CN102194106B - 一种用于门禁系统中的人脸识别方法 - Google Patents
一种用于门禁系统中的人脸识别方法 Download PDFInfo
- Publication number
- CN102194106B CN102194106B CN 201110120104 CN201110120104A CN102194106B CN 102194106 B CN102194106 B CN 102194106B CN 201110120104 CN201110120104 CN 201110120104 CN 201110120104 A CN201110120104 A CN 201110120104A CN 102194106 B CN102194106 B CN 102194106B
- Authority
- CN
- China
- Prior art keywords
- face
- people
- sample
- feature
- image
- 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.)
- Expired - Fee Related
Links
Images
Abstract
一种用于门禁系统中的人脸识别方法,包括以下步骤:确定对人脸图像进行采集及预处理;提取每个人脸部图像的特征;构建每个人脸部图像的特征模板;提取待识别人脸部图像的特征,并设置人脸识别的判断依据;计算人脸特征匹配度;对单幅人脸图像的识别;视频人脸序列帧图像的识别。本发明解决了现有技术中存在人脸识别正确率较低的问题。
Description
技术领域
本发明属于生物特征识别技术领域,涉及一种用于门禁系统中的人脸识别方法。
背景技术
随着IC卡技术的成熟,采用IC卡携带的数据信息实现对进入室内人员身份的验证手段已经非常普及,基于人脸识别技术的门禁系统,因能够确认持卡人的身份,并且有较高的识别率而成为一种新的门禁开发系统。这类门禁系统的人脸识别技术要求是对持卡主人的正确识别率高即可,换句话说,只需要识别出单一目标与其他任何目标的差异即可,但是现有的人脸识别,大多是对系统中存储的所有人的人脸信息遍历比对找出最相似的,适用于需要对多个人脸目标进行识别的安防领域。这种方法需要占用资源大,很难做到满足实时性的同时保证高的正确率。
发明内容
本发明的目的是提供一种用于门禁系统中的人脸识别方法,解决了现有技术中存在人脸识别正确率较低的问题。
本发明所采用的技术方案是,一种用于门禁系统中的人脸识别方法,具体步骤如下:
步骤1、对人脸部图像进行采集及预处理
设系统需要识别的人数为NR,k为人的编号,k=1,2,Λ,NR;
对每个需要存入系统进行识别的人,均采集NS幅训练样本的灰度图像;
将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域,调整到m×n的像素;
步骤2、提取每个人脸部区域图像的特征
其中,Avgk∈R(m×n)×1;
步骤2b、对步骤1得到的训练样本数据进行规范化处理,得到规范化后的训练样本:
步骤2d、根据步骤2c得到的规范化后的样本矩阵Yk,计算协方差矩阵Qk:
其中,
步骤2e、得出特征向量矩阵eignk
步骤2f、求第k个人脸部的特征投影矩阵Wk
首先,Ek=Yk·eignk, (4)
其中,
其次,对Ek的每一列ej (k)进行归一化处理:
步骤2g、求第k个人脸部的特征
根据步骤2f得到的特征投影矩阵Wk,计算训练样本Xk的特征矩阵Ck:
其中,
该特征矩阵Ck每一列对应了一个训练样本的NS维特征;
步骤2h、令k=1,2,Λ,NR,并重复步骤2a至步骤2g的操作,以获得每个人的特征矩阵Ck,k=1,2,Λ,NR;
步骤3、构建每个人脸部图像的特征模板
(7)
步骤3b、构建第k个人脸部的特征模板,其中,该特征模板包括第k个人脸部的特征映射矩阵Wk,特征矩阵Ck,以及特征矩阵Ck的均值向量Uk与标准差向量∑k;
步骤3c、令k=1,2,Λ,NR,并重复步骤3a和步骤3b的操作,则可获得每个人的特征模板,将每个人的特征模板数据存储于数据库;
步骤4、提取待识别人脸样本图像F的特征,并设置人脸识别的判断依据
设系统根据打卡的ID信息表示,IC卡的持卡人是数据库中训练存储的第k个人,输入的打卡人的待识别人脸样本图像为F,
步骤4a、将采集到的该人脸样本图像F转变为成列向量f,其中,f∈R(m×n)×1,在数据库中,提取出步骤3得到的第k个人脸的特征模板,获得其相应的特征映射矩阵Wk,计算出待识别样本的NS维特征Cf=[cf(1),...cf(i),K,cf(NS)]T:
然后,按照以下步骤设置人脸识别的判断依据:
步骤4b、统计特性的置信区间
在数据库中,提取步骤3得到的第k个人脸的特征模板,根据其中的NS维的均值向量Uk及标准差向量∑k,分别对其中的NS个分量计算对应的置信区间Δi (k):
其中,α为置信系数;
步骤4c、计算特征间的距离
dj=||Cf-cj (k)||2,j=1,2,Λ,NS; (11)
步骤5、计算衡量人脸特征匹配程度的两个评价参数:特征落入置信区间的概率p和特征间距离的最小值dmin
步骤5a、统计待识别样本特征Cf的全部NS维特征落入相应置信区间内的概率p
步骤5b、计算待识别样本特征Cf与模板特征间的最小距离
根据步骤4c得到的欧式距离dj,j=1,2,Λ,NS,计算欧式距离dj的最小值:
步骤6、对单幅人脸图像的识别
设置以下的阈值:
置信阈值Thp;
距离阈值Thd,
识别匹配判断标准是:
如果pk≥Thp,并且dmin<Thd,则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确;否则,匹配错误。
步骤1中,训练样本的灰度图像数量NS≥20。
步骤4b中,置信系数α的取值范围为0.5≤α≤1.5。
本发明的一种用于门禁系统中的人脸识别方法,采取为每类人脸建立各自信息模板的新思路,能有效提高人脸识别率。本发明方法针对确定持卡主人与其他人员区分的需求,提出了对个体人脸通过训练获得记忆个体特征的投影关系,根据该投影关系,通过测试人脸特征落入对应训练样本特征置信区间的概率、以及与训练样本的最小距离来判断人脸是否匹配,由此实现对持卡人的判别。
附图说明
图1为本发明方法步骤6中的识别匹配判断标准框图。
具体实施方式
下面结合具体实施方式和附图对本发明进行详细说明。
本发明一种用于门禁系统中的人脸识别方法,具体步骤如下:
步骤1、对人脸部图像进行采集及预处理
设系统需要识别的人数为NR,k为人的编号,k=1,2,Λ,NR;
对每个需要存入系统进行识别的人,均采集NS幅训练样本的灰度图像,其中,为保证人脸部特征的丰富性和识别的准确性,建议选取NS≥20;
将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域,调整到m×n的像素,即该脸部区域的大小为m行n列,建议取m×n=64×64;
步骤2、提取每个人脸部区域图像的特征
其中,Avgk∈R(m×n)×1;
步骤2b、对步骤1得到的训练样本数据进行规范化处理,得到规范化后的训练样本:
步骤2d、根据步骤2c得到的规范化后的样本矩阵Yk,计算协方差矩阵Qk:
其中,
步骤2e、得出特征向量矩阵eignk
步骤2f、求第k个人脸部的特征投影矩阵Wk
首先,Ek=Yk·eignk, (4)
其中,
其次,对Ek的每一列ej (k)进行归一化处理:
步骤2g、求第k个人脸部的特征
根据步骤2f得到的特征投影矩阵Wk,计算训练样本Xk的特征矩阵Ck:
其中,
该特征矩阵Ck每一列对应了一个训练样本的NS维特征;
步骤2h、令k=1,2,Λ,NR,并重复步骤2a至步骤2g的操作,以获得每个人的特征矩阵{Ck,k=1,2,Λ,NR};
步骤3、构建每个人脸部图像的特征模板
步骤3b、构建第k个人脸部的特征模板,其中,该特征模板包括第k个人脸部的特征映射矩阵Wk,特征矩阵Ck,以及特征矩阵Ck的均值向量Uk与标准差向量∑k;
步骤3c、令k=1,2,Λ,NR,并重复步骤3a和步骤3b的操作,则可获得每个人的特征模板,将每个人的特征模板数据存储于数据库,以备后续识别时使用;
步骤4、提取待识别人脸样本图像F的特征,并设置人脸识别的判断依据
设系统根据打卡的ID信息表示,IC卡的持卡人是数据库中训练存储的第k个人,输入的打卡人的待识别人脸样本图像为F,此时,需要识别打卡人的待识别人脸样本图像F的特征与数据库中存储的第k个人的特征是否匹配,如果是,则表明人卡相匹配。
步骤4a、将采集到的该人脸样本图像F转变为成列向量f,其中,f∈R(m×n)×1,在数据库中,提取出步骤3得到的第k个人脸的特征模板,获得其相应的特征映射矩阵Wk,按照公式(9)计算出待识别样本的NS维特征(简称待识别样本特征)Cf=[cf(1),...cf(i),K,cf(NS)]T:
然后,按照以下步骤设置人脸识别的判断依据:
步骤4b、统计特性的置信区间
在数据库中,提取步骤3得到的第k个人脸的特征模板,根据其中的NS维的均值向量Uk及标准差向量∑k,分别对其中的NS个分量按照下式计算对应的置信区间Δi (k):
其中,α为置信系数,若α偏大,则易造成误检;若α偏小,则易造成漏检,经大量试验,优选0.5≤α≤1.5。
步骤4c、计算特征间的距离
dj=||Cf-cj (k)||2,j=1,2,Λ,NS; (11)
步骤5、计算衡量人脸特征匹配程度的两个评价参数:特征落入置信区间的概率p和特征间距离的最小值dmin
步骤5a、统计待识别样本特征Cf的全部NS维特征落入相应置信区间内的概率p
根据步骤4a计算得到的NS维待识别样本特征Cf,根据主元分析原理知,待识别样本特征Cf的NS维特征是按照特征的重要程度从大到小进行排列的。在进行人脸特征匹配时,将待识别样本特征Cf中各特征的重要性通过设置如下的权值来进行调整,
统计落在置信区间的概率p是为了判断待识别样本特征Cf中的NS个分量有多少是落入置信区间Δi (k)内,即匹配正确的特征占总特征的比例:
步骤5b、计算待识别样本特征Cf与模板特征间的最小距离
根据步骤4c得到的欧式距离dj,j=1,2,Λ,NS,计算欧式距离dj的最小值:
步骤6、对单幅人脸图像的识别
人脸识别即为判断待识别的打卡人是否为与IC卡给出的第k个序号的人脸,换句话说,就是用步骤5中得出的两个评价参数来判断特征是否匹配,
经试验发现:当待识别样本特征Cf不属于第k个人脸时,其特征落入置信区间的概率p小于一定值,且欧式距离的最小值dmin大于一定值。
综上,设置以下的阈值,这些阈值的具体取值与门禁系统识别要求的严格程度以及训练样本数NS有关,包括:
置信阈值下限
置信阈值Thp;
距离阈值上限
距离阈值Thd,
以上各阈值的优选取值范围是:
当训练样本数NS在更大时,所有阈值取值相应增大。
如图1所示,识别匹配判断标准是:
如果pk≥Thp,并且dmin<Thd,则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确;否则,匹配错误。
Claims (5)
1.一种用于门禁系统中的人脸识别方法,其特征在于,具体步骤如下:
步骤1、对人脸部图像进行采集及预处理:
设系统需要识别的人数为NR,k为人的编号,k=1,2,…,NR;
对每个需要存入系统进行识别的人,均采集NS幅训练样本的灰度图像;
将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域,调整到m×n的像素;
步骤2、提取每个人脸部区域图像的特征:
步骤2a、对步骤1得到的第k个人脸部区域图像的样本数据Xk的每个行向量求均值,得到均值向量
其中,Avgk∈R(m×n)×1;
步骤2b、对步骤1得到的训练样本数据进行规范化处理,得到规范化后的训练样本:
步骤2d、根据步骤2c得到的规范化后的样本矩阵Yk,计算协方差矩阵Qk:
其中,
步骤2e、得出特征向量矩阵eignk:
计算步骤2d得到的协方差矩阵Qk的特征值和特征向量,再将计算得到的特征向量按照该特征向量对应的特征值从大到小的顺序排列,组成特征向量矩阵eignk,
步骤2f、求第k个人脸部的特征投影矩阵Wk:
首先,Ek=Yk·eignk (4),
其中,
其次,对Ek的每一列ej (k)进行归一化处理:
最后,得到第k个人脸的特征投影矩阵
步骤2g、求第k个人脸部的特征:
根据步骤2f得到的特征投影矩阵Wk,计算训练样本Xk的特征矩阵Ck:
其中,
该特征矩阵Ck每一列对应了一个训练样本的NS维特征;
步骤2h、令k=1,2,…,NR,并重复步骤2a至步骤2g的操作,以获得每个人的特征矩阵Ck,k=1,2,…,NR;
步骤3、构建每个人脸部图像的特征模板:
步骤3a、计算特征矩阵Ck的统计特性,即均值向量 与标准差向量
步骤3b、构建第k个人脸部的特征模板,其中,该特征模板包括第k个人脸部的特征映射矩阵Wk,特征矩阵Ck,以及特征矩阵Ck的均值向量Uk与标准差向量∑k;
步骤3c、令k=1,2,…,NR,并重复步骤3a和步骤3b的操作,则可获得每个人的特征模板,将每个人的特征模板数据存储于数据库;
步骤4、提取待识别人脸样本图像F的特征,并设置人脸识别的判断依据:
设系统根据打卡的ID信息表示,IC卡的持卡人是数据库中训练存储的第k个人,输入的打卡人的待识别人脸样本图像为F,
步骤4a、将采集到的该人脸样本图像F转变为成列向量f,其中,f∈R(m×n)×1,在数据库中,提取出步骤3得到的第k个人脸的特征模板,获得其相应的特征映射矩阵Wk,计算出待识别样本的NS维特征Cf=[cf(1),...cf(i),...,cf(NS)]T:
然后,按照以下步骤设置人脸识别的判断依据:
步骤4b、统计特性的置信区间:
在数据库中,提取步骤3得到的第k个人脸的特征模板,根据其中的NS维的均值向量Uk及标准差向量∑k,分别对其中的NS个分量计算对应的置信区间Δi (k):
其中,α为置信系数;
步骤4c、计算特征间的距离:
dj=‖Cf-cj (k)‖2,j=1,2,…,NS (11);
步骤5、计算衡量人脸特征匹配程度的两个评价参数:特征落入置信区间的概率p和特征间距离的最小值dmin:
步骤5a、统计待识别样本特征Cf的全部NS维特征落入相应置信区间内的概率p:
步骤5b、计算待识别样本特征Cf与模板特征间的最小距离:
根据步骤4c得到的欧式距离dj,j=1,2,…,NS,计算欧式距离dj的最小值:
步骤6、对单幅人脸图像的识别:
设置以下的阈值:
置信阈值Thp;
距离阈值Thd,
识别匹配判断标准是:
如果pk≥Thp,并且dmin<Thd,则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确;否则,匹配错误。
2.按照权利要求1所述一种用于门禁系统中的人脸识别方法,其特征在于,步骤1中,训练样本的灰度图像数量NS≥20。
3.按照权利要求1所述一种用于门禁系统中的人脸识别方法,其特征在于,步骤4b中,置信系数α的取值范围为0.5≤α≤1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110120104 CN102194106B (zh) | 2011-05-11 | 2011-05-11 | 一种用于门禁系统中的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110120104 CN102194106B (zh) | 2011-05-11 | 2011-05-11 | 一种用于门禁系统中的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102194106A CN102194106A (zh) | 2011-09-21 |
CN102194106B true CN102194106B (zh) | 2013-01-16 |
Family
ID=44602150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110120104 Expired - Fee Related CN102194106B (zh) | 2011-05-11 | 2011-05-11 | 一种用于门禁系统中的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102194106B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248848B2 (en) | 2012-03-13 | 2019-04-02 | Nokia Technologies Oy | Method and apparatus for improved facial recognition |
CN103136357A (zh) * | 2013-03-06 | 2013-06-05 | 广东欧珀移动通信有限公司 | 一种利用人脸识别技术定位网页的方法、装置和移动设备 |
CN107423683A (zh) * | 2017-06-11 | 2017-12-01 | 广州市迪士普音响科技有限公司 | 基于语音识别和人脸识别的报警求助处理方法和装置 |
CN107346423A (zh) * | 2017-06-30 | 2017-11-14 | 重庆科技学院 | 基于细胞神经网络的自联想记忆的人脸识别方法 |
CN109299683B (zh) * | 2018-09-13 | 2019-12-10 | 嘉应学院 | 一种基于人脸识别和行为大数据的安防评估系统 |
CN110175655B (zh) * | 2019-06-03 | 2020-12-25 | 中国科学技术大学 | 数据识别方法及装置、存储介质及电子设备 |
CN110874419B (zh) * | 2019-11-19 | 2022-03-29 | 山东浪潮科学研究院有限公司 | 一种人脸数据库快速检索技术 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923641A (zh) * | 2010-09-09 | 2010-12-22 | 北京交通大学 | 一种改进的人脸识别方法 |
CN102004899A (zh) * | 2010-11-03 | 2011-04-06 | 无锡中星微电子有限公司 | 一种人脸认证系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070098229A1 (en) * | 2005-10-27 | 2007-05-03 | Quen-Zong Wu | Method and device for human face detection and recognition used in a preset environment |
-
2011
- 2011-05-11 CN CN 201110120104 patent/CN102194106B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923641A (zh) * | 2010-09-09 | 2010-12-22 | 北京交通大学 | 一种改进的人脸识别方法 |
CN102004899A (zh) * | 2010-11-03 | 2011-04-06 | 无锡中星微电子有限公司 | 一种人脸认证系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102194106A (zh) | 2011-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102194106B (zh) | 一种用于门禁系统中的人脸识别方法 | |
CN100414558C (zh) | 基于模板学习的自动指纹识别系统和方法 | |
CN102902959B (zh) | 基于二代身份证存储证件照的人脸识别方法及系统 | |
Vargas et al. | Off-line handwritten signature GPDS-960 corpus | |
CN105631272B (zh) | 一种多重保险的身份认证方法 | |
CN103870811B (zh) | 一种用于视频监控的正面人脸快速判别方法 | |
CN100461204C (zh) | 一种基于二维偏最小二乘法的面部表情识别方法 | |
CN104239856B (zh) | 基于Gabor特征和自适应线性回归的人脸识别方法 | |
CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN107368770B (zh) | 一种回头客自动识别方法及系统 | |
CN105335726A (zh) | 人脸识别置信度获取方法和系统 | |
CN103473786A (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN102930243A (zh) | 一种特殊人员人脸信息的识别方法和系统 | |
CN106096517A (zh) | 一种基于低秩矩阵与特征脸的人脸识别方法 | |
CN101582113A (zh) | 一种具有身份的人脸图像分层比对识别方法 | |
CN102254183A (zh) | 一种基于AdaBoost算法的人脸检测方法 | |
CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
CN111507320A (zh) | 后厨违规行为检测方法、装置、设备和存储介质 | |
CN103390151A (zh) | 人脸检测方法及装置 | |
CN102855488A (zh) | 三维手势识别方法和系统 | |
CN111339927B (zh) | 一种电力营业厅人员工作状态智能识别系统 | |
CN106529470A (zh) | 一种基于多级深度卷积神经网络的手势识别方法 | |
CN114581990A (zh) | 一种跑步智能测试方法以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130116 Termination date: 20150511 |
|
EXPY | Termination of patent right or utility model |