CN104091156A - 一种身份识别方法及装置 - Google Patents

Abstract

一种身份识别方法，包括：获取指定区域的视频监控数据，从中识别出目标人员，若检测出该目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断该遮挡物的类型，根据遮挡物的类型，提示该目标人员去除该遮挡物，通过识别去除该遮挡物后的目标人员的脸部特征确定该目标人员的身份。此外，本发明还提供一种身份识别装置。上述身份识别方法及装置，可提高识别目标人员的效率和精确度，提高特定场合的安全性。

Description

一种身份识别方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种身份识别方法及装置。

背景技术

在视频监控领域，传统摄像机正在逐渐被新一代的嵌入式网络摄像机所取代。相对于传统摄像机而言，网络摄像机可以将模拟视频信号转换成数字视频信号，通过网络来实现远程监控。嵌入式网络摄像机是将一个嵌入式芯片置入摄像机内部，利用嵌入式操作系统来实时地监控和检测。其内置的端口和通讯口便于扩充外部周边设备，该周边设备例如门禁系统，红外线感应装置，全方位云台等。随着人脸识别考勤机以及人脸识别门禁设备被越来越广泛的使用，如何能更加方便有效的进行人脸识别成为人们关注的重点。对于人脸识别而言，它是利用人脸的一些特征，比如五官特征，来对人脸进行识别的。

现有技术中，进行自动的人脸识别技术都是在无遮挡物的前提下进行的识别，但是，如果人的五官特征被墨镜、口罩、帽子等饰物所遮挡的话，将无法进行人脸识别。

发明内容

有鉴于此，本发明提供一种身份识别方法及装置，可提高识别目标人员的效率、精确度和实时性，提高特定场合的安全性。

本发明实施例提供的身份识别方法，包括：

获取指定区域的视频监控数据；从所述视频监控数据中识别出目标人员；若检测出所述目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断所述遮挡物的类型；根据所述遮挡物的类型，提示所述目标人员去除所述遮挡物；通过识别去除所述遮挡物后的目标人员的脸部特征确定所述目标人员的身份。

本发明实施例提供的身份识别装置，包括：

获取单元，用于获取指定区域的视频监控数据；识别单元，用于从所述视频监控数据中识别出目标人员；判断单元，用于若检测出所述目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断所述遮挡物的类型；提示单元，用于根据所述遮挡物的类型，提示所述目标人员去除所述遮挡物；确定单元，用于通过识别去除所述遮挡物后的目标人员的脸部特征确定所述目标人员的身份。

本发明实施例提供的身份识别方法及装置，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

图1示出了一种网络摄像机的结构示意图；

图2为第一实施例提供的身份识别方法的流程示意图；

图3为第二实施例提供的身份识别方法的流程示意图；

图4为第三实施例提供的身份识别方法的流程示意图；

图5为第四实施例提供的身份识别方法的流程示意图；

图6为标示不同遮挡物的示意图；

图7为第五实施例提供的身份识别装置的示意图；

图8为第六实施例提供的身份识别装置的示意图。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。

本发明实施例提供一种身份特征识别方法，应用于网络摄像机，可通过网络摄像机在视频监控数据中的目标人员的人脸图像中检测出遮挡物，提示目标人员去除该遮挡物后再识别其身份，提高身份识别准确率，提高特定场合安全性。

图1为一种网络摄像机的结构示意图。

网络摄像机10可安装在人脸考勤系统或人脸门禁系统中，检测指定区域内的目标人员的脸上是否配戴有遮挡物，该遮挡物例如墨镜、帽子、口罩等。

网络摄像机10包括：目标人员检测模块101、第一遮挡物检测模块102、第二遮挡物检测模块103以及第三遮挡物检测模块104。

其中，目标人员检测模块101，用于获取指定区域的视频监控数据，从该视频监控数据中识别出目标人员。具体地，通过基于码本模型的背景剪除法识别出该指定区域中运动的目标，通过基于局部二元模式特征与方向梯度直方图特征相结合的头肩部位检测方法，从运动的目标中识别出目标人员。

第一遮挡物检测模块102，用于检测第一遮挡物，在监控画面上将该遮挡物按照预置的颜色和形式的标识进行标示，并在系统屏幕上显示提示信息，或者通过语音播报提示信息，提示该目标人员摘去遮挡物。

第二遮挡物检测模块103，用于检测第二遮挡物，在监控画面上将该遮挡物按照预置的颜色和形式的标识进行标示，并在系统屏幕上显示提示信息，或者通过语音播报提示信息，提示该目标人员摘去遮挡物。

第三遮挡物检测模块104，用于检测第三遮挡物，在监控画面上将该遮挡物按照预置的颜色和形式的标识进行标示，并在系统屏幕上显示提示信息，或者通过语音播报提示信息，提示该目标人员摘去遮挡物。

例如，以第一遮挡物为墨镜，第二遮挡物为帽子，第三遮挡物为口罩为例，当该遮挡物的类型为第一遮挡物，即为墨镜时，则用绿色矩形框将墨镜位置标识及显示在当前监控画面上，同时显示字幕或发出提示音告知该目标人物去除墨镜；当该遮挡物的类型为第二遮挡物，即为帽子时，用红色矩形框将帽子位置标识及显示在当前监控画面上，同时显示字幕或发出提示音告知该目标人物去除帽子；当该遮挡物的类型为第三遮挡物，即为口罩时，则用蓝色矩形框将口罩位置标识及显示在当前监控画面中，同时显示字幕或发出提示音告知该目标人物去除口罩。

以上网络摄像机10中各模块的具体数据处理过程，参见下面各实施例的具体描述。

第一实施例提供了一种身份识别方法，可应用于图1所示的网络摄像头10中，请参阅图2，该方法包括：

201、获取指定区域的视频监控数据；

网络摄像机10可以为嵌入式网络摄像机，可安装在人脸考勤系统或人脸门禁系统中，对指定区域的目标人员进行视频监控。网络摄像机的内核有Web Server和CCD(Charged Coupled Device)图像传感器，加入了数字信号处理(DSP，digital signal processing)芯片，可以将模拟视频信号转换成数字视频信号，并根据传输控制协议/因特网互联协议(TCP/IP，Transmission Control Protocol/Internet Protocol)标准将其转换成数据包，通过网络来实现远程监控。嵌入式网络摄像机是将一个嵌入式芯片置入摄像机内部，利用嵌入式操作系统来实时地监控和检测。由高效压缩芯片压缩的数字化视频信号将被传送到Web服务器，可供网络上的用户直接浏览或者授权用户控制摄像机云台镜头的动作和系统配置。为了减去复杂的网络配置，实现真正的即插即用，提供的软件开发数据包(SDK，SoftwareDevelopment Kit)能便于用户自行快速开发应用软件。内置的大容量内存存储警报触发前的图像。内置的输入输出(I/O，input/output)端口和通讯口便于扩充外部周边设备如：门禁系统，红外线感应装置，全方位云台等。

网络摄像机10获取指定区域的视频监控数据。该指定区域为监控范围内的区域，可以是涉及重大安全的监控领域，也可以是某公司内部的考勤签到区域。

202、从该视频监控数据中识别出目标人员；

目标人员是指处于视频监控范围内的人员。例如，可以是进入指定区域的所有人员，该指定区域可以是门禁系统前预置范围内的区域。

203、若检测出该目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断该遮挡物的类型；

该遮挡物分类器在网络摄像机10上已经预先训练好。若网络摄像机10检测出该目标人员的脸部存在预先指定的遮挡物，该遮挡物可以是墨镜、帽子以及口罩等遮挡住脸部特征影响对该目标人员的人脸识别，从而无法判断出该目标人员的身份。

分别采用预先训练出的遮挡物分类器判断该遮挡物的类型，对应遮挡物的类型训练遮挡物分类器，所以遮挡物的类型与遮挡物分类器是一一对应的。遮挡物可分为第一遮挡物(例如墨镜)、第二遮挡物(例如帽子)以及第三遮挡物(例如口罩)，那么对应地，遮挡物分类器则分为第一遮挡物分类器、第二遮挡物分类器以及第三遮挡物分类器，用于分别区分上述三类遮挡物。

204、根据该遮挡物的类型，提示该目标人员去除该遮挡物；

在该目标人员能够看到的系统屏幕上显示提示信息，或者，通过语音播报提示信息，提示该目标人员摘去遮挡物。不同的遮挡物类型，提示内容不同。例如，该遮挡物是第一遮挡物，则提示该目标人员摘去该第一遮挡物，该遮挡物是第一遮挡物以及第二遮挡物，则提示该目标人员摘去该第一遮挡物和第二遮挡物。

205、通过识别去除该遮挡物后的目标人员的脸部特征确定该目标人员的身份。

待该目标人员去除该遮挡物后，再识别该目标人员的脸部特征确定该目标人员的身份。例如，在门禁系统中的数据库中保存所有人员的脸部图像极其对应的身份信息，待该目标人员去除该遮挡物后，通过对比该目标人员的脸部特征和数据库中的脸部图像，确定匹配的脸部图像，进而确定对应的身份。

本实施例中，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

请参阅图3，第二实施例提供了一种身份识别方法，可应用于图1所示的网络摄像头10中，与图2所示实施例相似，不同之处在于，步骤202从该视频监控数据中识别出目标人员包括：

3021、通过基于码本模型的背景剪除法识别出该指定区域中运动的目标；

首先对该指定区域中的运动的目标进行检测，即对出现在该指定区域的所有运动的物体进行检测，这样可以排除静态背景的干扰，降低动态背景的影响，然后对检测出的运动的目标进行静态检测，进一步确定该运动的目标为人。这样不仅可以节省系统的计算时间，而且能够减少背景的干扰，提高检测精度。

在动态目标检测层面上，与其他运动目标检测方法相比，基于码本模型的背景剪除法对复杂背景下的目标检测鲁棒性强，抗干扰能力强，对运动幅度小的目标也能较清晰地检测出来。

码本模型的主要思想是：在一个长时间序列的样本(即图像)训练集中，每一个像素的背景像素值都被放入到一个称为码本的压缩的背景模型中，这样可以建立一个结构化的背景模型，从而可以适应在有限内存下的以准周期运动的变化场景的背景。这个码本背景模型在内存和速度上都比其他的背景建模技术更有优势。可以处理场景中包含运动背景和全局光照变化的情况，对不同类型的视频数据具有很强鲁棒的检测效果。

码本模型的基本原理如下：它从一串长观测序列创建背景模型。对每个像素都要建立由一个或多个码字组成的编码本。在每个像素进行抽样，根据颜色扭曲尺度和亮度边界聚类到码本集，不同的像素可能拥有不同的码字数量。通过码本表示的聚类子不需要对应单个高斯或者其他的参数分布，即使在某个像素点的分布是单一高斯分布，而是利用对应像素的一部分码本，即背景编码基于像素基础。

通过对每个像素点的连续采样值，根据颜色相似度及其亮度范围生成背景码本。根据像素采样变化情况的不同，每个码本包含的码字个数可以不同。若颜色空间选择RGB颜色空间，则设定X＝{x₁,x₂,...,x_N}是同一位置的像素的N个RGB(red，green，blue)向量排列的一个采样序列，N是训练帧数。C＝{c₁,c₂,...,c_L}表示由L个码字构成的像素的码本。每个像素根据各自的采样率，其对应的码本也不同。对于每个码字c_i＝(i＝1,2,...,L)定义为二元组结构，即颜色向量和包含6个元素的亮度向量其中和是码字对应像素的最小和最大亮度值；f表示该码字出现频率；λ定义成MNRL(maximum negative run-length)，定义训练期间码元素为被访问到的最大周期，表示码字在训练过程中没有再次出现的最大时间间隔；P和q分别表示该码字出现后的第一次和最后一次匹配时间。

在训练过程中，对于每个在t时刻采样的像素样本x_i与当前存储的码本进行对照，并将匹配的码字c_m(如果有的话)作为该样本的似值编码。匹配的码字可能有多个，会根据色彩偏离程度和亮度范围自动选择匹配度最好的码字。码本结构的具体算法如下：

(l)初始化码本，即将码本清空：L＝0，(空集)；

(2)For t＝1to N，执行以下操作：

(i)x_t＝(R,G,B)， $I=\sqrt{R^2+G^2+B^2}$

(ii)找到与x_t匹配的码字c_m∈C，符合以下(a)和(b)两个条件：

(a)颜色距离colordist(x_t,v_m)≤ε(表示色彩偏离度小于某个值ε)

(b)亮度边界 $\mathrm{brightness}(I,<I_m^{\min },I_m^{\max }>)=\mathrm{true}$

(iii)如果或者没有找到匹配的码本，那么L＝L+1。此时新增一个码字c_L，令

v_L＝(R,G,B)，u_L＝<I,I,1,t-1,t>；

(iv)否则，更新码字c_m的成员v_m和u_m：

$v_m=(\frac{f_m{R}_m+R}{f_m+1},\frac{f_m{G}_m+G}{f_m+1},\frac{f_m{B}_m+B}{f_m+1}),$

$u_i=<\min (I,I_m^{\min }),\max (I,I_m^{\max }),f_m+1,\max ({\mathrm{\&lambda;}}_m,t-q_m),p_m,t>,$

End for

(3)训练结束后，计算该像素每个码字没有再次出现的最大时间间隔，即对于任何的c_i＝(i＝1,2,...,L)有

λ＝max{λ_i,(N-q_i+p_i-1)}；

(4)利用λ消除冗余码字，若λ符合预置条件，则将该码元从码本中消除，得到最能代表真实背景的精炼初始码本CB：

CB＝{c_k|c_k∈C,λ_k≤T_M}

其中T_M为最大时间间隔阈值，通常取训练帧数的一半，表示所有代表背景的码字必须至少在一半的时间内出现。

步骤(ii)中(a)和(b)两个条件的满足情况是x_t和v_m的颜色很接近，并且x_t的亮度在v_m，可以接受的亮度范围内。这里只要求找到第一个满足这2个条件的码字即可。

同时，引入时间间隔准则又是因为训练过程中得到的码本存在冗余现象，其中可能有些表示前景运动目标和噪声的码字，利用上式可以把这些码字在统计意义上消除，从而允许初始学习过程中存在运动目标。

相较于上述经典GRB空间颜色，选择YUV颜色空间有以下益处：

(1)YUV空间具有亮度和色度分离的特点，Y表示亮度，这种特点适合于码本中亮度范围条件计算的需要；

(2)YUV是一种电视信号传输普遍采用的编码模式，在嵌入式系统上应用会更适合，而且现在许多的监控视频采集的原始数据格式就是YUV，并且大部分编码器要求的视频输入格式也是YUV的，处理数据具备良好的兼容性；

(3)YUV比RGB传输同样的数据所需的频带更小，只要有Y信号，一旦损失了U或V信号也可以进行灰度图像的检测，在实际应用中更可以节省带宽成本，传输速率也更快。

相对于前述选择RGB颜色空间的计算方法，在选择YUV颜色空间时，对原始码本模型进行修改，重写模型参数。对图像像素点在时间上的采样序列X＝{x₁,x₂,...,x_N}以及其码字集C＝{c₁,c₂,...,c_L}，在YUV颜色空间下，其码字的二元组合并更改为包含8个元素的新码字。此时亮度元素I由Y来替代，和也就是YUV颜色空间下的该像素的最小和最大亮度，为平均值，其他分量含义不变。

由于码字匹配的第二个条件，亮度由Y输入直接知晓，所以匹配公式变得很简单，对于输入像素样本x_t，只需计算

$\mathrm{brightness}(Y,<Y_m^{\min },Y_m^{\max }>),$

colordist＝(U_t-U_m)²+(V_t-V_m)²≤ε，

构建码本时，若匹配成功，则

$c_i=<\min (Y_i,Y_i^{\min }),\max (Y_i,Y_i^{\max }),\frac{f_i{\stackrel{\&OverBar;}{U}}_i+U_i}{f_i+1},\frac{f_i{\stackrel{\&OverBar;}{V}}_i+V_i}{f_i+1},f_i+1,\max ({\mathrm{\&lambda;}}_i,t-q),p_i,t>,$

若没有匹配成功，则新增码字：

c_i＝<Y_t,Y_t,U_t,V_t,1,t-1,t,t>，

与经典的基于RGB空间下的码本匹配算法相比较，不需要计算输入样本像素与已有码字间的距离，也不需要重新计算亮度分量所以可以大幅提高运算速度。并且，由于像素在亮度分量上的变化不再引起色度分量的变化，因此能很好的解决在RGB空间下低亮度值的背景像素逐渐变亮，而导致误判为前景的问题。

进一步地，在人员密集且行为多样化的场景下，人员之间的身高、姿态、移动的多样性，如果对背景的学习只停留在最初的场景，对后续进入到该场景的人员检测会存在很大影响，后进入的人员的前景轮廓会被前面已经进入到该场景的人员的轮廓重叠覆盖，从而无法准确分割出后进入的人员。因此，本技术方案提出更新学习的码本背景建模算法，更新码本模型中的背景图片的学习，使码本模型能每隔一段时间就进行背景图片学习，不断更新背景图片，改变原来的只进行一次最初的背景学习模式，对实际场景的适应性更强，对变化较大的运动物体的检测准确率更高，并降低漏检率。考虑到在进行人脸识别考勤和人脸识别门禁的使用过程中，识别人脸的过程要平均持续5秒钟以上，则设定每隔125帧进行一次10帧的背景学习。基于更新学习的码本模型不断更新背景的学习，对后续的待检测人员能成功检测到，保证了在长时间监控时能检测到每个前景运动目标。

3022、通过基于局部二元模式特征与方向梯度直方图特征相结合的头肩部位检测方法，从该运动的目标中识别出目标人员。

动态目标检测完成后，在静态目标检测层面上，利用基于局部二元模式(Local Binary Pattern，LBP)+方向梯度直方图(Histogram of OrientedGradient，HOG)特征的头肩部位检测来进一步确定检测到的目标为人。

LBP是一种有效的纹理描述算子，具有旋转不变性和灰度不变性等显著优点。它首先计算图像中每个像素与其局部邻域点在灰度上的二值关系，然后，对二值关系按一定规则加权形成局部二值模式，最后，采用多区域直方图序列作为图像的特征描述。虽然LBP特征能较好地将人的头肩纹理提取出来，但是在复杂背景下，单纯使用LBP特征并不能很好地将前景目标和背景的纹理明显地区分出来。

方向梯度直方图(Histogram of Oriented Gradient，HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。该方法的主要思想是在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述，其本质就是梯度的统计信息，而梯度主要存在于边缘的地方。具体的实现方法是：首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。HOG特征对图像几何的和光学的形变都能保持很好的不变性，检测效果很理想。但是利用HOG特征进行目标检测最大的缺点就是计算量大，无法达到实时性的要求。HOG特征维数越低，计算速度越快，但是准确率会降低。所以，要想达到实时检测的要求，就要用维数相对较低的HOG特征。但同时还要保证正确率，就需要使特征更有效。

综上，本实施例提出基于LBP+HOG特征的头肩检测方法，将人的头肩部位的LBP特征与HOG特征提取出来并进行结合，用支持向量机(Support Vector Machine，SVM)算法来分类，在实时性和准确性上都能达到理想结果，从而更好地对人的头肩部位进行检测。

HOG特征的参数主要有以下5个：窗口尺寸、块尺寸、步进尺寸、细胞尺寸和方向个数。具体地，考虑到实时性和准确性的要求，设定HOG特征的参数值为((32，32)，(16，16)，(8，8)，(8，8)，9)，即窗口尺寸是32×32，块尺寸是16×16，步进尺寸是8×8，细胞尺寸是8×8，方向个数是9个。

可在指定数据库中选取1000张头肩部位图像作为训练的正样本，截取指定真实场景中的背景画面4000张作为训练的负样本，正负样本共5000张。以下为基于LBP+HOG特征的头肩部位检测的训练过程：

(1)将训练样本图片的路径都写到txt文档中，其中，正样本标记为1，负样本标记为0；

(2)依次读入训练样本并提取LBP和HOG特征，将LBP和HOG特征存入矩阵；

(3)创建支持向量机(SVM，Support Vector Machine)分类器，设置各项参数，并对LBP和HOG特征矩阵进行训练；

(4)将训练好的SVM分类器保存成一个可扩展标记语言(xml，Extensible Markup Language)文件，可以直接用该xml文件进行检测。

本实施例中的步骤301、303、304和305的内容与前述图2所示实施例中步骤201、203、204和205的内容相同，此处不再赘述。

本实施例中，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

请参阅图4，第三实施例提供了一种身份识别方法，可应用于图1所示的网络摄像头10中，与图2所示实施例相似，不同之处在于，该方法还包括：

403、训练与各遮挡物类型对应的各遮挡物分类器。

训练遮挡物分类器的具体过程是，分别截取佩戴有该第一遮挡物、该第二遮挡物以及该第三遮挡物的多个人脸图像作为正样本，以及截取真实场景的多个背景图像作为负样本，设定该训练遮挡物分类器的训练级数，将正样本、负样本以及训练级数输入到支持向量机进行训练，分别训练得到第一遮挡物自适应增强分类器，第二遮挡物自适应增强分类器以及第三遮挡物自适应增强分类器。

自适应增强分类器(AdaBoost，Adaptive Boosting)是一种样本权重的迭代更新过程。每个样本的权重值表示该样本被错分的大小。

设定X表示样本特征空间，Y表示样本类别标识集合，对于二值分类问题，Y＝{1，-1}，分别对应样本的正和负。令S＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}为样本训练集，其中x_i∈X,y_i∈Y,i＝1,2,...,N，N为样本数。

(1)初始化样本权重。对每一个(x_i,y_i)∈S，令

$D_1(x_i,y_i)=\frac{1}{N}$

(2)令t＝1，

①选择弱分类器，即

$h_t\left(x_i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&lambda;}}_i{x}_i<{\mathrm{\&lambda;}}_i{\mathrm{\&theta;}}_i\\ 0,& {\mathrm{\&lambda;}}_i{x}_i\&GreaterEqual;{\mathrm{\&lambda;}}_i{\mathrm{\&theta;}}_i\end{array}\right.$

上式中：阈值θ_i取该类特征值的中值，λ_i∈{-1,1}表示不等号的偏置方向。根据样本权重分布进行学习，获得弱分类器h_t:X→Y。

②计算错误率，即

${\mathrm{\&epsiv;}}_t=\underset{i:y_i\&NotEqual;h_t\left(x_i\right)}{\mathrm{\&Sigma;}}{D}_t(x_i,y_i)$

若ε_t<0.5，选择若ε_t≥0.5，删除本轮生成的弱分类器，t＝t+1，返回①。

③更新样本权重，即

$D_{t+1}(x_i,y_i)=\frac{D_t(x_i,y_i)e^{-{\mathrm{\&alpha;}}_t{y}_i{h}_t\left(x_i\right)}}{Z_t}$

式中：Z_t是归一化因子，使得

④t＝t+1，设T为弱分类器最大训练论述，如果t＝T，则训练结束，如果t<T，则返回①。

(3)强分类器，即

$H\left(x\right)=\mathrm{sign}\left(\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\right)$

上式中：α_t是第t轮训练后产生的弱分类器h_t(x)的性能评价因子，由h_t(x)作用于样本集产生的分类器错误的样本权重之和ε_t来决定，α_t是ε_t的减函数，ε_t越小，则α_t越大，h_t(x)的重要性越大。强分类器H(x)由所有的弱分类器h₁(x),h₂(x),...,h_T(x)通过加权求和得到。

Adaboost的简要训练流程一般如下：

(1)以样本集为输入，在给定的矩形特征原型下，计算并获得矩形特征集；

(2)以特征集为输入，根据给定的弱学习算法，确定阈值，将特征与弱分类器一一对应，获得弱分类器集；

(3)以弱分类器为输入，在训练检出率和误判率的限制下，使用Adaboot算法挑选最优的弱分类器构成强分类器；

(4)以强分类器集为输入，将其组合为级联分类器；

(5)以非人脸图片为输入，组合强分类器为级联分类器，筛选并补充非人脸样本。

具体到本发明实施例，则是分别截取佩戴有该第一遮挡物、该第二遮挡物以及该第三遮挡物的多个人脸图像作为正样本，以及截取真实场景的多个背景图像作为负样本，设定该训练遮挡物分类器的训练级数，将正样本、负样本以及训练级数输入到支持向量机进行训练，分别训练得到第一遮挡物自适应增强分类器，第二遮挡物自适应增强分类器以及第三遮挡物自适应增强分类器。

例如，分别截取戴有墨镜、口罩、帽子的人脸图像各1300张作为正样本，截取真实场景的背景图像5000张作为负样本进行训练。设定Adaboost的训练级数为20级。分别训练得到对三种遮挡物的Adaboost分类器，即墨镜Adaboost分类器，口罩Adaboost分类器，帽子Adaboost分类器。

需要说明的是，为了节约数据处理时间，可以在服务器上执行训练与各遮挡物类型对应的各遮挡物分类器的步骤，然后网络摄像机10从服务器上获取已经训练好的各遮挡物分类器。

本实施例中的步骤401、402、404、405和406的内容与前述图2所示实施例中步骤201、202、203、204和205的内容相同，此处不再赘述。

本实施例中，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

请参阅图5，第四实施例提供了一种身份识别方法，可应用于图1所示的网络摄像头10中，与图2所示实施例相似，不同之处在于，步骤203分别采用预先训练出的遮挡物分类器判断该遮挡物的类型之后包括：

504、根据该遮挡物的类型，在监控画面上将该遮挡物按照预置的颜色和形式的标识进行标示，不同类型的遮挡物所标示的标识的颜色和/形式不同。

具体地，以第一遮挡物为墨镜，第二遮挡物为帽子，第三遮挡物为口罩为例，当该遮挡物的类型为第一遮挡物，即为墨镜时，则用绿色矩形框将墨镜位置标识及显示在当前监控画面上，同时显示字幕或发出提示音告知该目标人物去除墨镜；当该遮挡物的类型为第二遮挡物，即为帽子时，用红色矩形框将帽子位置标识及显示在当前监控画面上，同时显示字幕或发出提示音告知该目标人物去除帽子；当该遮挡物的类型为第三遮挡物，即为口罩时，则用蓝色矩形框将口罩位置标识及显示在当前监控画面中，同时显示字幕或发出提示音告知该目标人物去除口罩。如图6所示在不同遮挡物上做标识(图中未示出颜色)。

步骤204根据该遮挡物的类型，提示该目标人员去除该遮挡物之后还包括：

506、获取连续提示预置次数去除该遮挡物却仍不执行的目标人员的图像，并将该图像存入可疑人员数据库中。

例如，对连续提示三次去除遮挡物却仍不去除的目标人员，获取该目标人员的图像，并将该图像存入可疑人员数据库中，即，将该目标人员设定为可疑人员，作为安全预警信息的一部分。

若在指定区域内连续多次检测到目标人员拒绝执行去除该遮挡物的命令，则发送警告提示，提示关闭门禁系统。具体地，在重要区域(如档案室、保密室、财务室等)的门禁系统检测到有多次拒绝去除遮挡物的可疑人员后，则通过网络发送警告提示给保安人员，保安人员可通过网络摄像机的远程控制功能，关闭相关的门禁系统，保障重要区域的安全。

本实施例中的步骤501、502、503和505与前述图2所示实施例中步骤201、202、203和204相同，此处不再赘述。

本实施例中，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

请参阅图7，第五实施例提供了一种身份识别装置，可应用于图1所示的网络摄像头10中，该装置包括：

获取单元51，用于获取指定区域的视频监控数据；

识别单元52，用于从获取单元51获取的该视频监控数据中识别出目标人员；

判断单元53，用于若检测出该目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断该遮挡物的类型；

提示单元54，用于根据判断单元53判断出的该遮挡物的类型，提示该目标人员去除该遮挡物；

确定单元55，用于通过识别去除该遮挡物后的目标人员的脸部特征确定该目标人员的身份。

本发明实施例中各单元实现各自功能的过程，请参见前述图2所示实施例中的相关描述，此处不再赘述。

本实施例中，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

请参阅图8，第六实施例提供了一种身份识别装置，可应用于图1所示的网络摄像头10中，与图7所示实施例中的装置相似，不同之处在于，进一步地，识别单元52还包括：

第一识别子单元521，用于通过基于码本模型的背景剪除法识别出该指定区域中运动的目标；

第二识别子单元522，用于通过基于局部二元模式特征与方向梯度直方图特征相结合的头肩部位检测方法，从该运动的目标中识别出目标人员。

进一步地，该装置还包括：

更新单元66，用于更新该码本模型中的背景图片的学习。

训练单元67，用于训练与各遮挡物类型对应的各遮挡物分类器。

其中，训练单元67可进一步包括：

截取单元671，用于分别截取佩戴有该第一遮挡物、该第二遮挡物以及该第三遮挡物的多个人脸图像作为正样本，以及截取真实场景的多个背景图像作为负样本；

设定单元672，用于设定该训练遮挡物分类器的训练级数；

训练分类器单元673，用于将该正样本、该负样本以及该训练级数输入到支持向量机进行训练，分别训练得到第一遮挡物自适应增强分类器，第二遮挡物自适应增强分类器以及第三遮挡物自适应增强分类器。

进一步地，该装置还包括：

标示单元68，用于根据该遮挡物的类型，在监控画面上将该遮挡物按照预置的颜色和形式的标识进行标示，不同类型的遮挡物所标示的标识的颜色和/形式不同。

更近一步地，获取单元51，还用于获取连续提示预置次数去除该遮挡物却仍不执行的目标人员的图像。

该装置还包括：

保存单元69，用于将该图像存入可疑人员数据库中。

提示单元54，还用于若在指定区域内连续多次检测到目标人员拒绝执行去除所述遮挡物的命令，则发送警告提示，提示关闭门禁系统。

本发明实施例中各单元实现各自功能的过程，请参见前述图3至图5所示实施例中的相关描述，此处不再赘述。

本实施例中，在网络摄像机侧检测出现在指定区域的目标人员脸上的遮挡物，提示该目标人员去除遮挡物后，再进行目标人员身份的识别，提高了识别目标人员身份的效率和准确度，提高该指定区域的安全性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (14)

1.一种身份识别方法，其特征在于，包括：

获取指定区域的视频监控数据；

从所述视频监控数据中识别出目标人员；

若检测出所述目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断所述遮挡物的类型；

根据所述遮挡物的类型，提示所述目标人员去除所述遮挡物；

通过识别去除所述遮挡物后的目标人员的脸部特征确定所述目标人员的身份。

2.根据权利要求1所述的方法，其特征在于，所述从所述视频监控数据中识别出目标人员包括：

通过基于码本模型的背景剪除法识别出所述指定区域中运动的目标；

通过基于局部二元模式特征与方向梯度直方图特征相结合的头肩部位检测方法，从所述运动的目标中识别出目标人员。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

更新所述码本模型中的背景图片的学习。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：训练与各遮挡物类型对应的各遮挡物分类器；

所述训练与各遮挡物类型对应的各遮挡物分类器包括：

分别截取佩戴有所述第一遮挡物、所述第二遮挡物以及所述第三遮挡物的多个人脸图像作为正样本，以及截取真实场景的多个背景图像作为负样本；

设定所述训练遮挡物分类器的训练级数；

将所述正样本、所述负样本以及所述训练级数输入到支持向量机进行训练，分别训练得到第一遮挡物自适应增强分类器，第二遮挡物自适应增强分类器以及第三遮挡物自适应增强分类器。

5.根据权利要求1所述的方法，其特征在于，所述采用预先训练出的分类器判断所述遮挡物的类型之后包括：

根据所述遮挡物的类型，在监控画面上将所述遮挡物按照预置的颜色和形式的标识进行标示，不同类型的遮挡物所标示的标识的颜色和/形式不同。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取连续提示预置次数去除所述遮挡物却仍不执行的目标人员的图像，并将所述图像存入可疑人员数据库中。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若在指定区域内连续多次检测到目标人员拒绝执行去除所述遮挡物的命令，则发送警告提示，提示关闭门禁系统。

8.一种身份识别装置，其特征在于，包括：

获取单元，用于获取指定区域的视频监控数据；

识别单元，用于从所述视频监控数据中识别出目标人员；

判断单元，用于若检测出所述目标人员的脸部存在预先指定的遮挡物，则分别采用预先训练出的遮挡物分类器判断所述遮挡物的类型；

提示单元，用于根据所述遮挡物的类型，提示所述目标人员去除所述遮挡物；

确定单元，用于通过识别去除所述遮挡物后的目标人员的脸部特征确定所述目标人员的身份。

9.根据权利要求8所述的装置，其特征在于，所述识别单元包括：

第一识别子单元，用于通过基于码本模型的背景剪除法识别出所述指定区域中运动的目标；

第二识别子单元，用于通过基于局部二元模式特征与方向梯度直方图特征相结合的头肩部位检测方法，从所述运动的目标中识别出目标人员。

10.根据权利要求8或9所述的装置，其特征在于，所述装置还包括：

更新单元，用于更新所述码本模型中的背景图片的学习。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

训练单元，用于训练与各遮挡物类型对应的各遮挡物分类器；

所述训练单元包括：

截取单元，用于分别截取佩戴有所述第一遮挡物、所述第二遮挡物以及所述第三遮挡物的多个人脸图像作为正样本，以及截取真实场景的多个背景图像作为负样本；

设定单元，用于设定所述训练遮挡物分类器的训练级数；

训练分类器单元，用于将所述正样本、所述负样本以及所述训练级数输入到支持向量机进行训练，分别训练得到第一遮挡物自适应增强分类器，第二遮挡物自适应增强分类器以及第三遮挡物自适应增强分类器。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

标示单元，用于根据所述遮挡物的类型，在监控画面上将所述遮挡物按照预置的颜色和形式的标识进行标示，不同类型的遮挡物所标示的标识的颜色和/形式不同。

13.根据权利要求12所述的装置，其特征在于，

所述获取单元，还用于获取连续提示预置次数去除所述遮挡物却仍不执行的目标人员的图像；

所述装置还包括：

保存单元，用于将所述图像存入可疑人员数据库中。

14.根据权利要求13所述的装置，其特征在于，

所述提示单元，还用于若在指定区域内连续多次检测到目标人员拒绝执行去除所述遮挡物的命令，则发送警告提示，提示关闭门禁系统。