本發(fā)明涉及人臉識別領(lǐng)域和車輛輔助駕駛系統(tǒng)領(lǐng)域，具體涉及一種應用于自適應駕座的人臉識別方法。

背景技術(shù)：

人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術(shù)。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關(guān)圖像處理技術(shù)，通常也叫做人像識別、面部識別。目前人臉識別技術(shù)應用越來越普遍，但是現(xiàn)有技術(shù)中的人臉識別技術(shù)還存在著技術(shù)缺陷，如受環(huán)境影響大、容易被照片欺騙、不適合人臉的自然變化，造成識別率不夠高等問題。

人臉識別依賴于人臉特征的提取。在人臉識別的過程中，主要包括人臉圖像的匹配和識別過程，就是將提取到的待識別的人臉特征與已得到的存儲在數(shù)據(jù)庫中的人臉特征模版進行匹配，根據(jù)相似程度對人臉圖像的身份信息進行判斷。因此，能夠提取到準確而豐富的人臉特征對于人臉識別的結(jié)果具有重要影響。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)所存在的問題，本發(fā)明提供一種人臉識別方法，應用于無人車輔助駕駛系統(tǒng)，能高效、快捷識別出乘客的身份信息。

本發(fā)明應用于自適應駕座的人臉識別方法，包括以下步驟：

S1：加載人臉身份特征頭像庫；

S2：創(chuàng)建人臉識別模型，訓練已加載的人臉識別庫；

S3：在攝像頭中獲取視頻圖像；

S4：用級聯(lián)分類器檢測視頻圖像中是否包括人臉特征信息；

S5：若不存在人臉特征信息，則返回步驟S3；若存在人臉特征信息，則將人臉部分提取出來，生成人臉圖像，作為特征頭像；

S6：將所提取的特征頭像進行尺寸歸一化；

S7：對歸一化后的特征頭像進行直方圖均衡化處理；

S8：利用二維離散快速傅里葉變換將人臉圖像從空間域變換到頻率域，進行特征提??；

S9：將提取的特征放在人臉識別庫中進行比對，若相似度高于預設閾值，則輸出預測的身份標簽，確認乘客身份，啟動自適應駕座；否則，若相似度低于預設閾值，詢問是否錄入人臉身份；

S10：若不錄入人臉身份，則返回步驟S3；若需要錄入人臉身份，則對經(jīng)過處理的人臉頭像進行尺寸歸一化，并保存至人臉身份特征頭像庫。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點和有益效果：

1、從攝像頭中獲取視頻圖像時，在視頻中獲取每秒60幀的視頻流，提取RGB三通道圖像，計算統(tǒng)計各個像素點分布的情況，大致將像素點區(qū)域范圍分類，并進行比對，根據(jù)相似度適當提取其中的幾幀作為樣本圖像。與傳統(tǒng)的將每一幀都作為樣本圖像進行處理相比，更加高效、快捷。

2、提取特征前，首先將人臉圖像經(jīng)過直方圖均衡化處理，使灰度圖中各灰度級分布均勻；然后利用二維離散快速傅里葉變換將人臉圖像從空間域變換到頻率域，可以在簡單的振幅譜中提取特征，計算方便，提高效率。

3、應用于無人車輔助駕駛系統(tǒng)，配合自適應駕座，能準確進行人臉識別。當乘客的身份得到確認時，啟動自適應駕座，調(diào)整駕座的位置及姿勢，以適應乘客的身形以及坐姿，為乘客提供較舒適的體驗。

4、借助光照傳感器，接收光照傳感器傳來的光照強度值以調(diào)整視頻圖像的白平衡、對比度以及整體亮度，進一步的降低外部光照對識別的影響。

附圖說明

圖1是本發(fā)明的人臉識別結(jié)構(gòu)示意圖；

圖2是本發(fā)明的人臉識別流程示意圖。

具體實施方式

下面結(jié)合說明書附圖和實施例對本發(fā)明做進一步詳細的描述，但本發(fā)明的實施方式不限于此。

實施例

參見圖1，本發(fā)明應用于自適應駕座，在結(jié)構(gòu)上包括依次連接的視頻獲取模塊101、人臉識別模塊102、上位機控制模塊103和錄入庫功能模塊104，其中視頻獲取模塊采用攝像頭；如圖2所示，其人臉識別過程具體包括以下步驟：

S1：加載人臉身份特征頭像庫；

S2：創(chuàng)建人臉識別模型，訓練已加載的人臉識別庫；

可通過IO設備或藍牙、WIFI等發(fā)出指令，將捕捉到的人臉錄入人臉識別庫中，并添加一個身份標簽號。此外，還可記憶此時座椅的位置及姿勢，并將位置及姿勢封裝至人臉識別庫中。

S3：在攝像頭中獲取視頻圖像；

本步驟需要從視頻流中獲取視頻圖像，計算統(tǒng)計各個像素點分布的情況，大致將像素點區(qū)域范圍分類。獲取視頻圖像時，是從視頻流中提取RGB三通道圖像，擁有24位的顏色模式。而提取特征頭像時，則以灰度模式進行提取，只有8位顏色深度的圖像，無需再經(jīng)過對圖像進行灰度處理，減少了計算量，提高檢測效率。

在攝像頭中提取視頻圖像，可以這樣操作：攝像頭每一秒獲取到60幀的視頻資源，組成視頻流，將視頻流中的圖像如數(shù)提取，用事先定義好的Mat類向量承載，比對60張圖像，根據(jù)比對結(jié)果進行提取：當所有圖像相似度達到93％以上時，僅提取第1幀、第30幀及第60幀作為樣本圖像進入后續(xù)處理；當不是所有圖像的相似度均達到93％時，選取其中相似度達到98％或以上的幀數(shù)，并提取其中一幀作為樣本圖像，剩余相似度低于98％的圖像都被提取為樣本圖像進入后續(xù)處理。

當某一秒的圖像出現(xiàn)失真現(xiàn)象時，對每一幀進行輪廓提取，實際操作為掏空內(nèi)部點，如果原圖中有一點為某一種顏色，且它的8個相鄰點都是這種顏色時(此時該點是內(nèi)部點)，則將該點刪除。并將所有幀數(shù)圖像中相同位置的像素點的數(shù)值進行自適應加權(quán)平均：求取各組數(shù)據(jù)的均值和標準差，計算各組數(shù)據(jù)和標準差之間的模糊貼近度，根據(jù)模糊貼近度分配權(quán)重，得出相對權(quán)重。并根據(jù)相對權(quán)重計算加權(quán)均值。將所有的加權(quán)均值放入Mat類向量中，得出平均向量作為樣本圖像進入后續(xù)處理。

本發(fā)明可在攝像頭旁添加光照傳感器，以精確測出攝像頭所接收到的光照強度，利用測得的光照強度值，對實時接收到的視頻圖像在一定范圍內(nèi)調(diào)整，調(diào)整的參數(shù)包括：白平衡、對比度以及整體亮度。

S4：用級聯(lián)分類器檢測視頻圖像中是否包括人臉特征信息；

S5：若不存在人臉特征信息，則返回步驟S3；若存在人臉特征信息，則將人臉部分提取出來，生成人臉圖像，作為特征頭像；

本實施例以灰度模式提取8位顏色深度的圖像。

S6：將所提取的特征頭像進行尺寸歸一化；可將特征頭像的尺寸歸一化為1*1的圖像。

S7：進行直方圖均衡化處理，減小室外光照對識別率的影響；其中，直方圖均衡化處理的過程如下：

-統(tǒng)計原始圖像的所有灰度級和各個灰度級的像素數(shù)；

-計算原始圖像的直方圖與累積直方圖；

-計算局部對比度實現(xiàn)均衡化并得出新的直方圖。

S8：利用二維離散快速傅里葉變換將人臉圖像從空間域變換到頻率域，進行特征提取。

可在變換域(即頻率域)中實現(xiàn)圖像增強，步驟如下：首先計算人臉圖像的傅里葉變換S(u，v)，將傅里葉變換S(u，v)與一個預先設計的轉(zhuǎn)移函數(shù)Y(u，v)相乘，再將相乘結(jié)果H(u，v)傅里葉反變換得到增強后的圖像。轉(zhuǎn)移函數(shù)Y需要根據(jù)想要的增強效果進行設計，例如要實現(xiàn)平滑濾波，則使用n階BLPF轉(zhuǎn)移函數(shù)Y(u,v)＝1/1+[D(u,v)/D_o]²ⁿ，其中D_o為截斷頻率。

S9：將提取的特征放在人臉識別庫中進行比對，人臉識別庫設在人臉識別模塊102中，若相似度高于預設閾值，則輸出預測的身份標簽，確認乘客身份，啟動自適應駕座；否則，若相似度低于預設閾值，詢問是否錄入人臉身份。

S10：若返回否，即不錄入人臉身份，則返回步驟S3；若返回是，即需要錄入人臉身份，則對經(jīng)過處理的人臉頭像進行尺寸歸一化，并保存至人臉身份特征頭像庫，所述人臉身份特征頭像庫設置于錄入庫功能模塊104中。

在將經(jīng)過處理的人臉頭像保存至人臉身份特征頭像庫前，將經(jīng)過處理的人臉頭像放入人臉身份特征頭像庫中進行比對，若出現(xiàn)相似度高于閾值時，放棄將此頭像錄入庫中。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。