CN102254148A - 一种多人动态环境下的实时人脸识别方法 - Google Patents
一种多人动态环境下的实时人脸识别方法 Download PDFInfo
- Publication number
- CN102254148A CN102254148A CN2011100963513A CN201110096351A CN102254148A CN 102254148 A CN102254148 A CN 102254148A CN 2011100963513 A CN2011100963513 A CN 2011100963513A CN 201110096351 A CN201110096351 A CN 201110096351A CN 102254148 A CN102254148 A CN 102254148A
- Authority
- CN
- China
- Prior art keywords
- face
- people
- human face
- sequence
- value
- 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
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多人动态环境下的实时人脸识别方法,属于电子识别技术领域,其具体步骤是:(1)图像初始化;(2)人脸检测;(3)人脸面部特征提取;(4)人脸信息注册;(5)获取视频图像序列;(6)人脸检测;(7)人脸面部特征提取;(8)人脸识别;(9)获得当前人脸信息序列;(10)获取视频图像序列;(11)人脸检测;(12)人脸追踪;(13)获得当前人脸信息序列;有益效果是将人脸检测、追踪、识别所需特征重复利用,并递进处理,极大的节约了计算量,实现高速化和高精确度化。
Description
技术领域
本发明涉及一种人脸识别方法,具体是一种多人动态环境下的实时人脸识别方法,属于电子识别技术领域。
背景技术
人脸识别技术经常用于安全和监视系统中,例如用于判断一个人是否可以被授权或者进入特定系统。目前,人脸识别技术通常需要提供一张完整、清晰的人脸,同时识别过程耗时较长,从而使得一个人在人脸识别系统得出识别结果之前需要等到较长的时间。这样的人脸识别系统只能用于用户与系统充分配合之情况。然而,在实际监控系统中,用户并不会主动与人脸识别系统配合。因此,将会经常出现多人同时进入监控范围,被监控人流保持移动并在较短时间内离开监控范围,被监控人群的人脸互相遮挡只能获得人脸的部分区域等困难。
综上所述,如果解决现有人脸识别算法中存在的诸多限制,实现在多人动态环境下的实时人脸识别,是本领域亟待解决的技术难题。
发明内容
本发明的目的是提供一种多人动态环境下的实时人脸识别方法,能有效解决上述问题。
为了实现上述目的,本发明采用的技术方案是:一种多人动态环境下的实时人脸识别方法,其具体步骤是:(1)图像初始化;(2)人脸检测;(3)人脸面部特征提取;(4)人脸信息注册;(5)获取视频图像序列;(6)人脸检测;(7)人脸面部特征提取;(8)人脸识别;(9)获得当前人脸信息序列;(10)获取视频图像序列;(11)人脸检测;(12)人脸追踪;(13)获得当前人脸信息序列;
所述的人脸检测的具体步骤是:
(1)制作低通滤波图片组:采用不同大小的低通滤波器算子对于待检测图像进行低通滤波,每种算子获得一张滤波后的图片;
(2)比较特征点对:通过步骤(1)获得的图片中指定的两个像素点的灰度数值相减,获得一个比较值;
(3)计算量化特征量:对特征对比较值进行量化处理;
(4)与阈值比较:将每一个量化特征量与事先设定的阈值进行比较,若大于阈值,则返回步骤(2),继续进行计算,若小于阈值,则结束当前矩形区域的检验;
所述的人脸信息注册的具体步骤是:(1)将通过特征提取生成的超级矢量,进行平均值的计算;(2)获得注册人的平均超级矢量,这个平均超级矢量作为它的注册信息保存;
所述的人脸追踪的具体步骤是:
(1)利用人脸检测模块得到多个目标的初始位置;
(2)以当前该目标中心设定一个各向同性的高斯分布采样框,采样框的半径设置为覆盖90%的采样点,然后以设定的采样框半径划定一个图像平面内的二值区域;
(3)对每个目标对应的二值区域求并集,作为联合采样框;
(4)在联合采样框内,计算当前图像的目标特征分布;
(5)对当前每个目标依次进行N次采样操作;
(6)对每个目标,求对应采样点的加权平均值,用来作为目标的新的状态;
(7)当新一帧来到,返回步骤(2);
所述的人脸识别的具体步骤是:对每个待测试的人脸图片,通过人脸检测模块和特征提取模块获得超级矢量,与已经注册的人脸超级矢量计算距离,所述的距离是两个矢量之间的欧式距离或两个矢量之间的内积距离,将当前视频中存在人脸的识别距离信息存入到“当前人脸序列信息”中,用于累计视频序列的计算结果。
本发明的有益效果是:支持多人同时出现情况和部分脸被遮挡情况,将人脸检测、追踪、识别所需特征重复利用,并递进处理,极大的节约了计算量,实现高速化和高精确度化。
附图说明
图1是本发明的原理图
图2是本发明的人脸检测模块的流程图
图3是本发明的2x2,3x3,4x4的低通滤波器算子图
具体实施方式
下面将结合附图对本发明作进一步说明。
如图1、图2和图3所示,本发明的具体步骤是:(1)图像初始化;(2)人脸检测;(3)人脸面部特征提取;(4)人脸信息注册;(5)获取视频图像序列;(6)人脸检测;(7)人脸面部特征提取;(8)人脸识别;(9)获得当前人脸信息序列;(10)获取视频图像序列;(11)人脸检测;(12)人脸追踪;(13)获得当前人脸信息序列;
人脸检测的具体步骤是:
(1)制作低通滤波图片组:采用2x2,3x3,4x4的低通滤波器算子对于待检测图像进行低通滤波,可获得三张滤波后的图片,加上原图,每张待检测图片生成四张图片;
(2)比较特征点对:通过步骤(1)获得的图片中,每个像素点的灰度数值在0到255之间。将指定的两个像素点的灰度数值相减,获得-255到255之间的一个比较值;
(3)计算量化特征量:对特征对比较值进行量化处理,将-255到255之间的比较值量化为4个范围,量化过程不一定采用均匀量化,将-255到-50量化为1;-49到0量化为2;1-50量化为3;51-255量化为4;组合3个量化特征点对的比较值作为量化特征量,同时每个比较值有4种取值,所以一个量化特征量共有64种数值;
(4)与阈值比较:将每一个量化特征量与事先设定的阈值进行比较,若大于阈值,则返回步骤(2),继续进行计算,若小于阈值,则结束当前矩形区域的检验;
人脸面部特征提取的具体步骤是:
(1)首先将图像分割为多个矩形块,在每个矩形块上,提取图像的局部特征信息,每个矩形块上的局部特征信息构成一个特征矢量;
(2)对每个图像生成一个高斯混合模型用于精细描述它的特征矢量的分布情况;
(3)对步骤(2)获得的高斯混合模型对空间布局信息进行分析和整合;
(4)步骤(2)和步骤(3)获得的图像的外观特征分布描述和空间布局信息描述分别
整理为一个维数很高的超级矢量;
人脸注册的具体步骤是:(1)将通过特征提取生成的超级矢量,进行平均值的计算;(2)获得注册人的平均超级矢量,这个平均超级矢量作为它的注册信息保存;
人脸追踪的具体步骤是:
(1)利用人脸检测模块得到多个目标的初始位置;
(2)以当前该目标中心设定一个各向同性的高斯分布采样框,采样框的半径设置为覆盖90%的采样点,然后以设定的采样框半径划定一个图像平面内的二值区域;
(3)对每个目标对应的二值区域求并集,作为联合采样框;
(4)在联合采样框内,计算当前图像的目标特征分布;
(5)对当前每个目标依次N次采样操作,其具体步骤是;
a)对目标状态根据目标动态模型(二阶自回归模型)进行随机漂移;
b)如果得到的新目标位置在联合采样框之外,将新目标位置投影到联合采样框内最近的位置;
c)根据步骤(4)得到的目标特征分布函数,用目标观测模型得到每个目标的权重;
(6)对每个目标,求对应采样点的加权平均值,用来作为目标的新的状态;
(7)当新一帧来到,返回步骤(2);
人脸识别的具体步骤是:对每个待测试的人脸图片,同样通过人脸检测模块和特征提取模块获得超级矢量,与已经注册的人脸超级矢量计算距离,所述的距离可以是两个矢量之间的欧式距离或两个矢量之间的内积距离,将当前视频中存在人脸的识别距离信息存入到“当前人脸序列信息”中,用于累计视频序列的计算结果,已注册人中选择距离最小的一个,将这个距离与预先设定的阈值比较,如果小于阈值,则判定这个人脸序列为该注册人的序列;否则,判定这个人脸序列不属于已经注册的人。
Claims (2)
1.一种多人动态环境下的实时人脸识别方法,其特征在于该方法的具体步骤是:(1)图像初始化;(2)人脸检测;(3)人脸面部特征提取;(4)人脸信息注册;(5)获取视频图像序列;(6)人脸检测;(7)人脸面部特征提取;(8)人脸识别;(9)获得当前人脸信息序列;(10)获取视频图像序列;(11)人脸检测;(12)人脸追踪;(13)获得当前人脸信息序列;
所述的人脸检测的具体步骤是:
(1)制作低通滤波图片组:采用不同大小的低通滤波器算子对于待检测图像进行低通滤波,每种算子获得一张滤波后的图片;
(2)比较特征点对:通过步骤(1)获得的图片中指定的两个像素点的灰度数值相减,获得一个比较值;
(3)计算量化特征量:对特征对比较值进行量化处理;
(4)与阈值比较:将每一个量化特征量与事先设定的阈值进行比较,若大于阈值,则返回步骤(2),继续进行计算,若小于阈值,则结束当前矩形区域的检验;
所述的人脸信息注册的具体步骤是:(1)将通过特征提取生成的超级矢量,进行平均值的计算;(2)获得注册人的平均超级矢量,这个平均超级矢量作为它的注册信息保存;
所述的人脸追踪的具体步骤是:
(1)利用人脸检测模块得到多个目标的初始位置;
(2)以当前该目标中心设定一个各向同性的高斯分布采样框,采样框的半径设置为覆盖90%的采样点,然后以设定的采样框半径划定一个图像平面内的二值区域;
(3)对每个目标对应的二值区域求并集,作为联合采样框;
(4)在联合采样框内,计算当前图像的目标特征分布;
(5)对当前每个目标依次进行N次采样操作;
(6)对每个目标,求对应采样点的加权平均值,用来作为目标的新的状态;
(7)当新一帧来到,返回步骤(2);
所述的人脸识别的具体步骤是:(1)对每个待测试的人脸图片,通过人脸检测和特征提取获得的超级矢量,与已经注册的人脸超级矢量计算距离;(2)将当前视频中存在人脸的识别距离信息存入到当前人脸序列信息模块中,用于累计视频序列的计算结果。
2.根据权利要求1所述的一种多人动态环境下的实时人脸识别方法,其特征在于所述的距离是两个矢量之间的欧式距离或两个矢量之间的内积距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100963513A CN102254148A (zh) | 2011-04-18 | 2011-04-18 | 一种多人动态环境下的实时人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100963513A CN102254148A (zh) | 2011-04-18 | 2011-04-18 | 一种多人动态环境下的实时人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102254148A true CN102254148A (zh) | 2011-11-23 |
Family
ID=44981404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100963513A Pending CN102254148A (zh) | 2011-04-18 | 2011-04-18 | 一种多人动态环境下的实时人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254148A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182725A (zh) * | 2013-05-28 | 2014-12-03 | 天津点康科技有限公司 | 基于非接触人体生理参数测量的人脸识别跟踪系统 |
CN106375665A (zh) * | 2016-09-23 | 2017-02-01 | 深圳市金立通信设备有限公司 | 一种拍照方法及终端 |
CN109558773A (zh) * | 2017-09-26 | 2019-04-02 | 阿里巴巴集团控股有限公司 | 信息识别方法、装置及电子设备 |
CN110765955A (zh) * | 2019-10-25 | 2020-02-07 | 北京威晟艾德尔科技有限公司 | 一种视频文件中人物识别方法 |
CN111310657A (zh) * | 2020-02-14 | 2020-06-19 | 北京远特科技股份有限公司 | 驾驶员人脸监控方法、装置、终端和计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101098465A (zh) * | 2007-07-20 | 2008-01-02 | 哈尔滨工程大学 | 一种视频监控中运动目标检测与跟踪方法 |
US20080049985A1 (en) * | 2006-08-25 | 2008-02-28 | Compal Electronics, Inc. | Identification method |
CN101777184A (zh) * | 2009-11-11 | 2010-07-14 | 中国科学院自动化研究所 | 基于局部距离学习和排序队列的视觉目标跟踪方法 |
-
2011
- 2011-04-18 CN CN2011100963513A patent/CN102254148A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080049985A1 (en) * | 2006-08-25 | 2008-02-28 | Compal Electronics, Inc. | Identification method |
CN101098465A (zh) * | 2007-07-20 | 2008-01-02 | 哈尔滨工程大学 | 一种视频监控中运动目标检测与跟踪方法 |
CN101777184A (zh) * | 2009-11-11 | 2010-07-14 | 中国科学院自动化研究所 | 基于局部距离学习和排序队列的视觉目标跟踪方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182725A (zh) * | 2013-05-28 | 2014-12-03 | 天津点康科技有限公司 | 基于非接触人体生理参数测量的人脸识别跟踪系统 |
CN106375665A (zh) * | 2016-09-23 | 2017-02-01 | 深圳市金立通信设备有限公司 | 一种拍照方法及终端 |
CN109558773A (zh) * | 2017-09-26 | 2019-04-02 | 阿里巴巴集团控股有限公司 | 信息识别方法、装置及电子设备 |
CN109558773B (zh) * | 2017-09-26 | 2023-04-07 | 阿里巴巴集团控股有限公司 | 信息识别方法、装置及电子设备 |
CN110765955A (zh) * | 2019-10-25 | 2020-02-07 | 北京威晟艾德尔科技有限公司 | 一种视频文件中人物识别方法 |
CN111310657A (zh) * | 2020-02-14 | 2020-06-19 | 北京远特科技股份有限公司 | 驾驶员人脸监控方法、装置、终端和计算机可读存储介质 |
CN111310657B (zh) * | 2020-02-14 | 2023-07-07 | 北京远特科技股份有限公司 | 驾驶员人脸监控方法、装置、终端和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2014092552A2 (en) | Method for non-static foreground feature extraction and classification | |
CN112514373B (zh) | 用于特征提取的图像处理装置和方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
Gálai et al. | Feature selection for Lidar-based gait recognition | |
CN102254148A (zh) | 一种多人动态环境下的实时人脸识别方法 | |
CN109658437A (zh) | 一种快速检测运动物体的方法及装置 | |
Miller et al. | Person tracking in UAV video | |
CN110580708B (zh) | 一种快速移动检测方法、装置及电子设备 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
Xu et al. | A novel method for people and vehicle classification based on Hough line feature | |
Kini | Real time moving vehicle congestion detection and tracking using OpenCV | |
Kausalya et al. | Idle object detection in video for banking ATM applications | |
Sridevi et al. | Automatic generation of traffic signal based on traffic volume | |
CN101685538B (zh) | 对象跟踪方法和装置 | |
Srinivasan et al. | Background subtraction techniques for human body segmentation in indoor video surveillance | |
Princess et al. | Performance analysis of edge detection algorithms for object detection in accident images | |
Goswami et al. | Unusual event detection in low resolution video for enhancing ATM security | |
Yaakob et al. | Moving object extraction in PTZ camera using the integration of background subtraction and local histogram processing | |
Joshi | Vehicle speed determination using image processing | |
CN108875550A (zh) | 一种基于改进Prewitt算子的火灾辨别装置 | |
Kong et al. | Tracking of persons for video surveillance of unattended environments | |
Turkane et al. | Moving object detection in video surveillance system | |
Suresh et al. | Determination of Moving Vehicle Speed using Image Processing | |
CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
Nalabolu et al. | Object Identification in Digital Videos using Color Histogram Bins and Fuzzy C-Means Clustering Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111123 |