CN109711233A - 一种基于深度学习的比对证件照人脸识别方法 - Google Patents
一种基于深度学习的比对证件照人脸识别方法 Download PDFInfo
- Publication number
- CN109711233A CN109711233A CN201711018921.0A CN201711018921A CN109711233A CN 109711233 A CN109711233 A CN 109711233A CN 201711018921 A CN201711018921 A CN 201711018921A CN 109711233 A CN109711233 A CN 109711233A
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- certificate photo
- identified
- egative film
- 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
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种基于深度学习的比对证件照人脸识别方法,将作为识别底片的证件照存储到指定位置;将底片中的证件照进行人脸检测与特征提取并储存;通过手机拍摄或者采集架设摄像头中的照片,获取待识别图片,同样进行人脸检测与特征提取;将待识别图片的人脸特征与储存的底片的全部特征做比对,欧氏距离最近且阈值超过85%的图片被认为是识别出的人脸,并显示出来。
Description
技术领域
本发明属于图像识别和图像智能分析技术领域,具体涉及一种基于深度学习的比对证件照人脸识别方法。
背景技术
人脸识别技术在安防领域有大量的应用需求。最近几年,随着公安部门在传感技术、云计算技术、视频智能监控技术、图像联网技术等方面的迅猛发展,针对公安***领域安防业务需求的人脸识别技术就显得尤为重要,在嫌疑人追逃、可疑人员确认、重点场所布控等方面,人脸识别都有着不可替代的作用。
早期使用较多的人脸识别方法主要是局部二值模型(LBP)特征结合支持向量机(SVM)分类器的方法,该方法在多种实验条件下都有很好的识别准确率,但是在真实环境中由于光照、遮挡以及其他不确定因素,导致识别性能显著下降。近年来随着深度学习的发展,基于深度学习的人脸识别算法相比于早期传统算法,在准确率和鲁棒性方面都有了显著的提升。
同时,在实际的业务应用中,获取个人大量的标注身份信息的图像是不现实的,很多时候只能使用单张的个人身份证照片构建人脸库,而在进行人脸识别时,获取的测试人脸图像由于光线、分辨率、清晰度、倾斜角度和时间跨度等因素,都会大大增加人脸识别的难度。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于深度学习的比对证件照人脸识别方法,有效克服不同光线、不同角度、较大时间跨度下的目标人脸识别问题,通过改进的MTCNN以及FaceNet算法,能够准确检测出待测图片中是否具有人脸以及捕获并提取出人脸的特征,并且具有较高的鲁棒性,可以在真实环境中进行使用,解决实际业务中尤其是公安部门等安防领域内的现实问题。
本发明的技术方案如下:
(1)将作为识别底片的证件照存储到指定位置;
(2)特征提取:将底片中的证件照将逐一经过P-Net、R-Net和O-Net3个不同的网络组成的三阶级联,在人脸对齐阶段,使用普氏分析进行人脸对齐,根据获取的人脸特征点的位置,通过最小二乘法求解参考图像特征点与测试图像特征点之间的变换矩阵,然后对测试图像进行变换以获得对齐之后的测试图像;在特征提取阶段,使用FaceNet算法,将人脸图像映射成128维的特征向量并储存,完成人脸检测与特征提取过程;
(3)待识别图片获取:通过手机拍摄或者采集架设摄像头中的照片,将该图片也按照步骤(2)的方式,如果有人脸则产生一组128维的数组,作为该图片中人脸的特征;
(4)将待识别图片的人脸特征与步骤(2)中储存的底片的全部特征做比对,欧氏距离最近且阈值超过85%的图片被认为是识别出的人脸,并显示出来。
本发明具有以下有益效果:
1、本发明使用的底片图像是证件照,对于安防部门而言可以快速收集到而不用进行单独采集,极大地节约时间成本。
2、本发明使用了基于深度学习的算法,加快照片识别速度并增加识别准确率。
3、本发明中所采用的检测、提取特征等算法结合效果极佳,对于光照、角度等因素抗干扰性极强,具有很好的鲁棒性和现实实用性,在真实场合中使用的反馈效果很好。
具体实施方式
人脸识别***从输入图像中自动识别图像中人的身份信息,本质上是从构建的人员身份库中找到和输入图像中包含的最相似的人脸,人脸识别要做的是计算两幅人脸图像的相似度是否足够高。
人脸识别***的实现一般包括人脸检测、特征点定位、人脸对齐、特征向量提取和相似度衡量五个过程。其中人脸检测找到脸在哪里,即找到图像中人脸的精确位置;特征点定位找到五官在哪里,分别找到左眼中心、右眼中心、鼻尖、左嘴角和右嘴角的位置;人脸对齐实现测试图像和参考图像的五官位置;特征向量提取将人脸图像表示为特征向量;相似度衡量比较两幅人脸图像特征向量之间的相似度是否足够高。
本发明使用MTCNN算法完成人脸检测和特征点定位,使用普氏分析进行人脸对齐,使用FaceNet进行人脸特征提取,计算特征向量的欧式距离进行人脸图像相似度衡量。
在人脸检测阶段,分别采用了P-Net,R-Net和O-Net,3个不同的网络结构三阶级联;在人脸对齐阶段,使用普氏分析进行人脸对齐,根据获取的人脸特征点的位置,通过最小二乘法求解参考图像特征点与测试图像特征点之间的变换矩阵,然后对测试图像进行变换以获得对齐之后的测试图像;在特征提取阶段,使用FaceNet算法,将人脸图像映射成128维的特征向量,相比于其他人脸识别算法,FaceNet并没有使用softmax进行分类学习,而是采用端对端的方式,直接将图像编码为欧式空间的特征向量;在计算向量距离时选取欧式距离最小的图像最为最佳匹配结果。
以下是本发明的具体实现方式:
(1)将作为识别底片的证件照存储到指定位置;
(2)特征提取:将底片中的证件照将逐一经过P-Net、R-Net和O-Net3个不同的网络组成的三阶级联,在人脸对齐阶段,使用普氏分析进行人脸对齐,根据获取的人脸特征点的位置,通过最小二乘法求解参考图像特征点与测试图像特征点之间的变换矩阵,然后对测试图像进行变换以获得对齐之后的测试图像;在特征提取阶段,使用FaceNet算法,将人脸图像映射成128维的特征向量并储存,完成人脸检测与特征提取过程;
(3)待识别图片获取:通过手机拍摄或者采集架设摄像头中的照片,将该图片也按照步骤(2)的方式,如果有人脸则产生一组128维的数组,作为该图片中人脸的特征;
(4)将待识别图片的人脸特征与步骤(2)中储存的底片的全部特征做比对,欧氏距离最近且阈值超过85%的图片被认为是识别出的人脸,并显示出来。
Claims (1)
1.一种基于深度学习的比对证件照人脸识别方法,其特征在于:
(1)将作为识别底片的证件照存储到指定位置;
(2)特征提取:将底片中的证件照将逐一经过P-Net、R-Net和O-Net3个不同的网络组成的三阶级联,在人脸对齐阶段,使用普氏分析进行人脸对齐,根据获取的人脸特征点的位置,通过最小二乘法求解参考图像特征点与测试图像特征点之间的变换矩阵,然后对测试图像进行变换以获得对齐之后的测试图像;在特征提取阶段,使用FaceNet算法,将人脸图像映射成128维的特征向量并储存,完成人脸检测与特征提取过程;
(3)待识别图片获取:通过手机拍摄或者采集架设摄像头中的照片,将该图片也按照步骤(2)的方式,如果有人脸则产生一组128维的数组,作为该图片中人脸的特征;
(4)将待识别图片的人脸特征与步骤(2)中储存的底片的全部特征做比对,欧氏距离最近且阈值超过85%的图片被认为是识别出的人脸,并显示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711018921.0A CN109711233A (zh) | 2017-10-26 | 2017-10-26 | 一种基于深度学习的比对证件照人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711018921.0A CN109711233A (zh) | 2017-10-26 | 2017-10-26 | 一种基于深度学习的比对证件照人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711233A true CN109711233A (zh) | 2019-05-03 |
Family
ID=66252845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711018921.0A Pending CN109711233A (zh) | 2017-10-26 | 2017-10-26 | 一种基于深度学习的比对证件照人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711233A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334667A (zh) * | 2019-07-10 | 2019-10-15 | 广东工业大学 | 基于ircnn和mtcnn的具有尺度旋转不变性的静脉识别方法及*** |
CN110532920A (zh) * | 2019-08-21 | 2019-12-03 | 长江大学 | 基于FaceNet方法的小数量数据集人脸识别方法 |
CN111222452A (zh) * | 2020-01-03 | 2020-06-02 | 北京明略软件***有限公司 | 一种人脸匹配方法、装置、电子设备及可读存储介质 |
CN111985460A (zh) * | 2020-09-28 | 2020-11-24 | 武汉虹信技术服务有限责任公司 | 一种基于红外测温与人脸识别的体温异常告警方法及*** |
CN112381075A (zh) * | 2021-01-18 | 2021-02-19 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及*** |
-
2017
- 2017-10-26 CN CN201711018921.0A patent/CN109711233A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334667A (zh) * | 2019-07-10 | 2019-10-15 | 广东工业大学 | 基于ircnn和mtcnn的具有尺度旋转不变性的静脉识别方法及*** |
CN110532920A (zh) * | 2019-08-21 | 2019-12-03 | 长江大学 | 基于FaceNet方法的小数量数据集人脸识别方法 |
CN110532920B (zh) * | 2019-08-21 | 2023-12-29 | 长江大学 | 基于FaceNet方法的小数量数据集人脸识别方法 |
CN111222452A (zh) * | 2020-01-03 | 2020-06-02 | 北京明略软件***有限公司 | 一种人脸匹配方法、装置、电子设备及可读存储介质 |
CN111985460A (zh) * | 2020-09-28 | 2020-11-24 | 武汉虹信技术服务有限责任公司 | 一种基于红外测温与人脸识别的体温异常告警方法及*** |
CN112381075A (zh) * | 2021-01-18 | 2021-02-19 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及*** |
CN112381075B (zh) * | 2021-01-18 | 2021-05-07 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711233A (zh) | 一种基于深度学习的比对证件照人脸识别方法 | |
CN102004899B (zh) | 一种人脸认证***及方法 | |
Lin et al. | A heat-map-based algorithm for recognizing group activities in videos | |
Liu et al. | Real-time human detection and tracking in complex environments using single RGBD camera | |
CN104573617B (zh) | 一种摄像控制方法 | |
CN105205455A (zh) | 一种移动平台上人脸识别的活体检测方法及*** | |
Cho et al. | PaMM: Pose-aware multi-shot matching for improving person re-identification | |
CN102043953A (zh) | 一种实时鲁棒的针对特定场景的行人检测方法 | |
JP6157165B2 (ja) | 視線検出装置及び撮像装置 | |
CN107038400A (zh) | 人脸识别装置及方法和利用其的目标人跟踪装置及方法 | |
DU et al. | Face detection in video based on AdaBoost algorithm and skin model | |
Xie et al. | Video based head detection and tracking surveillance system | |
García et al. | Person orientation and feature distances boost re-identification | |
Ji et al. | Face occlusion detection using skin color ratio and LBP features for intelligent video surveillance systems | |
CN115063836A (zh) | 一种基于深度学习的行人跟踪与重识别方法 | |
Park et al. | Detection of human faces using skin color and eyes | |
Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
Song et al. | Face spoofing detection by fusing binocular depth and spatial pyramid coding micro-texture features | |
CN109635679A (zh) | 一种实时的靶纸定位及环线识别方法 | |
Cao | Application of support vector machine algorithm based gesture recognition technology in human-computer interaction | |
Khatoon et al. | A robust and enhanced approach for human detection in crowd | |
CN110858275A (zh) | 一种利用身份证照片进行面部识别的方法 | |
Zheng et al. | Face detection in low-resolution color images | |
Xiang | Active learning for person re-identification | |
Sharma et al. | Multi-object tracking using TLD framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190503 |
|
WD01 | Invention patent application deemed withdrawn after publication |