CN105335717B - 基于智能移动终端视频抖动分析的人脸识别系统 - Google Patents
基于智能移动终端视频抖动分析的人脸识别系统 Download PDFInfo
- Publication number
- CN105335717B CN105335717B CN201510716909.1A CN201510716909A CN105335717B CN 105335717 B CN105335717 B CN 105335717B CN 201510716909 A CN201510716909 A CN 201510716909A CN 105335717 B CN105335717 B CN 105335717B
- Authority
- CN
- China
- Prior art keywords
- video
- module
- image
- pixel
- background
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于智能移动终端视频抖动分析的人脸识别系统,其特征在于,包括视频采集模块、存储模块、视频提取模块、视频预处理模块、视频抖动运动补偿模块、视频运动目标提取模块、人脸特征目标提取模块、匹配模块和识别结果显示模块;存储模块分别连接视频采集模块和视频提取模块,视频预处理模块分别连接视频提取模块和视频抖动运动补偿模块,视频运动目标提取模块分别连接视频抖动运动补偿模块和人脸特征目标提取模块,匹配模块分别连接人脸特征目标提取模块和识别结果显示模块。该系统通过对含人脸的视频预处理和抖动运动补偿后,可以消除视频抖动对人脸正常识别的影响,提高了人脸识别效率。
Description
技术领域
本发明涉及视频检测领域,尤其涉及一种基于智能移动终端视频抖动分析的人脸识别系统。
背景技术
随着社会的发展和科技的进步,尤其是近年来计算机软硬件性能的提升和计算机视觉、模式识别和人工智能等技术的发展,社会对身份识别技术需求与日俱增,人脸识别技术已经成为研究人员关注的又一研究方向。
随着近年来社会信息化和自动化的发展,各种智能化的移动终端相继出现。智能移动终端的CPU计算速度、存储能力和摄像头采集高清图像的能力等硬件水平也在一直上升,基于智能移动终端平台上的人脸识别应用不断增加。
然而,由于智能移动终端具有移动的特性,在利用智能移动终端采集人脸视频并识别时,则由于智能移动终端上的摄像头会因发生抖动而生成含人脸的抖动视频,抖动的视频则会干扰智能移动终端对人脸的正确识别。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种既能够对人脸视频进行准确识别,又能够避免视频抖动干扰正常识别的基于智能移动终端视频抖动分析的人脸识别系统。
本发明解决上述技术问题所采用的技术方案为:基于智能移动终端视频抖动分析的人脸识别系统,其特征在于,包括视频采集模块、存储模块、视频提取模块、视频预处理模块、视频抖动运动补偿模块、视频运动目标提取模块、人脸特征目标提取模块、匹配模块和识别结果显示模块;所述存储模块分别连接视频采集模块和视频提取模块,所述视频预处理模块分别连接视频提取模块和视频抖动运动补偿模块,所述视频运动目标提取模块分别连接视频抖动运动补偿模块和人脸特征目标提取模块,所述匹配模块分别连接人脸特征目标提取模块和识别结果显示模块;其中,
所述视频采集模块,用以采集智能移动终端外的含有人脸的视频,并对采集的外部视频自动编号,存储至存储模块中;
所述存储模块,一方面保存视频采集模块采集的编号外部视频,一方面保存系统预先已登记存储的人脸面部图像或人脸视频;
所述视频提取模块,用于提取存储模块中编号的视频,并发送给视频预处理模块;
所述视频预处理模块,用以滤除编号视频中的噪声,将滤噪后的视频分割成预设数目的帧图像,并将滤噪后的各帧图像发送给视频运动目标提取模块,其中,视频预处理模块对视频的预处理的方法过程依次包括如下步骤:
(1)利用高斯滤波对编号视频中的噪声滤除,将滤噪后的视频按照预设数目分割成若干独立编号的原始帧图像St(i,j),并由已分割数目的各原始帧图像St(i,j)构成原始图像S(i,j);其中,t∈[1,T],T表示视频被分割的帧图像数目;
(2)对原始图像S(i,j)中的各原始帧图像St(i,j)以预设倍数放大其像素值,并对放大后的各原始帧图像St(i,j)做灰度化处理,得到对应的灰度帧图像Yt(i,j),其中,原始图像S(i,j)对应的灰度图像为Y(i,j);
Y(i,j)=0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j);
其中,r(i,j)、g(i,j)、b(i,j)分别对应原始帧图像St(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量,Yt(i,j)为得到的所述灰度帧图像;
(3)对灰度图像Y(i,j)中的各灰度帧图像Yt(i,j)进行预处理,得到对应的预处理帧图像It(i,j)和预处理图像I(i,j),并采用高斯滤波分别对各预处理帧图像It(i,j)进行处理;其中,高斯函数为均值是零的二维高斯函数g(i,j),其中,
σ2为高斯白噪声的方差;其使用的图像模板算子为
所述视频运动目标提取模块,用于提取预处理图像中的运动目标,其中,运动目标的提取方法过程依次包括如下步骤:
(a)建立背景像素模型M(i,j),M(i,j)={v1,v2,…,vN};其中,vk(i,j)表示图像(i,j)位置上的像素值,k是背景像素样本中的序号,M(i,j)表示背景图像(i,j)位置上的N个样本观察值;
(b)根据背景像素模型M(i,j)进行分类,建立以v(i,j)为中心,以R为半径的球SR(v(i,j)),进行比较并分类;其中,比较分类过程如下:当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin,即K≥Kmin时,则判定当前像素v(i,j)为背景点;其中,K表示为K={SR(v(i,j))∩{v1,v2,…,vN}};
(c)对背景像素模型M(i,j)进行初始化,在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合,M1(i,j)={v1(y|y∈NG(i,j))},每一个相邻位置y上的像素通过同样的方式被随机的选取,M1(i,j)表示第一帧图像序号的背景模型,NG(i,j)表示与像素位置(i,j)相邻的像素;
(d)更新背景像素模型M(i,j),并采用保守更新策略,配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新,使用v(i,j)更新背景模型M(i,j),随机的选择样本数量为6中的一个像素值进行更新;每次对背景模型进行更新时,以随机的更新判定为背景的像素位置上的模型,依然保留在模型中的概率P(t,t+dt)为:
N为样本数量;
所述视频抖动运动补偿模块,用以对接收到的提取结果进行补偿,其中,运动补偿的方法过程依次包括如下步骤:
步骤1,根据背景模型M、当前帧图像I以及邻域窗口内的像素对比计算结果,得到偏移量ε(d);其中,偏移量ε(d)计算公式如下:
其中,dx表示当前帧图像在横坐标X上的偏移量,dy表示当前帧图像在纵坐标Y上的偏移量;wx、wy是与邻域窗口相关的参数,窗口的尺寸表示为2(wx+1)×2(wy+1),(ux,uy)为背景图像中的特征角点,M表示背景模型,I表示当前帧图像,d=[dx dy]T;
步骤2,考察当前帧图像I中特征角点(ux,uy)周围的像素点,计算得到具有最小偏移量ε(d)的像素点(ux1,uy1),并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点,得到像素(ux,uy)在当前帧图像I中的偏移量d,其中,偏移量d计算如下:
d=(ux1-ux,uy1-uy);
步骤3,计算多个背景图像上特征角点的位移均值S1以及位移中值S2,并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S;其中,位移均值S1、位移中值S2和偏移量S的计算公式如下:
N为样本数量;表示第k个背景图像上特征角点在横坐标X上的位移,表示第k个背景图像上特征角点在纵坐标Y上的位移;
步骤4,利用偏移量S修正背景模型,并提取运动目标F,其中,运动目标F提取公式如下:
F{SR(v(i,j))∩M(i+dx,j+dy)};
所述匹配模块,将将视频运动目标提取模块提取的且经运动补偿的运动目标结果与存储模块中的原有人脸图像进行匹配,得到匹配识别后的结果;所述识别结果显示模块,显示人脸识别结果。
与现有技术相比,本发明的优点在于:含有人脸的视频经视频预处理模块滤除噪声后,将滤噪后的视频分割成预设数目的帧图像,并按照预处理方法对这些帧图像预处理;经预处理后的图像发送给视频运动目标提取模块来提取预处理图像中的运动目标,并由视频抖动运动补偿模块对接收到的提取结果进行补偿,以消除视频抖动对人脸识别的影响,匹配模块将视频运动目标提取模块提取的且经运动补偿的运动目标结果与存储模块中的原有人脸图像进行匹配,得到匹配识别后的结果,并由识别结果显示模块显示人脸识别结果。该系统通过对含人脸的视频预处理和进行抖动运动补偿后,可以消除视频抖动对人脸识别的影响,提高识别效率。
附图说明
图1为本发明中基于智能移动终端视频抖动分析的人脸识别系统的结构示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,本实施例提供的基于智能移动终端视频抖动分析的人脸识别系统,包括视频采集模块1、存储模块2、视频提取模块3、视频预处理模块4、视频抖动运动补偿模块5、视频运动目标提取模块6、人脸特征目标提取模块7、匹配模块8和识别结果显示模块9;存储模块2分别连接视频采集模块1和视频提取模块3,视频预处理模块4分别连接视频提取模块3和视频抖动运动补偿模块5,视频运动目标提取模块6分别连接视频抖动运动补偿模块5和人脸特征目标提取模块7,匹配模块8分别连接人脸特征目标提取模块7和识别结果显示模块9;其中,
视频采集模块1,用以采集智能移动终端外的含有人脸的视频,并对采集的外部视频自动编号,存储至存储模块2中;例如,采集的外部含有人脸的视频分别为01.mp4、02.mp4和03.mp4;
存储模块2,一方面保存视频采集模块1采集的编号外部视频,一方面保存系统预先已登记存储的人脸面部图像或人脸视频;
视频提取模块3,用于提取存储模块2中编号的视频,并发送给视频预处理模块4;
视频预处理模块4,用以滤除编号视频中的噪声,将滤噪后的视频分割成预设数目的帧图像,并将滤噪后的各帧图像发送给视频运动目标提取模块6,其中,视频预处理模块4对视频的预处理的方法过程依次包括如下步骤:
(1)利用高斯滤波对编号视频中的噪声滤除,将滤噪后的视频按照预设数目分割成若干独立编号的原始帧图像St(i,j),并由已分割数目的各原始帧图像St(i,j)构成原始图像S(i,j);其中,t∈[1,T],T表示视频被分割的帧图像数目;
例如,视频预处理模块4对编号01.mp4视频滤噪后,则将该视频分割成预设的50幅原始帧图像,即S1(i,j)、S2(i,j)、S3(i,j)、…、S50(i,j);该50幅原始帧图像构成原始图像S(i,j);
(2)对原始图像S(i,j)中的各原始帧图像St(i,j)以预设倍数放大其像素值,并对放大后的各原始帧图像St(i,j)做灰度化处理,得到对应的灰度帧图像Yt(i,j),其中,原始图像S(i,j)对应的灰度图像为Y(i,j);
Y(i,j)=0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j);
其中,r(i,j)、g(i,j)、b(i,j)分别对应原始帧图像St(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量,Yt(i,j)为得到的所述灰度帧图像;针对红、绿、蓝颜色分量,分别设定优化的图像转换参数0.257、0.504和0.239,以得到具有高压缩率的灰度图像,由此得到具有小容量的灰度图像,从而可以有效的节约智能移动终端的存储空间,进一步提高智能移动终端的运行效率;
(3)对灰度图像Y(i,j)中的各灰度帧图像Yt(i,j)进行预处理,得到对应的预处理帧图像It(i,j)和预处理图像I(i,j),并采用高斯滤波分别对各预处理帧图像It(i,j)进行处理,得到纯净的预处理图像;其中,高斯函数为均值是零的二维高斯函数g(i,j),其中,σ2为高斯白噪声的方差;其使用的图像模板算子为
视频运动目标提取模块6,用于提取预处理图像中的运动目标,其中,运动目标的提取方法过程依次包括如下步骤:
(a)建立背景像素模型M(i,j),M(i,j)={v1,v2,…,vN};其中,vk(i,j)表示图像(i,j)位置上的像素值,k是背景像素样本中的序号,M(i,j)表示背景图像(i,j)位置上的N个样本观察值;
(b)根据背景像素模型M(i,j)进行分类,建立以v(i,j)为中心,以R为半径的球SR(v(i,j)),进行比较并分类;其中,比较分类过程如下:当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin,即K≥Kmin时,则判定当前像素v(i,j)为背景点;其中,K表示为K={SR(v(i,j))∩{v1,v2,…,vN}};
为了提高运动目标检测的精确度,以实现运动目标与背景图像的准确分离,在本实施例中,球半径R为20,基数Kmin为2;其中,球SR(v(i,j))的半径R即为与背景模型中的样本匹配的阈值,最小基数Kmin即为成功匹配背景模型的阈值;
(c)对背景像素模型M(i,j)进行初始化,在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合,M1(i,j)={v1(y|y∈NG(i,j))},每一个相邻位置y上的像素通过同样的方式被随机的选取,M1(i,j)表示第一帧图像序号的背景模型,NG(i,j)表示与像素位置(i,j)相邻的像素;
(d)更新背景像素模型M(i,j),并采用保守更新策略,配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新,使用v(i,j)更新背景模型M(i,j),随机的选择样本数量为6中的一个像素值进行更新;每次对背景模型进行更新时,以随机的更新判定为背景的像素位置上的模型,依然保留在模型中的概率P(t,t+dt)为:
N为样本数量;
视频抖动运动补偿模块5,用以对接收到的提取结果进行补偿,其中,运动补偿的方法过程依次包括如下步骤:
步骤1,根据背景模型M、当前帧图像I以及邻域窗口内的像素对比计算结果,得到偏移量ε(d);其中,偏移量ε(d)计算公式如下:
其中,dx表示当前帧图像在横坐标X上的偏移量,dy表示当前帧图像在纵坐标Y上的偏移量;wx、wy是与邻域窗口相关的参数,窗口的尺寸表示为2(wx+1)×2(wy+1),(ux,uy)为背景图像中的特征角点,M表示背景模型,I表示当前帧图像,d=[dx dy]T;
步骤2,考察当前帧图像I中特征角点(ux,uy)周围的像素点,计算得到具有最小偏移量ε(d)的像素点(ux1,uy1),并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点,得到像素(ux,uy)在当前帧图像I中的偏移量d,其中,偏移量d计算如下:
d=(ux1-ux,uy1-uy);
步骤3,计算多个背景图像上特征角点的位移均值S1以及位移中值S2,并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S;其中,位移均值S1、位移中值S2和偏移量S的计算公式如下:
位移均值
位移中值
整个背景图像的偏移量N为样本数量;表示第k个背景图像上特征角点在横坐标X上的位移,表示第k个背景图像上特征角点在纵坐标Y上的位移;在本步骤3定义的整个背景图像的偏移量S可以有效的解决单独采用位移平均值S1作为背景图像偏移量对后续背景模型修正带来的不利影响;
步骤4,利用偏移量S修正背景模型,并提取运动目标F,其中,运动目标F提取公式如下:
F{SR(v(i,j))∩M(i+dx,j+dy)};
匹配模块8,将视频运动目标提取模块6提取的且经运动补偿的运动目标结果与存储模块2中的原有人脸图像进行匹配,得到匹配识别后的结果;识别结果显示模块9,显示人脸识别结果。
以下结合图1,对本发明实施例中基于智能移动终端视频抖动分析的人脸识别系统的工作情况作出说明:
智能移动终端的视频采集模块1采集到外部的含有人脸的视频后,则将采集视频编号后存储到存储模块2中,然后由视频提取模块3提取存储模块2中的视频给视频预处理模块4;
视频预处理模块4利用高斯滤波滤除该编号视频中的噪声后,将滤噪后的视频分割成预设数目的帧图像,并按照本发明实施例中指出的预处理方法对这些帧图像做预处理;经预处理后的图像发送给视频运动目标提取模块6;
视频运动目标提取模块6则提取预处理图像中的运动目标,并由视频抖动运动补偿模块5对接收到的提取结果进行补偿,以消除视频抖动对人脸识别的影响;
匹配模块8将视频运动目标提取模块6提取的且经运动补偿的运动目标结果与存储模块2中的原有人脸图像进行匹配,得到匹配识别后的结果,并由识别结果显示模块9显示人脸识别结果。
Claims (2)
1.基于智能移动终端视频抖动分析的人脸识别系统,其特征在于,包括视频采集模块、存储模块、视频提取模块、视频预处理模块、视频抖动运动补偿模块、视频运动目标提取模块、人脸特征目标提取模块、匹配模块和识别结果显示模块;所述存储模块分别连接视频采集模块和视频提取模块,所述视频预处理模块分别连接视频提取模块和视频抖动运动补偿模块,所述视频运动目标提取模块分别连接视频抖动运动补偿模块和人脸特征目标提取模块,所述匹配模块分别连接人脸特征目标提取模块和识别结果显示模块;其中,
所述视频采集模块,用以采集智能移动终端外的含有人脸的视频,并对采集的外部视频自动编号,存储至存储模块中;
所述存储模块,一方面保存视频采集模块采集的编号外部视频,一方面保存系统预先已登记存储的人脸面部图像或人脸视频;
所述视频提取模块,用于提取存储模块中编号的视频,并发送给视频预处理模块;
所述视频预处理模块,用以滤除编号视频中的噪声,将滤噪后的视频分割成预设数目的帧图像,并将滤噪后的各帧图像发送给视频运动目标提取模块,其中,视频预处理模块对视频的预处理的方法过程依次包括如下步骤:
(1)利用高斯滤波对编号视频中的噪声滤除,将滤噪后的视频按照预设数目分割成若干独立编号的原始帧图像St(i,j),并由已分割数目的各原始帧图像St(i,j)构成原始图像S(i,j);其中,t∈[1,T],T表示视频被分割的帧图像数目;
(2)对原始图像S(i,j)中的各原始帧图像St(i,j)以预设倍数放大其像素值,并对放大后的各原始帧图像St(i,j)做灰度化处理,得到对应的灰度帧图像Yt(i,j),其中,原始图像S(i,j)对应的灰度图像为Y(i,j);
Y(i,j)=0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j);
其中,r(i,j)、g(i,j)、b(i,j)分别对应原始帧图像St(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量,Yt(i,j)为得到的所述灰度帧图像;
(3)对灰度图像Y(i,j)中的各灰度帧图像Yt(i,j)进行预处理,得到对应的预处理帧图像It(i,j)和预处理图像I(i,j),并采用高斯滤波分别对各预处理帧图像It(i,j)进行处理;其中,高斯函数为均值是零的二维高斯函数g(i,j),其中,
σ2为高斯白噪声的方差;其使用的图像模板算子为
所述视频运动目标提取模块,用于提取预处理图像中的运动目标,其中,运动目标的提取方法过程依次包括如下步骤:
(a)建立背景像素模型M(i,j),M(i,j)={v1,v2,…,vN};其中,vk(i,j)表示图像(i,j)位置上的像素值,k是背景像素样本中的序号,M(i,j)表示背景图像(i,j)位置上的N个样本观察值;
(b)根据背景像素模型M(i,j)进行分类,建立以v(i,j)为中心,以R为半径的球SR(v(i,j)),进行比较并分类;其中,比较分类过程如下:当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin,即K≥Kmin时,则判定当前像素v(i,j)为背景点;其中,K表示为K={SR(v(i,j))∩{v1,v2,…,vN}};
(c)对背景像素模型M(i,j)进行初始化,在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合,M1(i,j)={v1(y|y∈NG(i,j))},每一个相邻位置y上的像素通过同样的方式被随机的选取,M1(i,j)表示第一帧图像序号的背景模型,NG(i,j)表示与像素位置(i,j)相邻的像素;
(d)更新背景像素模型M(i,j),并采用保守更新策略,配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新,使用v(i,j)更新背景模型M(i,j),随机的选择样本数量为6中的一个像素值进行更新;每次对背景模型进行更新时,以随机的更新判定为背景的像素位置上的模型,依然保留在模型中的概率P(t,t+dt)为:
N为样本数量;
所述视频抖动运动补偿模块,用以对接收到的提取结果进行补偿,其中,运动补偿的方法过程依次包括如下步骤:
步骤1,根据背景模型M、当前帧图像I以及邻域窗口内的像素对比计算结果,得到偏移量ε(d);其中,偏移量ε(d)计算公式如下:
其中,dx表示当前帧图像在横坐标X上的偏移量,dy表示当前帧图像在纵坐标Y上的偏移量;wx、wy是与邻域窗口相关的参数,窗口的尺寸表示为2(wx+1)×2(wy+1),(ux,uy)为背景图像中的特征角点,M表示背景模型,I表示当前帧图像,d=[dx dy]T;
步骤2,考察当前帧图像I中特征角点(ux,uy)周围的像素点,计算得到具有最小偏移量ε(d)的像素点(ux1,uy1),并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点,得到像素(ux,uy)在当前帧图像I中的偏移量d,其中,偏移量d计算如下:
d=(ux1-ux,uy1-uy);
步骤3,计算多个背景图像上特征角点的位移均值S1以及位移中值S2,并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S;其中,位移均值S1、位移中值S2和偏移量S的计算公式如下:
N为样本数量;表示第k个背景图像上特征角点在横坐标X上的位移,表示第k个背景图像上特征角点在纵坐标Y上的位移;
步骤4,利用偏移量S修正背景模型,并提取运动目标F,其中,运动目标F提取公式如下:
F{SR(v(i,j))∩M(i+dx,j+dy)};
所述匹配模块,将视频运动目标提取模块提取的且经运动补偿的运动目标结果与存储模块中的原有人脸图像进行匹配,得到匹配识别后的结果;所述识别结果显示模块,显示人脸识别结果。
2.根据权利要求1所述的基于智能移动终端视频抖动分析的人脸识别系统,其特征在于,所述运动目标提取中的球半径R为20,基数Kmin为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510716909.1A CN105335717B (zh) | 2015-10-29 | 2015-10-29 | 基于智能移动终端视频抖动分析的人脸识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510716909.1A CN105335717B (zh) | 2015-10-29 | 2015-10-29 | 基于智能移动终端视频抖动分析的人脸识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105335717A CN105335717A (zh) | 2016-02-17 |
CN105335717B true CN105335717B (zh) | 2019-03-05 |
Family
ID=55286233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510716909.1A Active CN105335717B (zh) | 2015-10-29 | 2015-10-29 | 基于智能移动终端视频抖动分析的人脸识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335717B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228576A (zh) * | 2016-07-27 | 2016-12-14 | 潘燕 | 用于为目标跟踪处理图像的系统 |
CN106296731A (zh) * | 2016-07-27 | 2017-01-04 | 潘燕 | 一种复杂场景下的目标车辆视频跟踪系统 |
CN108416633A (zh) * | 2017-08-09 | 2018-08-17 | 泉州有刺电子商务有限责任公司 | 一种广告发布方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436301A (zh) * | 2008-12-04 | 2009-05-20 | 上海大学 | 视频编码中特征运动区域的检测方法 |
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN103530893A (zh) * | 2013-10-25 | 2014-01-22 | 南京大学 | 相机抖动场景下基于背景差和运动信息的前景检测方法 |
CN103617632A (zh) * | 2013-11-19 | 2014-03-05 | 浙江工业大学 | 一种结合相邻帧差法和混合高斯模型的运动目标检测方法 |
CN104392468A (zh) * | 2014-11-21 | 2015-03-04 | 南京理工大学 | 基于改进视觉背景提取的运动目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013260753A1 (en) * | 2013-11-25 | 2015-06-11 | Canon Kabushiki Kaisha | Rapid shake detection using a cascade of quad-tree motion detectors |
-
2015
- 2015-10-29 CN CN201510716909.1A patent/CN105335717B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN101436301A (zh) * | 2008-12-04 | 2009-05-20 | 上海大学 | 视频编码中特征运动区域的检测方法 |
CN103530893A (zh) * | 2013-10-25 | 2014-01-22 | 南京大学 | 相机抖动场景下基于背景差和运动信息的前景检测方法 |
CN103617632A (zh) * | 2013-11-19 | 2014-03-05 | 浙江工业大学 | 一种结合相邻帧差法和混合高斯模型的运动目标检测方法 |
CN104392468A (zh) * | 2014-11-21 | 2015-03-04 | 南京理工大学 | 基于改进视觉背景提取的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于Android平台的视频运动目标检测系统;熊欧 等;《数据通信》;20141030;第10-14页 |
Also Published As
Publication number | Publication date |
---|---|
CN105335717A (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403839B2 (en) | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium | |
EP3499414B1 (en) | Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN110032932B (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及系统 | |
CN105335717B (zh) | 基于智能移动终端视频抖动分析的人脸识别系统 | |
CN110991398A (zh) | 一种基于改进步态能量图的步态识别方法及系统 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN109284759A (zh) | 一种基于支持向量机(svm)的魔方颜色识别方法 | |
CN108021921A (zh) | 图像特征点提取系统及其应用 | |
CN109635682B (zh) | 一种人脸识别装置和方法 | |
CN114511592A (zh) | 一种基于rgbd相机和bim系统的人员轨迹追踪方法及系统 | |
CN112308887B (zh) | 一种多源图像序列实时配准方法 | |
CN103578121B (zh) | 干扰运动环境下基于共享高斯模型的运动检测方法 | |
CN106603888A (zh) | 图像颜色提取处理结构 | |
CN111783580B (zh) | 基于人腿检测的行人识别方法 | |
CN111932584B (zh) | 图像中运动对象的确定方法及装置 | |
CN115147751A (zh) | 一种基于视频图像的车站客流实时计数的方法 | |
CN111046834B (zh) | 一种基于自动学习分析的监控视频人物比例矫正方法 | |
CN111898533B (zh) | 一种基于时空特征融合的步态分类方法 | |
CN107273804A (zh) | 基于支持向量机和深度特征的行人识别方法 |
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 |