一种面部数据处理方法、存储器及处理器技术

本发明专利技术提供了一种面部数据处理方法、存储器及处理器。其中，所述方法，其特征在于，包括：S11、输入面部图片，检测所述面部图片的特征数据；S12、根据所述面部图片的特征数据过滤非对齐面部面部图片；S13、保存所述对齐面部面部图片。通过过滤非人脸、模糊人脸、侧脸和浅色的人脸，既可以较大程度降低误识别率，又可以改进人脸对齐方法，在不增加运算的情况下，即实现了人脸对齐，又完成了侧脸的过滤，进而减少了计算资源的消耗，实现了降低人脸识别的误识别率和减少系统计算资源的消耗，可普遍适用于人像识别领域。

【技术实现步骤摘要】
一种面部数据处理方法、存储器及处理器
本专利技术涉及图像识别
，尤其涉及一种面部数据处理方法、存储器及处理器。
技术介绍
近几年深度学习在诸多领域上的惊艳表现吸引了众多目光，在学术上，人脸识别的研究始终是退不下去的热点领域，不断涌现出新算法，不断刷新精度记录。学术界刷榜单的方式，只是比拼算法的性能和精度，甚至只比拼精度，对测试集里每一张人脸图片都直接提取特征，纯粹比拼算法本身能否区分人脸的特征。而在业界应用中，不单要注重算法本身的性能和精度，还要注重面部数据处理，即在实际识别中，在既有的人脸识别精度情况下，会对输入的面部数据做过滤和增强，以减少不必要的资源消耗和获得识别精度的提升。在业界应用中，不少公司提供的人脸识别接口都有面部数据过滤和增强过程，比如百度的AI开放平台，人脸识别接口就会对传入的面部数据做一系列操作，比如过滤非人脸、遮挡人脸、不完整人脸、光照不好的人脸、模糊人脸和非正脸等。面部数据增强，一般对分辨率过低、轮廓较为模糊的图片做增强后，才输入人脸识别过程。面部数据如果质量太低，人脸识别效果大打折扣，甚至增加误识别率。于是业界使用面部数据处理，通过过滤或者增强质量低的图片，即可减少误报和减少运算资源的消耗。在实际场景使用中，所有的过滤操作和增强操作，也会消耗一定的计算资源，尤其在动态人脸识别过程中，在计算资源有限的情况下，这些操作会影响实时性。为了减少图像数据预处理的资源消耗，可以只针对对识别效果影响最大操作对象。
技术实现思路
本专利技术所要解决的技术问题是提供一种面部数据处理方法、存储器及处理器，能够通过过滤非人脸、模糊人脸、侧脸和浅色的人脸，既可以较大程度降低误识别率，又可以改进人脸对齐方法，在不增加运算的情况下，即实现了人脸对齐，又完成了侧脸的过滤，进而减少了计算资源的消耗，实现了降低人脸识别的误识别率和减少系统计算资源的消耗，可普遍适用于人像识别领域。为解决上述技术问题，一方面，本专利技术一实施例提供了一种面部数据处理方法，包括步骤：S11、输入面部图片，检测所述面部图片的特征数据；S12、根据所述面部图片的特征数据过滤非对齐面部的面部图片；S13、保存所述对齐面部的面部图片。优选地，所述面部图片的特征数据包括：左眼坐标值，右眼坐标值，鼻尖坐标值、嘴角左坐标点，嘴角右坐标点，面部所在角度。优选地，根据所述面部图片的特征数据过滤非对齐面部面部图片包括：S121、根据所述面部图片的特征数据判断是否为侧脸，如果不是，则执行S122；S122、判断是否为浅色人脸，如果不是，则执行S123；S123、判断是否为模糊人脸，如果不是，则说明该面部图片符合要求，如果是，则执行S124；S124、舍弃当前面部图片。优选地，根据所述面部图片的特征数据判断是否为侧脸包括：判断鼻尖坐标值是否处于左眼坐标相对值与右眼坐标相对值之间，所述左眼坐标相对值为左右眼坐标值偏差与侧脸系数阈值的乘积与左眼坐标值的和，所述右眼坐标相对值为右眼坐标值减去左右眼坐标值偏差与侧脸系数阈值的乘积所得到的差值；如果是则判断为侧脸，其中侧脸系数阈值为0～0.5。优选地，判断是否为浅色人脸包括：所述面部图片的R、G、B三个通道相同位置像素差距如果小于像素差距设定阈值，则所述面部图片为灰色人脸面部图片。优选地，判断是否为模糊人脸包括：将所述面部图片转为灰度图，统计灰度图每个位置上像素的二阶差分之和，如果每个位置上像素的二阶差分之和小于灰度图设定阈值则判定是模糊人脸。优选地，所述侧脸系数阈值为0.1。优选地，所述像素差距设定阈值为1000～1500。优选地，所述灰度图设定阈值为30～80。优选地，所述像素差距设定阈值为1200。优选地，所述灰度图设定阈值为40。另一方面，本专利技术一实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述的面部数据处理方法。另一方面，本专利技术一实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的面部数据处理方法。与现有技术相比，上述技术方案具有以下优点：通过过滤非人脸、模糊人脸、侧脸和浅色的人脸，既可以较大程度降低误识别率，又可以改进人脸对齐方法，在不增加运算的情况下，即实现了人脸对齐，又完成了侧脸的过滤，进而减少了计算资源的消耗，实现了降低人脸识别的误识别率和减少系统计算资源的消耗，可普遍适用于人像识别领域。【附图说明】为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术一种面部数据处理方法流程图。图2是本专利技术一种面部数据处理方法一优选实施例流程图。【具体实施方式】下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。MTCNN(Multi-taskCascadedConvolutionalNetworks)是一套神经网络算法，可检测人脸区域和人脸关键点，当前大多数人脸识别算法常用它来实现人脸检测和人脸对齐。MTCNN人脸检测后输出的人脸区域。人脸区域是以一个四元组形式来表示，比如(x,y,w,h)，其中x表示人脸区域左上角横坐标，y表示人脸区域左上角纵坐标，w和h分表表示人脸区域的长度和宽度。一张图如果有多张人脸，就会输出多个表示人脸区域的四元组，并且每个四元组还会对应输出一个0-1之间的数值，数值表示它所对应的四元组包含的区域为人脸的概率值，一般取阈值是0.65，如果该数值大于阈值，则判定该区域是一张人脸。MTCNN提取的人脸的五个关键点，具体是双眼中心坐标、鼻尖坐标、两边嘴角坐标；每个坐标形式都是(x，y)，x、y分表表示关键点的横坐标、纵坐标。其中双眼中心坐标又根据左眼坐标值xL_eye和右眼坐标值xR_eye取平均值来确定。实施例一图1是本专利技术一种面部数据处理方法流程图。如图1所示，一种面部数据处理方法，包括步骤：S11、输入面部图片，检测所述面部图片的特征数据；S12、根据所述面部图片的特征数据过滤非对齐面部面部图片；S13、保存所述对齐面部面部图片。面部图片的特征数据包括：左眼坐标值xL_eye，右眼坐标值xR_eye，鼻尖坐标值xnose、嘴角左坐标点xL_mouth，嘴角右坐标点xR_mouth，面部所在角度α。根据所述面部图片的特征数据过滤非对齐面部面部图片包括步骤：S121、根据所述面部图片的特征数据判断是否本文档来自技高网...

【技术保护点】
1.一种面部数据处理方法，其特征在于，包括：/nS11、输入面部图片，检测所述面部图片的特征数据；/nS12、根据所述面部图片的特征数据过滤非对齐面部的面部图片；/nS13、保存所述对齐面部的面部图片。/n

【技术特征摘要】
1.一种面部数据处理方法，其特征在于，包括：
S11、输入面部图片，检测所述面部图片的特征数据；
S12、根据所述面部图片的特征数据过滤非对齐面部的面部图片；
S13、保存所述对齐面部的面部图片。


2.根据权利要求1所述的面部数据处理方法，其特征在于，所述面部图片的特征数据包括：左眼坐标值，右眼坐标值，鼻尖坐标值、嘴角左坐标点，嘴角右坐标点，面部所在角度。


3.根据权利要求2所述的面部数据处理方法，其特征在于，根据所述面部图片的特征数据过滤非对齐面部面部图片包括：
S121、根据所述面部图片的特征数据判断是否为侧脸，如果不是，则执行S122；
S122、判断是否为浅色人脸，如果不是，则执行S123；
S123、判断是否为模糊人脸，如果不是，则说明该面部图片符合要求，如果是，则执行S124；
S124、舍弃当前面部图片。


4.根据权利要求3所述的面部数据处理方法，其特征在于，根据所述面部图片的特征数据判断是否为侧脸包括：判断鼻尖坐标值是否处于左眼坐标相对值与右眼坐标相对值之间，所述左眼坐标相对值为左右眼坐标值偏差与侧脸系数阈值的乘积与左眼坐标值的和，所述右眼坐标相对值为右眼坐标值减去左右眼坐标值偏差与侧脸系数阈值的乘积所得到的差值；
如果是，则判断为侧脸，其中侧脸系数阈值为0～0.5。


5.根据权利要求3所...

【专利技术属性】
技术研发人员：刘若鹏，栾琳，季春霖，钟凯宇，
申请(专利权)人：杭州光启人工智能研究院，
类型：发明
国别省市：浙江;33