一种人脸检测方法和装置的制造方法
【技术领域】
[0001] 本公开涉及一种图像模式识别技术领域，特别是一种人脸检测方法和装置。
【背景技术】
[0002] 人脸检测技术属于生物识别技术的范畴，目前已成为一种有效的生物身份验证手 段，并在支付、考勤、安全等领域取得了一定的应用成果。根据公开文献显示，已有的人脸自 动检测产品大致可分为两类，一类是基于PC+OS (WIN或Linux)的通用软硬件平台；另一类 就是围绕DSP、FPGA或者ARM开发的嵌入式产品。因成本、稳定性以及可维护性方面的问 题，通用平台在推广上存有一定难度。嵌入式系统是以应用为中心，基于可裁剪的软硬件计 算机技术，适用于对功能、可靠性、功耗以及成本等要求严格的领域。通常由EMPU、RTOS以 及相应的外设和应用程序组成。
[0003] 人脸识别的关键在于人脸特征提取以及分类器算法的选择。参看已有专利技术， 它们大多存在一些共性问题，比如特征参数单一，准确度低；提取、分类过程耗时长，不适宜 实时性要求高的场合等。对于实时性要求高、运算资源有限以及存储带宽限制，同时对准确 度有严格要求的嵌入式等应用场合，上述情况可归纳总结为检测准确度和运算量、存储带 宽之间的矛盾。
【发明内容】
[0004] 为了解决现有技术问题，本公开提出了一种应用在嵌入式系统中的基于DSP的人 脸自动检测装置；同时，还包括一种快速的、准确度高的人脸识别方法。
[0005] -种人脸检测方法，所述方法包括下述步骤：
[0006] S100、计算金字塔特征层数和缩放比例：根据欲识别图像尺寸以及基于人脸模型 训练得到的缩放最小宽高参数，计算金字塔特征层数11_8(^1^以及缩放比例S，所述缩放 比例需确保缩放区域的面积最大化；
[0007] S200、提取金字塔特征层的人脸分类所依据的特征数据：将所述金字塔特征层划 分为完全提取层和近似提取层，分别进行完全提取和近似提取，得到每一层人脸分类所依 据的特征数据；
[0008] 所述完全提取是基于当前得到的缩放比例，从欲识别图像中获取缩放后的图像， 并以获取的缩放图像为输入，根据人脸模型计算人脸分类所依据的特征数据；
[0009] 所述近似提取是缩放从完全提取层得到的人脸分类所依据的特征数据；
[0010] S300、分类金字塔特征层的人脸分类所依据的特征数据：对每一层的金字塔特征 数据应用分类算法进行分类；所述金字塔特征数据包括完全提取层数据和近似提取层数 据；
[0011] S400、得到人脸检测结果：合并每层的分类结果，得到人脸检测结果。
[0012] -种人脸检测装置，所述装置包括人脸检测及识别模块，用以完成对人脸分类所 依据的特征数据的提取与结果识别；所述人脸检测及识别模块包括：
[0013] U100、计算单元，用于计算金字塔特征层数和缩放比例：根据欲识别图像尺寸以及 基于人脸模型训练得到的缩放最小宽高参数，计算金字塔特征层数11_8(^1^以及缩放比 例S，所述缩放比例需确保缩放区域的面积最大化；
[0014] U200、提取单元，用于提取金字塔特征层的人脸分类所依据的特征数据：将金字塔 特征层划分为完全提取层和近似提取层，分别进行完全提取和近似提取，得到每一层人脸 分类所依据的特征数据；
[0015] 所述完全提取是基于当前得到的缩放比例，从欲识别图像中获取缩放后的图像， 并以获取的缩放图像为输入，根据人脸模型计算人脸分类所依据的特征数据；
[0016] 所述近似提取是缩放从完全提取层得到的人脸分类所依据的特征数据；
[0017] U300、分类单元，分类金字塔特征层的人脸分类所依据的特征数据：对每一层的金 字塔特征数据应用分类算法进行分类；所述金字塔特征数据包括完全提取层数据和近似提 取层数据；
[0018] U400、人脸识别结果单元：合并分类提取数据单元中每层的分类结果，得到最终的 人脸检测结果。
[0019] 本公开的方法在快速多尺度金字塔特征数据提取的基础上进行分类，在保障检测 准确度的前提下能够有效降低计算量；不限制特征参数，在多层分类的基础上合并结果，进 而得到最终的人脸识别结果，能够提高准确度；由于计算量低，分类过程耗时短，适用于实 时性要求高的场合。基于所述方法实现的装置，使用方便有效，特别适于嵌入式场合的应 用。
【附图说明】
[0020] 图1本公开一个实施例中的特征提取加速示意图。
【具体实施方式】
[0021] 下面结合附图1和实施例对本公开进行详细说明。
[0022] 在一个基础方法实施例中提供了一种人脸检测方法，所述方法包括下述步骤：
[0023] S100、计算金字塔特征层数和缩放比例：根据欲识别图像尺寸以及基于人脸模型 训练得到的缩放最小宽高参数，计算金字塔特征层数11_8(^1^以及缩放比例S，所述缩放 比例需确保缩放区域的面积最大化；
[0024] S200、提取金字塔特征层的人脸分类所依据的特征数据：将所述金字塔特征层划 分为完全提取层和近似提取层，分别进行完全提取和近似提取，得到每一层人脸分类所依 据的特征数据；
[0025] 所述完全提取是基于当前得到的缩放比例，从欲识别图像中获取缩放后的图像， 并以获取的缩放图像为输入，根据人脸模型计算人脸分类所依据的特征数据；
[0026] 所述近似提取是缩放从完全提取层得到的人脸分类所依据的特征数据；
[0027] S300、分类金字塔特征层的人脸分类所依据的特征数据：对每一层的金字塔特征 数据应用分类算法进行分类；所述金字塔特征数据包括完全提取层数据和近似提取层数 据；
[0028] S400、得到人脸检测结果：合并每层的分类结果，得到人脸检测结果。
[0029] 所述方法在快速多尺度金字塔特征数据提取的基础上进行分类，在保障检测准确 度的前提下能够有效降低了计算量。在步骤SlOO中，为让每一层缩放后的图像更平滑，在 计算缩放系数时需要进行微调使得各缩放图像尺寸之间平滑变化，并确保待缩放区域的最 大化。在步骤S200中，为加速特征提取过程，降低总的数据运算量，将总的金字塔特征层数 划分为完全提取和近似提取两大类，划分的标准为缩放比例S。在步骤S300中，得到多层人 脸分类所依据的特征数据，为步骤S400中得到准确的人脸检测结果提供保证。在步骤400 中，将每层中满足人脸模型中设置的参数阈值的、且在窗口同一位置的人脸进行合并。
[0030] 在一个方法实施例中在进行人脸图像检测之前，将欲识别图像进行了图像预处 理，即：在所述步骤SlOO之前，还包括：
[0031] S000、图像预处理：进行欲识别图像的颜色空间、行列格式转换到人脸模型要求的 颜色空间、行列格式。
[0032] 可选的，在图像预处理之前，建立人脸模型。对于人脸模型的建立方法包括基于神 经网络的人脸检测算法、特征脸、基于样本学习方法或其它算法。优选的，使用卷积神经网 络方法来建立和训练人脸模型，该算法不仅检测精度高，而且计算量低，能够使得人脸检测 快速有效。
[0033] 可选的，所述人脸模型的格式要求包括：欲识别图像的颜色空间以及行列格式需 要和人脸模型要求的颜色空间及行列格式一致。其中，可选颜色空间有gray、rgb、hsv或 Iuv等。图像的存储格式为按列存储。
[0034] 在一个方法实施例中提供了步骤SlOO中计算金字塔特征层数的公式，这里所述 金字塔特征层数rescales主要用于估算所述检测方法的计算量，即：所述金字塔特征层数 n_scales的计算公式为：
[0035] n_scales = numX (log(ratio)/log(2. 0)+1)
[0036] 式中：num指基于人脸模型训练得到的金字塔特征层数，主要用于根据图像大小 进行图像缩放次数的确定，即一个确定金字塔特征层数的变量；其中：
[0037] ratio = min(w/min_w, h/min_h)
[0038] 式中：min_w指所述人脸模型里最小图像宽度，min_h指所述人脸模型中最小图像 高度；w指：欲识别图像的宽度，h指：欲识别图像的高度。