CN110321843A - 一种基于深度学习的人脸择优算法 - Google Patents

Abstract

本发明公开了一种基于深度学习的人脸择优算法，包括以下步骤；步骤一：将人脸检测得到的人脸区域图片归一化成96*96的BGR三通道数据格式，输入角度量化算法，得到角度量化值；步骤二、该值小于等于阈值（0.5），则丢掉该人脸区域图片；步骤三、该值大于阈值（0.5），将96*96的BGR三通道数据输入清晰度量化算法，得到清晰度量化值；步骤四、清晰度量化值小于等于阈值（0.5），则丢掉该人脸区域图片，若大于阈值（0.5），保留该人脸区域图片。本发明可以根据算法进行人脸角度择优，可以根据人脸图片的清晰度择优，提高了人脸图像的识别准确率，能够排选出最佳的人脸图形，保证了人脸识别效果，具有较好的推广性。

Description

一种基于深度学习的人脸择优算法

技术领域

本发明涉及人脸识别处理技术领域，具体为一种基于深度学习的人脸择优算法。

背景技术

随着深度学习在计算机视觉上的广泛应用，人脸识别已经落地于诸多项目，人脸识别包括了人脸检测、人脸择优、关键点定位、人脸对齐，人脸特征值提取和比对，在非约束（无感、非配合）条件下如何快捷有效的筛选出高质量的人脸图片，即人脸择优，是很重要的一环，在现实非约束条件下，被采集者以各种运动方向和角度对着摄像头，检测出的人脸有不同的俯仰角和侧视角度，适合做人脸识别的小角度人脸比较少，需要算法进行人脸角度择优，此外，人脸图片的清晰度也同样影响人脸识别效果；在现实非约束条件下，运动模糊、对焦模糊、不同光照条件下模糊如逆光和暗光、摄像机本身带来的噪点模糊等对人脸识别构成挑战；在软件方面，最直接的方式丢掉这些不适合做识别的人脸图片，本文提出了一种基于深度学习的人脸角度和清晰度量化筛选算法。

发明内容

本发明的目的在于提供一种基于深度学习的人脸择优算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的人脸择优算法，包括以下步骤；

步骤一：将人脸检测得到的人脸区域图片归一化成96*96的BGR三通道数据格式，输入角度量化算法，得到角度量化值；

步骤二、该值小于等于阈值（0.5），则丢掉该人脸区域图片；

步骤三、该值大于阈值（0.5），将96*96的BGR三通道数据输入清晰度量化算法，得到清晰度量化值；

步骤四、清晰度量化值小于等于阈值（0.5），则丢掉该人脸区域图片，若大于阈值（0.5），保留该人脸区域图片。

优选的，所述角度量化算法为：

S1、将不同的俯仰角和侧视角度按大小分成五类，具体如下：

1).超大角度：侧视超过60度，俯视超过40度，仰视超过40度；

2).大角度：侧视45-60度，俯视30-40度，仰视30-40度；

3).中角度：侧视30-45度，俯视20-30度，仰视20-30度；

4).小角度：侧视15-30度，俯视10-20度，仰视10-20度；

5).正脸：侧视小于15度，俯视小于10度，仰视小于10度；

S2、如果人脸同时侧视和俯仰视，以最大的分级为准；

S3、训练五分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0-超大角度）* 0 + P（1-大角度）* 1 + P（2-中角度）* 2 + P（3-小角度）* 3 + P（4-正脸）* 4] / 4。

优选的，当所述Score小于等于该阈值时，丢掉该人脸区域图片。

优选的，所述清晰度量化算法为：

S1、将各种小角度人脸和正脸图片按清晰度等级分成三类：

1).清晰人脸：适合做人脸识别；

2).不确定：清晰度一般，有一部分适合做做人脸识别；

3).模糊人脸：不适合做人脸识别；

S2、训练三分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0-模糊）* 0 + P（1-不确定）* 1 + P（2-清晰人脸）* 2] / 2。

优选的，当所述Score大于该阈值时，保留该人脸区域图片。

本发明提出的一种基于深度学习的人脸择优算法，有益效果在于：本发明可以根据算法进行人脸角度择优，可以根据人脸图片的清晰度择优，提高了人脸图像的识别准确率，能够排选出最佳的人脸图形，保证了人脸识别效果，具有较好的推广性。

附图说明

图1为本发明所述一种基于深度学习的人脸择优算法的技术流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

实施例1、请参阅图1，本发明提供一种技术方案：一种基于深度学习的人脸择优算法，包括以下步骤；

步骤一：将人脸检测得到的人脸区域图片归一化成96*96的BGR三通道数据格式，输入角度量化算法，得到角度量化值；

所述角度量化算法为：

S1、将不同的俯仰角和侧视角度按大小分成五类，具体如下：

1）.超大角度：侧视超过60度，俯视超过40度，仰视超过40度；

2）.大角度：侧视45-60度，俯视30-40度，仰视30-40度；

3）.中角度：侧视30-45度，俯视20-30度，仰视20-30度；

4）.小角度：侧视15-30度，俯视10-20度，仰视10-20度；

5）.正脸：侧视小于15度，俯视小于10度，仰视小于10度；

S2、如果人脸同时侧视和俯仰视，以最大的分级为准；

S3、训练五分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0-超大角度）* 0 + P（1-大角度）* 1 + P（2-中角度）* 2 + P（3-小角度）* 3 + P（4-正脸）* 4] / 4；

当所述Score小于等于该阈值时，丢掉该人脸区域图片；

收集不同角度的人脸数据，按上述要求分成五类，每类大概六千张左右，五千张用于训练，一千张用于测试，训练前需要将数据进行各种手段的增强，如转化成三通道的灰度图，空间投影变换，提取不同的人脸尺度，crop，各种色彩变换等等；

步骤二、该值小于等于阈值（0.5），则丢掉该人脸区域图片；

步骤三、该值大于阈值（0.5），将96*96的BGR三通道数据输入清晰度量化算法，得到清晰度量化值；

所述清晰度量化算法为：

S1、将各种小角度人脸和正脸图片按清晰度等级分成三类：

1）.清晰人脸：适合做人脸识别；

2）.不确定：清晰度一般，有一部分适合做做人脸识别；

3）.模糊人脸：不适合做人脸识别；

S2、训练三分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0-模糊）* 0 + P（1-不确定）* 1 + P（2-清晰人脸）* 2] / 2；

当所述Score大于该阈值时，保留该人脸区域图片；

收集不同清晰度人脸数据，按上述要求分成五类，每类大概一万张左右，八千张用于训练，两千张用于测试，训练前需要将数据进行各种手段的增强，如转化成三通道的灰度图，空间投影变换，提取不同的人脸尺度，crop，各种色彩变换等；

步骤四、清晰度量化值小于等于阈值（0.5），则丢掉该人脸区域图片，若大于阈值（0.5），保留该人脸区域图片。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于深度学习的人脸择优算法，其特征在于：包括以下步骤；

步骤一：将人脸检测得到的人脸区域图片归一化成96*96的BGR三通道数据格式，输入角度量化算法，得到角度量化值；

步骤二、该值小于等于阈值（0.5），则丢掉该人脸区域图片；

步骤三、该值大于阈值（0.5），将96*96的BGR三通道数据输入清晰度量化算法，得到清晰度量化值；

步骤四、清晰度量化值小于等于阈值（0.5），则丢掉该人脸区域图片，若大于阈值（0.5），保留该人脸区域图片。

2.根据权利要求1所述的一种基于深度学习的人脸择优算法，其特征在于：所述角度量化算法为：

S1、将不同的俯仰角和侧视角度按大小分成五类，具体如下：

1).超大角度：侧视超过60度，俯视超过40度，仰视超过40度；

2).大角度：侧视45-60度，俯视30-40度，仰视30-40度；

3).中角度：侧视30-45度，俯视20-30度，仰视20-30度；

4).小角度：侧视15-30度，俯视10-20度，仰视10-20度；

5).正脸：侧视小于15度，俯视小于10度，仰视小于10度；

S2、如果人脸同时侧视和俯仰视，以最大的分级为准；

S3、训练五分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0-超大角度）* 0 + P（1-大角度）* 1 + P（2-中角度）* 2 + P（3-小角度）* 3 + P（4-正脸）* 4] / 4。

3.根据权利要求2所述的一种基于深度学习的人脸择优算法，其特征在于：当所述Score小于等于该阈值时，丢掉该人脸区域图片。

4.根据权利要求1所述的一种基于深度学习的人脸择优算法，其特征在于：所述清晰度量化算法为：

S1、将各种小角度人脸和正脸图片按清晰度等级分成三类：

1).清晰人脸：适合做人脸识别；

2).不确定：清晰度一般，有一部分适合做做人脸识别；

3).模糊人脸：不适合做人脸识别；

S2、训练三分类深度算法，最后得到各分类的概率值进行加权平均：

Score = [P（0-模糊）* 0 + P（1-不确定）* 1 + P（2-清晰人脸）* 2] / 2。

5.根据权利要求4所述的一种基于深度学习的人脸择优算法，其特征在于：当所述Score大于该阈值时，保留该人脸区域图片。