CN110717356A - 一种人脸识别检测方法及系统 - Google Patents

Abstract

本发明实施例提供一种人脸识别检测方法及系统，所提供的方法包括：对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。本发明提供的方法，减少了人脸检测模块的计算资源占用，检测效率高，并且能适用于非高清图像的人脸识别。

Description

一种人脸识别检测方法及系统

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种人脸识别检测方法及系统。

背景技术

大视频成为中国移动重点发展方向，视频监控业务在政企市场、个人市场增长迅速，主要应用于城市安防、楼宇监控、室内安防等各种场所。视频监控结合计算机图像分析技术，能够创造出各种智能应用。基于视频监控图像的人脸识别技术能应用于案犯跟踪、身份鉴别、形态分析等场景，海量的人脸分析还能形成人脸大数据，形成各种创新应用。

在现有的基于视频监控的人脸识别技术中，公开号103310200B的中国专利介绍的人脸识别方法；该方法含有下列步骤：步骤1：从存储器中按顺序取出一帧图像数据进行图像预处理；步骤2：对图像预处理后的帧数据进行人脸检测；步骤3：对检测到的当前帧图像数据中存在的人脸图片进行人脸图片尺度变换处理和人脸图片灰度归一化处理；步骤4：采用DCT算法和MMSD算法相结合的人脸识别算法，先对预先采集到的人脸数据库的人脸图片进行二维DCT变换，然后再对二维DCT变换后的变换系数矩阵应用MMSD算法进行特征提取，获得最优特征鉴别矩阵W；步骤5：将步骤3中处理后的人脸图片先经过二维DCT变换，然后再投影到步骤4中的最优特征鉴别矩阵W，利用最近邻分类方法匹配人脸图片。该技术方案计算复杂度高，对实时性检测效率有较大影响，不适合大规模、多路视频监控图像的并发人脸检测需求。

公开号103902992B的中国专利介绍的人脸识别方法，包括以下步骤：S1：生成人脸弹性束图；S2：生成基于外观的人脸识别模型，计算获得基于外观的人脸识别模型与数据库中已有的人脸模型矢量之间的余弦相似度；S3：生成基于几何特征的人脸识别模型，计算获得的基于几何特征的人脸识别模型与数据库中已有的人脸模型矢量之间的余弦相似度；S4：基于步骤S2与基于步骤S3的相似度级别使用逻辑回归混合；S5：基于步骤S4的结果判定人脸识别结果。该技术方案适用于近距离高清拍摄图像的人脸识别，不适合光线不佳、天气影响、中等距离拍摄等普通监控画面的人脸识别。

现有技术中，人脸识别的过程中计算复杂度高，对实时性检测效率有较大影响，不适合大规模、多路视频监控图像的并发人脸检测，同时对检测环境有较多的需求，检测准确率较低。

发明内容

本发明实施例提供一种人脸识别检测方法及系统，用以解决现有技术中人脸识别的过程中计算复杂度高，对实时性检测效率有较大影响，不适合大规模、多路视频监控图像的并发人脸检测，同时对检测环境有较多的需求，检测准确率较低的问题。

本发明实施例提供一种人脸识别检测方法，包括：

对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；

若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；

根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；

根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

本发明实施例还提供一种人脸识别检测系统，包括：

子窗口划分模块，用于对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；

图像提取模块，用于若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；

图像处理模块，用于根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；

识别模块，用于根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行上人脸识别检测方法。

本发明实施例还提供一种人脸识别检测设备，包括：

至少一个处理器；以及与所述处理器连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述提供的人脸识别检测方法的步骤。

本发明提供的一种人脸识别检测方法及系统，首先筛选出运动图像，构建人脸中心概率图，通过人脸中心概率图，调整检测窗口的位置进行调整，进而对检测窗口中的画面进行识别检测，减少了人脸检测模块的计算资源占用，检测效率高，算法健壮，并且能适用于非高清图像的人脸识别。

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一简单地介绍，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为本发明实施例提供的一种人脸识别检测方法的流程示意图；

图2为本发明实施例提供的一种人脸识别系统的结构示意图；

图3为本发明实施例提供的一种人脸识别设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

参考图1，图1为本发明实施例提供的一种人脸识别检测方法的流程图，所提供的方法包括：

S1对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；

具体的，首先进行图像的预处理部分，对于获取到的视频或实时监控的录像，针对图像大小的不确定，将获得的帧图像进行归一化处理，然后将每一帧图像划分为大小为M*N像素的子窗口，在具体实施中，由于检测场景的复杂多变，可以事先画出一个固定的检测区域，去除一些人群不可能到达的区域，例如墙面、树木等区域，减少计算机算法资源消耗。

S2，若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像。

具体的，通过对每一帧图像中的每个子窗口的状态进行判断，若一个子窗口中连续N帧没有检测到运动状态时，则该子窗口的状态为静默状态，若一个子窗口中检测到有运动状态时，则判定该子窗口状态为非静默状态，针对一副完整的当前帧图像，如果其中非静默状态的窗口数量大于预设阈值时，则判定当前帧图像中有人脸，随后将当前帧图像作为待检测图像进行人脸识别。

S3，根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图。

具体的，在获取了待检测图像后，通过计算图像中每一个像素点为人脸中心的概率，从而构建有人脸中心点概率组成的人脸中心点概率图，图中概率越高的位置点表示人脸中心处于这个位置点的概率越高。

S4，根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

具体的，通过人脸中心概率图，调整矩形检测窗口的位置，将矩形窗口的中心位置调整到人脸中心概率值最大的位置，在具体实施中，将检测窗口大小设置为128*128，每次移动为32个步长，从左到右，从上往下，滑动矩形窗口，利用人脸中心概率图对窗口位置进行调整，即把该矩形窗口中人脸中心概率值最大处设为调整后的窗口中心位置。当调整后的串口符合检测条件后，对检测窗口内的图像进行识别检测，从而完成人脸识别过程。

通过此方法，首先筛选出运动图像，构建人脸中心概率图，通过人脸中心概率图，调整检测窗口的位置进行调整，进而对检测窗口中的画面进行识别检测，减少了人脸检测模块的计算资源占用，检测效率高，算法健壮，并且能适用于非高清图像的人脸识别。

在上述实施例的基础上，所述对所述实时视频中的每一帧图像进行子窗口划分的步骤具体包括：

将每一帧图像进行归一化处理，将归一化处理后的图像进行划分，构成由多个大小相同的子窗口组成的图像。

对于不同尺寸的实时视频，首先通过归一化处理将视频的尺寸大小进行统一，随后再将大小统一的实时视频画面进行切割，将每一帧图像切割为多个大小相同的子窗口组成的图像。

通过对不同的窗口中的图像状态进行检测，当处于静默状态时，即在预设的帧数内图像没运动对象时，则可以停止对人脸识别的过程，减少计算机资源的使用，当有在一帧图像中，有足够多的子窗口中判定有运动物体时，则开始对该帧图像进行人脸识别。

在上述实施例的基础上，所述若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像，具体包括：

通过帧差法，对所述任一帧图像中每个点的像素值，与所述任一帧图像的前一帧图像对应位置的像素点的像素值进行相减，获取目标像素点；

对于所述任一帧图像的任一子窗口，若所述任一子窗口内目标像素点数量，占所述任一个子窗口内的像素点总数量的比例大于预设比例，则判定所述任一该子窗口的状态为非静默状态；其中，所述目标像素点为像素点差值大于第二预设阈值的像素点；

若所述任一帧图像中，处于非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像。

具体的，本步骤的侦差法为当前帧图像减去上一帧图像，通过自适应阈值T2，来判别当前帧图像中是否有运动物体，设当前帧图像中一个像素点的像素值为curr，上一帧图像中，相同位置的像素点的像素值为pre，则当abs(curr-pre)>T2时，则输出结果diff的值为225，当abs(curr-pre)＜T2时，则输出结果diff的值为0，随后统计在一个子窗口内，diff值为225的像素点所占的比例，当这个比例大于预设的比例值的时候，则说明该子窗口区域内有物体运动，该子窗口的状态为非静默状态，否则说明该窗口处于静默状态。

随后统计当前帧图像中，子窗口状态为非静默状态的个数，当子窗口为非静默状态的个数超过预设的个数值的时候，则表明当前帧图像中包含运动物体，可以进行人脸检测和识别。

帧差法的结果是为了判断当前图像内有没有运动对象，如果较长一段时间没有运动，那么显然这里不存在人员信息。这里我们采用一个计数器counter来对静止状态进行计数。如果这一帧是静止态，则counter计数器加1。如果这一帧处于非静止态，则counter计数器置0，当counter计数器大于C2帧时，也就是连续C2帧都是静止态时，判定该区域处于静默态，只要在C2帧中有一帧为有运动，则判定该区域处于非静默态。

在上述实施例的基础上，所述根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图，具体包括：

采用soble算子，计算所述待检测图像的梯度值，获得所述待检测图像的梯度图；将所述待检测图像的梯度图中的背景点的梯度设置为0，获取所述待检测图像中前景点的梯度图；根据所述待检测图像中前景点的梯度图，，计算每个前景点属于人脸中心的概率，获得人脸中心点概率图。

具体的，将待检测图像进行梯度值的计算，采用soble算子，对待检测图像进行卷积操作，将所述待检测图像中，背景点的梯度值设置为0，计算每个前景点的梯度值，根据每个前景点的梯度值，计算每个前景点上，以半径为r的圆内的梯度和，得到该前景点为人脸中心的概率，进而构建人脸中心概率图。

其中，soble算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表待检测图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:

将不在前景点上的梯度值设置为0，公式如下：

其中，其中F为前景图，G为梯度图，(x，y)代表第x行第y列。

通过此方法，计算每个前景点的图像梯度，根据图像梯度计算每个前景点属于人脸中心的概率值，进而构建人脸中心概率图，提升了人脸识别准确率。

在上述实施例的基础上，所述前景点通过以下方法获取：对所述实时视频，采用基于背景模型，根据所述实时视频中的帧图像的每个背景点构建一个样本集；计算所述待检测图像中每个点的像素值和所述样本集中每个样本值的距离；若所述距离小于第三预设阈值，则将该像素值作为近似样本点，若所述待测图像中近似样本点的数目小于第四预设阈值，则判定所述近似样本点为前景点。

具体的，对于图片中前景点的提取，具体方法如下，对于每一路视频监控图像，采用背景模型为每个背景点存储一个样本集，然后在每一帧图像中，将每个点的像素值和样本集进行比较，并判断是否属于背景。具体判断方式为，计算当前帧图像中的像素点与样本集中对应位置的像素点的距离，若距离小于预设阈值Lb，则将该像素点作为近似样本点，当一帧图像中，近似样本点的数量超过预设阈值的时候，则认为近似样本点为新的背景图像，并将当前像素点的8个邻域点对样本集中的一个随机样本进行更新；若一帧图像中，近似样本点的数量小于预设阈值的时候，则认为该近似样本点为前景点。

在上述实施例的基础上，所述根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测，具体包括：

根据所述人脸中心点概率图，调整检测窗口位置，以将所述检测窗口中人脸中心概率值最大的点设置为所述检测窗口的中心点，计算所述检测窗口中图像的特征向量；将所述特征向量输入到预设的支持向量机中，对所述特征向量进行分类识别，获得人脸识别结果。

具体的，选定检测窗口的大小为128*128，通过人脸中心概率图，将人脸中心概率最大的地方设置为窗口的中心位置，并对窗口范围内的图像采用预设的支持向量机进行分类。

在具体实施中，将检测窗口大小设置为128*128并且可以在一帧图像中进行移动，每次移动的步长为32，利用人脸中心概率图对该检测窗口位置进行调整，即把该矩形窗口中人脸中心概率值最大处设为调整后的窗口中心位置，判断该窗口中的图像是否符合检测条件，由于在一帧图像中，人脸所占的范围可能极小，因此需要当检测窗口中的前景点个数占整个检测窗口像素点数目的百分比大于一定的比例时，才判定当前检测窗口内的图像蛮子检测条件。

在监测窗口中的图像满足检测条件后，计算该窗口图像的梯度方向直方图特征向量，采用支持向量机对梯度方向直方图特征向量进行分类识别，识别出与人脸库中匹配的矩形窗口人脸图像。

通过此方法，保证在一个检测窗口中拥有满足检测条件的图片，进而通过支持向量机对图片状态进行检测，从而完成人脸检测识别过程，提升了检测成功率和人脸识别的准确率。

在上述实例的基础上，所述计算所述检测窗口中图像的特征向量，还包括：

对所述检测窗口图像进行多个尺度的缩放，获得多个尺度下的检测窗口图像；分别对所述多个尺度下的检测窗口图像进行特征向量的提取，获得对应的多个特征向量。

具体的，通过对满足检测条件的检测窗口中的图像进行缩放，获得多个缩放尺度的图片，缩放尺度可以为0.6、0.8、1.3和1.6的比例，对不同缩放比例的图片进行特征提取和支持向量机的识别，直至以上四个尺度都完成检测，将其中检测结果里面，准确率最高的识别结果作为最终的识别结果。

在上述实施例的基础上，所述方法还包括：采集人脸图像样本，对人脸图像样本进行归一化处理，获得所述人脸图像的特征向量，构成训练样本集；通过所述训练样本集，对支持向量机进行训练。

具体的，在人脸识别之前，需要对使用的支持向量机进行训练，具体的训练过程为，采集人脸样本，并归一化到128*128像素大小。计算人脸样本的梯度方向和直方图特征向量，对归一化之后的图像计算梯度方向图，其中在计算的时候，采用大窗口为64*64像素，小窗口为32*32像素，角度分为每20°为一区间，则为9个区间，计算得到最后特征向量的维数为225。可以根据人脸库的数量及人脸识别的精度要求优化上述参数的大小，改变梯度方向直方图特征向量的维数，维数越大，支持的人脸库数量及检测精度越高。通过样本图片和图片的特征向量，进而构建训练样本集。采用支持向量机的训练方式，通过训练样本集对支持向量机进行训练。

综上所述，本发明实施例提供的人脸识别检测方法，通过筛选画面的运动图像，结合运动图像的梯度图，构建人脸中心点概率图，利用人脸中心点概率图对窗口位置进行调整，计算该窗口图像的梯度方向直方图特征向量，采用支持向量机对梯度方向直方图特征向量进行分类识别，减少了人脸检测模块的计算资源占用，检测效率高，能满足各种检测条件下的人脸识别检测需求。

参考图2，图2为本发明实施例提供的一种人脸识别系统的结构图，所提供的系统包括：子窗口划分模块21，图像提取模块22，图像处理模块23和识别模块24。

其中，子窗口划分模块21用于对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口。

具体的，首先进行图像的预处理部分，对于获取到的视频或实时监控的录像，针对图像大小的不确定，将获得的帧图像进行归一化处理，然后将每一帧图像划分为大小为M*N像素的子窗口，在具体实施中，由于检测场景的复杂多变，可以事先画出一个固定的检测区域，去除一些人群不可能到达的区域，例如墙面、树木等区域，减少计算机算法资源消耗。

其中，图像提取模块22用于若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像。

具体的，通过对每一帧图像中的每个子窗口的状态进行判断，若一个子窗口中连续N帧没有检测到运动状态时，则该子窗口的状态为静默状态，若一个子窗口中检测到有运动状态时，则判定该子窗口状态为非静默状态，针对一副完整的当前帧图像，如果其中非静默状态的窗口数量大于预设阈值时，则判定当前帧图像中有人脸，随后将当前帧图像作为待检测图像进行人脸识别。

其中，图像处理模块23用于根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图。

具体的，在获取了待检测图像后，通过计算图像中每一个像素点为人脸中心的概率，从而构建有人脸中心点概率组成的人脸中心点概率图，图中概率越高的位置点表示人脸中心处于这个位置点的概率越高。

其中，识别模块24用于根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

具体的，通过人脸中心概率图，调整矩形检测窗口的位置，将矩形窗口的中心位置调整到人脸中心概率值最大的位置，在具体实施中，将检测窗口大小设置为128*128，每次移动为32个步长，从左到右，从上往下，滑动矩形窗口，利用人脸中心概率图对窗口位置进行调整，即把该矩形窗口中人脸中心概率值最大处设为调整后的窗口中心位置。当调整后的串口符合检测条件后，对检测窗口内的图像进行识别检测，从而完成人脸识别过程。

通过此系统，首先筛选出运动图像，构建人脸中心概率图，通过人脸中心概率图，调整检测窗口的位置进行调整，进而对检测窗口中的画面进行识别检测，减少了人脸检测模块的计算资源占用，检测效率高，算法健壮，并且能适用于非高清图像的人脸识别。

图3示例了一种人脸识别检测设备的结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、存储器(memory)330和总线340，其中，处理器310，存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

本实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种人脸识别检测方法，其特征在于，包括：

对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；

若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；

根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；

根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

2.根据权利要求1所述的方法，其特征在于，所述若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像，具体包括：

通过帧差法，对所述任一帧图像中每个点的像素值，与所述任一帧图像的前一帧图像在对应位置的像素点的像素值进行相减，根据像素值差值获取目标像素点；

对于所述任一帧图像的任一子窗口，若所述任一子窗口内目标像素点数量，占所述任一个子窗口内的像素点总数量的比例大于预设比例，则判定所述任一该子窗口的状态为非静默状态；其中，所述目标像素点为像素点差值大于第二预设阈值的像素点；

若所述任一帧图像中，处于非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像。

3.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图，具体包括：

采用soble算子，计算所述待检测图像的梯度值，根据所述梯度值，获得所述待检测图像的梯度图；

将所述待检测图像的梯度图中的背景点的梯度设置为0，获取所述待检测图像中前景点的梯度图；

根据所述待检测图像中前景点的梯度图，计算每个前景点属于人脸中心的概率，获得人脸中心点概率图。

4.根据权利要求3所述的方法，其特征在于，所述前景点通过以下方法获取：

对所述实时视频，采用基于背景模型，根据所述实时视频中的帧图像的每个背景点构建一个样本集；

计算所述待检测图像中每个点的像素值和所述样本集中每个样本值的距离；

若所述距离小于第三预设阈值，则将该像素值作为近似样本点，若所述待测图像中近似样本点的数目小于第四预设阈值，则判定所述近似样本点为前景点。

5.根据权利要求1所述的方法，其特征在于，所述根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测，具体包括：

根据所述人脸中心点概率图，调整检测窗口位置，以将所述检测窗口中人脸中心概率值最大的点设置为所述检测窗口的中心点，计算所述检测窗口中图像的特征向量；

将所述特征向量输入到预设的支持向量机中，对所述特征向量进行分类识别，获得人脸识别结果。

6.根据权利要求5所述的方法，其特征在于，所述计算所述检测窗口中图像的特征向量，还包括：

对所述检测窗口图像进行多个尺度的缩放，获得多个尺度下的检测窗口图像；

分别对所述多个尺度下的检测窗口图像进行特征向量的提取，获得对应的多个特征向量。

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

采集人脸图像样本，对人脸图像样本进行归一化处理，获得所述人脸图像的特征向量，构成训练样本集；

通过所述训练样本集，对支持向量机进行训练。

8.一种人脸识别检测系统，其特征在于，包括：

子窗口划分模块，用于对于实时视频中的任一帧图像，将所述任一帧图像划分为多个大小相同的子窗口；

图像提取模块，用于若所述任一帧图像中非静默状态的子窗口数量大于第一预设阈值，则将所述任一帧图像作为待检测图像；

图像处理模块，用于根据所述待检测图像每一个像素点为人脸中心点的概率，获取人脸中心点概率图；

识别模块，用于根据所述人脸中心点概率图，调整检测窗口的位置，对所述检测窗口内的图像进行识别检测。

9.一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，该程序被处理器执行时实现如权利要求1到7中任一所述的方法的步骤

10.一种人脸识别检测设备，其特征在于，其特征在于，包括：

至少一个处理器；以及与所述处理器连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。

Images