CN103902978B - 人脸检测及识别方法 - Google Patents
人脸检测及识别方法 Download PDFInfo
- Publication number
- CN103902978B CN103902978B CN201410128635.XA CN201410128635A CN103902978B CN 103902978 B CN103902978 B CN 103902978B CN 201410128635 A CN201410128635 A CN 201410128635A CN 103902978 B CN103902978 B CN 103902978B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- low frequency
- carried out
- frequency component
- 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.)
- Active
Links
Abstract
本发明涉及一种人脸检测及识别方法，步骤1：对摄像头获取的图像采用基于haar特征和Adaboost级联分类器的人脸检测器进行人脸检测，并在检测到的人脸上采用基于RNDA和Adaboost的眼睛分类器进行人眼定位，接着进行几何校正和直方图修正，得到标准化的人脸样本；步骤2：对图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；步骤3：运用改进的直接线性鉴别分析方法对所提取的低频分量进行特征训练，获得最优特征投影矩阵，改进的直接线性鉴别分析方法基于新的判别准则；步骤4：将人脸低频分量投影到最优投影矩阵中，利用最近邻分类方法匹配人脸图片，利用欧式距离进行测度运算。本发明提供了一种快速、准确的人脸检测及识别方法。
Description
技术领域
本发明涉及一种图像识别方法，特别是涉及一种人脸识别方法。
背景技术
传统的考勤系统的身份鉴别手段主要为考勤卡纸和射频卡，由于与身份人的可分离性，容易造成代打卡现象，因此生物特征识别技术逐渐成为身份鉴别的主要手段。目前，应用了生物特征识别技术的指纹考勤系统已得到了广泛的使用。但指纹考勤系统需要有专门的图像采集设备来获取指纹，且图像采集是触摸式或接触式的，会给使用者带来不适。而且，不乏会有某些群体或者个人的指纹特征少到很难成像；使用者在使用指纹采集设备时，会留下指纹痕迹，存在指纹被用来复制的风险。
虽然人脸识别的准确率低于指纹识别，但是由于它是非接触式的、具有非侵犯性，因而人们对这种技术没有较大的排斥心理。所以，将人脸识别技术应用于考勤系统中，符合人的身份鉴别习惯，而且它不需要被动配合，可远距离采集人脸，充分利用已有的人脸数据库资源，更直观、方便地核查其身份。但实际的人脸识别考勤系统也会面临一些挑战，受人脸区域的光照、遮挡、尺度或移动等因素的影响，目前的人脸识别尚达不到预想效果。
发明内容
为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种人脸检测及识别方法，其可提高人脸样本采集的质量以及人脸识别的准确率和速度。
为达到上述目的，本发明所采用的技术方案为：
一种人脸检测及识别方法，首先，获取视频流中的图像，然后对图像进行人脸检测及识别；具体步骤如下：
1）对图像采用人脸分类器进行人脸检测，并在检测到的人脸上采用眼睛分类器进行人眼定位，然后根据眼睛的坐标对人脸进行几何校正和直方图修正，得到标准化的人脸样本，建立有多张人脸样本的人脸训练数据库；
2）将人脸训练数据库中的图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；
3）运用直接线性鉴别分析方法对步骤2）中所提取的低频分量进行特征训练，获得最优投影矩阵W；
4）将步骤2）中获得的人脸的低频分量投影到步骤3）中的最优投影矩阵W中，利用最近邻分类方法匹配人脸图片，利用欧式距离进行测度运算。
步骤1）中的人脸分类器采用基于haar特征和Adaboost的级联分类器。
步骤1）中的眼睛分类器基于RNDA和Adaboost，RNDA在转换后的特征空间的局部邻域中获得满秩的散度矩阵，并通过递归策略保证RNDA逐渐降低眼睛的误分类率直至收敛。
步骤1）中对人脸图像的几何校正的主要依据为人眼的坐标，人眼的坐标由基于RNDA和Adaboost的级联分类器扫描到的眼睛子窗口中眉毛、上眼睑、下眼睑的几何位置所确定，知道人眼的坐标后根据两只眼睛的连线的倾斜角度确定人脸图片的旋转角度，对人脸图像进行几何修正。
步骤1）中的直方图修正（也称直方图均衡）将各个灰度级的分量平均的布满整个空间，这个过程在直方图上的表现为密集的灰度分布变成均匀的灰度分布，从而使图像的对比度增强。
步骤2）中对一个m×n的原始输入图像，先用haar小波的尺度向量hφ(n)和小波向量hψ(n)对行数据进行卷积，再对列数据进行抽样，即可得到两个水平分辨率减少一半的子图像；然后，两个子图像再以列数据卷积并进行抽样，即可得到4个四分之一大小的子图像；最后，选择图像的近似值即低频分量作为步骤3）中特征训练的输入。
步骤3）中直接线性鉴别分析方法修改了训练图像的类间散度矩阵Sb的定义，在Sb中添加了函数值随着类间距离的减少而增加的权重函数w(dij)。
本发明的有益效果：提供了一种快速、准确的人脸检测及识别方法。
附图说明
图1是本发明的流程示意图。
具体实施方式
以下将结合附图，对本发明的实施过程进行详细说明。
如图1所示，本发明提供一种人脸检测及识别方法，分为人脸训练和人脸测试两个部分。其中人脸训练过程按着如下步骤进行：
步骤1：对输入的训练图像采用人脸分类器进行人脸检测，并在检测到的人脸上采用眼睛分类器进行人眼定位，然后根据眼睛的坐标对人脸进行几何校正和直方图修正，得到标准化的人脸样本，建立有多张人脸训练图像的人脸训练数据库；
步骤2：将人脸训练数据库中的图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；
步骤3：运用改进的直接线性鉴别分析方法对步骤2中所提取的低频分量进行特征训练，获得最优特征投影矩阵W。改进的直接线性鉴别分析方法基于新的判别准则，新的判别准则修改了类间散度矩阵Sb的定义，改善了直接线性鉴别分析的边缘重叠问题；
步骤4：将步骤2中获得的人脸低频分量投影到步骤3中的最优投影矩阵W中，每幅图像对应一个特征向量，利用欧式距离进行测度运算，得到最近邻分类器。
其中，步骤1中的人脸分类器采用基于haar特征和Adaboost的级联分类器。Haar矩形特征的计算借助积分图像，adaboost算法通过迭代选择最佳的弱分类器，最后采用级联结构将一系列的单级弱分类器级联起来，获得具有极低的虚警率和较高的检测率的人脸检测器。
步骤1中的眼睛分类器基于RNDA和Adaboost。RNDA在转换后的特征空间的最近邻域（NNs）中获得满秩的散度矩阵，并通过递归策略保证RNDA逐渐降低眼睛的误分类率直至收敛。
在RNDA方法中，类内散度矩阵和类间散度矩阵的计算公式为：Sb′＝Ex[γx(x-xE)(x-xE)T]。其中，Ω1为眼睛的类别标签，x为特征空间中的向量，xI为特征空间中的类内NNs，xE为特征空间中的类外NNs。Sw′提供类内NNs信息，同时，Sb′描述两个类的类间隔。
将RNDA中的样本权重与Adaboost联系在一起，把RNDA中获得的鉴别特征直接应用与Adaboost，得到级联的眼睛分类器。
步骤1中对人脸图像的几何校正的主要依据为人眼的坐标，人眼的坐标由基于RNDA和Adaboost的级联分类器扫描到的眼睛子窗口中眉毛、上眼睑、下眼睑的几何位置所确定，知道人眼的坐标后根据两只眼睛的连线的倾斜角度确定人脸图片的旋转角度，对人脸图像进行几何修正。
几何修正后的人脸图像，需要再做直方图均衡化处理，将各个灰度级的分量平均的布满整个空间。这个过程在直方图上的表现为密集的灰度分布变成均匀的灰度分布，从而使图像的对比度增强，消除光照的影响。
步骤2中对一个m×n的原始输入图像，先用haar小波的尺度向量hφ(n)和小波向量hψ(n)对行数据进行卷积，再对列数据进行抽样，即可得到两个水平分辨率减少一半的子图像。然后，两个子图像再以列数据卷积并进行抽样，即可得到4个四分之一大小的子图像。最后，选择图像的近似值即低频分量作为步骤3中特征训练的输入。
二阶的小波变换则对图像的近似分量再进行一次小波变换即可。
步骤3中改进的直接线性鉴别分析方法基于新的判别准则，新的判别准则中修改了训练图像的类间散度矩阵Sb的定义：
其中，为类i和类j的平均值之间的欧
氏距离，C为类别数。w(dij)为样本的类间距离dij的单调递减函数，且w(dij)的下降速度要比
dij更快。
改进的直接线性鉴别分析方法通过先对角化类间散度矩阵去掉的零空间，再对角化类内散度矩阵Sw，保留Sw的零空间，即取的非零空间和Sw的零空间的交集来获得最优特征投影矩阵W。
步骤4中采用最近邻分类器进行人脸分类器训练，分类过程描述如下：
对任意的两幅人脸图像Ai和Aj，投影到最优特征投影矩阵W中，分别对应于特征向量ai＝[ai1,ai2,…,aiM]和aj＝[aj1,aj2,…,ajM]，M为特征向量的个数。则ai和aj之间的欧式距离定义为：
人脸训练完成后，便可以进行人脸测试。人脸测试与人脸训练相比，不需要求取最优特征投影矩阵W，直接使用训练过程中得到的W即可。
Claims (1)
1.一种人脸检测及识别方法，其特征在于：首先，获取视频流中的图像，然后对图像进行人脸检测及识别；具体步骤如下：
1)对图像采用人脸分类器进行人脸检测，并在检测到的人脸上采用眼睛分类器进行人眼定位，然后根据眼睛的坐标对人脸进行几何校正和直方图修正，得到标准化的人脸样本，建立有多张人脸样本的人脸训练数据库；
2)将人脸训练数据库中的图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；
3)运用直接线性鉴别分析方法对步骤2)中所提取的低频分量进行特征训练，获得最优投影矩阵W；
4)将步骤2)中获得的人脸的低频分量投影到步骤3)中的最优投影矩阵W中，利用最近邻分类方法匹配人脸图片，利用欧式距离进行测度运算；
步骤1)中的人脸分类器采用基于haar特征和Adaboost的级联分类器；
步骤1)中的眼睛分类器基于RNDA和Adaboost，RNDA在转换后的特征空间的局部邻域中获得满秩的散度矩阵，并通过递归策略保证RNDA逐渐降低眼睛的误分类率直至收敛；
步骤1)中对人脸图像的几何校正的主要依据为人眼的坐标，人眼的坐标由基于RNDA和Adaboost的级联分类器扫描到的眼睛子窗口中眉毛、上眼睑、下眼睑的几何位置所确定，知道人眼的坐标后根据两只眼睛的连线的倾斜角度确定人脸图片的旋转角度，对人脸图像进行几何修正；
步骤1)中的直方图修正将各个灰度级的分量平均的布满整个空间，这个过程在直方图上的表现为密集的灰度分布变成均匀的灰度分布，从而使图像的对比度增强；
步骤2)中对一个m×n的原始输入图像，先用haar小波的尺度向量hφ(n)和小波向量hψ(n)对行数据进行卷积，再对列数据进行抽样，即可得到两个水平分辨率减少一半的子图像；然后，两个子图像再以列数据卷积并进行抽样，即可得到4个四分之一大小的子图像；最后，选择图像的近似值即低频分量作为步骤3)中特征训练的输入；
步骤3)中直接线性鉴别分析方法修改了训练图像的类间散度矩阵Sb的定义，在Sb中添加了函数值随着类间距离的减少而增加的权重函数w(dij)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410128635.XA CN103902978B (zh) | 2014-04-01 | 2014-04-01 | 人脸检测及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410128635.XA CN103902978B (zh) | 2014-04-01 | 2014-04-01 | 人脸检测及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103902978A CN103902978A (zh) | 2014-07-02 |
| CN103902978B true CN103902978B (zh) | 2017-08-15 |
Family
ID=50994290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410128635.XA Active CN103902978B (zh) | 2014-04-01 | 2014-04-01 | 人脸检测及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103902978B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156643B (zh) * | 2014-07-25 | 2017-02-22 | 中山大学 | 一种利用眼睛视线来实现密码输入的方法及其硬件装置 |
| CN105893913A (zh) * | 2014-10-30 | 2016-08-24 | 北京京航计算通讯研究所 | 一种基于投影算子与小波变换的掌纹识别方法 |
| CN105893916A (zh) * | 2014-12-11 | 2016-08-24 | 深圳市阿图姆科技有限公司 | 一种对检测人脸的预处理、特征提取到降维描述的新方法 |
| CN104715263B (zh) * | 2015-04-01 | 2017-11-24 | 中国矿业大学(北京) | 一种基于哈尔特征和特征脸识别的人脸识别方法 |
| CN105701457B (zh) * | 2016-01-08 | 2019-09-24 | 西安工程大学 | 基于人脸识别控制的直流电磁继电器装置及其控制方法 |
| CN107153807A (zh) * | 2016-03-03 | 2017-09-12 | 重庆信科设计有限公司 | 一种二维主成分分析的非贪婪人脸识别方法 |
| CN107153806B (zh) * | 2016-03-03 | 2021-06-01 | 炬芯科技股份有限公司 | 一种人脸检测方法及装置 |
| CN107368770B (zh) * | 2016-05-12 | 2021-05-11 | 江苏安纳泰克能源服务有限公司 | 一种回头客自动识别方法及系统 |
| CN106874835B (zh) * | 2016-12-28 | 2018-04-03 | 深圳云天励飞技术有限公司 | 一种图像处理方法及装置 |
| CN106531073B (zh) | 2017-01-03 | 2018-11-20 | 京东方科技集团股份有限公司 | 显示屏的处理电路、显示方法及显示器件 |
| CN110135274B (zh) * | 2019-04-19 | 2023-06-16 | 佛山科学技术学院 | 一种基于人脸识别的人流量统计方法 |
| CN112418025A (zh) * | 2020-11-10 | 2021-02-26 | 广州富港万嘉智能科技有限公司 | 基于深度学习的体重检测方法及装置 |
-
2014
- 2014-04-01 CN CN201410128635.XA patent/CN103902978B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| 《Are Haar-Like Rectangular Features for Biometric Recognition Reducible?》;Kamal Nasrollahi,Thomas B.Moeslund;《CIARP 2013》;20131231;第334-341页 * |
| 《Multi-view face and eye detection using discriminant features》;Peng Wang ，Qiang Ji;《Computer Vision and Image Understanding 105》;20071231;第99-111页 * |
| 《人脸快速检测和特征抽取方法的研究》;郭志波;《中国优秀博士学位论文全文数据库》;20080215;第2-3、8-13、73-94、106-108页 * |
| 《基于HAAR小波的关联加权LDA在人脸识别中的研究》;施成湘;《科学技术与工程》;20130731;第13卷(第20期);第5984-5987页、第6006页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103902978A (zh) | 2014-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103902978B (zh) | 人脸检测及识别方法 | |
| CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
| CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
| Li et al. | Robust and accurate iris segmentation in very noisy iris images | |
| CN100592322C (zh) | 照片人脸与活体人脸的计算机自动鉴别方法 | |
| CN102855496B (zh) | 遮挡人脸认证方法及系统 | |
| US8498454B2 (en) | Optimal subspaces for face recognition | |
| CN101923645B (zh) | 适应复杂应用场景中低质量虹膜图像的虹膜分割方法 | |
| CN101710383A (zh) | 一种身份认证的方法及认证装置 | |
| Li et al. | Comprehensive assessment of iris image quality | |
| CN105279492A (zh) | 虹膜识别的方法和装置 | |
| CN106203375A (zh) | 一种基于人脸图像中人脸和人眼检测的瞳孔定位方法 | |
| CN106650574A (zh) | 基于PCANet的人脸识别方法 | |
| Li et al. | Robust iris segmentation based on learned boundary detectors | |
| CN103020602A (zh) | 基于神经网络的人脸识别方法 | |
| Guo et al. | Real-time hand detection based on multi-stage HOG-SVM classifier | |
| Lee et al. | Robust iris recognition baseline for the grand challenge | |
| CN106778491B (zh) | 人脸3d特征信息的获取方法及设备 | |
| Chouchane et al. | 3D and 2D face recognition using integral projection curves based depth and intensity images | |
| CN108010015A (zh) | 一种指静脉影像质量评价方法及其系统 | |
| CN105373781A (zh) | 用于身份认证的二值图像处理方法 | |
| Moi et al. | A unified approach for unconstrained off-angle iris recognition | |
| Tang et al. | Real-time head pose estimation using random regression forests | |
| CN103839051B (zh) | 基于2dpca和分区lbp的单样本静脉识别的方法 | |
| CN106446837B (zh) | 一种基于运动历史图像的挥手检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |