CN109858426A - 人脸特征提取方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开一种人脸特征提取方法、装置及计算机可读存储介质，所述方法包括：获取用户输入的人脸特征识别指令；根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；根据所述视频图像，对所述人脸目标进行特征识别和提取；根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。本发明具有识别较准确，无需用户在特定位置保持特定姿势，使用方便，用户体验好的优点。

Description

人脸特征提取方法、装置及计算机可读存储介质

技术领域

本发明涉及人脸识别技术领域，特别涉及一种人脸特征提取方法、装置及计算机可读存储介质。

背景技术

随着摄像头、算法、数据量等方面条件的成熟，人脸识别技术逐渐成为一种广泛应用工具类技术，得到不断普及。人们将人脸识别技术应用于考勤管理、安防验证、VIP识别等领域，通过布设在合适区域的摄像设备来采集通过的人群的脸部数据，将该数据与系统预存的人脸数据进行比对，从而实现身份验证与识别判断。

但是，要实现不给被扫描对象任何打扰感，不要求被扫描对象的专门配合，系统在录入人脸数据时通常会要求对象在特定位置保持特定姿势，以获得最佳的人脸数据，因而，用户体验差。因此，如何开发一种新的图像自动拍摄、人脸特征自动提取的方法，以实现在非摆拍的情况下，自动拍摄视频，然后在视频中选择图像并提取保存人脸特征数据，已成为本领域技术人员亟待解决的技术问题。

发明内容

本发明解决的技术问题是，提供一种识别准确，使用方便的人脸特征提取方法。

为实现上述目的，本发明提供了一种人脸特征提取方法，其包括：

获取用户输入的人脸特征识别指令；

根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

根据所述视频图像，对所述人脸目标进行特征识别和提取；

根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

优选地，所述根据预设规则对提取的多个人脸特征分别进行评分的方法包括：

根据要素赋予人脸图像分类标签，其中，所述要素包括：正侧脸、人脸图像是否被遮挡、光线明暗、清晰程度；

根据人脸图像的正侧脸分类对人脸图像进行评分；

根据人脸图像是否被遮挡分类对人脸图像进行评分；

根据人脸图像的光线明暗分类对人脸图像进行评分；

根据人脸图像的清晰程度分类对人脸图像进行评分；

获取该张人脸图像的各项要素评分。

优选地，所述根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像具体包括：

根据所述识别指令，对人脸目标进行拍摄预设时间，以获取基于可见光的一段视频图像。

优选地，所述人脸特征提取方法还包括：

通过第一卷积神经网络对所述视频图像处理快速产生候选窗体；

通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体，其中，所述第二卷积神经网络的卷积层数大于所述第一卷积神经网络的卷积层数；

通过第三卷积神经网络精炼所述候选窗体，同时显示预设数量的面部特征点位置，其中，所述第三卷积神经网络的卷积层数大于所述第二卷积神经网络的卷积层数。

优选地，所述通过第一卷积神经网络快速产生候选窗体包括：采用全卷积神经网络对所述视频图像处理，以获得候选窗体和边界回归向量，同时，候选窗体根据边界框进行校准，然后利用非极大值抑制法去除重叠窗体。

优选地，所述通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体包括：将包含所述候选窗体的图片在第三卷积神经网络精炼，该网络选用全连接的方式进行训练，利用边界框向量微调候选窗体，再利用非极大值抑制法去除重叠窗体。

优选地，在所述获取用户输入的人脸特征识别指令之前还包括如下训练步骤：

读入人脸图像；

求人脸样本平均脸；

获取非脸特征；

通过线性分类器进行人脸和非人脸判别，并输出判别结果。

优选地，所述人脸特征提取方法还包括：

基于人脸先验知识构建三维人脸的特征点模型；

提取人脸特征点的局部特征并计算特征点间的测地线距离，以获取人脸表述；

将所述人脸表述输入LeNet-5卷积神经网络进行分类，以获取识别结果。

本发明另一方面还提供一种人脸特征提取装置，包括：

指令输入模块，用于获取用户输入的人脸特征识别指令；

图像采集模块，用于根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

特征提取模块，用于根据所述视频图像，对所述人脸目标进行特征识别和提取；

评分模块，用于根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

筛选模块，用于当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

本发明另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述任一所述的人脸特征提取方法的各个步骤。

本发明的人脸特征提取方法、装置及计算机可读存储介质具有如下有益效果：由于所述方法包括，获取用户输入的人脸特征识别指令；根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；根据所述视频图像，对所述人脸目标进行特征识别和提取；根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。也就是说，通过视频图像获取的多个人脸特征进行评分，根据评分结果，选取较佳的人脸特征，因而不仅识别较准确，无需用户在特定位置保持特定姿势，使用方便，因而用户体验好。

附图说明

图1为本发明人脸特征提取方法优选实施例的流程图；

图2为本发明人脸特征提取方法的多个人脸特征分别进行评分的方法优选实施例的流程图；

图3为本发明人脸特征提取装置的原理框图。

具体实施方式

下面结合附图和实施例对发明进行详细说明。需要说明的是，如果不冲突，发明实施例以及实施例中的各个特征可以相互结合，均在发明的保护范围之内。

实施例1

请参阅图1及图2，本发明提供了一种人脸特征提取方法，其包括如下步骤：

S100、获取用户输入的人脸特征识别指令；

在需要对人脸进行识别时，用户通过APP(应用程序)输入人脸特征识别指令。可以理解的是，也可以通过机械开关等输入人脸特征识别指令，在此不做具体限定。

S200、根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

通过CCD摄像头等基于可见光的摄像装置对人脸进行拍摄，以获取视频图像。较佳地，所述根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像具体包括：根据所述识别指令，对人脸目标进行拍摄预设时间，以获取基于可见光的一段视频图像。因此，可获取用户多个时间点的视频图像，在识别时可选取较清晰和特征点较多的视频图像，从而可提高识别的准确率。

S300、根据所述视频图像，对所述人脸目标进行特征识别和提取；

可对人脸目标的眼睛或/和鼻子或/和嘴巴等特征点进行特征识别和提取。较佳地，由于人的眼睛在表情变化时，变化相对较小，因而对眼睛进行特征识别和提取可提高识别的准确率。

S400、根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

其中，所述预设规则可根据需要进行设置，在此不做具体限定。优选地，所述根据预设规则对提取的多个人脸特征分别进行评分的方法包括：

S401、根据要素赋予人脸图像分类标签，其中，所述要素包括：正侧脸、人脸图像是否被遮挡、光线明暗、清晰程度；

S402、根据人脸图像的正侧脸分类对人脸图像进行评分；

S403、根据人脸图像是否被遮挡分类对人脸图像进行评分；

S404、根据人脸图像的光线明暗分类对人脸图像进行评分；

S405、根据人脸图像的清晰程度分类对人脸图像进行评分；

S406、获取该张人脸图像的各项要素评分。

可以理解的是，所述正侧脸包括正脸和测脸。本发明通过所述要素提取的多个人脸特征分别进行评分，其评分维度较为合理，因而不仅识别率较准确，而且较好地避免由于要素较多以致运算速度低的问题。

S500、当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

所述预设阈值可根据需要进行设置，在安全性要求较高的场合可设置较高，反之，在安全性要求不太高的场合可降低阈值。将所述人脸特征数据存储为模板后，在下一次对该用户进行识别时，将该用户的视频图像中的人脸的特征点与所述模板的特征点进行对比，便可对其人脸进行识别。

在本发明优选的实施方式中，所述人脸特征提取方法还包括：

通过第一卷积神经网络对所述视频图像处理快速产生候选窗体；

在本发明优选的实施方式中，所述通过第一卷积神经网络快速产生候选窗体包括：采用全卷积神经网络对所述视频图像处理，以获得候选窗体和边界回归向量，同时，候选窗体根据边界框进行校准，然后利用非极大值抑制法去除重叠窗体。

通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体，其中，所述第二卷积神经网络的卷积层数大于所述第一卷积神经网络的卷积层数；

在本发明优选的实施方式中，所述通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体包括：将包含所述候选窗体的图片在第三卷积神经网络精炼，该网络选用全连接的方式进行训练，利用边界框向量微调候选窗体，再利用非极大值抑制法去除重叠窗体。

通过第三卷积神经网络精炼所述候选窗体，同时显示预设数量的面部特征点位置，其中，所述第三卷积神经网络的卷积层数大于所述第二卷积神经网络的卷积层数。

具体地，在本实施例中，原始待检测图像经过改变大小后，生成不同尺寸的图像，并构建图像金字塔作为网络的输入。构建的图像金字塔，其层数由两个因素决定，第一个是设置的最小人脸minSize，第二个是缩放因子factor，最小人脸表示min(w,h)，在本实施例中，最小人脸不能小于12，缩放因子为0.709，可以根据公式计算图像金字塔的层数：

minL＝org_L*(12/minsize)*factor^(n)，n＝{0,1,2,3,...,N}；

其中n就是金字塔的层数，org_L是输入原始图像的最小边min(W,H)，minisize是人为根据应用场景设定，在保证minL大于12的情况下，所有的n就构成金字塔的层。所以minsize的值越小，n的取值范围就越大，计算量就相应地增加，能够检测到的人脸越小。

第一阶段通过浅层的卷积神经网络快速生成候选窗口，该网络全部由卷积层实现，获取到候选人脸窗和人脸窗的回归向量，基于人脸窗的回归向量对人脸窗进行校正，然后对所有人脸窗进行非极大值抑制(NMS)，合并高度重叠的人脸窗。其具体过程就是通过图像金字塔生成的各种尺寸大小的图片，每一张图都进行一次前向传播，在每个图上得到的结果之后利用设置的阈值去掉一部分，剩下的根据缩放尺度还原到原图上的坐标，将所有的坐标信息汇总，然后进行非极大值抑制去除一部分冗余。

第二阶段再通过一个更复杂的卷积神经网络来处理第一阶段中被误认为人脸的“人脸窗”从而精细化人脸窗，第一阶段的输出作为第二阶段的输入，第一阶段最后产生了大量的边界框，将这些边界框根据缩放因子回推到原图上之后，将他们全部修改尺寸到24x24大小，作为第二阶段的输入。第二阶段经过网络之后同样产生大量的边界框，同样的根据阈值去掉一部分，再利用非极大值抑制法去掉一部分。

最后使用第二阶段中最后留下来的边界框，还原到原来的图片上之后，全部修改尺寸到48x48大小，然后输入到第三阶段，通过第三阶段的卷积神经网络进一步精细化结果并输出人脸上的5个特征点。即通过三阶的级联卷积神经网络对任务进行从粗到细的处理，最终输出人脸框位置和五个特征点位置，其利用检测和校准之间固有的相关性在深度级联的多任务框架下来提升它们的性能，具有精度高和实时性良好的优点。

在本发明优选的实施方式中，在所述获取用户输入的人脸特征识别指令之前还包括如下训练步骤：

读入人脸图像；

求人脸样本平均脸；

获取非脸特征；

通过线性分类器进行人脸和非人脸判别，并输出判别结果。

也就是说，在正式进行商业使用之前，首先训练人脸与非人脸样本，以获取人脸与非人脸特征，再利用训练得出的结果用于检测。其中，平均脸是对总体人脸样本求平均，在读入图像后对图像进行处理及特征提取时，先减去平均脸。由于通过线性分类器进行人脸与非人脸两个类别进行分类，因而使两类的类内聚合度很好，从而可提高判别人脸与非人脸的准确率。较佳地，所述线性分类器为Fisher线性分类器。

其中，在本实施例中，通过二维主成分分析方法进行图像特征提取，其方法为：利用原始图像矩阵构造图像的协方差矩阵，然后提取协方差矩阵的特征向量并构建特征矩阵。通过二维主成分分析方法进行图像特征提取，有效的找出数据中最主要的元素和结构，去噪声和冗余，将原有复杂数据降维，同时最大长度的保持了原有数据的信息，较好地避免了现有技术中基于向量进行提取时，运算量大，识别效率低的问题。

优选地，所述人脸特征提取方法还包括：

基于人脸先验知识构建三维人脸的特征点模型；

提取人脸特征点的局部特征并计算特征点间的测地线距离，以获取人脸表述；

将所述人脸表述输入LeNet-5卷积神经网络进行分类，以获取识别结果。

在本实施例中，通过Gabor小波提取所述人脸特征点的局部特征，挑选人脸特征点的方法是：该特征点所在的区域属于面部显著区域，即该区域对于识别较为重要，例如，鼻子或/和眼睛区域。其中，所述LeNet-5卷积神经网络为现有技术，在此不再赘述。

所述Gabor小波的表达式为：

x′＝xcosθ+ysinθ

y′＝-.xsinθ+ycosθ

式中：x、y表示空间域像素的位置；θ表示的是旋转方向，在此设置为θ＝π/8，2π/8，3π/8，4π/8，5π/8，6π/8，7π/8共8个方向。λ表示波长，设定为λ＝1，2，3，4，5共5个尺度；表示相位偏移，一般默认为0；γ代表横纵比，设置为1来平衡水平与垂直方向；σ代表Gabor函数中高斯成分的标准差，默认为1。由此，构建出一个包含40个滤波器的Gabor滤波组。

将三维人脸投影至深度图上，并通过双线性插值法补全人脸。如果只提取特征点本身信息，无法反映出三维数据丰富的几何信息，故使用Gabor滤波器提取特征点邻域特征，设置滤波窗口的大小为3×3，滤波后每个滤波器下的邻域特征扩展为5×5，对每个滤波器下的矩阵求取加权均值，由此每个特征点将具有5×8的矩阵特征描述。该方法对表情变化具有很好的稳健性，不需要人工标定特征点，正确识别率达到97.6％。本发明的人脸特征提取方法利用光线，基于人脸数据筛选出目标人物，然后实现高质量图像数据保存。同时对于特定人物的人脸图片构建模型。可以广泛应用到医院、药店、火车站和机场贵宾厅等公共场合。

由上可知，由于所述方法包括，获取用户输入的人脸特征识别指令；根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；根据所述视频图像，对所述人脸目标进行特征识别和提取；根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。也就是说，通过视频图像获取的多个人脸特征进行评分，根据评分结果，选取较佳的人脸特征，因而不仅识别较准确，无需用户在特定位置保持特定姿势，使用方便，因而用户体验好。

实施例2

请参阅图3，本发明还提供一种人脸特征提取装置，包括：

指令输入模块1，用于获取用户输入的人脸特征识别指令；

图像采集模块2，用于根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

特征提取模块3，用于根据所述视频图像，对所述人脸目标进行特征识别和提取；

评分模块4，用于根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

筛选模块5，用于当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

由上可知，本发明的人脸特征提取装置在进行人脸识别时，获取用户输入的人脸特征识别指令；根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；根据所述视频图像，对所述人脸目标进行特征识别和提取；根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。也就是说，通过视频图像获取的多个人脸特征进行评分，根据评分结果，选取较佳的人脸特征，因而不仅识别较准确，无需用户在特定位置保持特定姿势，使用方便，因而用户体验好。

实施例3

本发明另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

获取用户输入的人脸特征识别指令；

根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

根据所述视频图像，对所述人脸目标进行特征识别和提取；

根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

在一种优选的实施方式中，在所述根据预设规则对提取的多个人脸特征分别进行评分的步骤中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

根据要素赋予人脸图像分类标签，其中，所述要素包括：正侧脸、人脸图像是否被遮挡、光线明暗、清晰程度；

根据人脸图像的正侧脸分类对人脸图像进行评分；

根据人脸图像是否被遮挡分类对人脸图像进行评分；

根据人脸图像的光线明暗分类对人脸图像进行评分；

根据人脸图像的清晰程度分类对人脸图像进行评分；

获取该张人脸图像的各项要素评分。

在一种优选的实施方式中，所述根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像步骤中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

根据所述识别指令，对人脸目标进行拍摄预设时间，以获取基于可见光的一段视频图像。

在一种优选的实施方式中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

通过第一卷积神经网络对所述视频图像处理快速产生候选窗体；

通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体，其中，所述第二卷积神经网络的卷积层数大于所述第一卷积神经网络的卷积层数；

通过第三卷积神经网络精炼所述候选窗体，同时显示预设数量的面部特征点位置，其中，所述第三卷积神经网络的卷积层数大于所述第二卷积神经网络的卷积层数。

在一种优选的实施方式中，所述通过第一卷积神经网络快速产生候选窗体步骤中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：采用全卷积神经网络对所述视频图像处理，以获得候选窗体和边界回归向量，同时，候选窗体根据边界框进行校准，然后利用非极大值抑制法去除重叠窗体。

在一种优选的实施方式中，所述通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体步骤中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：将包含所述候选窗体的图片在第三卷积神经网络精炼，该网络选用全连接的方式进行训练，利用边界框向量微调候选窗体，再利用非极大值抑制法去除重叠窗体。

在一种优选的实施方式中，在所述获取用户输入的人脸特征识别指令之前步骤中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

读入人脸图像；

求人脸样本平均脸；

获取非脸特征；

通过线性分类器进行人脸和非人脸判别，并输出判别结果。

在一种优选的实施方式中，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

基于人脸先验知识构建三维人脸的特征点模型；

提取人脸特征点的局部特征并计算特征点间的测地线距离，以获取人脸表述；

将所述人脸表述输入LeNet-5卷积神经网络进行分类，以获取识别结果。

以上对发明所提供的人脸特征提取方法、装置及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容仅为发明的实施方式，并非因此限制发明的专利范围，凡是利用发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在发明的专利保护范围内，不应理解为对发明的限制。

Claims (10)

1.一种人脸特征提取方法，其特征在于，包括：

获取用户输入的人脸特征识别指令；

根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

根据所述视频图像，对所述人脸目标进行特征识别和提取；

根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板。

2.如权利要求1所述的人脸特征提取方法，其特征在于，所述根据预设规则对提取的多个人脸特征分别进行评分的方法包括：

根据要素赋予人脸图像分类标签，其中，所述要素包括：正侧脸、人脸图像是否被遮挡、光线明暗、清晰程度；

根据人脸图像的正侧脸分类对人脸图像进行评分；

根据人脸图像是否被遮挡分类对人脸图像进行评分；

根据人脸图像的光线明暗分类对人脸图像进行评分；

根据人脸图像的清晰程度分类对人脸图像进行评分；

获取该张人脸图像的各项要素评分。

3.如权利要求1或2所述的人脸特征提取方法，其特征在于，所述根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像具体包括：

根据所述识别指令，对人脸目标拍摄预设时间，以获取基于可见光的一段视频图像。

4.如权利要求1或2所述的人脸特征提取方法，其特征在于，所述人脸特征提取方法还包括：

通过第一卷积神经网络对所述视频图像处理快速产生候选窗体；

通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体，其中，所述第二卷积神经网络的卷积层数大于所述第一卷积神经网络的卷积层数；

通过第三卷积神经网络精炼所述候选窗体，同时显示预设数量的面部特征点位置，其中，所述第三卷积神经网络的卷积层数大于所述第二卷积神经网络的卷积层数。

5.如权利要求4所述的人脸特征提取方法，其特征在于，所述通过第一卷积神经网络快速产生候选窗体包括：采用全卷积神经网络对所述视频图像处理，以获得候选窗体和边界回归向量，同时，候选窗体根据边界框进行校准，然后利用非极大值抑制法去除重叠窗体。

6.如权利要求5所述的人脸特征提取方法，其特征在于，所述通过第二卷积神经网络精炼所述候选窗体，丢弃至少部分重叠窗体包括：将包含所述候选窗体的图片在第三卷积神经网络精炼，该网络选用全连接的方式进行训练，利用边界框向量微调候选窗体，再利用非极大值抑制法去除重叠窗体。

7.如权利要求1或2所述的人脸特征提取方法，其特征在于，在所述获取用户输入的人脸特征识别指令之前还包括如下训练步骤：

读入人脸图像；

求人脸样本平均脸；

获取非人脸特征；

通过线性分类器进行人脸和非人脸判别，并输出判别结果。

8.如权利要求1或2所述的人脸特征提取方法，其特征在于，所述人脸特征提取方法还包括：

基于人脸先验知识构建三维人脸的特征点模型；

提取人脸特征点的局部特征并计算特征点间的测地线距离，以获取人脸表述；

将所述人脸表述输入LeNet-5卷积神经网络进行分类，以获取识别结果。

9.一种人脸特征提取装置，其特征在于，所述装置包括：

指令输入模块，用于获取用户输入的人脸特征识别指令；

图像采集模块，用于根据所述识别指令，对人脸目标进行拍摄，以获取基于可见光的视频图像；

特征提取模块，用于根据所述视频图像，对所述人脸目标进行特征识别和提取；

评分模块，用于根据预设规则对提取的多个人脸特征分别进行评分，然后按预设的评分权重来计算该人脸特征的综合评分；

筛选模块，用于当所述人脸特征综合评分大于预设阈值时，将该人脸特征数据存储为模板，否则将该人脸特征丢弃。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任一所述的人脸特征提取方法的各个步骤。