人眼检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及一种人眼检测方法、装置、计算机设备及存储介质。方法包括：获取待检测图像，将待检测图像输入到训练好的人眼检测器；通过人眼检测器将待检测图像进行分割，得到多个待检测图像区域；对每个待检测图像区域中像素间的差值进行预置归一化处理，得到多个像素特征；对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域。通过对待检测图像区域中像素间的差值进行预置归一化处理的操作，能够保留较类似的强边缘特征，因此对待检测图像区域中像素间的差值进行预置归一化处理能够降低对强边缘特征的弱化，提高了对人眼检测的准确率。

Human eye detection method, device, computer equipment and storage medium

The invention relates to a human eye detection method, device, computer equipment and storage medium. The method includes: obtaining the image to be detected, putting the detected image into the trained human eye detector, dividing the image to be detected by the human eye detector, and getting multiple image regions to be detected, and preposition and normalizing the difference between the pixels in each detection area, and get multiple pixel features. Each pixel feature is detected, and the output detection result is the image area corresponding to the pixel characteristics corresponding to the human eye. By treating the difference between pixels in the image region for preposition and normalization, a similar strong edge feature can be retained. Therefore, the pre-set normalization of the difference between pixels in the detected image region can reduce the weakening of the strong edge features and raise the accuracy of the human eye detection.

【技术实现步骤摘要】
人眼检测方法、装置、计算机设备及存储介质
本专利技术涉及计算机
，特别是涉及一种人眼检测方法、装置、计算机设备及存储介质。
技术介绍
当前人脸识别技术已经广泛应用于商业领域，眼睛作为人脸特征的重要组成部分，准确定位眼睛不仅可以矫正带有旋转角度的人脸图像，也可以用于提取表示人脸的重要特征。在传统技术中，使用基于adaboost(一种迭代算法)的人脸检测方法是主流，而且人脸检测和人眼检测方法只要更换训练样本，二者是可以通用的。如开源库opencv(是一个基于BSD许可(开源)发行的跨平台计算机视觉库)中自带的人脸检测和人眼检测方法，都是采用haar特征(一种反映图像的灰度变化的，像素分模块求差值的一种特征)或lbp(LocalBinaryPatterns，局部二值模式)特征加adaboost分类器，并得到了非常好的检测效果。然而在实际使用过程中，这种对人眼检测的误检率仍然较高，无法较准确的对人眼进行检测。
技术实现思路
基于此，有必要针对上述问题，提供一种人眼检测方法、装置、计算机设备及存储介质。一种人眼检测方法，所述方法包括：获取待检测图像，将所述待检测图像输入到训练好的人眼检测器；通过所述人眼检测器将所述待检测图像进行分割，得到多个待检测图像区域；对每个所述待检测图像区域中像素间的差值进行预置归一化处理，得到多个像素特征；对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域。在其中一个实施例中，所述像素特征根据以下公式计算得到：其中，f(x,y)表示像素特征值，x,y表示待检测图像区域中选取的两个像素值；N为预置常数。在其中一个实施例中，所述预置常数N为255。在其中一个实施例中，所述训练好的人眼检测器包含有训练好的第一人眼检测模型与训练好的第二人眼检测模型；所述对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域，包括：获取所述第一人眼检测模型与所述第二人眼检测模型分别对每个像素特征的检测结果；将所述第一人眼检测模型的检测结果与所述第二人眼检测模型的检测结果进行结合，得到最终检测结果；输出所述最终检测结果为包含人眼的像素特征对应的待检测图像区域。在其中一个实施例中，在所述训练好的人眼检测器获取输入的待检测图像之前，还包括；获取多个人脸图像训练样本；对每个所述人脸图像训练样本中像素间的差值进行预置归一化处理，得到多个样本像素特征；从每个所述人脸图像训练样本中获取只含有眼睛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛区域外的其他区域对应的样本像素特征作为负样本，对第一人眼检测模型进行训练得到训练好的第一人眼检测模型；从每个所述人脸图像训练样本中获取只含有眼睛和眉毛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛和眉毛区域外的其他区域对应的样本像素特征作为负样本，对第二人眼检测模型进行训练得到训练好的第二人眼检测模型。在其中一个实施例中，所述第一人眼检测模型中包含有多个深度二叉树；所述从每个所述人脸图像训练样本中获取只含有眼睛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛区域外的其他区域对应的样本像素特征作为负样本，对第一人眼检测模型进行训练得到训练好的第一人眼检测模型，包括：从每个所述人脸图像训练样本中获取只含有眼睛的区域，对添加分类标签后的所述只含有眼睛的区域的像素间差值进行计算，得到多个对应的正样本像素特征；从每个所述人脸图像训练样本中获取眼睛区域外的其他区域，对添加分类标签后的所述眼睛区域外的其他区域的像素间差值进行计算，得到多个对应的负样本像素特征；将所述多个对应的正样本像素特征和所述多个对应的负样本像素特征组成第一样本像素特征集；从所述第一样本像素特征集中选取与所述第一人眼检测模型中包含的每个深度二叉树的节点数相同数量的样本像素特征，将选取的多个样本像素特征输入到每个深度二叉树中进行训练；获取每个所述深度二叉树根据预设节点阈值对输入的多个样本像素特征对应区域的分类结果，得到多个第一分类结果；根据每个所述第一分类结果与每个所述第一分类结果对应区域添加的分类标签计算得到多个第一分类准确率；获取低于预设准确率的第一分类准确率，调整所述低于预设准确率的第一分类准确率对应深度二叉树的节点阈值，得到新的深度二叉树；根据从所述第一样本像素特征集中选取的多个样本像素特征再次对所述新的深度二叉树中进行训练；当所述第一人眼检测模型中包含的每个深度二叉树对应的第一分类准确率均不低于预设准确率时，得到训练好的第一人眼检测模型。在其中一个实施例中，所述第二人眼检测模型中包含有多个深度二叉树；所述从每个所述人脸图像训练样本中获取只含有眼睛和眉毛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛和眉毛区域外的其他区域对应的样本像素特征作为负样本，对第二人眼检测模型进行训练得到训练好的第二人眼检测模型，包括：从每个所述人脸图像训练样本中获取只含有眼睛和眉毛的区域，对添加分类标签后的所述只含有眼睛和眉毛的区域的像素间差值进行计算，得到多个对应的正样本像素特征；从每个所述人脸图像训练样本中获取眼睛和眉毛区域外的其他区域，对添加分类标签后的所述眼睛和眉毛区域外的其他区域的像素间差值进行计算，得到多个对应的负样本像素特征；将所述多个对应的正样本像素特征和所述多个对应的负样本像素特征组成第二样本像素特征集；从所述二样本像素特征集中选取与所述第二人眼检测模型中包含的每个深度二叉树的节点数相同数量的样本像素特征，将选取的多个样本像素特征输入到每个深度二叉树中进行训练；获取每个所述深度二叉树根据预设节点阈值对输入的多个样本像素特征对应区域的分类结果，得到多个第二分类结果；根据每个所述第二分类结果与每个所述第二分类结果对应区域添加的分类标签计算得到多个第二分类准确率；获取低于预设准确率的第二分类准确率，调整所述低于预设准确率的第二分类准确率对应深度二叉树的节点阈值，得到新的深度二叉树；根据从所述第二样本像素特征集中选取的多个样本像素特征再次对所述新的深度二叉树中进行训练；当所述第二人眼检测模型中包含的每个深度二叉树对应的第二分类准确率均不低于预设准确率时，得到训练好的第二人眼检测模型。一种人眼检测装置，所述装置包括：待检测图像输入模块，用于获取待检测图像，将所述待检测图像输入到训练好的人眼检测器。待检测图像分割模块，用于通过所述人眼检测器将所述待检测图像进行分割，得到多个待检测图像区域。待检测图像处理模块，用于对每个所述待检测图像区域中像素间的差值进行预置归一化处理，得到多个像素特征。待检测图像检测模块，用于对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域。一种计算机设备，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以下步骤：获取待检测图像，将所述待检测图像输入到训练好的人眼检测器；通过所述人眼检测器将所述待检测图像进行分割，得到多个待检测图像区域；对每个所述待检测图像区域中像素间的差值进行预置归一化处理，得到多个像素特征；对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域。一种计算本文档来自技高网...

【技术保护点】
一种人眼检测方法，所述方法包括：获取待检测图像，将所述待检测图像输入到训练好的人眼检测器；通过所述人眼检测器将所述待检测图像进行分割，得到多个待检测图像区域；对每个所述待检测图像区域中像素间的差值进行预置归一化处理，得到多个像素特征；对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域。

【技术特征摘要】
1.一种人眼检测方法，所述方法包括：获取待检测图像，将所述待检测图像输入到训练好的人眼检测器；通过所述人眼检测器将所述待检测图像进行分割，得到多个待检测图像区域；对每个所述待检测图像区域中像素间的差值进行预置归一化处理，得到多个像素特征；对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域。2.根据权利要求1所述的方法，其特征在于，所述像素特征根据以下公式计算得到：其中，f(x,y)表示像素特征值，x,y表示待检测图像区域中选取的两个像素值；N为预置常数。3.根据权利要求2所述的方法，其特征在于，所述预置常数N为255。4.根据权利要求1所述的方法，其特征在于，所述训练好的人眼检测器包含有训练好的第一人眼检测模型与训练好的第二人眼检测模型；所述对每个像素特征进行检测，输出检测结果为包含人眼的像素特征对应的待检测图像区域，包括：获取所述第一人眼检测模型与所述第二人眼检测模型分别对每个像素特征的检测结果；将所述第一人眼检测模型的检测结果与所述第二人眼检测模型的检测结果进行结合，得到最终检测结果；输出所述最终检测结果为包含人眼的像素特征对应的待检测图像区域。5.根据权利要求4所述的方法，其特征在于，在所述训练好的人眼检测器获取输入的待检测图像之前，还包括；获取多个人脸图像训练样本；对每个所述人脸图像训练样本中像素间的差值进行预置归一化处理，得到多个样本像素特征；从每个所述人脸图像训练样本中获取只含有眼睛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛区域外的其他区域对应的样本像素特征作为负样本，对第一人眼检测模型进行训练得到训练好的第一人眼检测模型；从每个所述人脸图像训练样本中获取只含有眼睛和眉毛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛和眉毛区域外的其他区域对应的样本像素特征作为负样本，对第二人眼检测模型进行训练得到训练好的第二人眼检测模型。6.根据权利要求5所述的方法，其特征在于，所述第一人眼检测模型中包含有多个深度二叉树；所述从每个所述人脸图像训练样本中获取只含有眼睛的区域对应的样本像素特征作为正样本，从每个所述人脸图像训练样本中获取眼睛区域外的其他区域对应的样本像素特征作为负样本，对第一人眼检测模型进行训练得到训练好的第一人眼检测模型，包括：从每个所述人脸图像训练样本中获取只含有眼睛的区域，对添加分类标签后的所述只含有眼睛的区域的像素间差值进行计算，得到多个对应的正样本像素特征；从每个所述人脸图像训练样本中获取眼睛区域外的其他区域，对添加分类标签后的所述眼睛区域外的其他区域的像素间差值进行计算，得到多个对应的负样本像素特征；将所述多个对应的正样本像素特征和所述多个对应的负样本像素特征组成第一样本像素特征集；从所述第一样本像素特征集中选取与所述第一人眼检测模型中包含的每个深度二叉树的节点数相同数量的样本像素特征，将选取的多个样本像素特征输入到每个深度二叉树中进行训练；获取每个所述深度二叉树根据预设节点阈值对输入的多个样本像素特征对应区域的分类结果，得到...

【专利技术属性】
技术研发人员：黄彬彬，李全忠，丁剑，彭斐，杨杰，陈松，何东岭，
申请(专利权)人：深圳市友信长丰科技有限公司，
类型：发明
国别省市：广东,44