CN104700094B - 一种用于智能机器人的人脸识别方法及系统 - Google Patents
一种用于智能机器人的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN104700094B CN104700094B CN201510145184.5A CN201510145184A CN104700094B CN 104700094 B CN104700094 B CN 104700094B CN 201510145184 A CN201510145184 A CN 201510145184A CN 104700094 B CN104700094 B CN 104700094B
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- reliable
- vector
- 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.)
- Active
Links
Landscapes
- Collating Specific Patterns (AREA)
Abstract
为了解决由于时间跨度较大或其他环境因素而引起人脸面部特征发生变化而降低识别准确率的问题,本申请提供一种用于智能机器人的人脸识别方法及系统,所述方法包括步骤:步骤一,建立人脸识别数据库;步骤二,输入待鉴别的人脸图像;步骤三,计算输入图像的特征向量;步骤四,进行身份鉴定;步骤五,输出身份鉴别结果。
Description
技术领域
本申请涉及智能机器人技术领域,尤其涉及一种用于智能机器人的人脸识别方法及系统。
背景技术
随着信息技术的飞速发展,特别是Internet的发展,数据信息化的不断深入。越来越多的事务,可以通过智能机器人来办理,例如:在公共安全领域的用于智能门禁、智能视频监控、公安布控、海关身份验证、实际驾照验证等的智能机器人;在民事和经济领域对各类银行卡、金融卡、信用卡、存蓄卡的持卡人进行身份验证的智能机器人。为了信息安全,办理业务之前通常需要通过验证人员身份后,智能机器人才能为其办理所请求的业务。
传统的身份验证方法是根据预先设置的密码或特定的身份标识物,如:证件,来鉴别不同用户。这种方法存在明显的缺点,如:个人的身份标识物容易丢失或被伪造,密码容易遗忘或者被破译。更为严重的是,这些系统无法区分真正的拥有者和取得身份标识物的冒充者。为了克服传统身份验证的缺陷,结合人类鉴别不同个体的方法和特点以及人类自身的一些生理和行为特征,如:面像、指纹等,其中指纹也容易被窃取后套模。因而,越来越多的智能机器人采用人脸鉴别技术来鉴别用户身份。
人脸鉴别,就是将待识别的人脸与数据库中的已知人脸进行比较,得出相关信息,这一过程的核心是选择适当的人脸表示方式和匹配策略。通常,将人脸鉴别成为人脸识别。
通常,以一些身份证件,如:身份证、护照等照片或者录入的可信照片,作为身份鉴别中人脸识别的比对版本。由于身份证件都是具有一定有效期的,如:成人身份证通常有效期为20年、老年人身份证为长期、幼儿身份证有效期为5年等。那么在证件有效期内,人员的照片将不会更换。此外,由于采集照片时的亮度、人员肤色等信息都会影响人脸识别的准确度。由此带来了,随着时间推移或者采集环境或者人员身体状态不同,身份鉴别的准确率逐步下降,即使是本人也不同通过智能机器人的身份鉴别验证的问题。而如果在一段时间就要求所有人员更新照片,这样的成本太高,需要耗费太多的人力和物力。
发明内容
有鉴于此,本申请提供一种用于智能机器人的人脸识别方法及系统,为了避免由于时间跨度较大或其他环境因素而引起人脸面部特征发生变化而降低识别准确率的问题,智能机器人能以高准确率地进行人员身份鉴别。
本申请提供一种用于只能机器人的人脸识别方法,所述方法包括步骤:
步骤一,建立人脸识别数据库;
步骤二,输入待鉴别的人脸图像;
步骤三,计算输入图像的特征向量;
步骤四,进行身份鉴定;
步骤五,输出身份鉴别结果。
根据在本申请一具体实施例中,所述建立人脸识别数据库包括:采集所有人的可靠图像、可靠图像的人脸特征提取以及在数据库中记录人脸特征信息。
根据在本申请一具体实施例中,所述采集所有人的可靠图像为采集n个人的可靠图像信息,每个人采集m张可靠图像,m、n为正整数。
根据在本申请一具体实施例中,所述可靠图像的人脸特征提取包括:对于每张输入的可靠图像进行以下处理:
对第i个人的第j张可靠的人脸图像进行预处理,其中0<i<n+1,0<j<m+1,m、n为正整数;
对所述第i个人的第j张作小波分解,获得低频LL部分子图像,对所述作低频LL部分子图像傅里叶变换,采用其振幅作为该可靠图像的频谱特征Si,j。
根据在本申请一具体实施例中,所述对第i个人的第j张可靠的人脸图像进行预处理指的是通过小波变换来对每一张可靠图像进行降维处理。
根据在本申请一具体实施例中,所述计算输入图像的特征向量包括:
对所述输入图像进行预处理;
所述输入图像作小波分解,获得低频LL部分子图像,对所述作低频LL部分子图像傅里叶变换,采用其振幅作为该输入图像的频谱特征Y’。
根据在本申请一具体实施例中,所述进行身份鉴定指的是将人脸数据库中每个人脸的特征向量Si,j与输入图像的特征向量Y’依次进行比较,对于人脸数据中的每个特征向量Si,j包括以下步骤:
对Si,j和Y’做归一化处理;
用向量间夹角的余弦值来度量两个向量的相似程度,令相似度di,j=cos(Si,j,Y′);
通过di,j进行特征判定。
根据在本申请一具体实施例中,所述通过di,j进行特征判定包括:
选取与数据库中所有频谱特征的距离di,j的最大值max di,j,如果max di,j大于或者等于第一阈值,就判定所述输入图像对应于数据库中的第i个人;
将对应人脸数据库中每个人员的m个特征向量分为两组,分成2n个组,每一组取组内的两个最大值做平均,得到向量ddi,i=1,...,2n,选择向量ddi的最大值max di,j,如果max di,j大于或者等于第二阈值,就判定所述输入图像对应于数据库中的第个人,否则认为所述输入图像不在所述人脸数据库中。
根据在本申请一具体实施例中,所述第一阈值0.9860和第二阈值为0.9840。
本申请还提供了一种用于智能计算机的人脸识别系统,其中包括:
人脸识别数据库1,其中存储n个人的人脸图像特征信息;
图像采集模块2,通过在智能机器人上设置的摄像头采集待鉴定人员的人脸图像,将所述待鉴定人员的人脸图像作为人脸识别系统的输入图像;
图像特征提取模块3,提取所述输入图像的特征向量;
识别分析模块4,将所述输入图像的特征向量与所述人脸数据库中存储的人脸特征向量进行比较,得到鉴别结果;
结果输出模块5,输出所述身份鉴别结果。
根据在本申请一具体实施例中,所述人脸识别数据库的建立过程包括:
采集所有人的可靠图像、可靠图像的人脸特征提取以及在数据库中记录人脸特征信息。
根据在本申请一具体实施例中,所述采集所有人的可靠图像为采集n个人的可靠图像信息,每个人采集m张可靠图像,m、n为正整数。
根据在本申请一具体实施例中,所述可靠图像的人脸特征提取包括:对于每张输入的可靠图像进行以下处理:
对第i个人的第j张可靠的人脸图像进行预处理,其中0<i<n+1,0<j<m+1,m、n为正整数;
对所述第i个人的第j张作小波分解,获得低频LL部分子图像,对所述作低频LL部分子图像傅里叶变换,采用其振幅作为该可靠图像的频谱特征Si,j。
根据在本申请一具体实施例中,所述对第i个人的第j张可靠的人脸图像进行预处理指的是通过小波变换来对每一张可靠图像进行降维处理。
根据在本申请一具体实施例中,所述图像特征提取模块3用于:
对所述输入图像进行预处理;
所述输入图像作小波分解,获得低频LL部分子图像,对所述作低频LL部分子图像傅里叶变换,采用其振幅作为该输入图像的频谱特征Y’。
根据在本申请一具体实施例中,所述识别分析模块4用于将人脸数据库中每个人脸的特征向量Si,j与输入图像的特征向量Y’依次进行比较,对于人脸数据中的每个特征向量Si,j包括以下步骤:
对Si,j和Y’做归一化处理;
用向量间夹角的余弦值来度量两个向量的相似程度,令相似度di,j=cos(Si,j,Y′);
通过di,j进行特征判定。
根据在本申请一具体实施例中,所述通过di,j进行特征判定包括:
选取与数据库中所有频谱特征的距离di,j的最大值max di,j,如果max di,j大于或者等于第一阈值,就判定所述输入图像对应于数据库中的第i个人;
将对应人脸数据库中每个人员的m个特征向量分为两组,分成2n个组,每一组取组内的两个最大值做平均,得到向量ddi,i=1,...,2n,选择向量ddi的最大值,如果如果max di,j大于或者等于第二阈值,就判定所述输入图像对应于数据库中的第个人,否则认为所述输入图像不在所述人脸数据库中。
根据在本申请一具体实施例中,所述第一阈值0.9860和第二阈值为0.9840。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本申请中人脸识别方法流程图;
图2是本申请中建立人类识别数据库的流程图;
图3是本申请中人脸识别系统结构图。
具体实施方式
为了使本领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请保护的范围。
为了解决现有技术中存在的智能机器人在较长时间跨度内人脸识别准确率下降的问题,本申请公开了一种用于智能机器人人脸识别的方法、系统以及一种智能机器人。
下面结合本申请附图进一步说明本申请具体实现。
如图1所示,本申请公开了一种用于智能机器人的人脸识别方法,其包括以下步骤:
S11:建立人脸识别数据库。
该人脸识别数据库可以设置在智能机器人中。或者也可以设置在智能机器人外部,由智能机器人通过网络访问其中存储的人脸识别数据。智能机器人与人脸识别数据库之间可以通过有线或者无线网络传递数据。
如图2所示,为了避免由于时间跨度较大或其他环境因素,引起人脸面部特征发生变化而降低准确率的问题,建立人脸识别数据库包括以下步骤:
S111:采集所有人员的可靠图像;
根据需要,采集所有n个需要鉴别的人员的可靠图像信息,n为正整数。例如:如果用于一个公司的人员身份鉴别,这需要采集该公司的所有人员图像信息。如果是用于出入境的人员身份鉴别,这需要采集数目庞大的人员可靠信息,通常依赖于公安部门的图像数据库。
为了保证人脸识别的准确率,通常要求一个人员提供多张照片,可以包括:各个年龄段照片、正面照、左侧面照、右侧面照等。可以根据需要设置采集照片的数量m,m为正整数,如:4张、6张、8张或10张,也可以设置输入照片的最低要求,包含:照片数量最小值、分辨率、大小等,这些都可以根据实际情况进行调整。
S112:人脸的特征提取:
为了提高人脸识别方法的准确性,使得人脸数据库尽可能多的包含一个人的脸部信息,假设每个人用来训练的图片为10张,数据库中共有n个人,则输入的人脸图像总数为10n张。
以人员personi输入的10张图像为例进行说明。
首先,对每张人脸图像进行预处理。
对于每个人的第j张图像,通过小波变换来对每一幅照片进行降维。
其次,提取每张图像的特征向量。
对图像作小波分解,获得低频LL部分子图像Xij’,对Xn’作傅里叶变换,采用其振幅作为该图像的频谱特征Sij,存入数据库中作为第i个人的第j个面部特征向量。当10张图像都生成一个频谱特征:Si,j(i=1,...,n;j=1...,10),其中Si,j表示第i个人第j张图像的频谱特征。
S113:将数据库中记录n个人的所有图像的人脸特征信息与每个人的其他信息相关联。
除了得到采集图像的人脸特征信息之外,还可以将每个人的其他信息与人面部特征信息相关联,以帮助进一步确认身份鉴定,其他信息可以包括但不限于:身份证号、指纹、虹膜信息等。
S12:输入待鉴别的人脸图像。
通过智能机器人上设置的摄像头采集人员的人脸图像。可以在智能机器人上设置一个或者多个摄像头,以满足图像采集的各种要求,也可以在智能机器人中设置语音提示信息,提示被采集图像的人员改变动作以采集到便于身份鉴别的人脸图像。如:根据建立数据库时,输入人脸部图像时的图像形式进行语音提示,如:提示正面照、左侧面照、右侧面照等。
S13:计算输入图像的特征向量。
对于输入的人脸图像Y,首先,通过小波变换来对图像Y进行降维;其次,对图像作小波分解,获得低频LL部分子图像,对图像Y的低频LL部分子图像作傅里叶变换,采用其振幅作为该图像的频谱特征Y’作为输入图像的特征向量。
S14:进行身份鉴别。
将人脸数据库中每个人脸的特征向量Si,j与输入图像的特征向量Y’依次进行比较,包含:
首先,对Si,j和Y’做归一化处理。
其次,计算两个向量的相似程度。
详细地说,用向量间夹角的余弦值来度量两个向量的相似程度,即:
因为,Si,j和Y’已经做过归一化处理,所以对Si,j和Y’的相似度为di,j=cos(Si,j,Y′)。Y’与数据库中所有频谱特征的距离则为D=(di,j=cos(Si,j,Y′)),i=1,…,n;j=1,…,n。
最后,将di,j进行特征判定。
第一,判断输入图像Y是否属于人脸数据库中已知人员。选取di,j的最大值,如果max di,j≥threshold1,就直接可以认为图像Y对应于数据库中的第i个人。
第二,将D分为每五列划分为一组,分成2n个组,即:将对应人脸库中每个人员的10个特征向量分为两组,每一组取组内的两个最大值做平均,得到向量ddi,i=1,...,2n。选择向量ddi的最大值,如果max ddXi≥threadhold2,就认为图像Y对应于数据库中的第个人,否则认为人脸图像Y不在人脸数据库中。
其中阈值1-threshold1、阈值2-threshold2为使用不同阈值和不同小波经过大量实验得到。除了人脸识别方法的识别率之外,还兼顾误识率等指标来评价其好坏。阈值的调整应保证在识别率不低于一个所能接受的最小值的情况下,使误识率降低至最小。本申请经过大量实验,将threshold1设置为0.9860,threshold2设置为0.9840。
在其他实施例中,在判定人脸数据库中未找到对应于人脸图像Y的人脸图像时,还可以通过人脸数据库中其他的身份信息进行鉴别,比如:指纹和虹膜。
S15:输出身份鉴别结果。
可以将S14中进行的身份鉴别结果输出至智能机器人的中央处理单元,智能机器人可根据鉴别结果进行相应处理,若找到鉴别人员身份信息,则智能机器人继续处理被鉴别人员的所请求的业务;若未找到鉴别人员身份信息,则输出身份鉴别失败的信息。
如图3所示,本申请还提供了一种用于智能机器人的人脸识别系统,其包括:
人脸识别数据库1,其中存储所有人员的人脸图像特征信息。
该人脸识别数据库可以设置在智能机器人中。或者也可以设置在智能机器人外部,由智能机器人通过网络访问其中存储的人脸识别数据。智能机器人与人脸识别数据库之间可以通过有线或者无线网络传递数据。
如图2所示,为了避免由于时间跨度较大和其他环境因素,引起人脸面部特征发生变化而降低准确率的问题,建立人脸识别数据库包括以下步骤:
S111:采集所有人员的可靠图像;
根据需要,采集所有n个需要鉴别的人员的可靠图像信息,n为正整数。例如:如果用于一个公司的人员身份鉴别,这需要采集该公司的所有人员图像信息。如果是用于出入境的人员身份鉴别,这需要采集数目庞大的人员可靠信息,通常依赖于公安部门的图像数据库。
为了保证人脸识别的准确率,通常要求一个人员提供多张照片,可以包括:各个年龄段照片、正面照、左侧面照、右侧面照等。可以根据需要设置采集照片的数量m,m为正整数,如:4张、6张、8张或10张,也可以设置输入照片的最低要求,包含:照片数量最小值、分辨率、大小等,这些都可以根据实际情况进行调整。
S112:人脸的特征提取:
为了提高人脸识别方法的准确性,使得人脸数据库尽可能多的包含一个人的脸部信息,假设每个人用来训练的图片为10张,数据库中共有n个人,则输入的人脸图像总数为10n张。
以人员personi输入的10张图像为例进行说明。
首先,对每张人脸图像进行预处理。
对于每个人的第j张图像,通过小波变换来对每一幅照片进行降维。
其次,提取每张图像的特征向量。
对图像作小波分解,获得低频LL部分子图像Xij’,对Xn’作傅里叶变换,采用其振幅作为该图像的频谱特征Sij,存入数据库中作为第i个人的第j个面部特征向量。当10张图像都生成一个频谱特征:Si,j(i=1,...,n;j=1...,10),其中Si,j表示第i个人第j张图像的频谱特征。
S113:将数据库中记录n个人的所有图像的人脸特征信息与每个人的其他信息相关联。
除了得到采集图像的人脸特征信息之外,还可以将每个人的其他信息与人面部特征信息相关联,以帮助进一步确认身份鉴定,其他信息可以包括但不限于:身份证号、指纹、虹膜信息等。
图像采集模块2,通过在智能机器人上设置的摄像头采集人员的人脸图像。可以在智能机器人上设置一个或者多个摄像头,以满足图像采集的各种要求,也可以在智能机器人中设置语音提示信息,提示被采集图像的人员改变动作以采集到便于身份鉴别的人脸图像。如:根据建立数据库时,输入人脸部图像时的图像形式进行语音提示,如:提示正面照、左侧面照、右侧面照等。
图像特征提取模块3,对于输入的人脸图像Y,首先,通过小波变换来对图像Y进行降维;其次,对图像作小波分解,获得低频LL部分子图像,对图像Y的低频LL部分子图像作傅里叶变换,采用其振幅作为该图像的频谱特征Y’作为输入图像的特征向量。
识别分析模块4,将输入图像的特征向量与人脸数据库中存储的人脸特征向量进行比较。
首先,对Si,j和Y’做归一化处理。
其次,计算两个向量的相似程度。
详细地说,用向量间夹角的余弦值来度量两个向量的相似程度,即:
因为,Si,j和Y’已经做过归一化处理,所以对Si,j和Y’的相似度为di,j=cos(Si,j,Y′)。Y’与数据库中所有频谱特征的距离则为D=(di,j=cos(Si,j,Y′)),i=1,…,n;j=1,…,n。
最后,将di,j进行特征判定。
第一,判断输入图像Y是否属于人脸数据库中已知人员。选取di,j的最大值,如果max di,j≥threshold1,就直接可以认为图像Y对应于数据库中的第i个人。
第二,将D分为每五列划分为一组,分成2n个组,即:将对应人脸库中每个人员的10个特征向量分为两组,每一组取组内的两个最大值做平均,得到向量ddi,i=1,...,2n。选择向量ddi的最大值,如果max ddXi≥threadhold2,就认为图像Y对应于数据库中的第个人,否则认为人脸图像Y不在人脸数据库中。
其中阈值1-threshold1、阈值2-threshold2为使用不同阈值和不同小波经过大量实验得到。除了人脸识别方法的识别率之外,还兼顾误识率等指标来评价其好坏。阈值的调整应保证在识别率不低于一个所能接受的最小值的情况下,使误识率降低至最小。本申请经过大量实验,将threshold1设置为0.9860,threshold2设置为0.9840。
在其他实施例中,在判定人脸数据库中未找到对应于人脸图像Y的人脸图像时,还可以通过人脸数据库中其他的身份信息进行鉴别,比如:指纹和虹膜。
结果输出模块5,输出身份鉴别结果。
可以将识别分析模块4中的身份鉴别结果输出至智能机器人的中央处理单元,智能机器人可根据鉴别结果进行相应处理,若找到鉴别人员身份信息,则智能机器人继续处理被鉴别人员的所请求的业务;若未找到鉴别人员身份信息,则输出身份鉴别失败的信息。
本申请还公开了一种智能机器人,其包括了上述用于智能机器人的人脸识别系统。
当然,实施本申请的任一技术方案必不一定需要同时达到以上的所有优点。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (5)
1.一种用于智能机器人的人脸识别方法,所述方法包括:
步骤一,建立人脸识别数据库;
步骤二,输入待鉴别的人脸图像;
步骤三,计算输入图像的特征向量;
步骤四,进行身份鉴定;
步骤五,输出身份鉴定结果;
所述建立人脸识别数据库包括:采集所有人的可靠图像、可靠图像的人脸特征提取以及在数据库中记录人脸特征信息;
所述采集所有人的可靠图像为采集n个人的可靠图像信息,每个人采集m张可靠图像,m、n为正整数;
所述可靠图像的人脸特征提取包括:对于每张输入的可靠图像进行以下处理:
对第i个人的第j张可靠的人脸图像进行预处理,其中0<i<n+1,0<j<m+1,m、n为正整数;
对所述第i个人的第j张作小波分解,获得低频LL部分子图像,对所述低频LL部分子图像作傅里叶变换,采用其振幅作为该可靠图像的频谱特征Si,j;
所述对第i个人的第j张可靠的人脸图像进行预处理指的是通过小波变换来对每一张可靠图像进行降维处理;
所述计算输入图像的特征向量包括:
对所述输入图像进行预处理;
所述输入图像作小波分解,获得低频LL部分子图像,对所述低频LL部分子图像作傅里叶变换,采用其振幅作为该输入图像的频谱特征Y’;
所述进行身份鉴定指的是将人脸识别数据库中每个人脸的特征向量Si,j与输入图像的特征向量Y’依次进行比较,对于人脸数据中的每个特征向量Si,j包括以下步骤:
对Si,j和Y’做归一化处理;
用向量间夹角的余弦值来度量两个向量的相似程度,令相似度di,j=cos(Si,j,Y');
通过di,j进行特征判定;
所述通过di,j进行特征判定包括:
选取与数据库中所有频谱特征的距离di,j的最大值maxdi,j,如果maxdi,j大于或者等于第一阈值,就判定所述输入图像对应于数据库中的第i个人;
将对应人脸识别数据库中每个人员的m个特征向量分为两组,分成2n个组,每一组取组内的两个最大值做平均,得到向量ddi,i=1,…,2n,选择向量ddi的最大值maxdi,j,如果maxdi,j大于或者等于第二阈值,就判定所述输入图像对应于数据库中的第个人,否则认为所述输入图像不在所述人脸识别数据库中。
2.根据权利要求1所述的方法,其特征在于,所述第一阈值为0.9860和第二阈值为0.9840。
3.一种用于智能计算机的人脸识别系统,其中包括:
人脸识别数据库1,其中存储n个人的人脸图像特征信息;
图像采集模块2,通过在智能机器人上设置的摄像头采集待鉴定人员的人脸图像,将所述待鉴定人员的人脸图像作为人脸识别系统的输入图像;
图像特征提取模块3,提取所述输入图像的特征向量;
识别分析模块4,将所述输入图像的特征向量与所述人脸识别数据库中存储的人脸特征向量进行比较,得到鉴别结果;
结果输出模块5,输出所述鉴别结果;
所述人脸识别数据库的建立过程包括:
采集所有人的可靠图像、可靠图像的人脸特征提取以及在数据库中记录人脸特征信息;
所述采集所有人的可靠图像为采集n个人的可靠图像信息,每个人采集m张可靠图像,m、n为正整数;
所述可靠图像的人脸特征提取包括:对于每张输入的可靠图像进行以下处理:
对第i个人的第j张可靠的人脸图像进行预处理,其中0<i<n+1,0<j<m+1,m、n为正整数;
对所述第i个人的第j张作小波分解,获得低频LL部分子图像,对所述低频LL部分子图像作傅里叶变换,采用其振幅作为该可靠图像的频谱特征Si,j;
所述对第i个人的第j张可靠的人脸图像进行预处理指的是通过小波变换来对每一张可靠图像进行降维处理;
所述图像特征提取模块3用于:
对所述输入图像进行预处理;
所述输入图像作小波分解,获得低频LL部分子图像,对所述低频LL部分子图像作傅里叶变换,采用其振幅作为该输入图像的频谱特征Y’;
所述识别分析模块4用于将人脸识别数据库中每个人脸的特征向量Si,j与输入图像的特征向量Y’依次进行比较,对于人脸数据中的每个特征向量Si,j包括以下步骤:
对Si,j和Y’做归一化处理;
用向量间夹角的余弦值来度量两个向量的相似程度,令相似度di,j=cos(Si,j,Y');
通过di,j进行特征判定;
所述通过di,j进行特征判定包括:
选取与数据库中所有频谱特征的距离di,j的最大值maxdi,j,如果maxdi,j大于或者等于第一阈值,就判定所述输入图像对应于数据库中的第i个人;
将对应人脸识别数据库中每个人员的m个特征向量分为两组,分成2n个组,每一组取组内的两个最大值做平均,得到向量ddi,i=1,…,2n,选择向量ddi的最大值maxdi,j,如果maxdi,j大于或者等于第二阈值,就判定所述输入图像对应于数据库中的第个人,否则认为所述输入图像不在所述人脸识别数据库中。
4.根据权利要求3所述的系统,其特征在于,所述第一阈值为0.9860和第二阈值为0.9840。
5.一种智能机器人,其包括了权利要求3-4中所述的用于智能计算机的人脸识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510145184.5A CN104700094B (zh) | 2015-03-31 | 2015-03-31 | 一种用于智能机器人的人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510145184.5A CN104700094B (zh) | 2015-03-31 | 2015-03-31 | 一种用于智能机器人的人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700094A CN104700094A (zh) | 2015-06-10 |
CN104700094B true CN104700094B (zh) | 2016-10-26 |
Family
ID=53347193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510145184.5A Active CN104700094B (zh) | 2015-03-31 | 2015-03-31 | 一种用于智能机器人的人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700094B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116994B (zh) * | 2015-07-07 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 基于人工智能的智能机器人追踪方法和追踪装置 |
CN105184236A (zh) * | 2015-08-26 | 2015-12-23 | 江苏久祥汽车电器集团有限公司 | 机器人人脸识别系统 |
CN106228048A (zh) * | 2016-07-15 | 2016-12-14 | 北京光年无限科技有限公司 | 一种用于智能机器人产品的登录方法及装置 |
CN106557163A (zh) * | 2016-11-18 | 2017-04-05 | 北京光年无限科技有限公司 | 基于智能机器人视觉记忆的多模态交互方法、装置和系统 |
CN106778653A (zh) * | 2016-12-27 | 2017-05-31 | 北京光年无限科技有限公司 | 面向智能机器人的基于人脸识别样本库的交互方法和装置 |
WO2019018962A1 (zh) * | 2017-07-22 | 2019-01-31 | 深圳市萨斯智能科技有限公司 | 一种机器人验证方法和机器人 |
CN108985232A (zh) * | 2018-07-18 | 2018-12-11 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
CN109214273A (zh) * | 2018-07-18 | 2019-01-15 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
CN109034129B (zh) * | 2018-08-31 | 2020-01-17 | 深圳市芊熠智能硬件有限公司 | 一种具有人脸识别功能的机器人 |
CN109902561A (zh) * | 2019-01-16 | 2019-06-18 | 平安科技(深圳)有限公司 | 一种应用于机器人的人脸识别方法和装置、机器人 |
CN112809697B (zh) * | 2021-01-11 | 2022-05-13 | 福建思特电子有限公司 | 一种5g智能门卫机器人 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202985566U (zh) * | 2012-07-26 | 2013-06-12 | 王云 | 基于人脸识别的安保机器人 |
CN103268150A (zh) * | 2013-05-13 | 2013-08-28 | 苏州福丰科技有限公司 | 一种基于表情识别的智能机器人管控系统及管控方法 |
CN103679203B (zh) * | 2013-12-18 | 2015-06-17 | 江苏久祥汽车电器集团有限公司 | 机器人的人脸检测与情感识别系统及方法 |
CN104091153A (zh) * | 2014-07-03 | 2014-10-08 | 苏州工业职业技术学院 | 应用于聊天机器人的情绪判断方法 |
-
2015
- 2015-03-31 CN CN201510145184.5A patent/CN104700094B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104700094A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700094B (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
CN104700018B (zh) | 一种用于智能机器人的识别方法 | |
CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
CN107609364A (zh) | 用户身份确认方法和装置 | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN105184236A (zh) | 机器人人脸识别系统 | |
CN112862491B (zh) | 基于安全单元和可信执行环境的人脸支付安全方法及平台 | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
Elmir et al. | Support vector machine based fingerprint identification | |
Kubanek et al. | Intelligent Identity Authentication, Using Face and Behavior Analysis | |
Ashiba | Proposed framework for cancelable face recognition system | |
SulaimanAlshebli et al. | The cyber security biometric authentication based on liveness face-iris images and deep learning classifier | |
Beukes | Hand vein-based biometric authentication with limited training samples | |
Karale et al. | Online Transaction Security Using Face Recognition: A Review | |
Aparna et al. | Data Anonymization on Biometric Security Using Iris Recognition Technology | |
Liashenko et al. | Investigation of the influence of image quality on the work of biometric authentication methods | |
Vinoth et al. | Region based Minutiae Mass Measure for Efficient Finger Print Forgery Detection in Health Care System | |
Karuppasamy et al. | Face Detection OpenCV Based ATM Security System | |
Majeed et al. | Biometric Identification Criminal, Terrorist, and individual Identification System It ‘sa New Wine & Taste | |
Haytom et al. | Biometric Application for authentication and management of online exams | |
Kaur et al. | Implementation of ICA based score level fusion of iris and ear biometrics | |
Yerramsetti et al. | APPLICATION OF MULTI FACTORED BIOMETRIC MEASURE FOR DATA SECURITY IN ATM. | |
Choudhary et al. | Secured Automated Certificate Creation Based on Multimodal Biometric Verification | |
Bakshi et al. | Facial Landmark Features-Based Face Misclassification Detection System | |
Ramjeevan et al. | Identification and Tracking of Facial Features for Attendance System |
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 |