CN111368803A - 一种人脸识别方法及*** - Google Patents
一种人脸识别方法及*** Download PDFInfo
- Publication number
- CN111368803A CN111368803A CN202010232719.3A CN202010232719A CN111368803A CN 111368803 A CN111368803 A CN 111368803A CN 202010232719 A CN202010232719 A CN 202010232719A CN 111368803 A CN111368803 A CN 111368803A
- Authority
- CN
- China
- Prior art keywords
- face
- human face
- target
- module
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 8
- 238000005065 mining Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000011521 glass Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法及***，该***包括：人脸目标检测模块，基于PyramidBox算法实现图像中人脸目标的挖掘；特征提取模块，用于提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；特征融合模块，将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征向量；人脸识别模块，基于人脸特征向量采用最近邻分类器实现人脸的识别。本发明使用多种特征融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率，实现了未识别人脸的自动锁定，从而可以减少识别漏洞，便于用户较快的锁定可疑对象。
Description
技术领域
本发明涉及人脸识别***，具体涉及一种人脸识别方法及***。
背景技术
人脸识别是基于人的脸部特征信息进行身份认证的一种生物识别技术。通过摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行匹配与识别。
人脸识别的应用领域很广泛，尤其是在安防反恐、金融支付、门禁考勤、身份识别等众多领域起着非常重要的作用，它所涉及的领域知识有生物医学、模式识别、图像处理、机器学习等。
目前，人脸识别算法主要有：（1）模板匹配法:主要利用了人脸的纹理和灰度特征，采用最近邻分类器，
将待识别的图像与数据集中的所有模板进行匹配，进而找出最相似的模板。该方法主要存在的问题是，如果数据集足够大，那么进行匹配的时候，时间消耗很大，而且准确率会有所降低。
（2）主成分分析法(PCA):简而言之，就是将原始图像库的图像用一个低维的特征表示出来，该特征一般要求能够代表整张图片的90%以上，可以很大程度上减少计算量。然而 该算法对外界环境较敏感，而且在识别过程中，初始特征量个数难以事先确定。
（3）支持向量机(SVM):支持向量机是一种能力很强的分类器，一般情况下，采用此分类器的算法准确率较高。当人脸样本数量较大时，该算法的时间复杂度和空间复杂度都较高。
（4）线性判别式分析(LDA):其基本思想是将高维的模式样本投影到最佳判别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离。过分强调类间距较大，忽视了类间距较小的特征，最终会造成类间距较小的类别大量的重叠，导致最终的识别准确率不高。
发明内容
为了改善人脸识别方法只基于一种特征、识别方法单一造成的识别率低的问题，本发明提供了一种人脸识别方法及***，使用多种特征融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率。
为实现上述目的，本发明采取的技术方案为：
一种人脸识别***，包括：
人脸目标检测模块，基于PyramidBox算法实现图像中人脸目标的挖掘；
特征提取模块，用于提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；
特征融合模块，将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征向量；
人脸识别模块，基于人脸特征向量采用最近邻分类器实现人脸的识别。
进一步地，所述人脸骨骼特征基于Kinect深度传感器提取。
进一步地，还包括：
人脸目标隐藏模块，用于实现图像中已完成人脸识别的人脸目标的隐藏。
进一步地，还包括：
眼镜、口罩、帽子检测模块，基于ssd_inception_v2_coco模型实现完成人脸目标隐藏模块处理的图像中眼镜、口罩、帽子的检测；
眼镜、口罩、帽子圈定模块，用于根据眼镜、口罩、帽子检测模块的检测结果在完成人脸目标隐藏模块处理的图像中标注位置框。
进一步地，所述ssd_inception_v2_coco采用ssd目标检测算法，用coco数据集预训练inception v2深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于眼镜、口罩、帽子的目标检测模型。
本发明还提供了一种人脸识别方法，基于上述的人脸识别***实现，包括如下步骤：
S1、基于PyramidBox算法实现目标图像中人脸目标的挖掘；
S2、提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；
S3、将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征；
S4、基于所述人脸特征采用最近邻分类器实现人脸的识别。
进一步地，还包括如下步骤：
S5、基于人脸目标隐藏模块实现图像中已完成人脸识别的人脸目标的隐藏；
S6、基于ssd_inception_v2_coco模型实现完成人脸目标隐藏模块处理的图像中眼镜、口罩、帽子的检测；
S7、根据眼镜、口罩、帽子的检测结果在完成人脸目标隐藏模块处理的图像中标注位置框；
S8、通过人为进行标注位置框内对象的观察、对比和追踪。
本发明具有以下有益效果：
1）基于PyramidBox算法可以实现人脸目标的高效挖掘，基于LBPH、SIFT以及人脸骨骼特征的融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率。
2）实现了未识别人脸的自动锁定，从而可以减少识别漏洞，便于用户较快的锁定可疑对象。
附图说明
图1为本发明实施例一种人脸识别***的***框图。
图2为本发明实施例2中一种人脸识别方法的流程图。
图3为本发明实施例3中一种人脸识别方法的流程图
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明实施例提供了一种人脸识别***，包括：
人脸目标检测模块，基于PyramidBox算法实现图像中人脸目标的挖掘；
特征提取模块，用于提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；所述人脸骨骼特征基于Kinect深度传感器提取；
特征融合模块，将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征向量；
人脸识别模块，基于人脸特征向量采用最近邻分类器实现人脸的识别；
人脸目标隐藏模块，用于实现图像中已完成人脸识别的人脸目标的隐藏；
眼镜、口罩、帽子检测模块，基于ssd_inception_v2_coco模型实现完成人脸目标隐藏模块处理的图像中眼镜、口罩、帽子的检测；所述ssd_inception_v2_coco采用ssd目标检测算法，用coco数据集预训练inception v2深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于眼镜、口罩、帽子的目标检测模型；
眼镜、口罩、帽子圈定模块，用于根据眼镜、口罩、帽子检测模块的检测结果在完成人脸目标隐藏模块处理的图像中标注位置框。
实施例2
如图2所示，本发明实施例还提供了一种人脸识别方法，包括如下步骤：
S1、基于PyramidBox算法实现目标图像中人脸目标的挖掘；
S2、提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；
S3、将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征；
S4、基于所述人脸特征采用最近邻分类器实现人脸的识别。
实施例3
如图3所示，本发明实施例还提供了一种人脸识别方法，包括如下步骤：
S1、基于PyramidBox算法实现目标图像中人脸目标的挖掘；
S2、提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；
S3、将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征；
S4、基于所述人脸特征采用最近邻分类器实现人脸的识别；
S5、基于人脸目标隐藏模块实现图像中已完成人脸识别的人脸目标的隐藏；
S6、基于ssd_inception_v2_coco模型实现完成人脸目标隐藏模块处理的图像中眼镜、口罩、帽子的检测；所述ssd_inception_v2_coco采用ssd目标检测算法，用coco数据集预训练inception v2深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于眼镜、口罩、帽子的目标检测模型；
S7、根据眼镜、口罩、帽子的检测结果在完成人脸目标隐藏模块处理的图像中标注位置框；
S8、通过人为进行标注位置框内对象的观察、对比和追踪。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种人脸识别***，其特征在于，包括：
人脸目标检测模块，基于PyramidBox算法实现图像中人脸目标的挖掘；
特征提取模块，用于提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；
特征融合模块，将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征向量；
人脸识别模块，基于人脸特征向量采用最近邻分类器实现人脸的识别。
2.根据权利要求1所述的一种人脸识别***，其特征在于：所述人脸骨骼特征基于Kinect深度传感器提取。
3.根据权利要求1所述的一种人脸识别***，其特征在于：还包括：
人脸目标隐藏模块，用于实现图像中已完成人脸识别的人脸目标的隐藏。
4.根据权利要求1所述的一种人脸识别***，其特征在于：还包括：
眼镜、口罩、帽子检测模块，基于ssd_inception_v2_coco模型实现完成人脸目标隐藏模块处理的图像中眼镜、口罩、帽子的检测；
眼镜、口罩、帽子圈定模块，用于根据眼镜、口罩、帽子检测模块的检测结果在完成人脸目标隐藏模块处理的图像中标注位置框。
5.根据权利要求4所述的一种人脸识别***，其特征在于：所述ssd_inception_v2_coco采用ssd目标检测算法，用coco数据集预训练inception v2深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于眼镜、口罩、帽子的目标检测模型。
6.一种人脸识别方法，其特征在于：基于权利要求1-5任一项所述的人脸识别***实现，包括如下步骤：
S1、基于PyramidBox算法实现目标图像中人脸目标的挖掘；
S2、提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；
S3、将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征；
S4、基于所述人脸特征采用最近邻分类器实现人脸的识别。
7.如权利要求6所述的一种人脸识别方法，其特征在于：还包括如下步骤：
S5、基于人脸目标隐藏模块实现图像中已完成人脸识别的人脸目标的隐藏；
S6、基于ssd_inception_v2_coco模型实现完成人脸目标隐藏模块处理的图像中眼镜、口罩、帽子的检测；
S7、根据眼镜、口罩、帽子的检测结果在完成人脸目标隐藏模块处理的图像中标注位置框；
S8、通过人为进行标注位置框内对象的观察、对比和追踪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010232719.3A CN111368803A (zh) | 2020-03-28 | 2020-03-28 | 一种人脸识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010232719.3A CN111368803A (zh) | 2020-03-28 | 2020-03-28 | 一种人脸识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111368803A true CN111368803A (zh) | 2020-07-03 |
Family
ID=71210626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010232719.3A Pending CN111368803A (zh) | 2020-03-28 | 2020-03-28 | 一种人脸识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368803A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287863A (zh) * | 2020-11-09 | 2021-01-29 | 九江职业技术学院 | 一种计算机人像识别*** |
| CN112507967A (zh) * | 2020-12-23 | 2021-03-16 | 河南应用技术职业学院 | 一种基于人工智能识别的影像处理*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
| CN110472516A (zh) * | 2019-07-23 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种人物图像识别***的构建方法、装置、设备及*** |
-
2020
- 2020-03-28 CN CN202010232719.3A patent/CN111368803A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
| CN110472516A (zh) * | 2019-07-23 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种人物图像识别***的构建方法、装置、设备及*** |
Non-Patent Citations (3)
| Title |
|---|
| DOGNERY SINALY SILUE: "基于多特征融合的人脸识别方法", 《电子测量技术》 * |
| XU TANG等: "Pyramidbox：A Context-assisted Single Shot Face Detector", 《ECCV2018》 * |
| 庄建等: "《深度学习图像识别技术》", 28 February 2020 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287863A (zh) * | 2020-11-09 | 2021-01-29 | 九江职业技术学院 | 一种计算机人像识别*** |
| CN112507967A (zh) * | 2020-12-23 | 2021-03-16 | 河南应用技术职业学院 | 一种基于人工智能识别的影像处理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及*** | |
| Bansal et al. | Face recognition using PCA and LDA algorithm | |
| KR101185525B1 (ko) | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 | |
| US6661907B2 (en) | Face detection in digital images | |
| Kumar et al. | Real time face recognition using adaboost improved fast PCA algorithm | |
| JP5010905B2 (ja) | 顔認証装置 | |
| CN106778450B (zh) | 一种面部识别方法和装置 | |
| Barnouti | Improve face recognition rate using different image pre-processing techniques | |
| CN109800643A (zh) | 一种活体人脸多角度的身份识别方法 | |
| Sharma et al. | Performance analysis of human face recognition techniques | |
| Saleem et al. | Face recognition using facial features | |
| Tathe et al. | Face detection and recognition in videos | |
| CN111368803A (zh) | 一种人脸识别方法及*** | |
| Bouhabba et al. | Support vector machine for face emotion detection on real time basis | |
| Sudhakar et al. | Facial identification of twins based on fusion score method | |
| Lee et al. | Facial affect recognition using regularized discriminant analysis-based algorithms | |
| del Rio et al. | Face-based recognition systems in the ABC e-gates | |
| Sutoyo et al. | Unlock screen application design using face expression on android smartphone | |
| Mekami et al. | Towards a new approach for real time face detection and normalization | |
| Sharma et al. | Face recognition using haar cascade and local binary pattern histogram in opencv | |
| Singh et al. | Student Surveillance System using Face Recognition | |
| Sun et al. | Dual camera based feature for face spoofing detection | |
| Monwar et al. | A real-time face recognition approach from video sequence using skin color model and eigenface method | |
| Hbali et al. | Object detection based on HOG features: Faces and dual-eyes augmented reality | |
| Solanki | Elimination of angular problem in face recognition |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |