一種視屏監(jiān)控人臉識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視屏監(jiān)控技術(shù)領(lǐng)域，特別是涉及到一種視屏監(jiān)控人臉識(shí)別方法。
【背景技術(shù)】
[0002] 人臉識(shí)別是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī) 或攝像頭采集含有人臉的圖像或視頻流，對(duì)檢測(cè)到的人臉進(jìn)行臉部認(rèn)證的一系列相關(guān)技 術(shù)，通常也叫做人像識(shí)別、面部識(shí)別。
[0003] 人臉識(shí)別系統(tǒng)成功的關(guān)鍵在于是否擁有尖端的核心算法，并使識(shí)別結(jié)果具有實(shí)用 化的識(shí)別率和識(shí)別速度，它集成了人工智能、機(jī)器識(shí)別、機(jī)器學(xué)習(xí)、模型理論、專(zhuān)家系統(tǒng)、視 頻圖像處理等多種專(zhuān)業(yè)技術(shù)，同時(shí)需結(jié)合中間值處理的理論與實(shí)現(xiàn)，是生物特征識(shí)別的最 新應(yīng)用，其核心技術(shù)的實(shí)現(xiàn)，展現(xiàn)了弱人工智能向強(qiáng)人工智能的轉(zhuǎn)化。
[0004] 現(xiàn)有應(yīng)用較為廣泛的人臉識(shí)別技術(shù)主要還是基于可見(jiàn)光圖像的人臉識(shí)別，其對(duì)環(huán) 境的光照條件和背景的運(yùn)動(dòng)比較敏感，人臉角度不同出現(xiàn)的陰影也會(huì)對(duì)比較的結(jié)果產(chǎn)生影 響。因此現(xiàn)有的人臉識(shí)別技術(shù)不適用于人臉角度不同，光照條件變化以及惡劣天氣的場(chǎng)景， 識(shí)別精度比較低，識(shí)別效率低下。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明實(shí)施例發(fā)明目的在于提供一種視屏監(jiān)控人臉識(shí)別方法，應(yīng)用該技術(shù)方案可 以提尚人臉識(shí)別的精度，并提尚識(shí)別效率。
[0006] 為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明的完整技術(shù)方案如下：
[0007] 通過(guò)Adaboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練，生成Adaboost級(jí)聯(lián)層疊 分類(lèi)器；
[0008] 通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人臉圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，標(biāo)定特 征點(diǎn)，并輸出待識(shí)別特征矢量；
[0009]以Adaboost級(jí)聯(lián)層疊分類(lèi)器標(biāo)定的特征點(diǎn)作為觀測(cè)，通過(guò)特征匹配算法與樣本庫(kù) 內(nèi)的特征矢量相匹配。
[0010] 由上可見(jiàn)，應(yīng)用本實(shí)施例技術(shù)方案，通過(guò)daboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本 進(jìn)行訓(xùn)練，生成Adaboost級(jí)聯(lián)層疊分類(lèi)器;通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人 臉圖像數(shù)據(jù)進(jìn)彳丁目標(biāo)檢測(cè)，提尚人臉識(shí)別的精度，并提尚識(shí)別效率。
【附圖說(shuō)明】
[0011] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可 以根據(jù)這些附圖獲得其他的附圖。
[0012] 圖1為本發(fā)明實(shí)施例1提供的視屏監(jiān)控人臉識(shí)別方法的流程示意圖。
【具體實(shí)施方式】
[0013]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[00M] 實(shí)施例1:
[0015]如圖1所示，本實(shí)施例公開(kāi)了一種視屏監(jiān)控人臉識(shí)別方法，包括：
[0016]步驟S101、通過(guò)Adaboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練，生成 Adaboost級(jí)聯(lián)層疊分類(lèi)器。
[0017]在圖像目標(biāo)識(shí)別技術(shù)領(lǐng)域，常常需要根據(jù)任意給定的圖像，對(duì)其按一定的策略進(jìn) 行搜索以確定是否含有特定目標(biāo)，例如車(chē)、船、人臉等Adaboost作為一種迭代算法，其基本 思想就是:對(duì)于一個(gè)具體的識(shí)別問(wèn)題，通過(guò)一定的算法將一組弱分類(lèi)器提升為強(qiáng)分類(lèi)器。這 里的若分類(lèi)器就是指對(duì)目標(biāo)的識(shí)別僅好于隨機(jī)猜測(cè)的分類(lèi)器，而強(qiáng)分類(lèi)器則可以認(rèn)為其通 過(guò)一定樣本的學(xué)習(xí)達(dá)到了理想的目標(biāo)識(shí)別率。在本步驟中，通過(guò)Adaboost人臉檢測(cè)算法對(duì) 采集的樣本進(jìn)行訓(xùn)練，得到Adaboost級(jí)聯(lián)層疊分類(lèi)器，用于進(jìn)行后續(xù)的目標(biāo)檢測(cè)。
[0018] 步驟S102、通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人臉圖像數(shù)據(jù)進(jìn)行目標(biāo)檢 測(cè)，標(biāo)定特征點(diǎn)，并輸出待識(shí)別特征矢量。
[0019] 輸入的人臉圖像數(shù)據(jù)可以是視頻序列或靜態(tài)的圖像，采用Adaboost級(jí)聯(lián)分類(lèi)器對(duì) 圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)。
[0020] 步驟S103、以Adaboost級(jí)聯(lián)層疊分類(lèi)器標(biāo)定的特征點(diǎn)作為觀測(cè)，通過(guò)特征匹配算 法與樣本庫(kù)內(nèi)的特征矢量相匹配。
[0021 ]通過(guò)Adaboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練，生成Adaboost級(jí)聯(lián)層疊 分類(lèi)器;通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人臉圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，提高人 臉識(shí)別的精度，并提尚識(shí)別效率。
[0022] 本實(shí)施例公開(kāi)的一種視屏監(jiān)控人臉識(shí)別方法中，Adaboost人臉檢測(cè)算法包括弱分 類(lèi)器訓(xùn)練算法和弱分類(lèi)器標(biāo)定算法;所述弱分類(lèi)器訓(xùn)練算法，根據(jù)輸入的目標(biāo)樣本進(jìn)行訓(xùn) 練得到弱分類(lèi)器;所述弱分類(lèi)器標(biāo)定算法，對(duì)所述訓(xùn)練得到的弱分類(lèi)器進(jìn)行重排序。
[0023] 本實(shí)施例公開(kāi)的一種視屏監(jiān)控人臉識(shí)別方法，其中的弱分類(lèi)器訓(xùn)練算法包括：
[0024] 輸入負(fù)樣本的初始個(gè)數(shù)m、正樣本的初始個(gè)數(shù)1和弱分類(lèi)器的個(gè)數(shù)T，輸入負(fù)樣本和 正樣本Kxi，yi)，（X2，y2)......(xn，yn)}，其中xi表示輸入訓(xùn)練樣本，yi = 〇表示負(fù)樣本，yi = 1表示正樣本，n = l+m;
[0027] 對(duì)于yi=l，完成下列循環(huán)：
[0028] 對(duì)樣本的每個(gè)人臉特征f訓(xùn)練一個(gè)弱分類(lèi)器h，弱分類(lèi)器的誤差為 Uj)-(yi) I，
[0029]選取具有最小誤差0t的弱分類(lèi)器ht;
[0032] 為了實(shí)現(xiàn)人臉特征與樣本庫(kù)的匹配，具有以下步驟：
[0033] 標(biāo)定并提取圖像中人臉特征f，
[0034] 將圖像形狀向量α進(jìn)行歸一化和對(duì)齊，將對(duì)齊后的形狀向量進(jìn)行PCA降維處理；
[0037]計(jì)算協(xié)方差矩陣的特征值λ并將其按從小到大依次排序:&，、，......，其中 〇；
[0038]選擇前t個(gè)特征向量Ρ=(ρι，ρ2,.....,Pt)，使得特征向量P與對(duì)應(yīng)的特征值λ滿(mǎn)足
其中fv為由特征向量個(gè)數(shù)來(lái)確定的比例系數(shù)，fv = 95%，ντ= Σλ?; .，+
[0039] 將任一形狀向量α表示為
其中bs為包含t個(gè)參數(shù)的向量，
[0040] 選取特征點(diǎn)計(jì)算
其中Xi表示待識(shí)別特征矢 量，Ri表示樣本庫(kù)中的特征矢量的第i個(gè)分量，Wi為加權(quán)系數(shù)。特征點(diǎn)的選取根據(jù)人臉的特征 確定，特征點(diǎn)可以包括眼睛的距離，眼間的距離，眉毛的距離，眉間的距離，嘴巴的距離，鼻 子的距離等40多個(gè)距離。
[0041] 設(shè)匹配閥值為U，當(dāng)S3 U時(shí)，輸出成功匹配結(jié)果。
[0042] 為了確保由于bs的變化產(chǎn)生的形狀與訓(xùn)練集中的形狀類(lèi)似，需要對(duì)bs進(jìn)行一些限 制；
[0043]
進(jìn)行限制，令bs的變化產(chǎn)生的形狀與訓(xùn)練集 中的形狀接近，其中，Dmax = 3;
[0045]以上所述的實(shí)施方式，并不構(gòu)成對(duì)該技術(shù)方案保護(hù)范圍的限定。任何在上述實(shí)施 方式的精神和原則之內(nèi)所作的修改、等同替換和改進(jìn)等，均應(yīng)包含在該技術(shù)方案的保護(hù)范 圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種視屏監(jiān)控人臉識(shí)別方法，包括： 通過(guò)Adaboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練，生成Adaboost級(jí)聯(lián)層疊分類(lèi) 器； 通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人臉圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，標(biāo)定特征 點(diǎn)，并輸出待識(shí)別特征矢量； WAdaboost級(jí)聯(lián)層疊分類(lèi)器標(biāo)定的特征點(diǎn)作為觀測(cè)，通過(guò)特征匹配算法與樣本庫(kù)內(nèi)的 特征矢量相匹配。2. 根據(jù)權(quán)利要求1所述的一種視屏監(jiān)控人臉識(shí)別方法，其特征在于，所述Adaboost人臉 檢測(cè)算法包括弱分類(lèi)器訓(xùn)練算法和弱分類(lèi)器標(biāo)定算法； 所述弱分類(lèi)器訓(xùn)練算法，根據(jù)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練得到弱分類(lèi)器； 所述弱分類(lèi)器標(biāo)定算法，對(duì)所述訓(xùn)練得到的弱分類(lèi)器進(jìn)行重排序。3. 根據(jù)權(quán)利要求2所述的一種視屏監(jiān)控人臉識(shí)別方法，其特征在于，所述的弱分類(lèi)器訓(xùn) 練算法包括： 輸入負(fù)樣本的初始個(gè)數(shù)m、正樣本的初始個(gè)數(shù)1和弱分類(lèi)器的個(gè)數(shù)T，輸入負(fù)樣本和正樣 本{(xi，yi)，（X2，y2)......(Xn，yn)}，其中x康示輸入訓(xùn)練樣本，yi = 0表示負(fù)樣本，yi= 1表 示正樣本，n = l+m; 初始化樣本權(quán)重:若yi = 0，則將所有樣本的權(quán)重進(jìn)行歸一化： 對(duì)于yi = l，完成下列循環(huán)：對(duì)樣本的每個(gè)人臉特征f訓(xùn)練一個(gè)弱分類(lèi)器hj，弱分類(lèi)器的誤差為ei=SiWi|h^xj)- (yi)I ， 選取具有最小誤差θ*的弱分類(lèi)器ht; 按照弱分類(lèi)器ht將WW, 1更新為獲取的強(qiáng)分類(lèi)器：4. 根據(jù)權(quán)利要求1所述的一種視屏監(jiān)控人臉識(shí)別方法，其特征在于，所述的特征匹配算 法包括： 標(biāo)定并提取圖像中人臉特征f， 將圖像形狀向量α進(jìn)行歸一化和對(duì)齊，將對(duì)齊后的形狀向量進(jìn)行PCA降維處理； 計(jì)算平均形狀向量：計(jì)算協(xié)方差矩陣：計(jì)算協(xié)方差矩陣的特征值λ并將其按從小到大依次排序:λι，λ2,......λ。，其中λι〉〇; 選擇前t個(gè)特征向量Ρ= (pi，Ρ2，.....，Pt)，使得特征向量Ρ與對(duì)應(yīng)的特征值λ滿(mǎn)足其中fv為由特征向量個(gè)數(shù)來(lái)確定的比例系數(shù)，fv = 95 %，將任一形狀向量α表示為其中bs為包含t個(gè)參數(shù)的向量，選取特征點(diǎn)計(jì)算其中Xi表示待識(shí)別特征矢量，Ri 表示樣本庫(kù)中的特征矢量的第i個(gè)分量，Wi為加權(quán)系數(shù)。 設(shè)匹配閥值為U，當(dāng)S^U時(shí)，輸出成功匹配結(jié)果。5. 根據(jù)權(quán)利要求1所述的一種視屏監(jiān)控人臉識(shí)別方法，其特征在于： 對(duì)bs按進(jìn)行限制，令bs的變化產(chǎn)生的形狀與訓(xùn)練集中的 形狀接近，其中，Dmax = 3 ; 右Dm〉Dmax時(shí)，則6. 根據(jù)權(quán)利要求1所述的一種視屏監(jiān)控人臉識(shí)別方法，其特征在于:所述的人臉圖像數(shù) 據(jù)為視頻序列或靜態(tài)圖像。
【專(zhuān)利摘要】本發(fā)明涉及視屏監(jiān)控技術(shù)領(lǐng)域，特別是涉及到一種視屏監(jiān)控人臉識(shí)別方法，步驟包括：通過(guò)Adaboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練，生成Adaboost級(jí)聯(lián)層疊分類(lèi)器；通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人臉圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，標(biāo)定特征點(diǎn)，并輸出待識(shí)別特征矢量；以Adaboost級(jí)聯(lián)層疊分類(lèi)器標(biāo)定的特征點(diǎn)作為觀測(cè)，通過(guò)特征匹配算法與樣本庫(kù)內(nèi)的特征矢量相匹配。由上可見(jiàn)，應(yīng)用本實(shí)施例技術(shù)方案，通過(guò)daboost人臉檢測(cè)算法對(duì)輸入的目標(biāo)樣本進(jìn)行訓(xùn)練，生成Adaboost級(jí)聯(lián)層疊分類(lèi)器；通過(guò)所述Adaboost級(jí)聯(lián)層疊分類(lèi)器對(duì)輸入的人臉圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，提高人臉識(shí)別的精度，并提高識(shí)別效率。
【IPC分類(lèi)】G06K9/00
【公開(kāi)號(hào)】CN105550648
【申請(qǐng)?zhí)枴緾N201510903903
【發(fā)明人】汪成龍, 徐瑜, 段延喜, 徐德明, 黃近秋, 鄭繼紅
【申請(qǐng)人】惠州學(xué)院
【公開(kāi)日】2016年5月4日
【申請(qǐng)日】2015年12月8日