分;
获取模块,用于在存在至少两个人脸分类器的检测结果表明所述目标图像中存在人脸时,获取所述至少两个人脸分类器的分类置信分;
计算模块,用于根据所述至少两个人脸分类器的预设的分类置信分权值分别对相应的分类置信分进行加权处理,得到所述至少两个人脸分类器的加权分类置信分;其中,每个人脸分类器的分类置信分权值包括基于对应人脸分类器在校验集上的误识别率确定;
选取模块,用于从所述至少两个人脸分类器中选取加权分类置信分最大的目标人脸分类器;
处理模块,用于根据所述目标人脸分类器所检测的人脸类型确定所述目标图像中的人脸角度范围,并返回人脸在图像中的位置;
其中,所述多个人脸分类器包括左纯侧脸分类器、大角度左侧脸分类器、小角度左侧脸分类器、正脸分类器、小角度右侧脸分类器、大角度右侧脸分类器、右纯侧脸分类器和平躺侧脸综合检测器;
所述处理模块具体用于在所述目标人脸分类器所检测的人脸类型为正脸、或者所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分大于预设阈值时,将所述目标图像中的人脸角度范围归为第一人脸集合;在所述目标人脸分类器所检测的人脸类型为小角度左侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值、或者所述目标人脸分类器所检测的人脸类型为小角度右侧脸且所述目标人脸分类器的加权分类置信分不大于预设阈值时,将所述目标图像中的人脸角度范围归为第二人脸集合;在所述目标人脸分类器所检测的人脸类型为左纯侧脸、右纯侧脸、大角度右侧脸或者大角度右侧脸时,将所述目标图像中的人脸角度范围归为第三人脸集合。
8.根据权利要求7所述的人脸检测装置,其特征在于,所述处理模块还用于在仅存在一个人脸分类器的检测结果为对应角度的人脸时,根据该仅存在的一个人脸分类器所检测的人脸类型确定所述目标图像的角度范围;
或者,所述处理模块还用于在全部人脸分类器的检测结果均为所述目标图像中不存在人脸时,将所述目标图像确定为非人脸图像。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848147.4A CN109145765B (zh) | 2018-07-27 | 2018-07-27 | 人脸检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848147.4A CN109145765B (zh) | 2018-07-27 | 2018-07-27 | 人脸检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145765A CN109145765A (zh) | 2019-01-04 |
CN109145765B true CN109145765B (zh) | 2021-01-15 |
Family
ID=64798248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810848147.4A Active CN109145765B (zh) | 2018-07-27 | 2018-07-27 | 人脸检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145765B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796029B (zh) * | 2019-10-11 | 2022-11-11 | 北京达佳互联信息技术有限公司 | 人脸校正及模型训练方法、装置、电子设备及存储介质 |
CN110969085B (zh) * | 2019-10-30 | 2024-03-19 | 维沃移动通信有限公司 | 脸部特征点定位方法及电子设备 |
CN112784644A (zh) * | 2019-11-08 | 2021-05-11 | 佛山市云米电器科技有限公司 | 多设备同步显示方法、装置、设备及计算机可读存储介质 |
CN111882717A (zh) * | 2020-07-30 | 2020-11-03 | 缪加加 | 一种具有身份识别功能的智能接地箱 |
CN113159089A (zh) * | 2021-01-18 | 2021-07-23 | 安徽建筑大学 | 一种路面损伤识别方法、系统、计算机设备和存储介质 |
CN112766185B (zh) * | 2021-01-22 | 2022-06-14 | 燕山大学 | 基于深度学习的头部姿态监控方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136075A (zh) * | 2011-03-04 | 2011-07-27 | 杭州海康威视软件有限公司 | 复杂场景下的多视角人脸检测方法及其装置 |
CN102147851A (zh) * | 2010-02-08 | 2011-08-10 | 株式会社理光 | 多角度特定物体判断设备及多角度特定物体判断方法 |
CN106203284A (zh) * | 2016-06-30 | 2016-12-07 | 华中科技大学 | 基于卷积神经网络和条件随机场的人脸检测方法 |
CN107229952A (zh) * | 2017-06-01 | 2017-10-03 | 雷柏英 | 图像的识别方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4640825B2 (ja) * | 2006-02-23 | 2011-03-02 | 富士フイルム株式会社 | 特定向き顔判定方法および装置並びにプログラム |
JP4994311B2 (ja) * | 2007-06-18 | 2012-08-08 | 富士フイルム株式会社 | 顔検出方法、顔検出装置及びデジタルカメラ |
CN100585617C (zh) * | 2008-07-04 | 2010-01-27 | 西安电子科技大学 | 基于分类器集成的人脸识别系统及其方法 |
CN101630367A (zh) * | 2009-07-31 | 2010-01-20 | 北京科技大学 | 基于多分类器的手写体字符识别拒识方法 |
CN102467655A (zh) * | 2010-11-05 | 2012-05-23 | 株式会社理光 | 多角度人脸检测方法和系统 |
CN102799901B (zh) * | 2012-07-10 | 2015-07-15 | 陈遇春 | 一种多角度人脸检测方法 |
CN105426860B (zh) * | 2015-12-01 | 2019-09-27 | 北京眼神智能科技有限公司 | 人脸识别的方法和装置 |
CN106203356B (zh) * | 2016-07-12 | 2019-04-26 | 中国计量大学 | 一种基于卷积网络特征提取的人脸识别方法 |
CN107506702B (zh) * | 2017-08-08 | 2020-09-11 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
CN108062521A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 基于卷积神经网络的人脸检测方法、装置、终端及介质 |
-
2018
- 2018-07-27 CN CN201810848147.4A patent/CN109145765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147851A (zh) * | 2010-02-08 | 2011-08-10 | 株式会社理光 | 多角度特定物体判断设备及多角度特定物体判断方法 |
CN102136075A (zh) * | 2011-03-04 | 2011-07-27 | 杭州海康威视软件有限公司 | 复杂场景下的多视角人脸检测方法及其装置 |
CN106203284A (zh) * | 2016-06-30 | 2016-12-07 | 华中科技大学 | 基于卷积神经网络和条件随机场的人脸检测方法 |
CN107229952A (zh) * | 2017-06-01 | 2017-10-03 | 雷柏英 | 图像的识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于多分类器融合的多视角目标检测算法;尹维冲等;《计算机科学》;20130731;第40卷(第7期);第268页第4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145765A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145765B (zh) | 人脸检测方法、装置、计算机设备和存储介质 | |
Sharma et al. | Hand gesture recognition using image processing and feature extraction techniques | |
CN109271870B (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
CN110399799B (zh) | 图像识别和神经网络模型的训练方法、装置和系统 | |
CN110765860B (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN106415594B (zh) | 用于面部验证的方法和系统 | |
Damale et al. | Face recognition based attendance system using machine learning algorithms | |
US8885943B2 (en) | Face detection method and apparatus | |
Sarfraz et al. | Head Pose Estimation in Face Recognition Across Pose Scenarios. | |
CN111368672A (zh) | 一种用于遗传病面部识别模型的构建方法及装置 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
Zhang et al. | Robust multimodal recognition via multitask multivariate low-rank representations | |
Khan et al. | Human gait analysis: A sequential framework of lightweight deep learning and improved moth-flame optimization algorithm | |
CN112001932A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN112232140A (zh) | 人群计数方法、装置、电子设备及计算机存储介质 | |
Lu et al. | Automatic lip reading using convolution neural network and bidirectional long short-term memory | |
Wang et al. | Deep mutual learning network for gait recognition | |
Lin et al. | A gender classification scheme based on multi-region feature extraction and information fusion for unconstrained images | |
Singh | Gaussian elliptical fitting based skin color modeling for human detection | |
Gad et al. | Crowd density estimation using multiple features categories and multiple regression models | |
Herlambang et al. | Cloud-based architecture for face identification with deep learning using convolutional neural network | |
Tribaldos et al. | People detection in color and infrared video using HOG and linear SVM | |
Anila et al. | Global and local classifiers for face recognition | |
CN106803080B (zh) | 一种基于形状玻尔兹曼机的补全式行人检测方法 | |
Zhao et al. | Hand Detection Using Cascade of Softmax Classifiers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |