CN111832460A - 一种基于多特征融合的人脸图像提取方法及系统 - Google Patents
一种基于多特征融合的人脸图像提取方法及系统 Download PDFInfo
- Publication number
- CN111832460A CN111832460A CN202010641622.8A CN202010641622A CN111832460A CN 111832460 A CN111832460 A CN 111832460A CN 202010641622 A CN202010641622 A CN 202010641622A CN 111832460 A CN111832460 A CN 111832460A
- Authority
- CN
- China
- Prior art keywords
- face image
- feature
- face
- features
- local
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000007499 fusion processing Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 210000000887 face Anatomy 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 210000000744 eyelid Anatomy 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000001815 facial effect Effects 0.000 claims 5
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000003004 ptosis Diseases 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
本发明实施例提供一种基于多特征融合的人脸图像提取方法及系统,该方法包括:对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,第一人脸图像和第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;对人脸检测综合特征进行局部提取,获取人脸局部特征;将人脸局部特征输入到训练好的人脸特征分类模型中,输出得到第一人脸图像和第二人脸图像的人脸特征分类结果;训练好的人脸特征分类模型是通过Adaboost算法训练得到的。本发明实施例通过对不同的人脸图像进行哈尔特征扩展和融合处理,提升特征表达能力,再通过Adaboost算法进行分类,使得人脸检测效率更高,提高分类的识别率和精确度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于多特征融合的人脸图像提取方法及系统。
背景技术
基于人脸图像的计算机辅助分类,是使用计算机技术对人脸图像进行处理后分析得到一系列的分析结果,通过进一步细化分析结果,从而针对人脸特征实现分类。
由于人脸结构复杂,提取得到的特征表达能力较低。现有对于人脸图像特征提取,主要是通过方向梯度直方图(Histogram of Oriented Gradient,简称HOG)算法重点检测边缘特征,该算法采用了较多的参数,只能刻画形状信息,受噪声干扰较大,很难处理人脸图像中的遮挡问题。对于单一类型的人脸图像,对其局部特征进行自动分类时,复杂性较大,实现的分类灵敏度低;同时,特征表达能力较弱,尤其是综合呈现多种特征的人脸图像。
因此,现在亟需一种基于多特征融合的人脸图像提取方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于多特征融合的人脸图像提取方法及系统。
第一方面,本发明实施例提供了一种基于多特征融合的人脸图像提取方法,包括:
对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;
对所述人脸检测综合特征进行局部提取,获取人脸局部特征;
将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
进一步地,所述对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,包括:
获取第一特征矩形和第二特征矩形,用于提取人脸图像中的特征,其中,所述第一特征矩形为所述第一人脸图像的滑动窗口,所述第二特征矩形为所述第二人脸图像的滑动窗口;
同时滑动所述第一特征矩形和所述第二特征矩形,分别获取所述第一特征矩形和所述第二特征矩形中的矩形特征的个数,所述矩形特征包括非旋转矩形特征和旋转矩形特征;
根据所述矩形特征的个数,获取所述第一人脸图像和所述第二人脸图像的特征相关性,并根据所述特征相关性,将满足预设条件的特征作为人脸检测综合特征。
进一步地,所述根据所述矩形特征的个数,获取所述第一人脸图像和所述第二人脸图像的特征相关性,并根据所述特征相关性,将满足预设条件的特征作为人脸检测综合特征,包括:
根据所述第一特征矩形,分别获取所述第一人脸图像的非旋转矩形特征个数和旋转矩形特征个数,公式为:
其中,NRFi表示第i个第一人脸图像的非旋转矩形特征个数,Xi表示第i个第一人脸图像中非旋转矩形特征在水平方向的最大放大比例系数,Yi表示第i个第一人脸图像中非旋转矩形特征在垂直方向的最大放大比例系数,Wi表示第i个第一人脸图像的宽度,wi表示第一特征矩形的宽度,Hi表示第i个第一人脸图像的高度,hi表示第一特征矩形的高度;RFi表示第i个第一人脸图像的旋转矩形特征个数,X’i表示第i个第一人脸图像中旋转矩形特征在水平方向的最大放大比例系数,Y’i表示第i个第一人脸图像中旋转矩形特征在垂直方向的最大放大比例系数,
根据所述第二特征矩形,分别获取所述第二人脸图像的非旋转矩形特征个数和旋转矩形特征个数,公式为:
其中,j表示第j个第二人脸图像;
根据对比判定阈值公式,计算所述第一人脸图像和所述第二人脸图像的特征相关性,所述对比判定阈值公式r(i,j)为:
若|r(i,j)|>0,则所述第一特征矩形和所述第二特征矩形的矩形特征为关键特征,并作为人脸检测综合特征输出;
若r(i,j)=0,则通过遍历第一人脸图像和第二人脸图像,再次进行哈尔特征扩展处理,并计算处理后的第一人脸图像和第二人脸图像中的矩形特征的个数,以根据所述对比判定阈值公式,将满足预设条件的矩形特征作为人脸检测综合特征。
进一步地,所述对所述人脸检测综合特征进行局部提取,获取人脸局部特征,包括:
根据预设哈尔扩展特征模板,对所述人脸检测综合特征进行筛选,得到人脸局部特征。
进一步地,所述人脸局部特征包括:眼间距、眼睑下垂、颧骨阴影、前额、鼻梁和唇颌突起高度。
进一步地,所述训练好的人脸特征分类模型通过以下步骤得到:
获取样本人脸局部特征;
通过所述样本人脸局部特征,对多个弱分类器进行训练,并将训练好的弱分类器进行合并,得到训练好的人脸特征分类模型。
进一步地,在所述对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征之前,所述方法还包括:
对不同的人脸图像进行归一化处理,并对归一化处理后的人脸图像进行哈尔特征扩展处理,分别得到第一人脸图像和第二人脸图像。
第二方面,本发明实施例提供了一种基于多特征融合的人脸图像提取系统,包括:
特征融合模块,用于对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;
人脸局部特征提取模块,用于对所述人脸检测综合特征进行局部提取,获取人脸局部特征;
特征分类模块,用于将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
第三方面,本发明实施例提供一种电子设备,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程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于多特征融合的人脸图像提取方法及系统,通过对不同的人脸图像进行哈尔特征扩展和融合处理,提升了人脸结构的特征表达能力,再将融合后得到的综合特征通过Adaboost算法构建的模型进行分类,使得人脸检测的效率更高,提高人脸图像分类的识别率和精确度,并且经过不同类型数据的特征融合可以提高分类的泛化能力和鲁棒性。
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基于多特征融合的人脸图像提取方法的流程示意图;
图2为本发明实施例提供的基于多特征融合的人脸图像提取系统的结构示意图;
图3为本发明实施例提供的电子设备结构示意图。
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。
在人脸图像处理中,有用信息出现的地方往往只占整幅图像的一小部分,在特征生成前去除贡献不大的特征,从人脸图像的局部特征中抽取关键特征,使用尽量细化的特征提取标准,去关注这些有用的信息而抑制其他非关键的信息。本发明实施例将不同表现特征人脸图像的融合数据进行预处理清洗,经过自定义的哈尔扩展特征多次迭代循环,判断局部特征值与模版阈值进行比对,从而逐步提高局部特征值的精确度;然后将融合后得到的综合特征输入到构建的AdaBoost迭代分类算法中实现人脸特征量化,最后输出分类结果。
图1为本发明实施例提供的基于多特征融合的人脸图像提取方法的流程示意图,如图1所示,本发明实施例提供了一种基于多特征融合的人脸图像提取方法,包括:
步骤101,对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的。
在本发明实施例中,针对任意两张不同的人脸图像,首先将这两张图像进行哈尔特征扩展处理,分别得到对应的第一人脸图像和第二人脸图像,哈尔特征扩展处理最主要的优势在于,它的计算非常快速,通过使用一个称为积分图的结构,使得任意尺寸的哈尔特征可以在常数时间内进行计算,只需要固定次数来读取和加减法运算即可完成所有的哈尔特征扩展处理。
优选地,在本发明实施例中,在所述对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征之前,所述方法还包括:对不同的人脸图像进行归一化处理,并对归一化处理后的人脸图像进行哈尔特征扩展处理,分别得到第一人脸图像和第二人脸图像。具体地,首先分别基于第一人脸图像和第二人脸图像进行统一标准的几何归一化处理,并从归一化处理后的人脸图像中截取出人脸位置居中的图像样本,进行后续的哈尔特征扩展处理。
进一步地,将第一人脸图像和第二人脸图像进行特征融合,将两张图像中相关性较高的特征作为人脸检测综合特征。在本发明实施例中,还可以将第一人脸图像和第二人脸图像各自的独有特征也作为人脸检测综合特征,从而为后续的特征分类提供更好的分类数据,例如,第一人脸图像中包含有唇颌突起高度等特征,第二人脸图像中包含有颧骨阴影等特征,这些特征可能只在其中一种人脸图像中出现,但是又可以用于后续的特征分类,因此,本发明实施例将此类独有特征也作为人脸检测综合特征。
步骤102,对所述人脸检测综合特征进行局部提取,获取人脸局部特征。
在本发明实施例中,根据预设哈尔扩展特征模板,对所述人脸检测综合特征进行筛选,将满足预设要求的人脸特征进行保留,得到人脸局部特征,将这些融合后的多种特征输入到后续的分类器里,输出得到分类结果,可提高特征抽取的泛化能力以及容错性。其中,所述人脸局部特征包括:眼间距、眼睑下垂、颧骨阴影、前额、鼻梁和唇颌突起高度;所述预设哈尔扩展特征模板可通过对样本人脸图像进行哈尔扩展特征处理得到。在本发明实施例中,人脸局部特征不止包括线性和边缘特征,还包括上述提到的各种局部特征,例如,眼睛要比脸颊颜色深,鼻翼两侧要比鼻梁颜色深,眼睑下垂,颧骨阴影和咬颌突出等扩展特征也都会产生有区分度的中心像素块。
步骤103,将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
本发明实施例提供的基于多特征融合的人脸图像提取方法,通过对不同的人脸图像进行哈尔特征扩展和融合处理,提升了人脸结构的特征表达能力,再将融合后得到的综合特征通过Adaboost算法构建的模型进行分类,使得人脸检测的效率更高,提高人脸图像分类的识别率和精确度,并且经过不同类型数据的特征融合可以提高分类的泛化能力和鲁棒性。
在上述实施例的基础上,所述对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,包括:
获取第一特征矩形和第二特征矩形,用于提取人脸图像中的特征,其中,所述第一特征矩形为所述第一人脸图像的滑动窗口,所述第二特征矩形为所述第二人脸图像的滑动窗口;
同时滑动所述第一特征矩形和所述第二特征矩形,分别获取所述第一特征矩形和所述第二特征矩形中的矩形特征的个数,所述矩形特征包括非旋转矩形特征和旋转矩形特征;
根据所述矩形特征的个数,获取所述第一人脸图像和所述第二人脸图像的特征相关性,并根据所述特征相关性,将满足预设条件的特征作为人脸检测综合特征。
在上述实施例的基础上,所述根据所述矩形特征的个数,获取所述第一人脸图像和所述第二人脸图像的特征相关性,并根据所述特征相关性,将满足预设条件的特征作为人脸检测综合特征,包括:
根据所述第一特征矩形,分别获取所述第一人脸图像的非旋转矩形特征个数和旋转矩形特征个数,公式为:
其中,NRFi表示第i个第一人脸图像的非旋转矩形特征个数,Xi表示第i个第一人脸图像中非旋转矩形特征在水平方向的最大放大比例系数,Yi表示第i个第一人脸图像中非旋转矩形特征在垂直方向的最大放大比例系数,Wi表示第i个第一人脸图像的宽度,wi表示第一特征矩形的宽度,Hi表示第i个第一人脸图像的高度,hi表示第一特征矩形的高度;RFi表示第i个第一人脸图像的旋转矩形特征个数,X’i表示第i个第一人脸图像中旋转矩形特征在水平方向的最大放大比例系数,Y’i表示第i个第一人脸图像中旋转矩形特征在垂直方向的最大放大比例系数,
根据所述第二特征矩形,分别获取所述第二人脸图像的非旋转矩形特征个数和旋转矩形特征个数,公式为:
其中,j表示第j个第二人脸图像;
根据对比判定阈值公式,计算所述第一人脸图像和所述第二人脸图像的特征相关性,所述对比判定阈值公式r(i,j)为:
若|r(i,j)|>0,则所述第一特征矩形和所述第二特征矩形的矩形特征为关键特征,并作为人脸检测综合特征输出;在满足该预设条件时,说明当前迭代过程中,矩形特征为关键特征,特征相关度高。
若r(i,j)=0,则通过遍历第一人脸图像和第二人脸图像,再次进行哈尔特征扩展处理,并计算处理后的第一人脸图像和第二人脸图像中的矩形特征的个数,以根据所述对比判定阈值公式,将满足预设条件的矩形特征作为人脸检测综合特征。在满足该预设条件时,说明选取的当前矩形特征权值不满足判定值区间,特征无关,仍需继续遍历扩展特征模版,需要执行改变特征模板的位置和大小关系,以及样式和类别,再循环迭代检测局部特征,提高特征值检测的精确度。
在本发明实施例中,可通过样本人脸图像构建预设哈尔扩展特征模版,以用于计算局部特征权值,其中,针对人脸图像局部的细节特征,设定关于检测边缘、线性和中心特性的多种特征扩展模版,然后将其输入循环积分图计算,最后在迭代滑动窗口每次选取特征块时,根据比对判定阈值,逐步获取特征个数从而计算相关性。
在上述实施例的基础上,所述训练好的人脸特征分类模型通过以下步骤得到:
获取样本人脸局部特征;
通过所述样本人脸局部特征,对多个弱分类器进行训练,并将训练好的弱分类器进行合并,得到训练好的人脸特征分类模型。
在本发明实施例中,首先初始化AdaBoost分类器各个参数,从而初始化分类器与权重;然后,运行算法进行迭代,将计算所得的哈尔扩展特征块的权值比输入到级联弱分类器,从而生成最终的强分类器,以通过这个强分路器对后续输入的人脸局部特征进行分类,得到最终分类结果。
图2为本发明实施例提供的基于多特征融合的人脸图像提取系统的结构示意图,如图2所示,本发明实施例提供了一种基于多特征融合的人脸图像提取系统,包括特征融合模块201、人脸局部特征提取模块202和特征分类模块203,其中,特征融合模块201用于对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;人脸局部特征提取模块202用于对所述人脸检测综合特征进行局部提取,获取人脸局部特征;特征分类模块203用于将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
本发明实施例提供的基于多特征融合的人脸图像提取系统,通过对不同的人脸图像进行哈尔特征扩展和融合处理,提升了人脸结构的特征表达能力,再将融合后得到的综合特征通过Adaboost算法构建的模型进行分类,使得人脸检测的效率更高,提高人脸图像分类的识别率和精确度,并且经过不同类型数据的特征融合可以提高分类的泛化能力和鲁棒性。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图3为本发明实施例提供的电子设备结构示意图,参照图3,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行如下方法:对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;对所述人脸检测综合特征进行局部提取,获取人脸局部特征;将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于多特征融合的人脸图像提取方法,例如包括:对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;对所述人脸检测综合特征进行局部提取,获取人脸局部特征;将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
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)
1.一种基于多特征融合的人脸图像提取方法,其特征在于,包括:
对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;
对所述人脸检测综合特征进行局部提取,获取人脸局部特征;
将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
2.根据权利要求1所述的基于多特征融合的人脸图像提取方法,其特征在于,所述对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,包括:
获取第一特征矩形和第二特征矩形,用于提取人脸图像中的特征,其中,所述第一特征矩形为所述第一人脸图像的滑动窗口,所述第二特征矩形为所述第二人脸图像的滑动窗口;
同时滑动所述第一特征矩形和所述第二特征矩形,分别获取所述第一特征矩形和所述第二特征矩形中的矩形特征的个数,所述矩形特征包括非旋转矩形特征和旋转矩形特征;
根据所述矩形特征的个数,获取所述第一人脸图像和所述第二人脸图像的特征相关性,并根据所述特征相关性,将满足预设条件的特征作为人脸检测综合特征。
3.根据权利要求2所述的基于多特征融合的人脸图像提取方法,其特征在于,所述根据所述矩形特征的个数,获取所述第一人脸图像和所述第二人脸图像的特征相关性,并根据所述特征相关性,将满足预设条件的特征作为人脸检测综合特征,包括:
根据所述第一特征矩形,分别获取所述第一人脸图像的非旋转矩形特征个数和旋转矩形特征个数,公式为:
其中,NRFi表示第i个第一人脸图像的非旋转矩形特征个数,Xi表示第i个第一人脸图像中非旋转矩形特征在水平方向的最大放大比例系数,Yi表示第i个第一人脸图像中非旋转矩形特征在垂直方向的最大放大比例系数,Wi表示第i个第一人脸图像的宽度,wi表示第一特征矩形的宽度,Hi表示第i个第一人脸图像的高度,hi表示第一特征矩形的高度;RFi表示第i个第一人脸图像的旋转矩形特征个数,X’i表示第i个第一人脸图像中旋转矩形特征在水平方向的最大放大比例系数,Y’i表示第i个第一人脸图像中旋转矩形特征在垂直方向的最大放大比例系数,
根据所述第二特征矩形,分别获取所述第二人脸图像的非旋转矩形特征个数和旋转矩形特征个数,公式为:
其中,j表示第j个第二人脸图像;
根据对比判定阈值公式,计算所述第一人脸图像和所述第二人脸图像的特征相关性,所述对比判定阈值公式r(i,j)为:
若|r(i,j)|>0,则所述第一特征矩形和所述第二特征矩形的矩形特征为关键特征,并作为人脸检测综合特征输出;
若r(i,j)=0,则通过遍历第一人脸图像和第二人脸图像,再次进行哈尔特征扩展处理,并计算处理后的第一人脸图像和第二人脸图像中的矩形特征的个数,以根据所述对比判定阈值公式,将满足预设条件的矩形特征作为人脸检测综合特征。
4.根据权利要求1所述的基于多特征融合的人脸图像提取方法,其特征在于,所述对所述人脸检测综合特征进行局部提取,获取人脸局部特征,包括:
根据预设哈尔扩展特征模板,对所述人脸检测综合特征进行筛选,得到人脸局部特征。
5.根据权利要求4所述的基于多特征融合的人脸图像提取方法,其特征在于,所述人脸局部特征包括:眼间距、眼睑下垂、颧骨阴影、前额、鼻梁和唇颌突起高度。
6.根据权利要求1所述的基于多特征融合的人脸图像提取方法,其特征在于,所述训练好的人脸特征分类模型通过以下步骤得到:
获取样本人脸局部特征;
通过所述样本人脸局部特征,对多个弱分类器进行训练,并将训练好的弱分类器进行合并,得到训练好的人脸特征分类模型。
7.根据权利要求1所述的基于多特征融合的人脸图像提取方法,其特征在于,在所述对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征之前,所述方法还包括:
对不同的人脸图像进行归一化处理,并对归一化处理后的人脸图像进行哈尔特征扩展处理,分别得到第一人脸图像和第二人脸图像。
8.一种基于多特征融合的人脸图像提取系统,其特征在于,包括:
特征融合模块,用于对第一人脸图像和第二人脸图像进行特征融合处理,得到人脸检测综合特征,所述第一人脸图像和所述第二人脸图像是通过对不同的人脸图像分别进行哈尔特征扩展处理得到的;
人脸局部特征提取模块,用于对所述人脸检测综合特征进行局部提取,获取人脸局部特征;
特征分类模块,用于将所述人脸局部特征输入到训练好的人脸特征分类模型中,输出得到所述第一人脸图像和所述第二人脸图像的人脸特征分类结果;所述训练好的人脸特征分类模型是由样本人脸局部特征,通过Adaboost算法训练得到的。
9.一种电子设备,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程序时实现如权利要求1至7任一项所述基于多特征融合的人脸图像提取方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多特征融合的人脸图像提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641622.8A CN111832460A (zh) | 2020-07-06 | 2020-07-06 | 一种基于多特征融合的人脸图像提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641622.8A CN111832460A (zh) | 2020-07-06 | 2020-07-06 | 一种基于多特征融合的人脸图像提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832460A true CN111832460A (zh) | 2020-10-27 |
Family
ID=72901038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641622.8A Pending CN111832460A (zh) | 2020-07-06 | 2020-07-06 | 一种基于多特征融合的人脸图像提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832460A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108563999A (zh) * | 2018-03-19 | 2018-09-21 | 特斯联(北京)科技有限公司 | 一种面向低质量视频图像的人物身份识别方法与装置 |
WO2019114036A1 (zh) * | 2017-12-12 | 2019-06-20 | 深圳云天励飞技术有限公司 | 人脸检测方法及装置、计算机装置和计算机可读存储介质 |
CN110751069A (zh) * | 2019-10-10 | 2020-02-04 | 武汉普利商用机器有限公司 | 一种人脸活体检测方法及装置 |
-
2020
- 2020-07-06 CN CN202010641622.8A patent/CN111832460A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019114036A1 (zh) * | 2017-12-12 | 2019-06-20 | 深圳云天励飞技术有限公司 | 人脸检测方法及装置、计算机装置和计算机可读存储介质 |
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 |
CN108563999A (zh) * | 2018-03-19 | 2018-09-21 | 特斯联(北京)科技有限公司 | 一种面向低质量视频图像的人物身份识别方法与装置 |
CN110751069A (zh) * | 2019-10-10 | 2020-02-04 | 武汉普利商用机器有限公司 | 一种人脸活体检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
张建明;汪大庆;: "基于Adaboost算法的多姿态人脸实时视频检测", 计算机工程与设计, no. 18, 28 September 2010 (2010-09-28) * |
张雯;王文伟;: "基于局部二值模式和深度学习的人脸识别", 计算机应用, no. 05 * |
毕萍;赵恒;梁继民;: "基于多分类器融合的多姿态人脸检测方法", 系统仿真学报, no. 20, 20 October 2009 (2009-10-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Research on face detection technology based on MTCNN | |
JP7078803B2 (ja) | 顔写真に基づくリスク認識方法、装置、コンピュータ設備および記憶媒体 | |
US8401250B2 (en) | Detecting objects of interest in still images | |
JP4410732B2 (ja) | 顔画像検出装置、顔画像検出方法および顔画像検出プログラム | |
CN111813997B (zh) | 入侵分析方法、装置、设备及存储介质 | |
CN105825192A (zh) | 一种人脸表情识别方法及系统 | |
US20100111375A1 (en) | Method for Determining Atributes of Faces in Images | |
WO2019014814A1 (zh) | 一种定量检测人脸抬头纹的方法和智能终端 | |
Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
Kheirkhah et al. | A hybrid face detection approach in color images with complex background | |
Mayer et al. | Adjusted pixel features for robust facial component classification | |
Benzaoui et al. | Face recognition using 1DLBP, DWT and SVM | |
Booysens et al. | Ear biometrics using deep learning: a survey | |
Lu et al. | Eye detection based on rectangle features and pixel-pattern-based texture features | |
CN111488811B (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN111832460A (zh) | 一种基于多特征融合的人脸图像提取方法及系统 | |
RU2768797C1 (ru) | Способ и система для определения синтетически измененных изображений лиц на видео | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
Deepa et al. | Age estimation in facial images using histogram equalization | |
CN111950403A (zh) | 一种虹膜分类方法及系统、电子设备和存储介质 | |
Choudhary et al. | A Statistical Approach for Iris Recognition Using K-NN Classifier | |
Brimblecombe | Face detection using neural networks | |
CN112818728B (zh) | 年龄识别的方法及相关产品 | |
Paul et al. | Automatic adaptive facial feature extraction using CDF analysis | |
CN111444860A (zh) | 一种表情识别方法和系统 |
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 |