基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別方法與裝置制造方法
【專利摘要】一種基于人臉特征數(shù)據(jù)挖掘技術(shù)的人臉識(shí)別方法與裝置，其通過(guò)人臉注冊(cè)模塊、人臉識(shí)別模塊與系統(tǒng)更新模塊的特殊的系統(tǒng)結(jié)構(gòu)設(shè)計(jì)和特定的算法，實(shí)現(xiàn)增大有效的類內(nèi)注冊(cè)人臉特征信息量，更好適應(yīng)人臉姿態(tài)與表情變化，而且系統(tǒng)的自動(dòng)更新可以降低環(huán)境與人臉隨時(shí)間變化帶來(lái)的拒識(shí)率，還針對(duì)類間各類人臉的特征差異挖掘出各自的分類閾值，降低了使用同一分類閾值而忽略類間人臉差異產(chǎn)生的誤事率與拒識(shí)率，提高系統(tǒng)的識(shí)別效率。
【專利說(shuō)明】基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別方法與裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明公開(kāi)一種人臉識(shí)別技術(shù)，特別是一種基于人臉特征數(shù)據(jù)挖掘技術(shù)的人臉識(shí)別方法與裝置，屬于人臉識(shí)別領(lǐng)域。
【背景技術(shù)】
[0002]人臉識(shí)別技術(shù)是一種利用人臉特征信息進(jìn)行身份鑒別的生物特征識(shí)別技術(shù)，具有非接觸式采集、可以隱蔽操作、方便快捷、強(qiáng)大的事后追蹤能力、交互性強(qiáng)和圖像采集成本低等優(yōu)點(diǎn)，廣泛應(yīng)用在信息安全、視頻監(jiān)控、刑事偵破、公共安全、社交娛樂(lè)等領(lǐng)域?，F(xiàn)有人臉識(shí)別系統(tǒng)一般包括兩種工作模式，即人臉注冊(cè)模式與人臉識(shí)別模式，其通常采用6個(gè)步驟，分別為:人臉檢測(cè)、人臉關(guān)鍵點(diǎn)定位、人臉形狀和紋理歸一化、特征抽取、特征降維、模板比對(duì)(分類)。
[0003]隨著在實(shí)際中應(yīng)用的推廣，人臉識(shí)別存在的問(wèn)題和難點(diǎn)也逐漸突顯出來(lái)。在不可靠的采集環(huán)境下，用戶的面部表現(xiàn)千變?nèi)f化，其復(fù)雜程度遠(yuǎn)遠(yuǎn)超出了標(biāo)準(zhǔn)評(píng)測(cè)中獲取的圖片。遮擋會(huì)導(dǎo)致人臉特征發(fā)生變化，會(huì)增加人臉識(shí)別的困難，增加拒識(shí)率；光照、姿態(tài)和表情的變化，也會(huì)導(dǎo)致一個(gè)人的不同環(huán)境下的人臉特征差異很大，降低了識(shí)別率，還有可能出現(xiàn)錯(cuò)誤識(shí)別。因此，如何解決由于光照、姿態(tài)、表情與時(shí)間變化等因素造成的人臉特征的變化而提高了拒識(shí)率和誤識(shí)率及降低了識(shí)別率，同時(shí)具有較高的運(yùn)算速度成為迫切需要解決的問(wèn)題。
[0004]為了讓人臉注冊(cè)更多人臉特征的變化信息，以改善由于遮擋、光照、姿態(tài)和表情變化等因素造成的人臉特征的變化而帶來(lái)的識(shí)別問(wèn)題，現(xiàn)有技術(shù)(申請(qǐng)?zhí)?200710163907)提供了 一種同一人雷同照片的注冊(cè)評(píng)估方法。
[0005]請(qǐng)參照?qǐng)D1，在步驟S101，首先輸入待注冊(cè)的圖像。然后，在步驟S102執(zhí)行人臉檢測(cè)。步驟S103對(duì)檢測(cè)得到的人臉區(qū)域進(jìn)行眼睛定位。步驟S104為人臉區(qū)域分割單元。步驟S105為人臉特征提取單元。S106為評(píng)估單元。S107為存儲(chǔ)單元，即人臉特征注冊(cè)。
[0006]請(qǐng)結(jié)合參照?qǐng)D2所示，首先步驟S201判斷待注冊(cè)圖像所屬的人是否已經(jīng)在人臉識(shí)別系統(tǒng)中注冊(cè)過(guò)；如果判斷待注冊(cè)圖像所屬的人未在人臉識(shí)別系統(tǒng)中注冊(cè)，則進(jìn)行步驟S202注冊(cè)；如果判斷待注冊(cè)圖像所屬的人已經(jīng)在人臉識(shí)別系統(tǒng)中注冊(cè)過(guò)，則步驟S203計(jì)算待注冊(cè)圖像與已注冊(cè)圖像之間的相似度，同步驟204構(gòu)成循環(huán)判定所有圖像對(duì)比完成；步驟S205排序計(jì)算相似度的最大值，步驟S206將相似度的最大值與預(yù)設(shè)閾值進(jìn)行比較，以判斷是否對(duì)待注冊(cè)圖像進(jìn)行步驟S202注冊(cè)。
[0007]從圖1并結(jié)合圖2所示可知，現(xiàn)有技術(shù)的上述注冊(cè)評(píng)估單元僅對(duì)已注冊(cè)類內(nèi)雷同照片有效，而對(duì)于相似的類間人臉圖像及由于姿態(tài)、光照、表情與時(shí)間變化等帶來(lái)的類間人臉特征趨于相似及現(xiàn)有人臉識(shí)別技術(shù)存在的原理性的誤識(shí)別問(wèn)題仍未解決。
[0008]現(xiàn)有技術(shù)(專利申請(qǐng)?zhí)?201210195701.6)為融合稀疏保持映射和多類別屬性Bagging算法的人臉識(shí)別方法。在實(shí)現(xiàn)屬性Bagging算法時(shí)，以Radon變換的角度作為實(shí)例的屬性來(lái)構(gòu)建訓(xùn)練樣本，并在其上進(jìn)行基分類器的訓(xùn)練。在Yale人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)，每個(gè)人選取6張圖片作為訓(xùn)練集，剩下的5張作為測(cè)試集，最佳識(shí)別率為迭代20次，識(shí)別率為81%。在AR人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)，每個(gè)人選取7張圖片作為訓(xùn)練集，剩下的7張作為測(cè)試集，最佳識(shí)別率為迭代10次，識(shí)別率為98.29%。
[0009]現(xiàn)有技術(shù)在AR庫(kù)的測(cè)試結(jié)果明顯好于在YALE庫(kù)的識(shí)別結(jié)果，說(shuō)明現(xiàn)有技術(shù)對(duì)于存在單一的表情或是光照的情況比較適合，而對(duì)于同時(shí)存在表情與光照變化的情況識(shí)別率較低，這也是現(xiàn)有的人臉識(shí)別產(chǎn)品往往在表情與光照同時(shí)存在時(shí)識(shí)別效率較低的普遍現(xiàn)象。同時(shí)，現(xiàn)有技術(shù)的多次迭代容易造成模型過(guò)擬合，注冊(cè)人臉特征庫(kù)對(duì)應(yīng)的測(cè)試人臉有所變化后，形成局勢(shì)率與誤識(shí)率的升高，缺乏泛化能力，且現(xiàn)有技術(shù)的多次迭代帶來(lái)的識(shí)別時(shí)間的增加與效率的降低，不利于技術(shù)實(shí)際應(yīng)用。

【發(fā)明內(nèi)容】

[0010]針對(duì)上述提到的現(xiàn)有技術(shù)中的在人臉識(shí)別應(yīng)用中存在的問(wèn)題，本發(fā)明提供一種基于人臉特征數(shù)據(jù)挖掘技術(shù)的人臉識(shí)別方法與裝置，其通過(guò)特殊的系統(tǒng)結(jié)構(gòu)設(shè)計(jì)和算法，實(shí)現(xiàn)增大有效的類內(nèi)注冊(cè)人臉特征信息量，更好適應(yīng)人臉姿態(tài)與表情變化，而且系統(tǒng)的自動(dòng)更新可以降低環(huán)境與人臉隨時(shí)間變化帶來(lái)的拒識(shí)率，還針對(duì)類間各類人臉的特征差異挖掘出各自的分類閾值，降低了使用同一分類閾值而忽略類間人臉差異產(chǎn)生的誤事率與拒識(shí)率，提聞系統(tǒng)的識(shí)別效率。
[0011]本發(fā)明解決其技術(shù)問(wèn)題采用的技術(shù)方案是:一種基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別裝置，該裝置包括人臉注冊(cè)模塊、人臉識(shí)別模塊與系統(tǒng)更新模塊，其中
所述的人臉注冊(cè)模塊利用圖像局部二元模式特征相似度匹配值，根據(jù)匹配值判定類內(nèi)的雷同圖像并舍棄，對(duì)于非雷同照片計(jì)算核主成分分析特征，并對(duì)核主成分分析特征使用模糊FDA提取人臉特征，再利用數(shù)據(jù)挖掘技術(shù)求取該類人的分類閾值，并記錄該注冊(cè)人的注冊(cè)密碼；
所述的人臉識(shí)別模塊，通過(guò)計(jì)算分割圖像核主成分分析特征，并對(duì)核主成分分析特征使用模糊FDA提取人臉特征，再計(jì)算提取的當(dāng)前人臉與庫(kù)內(nèi)人臉特征的歐氏距離，并將此值與注冊(cè)庫(kù)的各分類閾值進(jìn)行比較判定；
所述的系統(tǒng)更新模塊為當(dāng)前識(shí)別人臉識(shí)別連續(xù)3次均未識(shí)別成功，且識(shí)別分?jǐn)?shù)在要求范圍內(nèi)且為同一類人，則通過(guò)注冊(cè)密碼確認(rèn)識(shí)別，密碼輸入正確，則識(shí)別成功并進(jìn)行人臉特征提取與數(shù)據(jù)挖掘獲取注冊(cè)庫(kù)各類人的分類閾值，并更新人臉庫(kù)。
[0012]一種采用上述的裝置的基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別方法，該方法為 所述的人臉注冊(cè)模塊包括人臉定位、雷同人臉去除、人臉特征提取與數(shù)據(jù)挖掘；
所述的人臉識(shí)別模塊包括人臉定位，人臉特征提取與人臉識(shí)別；
所述的人臉庫(kù)系統(tǒng)更新模塊包括系統(tǒng)更新判定，人臉特征提取與數(shù)據(jù)挖掘。
[0013]本發(fā)明解決其技術(shù)問(wèn)題采用的技術(shù)方案進(jìn)一步還包括:
所述的人臉定位為對(duì)檢測(cè)到的人臉區(qū)域進(jìn)行鼻尖定位，根據(jù)鼻尖定位信息將人臉?lè)指畛鋈四樏济珗D像、人臉眼睛圖像、人臉鼻子圖像和人臉嘴巴圖像等4塊人臉區(qū)域。
[0014]所述的雷同人臉照片去除為分別提取人臉定位步驟分割的人臉區(qū)域的LBP特征，并將計(jì)算當(dāng)前人臉局部二值模式特征與當(dāng)前人臉庫(kù)內(nèi)人臉的海明距離，如果海明距離小于設(shè)定閾值，則判定為雷同照片給予去除。[0015]所述的人臉特征提取為對(duì)于非雷同照片計(jì)算核主成分分析特征，對(duì)核主成分分析特征使用模糊FLDA獲取投影系數(shù)，并提取人臉特征，
所述的人臉識(shí)別為計(jì)算提取的當(dāng)前人臉與庫(kù)內(nèi)某人臉特征的歐氏距離，并將此值與注冊(cè)庫(kù)的該人臉類得分類閾值進(jìn)行比較判定。
[0016]所述的數(shù)據(jù)挖掘包括下述步驟:
首先，建立人臉特征分類閾值數(shù)據(jù)挖掘模型，
Thresholdi = E (Xi) +a *D (Xi f
Threshold!為每類人對(duì)應(yīng)的分類閾值，i為人臉庫(kù)的人臉類別數(shù)，a與b分別為模型的增益系數(shù)與指數(shù)系數(shù)a取值0-6，b取值0.5~2，Xi為同類內(nèi)的每個(gè)人臉特征與人臉庫(kù)內(nèi)除自身外的所有人進(jìn)行識(shí)別的類內(nèi)最相似識(shí)別分?jǐn)?shù)組成；
然后，獲取模型入?yún)?，利用歐氏距離作為距離測(cè)度，計(jì)算同類內(nèi)的每個(gè)人臉特征與人臉庫(kù)內(nèi)除自身外的所有人進(jìn)行識(shí)別，將每次識(shí)別的類內(nèi)最相似識(shí)別分?jǐn)?shù)組成一維數(shù)組Xi ;
最后，獲取數(shù)據(jù)挖掘分類閾值，改變a與b的值，獲得多組分類閾值，在FAR與FRR曲線圖中取FAR與FRR下方面積和最小的圖像對(duì)應(yīng)的b值，并在此圖中取FRR/FAR最接近1/5時(shí)對(duì)應(yīng)的閾值中的a值，以此(a，b)值并結(jié)合各人臉類的Xi，代入數(shù)據(jù)挖掘模型中獲得各類人臉的分類識(shí)別閾值。
[0017]本發(fā)明的有益效果 是:本發(fā)明不僅可增大有效的類內(nèi)注冊(cè)人臉特征信息量，更好適應(yīng)人臉姿態(tài)與表情變化，而且系統(tǒng)的自動(dòng)更新可以降低環(huán)境與人臉隨時(shí)間變化帶來(lái)的拒識(shí)率，還針對(duì)類間各類人臉的特征差異挖掘出各自的分類閾值，降低了使用同一分類閾值而忽略類間人臉差異產(chǎn)生的誤事率與拒識(shí)率，提高系統(tǒng)的識(shí)別效率。
[0018]下面將結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
【專利附圖】

【附圖說(shuō)明】
[0019]圖1為現(xiàn)有人臉注冊(cè)過(guò)程的流程圖。
[0020]圖2為評(píng)估單元的流程圖。
[0021]圖3為本發(fā)明的系統(tǒng)流程圖。
圖4為本發(fā)明不包括數(shù)據(jù)挖掘部分在AR庫(kù)的測(cè)試結(jié)果圖。
圖5為圖4對(duì)應(yīng)的FAR (錯(cuò)誤接受率)與FRR (錯(cuò)誤拒絕率)圖。
圖6為本發(fā)明在AR庫(kù)實(shí)驗(yàn)結(jié)果的FAR (錯(cuò)誤接受率)與FRR (錯(cuò)誤拒絕率)圖。
【具體實(shí)施方式】
[0022]本實(shí)施例為本發(fā)明優(yōu)選實(shí)施方式，其他凡其原理和基本結(jié)構(gòu)與本實(shí)施例相同或近似的，均在本發(fā)明保護(hù)范圍之內(nèi)。
[0023]本發(fā)明中的基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別裝置由人臉注冊(cè)、人臉識(shí)別與系統(tǒng)更新3個(gè)模塊組成，其中，人臉注冊(cè)模塊利用圖像局部二元模式特征相似度匹配值，根據(jù)匹配值判定類內(nèi)的雷同圖像并舍棄。對(duì)于非雷同照片計(jì)算核主成分分析(KPCA)特征，并對(duì)KPCA特征使用模糊FDA提取人臉特征，再利用數(shù)據(jù)挖掘技術(shù)求取該類人的分類閾值，并記錄該注冊(cè)人的注冊(cè)密碼。人臉識(shí)別模塊，通過(guò)計(jì)算分割圖像核主成分分析(KPCA)特征，并對(duì)KPCA特征使用模糊FDA提取人臉特征，再計(jì)算提取的當(dāng)前人臉與庫(kù)內(nèi)人臉特征的歐氏距離，并將此值與注冊(cè)庫(kù)的各分類閾值進(jìn)行比較判定。系統(tǒng)更新模塊為當(dāng)前識(shí)別人臉識(shí)別連續(xù)3次均未識(shí)別成功，且識(shí)別分?jǐn)?shù)在要求范圍內(nèi)且為同一類人，則通過(guò)注冊(cè)密碼確認(rèn)識(shí)另O。密碼輸入正確，則識(shí)別成功并進(jìn)行人臉特征提取與數(shù)據(jù)挖掘獲取注冊(cè)庫(kù)各類人的分類閾值，并更新人臉庫(kù)。本發(fā)明不僅可增大有效的類內(nèi)注冊(cè)人臉特征信息量，更好適應(yīng)人臉姿態(tài)與表情變化，而且系統(tǒng)的自動(dòng)更新可以降低環(huán)境與人臉隨時(shí)間變化帶來(lái)的拒識(shí)率，還針對(duì)類間各類人臉的特征差異挖掘出各自的分類閾值，降低了使用同一分類閾值而忽略類間人臉差異產(chǎn)生的誤事率與拒識(shí)率，提高系統(tǒng)的識(shí)別效率。
[0024]本發(fā)明中，同時(shí)保護(hù)一種基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別方法，其中，人臉注冊(cè)模塊包括，人臉定位、雷同人臉去除、人臉特征提取與數(shù)據(jù)挖掘等步驟:
第一步，人臉定位。首先對(duì)檢測(cè)到的人臉區(qū)域進(jìn)行鼻尖定位，根據(jù)鼻尖定位信息將人臉?lè)指畛鋈四樏济珗D像、人臉眼睛圖像、人臉鼻子圖像和人臉嘴巴圖像等4塊人臉區(qū)域；第二步，雷同人臉照片去除。首先分別提取人臉定位步驟分割的人臉區(qū)域的LBP特征，并將計(jì)算當(dāng)前人臉局部二值模式(LBP, Local Binary Pattern)特征與當(dāng)前人臉庫(kù)內(nèi)人臉的海明距離。如果海明距離小于設(shè)定閾值，則判定為雷同照片給予去除；
第三步，人臉特征提取。對(duì)于非雷同照片計(jì)算核主成分分析(KPCA)特征，對(duì)KPCA特征使用模糊FLDA獲取投影系數(shù)，并提取人臉特征。
[0025]第四步，數(shù)據(jù)挖掘。
[0026]本實(shí)施例中，人臉特征數(shù)據(jù)挖掘技術(shù)包括以下特征:
首先，建立人臉特征分類閾值數(shù)據(jù)挖掘模型。
【權(quán)利要求】
1.一種基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別裝置，其特征是:所述的裝置包括人臉注冊(cè)模塊、人臉識(shí)別模塊與系統(tǒng)更新模塊，其中 所述的人臉注冊(cè)模塊利用圖像局部二元模式特征相似度匹配值，根據(jù)匹配值判定類內(nèi)的雷同圖像并舍棄，對(duì)于非雷同照片計(jì)算核主成分分析特征，并對(duì)核主成分分析特征使用模糊FDA提取人臉特征，再利用數(shù)據(jù)挖掘技術(shù)求取該類人的分類閾值，并記錄該注冊(cè)人的注冊(cè)密碼； 所述的人臉識(shí)別模塊，通過(guò)計(jì)算分割圖像核主成分分析特征，并對(duì)核主成分分析特征使用模糊FDA提取人臉特征，再計(jì)算提取的當(dāng)前人臉與庫(kù)內(nèi)人臉特征的歐氏距離，并將此值與注冊(cè)庫(kù)的各分類閾值進(jìn)行比較判定； 所述的系統(tǒng)更新模塊為當(dāng)前識(shí)別人臉識(shí)別連續(xù)3次均未識(shí)別成功，且識(shí)別分?jǐn)?shù)在要求范圍內(nèi)且為同一類人，則通過(guò)注冊(cè)密碼確認(rèn)識(shí)別，密碼輸入正確，則識(shí)別成功并進(jìn)行人臉特征提取與數(shù)據(jù)挖掘獲取注冊(cè)庫(kù)各類人的分類閾值，并更新人臉庫(kù)。
2.一種采用如權(quán)利要求1所述的基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別裝置的基于人臉特征數(shù)據(jù)挖掘的人臉識(shí)別方法，其特征是:所述的方法為 所述的人臉注冊(cè)模塊包括人臉定位、雷同人臉去除、人臉特征提取與數(shù)據(jù)挖掘； 所述的人臉識(shí)別模塊包括人臉定位，人臉特征提取與人臉識(shí)別； 所述的人臉庫(kù)系統(tǒng)更新模塊包括系統(tǒng)更新判定，人臉特征提取與數(shù)據(jù)挖掘。
3.根據(jù)權(quán)利要求2所述的方法，其特征是:所述的人臉定位為對(duì)檢測(cè)到的人臉區(qū)域進(jìn)行鼻尖定位，根據(jù)鼻尖定位信息將人臉?lè)指畛鋈四樏济珗D像、人臉眼睛圖像、人臉鼻子圖像和人臉嘴巴圖像 等4塊人臉區(qū)域。
4.根據(jù)權(quán)利要求2所述的方法，其特征是:所述的雷同人臉照片去除為分別提取人臉定位步驟分割的人臉區(qū)域的LBP特征，并將計(jì)算當(dāng)前人臉局部二值模式特征與當(dāng)前人臉庫(kù)內(nèi)人臉的海明距離，如果海明距離小于設(shè)定閾值，則判定為雷同照片給予去除。
5.根據(jù)權(quán)利要求2所述的方法，其特征是:所述的人臉特征提取為對(duì)于非雷同照片計(jì)算核主成分分析特征，對(duì)核主成分分析特征使用模糊FLDA獲取投影系數(shù)，并提取人臉特征， 根據(jù)權(quán)利要求2所述的方法，其特征是:所述的人臉識(shí)別為計(jì)算提取的當(dāng)前人臉與庫(kù)內(nèi)某人臉特征的歐氏距離，并將此值與注冊(cè)庫(kù)的該人臉類得分類閾值進(jìn)行比較判定。
6.根據(jù)權(quán)利要求2所述的方法，其特征是:所述的數(shù)據(jù)挖掘包括下述步驟: 首先，建立人臉特征分類閾值數(shù)據(jù)挖掘模型，

ThrsskoM1- Threshold!為每類人對(duì)應(yīng)的分類閾值，i為人臉庫(kù)的人臉類別數(shù)，a與b分別為模型的增益系數(shù)與指數(shù)系數(shù)a取值0-6，b取值0.5~2，Xi為同類內(nèi)的每個(gè)人臉特征與人臉庫(kù)內(nèi)除自身外的所有人進(jìn)行識(shí)別的類內(nèi)最相似識(shí)別分?jǐn)?shù)組成； 然后，獲取模型入?yún)?，利用歐氏距離作為距離測(cè)度，計(jì)算同類內(nèi)的每個(gè)人臉特征與人臉庫(kù)內(nèi)除自身外的所有人進(jìn)行識(shí)別，將每次識(shí)別的類內(nèi)最相似識(shí)別分?jǐn)?shù)組成一維數(shù)組Xi ; 最后，獲取數(shù)據(jù)挖掘分類閾值，改變a與b的值，獲得多組分類閾值，在FAR與FRR曲線圖中取FAR與FRR下方面積和最小的圖像對(duì)應(yīng)的b值，并在此圖中取FRR/FAR最接近1/5時(shí)對(duì)應(yīng)的閾值中的a值，以此(a，b)值并結(jié)合各人臉類的Xi，代入數(shù)據(jù)挖掘模型中獲得各類人臉的分類識(shí)別閾值。`
【文檔編號(hào)】G06K9/00GK103778409SQ201410002094
【公開(kāi)日】2014年5月7日 申請(qǐng)日期:2014年1月2日 優(yōu)先權(quán)日:2014年1月2日
【發(fā)明者】陳洪 申請(qǐng)人:深圳市元軒科技發(fā)展有限公司