CN109190512A - 人脸检测方法、装置、设备及存储介质 - Google Patents
人脸检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109190512A CN109190512A CN201810920550.3A CN201810920550A CN109190512A CN 109190512 A CN109190512 A CN 109190512A CN 201810920550 A CN201810920550 A CN 201810920550A CN 109190512 A CN109190512 A CN 109190512A
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- face frame
- frame
- module
- 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.)
- Pending
Links
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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、装置、设备和存储介质。智能识别技术领域，其中，人脸检测方法包括：获取图片；预处理图片，得到预处理的图片；将预处理的图片输入经过预先训练得到的人脸识别模块，通过人脸识别模块对预处理的图片进行识别；若人脸识别模块没有输出人脸图片，则确定预处理的图片内不包含人脸；若人脸识别模块输出人脸图片，则将人脸图片输入经过预先训练得到的人脸角度检测模块；若人脸角度检测模块没有输出；则确定人脸图片内不包含人脸；若人脸角度检测模块输出人脸角度，则确定人脸图片内包含人脸，并确定人脸的角度为人脸角度。
Description
技术领域
本发明涉及智能识别技术领域，尤其涉及一种人脸检测方法、装置、设备及存储介质。
背景技术
随着社会的进步和识别技术的不断发展，人们在商场中设置监控设备来对人脸进行识别和检测。目前的识别方法为：将可能包含人脸的图片输入人脸识别模块进行识别。但是，由于人脸运动不规律，图片中的人脸可能处于各种角度，所以通过人脸识别模块对图片进行识别难度较大，容易将图片内的其他物体误认为人脸，从而使得识别的准确率不高。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种。
为实现以上目的，本发明采用如下技术方案：
根据本申请的第一方面，本申请提供一种人脸检测方法，包括：
获取图片；
预处理所述图片，得到预处理的图片；
将所述预处理的图片输入经过预先训练得到的人脸识别模块，通过所述人脸识别模块对所述预处理的图片进行识别；
若所述人脸识别模块没有输出人脸图片，则确定所述预处理的图片内不包含人脸；
若所述人脸识别模块输出人脸图片，则将所述人脸图片输入经过预先训练得到的人脸角度检测模块；
若所述人脸角度检测模块没有输出；则确定所述人脸图片内不包含人脸；
若所述人脸角度检测模块输出人脸角度，则确定所述人脸图片内包含人脸，并确定所述人脸的角度为所述人脸角度。
可选的，所述获取图片，包括：
通过监控设备获取图片。
可选的，所述预处理所述图片，包括：
对所述图片进行背景建模，确定所述图片中的背景图像；
删除所述图片中的背景图像。
可选的，所述人脸识别模块和所述人脸角度检测模块均采用了传统机器学习技术。
可选的，所述人脸识别模块包括人脸识别模型；
所述预先训练所述人脸识别模块的方法包括：
将预先采集的人脸样本图片输入所述人脸识别器；
人脸识别器对所述人脸样本图片进行特征提取，得到人脸特征模块；
以所述人脸特征模块为样本利用分类器技术对所述人脸识别模型进行训练。
可选的，所述人脸角度检测模块包括：人脸角度检测模型；
预先训练所述人脸角度检测模块的方法包括：
将预先采集的标注有角度信息人脸样本图片输入所述人脸角度检测模块；
按照角度信息的不同对所述标注有角度信息人脸样本图片进行分类；
分别对每一类人脸样本图片进行特征提取，得到对应不同的角度信息的特征模块；
将预先采集的标注有角度信息人脸样本图片作为样本，通过支持向量机技术对所述人脸角度分类器模型进行训练。
可选的，所述通过所述人脸识别模块对所述预处理的图片进行识别，包括：
对所述预处理所述图片按预定比例进行图像缩小，缩小预定数目的次数，形成包含多层图像的金字塔图像；
用预定大小的滑动框在每一层图像中滑动；
如果所述滑动框框内的区域不属于前景区域，则跳过此位置，滑动到下一个位置；
如果所述滑动框框内的区域属于前景区域，则提取所述滑动框框内的区域的特征，利用人脸识别模型对所述滑动框框内的区域的特征进行检测，判断所述滑动框框内的区域是否包含人脸；
如果判断结果为否，则跳过此位置，滑动到下一个位置；
如果判断结果为是，则将所述滑动框的位置的坐标还原到原图像的坐标得到人脸框并记录，滑动到下一个位置；
根据所述人脸框，切割所述原图像得到人脸图片。
可选的，所述根据所述人脸框，切割所述原图像得到人脸图片，包括：
对人脸框进行非极大值抑制；
判断各所述人脸框是否相交；其中，相交的且框住的位置具有相同位置的人脸框为同一系列的人脸框；
若判断结果为是，则同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；
根据所述居中的一个人脸框的位置，切割所述原图像得到人脸图片。
可选的，同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框，包括：
确定同一系列的人脸框中各个脸框对应的坐标；
分别计算同一系列的人脸框中各个人脸框的中心位置；
计算同一系列的人脸框的总中心位置；
分别计算所述各个人脸框的中心位置与所述总中心位置之间的距离；
比较所述各个距离的大小，得到最小的距离，所述最小的距离对应的人脸框为居中的一个人脸框；
保留所述居中的一个人脸框，删除，同一系列的其他的人脸框。
可选的，所述计算同一系列的人脸框的总中心位置，包括：
按照如下公式确定总中心位置：
其中，为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置的坐标；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
可选的，所述分别计算所述各个人脸框的中心位置与所述总中心位置之间的距离，包括：
按照如下公式计算所述各个人脸框的中心位置与所述总中心位置之间的距离：
其中，DK为第k个人脸框的中心位置与所述总中心位置之间的距离；为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
根据本申请的第二方面，本申请提供一种人脸检测装置，包括：
获取模块，用于获取图片；
预处理模块，用于预处理所述图片；
识别模块，用于将所述预处理所述图片输入经过预先训练得到的人脸识别模块，通过所述人脸识别模块对所述预处理的图片进行识别；
第一确定模块，若所述人脸识别模块没有输出人脸图片，则所述预处理的图片内不包含人脸；
检测模块，用于别模块输出人脸图片，则将所述人脸图片输入经过预先训练得到的人脸角度检测模块；
第二确定模块，若所述人脸角度检测模块没有输出；则所述人脸图片内不包含人脸；
第三确定模块，若所述人脸角度检测模块输出人脸角度，则确定所述人脸图片内包含人脸，并确定所述人脸的角度为所述人脸角度。
可选的，所述获取模块具体用于：
通过监控设备获取图片。
可选的，所述预处理模块用于：
对所述图片进行背景建模，确定所述图片中的背景图像；
删除所述图片中的背景图像。
可选的，所述人脸识别模块和所述人脸角度检测模块均采用了传统机器学习技术。
可选的，所述人脸识别模块包括人脸识别模型；
所述预先训练所述人脸识别模块的方法包括：
将预先采集的人脸样本图片输入所述人脸识别器；
人脸识别器对所述人脸样本图片进行特征提取，得到人脸特征模块；
以所述人脸特征模块为样本利用分类器技术对所述人脸识别模型进行训练。
可选的，所述人脸角度检测模块包括：人脸角度检测模型；
预先训练所述人脸角度检测模块的方法包括：
将预先采集的标注有角度信息人脸样本图片输入所述人脸角度检测模块；
按照角度信息的不同对所述标注有角度信息人脸样本图片进行分类；
分别对每一类人脸样本图片进行特征提取，得到对应不同的角度信息的特征模块；
将预先采集的标注有角度信息人脸样本图片作为样本，通过支持向量机技术对所述人脸角度分类器模型进行训练。
可选的，所述通过所述人脸识别模块对所述预处理的图片进行识别，包括：
对所述预处理所述图片按预定比例进行图像缩小，缩小预定数目的次数，形成包含多层图像的金字塔图像；
用预定大小的滑动框在每一层图像中滑动；
如果所述滑动框框内的区域不属于前景区域，则跳过此位置，滑动到下一个位置；
如果所述滑动框框内的区域属于前景区域，则提取所述滑动框框内的区域的特征，利用人脸识别模型对所述滑动框框内的区域的特征进行检测，判断所述滑动框框内的区域是否包含人脸；
如果判断结果为否，则跳过此位置，滑动到下一个位置；
如果判断结果为是，则将所述滑动框的位置的坐标还原到原图像的坐标得到人脸框并记录，滑动到下一个位置；
根据所述人脸框，切割所述原图像得到人脸图片。
可选的，所述根据所述人脸框，切割所述原图像得到人脸图片，包括：
对人脸框进行非极大值抑制；
判断各所述人脸框是否相交；其中，相交的且框住的位置具有相同位置的人脸框为同一系列的人脸框；
若判断结果为是，则同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；
根据所述居中的一个人脸框的位置，切割所述原图像得到人脸图片。
可选的，同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框，包括：
确定同一系列的人脸框中各个脸框对应的坐标；
分别计算同一系列的人脸框中各个人脸框的中心位置；
计算同一系列的人脸框的总中心位置；
分别计算所述各个人脸框的中心位置与所述总中心位置之间的距离；
比较所述各个距离的大小，得到最小的距离，所述最小的距离对应的人脸框为居中的一个人脸框；
保留所述居中的一个人脸框，删除，同一系列的其他的人脸框。
可选的，所述计算同一系列的人脸框的总中心位置，包括：
按照如下公式确定总中心位置：
其中，为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置的坐标；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
可选的，所述分别计算所述各个人脸框的中心位置与所述总中心位置之间的距离，包括：
按照如下公式计算所述各个人脸框的中心位置与所述总中心位置之间的距离：
其中，DK为第k个人脸框的中心位置与所述总中心位置之间的距离；为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
根据本申请的第三方面，本申请提供一种人脸检测设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请第一方面所述的人脸检测方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
根据本申请的第四方面，本申请提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现本申请第一方面所述的人脸检测方法中各个步骤。
本发明采用以上技术方案，采用了人脸识别模块和人脸角度检测模块分别进行人脸的识别和人脸角度的识别。如此设置，当人脸识别模块对于人脸的识别出现错误，误将非人脸的部分识别并切割为人脸图片时，人脸角度检测模块会进一步对人脸图片进行检测，由于此人脸图片内部没有人脸图样，所以人脸角度检测模块无法检测到人脸的角度，不会输出人脸角度，以此确定此人脸图片内部并没有人脸图样，提高对于人脸的识别的正确率。本发明采用的技术方案于背景技术中的方案相比较，可以有效提高对于人脸的识别的正确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明一实施例提供的人脸检测方法的流程示意图。
图2是本发明另一实施例提供的人脸检测方法的流程示意图。
图3是本发明另一实施例提供的人脸检测方法的流程示意图。
图4是本发明另一实施例提供的人脸检测方法的流程示意图。
图5是本发明实施例提供的人脸检测装置的结构示意图。
图6是本发明实施例提供的人脸检测设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明实施例提供的人脸检测方法的流程示意图，如图1所示，本申请提供的人脸检测方法，包括：
S101，获取图片；
S102，预处理图片，得到预处理的图片；
S103，将预处理的图片输入经过预先训练得到的人脸识别模块，通过人脸识别模块对预处理的图片进行识别；
S104，若人脸识别模块没有输出人脸图片，则确定预处理的图片内不包含人脸；
S105，若所述人脸识别模块输出人脸图片，则将所述人脸图片输入经过预先训练得到的人脸角度检测模块；
S106，若人脸角度检测模块没有输出；则确定人脸图片内不包含人脸；
S107，若人脸角度检测模块输出人脸角度，则确定人脸图片内包含人脸，并确定人脸的角度为人脸角度。
本发明采用以上技术方案，采用了人脸识别模块和人脸角度检测模块分别进行人脸的识别和人脸角度的识别。如此设置，当人脸识别模块对于人脸的识别出现错误，误将非人脸的部分识别并切割为人脸图片时，人脸角度检测模块会进一步对人脸图片进行检测，由于此人脸图片内部没有人脸图样，所以人脸角度检测模块无法检测到人脸的角度，不会输出人脸角度，以此确定此人脸图片内部并没有人脸图样，提高对于人脸的识别的正确率。本发明采用的技术方案于背景技术中的方案相比较，可以有效提高对于人脸的识别的正确率。
进一步的，步骤“S101，获取图片”包括：
通过监控设备获取图片。
监控设备是一种常见的可以获取图片的设备，时长被用于在超市、商场、路边或其他公共场合来获取图片。
进一步的，步骤“S102，预处理图片，得到预处理的图片；”包括：
对图片进行背景建模，确定图片中的背景图像；
删除图片中的背景图像。
一般而言，图像是由背景图像和前景图像构成，现有技术中具有识别背景图像和前景图像的技术。通过这种技术图片进行背景建模，确定图片中的背景图像，之后删除图片中的背景图像，只保留前景图像。
进一步的，人脸识别模块和人脸角度检测模块均采用了传统机器学习技术。传统机器学习技术相较于深度学习对于承载硬件的要求更低，运算的效率更高。采用传统机器学习技术的人脸识别模块和人脸角度检测模块可以更加快速的进行运算。
具体的，人脸识别模块包括人脸识别模型；预先训练人脸识别模块的方法包括：
将预先采集的人脸样本图片输入人脸识别器；
人脸识别器对人脸样本图片进行特征提取，得到人脸特征模块；
以人脸特征模块为样本利用分类器技术对人脸识别模型进行训练。
如此对人脸识别模块进行预先训练可以提高人脸识别模块识别人脸的正确率。
进一步的，人脸角度检测模块包括：人脸角度检测模型；
预先训练人脸角度检测模块的方法包括：
将预先采集的标注有角度信息人脸样本图片输入人脸角度检测模块；
按照角度信息的不同对标注有角度信息人脸样本图片进行分类；
分别对每一类人脸样本图片进行特征提取，得到对应不同的角度信息的特征模块；
将预先采集的标注有角度信息人脸样本图片作为样本，通过支持向量机技术对人脸角度分类器模型进行训练。
如此对人脸识别模块进行预先训练可以提高人脸识别模块识别人脸的正确率。
实际应用中，S103中“通过人脸识别模块对预处理的图片进行识别；”包括：
S201，对预处理图片按预定比例进行图像缩小，缩小预定数目的次数，形成包含多层图像的金字塔图像；
具体的，预定比例可以但不限于为1.2∶1的比例，预定数目可以为4次。如此可以得到5层金字塔前景图像。
S202，用预定大小的滑动框在每一层图像中滑动；
其中，预定大小可以为24*24。
S203，如果滑动框框内的区域不属于前景区域，则跳过此位置，滑动到下一个位置；
S204，如果滑动框框内的区域属于前景区域，则提取滑动框框内的区域的特征，利用人脸识别模型对滑动框框内的区域的特征进行检测，判断滑动框框内的区域是否包含人脸；
S205，如果判断结果为否，则跳过此位置，滑动到下一个位置；
S206，如果判断结果为是，则将滑动框的位置的坐标还原到原图像的坐标得到人脸框并记录，滑动到下一个位置；
执行S203、S205或S206中的“滑动到下一个位置后”，再次执行S203，如此循环直至完成整个金字塔图像的滑动。
S207，根据所述人脸框，切割所述原图像得到人脸图片。
根据如上步骤可以得到人脸图片，若没有人脸图片则证明获取的图片中没有人脸的影像。
进一步的，步骤S207，“根据人脸框，切割原图像得到人脸图片。”包括：
S301，对人脸框进行非极大值抑制；
S302，判断各人脸框是否相交；其中，相交的且框住的位置具有相同位置的人脸框为同一系列的人脸框；
S303，若判断结果为是，则同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；
S304，根据居中的一个人脸框的位置，切割原图像得到人脸图片。
通过上述方式可以避免时多次切割获取的图片上的同一个人脸图像为人脸图片。
进一步的，S303中“同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；”，包括：
S401，确定同一系列的人脸框中各个脸框对应的坐标；
S402，分别计算同一系列的人脸框中各个人脸框的中心位置；
S403，计算同一系列的人脸框的总中心位置；
S404，分别计算各个人脸框的中心位置与总中心位置之间的距离；
S405，比较各个距离的大小，得到最小的距离，最小的距离对应的人脸框为居中的一个人脸框；
S406，保留居中的一个人脸框，删除同一系列的其他的人脸框。
上述步骤为S303中“同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；的具体的步骤。通过S401、S402、S403、S404和S405可以完成S303中的“同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框”。
具体的，S403中“计算同一系列的人脸框的总中心位置”可以采用如下的方式：
计算同一系列的人脸框的总中心位置，包括：
按照如下公式确定总中心位置：
其中，为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置的坐标；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
具体的，S405中“分别计算各个人脸框的中心位置与总中心位置之间的距离”，包括：
按照如下公式计算各个人脸框的中心位置与总中心位置之间的距离：
其中，DK为第k个人脸框的中心位置与总中心位置之间的距离；为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
图5是本发明实施例提供的人脸检测装置的结构示意图，如图5所示，本申请提供的人脸检测结构，包括：
获取模块501，用于获取图片；
预处理模块502，用于预处理图片；
识别模块503，用于将预处理图片输入经过预先训练得到的人脸识别模块，通过人脸识别模块对预处理的图片进行识别；
第一确定模块504，若人脸识别模块没有输出人脸图片，则预处理的图片内不包含人脸；
检测模块505，用于别模块输出人脸图片，则将人脸图片输入经过预先训练得到的人脸角度检测模块；
第二确定模块506，用于若人脸角度检测模块没有输出；则人脸图片内不包含人脸；
第三确定模块507，用于若人脸角度检测模块输出人脸角度，则确定人脸图片内包含人脸，并确定人脸的角度为人脸角度。
本发明采用以上技术方案，采用了人脸识别模块和人脸角度检测模块分别进行人脸的识别和人脸角度的识别。如此设置，当人脸识别模块对于人脸的识别出现错误，误将非人脸的部分识别并切割为人脸图片时，人脸角度检测模块会进一步对人脸图片进行检测，由于此人脸图片内部没有人脸图样，所以人脸角度检测模块无法检测到人脸的角度，不会输出人脸角度，以此确定此人脸图片内部并没有人脸图样，提高对于人脸的识别的正确率。本发明采用的技术方案于背景技术中的方案相比较，可以有效提高对于人脸的识别的正确率。
可选的，预处理模块用于：
对图片进行背景建模，确定图片中的背景图像；删除图片中的背景图像。
可选的，人脸识别模块和人脸角度检测模块均采用了传统机器学习技术。
可选的，人脸识别模块包括人脸识别模型；
预先训练人脸识别模块的方法包括：将预先采集的人脸样本图片输入人脸识别器；人脸识别器对人脸样本图片进行特征提取，得到人脸特征模块；以人脸特征模块为样本利用分类器技术对人脸识别模型进行训练。
可选的，人脸角度检测模块包括：人脸角度检测模型；
预先训练人脸角度检测模块的方法包括：将预先采集的标注有角度信息人脸样本图片输入人脸角度检测模块；按照角度信息的不同对标注有角度信息人脸样本图片进行分类；分别对每一类人脸样本图片进行特征提取，得到对应不同的角度信息的特征模块；将预先采集的标注有角度信息人脸样本图片作为样本，通过支持向量机技术对人脸角度分类器模型进行训练。
可选的，通过人脸识别模块对预处理的图片进行识别，包括：
对预处理图片按预定比例进行图像缩小，缩小预定数目的次数，形成包含多层图像的金字塔图像；用预定大小的滑动框在每一层图像中滑动；如果滑动框框内的区域不属于前景区域，则跳过此位置，滑动到下一个位置；如果滑动框框内的区域属于前景区域，则提取滑动框框内的区域的特征，利用人脸识别模型对滑动框框内的区域的特征进行检测，判断滑动框框内的区域是否包含人脸；如果判断结果为否，则跳过此位置，滑动到下一个位置；如果判断结果为是，则将滑动框的位置的坐标还原到原图像的坐标得到人脸框并记录，滑动到下一个位置；根据人脸框，切割原图像得到人脸图片。
可选的，根据人脸框，切割原图像得到人脸图片，包括：
对人脸框进行非极大值抑制；
判断各人脸框是否相交；其中，相交的且框住的位置具有相同位置的人脸框为同一系列的人脸框；
若判断结果为是，则同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；
根据居中的一个人脸框的位置，切割原图像得到人脸图片。
可选的，同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框，包括：
确定同一系列的人脸框中各个脸框对应的坐标；
分别计算同一系列的人脸框中各个人脸框的中心位置；
计算同一系列的人脸框的总中心位置；
分别计算各个人脸框的中心位置与总中心位置之间的距离；
比较各个距离的大小，得到最小的距离，最小的距离对应的人脸框为居中的一个人脸框；
保留居中的一个人脸框，删除，同一系列的其他的人脸框。
可选的，计算同一系列的人脸框的总中心位置，包括：
按照如下公式确定总中心位置：
其中，为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置的坐标；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
可选的，分别计算各个人脸框的中心位置与总中心位置之间的距离，包括：
按照如下公式计算各个人脸框的中心位置与总中心位置之间的距离：
其中，DK为第k个人脸框的中心位置与总中心位置之间的距离；为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
图6是本发明实施例提供的人脸检测设备的结构示意图，如图6所示，本申请提供的人脸检测设备，包括：
处理器602，以及与处理器相连接的存储器601；
存储器601用于存储计算机程序，计算机程序至少用于执上述的人脸检测方法；
处理器用于调用并执行存储器中的计算机程序。
本申请还提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时，实现上述的人脸检测方法中各个步骤。
关于上述实施例中的装置和设备，其中各个模块和部件执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行方法执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种人脸检测方法，其特征在于，包括：
获取图片；
预处理所述图片，得到预处理的图片；
将所述预处理的图片输入经过预先训练得到的人脸识别模块，通过所述人脸识别模块对所述预处理的图片进行识别；
若所述人脸识别模块没有输出人脸图片，则确定所述预处理的图片内不包含人脸；
若所述人脸识别模块输出人脸图片，则将所述人脸图片输入经过预先训练得到的人脸角度检测模块；
若所述人脸角度检测模块没有输出；则确定所述人脸图片内不包含人脸；
若所述人脸角度检测模块输出人脸角度，则确定所述人脸图片内包含人脸，并确定所述人脸的角度为所述人脸角度。
2.根据权利要求1所述的方法，其特征在于，
所述人脸识别模块包括人脸识别模型；
预先训练所述人脸识别模块的方法包括：
将预先采集的人脸样本图片输入所述人脸识别器；
人脸识别器对所述人脸样本图片进行特征提取，得到人脸特征模块；
以所述人脸特征模块为样本利用分类器技术对所述人脸识别模型进行训练；
所述人脸角度检测模块包括：人脸角度检测模型；
预先训练所述人脸角度检测模块的方法包括：
将预先采集的标注有角度信息人脸样本图片输入所述人脸角度检测模块；
按照角度信息的不同对所述标注有角度信息人脸样本图片进行分类；
分别对每一类人脸样本图片进行特征提取，得到对应不同的角度信息的特征模块；
将预先采集的标注有角度信息人脸样本图片作为样本，通过支持向量机技术对所述人脸角度分类器模型进行训练。
3.根据权利要求1所述的方法，其特征在于，所述通过所述人脸识别模块对所述预处理的图片进行识别，包括：
对所述预处理所述图片按预定比例进行图像缩小，缩小预定数目的次数，形成包含多层图像的金字塔图像；
用预定大小的滑动框在每一层图像中滑动；
如果所述滑动框框内的区域不属于前景区域，则跳过此位置，滑动到下一个位置；
如果所述滑动框框内的区域属于前景区域，则提取所述滑动框框内的区域的特征，利用人脸识别模型对所述滑动框框内的区域的特征进行检测，判断所述滑动框框内的区域是否包含人脸；
如果判断结果为否，则跳过此位置，滑动到下一个位置；
如果判断结果为是，则将所述滑动框的位置的坐标还原到原图像的坐标得到人脸框并记录，滑动到下一个位置；
根据所述人脸框，切割所述原图像得到人脸图片。
4.根据权利要求3所述的方法，其特征在于，所述根据所述人脸框，切割所述原图像得到人脸图片，包括：
对人脸框进行非极大值抑制；
判断各所述人脸框是否相交；其中，相交的且框住的位置具有相同位置的人脸框为同一系列的人脸框；
若判断结果为是，则同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框；
根据所述居中的一个人脸框的位置，切割所述原图像得到人脸图片。
5.根据权利要求3所述的方法，其特征在于，同一系列的人脸框中取居中的一个人脸框，删除其余相交的人脸框，包括：
确定同一系列的人脸框中各个脸框对应的坐标；
分别计算同一系列的人脸框中各个人脸框的中心位置；
计算同一系列的人脸框的总中心位置；
分别计算所述各个人脸框的中心位置与所述总中心位置之间的距离；
比较各个所述距离的大小，得到最小的距离，所述最小的距离对应的人脸框为居中的一个人脸框；
保留所述居中的一个人脸框，删除，同一系列的其他的人脸框。
6.根据权利要求5所述的方法，其特征在于，所述计算同一系列的人脸框的总中心位置，包括：
按照如下公式确定总中心位置：
其中，为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置的坐标；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
7.根据权利要求5所述的方法，其特征在于，所述分别计算所述各个人脸框的中心位置与所述总中心位置之间的距离，包括：
按照如下公式计算所述各个人脸框的中心位置与所述总中心位置之间的距离：
其中，DK为第k个人脸框的中心位置与所述总中心位置之间的距离；为总中心位置的坐标；为总中心位置的横坐标；为总中心位置的纵坐标；同一系列的人脸框中第k个人脸框的中心位置；为同一系列的人脸框中第k个人脸框的中心位置的横坐标；为同一系列的人脸框中第k个人脸框的中心位置的纵坐标；n为同一系列的人脸框中人脸框的个数。
8.一种人脸检测装置，其特征在于，包括：
获取模块，用于获取图片；
预处理模块，用于预处理所述图片；
识别模块，用于将所述预处理所述图片输入经过预先训练得到的人脸识别模块，通过所述人脸识别模块对所述预处理的图片进行识别；
第一确定模块，若所述人脸识别模块没有输出人脸图片，则所述预处理的图片内不包含人脸；
检测模块，用于别模块输出人脸图片，则将所述人脸图片输入经过预先训练得到的人脸角度检测模块；
第二确定模块，若所述人脸角度检测模块没有输出；则所述人脸图片内不包含人脸；
第三确定模块，若所述人脸角度检测模块输出人脸角度，则确定所述人脸图片内包含人脸，并确定所述人脸的角度为所述人脸角度。
9.一种人脸检测设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-7任一项所述的人脸检测方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的人脸检测方法中各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810920550.3A CN109190512A (zh) | 2018-08-13 | 2018-08-13 | 人脸检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810920550.3A CN109190512A (zh) | 2018-08-13 | 2018-08-13 | 人脸检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109190512A true CN109190512A (zh) | 2019-01-11 |
Family
ID=64921381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810920550.3A Pending CN109190512A (zh) | 2018-08-13 | 2018-08-13 | 人脸检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190512A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1772816A1 (en) * | 2005-10-09 | 2007-04-11 | Omron Corporation | Apparatus and method for detecting particular subject |
| US7689033B2 (en) * | 2003-07-16 | 2010-03-30 | Microsoft Corporation | Robust multi-view face detection methods and apparatuses |
| 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 |
| KR20160037424A (ko) * | 2014-09-29 | 2016-04-06 | 동명대학교산학협력단 | 개선된 리얼 아다부스트 알고리즘에 근거한 새로운 멀티 뷰 얼굴감지방식 |
| CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
| CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
| CN107491762A (zh) * | 2017-08-23 | 2017-12-19 | 珠海安联锐视科技股份有限公司 | 一种行人检测方法 |
| CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN107944437A (zh) * | 2017-12-31 | 2018-04-20 | 广州二元科技有限公司 | 一种基于神经网络和积分图像的人脸定位方法 |
| CN107958238A (zh) * | 2017-12-31 | 2018-04-24 | 广州二元科技有限公司 | 一种基于眼鼻嘴分类的人脸定位方法 |
-
2018
- 2018-08-13 CN CN201810920550.3A patent/CN109190512A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689033B2 (en) * | 2003-07-16 | 2010-03-30 | Microsoft Corporation | Robust multi-view face detection methods and apparatuses |
| EP1772816A1 (en) * | 2005-10-09 | 2007-04-11 | Omron Corporation | Apparatus and method for detecting particular subject |
| 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 |
| KR20160037424A (ko) * | 2014-09-29 | 2016-04-06 | 동명대학교산학협력단 | 개선된 리얼 아다부스트 알고리즘에 근거한 새로운 멀티 뷰 얼굴감지방식 |
| CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
| CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
| CN107491762A (zh) * | 2017-08-23 | 2017-12-19 | 珠海安联锐视科技股份有限公司 | 一种行人检测方法 |
| CN107944437A (zh) * | 2017-12-31 | 2018-04-20 | 广州二元科技有限公司 | 一种基于神经网络和积分图像的人脸定位方法 |
| CN107958238A (zh) * | 2017-12-31 | 2018-04-24 | 广州二元科技有限公司 | 一种基于眼鼻嘴分类的人脸定位方法 |
Non-Patent Citations (5)
| Title |
|---|
| E.ZAYTSEVA 等: "A search based approach to non maximum suppression in face detection", 《2012 19TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
| YING-YING ZHENG 等: "Multi-angle Face Detection Based on DP-Adaboost", 《INTERNATIONAL JOURNAL OF AUTOMATION AND COMPUTING》 * |
| 刘晓克 等: "基于新Haar-like 特征的多角度人脸检测", 《计算机工程》 * |
| 焦蓬斐 等: "基于SVM 的人脸检测算法", 《山东工业技术》 * |
| 郭耸 等著: "《人脸检测技术与方法》", 31 July 2017, 沈阳：东北大学出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
| Hou et al. | An end-to-end 3d convolutional neural network for action detection and segmentation in videos | |
| CN108710865A (zh) | 一种基于神经网络的司机异常行为检测方法 | |
| Goferman et al. | Context-aware saliency detection | |
| CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
| CN106529477B (zh) | 基于显著轨迹和时空演化信息的视频人体行为识别方法 | |
| CN103093212B (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
| CN109447169A (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
| CN105488468B (zh) | 一种目标区域的定位方法和装置 | |
| CN103988232B (zh) | 使用运动流形来改进图像匹配 | |
| CN109829467A (zh) | 图像标注方法、电子装置及非暂态电脑可读取储存媒体 | |
| CN103164694A (zh) | 一种人体动作识别的方法 | |
| Pehlivan et al. | A new pose-based representation for recognizing actions from multiple cameras | |
| CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
| CN107977634A (zh) | 一种针对视频的表情识别方法、装置及设备 | |
| CN109961037A (zh) | 一种考场视频监控异常行为特征识别方法 | |
| CN108664838A (zh) | 基于改进rpn深度网络的端到端的监控场景行人检测方法 | |
| CN107408119A (zh) | 图像检索装置、系统以及方法 | |
| CN108596098A (zh) | 人体部件的解析方法、系统、设备和存储介质 | |
| CN109753884A (zh) | 一种基于关键帧提取的视频行为识别方法 | |
| CN105701466A (zh) | 快速的全角度人脸跟踪方法 | |
| Wang et al. | S 3 d: scalable pedestrian detection via score scale surface discrimination | |
| CN107315984A (zh) | 一种行人检索的方法及装置 | |
| CN108268863A (zh) | 一种图像处理方法、装置和计算机存储介质 | |
| CN106407926B (zh) | 一种行人检测方法及装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 803 and 804, 8 / F, building 7, No. 599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu 610000, Sichuan Province Applicant after: Chengdu yunstare Technology Co.,Ltd. Address before: 610000 Chengdu, Sichuan, China (Sichuan) free trade pilot area, Chengdu high tech Zone, 10 Tianhua two road 219, 6 level 601. Applicant before: Chengdu Huina Intelligent Technology Co.,Ltd. Address after: 610000 Chengdu, Sichuan, China (Sichuan) free trade pilot area, Chengdu high tech Zone, 10 Tianhua two road 219, 6 level 601. Applicant after: Chengdu Huina Intelligent Technology Co.,Ltd. Address before: 610000 Chengdu, Sichuan, China (Sichuan) free trade pilot area, Chengdu high tech Zone, 10 Tianhua two road 219, 6 level 601. Applicant before: CHENGDU DINGDING TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |