本發(fā)明涉及人臉識別技術(shù)領(lǐng)域，具體涉及一種自動學習劃定人臉檢測興趣區(qū)域的方法。

背景技術(shù)：

人臉識別作為生物身份識別的典型技術(shù)，由于不需要被檢測個體的主動配合，近年來在人機交互，安防，身份認證，娛樂，和醫(yī)療看護等方面得到大量的應(yīng)用。人臉識別技術(shù)包括：人臉檢測，特征提取和特征匹配和分類。人臉檢測的方法有：harr掃描，hog掃描，adaboot學習，深度學習cnn物體檢測等。特征提取的方法有：pca本征臉，深度學習cnn特征提取等。特征匹配和分類包括：1-nn，k-nn和svm。將上面提到的各種人臉檢測，特征提取和特征匹配的方法有機的結(jié)合，就可以得到目前通用的人臉識別技術(shù)。

在智慧城市，安防和公安技術(shù)偵察中，人臉識別是常用的人工智能技術(shù)手段。人臉識別技術(shù)需要高分辨率視頻，而在高清照片上全畫面范圍的進行人臉檢測需要消耗大量的時間和計算資源。

一般來講，在攝像頭對著的方向，有些區(qū)域距離比較遠，人臉很小，價值比較低，有些區(qū)域距離比較近，人臉比較大，價值比較高。傳統(tǒng)的做法是在畫面上人工劃定一個區(qū)域，在這個區(qū)域進行人臉檢測和識別。但是如果云臺轉(zhuǎn)動，或者調(diào)焦，整個畫面會發(fā)生變化，需要重新劃定區(qū)域。

申請日為2016年8月19日申請?zhí)枮?01610694192.x的發(fā)明專利申請公開了《一種人臉跟蹤方法及裝置》，該申請利用人臉感興趣區(qū)域判斷每一圖像幀的人臉五官位置，當圖像幀中出現(xiàn)多個人臉，則依次對每張人臉進行人臉檢測生成人臉感興趣區(qū)域。該申請中所記載的技術(shù)方案適用于在移動端上進行實時人臉跟蹤，其在某一時間段內(nèi)，拍攝的對象及其數(shù)量是固定的，而且在進行人臉跟蹤時，需要對每幀圖像進行所有人臉檢測。若將該方法應(yīng)用于智慧城市，安防和公安技術(shù)偵察中，由于高清攝像頭的拍攝區(qū)域較大，不同時間段內(nèi)視頻采集區(qū)域內(nèi)人臉數(shù)量變化較大，而當某一時間段人臉過多時，會帶來嚴重的數(shù)據(jù)處理負荷，需要消耗大量的時間和計算資源，因此需要一種新的檢測方法，實現(xiàn)在高清視頻上快速捕獲有價值的人臉。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的問題，本發(fā)明提出一種自動學習劃定人臉檢測興趣區(qū)域的方法，每經(jīng)過一定的時間間隔進行一次全畫面檢測，而實時的人臉檢測，只在高清roi區(qū)域(人臉檢測興趣區(qū)域)進行，這樣既能保證所有高質(zhì)量的人臉被捕獲，又能節(jié)省計算資源和計算時間。

本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是：

本發(fā)明提供一種自動學習劃定人臉檢測興趣區(qū)域的方法，包括以下步驟；

s1，對采集視頻圖像幀序列中的當前幀圖像進行全畫面人臉檢測，得到幀圖像中所有人臉對應(yīng)的最小外接矩形，所述最小外接矩形的位置參數(shù)為人臉的中心坐標；

s2，根據(jù)步驟s1中得到的多個最小外接矩形的位置以及大小，判斷圖像采集區(qū)域的人臉集中度，并以此生成人臉檢測感興趣區(qū)域；

s3，對后續(xù)的視頻圖像幀序列中的每一幀圖像，針對步驟s2中生成的感興趣區(qū)域進行人臉檢測。

所述步驟s2具體包括以下子步驟：

s21，設(shè)置淘汰閾值，判斷步驟s1中得到的所有最小外接矩形的面積是否小于淘汰閾值，保留面積大于淘汰閾值的最小外接矩形；

s22，以步驟s21中保留的最小外接矩形的位置坐標為中心，按照一定比例，擴大每個最小外接矩形的邊長，生成包含單張人臉的感興趣區(qū)域；

s23，將相互有交叉的包含單張人臉的感興趣區(qū)域合并，并利用最小外包矩形將合并區(qū)域進行框選，所述最小外包矩形即為包含多張人臉的人臉檢測感興趣區(qū)域。

優(yōu)選的，步驟s2所述人臉檢測感興趣區(qū)域由包含多張人臉的人臉檢測感興趣區(qū)域和與其他區(qū)域沒有交叉的包含單張人臉的感興趣區(qū)域組成。

優(yōu)選的，步驟s1具體為，對采集到的視頻幀圖像，每隔指定的時間間隔，進行一次幀圖像提取，并對提取的幀圖像進行全畫面人臉檢測，得到幀圖像中所有人臉所處的最小外接矩形的位置和大小。針對時間間隔內(nèi)的視頻幀圖像，進行人臉檢測時，僅針對上一時間間隔點生成的多塊興趣區(qū)域進行人臉檢測。

本發(fā)明的有益效果是：

本發(fā)明可以通過自動調(diào)整學習來劃定人臉檢測的興趣區(qū)域，無需實時的針對高清視頻圖像進行全畫面人臉檢測，僅對興趣區(qū)域內(nèi)的人臉進行檢測，大大節(jié)省了計算資源和計算時間，而且定期的進行全畫面人臉檢測，有效的避免了由于云臺轉(zhuǎn)動或調(diào)焦導致整個畫面發(fā)生變化而對感興趣區(qū)域的影響。

附圖說明

圖1為方法流程圖；

圖2為人臉感興趣區(qū)域劃定示意圖。

具體實施方式

下面結(jié)合附圖及實施例對本發(fā)明作進一步說明。

如圖1所示，本發(fā)明提供一種自動學習劃定人臉檢測興趣區(qū)域的方法，包括以下步驟：

s1，對采集到的視頻幀圖像，每隔指定的時間間隔，例如每5分鐘進行一次幀圖像提取，并對提取的幀圖像進行全畫面人臉檢測，得到幀圖像中所有人臉所處的最小外接矩形的位置和大小(x,y,h,w)，(x,y)為人臉的中心坐標，(h,w)為最小外接矩形的高度和寬度。

定期的進行全畫面人臉檢測，有效的避免了由于云臺轉(zhuǎn)動或調(diào)焦導致整個畫面發(fā)生變化而對感興趣區(qū)域的影響。

s2，根據(jù)步驟s1中得到的多個最小外接矩形的位置以及大小，判斷圖像采集區(qū)域的人臉集中度，并以此生成人臉檢測感興趣區(qū)域；

具體如圖2所示，步驟s2包括以下子步驟：

s21，設(shè)置淘汰閾值，判斷步驟s1中得到的所有最小外接矩形的面積是否小于淘汰閾值，即判斷h*w與淘汰閾值的大小，保留面積不小于淘汰閾值的最小外接矩形；

s22，以步驟s21中保留的最小外接矩形的位置坐標為中心，按照一定比例，例如，按照10倍放大，擴大每個最小外接矩形的邊長，生成包含單張人臉的感興趣區(qū)域；

s23，將相互有交叉的包含單張人臉的感興趣區(qū)域合并，并利用最小外包矩形將合并區(qū)域進行框選，所述最小外包矩形即為包含多張人臉的人臉檢測感興趣區(qū)域。

所述人臉檢測感興趣區(qū)域由包含多張人臉的人臉檢測感興趣區(qū)域和與其他區(qū)域沒有交叉的包含單張人臉的感興趣區(qū)域組成。

s3，對下一時間間隔點之前的后續(xù)視頻圖像幀序列中的每一幀圖像，針對步驟s2中生成的感興趣區(qū)域進行人臉檢測。

理想來講，我們肯定希望在高清全畫面進行人臉檢測，但是這消耗大量的資源和時間，所以我們選擇過一段時間進行一次全畫面檢測，例如每5分鐘進行一次全畫面檢測。而實時的人臉檢測，只在高清roi區(qū)域(人臉檢測興趣區(qū)域)進行，這樣既能保證所有高質(zhì)量的人臉被捕獲，又能節(jié)省計算資源和計算時間。

根據(jù)每次全畫面檢測到的人臉的位置和人臉的大小，生成新的roi(人臉檢測興趣區(qū)域)，供實時人臉檢測使用。

說明書中未闡述的部分均為現(xiàn)有技術(shù)或公知常識。本實施例僅用于說明該發(fā)明，而不用于限制本發(fā)明的范圍，本領(lǐng)域技術(shù)人員對于本發(fā)明所做的等價置換等修改均認為是落入該發(fā)明權(quán)利要求書所保護范圍內(nèi)。

技術(shù)特征：

技術(shù)總結(jié)
本發(fā)明公開了一種自動學習劃定人臉檢測興趣區(qū)域的方法，包括以下步驟：對采集視頻圖像幀序列中的當前幀圖像進行全畫面人臉檢測，得到幀圖像中所有人臉對應(yīng)的最小外接矩形；根據(jù)得到的多個最小外接矩形的位置以及大小，判斷圖像采集區(qū)域的人臉集中度，并以此生成人臉檢測感興趣區(qū)域；對后續(xù)的視頻圖像幀序列中的每一幀圖像，針對感興趣區(qū)域進行人臉檢測。本發(fā)明可以通過自動調(diào)整學習來劃定人臉檢測的興趣區(qū)域，無需實時的針對高清視頻圖像進行全畫面人臉檢測，僅對興趣區(qū)域內(nèi)的人臉進行檢測，大大節(jié)省了計算資源和計算時間。

技術(shù)研發(fā)人員：齊德龍;姚琪;羅暢;劉靖峰
受保護的技術(shù)使用者：武漢神目信息技術(shù)有限公司
技術(shù)研發(fā)日：2017.05.22
技術(shù)公布日：2017.10.20