專利名稱：遮擋人臉認(rèn)證方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本申請(qǐng)涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種遮擋人臉認(rèn)證方法及系統(tǒng)。
背景技術(shù)：
隨著科學(xué)技術(shù)的不斷發(fā)展和IT產(chǎn)業(yè)的高速推進(jìn)，社會(huì)各個(gè)領(lǐng)域?qū)ψ詣?dòng)身份鑒別的要求日益突出，如何快速有效地對(duì)目標(biāo)人物的身份進(jìn)行識(shí)別已成為一個(gè)急需解決的熱點(diǎn)問(wèn)題。目前目標(biāo)人物的身份鑒定仍然主要依靠公民身份證、工作證、個(gè)人密碼等傳統(tǒng)身份驗(yàn)證方式，這些方式存在著攜帶麻煩、易遺失和易偽造等弊端。隨著光電技術(shù)、微計(jì)算機(jī)技術(shù)、圖像處理技術(shù)與模式識(shí)別技術(shù)的發(fā)展，生物特征識(shí)別技術(shù)不斷發(fā)展，逐步成為國(guó)內(nèi)外熱門的新興學(xué)科。生物特征識(shí)別技術(shù)依據(jù)自動(dòng)化測(cè)量身體特征，并將這些特征與數(shù)據(jù)庫(kù)進(jìn)行比較來(lái)實(shí)現(xiàn)目標(biāo)鑒別，目前已經(jīng)成為信息社會(huì)中不可缺少的身份識(shí)別方法。目前，常被用來(lái)鑒定身份的生物特征主要有指紋、人臉、虹膜、DNA等。這些特征為每個(gè)人體與生俱來(lái)的，具有唯一性和穩(wěn)定性，不易偽造和復(fù)制。人臉特征用于身份鑒定的研究始于20世紀(jì)60年代中期，與上述其他生物特征相比較，雖然準(zhǔn)確度不如指紋、虹膜等，但其具有簡(jiǎn)單經(jīng)濟(jì)的優(yōu)點(diǎn)，整個(gè)鑒定過(guò)程中完全不需要接觸目標(biāo)，不易被目標(biāo)人物察覺(jué)。人臉認(rèn)證技術(shù)有以下幾個(gè)優(yōu)點(diǎn)(I)非接觸式采集人臉圖像的獲取不必與被監(jiān)測(cè)人有任何身體接觸，具有不被侵犯性、容易被接受等特點(diǎn)。人臉圖像可通過(guò)各類攝像頭進(jìn)行采集，其操作不易被察覺(jué)，特別適用于監(jiān)控特殊場(chǎng)合中的違法行為，而指紋采集、虹膜識(shí)別等卻不易實(shí)現(xiàn)。(2)設(shè)備簡(jiǎn)單且成本低一般地，人臉監(jiān)控識(shí)別系統(tǒng)只需要安裝普通的攝像頭或者攝像機(jī)即可。目前市場(chǎng)上這些設(shè)備的價(jià)格已經(jīng)十分低廉。另外如今攝像頭已經(jīng)成為電子設(shè)備的標(biāo)準(zhǔn)外設(shè)，人臉認(rèn)證技術(shù)的實(shí)用空間得到了極大的擴(kuò)展。(3)直觀性人臉認(rèn)證技術(shù)的判定依據(jù)是人的面部信息，而人臉同時(shí)也是人眼進(jìn)行身份判別的最直觀的信息源?！耙悦踩∪恕迸c人類認(rèn)知規(guī)律相符，相比虹膜識(shí)別、指紋識(shí)別更易于被人們所理解接受。人臉識(shí)別符合人類的識(shí)別習(xí)慣，更有利于改善人機(jī)交互界面。(4)便于事后追蹤人臉認(rèn)證系統(tǒng)在監(jiān)控中的目標(biāo)事件發(fā)生后，將目標(biāo)人物的圖像記錄下來(lái)并存檔，可供人工核實(shí)判斷，方便于事后追蹤。人臉包含著豐富的細(xì)節(jié)信息，而人臉認(rèn)證的本質(zhì)是對(duì)三維柔性物體的二維投影圖像進(jìn)行匹配的問(wèn)題，這一切使得人臉檢測(cè)與識(shí)別成為極富挑戰(zhàn)性的研究課題，歸納起來(lái)目前人臉監(jiān)控識(shí)別系統(tǒng)存在的主要困難有(I)人臉柔性物體的不確定性，如姿態(tài)變化、表情變化、頭部旋轉(zhuǎn)等。(2)人臉遮擋問(wèn)題，如頭發(fā)、飾物、胡須等遮擋。
(3)年齡因素，人臉某些局部特征會(huì)隨著年齡增長(zhǎng)而逐漸變化。(4)圖像成像環(huán)境，如光照問(wèn)題、成像設(shè)備性能等。對(duì)于人臉認(rèn)證系統(tǒng)而言，遮擋是個(gè)不可避免的問(wèn)題，特別是在安全領(lǐng)域中尤其突出。在實(shí)際應(yīng)用中，比如智能門禁、視頻監(jiān)控、保安系統(tǒng)、罪犯識(shí)別等，基本均在非配合的環(huán)境下進(jìn)行人臉圖像的采集，易被其他人或者物所遮擋。造成遮擋的原因是多種多樣，包括自身的墨鏡、圍巾等飾物的遮擋或者外景物的遮擋。這些干擾因素使得成像設(shè)備獲取的人臉數(shù)據(jù)不完整，系統(tǒng)無(wú)法提取完整有效的人臉信息，影響了整個(gè)人臉認(rèn)證系統(tǒng)檢測(cè)和識(shí)別的準(zhǔn)確率。如何有效去除遮擋物的影響，成為了人臉檢測(cè)與識(shí)別技術(shù)中亟待解決的關(guān)鍵問(wèn)題。綜上所述，有必要提供一種遮擋人臉認(rèn)證方法及系統(tǒng)以解決上述問(wèn)題。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供一種遮擋人臉認(rèn)證方法及系統(tǒng)，有效的提高了遮擋人臉認(rèn)證中的檢測(cè)率和檢測(cè)速度。為了實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例提供的技術(shù)方案如下一種遮擋人臉認(rèn)證方法，所述方法包括以下步驟SI、采集人臉視頻圖像；S2、對(duì)所采集的人臉視頻圖像進(jìn)行預(yù)處理，所述預(yù)處理包括光照預(yù)處理、噪聲濾波處理以及幾何歸一化和尺度歸一化處理；S3、對(duì)遮擋人臉進(jìn)行檢測(cè)計(jì)算，根據(jù)視頻序列的運(yùn)動(dòng)信息，利用三幀差法對(duì)人臉圖像的位置進(jìn)行估計(jì)，然后通過(guò)Adaboost算法進(jìn)行進(jìn)一步人臉位置的確認(rèn)；S4、對(duì)遮擋人臉進(jìn)行識(shí)別計(jì)算，將人臉樣本分為若干分塊，采用結(jié)合監(jiān)督I-NN近鄰法的SVM 二分算法對(duì)人臉?lè)謮K進(jìn)行遮擋判別，若分塊被遮擋，則直接舍棄，若分塊未被遮擋，則提取相應(yīng)的LBP紋理特征向量進(jìn)行加權(quán)識(shí)別，然后用基于正交投影方法的分類器用來(lái)減少特征匹配次數(shù)。作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3中的Adaboost算法進(jìn)行進(jìn)一步人臉位置的確認(rèn)具體為S31、獲取正負(fù)樣本的特征，并用積分圖的特征表示法進(jìn)行計(jì)算；S32、通過(guò)學(xué)習(xí)算法，為每個(gè)特征設(shè)計(jì)一個(gè)正確率高于50%的弱分類器；S33、調(diào)整樣本權(quán)值，多次循環(huán)提取錯(cuò)誤率最低的弱分類器，構(gòu)成強(qiáng)分類器；S34、串聯(lián)多個(gè)強(qiáng)分類器，構(gòu)成級(jí)聯(lián)分類器，進(jìn)行人臉檢測(cè)。作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S33中強(qiáng)分類器的算法具體為S331、給定的訓(xùn)練樣本集=(X1J1), (x2, J2),…，(xm, ym),其中 Xi G X,Ji G 1~1，+1};S332、對(duì)樣本權(quán)值進(jìn)行初始化，對(duì)于非人臉樣本Dt(i)=l/2m，其中m為非人臉樣本數(shù)目，對(duì)于人臉樣本Dt (i) =l/2n，其中n為人臉樣本數(shù)目；S333、經(jīng)過(guò)T輪迭代后，可得T個(gè)弱分類器，循環(huán)t=l，2…，T ；在當(dāng)前樣本權(quán)重分布Dt下，針對(duì)每個(gè)單個(gè)矩形特征訓(xùn)練一個(gè)弱分類器，并從中選取錯(cuò)誤率最小的弱分類器ht;
對(duì)于選定的弱分類器ht，計(jì)算其加權(quán)錯(cuò)誤率=
權(quán)利要求
1.一種遮擋人臉認(rèn)證方法，其特征在于，所述方法包括以下步驟 S1、采集人臉視頻圖像； S2、對(duì)所采集的人臉視頻圖像進(jìn)行預(yù)處理，所述預(yù)處理包括光照預(yù)處理、噪聲濾波處理以及幾何歸ー化和尺度歸ー化處理； S3、對(duì)遮擋人臉進(jìn)行檢測(cè)計(jì)算，根據(jù)視頻序列的運(yùn)動(dòng)信息，利用三幀差法對(duì)人臉圖像的位置進(jìn)行估計(jì)，然后通過(guò)Adaboost算法進(jìn)行進(jìn)一步人臉位置的確認(rèn)； S4、對(duì)遮擋人臉進(jìn)行識(shí)別計(jì)算，將人臉樣本分為若干分塊，采用結(jié)合監(jiān)瞀I-NN近鄰法的SVM 二分算法對(duì)人臉?lè)謮K進(jìn)行遮擋判別，若分塊被遮擋，則直接舍棄，若分塊未被遮擋，則提取相應(yīng)的LBP紋理特征向量進(jìn)行加權(quán)識(shí)別，然后用基于正交投影方法的分類器用來(lái)減少特征匹配次數(shù)。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟S3中的Adaboost算法進(jìn)行進(jìn)一步人臉位置的確認(rèn)具體為 S31、獲取正負(fù)樣本的特征，并用積分圖的特征表示法進(jìn)行計(jì)算； S32、通過(guò)學(xué)習(xí)算法，為每個(gè)特征設(shè)計(jì)ー個(gè)正確率高于50%的弱分類器； S33、調(diào)整樣本權(quán)值，多次循環(huán)提取錯(cuò)誤率最低的弱分類器，構(gòu)成強(qiáng)分類器； S34、串聯(lián)多個(gè)強(qiáng)分類器，構(gòu)成級(jí)聯(lián)分類器，進(jìn)行人臉檢測(cè)。
3.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟S33中強(qiáng)分類器的算法具體為S331、給定的訓(xùn)練樣本集(X1,Y1), (x2, y2), ···, (xm，ym),其中 Xi e X，yi e {-1,+1}； S332、對(duì)樣本權(quán)值進(jìn)行初始化，對(duì)于非人臉樣本Dt(i)=l/2m，其中m為非人臉樣本數(shù)目，對(duì)于人臉樣本Dt (i) =l/2n，其中η為人臉樣本數(shù)目； S333、經(jīng)過(guò)T輪迭代后，可得T個(gè)弱分類器，循環(huán) =1，2···，Τ; 在當(dāng)前樣本權(quán)重分布Dt下，針對(duì)每個(gè)單個(gè)矩形特征訓(xùn)練ー個(gè)弱分類器，并從中選取錯(cuò)誤率最小的弱分類器ht; 對(duì)于選定的弱分類器ht，計(jì)算其加權(quán)錯(cuò)誤率
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟S34中的級(jí)聯(lián)分類器的算法具體為 .5341、設(shè)定級(jí)聯(lián)分類器每層強(qiáng)分類器的最小檢測(cè)率Cli和最大誤檢率も； . 5342、設(shè)定級(jí)聯(lián)分類器的目標(biāo)誤檢率T，級(jí)聯(lián)分類器檢測(cè)率為Di,級(jí)聯(lián)分類器的誤檢率為&，其中i為級(jí)聯(lián)分類器的層數(shù)； .5343、給定人臉訓(xùn)練樣本集合M和負(fù)訓(xùn)練樣本集合N，并根據(jù)式
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3前還包括抽取關(guān)鍵樣本，具體為 給定標(biāo)定的訓(xùn)練樣本集(X1, Yi)，(x2, y2)，…，(xm, ym)，其中 Xi e X Yi e H，+1}；給定關(guān)鍵樣本集Xk= {xj，樣本對(duì)應(yīng)的權(quán)值集合W = {1,0,…，0}，wn e W，次要樣本集Y= 0,定義d( ·)為向量間歐氏距離 若Xi e X-XkAx' j e Xk時(shí)計(jì)算d(xi，x 'ふ定義
6.根據(jù)權(quán)利要求4所述的方法，其特征在干，所述步驟S3對(duì)遮擋人臉進(jìn)行檢測(cè)具體為 分別提取人的嘴巴、眼睛、鼻子的特征進(jìn)行弱分類器的訓(xùn)練，生成三個(gè)獨(dú)立的檢測(cè)器，并與全臉的檢測(cè)器并聯(lián)一起，構(gòu)成并行的多瀑布人臉檢測(cè)器，使用多瀑布人臉檢測(cè)器對(duì)遮擋人臉進(jìn)行檢測(cè)。
7.根據(jù)權(quán)利要求6所述的方法，其特征在干，所述步驟S4對(duì)遮擋人臉進(jìn)行計(jì)算具體為 設(shè)置加速比參數(shù)α >0，初始化掃描窗ロ大小，初始化窗ロ移動(dòng)步長(zhǎng)，初始檢測(cè)框取訓(xùn)練樣本圖片大??； 采用并行級(jí)聯(lián)分類器的前四層的遮擋估計(jì)器，對(duì)待檢測(cè)區(qū)域圖像進(jìn)行固定步長(zhǎng)掃描，并記錄下每個(gè)位置的置信度val ； 計(jì)算所有位置的平均置信度&，記下所有置信度大于的點(diǎn)為可能性較高的人臉位置，對(duì)可能存在人臉的位置采用自適應(yīng)步長(zhǎng)進(jìn)行高分辨率掃描，自適應(yīng)步長(zhǎng)計(jì)算公式為
8.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟S4中結(jié)合監(jiān)瞀I-NN近鄰法的SVM 二分算法具體為 541、將人臉?lè)謮K為6個(gè)可單獨(dú)用于識(shí)別的區(qū)域，通過(guò)尋找最優(yōu)主元重建樣本，從而對(duì)人臉向量進(jìn)行降維，經(jīng)過(guò)降維處理后，每個(gè)分塊均對(duì)應(yīng)ー個(gè)PCA降維向量，繼而通過(guò)SVM分類器進(jìn)行驗(yàn)證是否為遮擋人臉；
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述LBP特征向量之間相似度算法如下 給定特征向量集It (t=l, 2，...，6)，分別屬于C個(gè)人，其中t為人臉?lè)謮K標(biāo)簽，< e Rd%第i類的第m個(gè)LBP特征向量，每類特征向量子集可表示4 =W，4…乂]·Gram-Schmidt正交化姆類特征向量子集4，新特征向量子集表示為4 =[ζ“: ，…，:U .給定測(cè)試特征向量Xtost，并在相對(duì)應(yīng)特征向量子集4’的子空間以4')進(jìn)行投影，得投影向量如
10.ー種根據(jù)權(quán)利要求I所述的遮擋人臉認(rèn)證系統(tǒng)，其特征在于，所述系統(tǒng)包括 圖像采集模塊，用于捕獲視頻文件或者USB攝像頭視頻的視頻幀，并保存捕獲到的視頻圖像幀；圖像預(yù)處理模塊，用于完成圖像的光照預(yù)處理、噪聲濾波處理以及幾何歸ー化和尺度歸ー化處理，消除包括光照、噪聲、姿態(tài)對(duì)人臉后續(xù)處理的不利影響； 特征訓(xùn)練模塊，用于完成對(duì)檢測(cè)模塊的Adaboost人臉檢測(cè)器的Haar特征訓(xùn)練以及對(duì)人臉樣本庫(kù)分塊LBP特征的提取，特征訓(xùn)練模塊借助matlab圖像處理和矩陣操作功能實(shí)現(xiàn)離線特征訓(xùn)練； 人臉檢測(cè)和定位模塊，用于對(duì)已經(jīng)訓(xùn)練好的人臉Haar特征，包括整臉、眼睛、嘴巴、鼻子，對(duì)人臉進(jìn)行自適應(yīng)步長(zhǎng)的多尺度捜索，同時(shí)對(duì)于視頻序列，在檢測(cè)前通過(guò)視頻序列間的運(yùn)動(dòng)信息對(duì)人臉位置進(jìn)行預(yù)估計(jì)； 人臉識(shí)別模塊，用于完成人臉圖像特征的提取以及匹配，最終完成人臉識(shí)別，輸出結(jié)果，人臉識(shí)別模塊通過(guò)將目標(biāo)人臉圖像分塊，剔除遮擋人臉?lè)謮K，然后提取剩余人臉?lè)謮K的LBP紋理特征，最后與人臉庫(kù)中相對(duì)應(yīng)的分塊LBP紋理特征進(jìn)行匹配識(shí)別。
全文摘要
本申請(qǐng)公開(kāi)了一種遮擋人臉認(rèn)證方法及系統(tǒng)，其中方法包括S1、采集人臉視頻圖像；S2、對(duì)所采集的人臉視頻圖像進(jìn)行預(yù)處理；S3、對(duì)遮擋人臉進(jìn)行檢測(cè)計(jì)算，根據(jù)視頻序列的運(yùn)動(dòng)信息，利用三幀差法對(duì)人臉圖像的位置進(jìn)行估計(jì)，然后通過(guò)Adaboost算法進(jìn)行進(jìn)一步人臉位置的確認(rèn)；S4、對(duì)遮擋人臉進(jìn)行識(shí)別計(jì)算，將人臉樣本分為若干分塊，采用結(jié)合監(jiān)督1-NN近鄰法的SVM二分算法對(duì)人臉?lè)謮K進(jìn)行遮擋判別，若分塊被遮擋，則直接舍棄，若分塊未被遮擋，則提取相應(yīng)的LBP紋理特征向量進(jìn)行加權(quán)識(shí)別，然后用基于正交投影方法的分類器用來(lái)減少特征匹配次數(shù)。該遮擋人臉認(rèn)證方法有效地提高局部遮擋人臉檢測(cè)率和檢測(cè)速度。
文檔編號(hào)G06K9/62GK102855496SQ20121030388
公開(kāi)日2013年1月2日 申請(qǐng)日期2012年8月24日 優(yōu)先權(quán)日2012年8月24日
發(fā)明者徐汀榮 申請(qǐng)人:蘇州大學(xué)