CN104820829A - 一种新的基于深度数据的人脸识别算法及其在智能权限分配系统中的应用 - Google Patents

Abstract

本发明公开了一种新型规范化人脸模型的算法,提出了一种基于多人投票的三维人脸识别的身份验证算法，并且利用上述技术设计了智能安保系统。包括步骤：获取脸部深度数据；对深度数据处理得到符合CANDIDE-3的人脸模型；规范化点云数据，将直接获得的Candide-3人脸模型转为标准化的人脸正对模型，之后再用所有点的XYZ值分别减去鼻尖点坐标的XYZ值，获得规范化的人脸正对模型。这样的模型可以让所有的人脸模型都可以进行横向比较。利用多个贝叶斯分类器进行识别与投票，有N个人的数据就建立N*(N-1)/2个贝叶斯分类器，然后对N个数据进行两两训练。本发明可以识别、跟踪与检测人脸，可以运用到身份验证、权限分配与以及其他相关的安保系统中。

Description

一种新的基于深度数据的人脸识别算法及其在智能权限分配系统中的应用

技术领域

本发明涉及三维人脸识别、身份验证、视频监控、权限系统、物联网工程领域，具体涉及到一种人脸识别与验证以及物联网安保技术系统。

背景技术

一.利用Kinect设备的三维人脸识别与身份验证

在现代社会中,个人身份认证技术的应用无所不在,其中基于指纹、虹膜、人脸等人体生物特征的识别技术在多个领域有巨大的市场需求,如门禁系统、视频监控、机场安检、智能空间、自然人机交互等.尽管基于指纹和虹膜的身份认证比人脸识别技术具有更高的准确性和可靠性,但人脸识别因具有自然、友好、对用户干扰少、易被用户接受等优势，这类识别属于模式识别范畴，相比传统的识别方式更安全、稳定和方便。所以人脸识别有更广阔的应用前景。

人脸识别研究可以追溯到20世纪初.经过研究人员的不懈努力,基于图像的二维人脸识别技术日趋成熟,在一定约束条件下已取得较好的识别结果。然而,研究实验表明,光照、姿态、化妆、表情、年龄等变化显著地降低了二维人脸识别算法的性能.近年来,学术界开始探索如何利用人脸的三维信息提高系统的识别性能,如美国FBI,NIST等多个部门联合资助发起的人脸识别大挑战计划。

二.智能安保与物联网

随着安保技术的发展和市场的成熟，安保系统的智能化已经成为安保行业的发展趋势。本研究的目的是希望利用图像处理技术、智能感知技术、嵌入式技术和新型的全方位视觉技术来构建一个室内智能安保系统。采用动态图像处理技术实现了室内监控场景中运动目标的检测、提取、跟踪和分类。

而随着现实情况日趋复杂、面对的威胁越来越多，对于智能安保的控制与要求也日趋复杂。智能化的安保，不仅要保证一个室内范围的安全，包括识别与预警工作，更可以对于不同进来的人加以限制。

此外，物联网技术能够建立起物物相联、物物可管、资源统筹分配的应用系统，将物联网应用于智能安防系统，能够最大程度地降低系统内各节点的潜在危险，保障节点安全。通过基于物联网的智能安防系统的体系结构和应用平台设计，实现了智能安防系统的建立，为探索物联网技术和智能安防系统的更好结合提供了有益的借鉴。

三.贝叶斯分类器

贝叶斯网络是一个带有概率注释的有向无环图,图中的每一个结点均表示一个随机变量,图中两结点间若存在着一条弧,则表示这两结点相对应的随机变量是概率相依的,反之则说明这两个随机变量是条件独立的·网络中任意一个结点X均有一个相应的条件概率表(Conditional Probability Table,CPT),用以表示结点X在其父结点取各可能值时的条件概率·若结点X无父结点,则X的CPT为其先验概率分布·贝叶斯网络的结构及各结点的CPT定义了网络中各变量的概率分布。

应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶斯网络分类器的学习，即从样本数据中构造分类器，包括结构学习和CPT学习；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。

发明内容：

本发明主要目的是提出一种新型规范化人脸模型的方法、设计一种基于多人投票的三维人脸识别算法的身份验证方法，并且设计一个利用上述技术的智能安保系统。

一种基于多人投票的三维人脸识别方法，包括以下步骤：

1.获取人脸深度图；

2.对深度数据进行处理，获取人脸121关键点的点云数据；

3.通过点云数据，构建规范化人脸3D模型；

4.利用多个分类器测试人脸模型，判断人脸身份。

一种智能安保系统思路(以服务器实验室为例)：

1.储存所有实验室中的人脸数据与个人权限；

2.利用以上人脸识别方法对进入监控范围的人进行识别；

3.对于识别出的不同人，根据他们的权限分配不同，解锁或加锁服务器或其他连入物联网的设备；

4.对于识别出的非允许进入的人，进行报警等行为；

5.并且管理员可以对监控设备远程控制。

所述的对深度数据进行处理，获取人脸121关键点云数据的方法：

1.获取深度数据；

2.转化为相机空间的三维点云数据；

3.CANDIDE-3模型定位； 

4.121特征点定位(面部器官与其他部分定位)；

5.CANDIDE-3模型三角剖分；

6.返回点云数据。

通过点云数据，构建规范化人脸3D模型的方法： 

1.利用坐标转换方法将任意人脸模型转变成规范化的正对设备人脸图像；

2.将相对设备任意距离的人脸模型转化为以鼻尖点为坐标原点的三维点云数据。

一种基于多人投票的三维人脸识别算法：

1.通过上述方法收集N个人获得的规范化人脸点云数据，进行两两训练，得到N(N+1)/2个结果数据；

2.将测试数据放入到每一个获得的结果数据中进行训练；

3.对所有测试结果进行相加得到最终权重分配结果。

附图说明：

图1：人脸深度数据图

图2：Kinect深度数据获取计算方式

图3：CANDIDE-3模型的人正脸点云数据点

图4：Kinect人脸识别人脸旋转角度

图5：Kinect相机空间的人脸点坐标

图6：三维人脸数据的模型实例运用

图7：经过标准化后的人脸模型

图8：原始人脸模型

图9：人脸识别与身份验证步骤

图10：三维坐标旋转公式

图11：智能安保与权限分配系统流程图

具体实施方式：

下文将结合附图详细描述本发明的实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。

本发明主要使用计算机高级程序语言并借助微软.net框架、微软的kinectSDK和微软kinect摄像头，能够获取人脸数据并进行识别分析。并利用贝叶斯分类器进行数据的分析。

获取脸部深度数据方法：

利用Kinect摄像头获取深度数据，如图1。深度图像有着很高的抗干扰性，外界光线强弱不同的情况下，Kinect摄像头能采集相同的深度数据，所以能在白天和夜晚很好的工作。利用深度数据检测到人体深度数据。

对深度数据处理得到符合CANDIDE-3模型的人脸模型方法：

Candide-3模型中的每个顶点都对应3个坐标值x、y、z，可用如下公式形式化表示为：

$g(\mathrm{\σ},\mathrm{\α})=\mathrm{Rs}(\stackrel{\‾}{g}+\mathrm{S\σ}+\mathrm{A\α})+t$

其中，为标准模型；S为形状单元；A为动作单元；σ与α分别为形状和动作单元A的控制参数；R、s、t分别为代表模型的旋转矩阵、缩放因子和平移向量。

获得如图6的人脸模型

规范化点云数据方法：

将直接获得的Candide-3人脸模型(图6)转为标准化的人脸正对模型(图7)

利用图10所述的三维坐标旋转公式进行坐标旋转，XYZ三轴旋转的角度为图4所述的人脸偏转角度。

之后再用所有点的XYZ值分别减去鼻尖点(图3中5号点的位置)坐标的XYZ值，获得规范化的人脸正对模型。这样的模型可以让所有的人脸模型都可以进行横向比较。

利用多个贝叶斯分类器进行识别与投票方法：

有N个人的数据就建立N*(N-1)/2个贝叶斯分类器，然后对N个数据进行两两训练。训练的数据是X*363的二维数组，其中X是获取数据的帧数，363为121个点的XYZ的3个坐标。

然后将两两训练的训练结果保存。

对于一个新到来的数据，数据格式为Y*363的二维数组，根据获得的结果进行预测。

将新到来的数据放到所有的N(N-1)/2个分类器中训练，并且得到每个训练的结果(每组贝叶斯分类器可以获得N个数据)。

对每组中相同列的数据相加，得到最后的总票数。

根据总票数来识别人。

身份验证、权限分配与安保系统：

利用上述的人脸识别方法，可以在无显示交互的情况下获取进入监控范围的人。

流程图如图11

一旦获取数据就可以进行人脸识别。识别后将验证是否是监控区允许进入的人(允许进入的人事先已经将人脸数据进行录入)。如果不是将报警并且锁住所有的监控区域设备。

如果是则进行下一步权限分配。

对于不同身份的人有不同的设备管理权限，那么根据不同的人就分配给他所应有的权限。超过其权限的操作将会被拒绝。拒绝其操作权限的行为将组织其发生。例如只能控制一台服务器的操作员进入区域后，除了他能操作的机器以外，其他所有的机器都将会自动锁屏。并且他可以操作的设备将会自动解锁。

Claims (4)

1.一种新的人脸深度数据识别算法及其在智能权限分配系统中的应用方法，其特征在于，包括以下步骤：

通过Kinect获取人脸深度数据；

对深度数据处理，获取设备坐标系下的人连点云数据；

将点云数据规范化，获取标准CANDIDE-3人脸模型；

根据多类分类的贝叶斯分类器对人脸数据进行分类识别；

根据识别结果判定人脸身份；

对于识别出的不同人，根据他们的权限分配不同，解锁或加锁设备或其他连入物联网的设备；

对于识别出的非允许进入的人，进行报警等行为；

并且管理员可以对监控设备远程控制。

2.如权利要求1所述的一种基于人脸深度数据的三维人脸识别方法中，其特征在在于，所述的对点云数据规范化，获取标准CANDIDE-3人脸模型的步骤包括：

利用Kinect获取人脸CANDIDE-3动作模型：

利用坐标转换方法将任意人脸模型转变成规范化的正对设备人脸图像，具体公式为：

将相对设备任意距离的人脸模型转化为以鼻尖点为坐标原点的三维点云数据，获得的人连模型为：

。

3.如权利要求1所述的一种基于人脸深度数据的三维人脸识别方法中，其特征在在于，根据多类分类的贝叶斯分类器对人脸数据进行分类识别的步骤包括：

通过权利要求2中的方法收集N个人获得的规范化人脸点云数据，进行两两训练，得到N(N+1)/2个结果数据；

构建贝叶斯分类器，如下公式：

将测试数据放入到每一个获得的结果数据中进行训练；

对所有测试结果进行相加得到最终权重分配结果。

4.如权利要求1中的一种基于人脸深度数据的三维人脸识别方法中，其特征在在于，智能权限分配系统的应用，其步骤包括：

储存所有区域中中的人脸数据与个人权限；

利用权利要求1中人脸识别方法对进入监控范围的人进行识别；

根据识别结果在数据库中查询，获取人脸身份；

根据人脸身份，查询所有权限；

根据权限，解锁或加锁设备或其他连入物联网的设备，其中拥有权限的人的设备解锁，未拥有权限的人的设备加锁；

对于越权行为，管理员可以对设备远程控制或报警。