一种人脸检测方法与流程

本发明涉及图像检测技术领域，尤其涉及一种人脸检测方法。

背景技术：

随着智能设备的技术发展，在智能设备上发展出各种各样的信息交互方式，以将使用者从传统的键鼠信息输入的方式中解放出来。这些新型的信息交互方式例如语音交互方式、手势交互方式、人脸识别交互方式以及指纹识别交互方式等均开始应用在智能设备例如智能机器人中。

现有技术中的人脸识别交互方式中，最重要的一个环节就是保证人脸识别的准确度。换言之，为了保证人脸识别交互方式的有效性，必须要首先保证人脸识别的准确度。

例如将人脸识别交互方式利用在智能设备的自动唤醒功能上，即若人脸识别为特定的使用者，则自动唤醒智能设备，反之智能设备无法被唤醒。在这种交互功能的情形下，若人脸识别的准确度不够，则可能会产生：1)无法识别特定的使用者而无法达到自动唤醒的功能，反而提升使用者的操作复杂度；2)可能会出现误识别而将原本不是特定使用者的人脸识别为关联于特定使用者的人脸而启动自动唤醒的功能，从而提高智能设备内隐私资料被泄漏的潜在可能。

现有技术中的人脸识别技术，通常只能对正对摄像头的人脸进行识别，若使用者与摄像头之间具有一定的角度，则识别精度会大大下降。

技术实现要素：

根据现有技术中存在的上述问题，现提供一种人脸检测方法的技术方案，旨在检测出人脸上包括五官以及外轮廓等部位的信息，提升人脸检测的准确度。

上述技术方案具体包括：

一种人脸检测方法，其中，包括，于预先输入的复数个人脸训练样本中分别确定多个人脸特征信息，并根据每个所述人脸训练样本中的所有所述人脸特征信息训练形成特征预测模型，还包括：

步骤s1，采用图像采集装置获取图像；

步骤s2，采用预先训练形成的人脸检测器判断所述图像中是否包括人脸：

若否，则返回所述步骤s1；

步骤s3，采用所述特征预测模型，在所述图像中的所述人脸上预测得到多个所述人脸特征信息；

步骤s4，根据预测得到的多个所述人脸特征信息构成关联于所述人脸的面部结构，随后退出。

优选的，该人脸检测方法，其中，训练形成所述特征预测模型的步骤具体包括：

步骤a1，获取多个包括不同角度的人脸的图像，以作为所述人脸训练样本；

步骤a2，在一个预设的所述人脸训练样本上标注多个所述人脸特征信息作为输入信息，以及将关联于预设的所述人脸训练样本的角度信息作为输出信息，对所述特征预测模型进行训练；

步骤a3，判断是否存在尚未作为训练依据的所述人脸训练样本：

若是，则形成并输出最终的所述特征预测模型，随后退出；

若否，则返回所述步骤a2，以根据下一个所述人脸训练样本对所述特征预测模型进行训练。

优选的，该人脸检测方法，其中，所述步骤a2中，采用逻辑回归算法，以多个所述人脸特征信息作为所述输入信息，以所述角度信息作为所述输出信息，对所述特征预测模型进行训练。

优选的，该人脸检测方法，其中，所述步骤a2中，采用神经网络回归算法，以多个所述人脸特征信息作为所述输入信息，以所述角度信息作为所述输出信息，对所述特征预测模型进行训练。

优选的，该人脸检测方法，其中，所述步骤a2中，得到关联于所述人脸训练样本的所述角度信息的方法包括：

预先根据获取的所述人脸图像与所述图像采集装置的不同角度得到相应的所述角度信息。

优选的，该人脸检测方法，其中，所述步骤a2中，得到关联于所述人脸训练样本的所述角度信息的方法包括：

根据所述人脸训练样本上得到关联于所述人脸的五官轮廓上的任意两点，并根据所述任意两点之间的连线与图像坐标系中的x坐标轴之间的角度确定关联于所述人连续连样本的所述角度信息；或者

根据所述人脸训练样本上得到关联于所述人脸的五官轮廓上的任意两点，并根据所述任意两点之间的连线与图像坐标系中的y坐标轴之间的角度确定关联于所述人连续连样本的所述角度信息。

优选的，该人脸检测方法，其中，每个所述人脸特征信息用于表示所述人脸上的一个特征点。

优选的，该人脸检测方法，其中，所述特征点包括：

用于表示所述人脸上的眉毛部分的所述特征点；和/或

用于表示所述人脸上的眼睛部分的所述特征点；和/或

用于表示所述人脸上的鼻子部分的所述特征点；和/或

用于表示所述人脸上的嘴巴部分的所述特征点；和/或

用于表示所述人脸的整体外轮廓的所述特征点。

优选的，该人脸检测方法，其中，所述步骤s2中，若所述图像中包括人脸，则获取所述人脸在所述图像中的位置信息和大小信息后，转向所述步骤s3；

则所述步骤s3中，根据所述人脸的所述位置信息和所述大小信息，采用所述特征预测模型，在所述图像中的所述人脸上预测得到多个所述人脸特征信息。

上述技术方案的有益效果是：提供一种人脸检测方法，能够检测出人脸上包括五官以及外轮廓等部位的信息，提升人脸检测的准确度。

附图说明

图1是本发明的较佳的实施例中，一种人脸检测方法的总体流程示意图；

图2是本发明的较佳的实施例中，预先训练形成特征预测模型的流程示 意图。

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作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种人脸检测方法，该方法应用于智能设备中，进一步地可以应用在能够与使用者之间进行信息交互的智能设备中，例如应用在智能机器人中。具体地，在智能机器人中应用人脸检测方法，可以通过检测使用者的人脸来执行相应的操作，例如检测出特定的使用者的人脸，则唤醒智能机器人并准备接收使用者的下一步指令等。

则本发明的较佳的实施例中，上述人脸检测方法的步骤具体如图1所示，包括：

步骤s1，采用图像采集装置获取图像；

步骤s2，采用预先训练形成的人脸检测器判断图像中是否包括人脸：

若否，则返回步骤s1；

步骤s3，采用特征预测模型，在图像中的人脸上预测得到多个人脸特征信息；

步骤s4，根据预测得到的多个人脸特征信息构成关联于人脸的面部结构，随后退出。

在一个具体的实施例中，首先采用图像采集装置获取该图像采集装置正前方的图像。该图像采集装置可以为摄像头，例如设置在智能机器人头部的摄像头。

在该实施例中，利用上述图像采集装置采集得到图像后，依照一预先训 练形成的人脸检测器检测其中是否包括有人脸：若是，则转向后续步骤s3；若否，则返回上述步骤s1。具体地，人脸检测器是一种可以预先训练形成并用来对人脸进行判断的检测模型，该检测模型的训练过程在现有技术中有较多实现方式，在此不再赘述。

在该实施例中，检测到图像中包括人脸后，再采用预先训练形成的特征预测模型，在图像中的人脸上预测得到多个人脸特征信息。具体地，所谓特征预测模型，是采用下述方法形成的：预先输入的复数个人脸训练样本中分别确定多个人脸特征信息，并根据每个所述人脸训练样本中的所有所述人脸特征信息训练形成特征预测模型。该特征预测模型的具体形成步骤在下文中会详述。

该实施例中，所谓人脸特征信息，其可以用来表示人脸上的不同部位的特征信息，例如包括下文中所述的至少一种：

用于表示人脸上的眉毛部分的特征点；

用于表示人脸上的眼睛部分的特征点；

用于表示人脸上的鼻子部分的特征点；

用于表示人脸上的嘴巴部分的特征点；

用于表示人脸的整体外轮廓的特征点。

换言之，上述人脸特征信息是用来描述人脸上各部位的轮廓的信息。则在该实施例中，通过上述预先训练形成的特征预测模型预测得到人脸特征信息后，根据得到的人脸特征信息得到人脸的面部特征信息，即得到人脸的整个面部结构，从而能够提升人脸检测的准确度。

本发明的较佳的实施例中，上述步骤s2中，若图像中包括人脸，则获取人脸在图像中的位置信息和大小信息后，转向步骤s3；

具体地，所谓位置信息，是指人脸在整个图像中的位置。所谓大小信息，是指人脸在整个图像中的大小，其单位可以为像素。

则上述步骤s3中，根据人脸的位置信息和大小信息，采用特征预测模型，在图像中的人脸上预测得到多个人脸特征信息。

本发明的较佳的实施例中，如图2所示，上文中所述的训练形成特征预测模型的步骤具体包括：

步骤a1，获取多个包括不同角度的人脸的图像，以作为人脸训练样本；

步骤a2，在一个预设的人脸训练样本上标注多个人脸特征信息作为输入信息，以及将关联于预设的人脸训练样本的角度信息作为输出信息，对特征预测模型进行训练；

步骤a3，判断是否存在尚未作为训练依据的人脸训练样本：

若是，则形成并输出最终的特征预测模型，随后退出；

若否，则返回步骤a2，以根据下一个人脸训练样本对特征预测模型进行训练。

本发明的较佳的实施例中，上述复数个人脸训练样本可以为100个人脸训练样本，即安排100个普通人站在图像采集装置面前，以录入相应的人脸作为人脸训练样本。

具体地，现有技术中的人脸检测方案，通常要求使用者站在正对摄像头的地方，并且将人脸正对摄像头，以保证人脸检测的准确度。若人脸与摄像头之间存在一定的角度，则会直接影响到人脸检测的准确度。则在本发明的较佳的实施例中，根据这一问题，预先训练得到上述特征预测模型，即：

首先获取多个包括不同角度的人脸的图像，以作为人脸训练样本，则对于每个人脸训练样本，应当获取到该人脸训练样本对应于摄像头的角度信息。该角度信息的获取方式可以为：

①根据人脸与摄像头之间的角度预先获得，例如预先安排测试者站在与摄像头呈已知角度的位置，以供摄像头获取人脸图像，随后记录该已知角度，作为该人脸训练样本对应的角度信息；或者

②根据人脸训练样本上得到关联于人脸的五官轮廓上的任意两点，并根据任意两点之间的连线与图像坐标系中的x坐标轴之间的角度确定关联于人连续连样本的角度信息；或者

③根据人脸训练样本上得到关联于人脸的五官轮廓上的任意两点，并根据任意两点之间的连线与图像坐标系中的y坐标轴之间的角度确定关联于人连续连样本的角度信息。

换言之，上述获取角度信息的方法，可以包括直接获取预先设定好的角度信息，或者根据人脸上面部轮廓的任意两点之间的连线与x轴/y轴之间的夹角来获得。

本发明的较佳的实施例中，上述步骤a2中，在一个预设的人脸训练样 本上标注多个人脸特征信息作为输入信息。具体地，在一个预设的人脸训练样本上可以根据预先设定的标准标注68个特征点，以作为所述人脸特征信息。如上文中所述，上述68个人脸特征信息可以分别用来表示人脸上的嘴巴、眼睛、眉毛、鼻子以及整体外轮廓等区域的特征，即采用该68个人脸特征信息可以大致上描述出人脸的整个面部轮廓，包括其中包括的各个部位的轮廓。本发明的其他实施例中，可以根据实际需要的识别精度，增加或减少上述人脸特征信息的标注。

本发明的较佳的实施例中，对于一个预设的人脸训练样本而言，以关联于该人脸训练样本的多个人脸特征信息(例如68个人脸特征信息)作为输入信息，并将该人脸训练样本中的人脸与摄像头之间的角度信息作为输出信息，以训练形成上述特征预测模型。

具体地，本发明的较佳的实施例中，上述训练形成特征预测模型的过程可以通过逻辑回归算法实现，即将上述人脸特征信息作为输入信息输入到逻辑回归模型训练器中，并将相应的角度信息作为输出信息，从而利用逻辑回归算法处理得到相应的特征预测模型。

本发明的另一个较佳的实施例中，上述训练形成特征预测模型的过程也可以通过神经网络回归算法来实现，即利用神经网络回归算法，将上述人脸特征信息作为输入信息，以及将上述角度信息作为输出信息，从而训练得到上述特征预测模型。

本发明的其他实施例中，上述训练形成特征预测模型的过程还可以通过其他参数回归算法实现，在此不再赘述。

本发明的较佳的实施例中，最终训练形成的特征预测模型可以为一个svm(supportvectormachine，支持向量机)模型。则在实际应用中，在上述步骤s3中，首先采用特征预测模型预测得到上述人脸中的多个人脸特征信息，例如预测得到68个人脸特征信息。随后将这68个人脸特征信息所组成的特征位置星系(相互位置关系图)输入到上述特征预测模型(svm模型)中，以得到该人脸的角度信息，从而最终获得该人脸的面部结构的相关信息。

综上所述，本发明技术方案中，提供一种人脸检测方法，其中应用了一个预先训练形成的特征预测模型，能够根据人脸与图像采集装置之间的不同角度预测得到人脸上的多个人脸特征信息，从而形成人脸的大致的面部结构， 以提升人脸检测的准确度。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。