人脸检测方法和系统技术方案

一种人脸检测方法和系统，涉及目标检测技术领域。在该方法中，获取预设场景的监控图像，监控图像包括人脸图像和背景图像；使用人脸识别算法对监控图像进行筛选，得到人脸图像；判断面部特征数量是否与预设面部特征数量一致；面部特征数量为任意一个人脸图像对应的面部特征数量；若面部特征数量与预设面部特征数量不一致，则将人脸图像输入预设遮挡人脸检测模型中进行检测，预设遮挡人脸检测模型将人脸图像中缺失的面部特征进行补充，得到人员对应的人脸检测结果，并将人脸检测结果进行输出。实施本申请提供的技术方案，针对大通道场景下戴口罩的人脸进行检测，通过对人脸检测方法，解决因人员佩带口罩有遮挡，无法识别人员的面部特征的问题。特征的问题。特征的问题。

【技术实现步骤摘要】
人脸检测方法和系统


[0001]本申请涉及目标检测
，具体涉及一种人脸检测方法和系统。

技术介绍

[0002]随着深度学习的不断发展，目标检测领域也在快速地发展。其中，人脸检测作为目标检测领域的一个重要方向。由于用户在公共场合出行常需佩戴口罩，使得在车站、机场以及商场等人流量大的公共场合中存在大量佩戴口罩的人员。公共场合的管理机构根据安全需求，会在大通道人群通行场景下对戴口罩的人员进行人脸检测。人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置和大小。
[0003]目前，大多数的目标检测算法都是针对自然场景下分布比较稀疏的大目标图像进行检测，现有算法中常用两种方法对目标图像进行检测，第一种是使用基于R
‑
CNN的先产生目标候选框模型；第二种是使用不提前产生检测框的YOLO模型。现有算法只是对于图像清晰、无遮挡人员的检测效果是较好的，但当人脸距离摄像头的远近不同导致人脸的尺寸不同，且人员佩戴口罩导致人脸有遮档时，由于现有算法并不是专门针对遮挡情况提出，故在对人员进行人脸检测时，会导致人员特征缺失。
[0004]因此，目前亟需一种人脸检测方法和系统来解决上述技术问题。

技术实现思路

[0005]本申请提供了一种人脸检测方法和系统，该方法可针对大通道场景下戴口罩的人脸进行检测，通过对人脸检测方法，解决因人员佩带口罩有遮挡，无法识别人员的面部特征的问题。
[0006]第一方面，本申请提供了一种人脸检测方法，应用于服务器中，方法包括：获取预设场景的监控图像，监控图像包括人脸图像和背景图像；使用人脸识别算法对监控图像进行筛选，得到人脸图像；判断面部特征数量是否与预设面部特征数量一致；面部特征数量为任意一个人脸图像对应的面部特征数量；若面部特征数量与预设面部特征数量不一致，则将人脸图像输入预设遮挡人脸检测模型中进行检测，预设遮挡人脸检测模型将人脸图像中缺失的面部特征进行补充，得到人员对应的人脸检测结果，并将人脸检测结果进行输出。
[0007]通过采用上述技术方案，人员的面部特征被遮挡时，可将人脸图像输入预设遮挡人脸检测模型中，可以辅助检测有遮挡的人脸，将人脸图像中缺失的面部特征进行补充，提高有遮挡人脸的检测率。
[0008]可选的，采用MTCNN网络对监控图像进行处理，得到人脸检测框；利用主干网络作为实时语义分割模型进行人脸语义分割，从人脸检测框中提取人脸框；将主干网络中使用残差模块结合SDD网络来提取人脸部件，将人脸部件进行关键点定位训练，得到预设遮挡人脸检测模型。
[0009]通过采用上述技术方案，使用MTCNN网络，以分层级联的方式进行工作，可以检测
不同尺度的人脸，得到人脸框的位置和大小，从而实现人脸检测。
[0010]可选的，关键点定位包括左眼、右眼、鼻子、左嘴角以及右嘴角。
[0011]通过采用上述技术方案，基于关键点定位可以更好的预测人脸，可将人脸图像中缺失的面部特征进行补充，进一步提高人脸检测精度。
[0012]可选的，主干网络使用Fast
‑
SCNN网络作为实时语义分割模型进行人脸语义分割，得到标注各个像素类别图像；使用深度优先遍历算法从人脸检测框提取人脸框。
[0013]通过采用上述技术方案，使用Fast
‑
SCNN语义分割网络，用于辅助检测有遮挡的人脸，以减少因遮挡而无法识别人脸检测的情况产生。
[0014]可选的，若面部特征数量与预设面部特征数量一致，将人脸图像输入预设密集人脸检测模型中进行检测，得到人员对应的人脸检测结果，并将人脸检测结果进行输出。
[0015]通过采用上述技术方案，在对大通道通行场景下的多数量小尺度的人脸检测图像时，可使用预设密集人脸检测模型进行检测，在检测人脸时可减少漏检和误检的情况产生。
[0016]可选的，采用K
‑
means聚类算法对标准参考框进行聚类分析，得到预测框；使用预测框对监控图像进行处理；将处理后的监控图像输入改进的YOLO密集人脸检测模型进行训练，得到预设密集人脸检测模型。
[0017]通过采用上述技术方案，使用K
‑
means聚类算法，得到更具代表性的预测框，减少预测框与真实框之间的偏差和方差，加速预设密集人脸检测模型的收敛，有助于预设密集人脸检测模型在训练过程中更快的微调预测框的位置信息。
[0018]可选的，改进的YOLO密集人脸检测模型包括特征提取网络和预测层。
[0019]通过采用上述技术方案，在原始YOLO算法的基础上，对特征提取网络进行改进，得到的特征图具有更丰富的小尺度人脸特征，有助于检测精度的提高；对预测层结构进行改进，进一步提高检测精度。
[0020]在本申请的第二方面提供了一种人脸检测系统，系统为服务器，服务器包括接收单元、处理单元以及输出单元：接收单元：获取预设场景的监控图像，监控图像包括人脸图像和背景图像；处理单元：使用人脸识别算法对监控图像进行筛选，得到人脸图像；判断面部特征数量是否与预设面部特征数量一致；面部特征数量为任意一个人脸图像对应的面部特征数量；输出单元：若面部特征数量与预设面部特征数量不一致，则将人脸图像输入预设遮挡人脸检测模型中进行检测，预设遮挡人脸检测模型将人脸图像中缺失的面部特征进行补充，得到人员对应的人脸检测结果，并将人脸检测结果进行输出。
[0021]可选的，接收单元用于采用MTCNN网络对监控图像进行处理，得到人脸检测框；处理单元用于利用主干网络作为实时语义分割模型进行人脸语义分割，从人脸检测框中提取人脸框；将主干网络中使用残差模块结合SDD网络来提取人脸部件，将人脸部件进行关键点定位训练，得到预设遮挡人脸检测模型。
[0022]可选的，关键点定位包括左眼、右眼、鼻子、左嘴角以及右嘴角。
[0023]可选的，处理单元用于主干网络使用Fast
‑
SCNN网络作为实时语义分割模型进行人脸语义分割，得到标注各个像素类别图像；使用深度优先遍历算法从人脸检测框提取人脸框。
[0024]可选的，输出单元用于若面部特征数量与预设面部特征数量一致，将人脸图像输入预设密集人脸检测模型中进行检测，得到人员对应的人脸检测结果，并将人脸检测结果
进行输出。
[0025]可选的，接收单元用于采用K
‑
means聚类算法对标准参考框进行聚类分析，得到预测框；处理单元用于使用预测框对监控图像进行处理；将处理后的监控图像输入改进的YOLO密集人脸检测模型进行训练，得到预设密集人脸检测模型。
[0026]可选的，处理单元用于改进的YOLO密集人脸检测模型包括特征提取网络和预测层。
[0027]在本申请第三方面提供一种电子设备，电子设备包括处理器、存储器、用户接口及网络接口，存储器用于存储指令，用户接口和网络接口用于给其他设备通信，处理器用于执行存储器中存储的指令，使得一种电子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸检测方法，其特征在于，应用于服务器中，所述方法包括：获取预设场景的监控图像，所述监控图像包括人脸图像和背景图像；使用人脸识别算法对所述监控图像进行筛选，得到所述人脸图像；判断面部特征数量是否与预设面部特征数量一致；所述面部特征数量为任意一个所述人脸图像对应的面部特征数量；若所述面部特征数量与所述预设面部特征数量不一致，则将所述人脸图像输入预设遮挡人脸检测模型中进行检测；所述预设遮挡人脸检测模型将所述人脸图像中缺失的面部特征进行补充，得到人员对应的人脸检测结果，并将所述人脸检测结果进行输出。2.根据权利要求1所述的方法，其特征在于，在将所述人脸图像输入预设遮挡人脸检测模型中进行检测之前，构建所述预设遮挡人脸检测模型，具体包括：采用MTCNN网络对所述监控图像进行处理，得到人脸检测框；利用主干网络作为实时语义分割模型进行人脸语义分割，从所述人脸检测框中提取人脸框；将所述主干网络中使用残差模块结合SDD网络来提取人脸部件，将所述人脸部件进行关键点定位训练，得到所述预设遮挡人脸检测模型。3.根据权利要求2所述的方法，其特征在于，所述关键点定位包括左眼、右眼、鼻子、左嘴角以及右嘴角。4.根据权利要求2所述的方法，其特征在于，所述利用主干网络作为实时语义分割模型进行人脸语义分割，从所述人脸检测框中提取人脸框；具体包括：所述主干网络使用Fast
‑
SCNN网络作为实时语义分割模型进行人脸语义分割，得到标注各个像素类别图像；使用深度优先遍历算法从所述人脸检测框提取所述人脸框。5.根据权利要求1所述的方法，其特征在于，在判断面部特征数量是否与预设面部特征数量一致之后，所述方法还包括：若所述面部特征数量与所述预设面部特征数量一致，将所述人脸图像输入预设密集人脸检测模型中进行检测，得到人员对应的人脸检测结果，并将所述人脸检测结果进行输出。6.根据权利要求5所述的方...

【专利技术属性】
技术研发人员：殷光强，游长江，李超，韦灿，夏如思，付洁，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：