CN104036236B - 一种基于多参数指数加权的人脸性别识别方法 - Google Patents
一种基于多参数指数加权的人脸性别识别方法 Download PDFInfo
- Publication number
- CN104036236B CN104036236B CN201410230388.4A CN201410230388A CN104036236B CN 104036236 B CN104036236 B CN 104036236B CN 201410230388 A CN201410230388 A CN 201410230388A CN 104036236 B CN104036236 B CN 104036236B
- Authority
- CN
- China
- Prior art keywords
- face
- gender
- sex
- value
- confidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明一种基于多参数指数加权的人脸性别识别方法,通过对视频序列中同一个人的人脸进行跟踪,采集同一个人的多个人脸图像,对采集到的多个人脸图像进行人脸图像质量分析,将人脸图像质量分析结果作为人脸性别识别准确度权值,计算出经过图像分析矫正后的人脸性别置信值,并将同一个人的多个人脸图像的人脸性别置信值进行指数加权运算,根据计算结果最终判断出人脸性别,由于本发明采用了视频序列中的多个人脸来判定某个人的性别,解决了取单张静态图片进行人脸性别识别时受现场环境干扰较大的问题,并通过人脸图像质量分析和指数权值运算解决了现场复杂环境干扰识别准确度的问题。
Description
技术领域
本发明涉及一种基于多参数指数加权的人脸性别识别方法。
背景技术
目前国内外人脸性别识别的方法主要分为两类:基于特征的方法和基于统计的方法。
基于特征分析的方法是指通过对男女图像的观察,利用头发长短、眉毛粗细、下巴宽度、是否有胡子等人脸图像的低级特征作为性别判别的依据。这类方法的主要是通过度量可见特征的距离来实现对人脸图像的性别识别。
基于统计的方法则将性别识别看做一个二分类问题。通过对大量训练样本的学习来建立一个能够对图像上的人脸性别实现正确识别的分类器,再由分类器对测试集中的人脸图像进行性别分类。典型的分类器方法包括人工神经网络、adaboost、支持向量机等。
当前的人脸性别识别主要是针对静态图像进行分析。在视频场景中,传统的方法通过外部触发的方式,判定到有人员通过时,自动抓拍现场图片,再对抓拍照片中的人脸进行性别分析。而在视频监控场景中,现场环境比较复杂,摄像机采集到的人脸角度和光照都无法保证,因此抓拍到的人脸可能出现角度偏转较大、焦距不对、光照不均匀等情况,严重影响年龄性别效果。因此,当前的许多人脸性别识别算法无法应用于传统的视频监控场景中。
发明内容
本发明的目的在于提出一种基于多参数指数加权的人脸性别识别方法,可以在不受限制的视频监控场景中保持人脸性别识别算法的精度。
本发明一种基于多参数指数加权的人脸性别识别方法,通过对视频序列中同一个人的人脸进行跟踪,采集同一个人的多个人脸图像,对采集到的多个人脸图像进行人脸图像质量分析,将人脸图像质量分析结果作为人脸性别识别准确度权值,计算出经过图像分析矫正后的人脸性别置信值,并将同一个人的多个人脸图像的人脸性别置信值进行指数加权运算,根据计算结果最终判断出人脸性别。
具体包括如下步骤:
步骤1、通过对视频序列中同一个人的人脸进行跟踪,采集获得视频监控场景中同一个人的多个人脸图像:
通过RTSP流媒体协议连接摄像装置获取流媒体数据并进行解码,完成解码后,使用人脸检测算法检测出视频序列中的人脸,在当前帧检测到一个新的人脸时,将人脸的坐标位置和帧间的间隔时间作为输入,使用kalman滤波器预测该人脸在下一帧中将会出现的坐标范围,接着对下一帧图像进行人脸检测,如果人脸出现的位置位于kalman滤波阈值的位置范围,则认为当前人脸和上一帧的人脸属于同一个人,按照上述判断方式,从实时采集的多个图像中获得同一个人的多个人脸图像;
步骤2、人脸图像质量分析,计算出上述视频序列中属于同一个人的多个人脸图像的质量参数:
针对上述视频序列中属于同一个人的多个人脸图像,先计算出人脸的大小、人脸的角度和人脸的模糊程度的三个质量参数,然后对该三个质量参数进行加权求和,获得最终的人脸图像质量值c;
步骤3、采用LBP特征来描述人脸,使用支持向量机作为人脸特征分类器进行人脸性别分类:
首先,将准备好的多张已经完成性别标记的人脸训练样本进行LBP特征提取,再利用人脸特征分类器对这些特征进行训练,获得性别分类模型,该性别分类模型中包含男性人脸模型和女性人脸模型;在进行人脸性别分类时,先加载该性别分类模型,对新采集的人脸进行建模,再将步骤1中采集的视频监控场景中同一个人的多个人脸图像的LBP特征信息分别输入到人脸特征分类器中计算,得到每张人脸图像的性别置信值x,当性别置信值大于0.5时为男性,性别置信值小于0.5时为女性,完成对每张人脸图像的人脸性别分类;
步骤4、根据指数权值对人脸进行性别分析:
首先准备好属于同一个人的N张人脸图像,计算每一张人脸图像的质量校正性别置信值h,计算方法如下:
其中c表示人脸图像质量值,x表示在步骤3中计算获得的人脸性别置信值;
获得质量校正性别置信值h后,再进行指数加权计算:
其中,hi为第i个头像经过质量矫正后的性别置信值,hi>0.5表示男性,hi<0.5表示女性,H表示指数加权计算结果;
当H<0时,最终的性别结果判定为男性,当H>0时,最终的性别结果判定为女性。
所述加权计算中的权值分别设定为:人脸大小权值为0.35,人脸角度权值为0.45,人脸模糊程度权值为0.20。
由于本发明采用了视频序列中的多个人脸来判定某个人的性别,解决了取单张静态图片进行人脸性别识别时受现场环境干扰较大的问题,并通过人脸图像质量分析和指数权值运算解决了现场复杂环境干扰识别准确度的问题。
附图说明
图1为本发明中工作流程示意图。
以下结合附图和具体实施例对本发明做进一步详述。
具体实施方式
如图1,本发明一种基于多参数指数加权的人脸性别识别方法,具体包括如下步骤:
步骤1、通过对视频序列中同一个人的人脸进行跟踪,采集获得视频监控场景中同一个人的多个人脸图像:
通过RTSP流媒体协议连接摄像装置获取流媒体数据并进行解码,完成解码后,使用人脸检测算法检测出视频序列中的人脸,在当前帧检测到一个新的人脸时,将人脸的坐标位置和帧间的间隔时间作为输入,使用kalman滤波器预测该人脸在下一帧中将会出现的坐标范围,接着对下一帧图像进行人脸检测,如果人脸出现的位置位于kalman滤波阈值的位置范围,则认为当前人脸和上一帧的人脸属于同一个人,按照上述判断方式,从实时采集的多个图像中获得同一个人的多个人脸图像;
步骤2、人脸图像质量分析,计算出上述视频序列中属于同一个人的多个人脸图像的质量参数:
图像质量参数决定了该人脸在后面人脸性别识别运算中的权重,针对上述视频序列中属于同一个人的多个人脸图像,先计算出人脸的大小、人脸的角度和人脸的模糊程度的三个质量参数,然后对该三个质量参数进行加权求和,获得最终的人脸图像质量值c,本实施例加权计算中的权值分别设定为:人脸大小权值为0.35,人脸角度权值为0.45,人脸模糊程度权值为0.20;
步骤3、采用LBP特征来描述人脸,使用支持向量机作为人脸特征分类器进行人脸性别分类:
首先,将准备好的多张已经完成性别标记的人脸训练样本进行LBP特征提取,再利用人脸特征分类器对这些特征进行训练,获得性别分类模型,该性别分类模型中包含男性人脸模型和女性人脸模型;在进行人脸性别分类时,先加载该性别分类模型,对新采集的人脸进行建模,再将步骤1中采集的视频监控场景中同一个人的多个人脸图像的LBP特征信息分别输入到人脸特征分类器中计算,得到每张人脸图像的性别置信值x,当性别置信值大于0.5时为男性,性别置信值小于0.5时为女性,完成对每张人脸图像的人脸性别分类;
步骤4、根据指数权值对人脸进行性别分析:
首先准备好属于同一个人的N张人脸图像,计算每一张人脸图像的质量校正性别置信值h,计算方法如下:
其中c表示人脸图像质量值,x表示在步骤3中计算获得的人脸性别置信值;
获得质量校正性别置信值h后,再进行指数加权计算:
其中,hi为第i个头像经过质量矫正后的性别置信值,hi>0.5表示男性,hi<0.5表示女性,H表示指数加权计算结果;
当H<0时,最终的性别结果判定为男性,当H>0时,最终的性别结果判定为女性。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (2)
1.一种基于多参数指数加权的人脸性别识别方法,其特征在于:通过对视频序列中同一个人的人脸进行跟踪,采集同一个人的多个人脸图像,对采集到的多个人脸图像进行人脸图像质量分析,将人脸图像质量分析结果作为人脸性别识别准确度权值,计算出经过图像分析矫正后的人脸性别置信值,并将同一个人的多个人脸图像的人脸性别置信值进行指数加权运算,根据计算结果最终判断出人脸性别;具体包括如下步骤:
步骤1、通过对视频序列中同一个人的人脸进行跟踪,采集获得视频监控场景中同一个人的多个人脸图像:
通过RTSP流媒体协议连接摄像装置获取流媒体数据并进行解码,完成解码后,使用人脸检测算法检测出视频序列中的人脸,在当前帧检测到一个新的人脸时,将人脸的坐标位置和帧间的间隔时间作为输入,使用kalman滤波器预测该人脸在下一帧中将会出现的坐标范围,接着对下一帧图像进行人脸检测,如果人脸出现的位置位于kalman滤波阈值的位置范围,则认为当前人脸和上一帧的人脸属于同一个人,按照上述判断方式,从实时采集的多个图像中获得同一个人的多个人脸图像;
步骤2、人脸图像质量分析,计算出上述视频序列中属于同一个人的多个人脸图像的质量参数:
针对上述视频序列中属于同一个人的多个人脸图像,先计算出人脸的大小、人脸的角度和人脸的模糊程度的三个质量参数,然后对该三个质量参数进行加权求和,获得最终的人脸图像质量值c;
步骤3、采用LBP特征来描述人脸,使用支持向量机作为人脸特征分类器进行人脸性别分类:
首先,将准备好的多张已经完成性别标记的人脸训练样本进行LBP特征提取,再利用人脸特征分类器对这些特征进行训练,获得性别分类模型,该性别分类模型中包含男性人脸模型和女性人脸模型;在进行人脸性别分类时,先加载该性别分类模型,对新采集的人脸进行建模,再将步骤1中采集的视频监控场景中同一个人的多个人脸图像的LBP特征信息分别输入到人脸特征分类器中计算,得到每张人脸图像的性别置信值x,当性别置信值大于0.5时为男性,性别置信值小于0.5时为女性,完成对每张人脸图像的人脸性别分类;
步骤4、根据指数权值对人脸进行性别分析:
首先准备好属于同一个人的N张人脸图像,计算每一张人脸图像的质量矫正性别置信值h,计算方法如下:
其中c表示人脸图像质量值,x表示在步骤3中计算获得的人脸性别置信值;
获得质量矫正性别置信值h后,再进行指数加权计算:
其中,hi为第i个头像经过质量矫正后的性别置信值,hi>0.5表示男性,hi<0.5表示女性,H表示指数加权计算结果;
当H<0时,最终的性别结果判定为男性,当H>0时,最终的性别结果判定为女性。
2.根据权利要求1所述的一种基于多参数指数加权的人脸性别识别方法,其特征在于所述加权计算中的权值分别设定为:人脸大小权值为0.35,人脸角度权值为0.45,人脸模糊程度权值为0.20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410230388.4A CN104036236B (zh) | 2014-05-27 | 2014-05-27 | 一种基于多参数指数加权的人脸性别识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410230388.4A CN104036236B (zh) | 2014-05-27 | 2014-05-27 | 一种基于多参数指数加权的人脸性别识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036236A CN104036236A (zh) | 2014-09-10 |
CN104036236B true CN104036236B (zh) | 2017-03-29 |
Family
ID=51467002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410230388.4A Active CN104036236B (zh) | 2014-05-27 | 2014-05-27 | 一种基于多参数指数加权的人脸性别识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036236B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104701684B (zh) * | 2015-04-01 | 2017-07-18 | 中国矿业大学(北京) | 一种在暗环境中防幼儿触电智能插座*** |
CN106203306A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 年龄的预测方法、装置及终端 |
CN106446821A (zh) * | 2016-09-20 | 2017-02-22 | 北京金山安全软件有限公司 | 一种识别用户性别的方法、装置及电子设备 |
CN107169433B (zh) * | 2017-05-10 | 2020-05-19 | 成都优孚达信息技术有限公司 | 一种基于流媒体的人脸识别方法 |
CN108229322B (zh) * | 2017-11-30 | 2021-02-12 | 北京市商汤科技开发有限公司 | 基于视频的人脸识别方法、装置、电子设备及存储介质 |
CN107945168B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像的处理方法及医学图像处理*** |
CN108090428B (zh) * | 2017-12-08 | 2021-05-25 | 成都合盛智联科技有限公司 | 一种人脸识别方法及其*** |
CN108875731B (zh) * | 2017-12-28 | 2022-12-09 | 北京旷视科技有限公司 | 目标识别方法、装置、***及存储介质 |
CN109190449A (zh) * | 2018-07-09 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 年龄识别方法、装置、电子设备及存储介质 |
CN108960205A (zh) * | 2018-08-06 | 2018-12-07 | 广州开瑞信息科技有限公司 | 一种智能人脸识别方法及*** |
CN110163170A (zh) * | 2019-05-27 | 2019-08-23 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN111223225A (zh) * | 2020-02-11 | 2020-06-02 | 厦门瑞为信息技术有限公司 | 一套集成测温和人脸识别闸机伴侣的检测通行*** |
CN111325173A (zh) * | 2020-02-28 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 毛发类型识别方法、装置、电子设备及存储介质 |
CN112926542B (zh) * | 2021-04-09 | 2024-04-30 | 博众精工科技股份有限公司 | 一种性别检测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510254A (zh) * | 2009-03-25 | 2009-08-19 | 北京中星微电子有限公司 | 一种图像分析中更新性别分类器的方法及性别分类器 |
CN103310187A (zh) * | 2012-03-13 | 2013-09-18 | 霍尼韦尔国际公司 | 基于面部质量分析的面部图像优先化 |
-
2014
- 2014-05-27 CN CN201410230388.4A patent/CN104036236B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510254A (zh) * | 2009-03-25 | 2009-08-19 | 北京中星微电子有限公司 | 一种图像分析中更新性别分类器的方法及性别分类器 |
CN103310187A (zh) * | 2012-03-13 | 2013-09-18 | 霍尼韦尔国际公司 | 基于面部质量分析的面部图像优先化 |
Non-Patent Citations (1)
Title |
---|
"复杂背景下的多姿态人脸识别技术研究";朱长仁;《中国博士学位论文全文数据库 信息科技辑》;20030315;第3.5、4.3节,图3.4 * |
Also Published As
Publication number | Publication date |
---|---|
CN104036236A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036236B (zh) | 一种基于多参数指数加权的人脸性别识别方法 | |
WO2020215961A1 (zh) | 面向室内环境控制的人员信息检测方法与*** | |
WO2018119668A1 (zh) | 一种行人头部识别方法及*** | |
CN104091176B (zh) | 人像比对在视频中的应用技术 | |
CN111460962B (zh) | 一种口罩人脸识别方法及*** | |
CN108256459A (zh) | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 | |
CN104123544B (zh) | 基于视频分析的异常行为检测方法及*** | |
WO2019128507A1 (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN110837784B (zh) | 一种基于人体头部特征的考场偷窥作弊检测*** | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
CN108053427A (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置 | |
CN108009473A (zh) | 基于目标行为属性视频结构化处理方法、***及存储装置 | |
CN109635727A (zh) | 一种人脸表情识别方法及装置 | |
CN111191667B (zh) | 基于多尺度生成对抗网络的人群计数方法 | |
CN106997629A (zh) | 门禁控制方法、装置及*** | |
TWI687159B (zh) | 魚苗計數系統及魚苗計數方法 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN107256386A (zh) | 基于深度学习的人类行为分析方法 | |
CN103605971B (zh) | 一种捕获人脸图像的方法及装置 | |
CN108052859A (zh) | 一种基于聚类光流特征的异常行为检测方法、***及装置 | |
CN109697430A (zh) | 基于图像识别的工作区域安全帽佩戴的检测方法 | |
CN104361327A (zh) | 一种行人检测方法和*** | |
CN105447432A (zh) | 一种基于局部运动模式的人脸防伪方法 | |
CN109190475A (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN105335691A (zh) | 笑脸识别鼓励*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |