【技术实现步骤摘要】
一种基于人脸关键点的证件照局部异常检测方法
专利技术涉及人工智能AI图像检测分类
,具体涉及一种基于人脸关键点的证件照局部异常检测方法。
技术介绍
证件照是人类身份识别的基本信息之一,人们在日常生活中经常用到的,例如:一张证件照通常嵌入身份证、驾驶证、护照等证件文本,或者贴在入学、就业、考试等申请表格上,用于用户资料唯一性验证,在社会生活各个方面有着广泛的用途。现如今很多场合都需要身份信息的检测与识别,人脸轮廓以及器官成为了识别一个人的重要依据。在人脸比对过程中,首先需要将人脸区域,及其中的眼睛、嘴部、鼻子等面部器官准确检测出来,再与采集的人脸信息进行比对,所以证件照的人脸及其中的人脸器官对于人类视觉感知和机器识别至关重要。证件照的基本要求是正面免冠,面部无异常遮挡等,但由于技术手段的问题或操作人员的马虎或故意恶搞,且证件照在不同的使用场合也有不同的标准要求,以至于拍摄效果更是因人而异,照片标准性和质量参差不齐。如若仅依靠专业人员进行人工检验无疑会浪费巨大的人力物力。随着“互联网+政务服务”体系的推进,利用人工智能技术结合互联网技术实现政务服务智能化与信息化,提高政务服务的流程效率与服务质量,建设服务型政府具有重要意义。目前,已有对证件照质量检测、免冠检测等分类方法,但是较少针对证件照的面部器官进行局部异常检测及姿态估计的研究。因此,基于上述需求,如何利用图像检测分类技术来实现对用户证件照的自动异常检测,从而提高证件照的审核效率、降低人力物力成本,已经成为技术人员普遍关注的技术。专利技术 ...
【技术保护点】
1.一种基于人脸关键点的证件照局部异常检测方法,其特征在于,包括以下步骤:/n步骤一、采用Adaboost算法审核用户上传的证件照是否检测到人脸,如果是,则输出人脸区域进入后续检测是否异常;如果未检测到人脸则输出检测结果:证件照不合格,原因:未检测到人脸;/n步骤二、收集图片和证件照形成数据集,对证件照提取人脸区域进行人脸轮廓检测并根据轮廓提取候选窗口,训练多类分类模型得到面部特征分类,并为左眼和右眼,鼻子,嘴巴和左嘴巴,嘴巴和右嘴巴四种模式训练回归模型来获得左眼中心、右眼中心、鼻尖、左嘴角、右嘴角5个关键点;/n步骤三、使用MobileNet拟合回归函数完成遮挡检测,预测人脸关键点的遮挡状态,当模型输出大于阈值时,关键点的遮挡状态为1,表示该点异常,则输出检测结果:证件照不合格,原因:人脸遮挡异常;利用5个关键点构造几何特征,根据判定规则判断证件照中的人像是否为姿态端正,如果否,则输出检测结果:证件照不合格,原因:姿态未端正;/n步骤四、汇总、并输出审核结果。/n
【技术特征摘要】
1.一种基于人脸关键点的证件照局部异常检测方法,其特征在于,包括以下步骤:
步骤一、采用Adaboost算法审核用户上传的证件照是否检测到人脸,如果是,则输出人脸区域进入后续检测是否异常;如果未检测到人脸则输出检测结果:证件照不合格,原因:未检测到人脸;
步骤二、收集图片和证件照形成数据集,对证件照提取人脸区域进行人脸轮廓检测并根据轮廓提取候选窗口,训练多类分类模型得到面部特征分类,并为左眼和右眼,鼻子,嘴巴和左嘴巴,嘴巴和右嘴巴四种模式训练回归模型来获得左眼中心、右眼中心、鼻尖、左嘴角、右嘴角5个关键点;
步骤三、使用MobileNet拟合回归函数完成遮挡检测,预测人脸关键点的遮挡状态,当模型输出大于阈值时,关键点的遮挡状态为1,表示该点异常,则输出检测结果:证件照不合格,原因:人脸遮挡异常;利用5个关键点构造几何特征,根据判定规则判断证件照中的人像是否为姿态端正,如果否,则输出检测结果:证件照不合格,原因:姿态未端正;
步骤四、汇总、并输出审核结果。
2.根据权利要求1所述的基于人脸关键点的证件照局部异常检测方法,其特征在于,所述Adaboost算法运用离线学习的分类器进行人脸检测,基于Harr矩形特征积分图进行级联检测,并通过迭代的方法从众多弱分类器中选取分类效果较好的值进行组合,加权分配得到不同的权重,形成最后的强分类器;采取Cascade的策略逐层验证能排除大量的非人脸样本,弱分类器为Gm(t):t→{-1,+1},强分类器由弱分类器组成,最终分类器:
其中m=1,2,...,M,s=1,2,...,S,M代表迭代的是第几轮,S表示组成哈尔特征的矩形个数,g(t)是弱分类器的组合,αm代表了Gm(t)在最终分类器中的重要性,利用该算法检测用户上传照片是否有人脸,如果有,则输出的人脸图像作为下一步的输入;否则输出检测结果:证件照不合格,原因:未检测到人脸。
3.根据权利要求1所述的基于人脸关键点的证件照局部异常检测方法,其特征在于,所述步骤二具体包括以下步骤:
步骤B1、对照片进行人脸轮廓检测提取候选窗口;输入人脸图像并将图像转换为大小300×300的灰度图像,进行精确的检测和搜索轮廓;对每个轮廓做循环,并输出候选窗口,根据重叠率对部分窗口进行了移除;
步骤B2、训练一个多类分类模型,并通过分类得到面部特征;将数据集中每个样本标注5个关键点的坐标信息,并从人脸的其他部分和其他非人脸图像中裁剪出负样本;定义四类:左眼和右眼;鼻子;嘴巴,左嘴巴和右嘴巴;负样本;训练目标损失函数:zy和zj分别表示标号为y和j的样本的预测结果,J表示类数;
多类分类模型网络结构:包含4个卷积层,2个全连接层的神经网络结构,输入39×39大小的图片,卷积层C1、C2、C3、C4分别选取4×...
【专利技术属性】
技术研发人员:王蒙,杨飞燕,宁宏维,文涛,
申请(专利权)人:昆明理工大学,
类型:发明
国别省市:云南;53
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。