CN107316023A - 一种用于共享设备的人脸识别*** - Google Patents
一种用于共享设备的人脸识别*** Download PDFInfo
- Publication number
- CN107316023A CN107316023A CN201710501944.0A CN201710501944A CN107316023A CN 107316023 A CN107316023 A CN 107316023A CN 201710501944 A CN201710501944 A CN 201710501944A CN 107316023 A CN107316023 A CN 107316023A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- user
- sample
- mfrac
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/0042—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/10—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for means for safe-keeping of property, left temporarily, e.g. by fastening the property
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于共享设备的人脸识别***,属于模式识别领域。该***获取用户图像,组成正负样本训练用户身份检测模块,基于用户身份检测模块对用户身份进行识别,确定用户身份后提取售货***中保存的该用户的相关设置并执行。本发明基于用户生物特征识别的方式进行用户身份认证,在共享设备购物时,无需利用手机终端即可直接在共享设备上进行购物并支付费用,即可进行准确的身份认证,降低了成本,并能进一步反应用户的使用体验。
Description
【技术领域】
本发明涉及模式识别领域,具体涉及一种用于共享设备的人脸识别***。
【背景技术】
近年来,随着计算机行业的快速发展,计算机技术已经深入人们的生活,已经开始逐渐和我们的居住环境结合起来,出现了共享共享设备的概念。所谓共享共享设备,就是利用计算机、通信、传感器、家电等技术,将家庭中的各种共享设备都连接到一起,由一个终端进行控制,从而给人们提供一个极其便利的生活环境。
在共享共享设备***中,为了更好地面向用户提供服务,通常对用户的使用行为进行收集、分析,提供个性化的服务,以增强用户体验。因此,如何识别用户变得尤为重要。现有技术中,可以通过用户携带RFID卡片或其他电子装置的方式进行用户身份认证,但是如果该硬件装置被非用户本人的其他人获取,则同样可以进行身份认证,并且需随身携带相应硬件装置,降低用户使用体验,同时提高了售货***的成本。现有技术中,还可以通过模式识别的***,例如检测用户生物特征,进行用户身份识别,例如用户脸部识别、指纹识别,但是以上***需要用户进行固定操作,或是执行识别***所要求的认证步骤,例如用户需要正面站立于脸部识别装置前,指纹识别需要用户将手指放置于采集装置上,这些***一定程度上限制了用户的操作,降低了用户体验。
【发明内容】
为了解决现有的共享共享设备身份认证问题,本发明提出了一种用于共享设备的人脸识别***。
货设备主体、货物扫描器、身份认证装置、网关、货物柜和计费单元;
所述货物扫描器和计费单元均连接一控制单元;货物放置在所述货物柜上,所述货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;用户通过所述身份认证装置确认身份后打开所述共享设备,用户取完货物关闭共享设备的柜门后,所述货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;所述计费单元通过所述控制单元进行计费,并从用户注册账号中扣费。
优选的所述身份认证装置包括:云端服务器、图像采集单元、检测单元和结果输出单元,所述云端服务器包括数据库,用于保存用户训练样本,所述图像采集单元设置在所述共享设备终端上,所述检测单元和结果输出单元设置在网关中,所述检测单元中设置有特征分类器,所述特征分类器基于所述训练样本进行训练,所述检测单元对所述图像采集单元采集的用户图像进行识别,得到身份认证结果,所述结果输出单元将用户身份认证结果传递至网关处,网关提取该用户的共享设备终端的使用习惯,发送至各共享设备终端,所述共享设备终端自动执行符合用户使用习惯的操作或给出相应选项以供用户进行选择。
优选地、所述特征分类器基于改进的Boost***进行训练,所述检测单元中特征分类器的训练过程包括以下步骤:
A1.所述用户训练样本为预先采集的用户连续运动的全身图像,训练样本中有用户存在的包括N个,即N个正样本,用户不存在的包括L个,即L个负样本;
A2.获取训练样本的特征向量X,即X=(f1(x),f2(x),...fk(x))T,f(x)表示图像样本特征;样本标签表示为y,y=1表示正样本标签,y=0表示负样本标签,X是正样本的后验概率可以表示为
其中函数δ(z)定义为
从而建立起分类器模型
结合式(1)和式(2),后验概率可以表示为
P(y=1|X)=δ(Hk(X)) (4)
对于特征向量X的分类器Hk(X)可表示为
其中,hk(fk(x))表示一个弱分类器,由K个弱分类器可以组成强分类器Hk(X)。
将正负样本分别放入两个集合:正样本集合{X1j,j=0,...N-1}和负样本集合{X0j,j=N,...N+L-1},从正负样本集合中使用多组样本不断对弱分类器进行选择,进而构造出识别率最高的组合分类器,已知单个样本的后验概率表示为
Pij=δ(Hk(Xij)) (6)
其中,i的值代表样本集合的编号,i=1表示正样本集合,i=0表示负样本集合,j是样本编号,设定分类器hk(fk(xij))中的条件概率是高斯分布的,即条件概率为
p(fk(xij)|y=1)~N(μ1,σ1)
p(fk(xij)|y=0)~N(μ0,σ0) (7)
其中,μ1,σ1,μ0,σ0会进行增量更新
μ0,σ0的更新与上式相同;通过式(7)和式(8)可以求得Pij,这样,样本集合i的后验概率可以表示为
A3.对首帧正样本图像进行人工标记人脸区域,然后采用卡尔曼滤波器获得每帧图像中的人脸区域,并且每隔10帧图像进行人工标记修正,以降低卡尔曼滤波器的累积误差;
A4.对于卡尔曼滤波器输出的人脸区域,提取所述人脸区域特征,生成特征向量,形成特征向量集合,并且设置权重,提高该特征向量集合的后验概率:
其中,wj0是权重函数,单调递减,表示为其中,|d(X1j)-d(X10)|表示样本x1j到首帧人工标定区域的欧氏距离,c是一个常数;
A5.确定样本集合的后验概率后对分类器进行选择,选择的***表示为
其中,是包含k-1个弱分类器的强分类器;l是集合的对数似然函数,定义为
l=∑i(yilogPi+(1-yi)log(1-Pi)) (11)
优选地、所述提取的用户图像特征为Haar-Like特征。
优选地、所述检测单元对所述图像采集单元采集的用户图像进行识别具体为,获取用户图像,生成特征向量,输入检测单元中的特征分类器进行识别;
所述识别过程还包括,将识别为用户的特征向量与所述卡尔曼滤波器输出的人脸区域的特征向量进行最近邻匹配,所述最近邻匹配基于欧氏距离,将距离值大于预定阈值的特征向量添加到所述卡尔曼滤波器输出的特征向量集合中。
这样做的目的在于,被识别为用户的特征向量已通过特征分类器的认证,即被认定为用户,再与人脸区域的特征向量进行匹配,假设两个样本之间的欧几里德距离小于预设阈值,那么这两个样本就属于同一类,即与特征向量集合中的样本属于同一类别;而如果两个样本之间的欧几里德距离大于预设阈值,则可以认定当前出现新的样本,可以将其加入到特征向量集合中,再次对特征分类器进行训练。
本发明所实现的有益效果是:本发明采用的售货***中用户身份认证的***,不需要用户额外携带硬件设备,并且用户只需出现在售货***中,不需要执行特定识别步骤,即可对用户进行身份识别,便于用户使用,提高了用户的使用体验。并且,采用卡尔曼滤波的输出结果对弱分类器的选择增加权重,提高了分类的准确性。。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1是本发共享设备人脸识别***的总体结构图。
图2是本发明***流程图。
【具体实施方式】
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或***描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
本发明所应用的***,共享设备主体、货物扫描器、身份认证装置、网关、货物柜和计费单元;
所述货物扫描器和计费单元均连接一控制单元;货物放置在所述货物柜上,所述货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;用户通过所述身份认证装置确认身份后打开所述共享设备,用户取完货物关闭共享设备的柜门后,所述货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;所述计费单元通过所述控制单元进行计费,并从用户注册账号中扣费。
本发明提供的实施例中,将身份认证装置安装在共享设备主体上,利用身份认证装置控制共享设备的柜门及计费单元,其中,本申请中的身份认证装置为人脸识别装置,利用采集消费者的脸部图像,判断消费者身份,首先,消费者注册身份信息,共享设备后台保存消费者身份信息,当消费者使用共享设备时,设置于共享设备上的身份认证装置采集消费者脸部图像信息,并与共享设备后台存储的消费者身份信息进行匹配,确定用户身份后,解锁共享设备柜门,消费者取完货物关闭共享设备的柜门后,共享设备的货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;所述计费单元通过所述控制单元进行计费,并从用户注册账号中扣费。
其中,用户注册账号可以通过相应的设置绑定银行卡或者支付宝微信等支付方式,在消费者使用共享设备后进行支付。
参见附图1,其示出了所述身份认证装置,包括:云端服务器、图像采集单元、检测单元和结果输出单元,所述云端服务器包括数据库,用于保存用户训练样本,所述图像采集单元设置在所述共享设备终端上,所述检测单元和结果输出单元设置在网关中,所述检测单元中设置有特征分类器,所述特征分类器基于所述训练样本进行训练,所述检测单元对所述图像采集单元采集的用户图像进行识别,得到身份认证结果,所述结果输出单元将用户身份认证结果传递至网关处,网关提取该用户的共享设备终端的使用习惯,发送至各共享设备终端,所述共享设备终端自动执行符合用户使用习惯的操作或给出相应选项以供用户进行选择。
参见附图2,示出了本发明的***流程图。其中,所述特征分类器基于改进的Boost***进行训练,所述检测单元中特征分类器的训练过程包括以下步骤:
A1.所述用户训练样本为预先采集的用户连续运动的全身图像,训练样本中有用户存在的包括N个,即N个正样本,用户不存在的包括L个,即L个负样本;
A2.获取训练样本的特征向量X,即X=(f1(x),f2(x),...fk(x))T,f(x)表示图像样本特征;样本标签表示为y,y=1表示正样本标签,y=0表示负样本标签,X是正样本的后验概率可以表示为
其中函数δ(z)定义为
从而建立起分类器模型
结合式(1)和式(2),后验概率可以表示为
P(y=1|X)=δ(Hk(X)) (4)
对于特征向量X的分类器Hk(X)可表示为
其中,hk(fk(x))表示一个弱分类器,由K个弱分类器可以组成强分类器Hk(X)。
将正负样本分别放入两个集合:正样本集合{X1j,j=0,...N-1}和负样本集合{X0j,j=N,...N+L-1},从正负样本集合中使用多组样本不断对弱分类器进行选择,进而构造出识别率最高的组合分类器,已知单个样本的后验概率表示为
Pij=δ(Hk(Xij)) (6)
其中,i的值代表样本集合的编号,i=1表示正样本集合,i=0表示负样本集合,j是样本编号,设定分类器hk(fk(xij))中的条件概率是高斯分布的,即条件概率为
p(fk(xij)|y=1)~N(μ1,σ1)
p(fk(xij)|y=0)~N(μ0,σ0) (7)
其中,μ1,σ1,μ0,σ0会进行增量更新
μ0,σ0的更新与上式相同;通过式(7)和式(8)可以求得Pij,这样,样本集合i的后验概率可以表示为
A3.对首帧正样本图像进行人工标记人脸区域,然后采用卡尔曼滤波器获得每帧图像中的人脸区域,并且每隔10帧图像进行人工标记修正,以降低卡尔曼滤波器的累积误差;
A4.对于卡尔曼滤波器输出的人脸区域,提取所述人脸区域特征,生成特征向量,形成特征向量集合,并且设置权重,提高该特征向量集合的后验概率:
其中,wj0是权重函数,单调递减,表示为其中,|d(X1j)-d(X10)|表示样本x1j到首帧人工标定区域的欧氏距离,c是一个常数;
A5.确定样本集合的后验概率后对分类器进行选择,选择的***表示为
其中,是包含k-1个弱分类器的强分类器;l是集合的对数似然函数,定义为
l=∑i(yilogPi+(1-yi)log(1-Pi)) (11)
优选地、所述提取的用户图像特征为Haar-Li ke特征。
优选地、所述检测单元对所述图像采集单元采集的用户图像进行识别具体为,获取用户图像,生成特征向量,输入检测单元中的特征分类器进行识别;
所述识别过程还包括,将识别为用户的特征向量与所述卡尔曼滤波器输出的人脸区域的特征向量进行最近邻匹配,所述最近邻匹配基于欧氏距离,将距离值大于预定阈值的特征向量添加到所述卡尔曼滤波器输出的特征向量集合中。
这样做的目的在于,被识别为用户的特征向量已通过特征分类器的认证,即被认定为用户,再与人脸区域的特征向量进行匹配,假设两个样本之间的欧几里德距离小于预设阈值,那么这两个样本就属于同一类,即与特征向量集合中的样本属于同一类别;而如果两个样本之间的欧几里德距离大于预设阈值,则可以认定当前出现新的样本,可以将其加入到特征向量集合中,再次对特征分类器进行训练。
以上所述仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (6)
1.一种用于共享设备的人脸识别***,其特征在于,该***包括:共享设备主体、货物扫描器、身份认证装置、网关、货物柜和计费单元;
所述货物扫描器和计费单元均连接一控制单元;货物放置在所述货物柜上,所述货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;用户通过所述身份认证装置确认身份后打开所述共享设备,用户取完货物关闭共享设备的柜门后,所述货物扫描器扫描货物,获取货物信息并传输至所述控制单元内;所述计费单元通过所述控制单元进行计费,并从用户注册账号中扣费。
2.根据权利要求1中的***,其特征在于:所述身份认证装置包括:云端服务器、图像采集单元、检测单元和结果输出单元,所述云端服务器包括数据库,用于保存用户训练样本,所述图像采集单元设置在所述共享设备终端上,所述检测单元和结果输出单元设置在网关中,所述检测单元中设置有特征分类器,所述特征分类器基于所述训练样本进行训练,所述检测单元对所述图像采集单元采集的用户图像进行识别,得到身份认证结果,所述结果输出单元将用户身份认证结果传递至网关处,网关提取该用户的共享设备终端的使用习惯,发送至各共享设备终端,所述共享设备终端自动执行符合用户使用习惯的操作或给出相应选项以供用户进行选择。
3.根据权利要求2中的***,其特征在于:所述特征分类器基于改进的Boost***进行训练,所述检测单元中特征分类器的训练过程包括以下步骤:
A1.所述用户训练样本为预先采集的用户连续运动的全身图像,训练样本中有用户存在的包括N个,即N个正样本,用户不存在的包括L个,即L个负样本;
A2.获取训练样本的特征向量X,即X=(f1(x),f2(x),...fk(x))T,f(x)表示图像样本特征;样本标签表示为y,y=1表示正样本标签,y=0表示负样本标签,X是正样本的后验概率可以表示为
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
</mrow>
</msub>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中函数δ(z)定义为
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>z</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
从而建立起分类器模型
<mrow>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
结合式(1)和式(2),后验概率可以表示为
P(y=1|X)=δ(Hk(X)) (4)
对于特征向量X的分类器Hk(X)可表示为
<mrow>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,hk(fk(x))表示一个弱分类器,由K个弱分类器可以组成强分类器Hk(X);
将正负样本分别放入两个集合:正样本集合{X1j,j=0,...N-1}和负样本集合{X0j,j=N,...N+L-1},从正负样本集合中使用多组样本不断对弱分类器进行选择,进而构造出识别率最高的组合分类器,已知单个样本的后验概率表示为
Pij=δ(Hk(Xij)) (6)
其中,i的值代表样本集合的编号,i=1表示正样本集合,i=0表示负样本集合,j是样本编号,设定分类器hk(fk(xij))中的条件概率是高斯分布的,即条件概率为
p(fk(xij)|y=1)~N(μ1,σ1)
p(fk(xij)|y=0)~N(μ0,σ0) (7)
其中,μ1,σ1,μ0,σ0会进行增量更新
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>&LeftArrow;</mo>
<msub>
<mi>&eta;&mu;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mo>&LeftArrow;</mo>
<msub>
<mi>&eta;&sigma;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
μ0,σ0的更新与上式相同;通过式(7)和式(8)可以求得Pij,这样,样本集合i的后验概率可以表示为
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<munder>
<mi>&Pi;</mi>
<mi>j</mi>
</munder>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
A3.对首帧正样本图像进行人工标记人脸区域,然后采用卡尔曼滤波器获得每帧图像中的人脸区域,并且每隔10帧图像进行人工标记修正,以降低卡尔曼滤波器的累积误差;
A4.对于卡尔曼滤波器输出的人脸区域,提取所述人脸区域特征,生成特征向量,形成特征向量集合,并且设置权重,提高该特征向量集合的后验概率:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<msup>
<mi>X</mi>
<mo>+</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,wj0是权重函数,单调递减,表示为其中,|d(X1j)-d(X10)|表示样本x1j到首帧人工标定区域的欧氏距离,c是一个常数;
A5.确定样本集合的后验概率后对分类器进行选择,选择的***表示为
<mrow>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munder>
<mi>argmax</mi>
<mrow>
<mi>h</mi>
<mo>&Element;</mo>
<mrow>
<mo>{</mo>
<mrow>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mn>...</mn>
<msub>
<mi>h</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</munder>
<mi>l</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,是包含k-1个弱分类器的强分类器;l是集合的对数似然函数,定义为
l=∑i(yilog Pi+(1-yi)log(1-Pi)) (11)。
4.根据权利要求2中的***,其特征在于:所述提取的用户图像特征为Haar-Like特征。
5.根据权利要求2或3中的***,其特征在于:所述检测单元对所述图像采集单元采集的用户图像进行识别具体为,获取用户图像,生成特征向量,输入检测单元中的特征分类器进行识别;
所述识别过程还包括,将识别为用户的特征向量与所述卡尔曼滤波器输出的人脸区域的特征向量进行最近邻匹配,所述最近邻匹配基于欧氏距离,将距离值大于预定阈值的特征向量添加到所述卡尔曼滤波器输出的特征向量集合中。
6.根据权利要求2中的***,其特征在于:所述检测单元对所述图像采集单元采集的用户人脸进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710501944.0A CN107316023A (zh) | 2017-06-27 | 2017-06-27 | 一种用于共享设备的人脸识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710501944.0A CN107316023A (zh) | 2017-06-27 | 2017-06-27 | 一种用于共享设备的人脸识别*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107316023A true CN107316023A (zh) | 2017-11-03 |
Family
ID=60180370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710501944.0A Pending CN107316023A (zh) | 2017-06-27 | 2017-06-27 | 一种用于共享设备的人脸识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316023A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147199A (zh) * | 2018-07-09 | 2019-01-04 | 保山市质量技术监督综合检测中心 | 一种基于指纹识别的设备管理方法及*** |
CN109711473A (zh) * | 2018-12-29 | 2019-05-03 | 北京沃东天骏信息技术有限公司 | 物品识别方法、设备和*** |
CN111080917A (zh) * | 2019-12-04 | 2020-04-28 | 万翼科技有限公司 | 物品自助借还方法及相关设备 |
CN111209567A (zh) * | 2019-12-30 | 2020-05-29 | 北京邮电大学 | 提高检测模型鲁棒性的可知性判断方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609678A (zh) * | 2011-01-24 | 2012-07-25 | 台湾色彩与影像科技股份有限公司 | 人脸辨识智能型自助服务*** |
CN103544775A (zh) * | 2013-10-25 | 2014-01-29 | 上海煦荣信息技术有限公司 | 自动售货机、自动售货***及其售货方法 |
CN203773629U (zh) * | 2013-11-06 | 2014-08-13 | 上海煦荣信息技术有限公司 | 一种智能化的自助售货*** |
CN105427459A (zh) * | 2014-09-17 | 2016-03-23 | 黄浩庭 | 一种自助售货方法其及自助售货机 |
CN205722151U (zh) * | 2016-04-06 | 2016-11-23 | 上海英内物联网科技股份有限公司 | 一种具有人脸识别功能的自选式智能自动售货机 |
CN106204918A (zh) * | 2016-03-08 | 2016-12-07 | 青岛海尔特种电冰柜有限公司 | 智能售卖柜及智能售卖*** |
CN106469369A (zh) * | 2016-11-03 | 2017-03-01 | 林杰 | 一种基于物联网的自助售货方法及自选超市 |
CN206097289U (zh) * | 2016-04-26 | 2017-04-12 | 上海英内物联网科技股份有限公司 | 一种基于物联网技术的具有人脸识别功能的智能自动售货机 |
-
2017
- 2017-06-27 CN CN201710501944.0A patent/CN107316023A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609678A (zh) * | 2011-01-24 | 2012-07-25 | 台湾色彩与影像科技股份有限公司 | 人脸辨识智能型自助服务*** |
CN103544775A (zh) * | 2013-10-25 | 2014-01-29 | 上海煦荣信息技术有限公司 | 自动售货机、自动售货***及其售货方法 |
CN203773629U (zh) * | 2013-11-06 | 2014-08-13 | 上海煦荣信息技术有限公司 | 一种智能化的自助售货*** |
CN105427459A (zh) * | 2014-09-17 | 2016-03-23 | 黄浩庭 | 一种自助售货方法其及自助售货机 |
CN106204918A (zh) * | 2016-03-08 | 2016-12-07 | 青岛海尔特种电冰柜有限公司 | 智能售卖柜及智能售卖*** |
CN205722151U (zh) * | 2016-04-06 | 2016-11-23 | 上海英内物联网科技股份有限公司 | 一种具有人脸识别功能的自选式智能自动售货机 |
CN206097289U (zh) * | 2016-04-26 | 2017-04-12 | 上海英内物联网科技股份有限公司 | 一种基于物联网技术的具有人脸识别功能的智能自动售货机 |
CN106469369A (zh) * | 2016-11-03 | 2017-03-01 | 林杰 | 一种基于物联网的自助售货方法及自选超市 |
Non-Patent Citations (1)
Title |
---|
孟繁杰 等: "基于球形摄像机模型的全景三维跟踪算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147199A (zh) * | 2018-07-09 | 2019-01-04 | 保山市质量技术监督综合检测中心 | 一种基于指纹识别的设备管理方法及*** |
CN109711473A (zh) * | 2018-12-29 | 2019-05-03 | 北京沃东天骏信息技术有限公司 | 物品识别方法、设备和*** |
CN111080917A (zh) * | 2019-12-04 | 2020-04-28 | 万翼科技有限公司 | 物品自助借还方法及相关设备 |
CN111080917B (zh) * | 2019-12-04 | 2021-12-17 | 万翼科技有限公司 | 物品自助借还方法及相关设备 |
CN111209567A (zh) * | 2019-12-30 | 2020-05-29 | 北京邮电大学 | 提高检测模型鲁棒性的可知性判断方法及装置 |
CN111209567B (zh) * | 2019-12-30 | 2022-05-03 | 北京邮电大学 | 提高检测模型鲁棒性的可知性判断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferrari et al. | On the personalization of classification models for human activity recognition | |
CN107122641B (zh) | 基于使用习惯的智能设备机主识别方法及机主识别装置 | |
CN107316023A (zh) | 一种用于共享设备的人脸识别*** | |
CN106096576B (zh) | 一种机器人的智能服务方法 | |
Yang et al. | Sieving regression forest votes for facial feature detection in the wild | |
CN101558431B (zh) | 脸认证设备 | |
Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
CN105184304B (zh) | 图像辨识装置以及对图像辨识装置的特征量数据注册方法 | |
CN107220582A (zh) | 识别车辆的驾驶员 | |
CN107644218B (zh) | 基于图像采集功能实现人流密集区域行为分析判断的工作方法 | |
CN108875491A (zh) | 人脸解锁认证的数据更新方法、认证设备和***以及非易失性存储介质 | |
WO2002077908A1 (en) | Adaptive facial recognition system and method | |
US9798942B2 (en) | Biometric recognition method with speed and security feature suitable for POS/ATM applications | |
WO2017192719A1 (en) | User specific classifiers for biometric liveness detection | |
CN102968645A (zh) | 通过更新图像提高人脸识别准确率及适应性的方法 | |
Sastry et al. | A team of continuous-action learning automata for noise-tolerant learning of half-spaces | |
CN111831989A (zh) | 一种基于多模态ppg信号的身份认证方法及装置 | |
Fu et al. | A feature-based on-line detector to remove adversarial-backdoors by iterative demarcation | |
Yang et al. | Retraining and dynamic privilege for implicit authentication systems | |
Takahashi et al. | A review of off-line mode dataset shifts | |
CN107330398A (zh) | 一种共享售货设备中虹膜识别的方法及装置 | |
CN109308782B (zh) | 一种目标物体的行为检测方法及*** | |
Fernandez | Biometric sample quality and its application to multimodal authentication systems | |
CN114971628A (zh) | 数字人民币生物支付方法、***、终端设备及存储介质 | |
JP2002208011A (ja) | 画像照合処理システムおよび画像照合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |
|
RJ01 | Rejection of invention patent application after publication |