一种基于融合特征的人脸检测与对齐方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105512638A(43)申请公布日2016.04.20(21)申请号201510983142.9(22)申请日2015.12.24(71)申请人黄江地址100191北京市海淀区学院路37号申请人王华锋蔡叶荷宋文凤杜俊逸吕卫锋(72)发明人黄江王华锋蔡叶荷宋文凤杜俊逸吕卫锋(74)专利代理机构北京科迪生专利代理有限责任公司11251代理人杨学明顾炜(51)Int.Cl.G06K9/00(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于融合特征的人脸检测与对齐方法(57)摘要本发明提供一种基于融合特征的人脸检测与对齐方法，包含四个步骤：首先由输入图像生成多尺度金字塔图像，然后以固定大小窗口和固定步长扫描不同尺度图像，生成多个候选人脸窗口；然后依次将扫描窗口模块生成的候选人脸窗口作为输入传递给人脸非人脸分类器，分类器输出人脸窗口；接着以上一步骤输出的人脸图像为输入传递给人脸特征点回归器，人脸特征点回归器输出该人脸图像中的人脸特征点位置如眉毛、眼角、鼻子、嘴角等；最后根据人脸特征点检测模块输出的人脸图像及其对应的人脸特征点位置，对人脸进行旋转和缩放处理，输出对齐后的人脸图像。本发明可实现对图像中人脸的自动检测与自动对齐，具有速度快、准确率高的特点，有助于提高人脸验证与人脸识别技术的准确率。CN105512638ACN105512638A权利要求书1/1页1.一种基于融合特征的人脸检测与对齐方法，其特征在于包括以下四个步骤：步骤(1)、首先将输入图像放大至5倍于原图像大小，然后以0.7937为系数乘以放大后的图像尺寸，生成新的尺寸图像，重复该过程直至图像尺寸大小小于特定阈值，按照上述步骤生成了多尺度金字塔图像后，然后以固定大小窗口和固定步长扫描不同尺度的图像，生成多个候选人脸窗口；步骤(2)、然后提取图像的传统特征和卷积神经网络特征，训练一个人脸非人脸分类器，所述传统特征是指localbinarypattern特征和Haar-like特征；预先训练好的人脸非人脸分类器本质上是一个二分类器，输入固定大小图像，输出0或1，即表示输入图像是否是人脸；依次将步骤(1)生成的候选人脸窗口作为输入传递给预先训练好的人脸非人脸分类器，分类器输出人脸图像；步骤(3)、接着提取人脸图像的传统特征和卷积神经网络特征，训练一个人脸特征点回归器；以步骤(2)输出的人脸图像为输入传递给预先训练好的人脸特征点回归器，人脸特征点回归器输出该人脸图像中的人脸特征点位置，包括眉毛、眼角、鼻子、嘴角；步骤(4)、最后根据步骤(3)输出的人脸图像及其对应的人脸特征点位置，选取两个固定人脸特征点作为定点，对人脸图像进行旋转和缩放处理，输出对齐后的人脸图像，对齐后的人脸图像中所选取固定特征点的位置将不变。2.根据权利要求1所述的方法，其特征在于：步骤(1)所述多尺度图像金字塔模型的缩放系数0.7937既有助于算法检测到不同尺度大小的人脸，又不至于大幅增加算法的计算时间。3.根据权利要求1所述的方法，其特征在于：步骤(2)中所述的人脸非人脸分类器是通过提取图像的特征为输入训练得到的，图像的特征由传统特征和卷积神经网络特征相融合而成。4.根据权利要求1所述的方法，其特征在于：步骤(3)中所述的人脸特征点回归器是通过提取图像的特征为输入训练得到的，所述图像的特征由传统特征和卷积神经网络特征相融合而成。5.根据权利要求1所述的方法，其特征在于：步骤(4)中所述的对人脸图像进行旋转和缩放，是基于保证人脸左右外眼角两点不变来进行处理。2CN105512638A说明书1/5页一种基于融合特征的人脸检测与对齐方法技术领域[0001]本发明涉及计算机视觉技术领域，具体涉及一种基于传统特征与卷积神经网络特征的人脸检测与对齐方法。背景技术[0002]随着计算机科学的不断发展，人机交互已成为越来越受重视的技术。作为计算机视觉领域的人脸识别和人脸验证技术已经在工业界开始得到应用，在过去几十年中人脸识别与验证技术一直是计算机视觉领域的热点研究课题。而人脸检测与对齐是人脸识别中至关重要的一个步骤。[0003]首先，当前使用比较常见的人脸检测方法是基于Haar-like特征和AdaBoost技术的人脸检测方法，它通过提取人工设计的特征训练了基于AdaBoost技术的人脸分类器。但是由于Haar-like特征是一种人工设计的低层次抽象特征，并不具备完备的人脸信息，所以导致训练出来的分类器准确率不高。[0004]其次，当前使用比较常见的人脸特征点定位方法是自适应形状模型方法(ASM，adaptiveshapemodel)。这种方法对于异常特征点和姿态变化都不具备很强的鲁棒性，因此很难得到准确的人脸特征点，这将