專利名稱：人臉面相判別方法、系統(tǒng)及公共安全系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種人臉面相判別的方法、系統(tǒng)及公共安全系統(tǒng)，尤其涉及一種先進 行偽裝判別的人臉面相判別的方法、系統(tǒng)及公共安全系統(tǒng)。
背景技術(shù)：
隨著社會的進步，人們越來越多的社會活動都在向著方便、簡單、便捷發(fā)展。銀行 自助取款機是社會發(fā)展的一個表現(xiàn)，使人們避免了攜帶現(xiàn)金帶來的諸多不便。但是，自助銀 行環(huán)境中的安全問題日越顯現(xiàn)出來。例如通過銀行卡欺騙、盜竊財物是目前銀行損失的主 要問題，銀行卡被盜竊等問題也越來越頻繁。不法之徒大都會遮擋之后拿著盜竊來的銀行 卡去自助廳取款(遮擋有很多種，例如進行自助銀行犯罪的嫌疑人用帽子、圍巾和墨鏡對 面部進行遮擋)。其次，其他類別的犯罪份子(如通緝犯、搶劫犯等)會通自助銀行取款，這 也提供了一種發(fā)現(xiàn)嫌疑人的去向的機制，通過人臉識別可以識別和定位犯罪份子。通過銀 行自助取款廳的監(jiān)控攝像頭，能過及時的發(fā)現(xiàn)嫌疑人或者遮擋之后取款的人，并發(fā)出警報， 提醒相關(guān)人員注意；另外，對作案的嫌疑人，根據(jù)目擊證人提供的描述，如是否戴眼鏡、性別 等條件，或根據(jù)目擊證人提供的圖像或者模擬圖像，對嫌疑人人臉庫進行搜索、比對，列出 比較可能的嫌疑人以供目擊證人指證也為犯罪嫌疑分子的確認(rèn)和抓取帶來便利?，F(xiàn)有技術(shù) 的人臉識別方法及系統(tǒng)，通常只能不能對偽裝進行判別，對于偽裝的人臉圖像不能進行有 效的反應(yīng)。

發(fā)明內(nèi)容
本發(fā)明解決的技術(shù)問題是構(gòu)建一種人臉面相判別的方法、系統(tǒng)及公共安全系統(tǒng)， 克服現(xiàn)有技術(shù)中不能對偽裝進行判別，對于偽裝的人臉圖像不能進行有效的反應(yīng)的技術(shù)問題。本發(fā)明的技術(shù)方案是提供一種人臉面相判別方法，包括偽裝分類器、偽裝模型以 及人臉識別分類器，所述人臉面相判別方法包括如下步驟獲取人臉圖像從視頻或圖像中獲取人臉圖像；進行人臉偽裝判別將人臉圖像根據(jù)偽裝分類器、偽裝模型進行偽裝判別；人臉面相判別對于偽裝判別結(jié)果中未進行偽裝的人臉圖像根據(jù)人臉識別分類器 進行人臉分類面相判別。本發(fā)明的進一步技術(shù)方案是在進行人臉偽裝判別的步驟中，在進行人臉圖像對 比前，還包括對人臉圖像的預(yù)處理操作，所述預(yù)處理操作為對人臉圖像進行歸一化處理。本發(fā)明的進一步技術(shù)方案是在進行人臉偽裝判別步驟中，所述人臉偽裝判別包 括戴帽子偽裝判別、戴墨鏡偽裝判別、戴口罩或圍巾的偽裝判別。本發(fā)明的技術(shù)方案是構(gòu)建一種人臉面相判別系統(tǒng)，包括輸入人臉圖像的圖像輸 入單元、根據(jù)人臉圖像進行人臉偽裝判別的偽裝判別單元、進行人臉面相識別的人臉識別 單元，所述偽裝判別單元包括獲偽裝分類器、偽裝模型及偽裝判別模塊，所述人臉識別單元包括存儲人臉圖像的人臉圖像數(shù)據(jù)庫、人臉識別分類器，所述偽裝判別模塊根據(jù)偽裝分類 器、偽裝模型對所述圖像輸入單元輸入的人臉圖像進行偽裝判別，對于所述偽裝判別模塊 判別為不是偽裝的人臉圖像時，所述人臉識別單元將對所述圖像輸入單元輸入的人臉圖像 與所述人臉圖像數(shù)據(jù)庫中的人臉圖像根據(jù)人臉識別分類器進行人臉面相識別。本發(fā)明的進一步技術(shù)方案是所述偽裝分類器包括帽子分類器、墨鏡分類器，所述 偽裝判別模塊根據(jù)帽子分類器判別人臉圖像是否為戴帽子偽裝，所述偽裝判別模塊根據(jù)墨 鏡分類器判別人臉圖像是否為戴墨鏡偽裝。本發(fā)明的進一步技術(shù)方案是所述偽裝模型包括膚色模型，所述偽裝判別模塊根 據(jù)膚色模型判別人臉圖像是否為戴口罩或圍巾的偽裝。本發(fā)明的進一步技術(shù)方案是所述人臉面相判別系統(tǒng)還包括人臉圖像檢索單元， 所述人臉圖像檢索單元根據(jù)輸入的條件對所述人臉圖像數(shù)據(jù)庫中的人臉圖像進行檢索。本發(fā)明的技術(shù)方案是構(gòu)建一種公共安全系統(tǒng)，所述公共安全系統(tǒng)包括人臉面相 判別系統(tǒng)，所述人臉圖像數(shù)據(jù)庫為存儲嫌疑人人臉圖像的嫌疑人圖像數(shù)據(jù)庫，對于所述偽 裝判別模塊判別為不是偽裝的人臉圖像時，所述人臉識別單元將所述人臉圖像與所述嫌疑 人圖像數(shù)據(jù)庫中的人臉圖像進行人臉面相識別。本發(fā)明的進一步技術(shù)方案是所述公共安全系統(tǒng)還包括報警單元，對于所述偽裝 判別模塊判別為是偽裝的人臉圖像時，所述報警單元報警；對于所述人臉識別單元將所述 人臉圖像識別為所述嫌疑人圖像數(shù)據(jù)庫中的人臉圖像，所述報警單元報警。本發(fā)明的進一步技術(shù)方案是所述公共安全系統(tǒng)還包括嫌疑人圖像檢索單元，所 述公共安全系統(tǒng)還包括嫌疑人圖像檢索單元，所述嫌疑人圖像檢索單元根據(jù)輸入的條件對 所述嫌疑人圖像數(shù)據(jù)庫中的人臉圖像進行檢索。本發(fā)明的技術(shù)效果是本發(fā)明人臉面相判別的方法、系統(tǒng)及公共安全系統(tǒng)，通過在 進行人臉面相識別前先進行人臉偽裝判別，對于人臉圖像進行偽裝的行為及時進行反應(yīng)。


圖1為本發(fā)明的流程圖。圖2為本發(fā)明人臉面相判別系統(tǒng)的結(jié)構(gòu)示意圖。圖3為本發(fā)明公共安全系統(tǒng)的結(jié)構(gòu)示意圖。
具體實施例方式
下面結(jié)合具體實施例，對本發(fā)明技術(shù)方案進一步說明。如圖1所示，本發(fā)明的具體實施方式
是本發(fā)明提供一種人臉面相判別方法，包括 偽裝分類器、偽裝模型以及人臉識別分類器，所述人臉面相判別方法包括如下步驟步驟100 獲取人臉圖像，即，從視頻或圖像中獲取人臉圖像。本發(fā)明中首先要獲 取人臉圖像，人臉圖像的獲取來源于視頻中截出人臉圖像，也可以來源于圖像中含有人臉 部分的圖像，本發(fā)明中的圖像可以是直接接收的圖像電子文件或掃描生成的圖像電子文件 或者截取的圖像文件上含有人臉部分的圖像電子文件。本發(fā)明的具體實施方式
中，將人臉 圖像根據(jù)人臉的大小以矩形框住人臉為限，也即是獲取人臉圖像以盡量大的有臉被矩形框 住的矩形圖像。
步驟200 進行人臉偽裝判別，即，將人臉圖像根據(jù)偽裝分類器、偽裝模型進行偽 裝判別。本發(fā)明中，所述人臉偽裝判別包括戴墨鏡偽裝判別、戴墨鏡偽裝判別、戴口罩或圍 巾的偽裝判別。在進行偽裝判別前需要生成偽裝分類器及偽裝模型。具體來說，本發(fā)明中的 偽裝分類器包括帽子分類器、墨鏡分類器，根據(jù)帽子分類器判別人臉圖像是否為戴帽子偽 裝，根據(jù)墨鏡分類器判別人臉圖像是否為戴墨鏡偽裝。所述偽裝模型包括膚色模型，根據(jù)膚 色模型判別人臉圖像是否為戴口罩或圍巾的偽裝。以下具體說明偽裝分類器的生成過程(帽子分類器和墨鏡分器說明示意圖附在最后了)帽子分類器的生成過程首先獲取多張不同放置方法不同形狀帽子的圖像以及 不是帽子的圖像兩組圖像，一般數(shù)量上分別超過一百張，將這些圖像進行歸一化處理，比如 大小統(tǒng)一規(guī)定為40x30像素大小。然后將多張帽子的圖像作為正例樣本，將多張不是帽子 的圖像作為反例樣本，這些正例樣本和反例樣本即組成帽子級聯(lián)分類器的訓(xùn)練集。利用 Opencv (OpenCV是Intel公司支持的開源計算機視覺庫，它由一系列C函數(shù)和少量C++類構(gòu) 成，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。)中已經(jīng)寫好的基于Haar特征的 Adaboosting算法，分類器的訓(xùn)練用Opencv中的haartraining程序來實現(xiàn)，以取得的帽子 級聯(lián)分類器的訓(xùn)練集為輸入分別訓(xùn)練，得到帽子分類器，最終的輸出為基于Harr特征的帽 子級聯(lián)分類器。獲得帽子級聯(lián)分類器后，再獲取其中的帽子hu不變量(胡氏不變量，一些矩特征。 由于關(guān)于長軸及短軸的慣性矩和一些十分有用的矩不變量都可直接由矩得到，不變矩是圖 像的統(tǒng)計特性，滿足平移、紳縮、旋轉(zhuǎn)均不變的不變性，在圖像識別領(lǐng)域得到了廣泛的應(yīng)用， Hu首先提出了用于區(qū)域形狀識別的不變矩，胡氏不變量是一些矩特征。)訓(xùn)練集。利用分 類器訓(xùn)練中形成的帽子級聯(lián)分類器，來檢測帽子，并截出帽子區(qū)域圖像，這樣得到的圖像集 合中有兩類圖像，一類是帽子，另外一類不是帽子(這里稱之為“虛假帽子”)，然后將它們 分成兩組，是帽子的一組為正例樣本，“虛假帽子”的一組為反例樣本；如此形成用于獲取帽 子Hu不變量的帽子圖像集(這里獲取帽子Hu不變量訓(xùn)練集所用的圖像集和上述訓(xùn)練帽子 級聯(lián)分類器所用的圖像庫是不同的兩個圖像集；這兩個圖像集都是在系統(tǒng)運行之前準(zhǔn)備好 的，計算其中所有圖像的7個hu不變量，形成帽子hu不變量訓(xùn)練集，其中有帽子和非帽子 兩類數(shù)據(jù)。通過上述方法即獲得了帽子分類器。在獲得帽子分類器后，利用帽子分類器對圖像中進行戴帽子偽裝判別，S卩，先利用 帽子級聯(lián)分類器初步檢測，對檢測到的‘帽子圖像’，再利用帽子分類器中的7個不變量訓(xùn) 練集和K( 一個正整數(shù)，在本發(fā)明中取9)近鄰方法來判別當(dāng)前檢測的圖像中是否是真的帽 子，若剛當(dāng)前檢測帽子的特征向量離帽子hu不變量訓(xùn)練集帽子數(shù)據(jù)較近，則判為帽子，否 則不是帽子。具體實施過程中，真實帽子圖像與誤判為帽子的圖像的7個Hu不變矩中第5 維與第7維特征的點繪圖有很好的分離性，因此使用這兩個特征作為K近鄰方法的輸入來 減少誤判，如此也降低了計算復(fù)雜度。同上述過程一樣，墨鏡分類器的獲取過程如下墨鏡分類器的生成過程首先獲取多張不同放置方法不同形狀墨鏡的圖像以及 不是墨鏡的圖像兩組圖像，一般數(shù)量上分別超過一百張，將這些圖像進行歸一化處理，比如 大小統(tǒng)一規(guī)定為40x30像素大小。然后將多張墨鏡的圖像作為正例樣本，將多張不是墨鏡的圖像作為反例樣本，這些正例樣本和反例樣本即組成墨鏡級聯(lián)分類器的訓(xùn)練集。利用 Opencv (OpenCV是Intel公司支持的開源計算機視覺庫，它由一系列C函數(shù)和少量C++類構(gòu) 成，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。)中已經(jīng)寫好的基于Haar特征的 Adaboosting算法，分類器的訓(xùn)練用Opencv中的haartraining程序來實現(xiàn)，以取得的墨鏡 分類器的訓(xùn)練集為輸入分別訓(xùn)練，得到墨鏡分類器，最終的輸出為基于Harr特征的墨鏡級 聯(lián)分類器。獲得墨鏡級聯(lián)分類器后，再獲取其中的墨鏡hu不變量(胡氏不變量，一些矩特征。 由于關(guān)于長軸及短軸的慣性矩和一些十分有用的矩不變量都可直接由矩得到，不變矩是圖 像的統(tǒng)計特性，滿足平移、紳縮、旋轉(zhuǎn)均不變的不變性，在圖像識別領(lǐng)域得到了廣泛的應(yīng)用， Hu首先提出了用于區(qū)域形狀識別的不變矩，胡氏不變量是一些矩特征。)訓(xùn)練集。利用分 類器訓(xùn)練中形成的墨鏡級聯(lián)分類器，來檢測帽子，并截出墨鏡區(qū)域圖像，這樣得到的圖像集 合中有兩類圖像，一類是墨鏡，另外一類不是墨鏡(這里稱之為“虛假墨鏡”)，然后將它們 分成兩組，是墨鏡的一組為正例樣本，‘虛假墨鏡’的一組為反例樣本；如此形成用于獲取墨 鏡Hu不變量的墨鏡圖像集(這里獲取墨鏡Hu不變量訓(xùn)練集所用的圖像集和上述訓(xùn)練墨鏡 級聯(lián)分類器所用的圖像庫是不同的兩個圖像集；)，計算其中所有圖像的7個hu不變量，形 成墨鏡hu不變量訓(xùn)練集，其中有墨鏡和非墨鏡兩類數(shù)據(jù)。通過上述方法即獲得了墨鏡分類器。在獲得墨鏡分類器后，利用墨鏡分類器對圖像中進行戴墨鏡偽裝判別，S卩，先利用 墨鏡級聯(lián)分類器初步檢測，對檢測到的‘墨鏡圖像’，再計算該‘墨鏡圖像’的7個Hu不變 量，然后把7個Hu不變量輸入神經(jīng)網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果(0或1，0表示不是墨鏡、1 表示是墨鏡)判別當(dāng)前檢測的圖像是否是真的帽子，利用帽子分類器中的7個不變量訓(xùn)練 集和多層神經(jīng)網(wǎng)絡(luò)方法，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如下，使用有三層BP神經(jīng)網(wǎng)絡(luò)，輸入層7個節(jié)點 (對應(yīng)7個Hu不變量)，隱藏層10個節(jié)點，輸出層一個節(jié)點(對應(yīng)是否是墨鏡)；訓(xùn)練神經(jīng) 網(wǎng)絡(luò)的數(shù)據(jù)集為從視頻中截取的墨鏡hu不變量訓(xùn)練集。訓(xùn)練后產(chǎn)生神經(jīng)網(wǎng)絡(luò)模型。以下簡要說明偽裝分類器中二個相關(guān)的步驟一、基于Haar特征的Adaboosting算法?；贖aar特征的Adaboosting算法來 檢測出一些指定的目標(biāo)，如人臉，墨鏡，眼睛，汽車等。具體過如下Haar特征分為三類邊 緣特征、線性特征、中心特征與對角線特征組合成的特征模板。特征模板內(nèi)有白色和黑色兩 種矩形，并定義該模板的特征值為白色矩形像素值的和減去黑色矩形像素值的和。在確定 了特征形式后Harr-like特征的數(shù)量就取決于訓(xùn)練樣本圖像矩陣的大小，特征模板在子窗 口內(nèi)任意放置，一種形態(tài)稱為一種特征，找出所有子窗口的特征是進行弱分類訓(xùn)練的基礎(chǔ)。 Adaboost是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類 器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。利用樣本 的harr特征進行分類器訓(xùn)練，得到一個級聯(lián)的強分類器。訓(xùn)練樣本分為正例樣本和反例樣 本，其中正例樣本是指待檢目標(biāo)樣本(例如人臉或汽車等)，反例樣本指其它任意圖像，所 有的樣本圖像都被歸一化為同樣的尺寸大小(例如，20x20)。分類器訓(xùn)練完以后，就可以應(yīng) 用于輸入圖像中的感興趣區(qū)域(與訓(xùn)練樣本相同的尺寸)的檢測。檢測到目標(biāo)區(qū)域(汽車 或人臉)分類器輸出為1，否則輸出為0。為了檢測整副圖像，在圖像中移動搜索窗口，檢測 每一個位置來確定可能的目標(biāo)。為了搜索不同大小的目標(biāo)物體，分類器被設(shè)計為可以進行
權(quán)利要求
一種人臉面相判別方法，包括偽裝分類器、偽裝模型以及人臉識別分類器，所述人臉面相判別方法包括如下步驟獲取人臉圖像從視頻或圖像中獲取人臉圖像；進行人臉偽裝判別將人臉圖像根據(jù)偽裝分類器、偽裝模型進行偽裝判別；人臉面相判別對于偽裝判別結(jié)果中未進行偽裝的人臉圖像根據(jù)人臉識別分類器進行人臉分類面相判別。
2.根據(jù)權(quán)利要求1所述的人臉面相判別方法，其特征在于，在進行人臉偽裝判別的步 驟中，在進行人臉圖像對比前，還包括對人臉圖像的預(yù)處理操作，所述預(yù)處理操作為對人臉 圖像進行歸一化處理。
3.根據(jù)權(quán)利要求1所述的人臉面相判別方法，其特征在于，在進行人臉偽裝判別步驟 中，所述人臉偽裝判別包括戴帽子偽裝判別、戴墨鏡偽裝判別、戴口罩或圍巾的偽裝判別。
4.一種人臉面相判別系統(tǒng)，其特征在于，包括輸入人臉圖像的圖像輸入單元、根據(jù)人臉 圖像進行人臉偽裝判別的偽裝判別單元、進行人臉面相識別的人臉識別單元，所述偽裝判 別單元包括獲偽裝分類器、偽裝模型及偽裝判別模塊，所述人臉識別單元包括存儲人臉圖 像的人臉圖像數(shù)據(jù)庫、人臉識別分類器，所述偽裝判別模塊根據(jù)偽裝分類器、偽裝模型對所 述圖像輸入單元輸入的人臉圖像進行偽裝判別，對于所述偽裝判別模塊判別為不是偽裝的 人臉圖像時，所述人臉識別單元將對所述圖像輸入單元輸入的人臉圖像與所述人臉圖像數(shù) 據(jù)庫中的人臉圖像根據(jù)人臉識別分類器進行人臉面相識別。
5.根據(jù)權(quán)利要求4所述的人臉面相判別系統(tǒng)，其特征在于，所述偽裝分類器包括帽子 分類器、墨鏡分類器，所述偽裝判別模塊根據(jù)帽子分類器判別人臉圖像是否為戴帽子偽裝， 所述偽裝判別模塊根據(jù)墨鏡分類器判別人臉圖像是否為戴墨鏡偽裝。
6.根據(jù)權(quán)利要求4所述的人臉面相判別系統(tǒng)，其特征在于，所述偽裝模型包括膚色模 型，所述偽裝判別模塊根據(jù)膚色模型判別人臉圖像是否為戴口罩或圍巾的偽裝。
7.根據(jù)權(quán)利要求4所述的人臉面相判別系統(tǒng)，其特征在于，所述人臉面相判別系統(tǒng)還 包括人臉圖像檢索單元，所述人臉圖像檢索單元根據(jù)輸入的條件對所述人臉圖像數(shù)據(jù)庫中 的人臉圖像進行檢索。
8.一種應(yīng)用權(quán)利要求4至7中任一權(quán)利要求所述人臉面相判別系統(tǒng)的公共安全系統(tǒng)， 其特征在于，所述公共安全系統(tǒng)包括人臉面相判別系統(tǒng)，所述人臉圖像數(shù)據(jù)庫為存儲嫌疑 人人臉圖像的嫌疑人圖像數(shù)據(jù)庫，對于所述偽裝判別模塊判別為不是偽裝的人臉圖像時， 所述人臉識別單元將所述人臉圖像與所述嫌疑人圖像數(shù)據(jù)庫中的人臉圖像進行人臉面相 識別。
9.根據(jù)權(quán)利要求8所述的公共安全系統(tǒng)，其特征在于，所述公共安全系統(tǒng)還包括報警 單元，對于所述偽裝判別模塊判別為是偽裝的人臉圖像時，所述報警單元報警；對于所述人臉識別單元將所述人臉圖像識別為所述嫌疑人圖像數(shù)據(jù)庫中的人臉圖像，所述報警單元報m 目。
10.根據(jù)權(quán)利要求8所述的公共安全系統(tǒng)，其特征在于，所述公共安全系統(tǒng)還包括嫌疑 人圖像檢索單元，所述公共安全系統(tǒng)還包括嫌疑人圖像檢索單元，所述嫌疑人圖像檢索單 元根據(jù)輸入的條件對所述嫌疑人圖像數(shù)據(jù)庫中的人臉圖像進行檢索。
全文摘要
本發(fā)明涉及一種人臉面相判別方法，包括偽裝分類器、偽裝模型以及人臉識別分類器，所述人臉面相判別方法包括如下步驟獲取人臉圖像從視頻或圖像中獲取人臉圖像；進行人臉偽裝判別將人臉圖像根據(jù)偽裝分類器、偽裝模型進行偽裝判別；人臉面相判別對于偽裝判別結(jié)果中未進行偽裝的人臉圖像根據(jù)人臉識別分類器進行人臉分類面相判別。本發(fā)明人臉面相判別的方法、系統(tǒng)及公共安全系統(tǒng)，通過在進行人臉面相識別前先進行人臉偽裝判別，對于人臉圖像進行偽裝的行為及時進行反應(yīng)。
文檔編號G06K9/00GK101980242SQ201010501198
公開日2011年2月23日 申請日期2010年9月30日 優(yōu)先權(quán)日2010年9月30日
發(fā)明者徐勇, 李巖, 楊治銀 申請人:徐勇