CN111222473A - 一种对视频中人脸进行聚类的分析识别方法 - Google Patents
一种对视频中人脸进行聚类的分析识别方法 Download PDFInfo
- Publication number
- CN111222473A CN111222473A CN202010022969.4A CN202010022969A CN111222473A CN 111222473 A CN111222473 A CN 111222473A CN 202010022969 A CN202010022969 A CN 202010022969A CN 111222473 A CN111222473 A CN 111222473A
- Authority
- CN
- China
- Prior art keywords
- preset
- video frame
- face
- target
- boundary
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种对视频中人脸进行聚类的分析识别方法,包括:抓取待识别视频流中的目标人脸;对抓取的目标人脸进行聚类分析识别,获得聚类分析识别结果;基于聚类分析识别结果,将抓取的所有目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人。通过采用聚类分析识别,实现对同一目标人脸的归类,其分类效率高。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种对视频中人脸进行聚类的分析识别方法。
背景技术
随着成像设备的快速发展,自动人脸识别成为越来越重要的任务,而且视频的出现对人脸识别问题提出新的挑战。
目前,针对视频人脸识别通常采用的方法是在代表性范例或者图像集的基础上,对视频人脸图像进行图像处理,再对图像处理后的视频人脸图像进行分类,但是其分类效率低下。
发明内容
本发明提供一种对视频中人脸进行聚类的分析识别方法,用以通过采用聚类分析识别,实现对同一目标人脸的归类,其分类效率高。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,包括:
抓取待识别视频流中的目标人脸;
对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果;
基于所述聚类分析识别结果,将抓取的所有所述目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人。
在一种可能实现的方式中,所述抓取待识别视频流中的目标人脸的过程之前包括:
对预设区域进行视频拍摄,获得待识别视频流;
抓取所述待识别视频流中的动态视频帧;
确定所述动态视频帧中是否存在目标人脸,若是,将所述动态视频帧保留,并抓取所述动态视频帧中的目标人脸;
否则,将所述动态视频帧剔除。
在一种可能实现的方式中,当所述动态视频帧中存在目标人脸时,抓取所述动态视频帧中的目标人脸的过程包括:
基于平面坐标系,确定所述动态视频帧中每个平面坐标点的像素值;
获取每个所述平面坐标点,所处当前位置处的预设比对区域内的所有平面坐标点的像素值,并对当前位置处的平面坐标点的像素值进行第一比对处理,判断所述当前位置处的平面坐标点的像素值与预设比对区域内的所有平面坐标点的像素值的像素关联度是否大于预设关联度,若是,判定所述当前位置处的平面坐标点的像素值合格;
否则,基于预设比对区域内的所有平面坐标点的像素值和像素修正模型,对所述所述当前位置处的平面坐标点的像素值进行第一修正处理,直到所述当前位置处的平面坐标点的像素值合格;
同时,将在同个像素范围内的所有合格的像素值对应的平面坐标点进行第二预设标记,获得标记图像;
且,当判定所述平面坐标系中的每个所述平面坐标点的像素值合格之后,基于预先通过历史视频流获取的参考人脸的边界信息,确定所述目标人脸的边界区域;
同时在所述边界区域中自动画取所述目标人脸的边界线条,当画取的边界线条到所述边界区域的内部线条的区域占比大于预设占比时,对所述边界线条进行预设调整,直到预设调整后的边界线条到所述边界区域的内部线条的区域占比不大于预设占比;
抓取所述边界线条到所述边界区域的内部线条构成的抓取区域中的所有像素值中的边界像素值,基于所述边界像素值实现对所述动态视频帧中的目标人脸的抓取。
在一种可能实现的方式中,所述对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果的过程包括:
获取历史人脸图像,并根据所述历史人脸图像含有的历史特征属性,构建人脸特征模型;
基于构建的人脸特征模型,确定抓取的所述目标人脸的目标特征属性,并对确定的所述目标特征属性进行聚类分析识别,获得聚类分析识别结果。
在一种可能实现的方式中,所述基于构建的人脸特征模型,确定抓取的所述目标人脸的目标特征属性的过程包括:
对抓取的所述目标人脸进行切割处理,获得若干个切割区域块;
计算每个所述目标人脸中的每个所述切割区域块之间的差异度;
当所述差异度小于预设差异阈值时,基于所述人脸特征模型,获取差异度小于预设差异阈值对应的切割区域块的区域块属性;
当所述差异度不小于预设差异阈值时,根据预先建立好的区域块模型,对所述差异度不小于预设差异阈值的切割区域块进行第二修正处理,获得待识别区域块;
并基于所述人脸特征模型,所述待识别区域块的区域块属性;
根据获取的与所述目标人脸相关的所有区域块属性,构成目标特征属性。
在一种可能实现的方式中,基于所述聚类分析识别结果,将抓取的所有所述目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人的过程包括:
根据所述聚类分析结果,将获取的所述待识别视频流中的所有动态视频帧中所存在的目标人脸进行分类处理;
并对分类处理后的同类所述动态视频帧中所存在的目标人脸进行第一预设标记;
根据所述第一预设标记结果,获得同一目标人脸。
在一种可能实现的方式中,当画取的边界线条到所述边界区域的内部线条的区域占比大于预设占比时,对所述边界线条进行预设调整的过程包括:
确定所述边界区域内画取的所有边界线条和所有所述边界线条的连接头;
基于预先训练的线条倾斜模型,判断所确定的所有边界线条中的当前边界线条的倾斜角度是否超出预设角度范围;
若是,基于所述当前边界线条的第一连接头,将所述当前边界线条的倾斜角度调整为第一预设角度;
同时,在对所述当前边界线条的倾斜角度进行调整时,将与所述当前边界线条的第二连接头连接的下一边界线条的倾斜角度调整为第二预设角度,直到所有所述边界线条调整结束;
其中,所有所述边界线条构成一个临界区域。
在一种可能实现的方式中,在确定所述边界区域内画取的所有边界线条和所有所述边界线条的连接头的同时,还包括:
对所确定的边界线条进行线条身份设置和对连接头进行头身份设置,并将所述线条身份和所述头身份存储到身份数据库中;
当对所述边界线条进行预设调整时,从所述身份数据库中调取进行预设调整的所述边界线条的线条身份和头身份并存储到第一类数据库中,同时将未进行预设调整的所述边界线条的线条身份和头身份并存储到第二类数据库中;
并基于存储的所述第一类数据库和第二类数据库,获取对应的边界线条和连接头,实现对所述线条倾斜模型的训练。
在一个实施例中,所述抓取待识别视频流中的目标人脸;对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果,包括:
确定所述待识别视频流中所有视频帧各自对应的灰度直方图;
从所述所有视频帧中,按照时间顺序提取出N个基准视频帧,所述N个基准视频帧中相邻两个基准视频帧之间有P个视频帧;
针对每个基准视频帧,按照预设计算方法计算当前基准视频帧与当前基准视频帧之后的所述P个视频帧中的每个视频帧之间的匹配度,所述预设计算方法包括步骤S1-S:
S1、确定当前的第i个基准视频帧的第一灰度直方图;
S2、确定当前的第i个基准视频帧之后的所述P个视频帧中的每个视频帧的第二灰度直方图;
S3、分别计算当前的第i个基准视频帧的第一灰度直方图与所述P个视频帧中第j个视频帧的第二灰度直方图之间的匹配度,所述匹配度的计算公式如下公式(1):
其中,所述Rij为当前的第i个基准视频帧的第一灰度直方图与所述第j个视频帧的第二灰度直方图之间的匹配度;所述Ai为所述当前的第i个基准视频帧的第一灰度直方图的离散分布函数;所述Bj为所述第j个视频帧的第二灰度直方图的离散分布函数;所述Mi为所述当前的第i个基准视频帧的像素总数;所述Mj为所述第j个视频帧的像素总数;
S4、确定所述P个视频帧中匹配度处于预设数值范围的U个视频帧;
S5、将所述U个视频帧作为一类人脸图像,从所述U个视频帧中随机抽取一个视频帧进行人脸识别,获得所述U个视频帧对应的一类人脸图像;
S6、确定所述P个视频帧中匹配度处于预设数值范围外的(P-U)个视频帧,对所述(P-U)个视频帧中人脸特征缺失量未达到预设缺失量的第一目标视频帧进行人脸识别,获得所述第一目标视频帧各自对应的人脸;
其中,当所述(P-U)个视频帧中存在人脸特征缺失量达到预设缺失量的第二目标视频帧时,判断人脸特征缺失的部分是否是由于拍摄光照原因导致的缺失,如果是,则确定所述第二目标视频帧的第三灰度直方图,当所述第三灰度直方图的灰度最小值等于或小于第一预设灰度值时,对所述N个基准视频帧中每个基准视频帧对应的第一灰度直方图的每个像素的灰度值降低预设灰度值,使得每个基准视频帧对应的处理后的第一灰度直方图的最小灰度值与所述第三灰度直方图的灰度最小值相等;以及,当所述第三灰度直方图的灰度最大值等于或大于第二预设灰度值时,所述第二预设灰度值大于所述第一预设灰度值,对所述N个基准视频帧中每个基准视频帧对应的第一灰度直方图的每个像素的灰度值升高预设灰度值,使得每个基准视频帧对应的处理后的第一灰度直方图的最大灰度值与所述第三灰度直方图的灰度最大值相等;
按照如下公式(2)计算每个基准视频帧对应的处理后的第一灰度直方图与所述第二目标视频帧的第三灰度直方图之间的相关度:
其中,Sik为第i个基准视频帧对应的处理后的第一灰度直方图与第k个第二目标视频帧的第三灰度直方图之间的相关度;t表示像素的横坐标;r表示像素的纵坐标;T表示像素的横坐标最大值;R表示像素的纵坐标最大值;Q(t,r)表示第i个基准视频帧对应的处理后的第一灰度直方图在像素点(t,r)的灰度值;P(t,r)表示第k个第二目标视频帧的第三灰度直方图在像素点(t,r)的灰度值;
当第i个基准视频帧对应的处理后的第一灰度直方图与第k个第二目标视频帧的第三灰度直方图之间的相关度等于或大于预设相关度时,确定所述第k个第二目标视频帧对应的人脸与该第i个基准视频帧对应的人脸属于一类人脸。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种对视频中人脸进行聚类的分析识别方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,如图1所示,包括:
步骤1:抓取待识别视频流中的目标人脸;
步骤2:对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果;
步骤3:基于所述聚类分析识别结果,将抓取的所有所述目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人。
上述待识别视频流可以是包含人脸在内的任何一段视频;
上述目标人脸是视频中的人脸,是需要去进行聚类分析识别的。
上述聚类分析是按照人脸的特征将人脸分类,让同一个类别内的个体之间具有较高的相似度,且将该类中的所有个体归类为同一个人;
上述对同一目标人脸进行第一预设标记,是为了将同类的目标人脸进行标记,便于快速识别。
上述聚类分析识别结果,是指多类人脸,且每类人脸是由相似度较高的人脸归集合到一起得到的。
上述技术方案的有益效果是:通过采用聚类分析识别,实现对同一目标人脸的归类,其分类效率高。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,所述抓取待识别视频流中的目标人脸的过程之前包括:
对预设区域进行视频拍摄,获得待识别视频流;
抓取所述待识别视频流中的动态视频帧;
确定所述动态视频帧中是否存在目标人脸,若是,将所述动态视频帧保留,并抓取所述动态视频帧中的目标人脸;
否则,将所述动态视频帧剔除。
上述预设区域可以是任何一个区域,如:办公区域等,此时对应的待识别视频流,是指办公区域的区域视频流,且区域视频流是指按照一个时间进行拍摄的视频,构成的视频流,对应的动态视频帧是指区域视频流中按照预设时间间隔,如50ms/帧进行切割得到的图像,此图像则对应的是动态视频帧。
上述技术方案的有益效果是:通过将动态视频帧进行保留或者剔除,是为了提高聚类分析识别的效率,同时通过删除不存在目标人脸的动态视频帧,还可以有效的降低对存储空间的占用。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,当所述动态视频帧中存在目标人脸时,抓取所述动态视频帧中的目标人脸的过程包括:
基于平面坐标系,确定所述动态视频帧中每个平面坐标点的像素值;
获取每个所述平面坐标点,所处当前位置处的预设比对区域内的所有平面坐标点的像素值,并对当前位置处的平面坐标点的像素值进行第一比对处理,判断所述当前位置处的平面坐标点的像素值与预设比对区域内的所有平面坐标点的像素值的像素关联度是否大于预设关联度,若是,判定所述当前位置处的平面坐标点的像素值合格;
否则,基于预设比对区域内的所有平面坐标点的像素值和像素修正模型,对所述所述当前位置处的平面坐标点的像素值进行第一修正处理,直到所述当前位置处的平面坐标点的像素值合格;
同时,将在同个像素范围内的所有合格的像素值对应的平面坐标点进行第二预设标记,获得标记图像;
且,当判定所述平面坐标系中的每个所述平面坐标点的像素值合格之后,基于预先通过历史视频流获取的参考人脸的边界信息,确定所述目标人脸的边界区域;
同时在所述边界区域中自动画取所述目标人脸的边界线条,当画取的边界线条到所述边界区域的内部线条的区域占比大于预设占比时,对所述边界线条进行预设调整,直到预设调整后的边界线条到所述边界区域的内部线条的区域占比不大于预设占比;
抓取所述边界线条到所述边界区域的内部线条构成的抓取区域中的所有像素值中的边界像素值,基于所述边界像素值实现对所述动态视频帧中的目标人脸的抓取。
上述平面坐标系是基于动态视频帧确定合格的二维坐标系,且其动态视频帧是包含若干个坐标点在内的,且每个坐标点都有其一一对应的像素值,且其像素值的获取可以是通过灰度处理、二值化等得到的;
上述当前位置处的预设比对区域内的所有平面坐标点的像素值,可以是指与当前位置处的像素值大小相同或相近的预设比对区域,且预设比对区域是包括在目标人脸上的;当前位置为A处,且A处的像素值为a1,其预设对比区域是所有像素值a1或者与像素值a1相近的像素值(如与a1像素值的绝对值相差范围在10之内的)或者与像素值a1不相近的像素值构成的区域,且该区域中是不包含当前位置A的,其中,预设比对区域是预先设定好的,或者预设比对区域还可以是目标人脸中除去位置A处的任何一个区域。
上述第一比对处理,判断当前位置A处的平面坐标点的像素值a1与预设比对区域内的所有平面坐标点的像素值的像素关联度大于预设关联度(预先设定好的,且关联度一般是在关联80%以上的),判定当前位置A处的平面坐标点的像素值a1合格;
上述像素修正模型,是为了对像素值进行修正,因为在获取像素值的过程中,可能在灰度转化过程中存在转化缺陷等因素,使得需要对像素值进行修正;
上述将在同个像素范围内的所有合格的像素值对应的平面坐标点进行第二预设标记,获得标记图像,例如:像素范围[100,150],将其范围内的所有合格像素值进行标记,例如是用相同的颜色表示相同像素范围内的所有像素值,即对应的坐标点,形成标记图像,是为了方便及时了解相关信息;
上述通过历史视频流获取的参考人脸的边界信息,确定目标人脸的边界区域,其中,历史视频流是与上述待识别视频流相关的视频,且参考人脸是已经抓取出来的样本人脸,边界信息是指抓取参考人脸的相关信息,如:参考人脸的边界区域;
上述画取目标人脸的边界线条,是为了减少边界区域在抓取的目标人脸中的占比,上述当画取的边界线条到边界区域的内部线条的区域占比大于预设占比时。
上述技术方案的有益效果是:通过第二预设标记,是为了方便及时了解相关信息,画取目标人脸的边界线条,是为了减少边界区域在抓取的目标人脸中的占比,对边界线条进行预设调整,是为了对占比进行调节,更进一步的提高抓取的目标人脸的边界精度,确定抓取区域中的所有像素值中的边界像素值,是为了对边界线条进行进一步精确确定。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,所述对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果的过程包括:
获取历史人脸图像,并根据所述历史人脸图像含有的历史特征属性,构建人脸特征模型;
基于构建的人脸特征模型,确定抓取的所述目标人脸的目标特征属性,并对确定的所述目标特征属性进行聚类分析识别,获得聚类分析识别结果。
上述历史特征属性,如:人脸中的眉毛、眼睛、鼻子、嘴巴等的特征属性;
上述人脸特征模型是基于神经网络预先训练好的。
上述聚类分析识别结果,例如是同个人的眉毛、眼睛、鼻子或嘴巴等的识别结果,由于其相似度高,将其眉毛、眼睛、鼻子或嘴巴等归为同一个人。
上述技术方案的有益效果是:通过对目标人脸进行目标特征属性的确定,提高聚类分析识别的效率。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,所述基于构建的人脸特征模型,确定抓取的所述目标人脸的目标特征属性的过程包括:
对抓取的所述目标人脸进行切割处理,获得若干个切割区域块;
计算每个所述目标人脸中的每个所述切割区域块之间的差异度;
当所述差异度小于预设差异阈值时,基于所述人脸特征模型,获取差异度小于预设差异阈值对应的切割区域块的区域块属性;
当所述差异度不小于预设差异阈值时,根据预先建立好的区域块模型,对所述差异度不小于预设差异阈值的切割区域块进行第二修正处理,获得待识别区域块;
并基于所述人脸特征模型,所述待识别区域块的区域块属性;
根据获取的与所述目标人脸相关的所有区域块属性,构成目标特征属性。
上述进行切割处理,是将其目标人脸切割成眉毛、眼睛、鼻子、嘴巴等多个切割区域块,且差异度例如可以是指与眉毛、眼睛、鼻子或嘴巴等之间的相似度相反的,且预设差异阈值是预先设置的,且预设预设差异阈值例如是在0-10%差异之间;
上述区域块属性,例如是指眼睛处的眼睛属性,例如:眼睛年龄、眼睛表情等;
上述切割区域块进行第二修正处理,获得待识别区域块,是为了对切割区域块的切割线进行调整,例如:将切割线的区域范围向大调整等;
上述所有的区域块属性,构成目标特征属性,且目标特征属性是目标对人脸的属性。
上述技术方案的有益效果是:通过进行切割处理和第二修正处理,便于对切割区域和切割区域边界进行调整,提高获取切割区域的准确性,便于捕获到完整的目标特征属性,为后续同一个目标分类提供依据。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,基于所述聚类分析识别结果,将抓取的所有所述目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人的过程包括:
根据所述聚类分析结果,将获取的所述待识别视频流中的所有动态视频帧中所存在的目标人脸进行分类处理;
并对分类处理后的同类所述动态视频帧中所存在的目标人脸进行第一预设标记;
根据所述第一预设标记结果,获得同一目标人脸。
上述分类处理,可以是对眼睛、鼻子、嘴巴等各个部位进行分类处理,并将相似度高的眼睛、鼻子、嘴巴归为同一个人;
或者是直接根据人脸图像,将相似度高的人脸归为同一个人。
上述第一预设标记,可以是高亮等颜色标标记。
上述技术方案的有益效果是:通过第一预设标记,便于对同一目标人脸进行获取。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,当画取的边界线条到所述边界区域的内部线条的区域占比大于预设占比时,对所述边界线条进行预设调整的过程包括:
确定所述边界区域内画取的所有边界线条和所有所述边界线条的连接头;
基于预先训练的线条倾斜模型,判断所确定的所有边界线条中的当前边界线条的倾斜角度是否超出预设角度范围;
若是,基于所述当前边界线条的第一连接头,将所述当前边界线条的倾斜角度调整为第一预设角度;
同时,在对所述当前边界线条的倾斜角度进行调整时,将与所述当前边界线条的第二连接头连接的下一边界线条的倾斜角度调整为第二预设角度,直到所有所述边界线条调整结束;
其中,所有所述边界线条构成一个临界区域。
上述边界线条如果是有n个,则对应的连接头有n个,且对应临界区域应该是一个封闭型的区域。
上述假设:预设角度范围为[-10°,10°],当前边界线条的倾斜角度为:20度时,将当前边界线条的倾斜角度从20度调节为第一预设角度10度,同理,当下一边界线条的倾斜角度为:-20度时,将下一边界线条的倾斜角度从-20度调节为第二预设角度-10度;
例如:当前边界线条与上一边界线条连接处为第一连接头,当前边界线条与下一边界线条连接处为第二连接头。
上述技术方案的有益效果是:上述确定当前边界线条的倾斜角度,是为了对边界线条进行调整,且是为了保证画取的边界线条到边界区域的内部线条的区域占比不大于预设占比,是为了提高抓取目标人脸的边界的有效性,获取边界线条和连接头,是为了对边界线条和连接头进行调整,提高构造临界区域的边界精准度。
本发明实施例提供一种对视频中人脸进行聚类的分析识别方法,在确定所述边界区域内画取的所有边界线条和所有所述边界线条的连接头的同时,还包括:
对所确定的边界线条进行线条身份设置和对连接头进行头身份设置,并将所述线条身份和所述头身份存储到身份数据库中;
当对所述边界线条进行预设调整时,从所述身份数据库中调取进行预设调整的所述边界线条的线条身份和头身份并存储到第一类数据库中,同时将未进行预设调整的所述边界线条的线条身份和头身份并存储到第二类数据库中;
并基于存储的所述第一类数据库和第二类数据库,获取对应的边界线条和连接头,实现对所述线条倾斜模型的训练。
上述设置线条身份和头身份,是为了对每个线条和连接头赋予id,便于调用,提高其处理的效率;
上述第一类数据库是存储的进行调整的线条身份和头身份;
第二类数据库是存储的未进行调整的线条身份和头身份,便于后续对进行调整的线条身份和头身份进行再次调整。
上述技术方案的有益效果是:通过扩充样本,便于实现对线条倾斜模型的训练,提高其的识别精度。
在一个实施例中,所述抓取待识别视频流中的目标人脸;对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果,包括:
确定所述待识别视频流中所有视频帧各自对应的灰度直方图;
从所述所有视频帧中,按照时间顺序提取出N个基准视频帧,所述N个基准视频帧中相邻两个基准视频帧之间有P个视频帧;
针对每个基准视频帧,按照预设计算方法计算当前基准视频帧与当前基准视频帧之后的所述P个视频帧中的每个视频帧之间的匹配度,所述预设计算方法包括步骤S1-S:
S1、确定当前的第i个基准视频帧的第一灰度直方图;
S2、确定当前的第i个基准视频帧之后的所述P个视频帧中的每个视频帧的第二灰度直方图;
S3、分别计算当前的第i个基准视频帧的第一灰度直方图与所述P个视频帧中第j个视频帧的第二灰度直方图之间的匹配度,所述匹配度的计算公式如下公式(1):
其中,所述Rij为当前的第i个基准视频帧的第一灰度直方图与所述第j个视频帧的第二灰度直方图之间的匹配度;所述Ai为所述当前的第i个基准视频帧的第一灰度直方图的离散分布函数;所述Bj为所述第j个视频帧的第二灰度直方图的离散分布函数;所述Mi为所述当前的第i个基准视频帧的像素总数;所述Mj为所述第j个视频帧的像素总数;
S4、确定所述P个视频帧中匹配度处于预设数值范围的U个视频帧;
S5、将所述U个视频帧作为一类人脸图像,从所述U个视频帧中随机抽取一个视频帧进行人脸识别,获得所述U个视频帧对应的一类人脸图像;
S6、确定所述P个视频帧中匹配度处于预设数值范围外的(P-U)个视频帧,对所述(P-U)个视频帧中人脸特征缺失量未达到预设缺失量的第一目标视频帧进行人脸识别,获得所述第一目标视频帧各自对应的人脸;
其中,当所述(P-U)个视频帧中存在人脸特征缺失量达到预设缺失量的第二目标视频帧时,判断人脸特征缺失的部分是否是由于拍摄光照原因导致的缺失,如果是,则确定所述第二目标视频帧的第三灰度直方图,当所述第三灰度直方图的灰度最小值等于或小于第一预设灰度值时,对所述N个基准视频帧中每个基准视频帧对应的第一灰度直方图的每个像素的灰度值降低预设灰度值,使得每个基准视频帧对应的处理后的第一灰度直方图的最小灰度值与所述第三灰度直方图的灰度最小值相等;以及,当所述第三灰度直方图的灰度最大值等于或大于第二预设灰度值时,所述第二预设灰度值大于所述第一预设灰度值,对所述N个基准视频帧中每个基准视频帧对应的第一灰度直方图的每个像素的灰度值升高预设灰度值,使得每个基准视频帧对应的处理后的第一灰度直方图的最大灰度值与所述第三灰度直方图的灰度最大值相等;
按照如下公式(2)计算每个基准视频帧对应的处理后的第一灰度直方图与所述第二目标视频帧的第三灰度直方图之间的相关度:
其中,Sik为第i个基准视频帧对应的处理后的第一灰度直方图与第k个第二目标视频帧的第三灰度直方图之间的相关度;t表示像素的横坐标;r表示像素的纵坐标;T表示像素的横坐标最大值;R表示像素的纵坐标最大值;Q(t,r)表示第i个基准视频帧对应的处理后的第一灰度直方图在像素点(t,r)的灰度值;P(t,r)表示第k个第二目标视频帧的第三灰度直方图在像素点(t,r)的灰度值;
当第i个基准视频帧对应的处理后的第一灰度直方图与第k个第二目标视频帧的第三灰度直方图之间的相关度等于或大于预设相关度时,确定所述第k个第二目标视频帧对应的人脸与该第i个基准视频帧对应的人脸属于一类人脸。
上述技术方案的有益效果为:利用灰度直方图之前的匹配度快速计算出视频流中每个视频帧所包括的人脸的类别;并且,当遇到人脸特征缺失较为严重的视频帧时,也可以智能方便地计算出人脸特征缺失较为严重的视频帧所包括的人脸的类别,提高了聚类的效率,降低了无法确定某些视频帧中包括的人脸的类别的概率,提高了聚类结果的完整性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种对视频中人脸进行聚类的分析识别方法,其特征在于,包括:
抓取待识别视频流中的目标人脸;
对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果;
基于所述聚类分析识别结果,将抓取的所有所述目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人。
2.如权利要求1所述的分析识别方法,其特征在于,所述抓取待识别视频流中的目标人脸的过程之前包括:
对预设区域进行视频拍摄,获得待识别视频流;
抓取所述待识别视频流中的动态视频帧;
确定所述动态视频帧中是否存在目标人脸,若是,将所述动态视频帧保留,并抓取所述动态视频帧中的目标人脸;
否则,将所述动态视频帧剔除。
3.如权利要求2所述的分类识别方法,其特征在于,当所述动态视频帧中存在目标人脸时,抓取所述动态视频帧中的目标人脸的过程包括:
基于平面坐标系,确定所述动态视频帧中每个平面坐标点的像素值;
获取每个所述平面坐标点,所处当前位置处的预设比对区域内的所有平面坐标点的像素值,并对当前位置处的平面坐标点的像素值进行第一比对处理,判断所述当前位置处的平面坐标点的像素值与预设比对区域内的所有平面坐标点的像素值的像素关联度是否大于预设关联度,若是,判定所述当前位置处的平面坐标点的像素值合格;
否则,基于预设比对区域内的所有平面坐标点的像素值和像素修正模型,对所述所述当前位置处的平面坐标点的像素值进行第一修正处理,直到所述当前位置处的平面坐标点的像素值合格;
同时,将在同个像素范围内的所有合格的像素值对应的平面坐标点进行第二预设标记,获得标记图像;
且,当判定所述平面坐标系中的每个所述平面坐标点的像素值合格之后,基于预先通过历史视频流获取的参考人脸的边界信息,确定所述目标人脸的边界区域;
同时在所述边界区域中自动画取所述目标人脸的边界线条,当画取的边界线条到所述边界区域的内部线条的区域占比大于预设占比时,对所述边界线条进行预设调整,直到预设调整后的边界线条到所述边界区域的内部线条的区域占比不大于预设占比;
抓取所述边界线条到所述边界区域的内部线条构成的抓取区域中的所有像素值中的边界像素值,基于所述边界像素值实现对所述动态视频帧中的目标人脸的抓取。
4.如权利要求1所述的分类识别方法,其特征在于,所述对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果的过程包括:
获取历史人脸图像,并根据所述历史人脸图像含有的历史特征属性,构建人脸特征模型;
基于构建的人脸特征模型,确定抓取的所述目标人脸的目标特征属性,并对确定的所述目标特征属性进行聚类分析识别,获得聚类分析识别结果。
5.如权利要求4所述的分类识别方法,其特征在于,所述基于构建的人脸特征模型,确定抓取的所述目标人脸的目标特征属性的过程包括:
对抓取的所述目标人脸进行切割处理,获得若干个切割区域块;
计算每个所述目标人脸中的每个所述切割区域块之间的差异度;
当所述差异度小于预设差异阈值时,基于所述人脸特征模型,获取差异度小于预设差异阈值对应的切割区域块的区域块属性;
当所述差异度不小于预设差异阈值时,根据预先建立好的区域块模型,对所述差异度不小于预设差异阈值的切割区域块进行第二修正处理,获得待识别区域块;
并基于所述人脸特征模型,所述待识别区域块的区域块属性;
根据获取的与所述目标人脸相关的所有区域块属性,构成目标特征属性。
6.如权利要求1所述的分类识别方法,其特征在于,基于所述聚类分析识别结果,将抓取的所有所述目标人脸中的同一目标人脸进行第一预设标记,并将第一预设标记的同一目标人脸归类为同一人的过程包括:
根据所述聚类分析结果,将获取的所述待识别视频流中的所有动态视频帧中所存在的目标人脸进行分类处理;
并对分类处理后的同类所述动态视频帧中所存在的目标人脸进行第一预设标记;
根据所述第一预设标记结果,获得同一目标人脸。
7.如权利要求3所述的分类识别方法,其特征在于,当画取的边界线条到所述边界区域的内部线条的区域占比大于预设占比时,对所述边界线条进行预设调整的过程包括:
确定所述边界区域内画取的所有边界线条和所有所述边界线条的连接头;
基于预先训练的线条倾斜模型,判断所确定的所有边界线条中的当前边界线条的倾斜角度是否超出预设角度范围;
若是,基于所述当前边界线条的第一连接头,将所述当前边界线条的倾斜角度调整为第一预设角度;
同时,在对所述当前边界线条的倾斜角度进行调整时,将与所述当前边界线条的第二连接头连接的下一边界线条的倾斜角度调整为第二预设角度,直到所有所述边界线条调整结束;
其中,所有所述边界线条构成一个临界区域。
8.如权利要求7所述的分类识别方法,其特征在于,在确定所述边界区域内画取的所有边界线条和所有所述边界线条的连接头的同时,还包括:
对所确定的边界线条进行线条身份设置和对连接头进行头身份设置,并将所述线条身份和所述头身份存储到身份数据库中;
当对所述边界线条进行预设调整时,从所述身份数据库中调取进行预设调整的所述边界线条的线条身份和头身份并存储到第一类数据库中,同时将未进行预设调整的所述边界线条的线条身份和头身份并存储到第二类数据库中;
并基于存储的所述第一类数据库和第二类数据库,获取对应的边界线条和连接头,实现对所述线条倾斜模型的训练。
9.如权利要求1所述的分类识别方法,其特征在于,
所述抓取待识别视频流中的目标人脸;对抓取的所述目标人脸进行聚类分析识别,获得聚类分析识别结果;包括:
确定所述待识别视频流中所有视频帧各自对应的灰度直方图;
从所述所有视频帧中,按照时间顺序提取出N个基准视频帧,所述N个基准视频帧中相邻两个基准视频帧之间有P个视频帧;
针对每个基准视频帧,按照预设计算方法计算当前基准视频帧与当前基准视频帧之后的所述P个视频帧中的每个视频帧之间的匹配度,所述预设计算方法包括步骤S1-S:
S1、确定当前的第i个基准视频帧的第一灰度直方图;
S2、确定当前的第i个基准视频帧之后的所述P个视频帧中的每个视频帧的第二灰度直方图;
S3、分别计算当前的第i个基准视频帧的第一灰度直方图与所述P个视频帧中第j个视频帧的第二灰度直方图之间的匹配度,所述匹配度的计算公式如下公式(1):
其中,所述Rij为当前的第i个基准视频帧的第一灰度直方图与所述第j个视频帧的第二灰度直方图之间的匹配度;所述Ai为所述当前的第i个基准视频帧的第一灰度直方图的离散分布函数;所述Bj为所述第j个视频帧的第二灰度直方图的离散分布函数;所述Mi为所述当前的第i个基准视频帧的像素总数;所述Mj为所述第j个视频帧的像素总数;
S4、确定所述P个视频帧中匹配度处于预设数值范围的U个视频帧;
S5、将所述U个视频帧作为一类人脸图像,从所述U个视频帧中随机抽取一个视频帧进行人脸识别,获得所述U个视频帧对应的一类人脸图像;
S6、确定所述P个视频帧中匹配度处于预设数值范围外的(P-U)个视频帧,对所述(P-U)个视频帧中人脸特征缺失量未达到预设缺失量的第一目标视频帧进行人脸识别,获得所述第一目标视频帧各自对应的人脸;
其中,当所述(P-U)个视频帧中存在人脸特征缺失量达到预设缺失量的第二目标视频帧时,判断人脸特征缺失的部分是否是由于拍摄光照原因导致的缺失,如果是,则确定所述第二目标视频帧的第三灰度直方图,当所述第三灰度直方图的灰度最小值等于或小于第一预设灰度值时,对所述N个基准视频帧中每个基准视频帧对应的第一灰度直方图的每个像素的灰度值降低预设灰度值,使得每个基准视频帧对应的处理后的第一灰度直方图的最小灰度值与所述第三灰度直方图的灰度最小值相等;以及,当所述第三灰度直方图的灰度最大值等于或大于第二预设灰度值时,所述第二预设灰度值大于所述第一预设灰度值,对所述N个基准视频帧中每个基准视频帧对应的第一灰度直方图的每个像素的灰度值升高预设灰度值,使得每个基准视频帧对应的处理后的第一灰度直方图的最大灰度值与所述第三灰度直方图的灰度最大值相等;
按照如下公式(2)计算每个基准视频帧对应的处理后的第一灰度直方图与所述第二目标视频帧的第三灰度直方图之间的相关度:
其中,Sik为第i个基准视频帧对应的处理后的第一灰度直方图与第k个第二目标视频帧的第三灰度直方图之间的相关度;t表示像素的横坐标;r表示像素的纵坐标;T表示像素的横坐标最大值;R表示像素的纵坐标最大值;Q(t,r)表示第i个基准视频帧对应的处理后的第一灰度直方图在像素点(t,r)的灰度值;P(t,r)表示第k个第二目标视频帧的第三灰度直方图在像素点(t,r)的灰度值;
当第i个基准视频帧对应的处理后的第一灰度直方图与第k个第二目标视频帧的第三灰度直方图之间的相关度等于或大于预设相关度时,确定所述第k个第二目标视频帧对应的人脸与该第i个基准视频帧对应的人脸属于一类人脸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022969.4A CN111222473B (zh) | 2020-01-09 | 2020-01-09 | 一种对视频中人脸进行聚类的分析识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022969.4A CN111222473B (zh) | 2020-01-09 | 2020-01-09 | 一种对视频中人脸进行聚类的分析识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222473A true CN111222473A (zh) | 2020-06-02 |
CN111222473B CN111222473B (zh) | 2020-11-06 |
Family
ID=70831065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010022969.4A Active CN111222473B (zh) | 2020-01-09 | 2020-01-09 | 一种对视频中人脸进行聚类的分析识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222473B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528809A (zh) * | 2020-12-04 | 2021-03-19 | 东方网力科技股份有限公司 | 关于涉盗嫌疑人员的识别方法、装置及设备、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631422A (zh) * | 2015-12-28 | 2016-06-01 | 北京酷云互动科技有限公司 | 一种视频识别方法以及视频识别*** |
CN105740758A (zh) * | 2015-12-31 | 2016-07-06 | 上海极链网络科技有限公司 | 基于深度学习的互联网视频人脸识别方法 |
US20180039823A1 (en) * | 2016-08-04 | 2018-02-08 | International Business Machines Corporation | Clustering large database of images using multilevel clustering approach for optimized face recognition process |
US20180060695A1 (en) * | 2015-08-28 | 2018-03-01 | International Business Machines Corporation | System, method, and recording medium for detecting video face clustering with inherent and weak supervision |
CN108171207A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 基于视频序列的人脸识别方法和装置 |
CN109214247A (zh) * | 2017-07-04 | 2019-01-15 | 腾讯科技(深圳)有限公司 | 基于视频的人脸标识方法和装置 |
US10311290B1 (en) * | 2015-12-29 | 2019-06-04 | Rogue Capital LLC | System and method for generating a facial model |
CN110598535A (zh) * | 2019-07-31 | 2019-12-20 | 广西大学 | 一种监控视频数据中使用的人脸识别分析方法 |
-
2020
- 2020-01-09 CN CN202010022969.4A patent/CN111222473B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060695A1 (en) * | 2015-08-28 | 2018-03-01 | International Business Machines Corporation | System, method, and recording medium for detecting video face clustering with inherent and weak supervision |
CN105631422A (zh) * | 2015-12-28 | 2016-06-01 | 北京酷云互动科技有限公司 | 一种视频识别方法以及视频识别*** |
US10311290B1 (en) * | 2015-12-29 | 2019-06-04 | Rogue Capital LLC | System and method for generating a facial model |
CN105740758A (zh) * | 2015-12-31 | 2016-07-06 | 上海极链网络科技有限公司 | 基于深度学习的互联网视频人脸识别方法 |
US20180039823A1 (en) * | 2016-08-04 | 2018-02-08 | International Business Machines Corporation | Clustering large database of images using multilevel clustering approach for optimized face recognition process |
CN109214247A (zh) * | 2017-07-04 | 2019-01-15 | 腾讯科技(深圳)有限公司 | 基于视频的人脸标识方法和装置 |
CN108171207A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 基于视频序列的人脸识别方法和装置 |
CN110598535A (zh) * | 2019-07-31 | 2019-12-20 | 广西大学 | 一种监控视频数据中使用的人脸识别分析方法 |
Non-Patent Citations (1)
Title |
---|
ZAWBAA 等: "Semi-automatic annotation system for home videos", 《INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS DESIGN & APPLICATIONS, CAIRO, EGYPT》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528809A (zh) * | 2020-12-04 | 2021-03-19 | 东方网力科技股份有限公司 | 关于涉盗嫌疑人员的识别方法、装置及设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111222473B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241975B (zh) | 一种基于移动端边缘计算的人脸识别检测方法及*** | |
CN111368758A (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN111209874B (zh) | 一种对人头部穿戴属性的分析识别方法 | |
CN111488943A (zh) | 人脸识别的方法及设备 | |
CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
CN111274895A (zh) | 基于空洞卷积的cnn微表情识别方法 | |
CN111783681A (zh) | 大规模人脸库识别方法、***、计算机设备及存储介质 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN114550268A (zh) | 一种利用时空特征的深度伪造视频检测方法 | |
Diyasa et al. | Multi-face Recognition for the Detection of Prisoners in Jail using a Modified Cascade Classifier and CNN | |
CN106886771B (zh) | 基于模块化pca的图像主信息提取方法及人脸识别方法 | |
CN111222473B (zh) | 一种对视频中人脸进行聚类的分析识别方法 | |
CN113450369B (zh) | 一种基于人脸识别技术的课堂分析***及方法 | |
CN117456590A (zh) | 一种针对智能城市应用的视觉转换的人脸识别方法及装置 | |
CN112686247A (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN112347967A (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
US20230015295A1 (en) | Object recognition apparatus and method based on environment matching | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
CN113269136B (zh) | 一种基于triplet loss的离线签名验证方法 | |
CN109766860A (zh) | 基于改进的Adaboost算法的人脸检测方法 | |
CN114758118A (zh) | 一种高效多尺度的羊正脸检测方法 | |
CN112990381A (zh) | 畸变图像目标识别方法及装置 | |
CN112733738A (zh) | 一种用于人脸识别数据比对的方法 | |
CN110968735A (zh) | 一种基于球面相似度层次聚类的无监督行人重识别方法 | |
CN111881732A (zh) | 一种基于svm的人脸质量评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |