CN109408651A - 一种基于人脸脸势识别的人脸检索方法 - Google Patents
一种基于人脸脸势识别的人脸检索方法 Download PDFInfo
- Publication number
- CN109408651A CN109408651A CN201811111939.XA CN201811111939A CN109408651A CN 109408651 A CN109408651 A CN 109408651A CN 201811111939 A CN201811111939 A CN 201811111939A CN 109408651 A CN109408651 A CN 109408651A
- Authority
- CN
- China
- Prior art keywords
- face
- palace lattice
- track
- algorithm
- portrait
- 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.)
- Granted
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
- G06V40/172—Classification, e.g. identification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于人脸脸势识别的人脸检索方法,根据人脸轨迹不同建立不同的人像库,然后将人像分别放置不同的人像库中,完成入库操作,在进行人脸检索时,首先要收集人脸运动轨迹,根据轨迹的不同的去查询对应的人像库,然后在库中检索出最相似的人脸图像。这样就完成了检索工作。在入库和检索过程中,要依据人脸运动轨迹来确定要进行操作的人像库。通过采集轨迹建立不同的人像库,这样避免了用户手动输入辅助信息如选择分组、输入分类编码等,避免用户进行额外的信息交互。由于分成了多个库,有效的缩小了库容量,提高了检索的命中率。
Description
技术领域
本发明涉及一种人脸检索方法,具体是一种基于人脸脸势识别的人脸检索方法,属于人脸识别技术领域。
背景技术
目前常用的交互方式有手势、密码等,脸势交互鲜有提及,通过记录人脸在摄像头下的移动轨迹、五官特征的运动次数以及次序组合等(张闭嘴、睁闭眼等),实现类手势、密码等交互输入效果,针对一些特定场景有改善用户体验的作用。
人脸识别技术主要包括1:1比对和1:N检索两种方式,其中1:N检索是实现在库中查找待选人员。衡量1:N检索性能的指标是首位命中率、前N位命中率,影响命中率的主要参数包括算法性能、库容量、照片质量等,其中库容量是一项非常关键的因素,如何有效缩小库容量,成为在实际场景应用中急需解决的问题,常用的手段主要是用户手动输入辅助信息如选择分组、输入分类编码等,这些手段都需要用户进行额外的信息交互,给人的体验不够流畅。
发明内容
本发明要解决的技术问题是提供一种基于人脸脸势的人脸检索方法,不需要用户经过额外的信息交互的情况下,有效缩小检索的库容量。
为了解决所述技术问题,本发明采用的技术方案是:一种基于人脸脸势的人脸检索方法,步骤以下步骤:S01)、人脸入库,对人脸运动轨迹和人脸进行采集,根据运动轨迹的不同创建不同的人像库,然后根据运动轨迹将人像分别放置在不同的人像库中;S02)、人脸检索,首先收集人脸运动轨迹,根据轨迹的不同去查询对应的人像库,然后在人像库中检索出最相似的人脸图像,完成检索工作。
进一步的,步骤S01的具体步骤为:S11)、人脸定位,通过人脸定位算法,完成单帧图像人脸区域定位,图像宽度为W,图像高度为H;S02)人脸特征点定位,通过特征点定位算法,完成人脸关键特征点集P(x,y){0<x<W,0<y<H}定位;S13)、人脸中心点定位,通过几何重心计算方法,完成计算人脸中心点坐标;S14)、宫格绘制,将采集显示区域以等分宫格进行划分;S15)、人脸轨迹绘制,逐一分析含有用户在采集设备前移动人脸的的图像序列,重复步骤S11至S14完成每一帧图像人脸中心计算,将计算后的人脸中心点与已划分宫格进行映射,得出人脸宫格轨迹;S16)、信息存储,按人脸宫格轨迹信息分类,将同一人脸宫格轨迹的人脸照片建模存入同一个人像库,得到以人脸宫格轨迹划分的多个人像库。
进一步的,步骤S02的具体步骤为:S21)、人脸定位,通过人脸定位算法,完成单帧图像人脸区域定位,图像宽度为W,图像高度为H;S22)人脸特征点定位,通过特征点定位算法,完成人脸关键特征点集P(x,y){0<x<W,0<y<H}定位;S23)、人脸中心点定位,通过几何重心计算方法,完成计算人脸中心点坐标;S24)、宫格绘制,将采集显示区域以等分宫格进行划分;S25)、提取人脸宫格轨迹,逐一分析含有用户在采集设备前移动人脸的的图像序列,重复步骤S21至S24完成每一帧图像人脸中心计算,将计算后的人脸中心点与已划分宫格进行映射,得出人脸宫格轨迹;S26)、查找比对,将提取的人脸宫格轨迹与存储的人脸宫格轨迹逐一比较,直到得到相同的人脸宫格轨迹,并确定其对应人像库;S27)、1:M检索:在人脸轨迹绘制过程中通过人脸定位算法找出质量最优的人脸照片,然后将该照片与步骤S26提取的人像库做1:M检索工作,得出检索结果,检索工作完成。
进一步的,得出人脸宫格轨迹的过程为:首先通过几何重心方法计算人脸中心点坐标 N表示人脸关键特征点集内关键特征点的个数,0≤i<N;设绘制的宫格任一格子中心点坐标为Qk(xk,yk),通过公式计算人脸中心点与宫格任一格子中心点的关系,求最小距离Dismin=Min(Disk),最小距离对应的宫格编号即为人脸中心点所在宫格,将每一帧图像人脸中心点所在宫格连线,就得出人脸宫格轨迹。
进一步的,人脸定位算法是基于Boosting架构和Haar特征相结合的人脸定位算法、基于机器学习-深度学习的人脸定位算法、基于机器学习-SVM或者Bayes学习的人脸定位算法、基于几何形状分析的人脸定位算法、基于纹理的人脸特征点定位算法中的一种。
进一步的,特征点定位算法是基于主动形状模型的人脸特征点定位算法、基于机器学习-深度学习的人脸定位算法、基于机器学习-SVM或者Bayes学习的人脸定位算法、基于几何形状分析的人脸定位算法、基于纹理的人脸特征点定位算法中的一种。
进一步的,宫格绘制步骤中,将采集显示区域以等分宫格划分成9宫格或者25宫格。
进一步的,人脸宫格轨迹为L型、V型或者T型。
进一步的,信息存储的形式为数据库或者磁盘文件。
本发明的有益效果:本发明根据人脸轨迹不同建立不同的人像库,然后将人像分别放置不同的人像库中,完成入库操作,在进行人脸检索时,首先要收集人脸运动轨迹,根据轨迹的不同的去查询对应的人像库,然后在库中检索出最相似的人脸图像。这样就完成了检索工作。也就是说,在入库和检索过程中,要依据人脸运动轨迹来确定要进行操作的人像库。通过采集轨迹建立不同的人像库,这样避免了用户手动输入辅助信息如选择分组、输入分类编码等,避免用户进行额外的信息交互。由于分成了多个库,有效的缩小了库容量,提高了检索的命中率。
附图说明
图1为人脸入库的流程图;
图2为人脸检索的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
本实施例公开一种基于人脸脸势的人脸检索方法,主要包括人脸入库和人脸检索两个步骤。人脸入库就是对人脸运动轨迹和人脸进行采集,根据运动轨迹的不同创建不同的人像库,然后根据运动轨迹将人像分别放置在不同的人像库中,这样就完成了入库操作。人脸检索就是首先收集人脸运动轨迹,根据轨迹的不同去查询对应的人像库,然后在人像库中检索出最相似的人脸图像,完成检索工作。在入库和检索过程中,要依据人脸运动轨迹来确定要进行操作的人像库。
如图1所示,人脸入库的具体流程为:
S11)、人脸定位,通过人脸定位算法,完成单帧图像人脸区域定位,图像宽度设为W,图像高度设为H;
本实施例中,可以通过以下算法完成人脸定位:
1、基于Boosting架构+Haar特征相结合的人脸定位算法;
2、基于机器学习-深度学习的人脸定位算法;
3、基于机器学习-其他学习(SVM、Bayes等)的人脸定位算法;
4、基于几何形状分析的人脸定位算法;
5、基于纹理的人脸特征点定位算法。
人脸定位算法目前已经是相当成熟的技术,在本实施例中就不再进行详述。
S12)人脸特征点定位,通过特征点定位算法,完成人脸关键特征点集P(x,y){0<x<W,0<y<H}定位;
本实施例中,可以通过以下算法完成人脸特征点定位:
1、基于ASM(主动形状模型)的人脸特征点定位算法;
2、基于机器学习-深度学习的人脸特征点定位算法;
3、基于机器学习-其他学习(SVM、Bayes等)的人脸特征点定位算法;
4、基于几何形状的人脸特征点定位算法;
5、基于纹理的人脸特征点定位算法;
6、其他的人脸特征点定位算法;
人脸特征点定位算法目前已经是相当成熟的技术,在本实施例中就不再进行详述。
S13)、人脸中心点定位,通过几何重心计算方法,完成计算人脸中心点坐标;
S14)、宫格绘制,将采集显示区域以等分宫格进行划分,可以划分成9宫格或者25宫格等;
S15)、人脸轨迹绘制,逐一分析含有用户在采集设备前移动人脸的的图像序列,重复步骤S11至S14完成每一帧图像人脸中心计算,将计算后的人脸中心点与已划分宫格进行映射,具体映射法可以是最小距离法,通过以上步骤得出人脸宫格轨迹,如9宫格中的L型,V型,T型等。
S16)、信息存储,按人脸宫格轨迹信息分类,将同一人脸宫格轨迹的人脸照片(在人脸轨迹绘制过程中,通过人脸定位算法找出质量最优的人脸照片)建模存入同一个人像库,得到以人脸宫格轨迹划分的多个人像库;存储的形式可以是数据库、磁盘文件等。
如图2所示,人脸检索的具体流程为:
S21)、人脸定位,通过人脸定位算法,完成单帧图像人脸区域定位,图像宽度设为W,图像高度设为H;
本实施例中,可以通过以下算法完成人脸定位:
6、基于Boosting架构+Haar特征相结合的人脸定位算法;
7、基于机器学习-深度学习的人脸定位算法;
8、基于机器学习-其他学习(SVM、Bayes等)的人脸定位算法;
9、基于几何形状分析的人脸定位算法;
10、基于纹理的人脸特征点定位算法。
人脸定位算法目前已经是相当成熟的技术,在本实施例中就不再进行详述。
S22)人脸特征点定位,通过特征点定位算法,完成人脸关键特征点集P(x,y){0<x<W,0<y<H}定位;
本实施例中,可以通过以下算法完成人脸特征点定位:
1、基于ASM(主动形状模型)的人脸特征点定位算法;
2、基于机器学习-深度学习的人脸特征点定位算法;
3、基于机器学习-其他学习(SVM、Bayes等)的人脸特征点定位算法;
4、基于几何形状的人脸特征点定位算法;
5、基于纹理的人脸特征点定位算法;
6、其他的人脸特征点定位算法;
人脸特征点定位算法目前已经是相当成熟的技术,在本实施例中就不再进行详述。
S23)、人脸中心点定位,通过几何重心计算方法,完成计算人脸中心点坐标;
S24)、宫格绘制,将采集显示区域以等分宫格进行划分,划分成与人脸检索时相同的宫格;
S25)、提取人脸宫格轨迹,逐一分析含有用户在采集设备前移动人脸的的图像序列,重复步骤S21至S24完成每一帧图像人脸中心计算,将计算后的人脸中心点与已划分宫格进行映射,具体映射法可以是最小距离法,得出人脸宫格轨迹;
S26)、查找比对,将提取的人脸宫格轨迹与存储的人脸宫格轨迹逐一比较,直到得到相同的人脸宫格轨迹,并确定其对应人像库;
S27)、1:M检索:在人脸轨迹绘制过程中通过人脸定位算法找出质量最优的人脸照片,然后将该照片与步骤S26提取的人像库做1:M检索工作,得出检索结果,检索工作完成。
当进行完人脸检索以后,***工作就算完成。
上述人脸入库和人脸检索的过程中,得出人脸宫格轨迹的过程为:首先通过几何重心方法计算人脸中心点坐标 N表示人脸关键特征点集内关键特征点的个数,0≤i<N;设绘制的宫格任一格子中心点坐标为Qk(xk,yk),通过公式计算人脸中心点与宫格任一格子中心点的关系,求最小距离Dismin=Min(Disk),最小距离对应的宫格编号即为人脸中心点所在宫格,将每一帧图像人脸中心点所在宫格连线,就得出人脸宫格轨迹。
以上所揭露仅为本发明的一个典型的具体实施案例,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所做的等同变化仍视为本发明所涵盖的范围。
Claims (9)
1.一种基于人脸脸势的人脸检索方法,其特征在于:步骤以下步骤:S01)、人脸入库,对人脸运动轨迹和人脸进行采集,根据运动轨迹的不同创建不同的人像库,然后根据运动轨迹将人像分别放置在不同的人像库中;S02)、人脸检索,首先收集人脸运动轨迹,根据轨迹的不同去查询对应的人像库,然后在人像库中检索出最相似的人脸图像,完成检索工作。
2.根据权利要求1所述的基于人脸脸势的人脸检索方法,其特征在于:步骤S01的具体步骤为:S11)、人脸定位,通过人脸定位算法,完成单帧图像人脸区域定位,图像宽度为W,图像高度为H;S12)人脸特征点定位,通过特征点定位算法,完成人脸关键特征点集P(x,y){0<x<W,0<y<H}定位;S13)、人脸中心点定位,通过几何重心计算方法,完成计算人脸中心点坐标;S14)、宫格绘制,将采集显示区域以等分宫格进行划分;S15)、人脸轨迹绘制,逐一分析含有用户在采集设备前移动人脸的的图像序列,重复步骤S11至S14完成每一帧图像人脸中心计算,将计算后的人脸中心点与已划分宫格进行映射,得出人脸宫格轨迹;S16)、信息存储,按人脸宫格轨迹信息分类,将同一人脸宫格轨迹的人脸照片建模存入同一个人像库,得到以人脸宫格轨迹划分的多个人像库。
3.根据权利要求2所述的基于人脸脸势识别的人脸检索方法,其特征在于:步骤S02的具体步骤为:S21)、人脸定位,通过人脸定位算法,完成单帧图像人脸区域定位,图像宽度为W,图像高度为H;S22)人脸特征点定位,通过特征点定位算法,完成人脸关键特征点集P(x,y){0<x<W,0<y<H}定位;S23)、人脸中心点定位,通过几何重心计算方法,完成计算人脸中心点坐标;S24)、宫格绘制,将采集显示区域以等分宫格进行划分;S25)、提取人脸宫格轨迹,逐一分析含有用户在采集设备前移动人脸的的图像序列,重复步骤S21至S24完成每一帧图像人脸中心计算,将计算后的人脸中心点与已划分宫格进行映射,得出人脸宫格轨迹;S26)、查找比对,将提取的人脸宫格轨迹与存储的人脸宫格轨迹逐一比较,直到得到相同的人脸宫格轨迹,并确定其对应人像库;S27)、1:M检索:在人脸轨迹绘制过程中通过人脸定位算法找出质量最优的人脸照片,然后将该照片与步骤S26提取的人像库做1:M检索工作,得出检索结果,检索工作完成。
4.根据权利要求2或3所述的基于人脸脸势识别的人脸检索方法,其特征在于:得出人脸宫格轨迹的过程为:首先通过几何重心方法计算人脸中心点坐标N表示人脸关键特征点集内关键特征点的个数,0≤i<N;设绘制的宫格任一格子中心点坐标为Qk(xk,yk),通过公式计算人脸中心点与宫格任一格子中心点的关系,求最小距离Dismin=Min(Disk),最小距离对应的宫格编号即为人脸中心点所在宫格,将每一帧图像人脸中心点所在宫格连线,就得出人脸宫格轨迹。
5.根据权利要求2或3所述的基于人脸脸势识别的人脸检索方法,其特征在于:人脸定位算法是基于Boosting架构和Haar特征相结合的人脸定位算法、基于机器学习-深度学习的人脸定位算法、基于机器学习-SVM或者Bayes学习的人脸定位算法、基于几何形状分析的人脸定位算法、基于纹理的人脸特征点定位算法中的一种。
6.根据权利要求2或3所述的基于人脸脸势识别的人脸检索方法,其特征在于:特征点定位算法是基于主动形状模型的人脸特征点定位算法、基于机器学习-深度学习的人脸定位算法、基于机器学习-SVM或者Bayes学习的人脸定位算法、基于几何形状分析的人脸定位算法、基于纹理的人脸特征点定位算法中的一种。
7.根据权利要求2或3所述的基于人脸脸势识别的人脸检索方法,其特征在于:宫格绘制步骤中,将采集显示区域以等分宫格划分成9宫格或者25宫格。
8.根据权利要求2或3所述的基于人脸脸势识别的人脸检索方法,其特征在于:人脸宫格轨迹为L型、V型或者T型。
9.根据权利要求2所述的基于人脸脸势识别的人脸检索方法,其特征在于:信息存储的形式为数据库或者磁盘文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811111939.XA CN109408651B (zh) | 2018-09-21 | 2018-09-21 | 一种基于人脸脸势识别的人脸检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811111939.XA CN109408651B (zh) | 2018-09-21 | 2018-09-21 | 一种基于人脸脸势识别的人脸检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109408651A true CN109408651A (zh) | 2019-03-01 |
CN109408651B CN109408651B (zh) | 2020-09-29 |
Family
ID=65465278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811111939.XA Active CN109408651B (zh) | 2018-09-21 | 2018-09-21 | 一种基于人脸脸势识别的人脸检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408651B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144326A (zh) * | 2019-12-28 | 2020-05-12 | 神思电子技术股份有限公司 | 一种用于人机交互的人脸防重识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561710B (zh) * | 2009-05-19 | 2011-02-09 | 重庆大学 | 一种基于人脸姿态估计的人机交互方法 |
CN103384234B (zh) * | 2012-05-04 | 2016-09-28 | 深圳市腾讯计算机***有限公司 | 人脸身份认证方法和*** |
CN107273796A (zh) * | 2017-05-05 | 2017-10-20 | 珠海数字动力科技股份有限公司 | 一种基于人脸特征的快速人脸识别搜索方法 |
-
2018
- 2018-09-21 CN CN201811111939.XA patent/CN109408651B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561710B (zh) * | 2009-05-19 | 2011-02-09 | 重庆大学 | 一种基于人脸姿态估计的人机交互方法 |
CN103384234B (zh) * | 2012-05-04 | 2016-09-28 | 深圳市腾讯计算机***有限公司 | 人脸身份认证方法和*** |
CN107273796A (zh) * | 2017-05-05 | 2017-10-20 | 珠海数字动力科技股份有限公司 | 一种基于人脸特征的快速人脸识别搜索方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144326A (zh) * | 2019-12-28 | 2020-05-12 | 神思电子技术股份有限公司 | 一种用于人机交互的人脸防重识别方法 |
CN111144326B (zh) * | 2019-12-28 | 2023-10-27 | 神思电子技术股份有限公司 | 一种用于人机交互的人脸防重识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109408651B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN104463117B (zh) | 一种基于视频方式的人脸识别样本采集方法及*** | |
CN104008370B (zh) | 一种视频人脸识别方法 | |
CN112836640B (zh) | 一种单摄像头多目标行人跟踪方法 | |
CN104408429B (zh) | 一种视频代表帧提取方法及装置 | |
CN109657609A (zh) | 人脸识别方法及*** | |
CN109117797A (zh) | 一种基于人脸质量评价的人脸抓拍识别方法 | |
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 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN107871106A (zh) | 人脸检测方法和装置 | |
CN106845357A (zh) | 一种基于多通道网络的视频人脸检测和识别方法 | |
CN109190508A (zh) | 一种基于空间坐标系的多摄像头数据融合方法 | |
CN110363047A (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
CN107330371A (zh) | 3d脸部模型的脸部表情的获取方法、装置和存储装置 | |
CN104881671B (zh) | 一种基于2D‑Gabor的高分遥感影像局部特征提取方法 | |
CN109410168A (zh) | 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法 | |
WO2009123354A1 (en) | Method, apparatus, and program for detecting object | |
US20090245575A1 (en) | Method, apparatus, and program storage medium for detecting object | |
CN112149557B (zh) | 一种基于人脸识别的人物身份跟踪方法及*** | |
CN110176023A (zh) | 一种基于金字塔结构的光流估计方法 | |
CN106682681A (zh) | 一种基于相关反馈的识别算法自动改进方法 | |
CN110176024A (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
CN108229432A (zh) | 人脸标定方法及装置 | |
CN109241814A (zh) | 基于yolo神经网络的行人检测方法 | |
CN107992783A (zh) | 人脸图像处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |