CN105488463B - 基于人脸生物特征的直系亲属关系识别方法及系统 - Google Patents
基于人脸生物特征的直系亲属关系识别方法及系统 Download PDFInfo
- Publication number
- CN105488463B CN105488463B CN201510831614.9A CN201510831614A CN105488463B CN 105488463 B CN105488463 B CN 105488463B CN 201510831614 A CN201510831614 A CN 201510831614A CN 105488463 B CN105488463 B CN 105488463B
- Authority
- CN
- China
- Prior art keywords
- biological
- facial image
- characteristic
- face
- gender
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000001815 facial effect Effects 0.000 claims abstract description 97
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000012417 linear regression Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于人脸生物特征的直系亲属关系识别方法及系统,对于终端采集的图片进行人脸检测得到人脸图像;提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;基于生物激励特征对人脸图像的性别以及年龄进行识别;根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。其避免了使用复杂的手工标注特征以及特征融合过程,能够提取到高水平的亲属关系特征;同时,对人脸图像的性别与年龄进行识别,进一步确定直系亲属之间的关系。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及基于人脸生物特征的直系亲属关系识别方法及系统。
背景技术
生物学家发现人脸图像是判断两个人是否有直系亲属关系的重要因素,伴随着一些诸如失踪儿童找回、儿童领养、寻找模仿者等应用需求的增长,根据人脸判断两人是否有直系亲属关系获得了越来越多人的关注。一些传统的方法是首先提取人脸的多种低层次特征,然后通过复杂的融合方式将多种低层次特征进行融合,最后送入分类器中进行分类判断。然而这些手工设计的低层次特征表达,无法很好的表达出人脸中蕴含的直系亲属关系信息。此外,传统方法没有考虑人脸关键点以及局部区域的相似度对亲属识别的重要性,因此不利于实现亲属识别。
因而现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供基于人脸生物特征的直系亲属关系识别方法及系统,以解决现有亲属识别方法中没有考虑人脸关键点以及局部区域的相似度对亲属识别的重要性,而无法准确识别直系亲属关系的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
基于人脸生物特征的直系亲属关系识别方法,其包括:
A、对于终端采集的图片进行人脸检测得到人脸图像;
B、提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;
C、基于生物激励特征对人脸图像的性别以及年龄进行识别;
D、根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
所述基于人脸生物特征的直系亲属关系识别方法,其中,所述步骤A中人脸检测采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测,其包括:
A1、构建由人脸图像组成的图像样本库,提取图片的Harr-like特征,并将所述Harr-like特征采用积分图法进行特征数值的计算;
A2、采用Adaboost算法选取人脸的矩形特征形成弱分类器,将所述弱分类器采用加权投票的方法构造为一个强分类器
A3、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器,对所述人脸图像进行检测。
所述基于人脸生物特征的直系亲属关系识别方法,其中,所述步骤B具体为:
B1、提取人脸图像的局部二值模式及变种中心对称局部二值模式特征向量;
B2、采用主分量分析法对所述特征向量进行降维处理;
B3、在降维后的特征向量空间中,采用马氏距离和双线性相似性函数相结合的度量方式对两个特征向量进行相似性度量学习比较,得到所述人脸图像与目标人脸的距离。
所述基于人脸生物特征的直系亲属关系识别方法,其中,所述马氏距离和双线性相似性函数相结合的度量方式为:
其中,为马氏距离,为双线性相似函数,M,G分别为参数矩阵。
所述基于人脸生物特征的直系亲属关系识别方法,其中,所述步骤C中基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的性别进行识别,所述基于生物激励特征的支持向量机分类器包括:
S1、将所述人脸图像根据双眼位置进行对齐,然后利用Gabor滤波器提取人脸图片的Gabor图谱;
S2、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征;
S3、根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理;
S4、在降维后的特征空间中,训练出用于性别识别的二分类支持向量机分离器。
所述基于人脸生物特征的直系亲属关系识别方法,其中,所述步骤C中基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别,所述基于生物激励特征的支持向量机和支持向量回归混合树形分类器包括:
H1、将所述人脸图像根据双眼位置进行对齐,利用Gabor滤波器提取人脸图片的Gabor图谱;
H2、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征;
H3、根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理;
H4、在降维后的特征空间中,以支持向量机和支持向量回归为节点构造树形分类器。
基于人脸生物特征的直系亲属关系识别系统,其包括:
检测模块,用于对于终端采集的图片进行人脸检测得到人脸图像;
提取模块,用于提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;
识别模块,用于基于生物激励特征对人脸图像的性别以及年龄进行识别;
确定模块,用于根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
所述基于人脸生物特征的直系亲属关系识别系统,其中,所述检测模块还用于采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
所述基于人脸生物特征的直系亲属关系识别系统,其中,所述基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的性别进行识别。
所述基于人脸生物特征的直系亲属关系识别系统,其中,基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别。
有益效果:与现有技术相比,本发明所提基于人脸生物特征的直系亲属关系识别方法及系统,对于终端采集的图片进行人脸检测得到人脸图像;提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;基于生物激励特征对人脸图像的性别以及年龄进行识别;根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。其避免了使用复杂的手工标注特征以及特征融合过程,能够提取到高水平的亲属关系特征;并且该方法考虑了人脸关键点以及人脸局部区域相似度对亲属关系识别的影响,分别对人脸局部二值模式及其变种中心对称局部二值模式的特征进行学习,具有更强的亲属关系识别能力。同时,对人脸图像的性别与年龄进行识别,进一步确定直系亲属之间的关系。
附图说明
图1为本发明基于人脸生物特征的直系亲属关系识别方法较佳实施例的流程图。
图2为本发明提供相似程度识别方法较佳实施例的流程图。
图3为本发明提供性别识别方法较佳实施例的流程图。
图4为本发明提供年龄识别方法较佳实施例的流程图。
图5为本发明基于人脸生物特征的直系亲属关系识别系统的结构原理图。
具体实施方式
本发明提供基于人脸生物特征的直系亲属关系识别方法及系统,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
对本发明涉及到的技术用语进行说明。“Gabor算法”属于加窗傅立叶变换,可以在频域不同尺度、不同方向上提取相关的特征,因为Gabor 函数与人眼的生物作用相仿,所以经常用作纹理识别。PCA(Principal Component Analysis)为主分量分析,其是一种掌握事物主要矛盾的统计分析函数,它可以从多元事物中解析出主要影响因素,揭示事物的本质,简化复杂的问题。BIF(Biology-Inspired Features)生物激励特征;SVM(Support VectorMachine)支持向量机;SVR(Support Vector Regression)支持向量回归;“Adaboost算法”为决策树算法,一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器,然后把这些弱分类器集合起来,构成一个更强的最终分类器。LBP(Local Binary Pattern)局部二值模式;变种中心对称局部二值模式;SML(Similarity Metric Learning)相似性度量学习。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
请参见图1,图1为本发明基于人脸生物特征的直系亲属关系识别方法较佳实施例的流程图。所述方法包括:
基于人脸生物特征的直系亲属关系识别方法,其包括:
S100、对于终端采集的图片进行人脸检测得到人脸图像。
具体地,所述终端采集的可以是终端通过摄像头等拍照设备拍摄的照片,其也可以是终端存储的图片或者照片,其还可以是终端通过无线或有线通信从其他终端设备获取的图片等。所述图片中可以包含一个人脸也可以包括多个人脸,每个人脸的处理过程是一样的,这里以图片包含一个人脸为例进行说明。
进一步,当终端采集到图片后,对图片上进行人脸检测得到图片中的人脸图像。其可以采用采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测,其具体可以包括:构建由人脸图像组成的图像样本库,通过做直方图均衡化并归一化为24×24大小;提取图片的Harr-like特征,并将所述Harr-like特征采用积分图法进行特征数值的计算;采用Adaboost算法选取人脸的矩形特征形成弱分类器,将所述弱分类器采用加权投票的方法构造为一个强分类器;将训练得到的若干强分类器串联组成一个级联结构的层叠分类器,对所述人脸图像进行检测。在实际应用中,所述Harr-like特征用于反应图像局部的灰度变化,在本实施例中,所述Haar-like 特征可以包括:边缘特征、线特征和中心特征等。
进一步,当识别出移动终端采集的图片中的人脸图像后,可以将所述图像中的人脸图像剪切出来,形成一个人脸图像图片。当人脸检测过程中没有检测到人脸图像时,终端将对用户进行提示,并结束本次操作。
S200、提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度。
具体地,当检测到图片中的人脸并剪切成人脸图像后,对人脸图像与目标人脸的相似性程度进行识别。也就是说,判断人脸图像与目标人脸之间的相似程度从而判断两者的亲属关系,其通过分类器判断并输出相似性程度以及是否为亲属关系。所述目标人脸为用户预先设置的用于判断是否与所述人脸图像具有亲属关系的人脸图像。所述目标人脸可以是性别、年龄以及生物特征可以是预先知道的,可以是通过与所述人脸图像进行相应操作得到,这里不做具体限制。
进一步,所述人脸图像与目标人脸之间的相似性程度的确定过程可以包括如下步骤,如图2所示,
S201、提取人脸图像的局部二值模式(LBP,Local Binary Pattern)及变种中心对称局部二值模式特征向量(CS-LBP,Center-Symmetric Local Binary Pattern)。
S202、采用主分量分析法(PCA,Principal Component Analysis)对所述特征向量进行降维处理。
具体地,在本实施例中,所述PCA是人脸局部特征提取和数据降维的一个标准处理方法,其可以采用k=1,2,3.......N的PCA算法对人脸局部特征进行降维;其中,投影矩阵用于使得投影后的人脸局部特征的总体散度矩阵增大。
S203、在降维后的特征向量空间中,采用马氏距离和双线性相似性函数相结合的度量方式对两个特征向量进行相似性度量学习比较,得到所述人脸图像与目标人脸的距离。
具体地,所述采用马氏距离和双线性相似性函数相结合的度量方式为,
其中,所述为马氏距离,其定义为:
所述为双线性相似性函数,其定义为:
M,G分别为两种度量方式中的参数矩阵。
通过训练样本学习度量函数中的M,G参数矩阵。设损失函数为
其中,为两个人脸特征向量的标签。
从而,通过求解一下优化问题
可以得到度量矩阵M,G,从而能够得到距离度量函数,用来比较两幅人脸图片特征向量之间的距离。
S300、基于生物激励特征对人脸图像的性别以及年龄进行识别。
具体地,基于生物激励特征对人脸图像的性别其采用基于生物激励特征(Biology-Inspired Features,BIF)的支持向量机(SVM,Support Vector Machine)分类器对人脸图像的性别进行识别。在实施例中,所述基于生物激励特征的支持向量机分类器其可以通过如下步骤得到,如图3所示,
S10、将所述人脸图像根据双眼位置进行对齐,然后利用Gabor滤波器提取人脸图片的Gabor图谱。
S20、对所述Gabor图谱进行Max和Std操作得到生物激励特征。
具体地,对所述Gabor图谱进行取最大值Max和取标准差Std操作得到生物激励特征。在实际应用中,所述取最大值Max操作可以采用如下过程:将得到的Gabor图谱中相邻尺度的特征图谱Gabor1,Gabor2进行取最大值合并,即
GaborMax(i,j)=max(Gabor1(I,j),Gabor2(I,j))。
所述取标准差Std操作为对Max操作处理后的Gabor每个图谱进行非重叠分块,计算每个分块内的标准差作为特征向量的一个维度,这里不做具体限制,仅给出一例子加以说明,如,对于上述Max操作中得到的结果GaborMax,进行4×4分块,计算标准差,所有分块的标准差连接得到GaborStd的特征向量。将所有的图谱进行分块、取最大值和标准差得到的结果串联,即可得到生物激励特征。
S30、根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理。
具体地,分类训练数据中第i张人脸图片的多尺度线性差分特征为,训练数据中共有m张人脸图片,经过特征选择后的特征维度为d。特征选择算法的过程如下:
S31、每个训练样本的初始权重为 ;
S32、针对特征向量的每一个维度,训练一个决策树,作为弱分类器;
S33、计算误差,选出误差最小时对应的维度j,作为特征选择的一个维度;
S34、重复步骤S32、S33直到选出的特征维度数为d。
S40、在降维后的特征空间中,训练出用于性别识别的二分类支持向量机分类器。
具体地,所述SVM是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,即支持向量机的学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。所述凸二次规划问题为:
约束条件为:
。
对于凸二次规划问题通过拉格朗日乘子法,可得:
再对拉格朗日对偶函数的优化求解,可以得到最大间隔分类界面。
进一步,所述基于生物激励特征对人脸图像年龄进行识别其为基于生物激励特征(Biology-Inspired Features,BIF)特征的支持向量机(Support Vector Machine,SVM)和支持向量回归(Support Vector Regression,SVR)混合树形分类器对年龄进行识别。在实施例中,基于生物激励特征的支持向量机和支持向量回归混合树形分类器包括,如图4所示,
H10、将所述人脸图像根据双眼位置进行对齐,利用Gabor滤波器提取人脸图片的Gabor图谱。
H20、对所述Gabor图谱进行Max和Std操作得到生物激励特征。
具体地,所述Max和Std操作与性别识别中的Max和Std操作可以采用相同的方法和过程,这里就不在赘述。
H30、根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理。
具体地,利用多分类Adaboost级联算法在BIF特征向量的基础上进行特征选择,选择出包含较多年龄信息的特征分量,降低特征向量的维度。其多分类Adaboost级联算法在步骤S300已经详细说明,这里不再赘述。
H40、在降维后的特征空间中,以支持向量机和支持向量回归为节点构造树形分类器。
具体地,所述支持向量机已经在步骤S300详细说明,这里不再赘述。对于支持向量回归模型,其分为线性回归和非线性回归。所述线性回归使用线性回归函数:
估计训练样本
。
为了更好的估计,确保线性回归函数的平坦,必须找到最小的W。为了达到这个目的,采用欧几里得范数限制W的大小。假设存在线性回归函数f在精度上能够估计所有训练样本,那么该回归问题可以转化为凸优化问题:
约束条件:
通过拉格朗日乘子法,可得:
再根据KKT(Karush-Kuhn-Tucker)条件可得如下等式:
因此可以得到回归函数
其中,不为零对应的训练样本即是支持向量。
对于非线性回归,其基本思想就是通过某个映射函数将样本投影到高维空间中,然后再进行线性回归分析。在本发明中,使用基于RBF核的非线性支持向量回归作为分类器模型。
S400、根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
具体地,根据人脸识别的相似性,判断图片中的人脸是否为目标人脸的亲属;根据性别识别的结果,估计人脸的男女性别,从而判断该人脸图片是目标人脸的男性亲属还是女性亲属;根据年龄估计的结果,估计人脸的年龄,从而通过该人脸图片与目标人脸之间的年龄差距判断该人脸是目标人物的父母、兄弟姐妹还是子女。
本发明还提供了一种基于人脸生物特征的直系亲属关系识别系统,如图5所示,其包括:
检测模块100,用于对终端采集的图片进行人脸检测得到人脸图像;
提取模块200,用于提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;
识别模块300,用于基于生物激励特征对人脸图像的性别以及年龄进行识别;
确定模块400,用于根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
所述基于人脸生物特征的直系亲属关系识别系统,其中,所述检测模块还用于采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
所述基于人脸生物特征的直系亲属关系识别系统,其中,所述基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的性别进行识别。
所述基于人脸生物特征的直系亲属关系识别系统,其中,基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别。
本领域的技术人员可以清楚地了解到上述实施例方法及系统可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等) 执行本发明各个实施例所述的方法。
因而,本发明还提供了一种基于人脸生物特征的直系亲属关系识别装置其包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
对于终端采集的图片进行人脸检测得到人脸图像;
提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;
基于生物激励特征对人脸图像的性别以及年龄进行识别;
根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
所述存储器被配置为存储各种类型的数据以支持在设备的操作。这些数据的示例包括用于在装置上操作的任何应用程序或方法的命令,联系人数据,电话簿数据,消息,图片,视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
在示例性实施例中,装置可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括命令的非临时性计算机可读存储介质,例如包括命令的存储器,上述命令可由装置的处理器执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.基于人脸生物特征的直系亲属关系识别方法,其特征在于,其包括:
A、对于终端采集的图片进行人脸检测得到人脸图像;
B、提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;
C、基于生物激励特征对人脸图像的性别以及年龄进行识别;
D、根据所述性别、年龄以及相似性程度识别出所述人脸图像与目标人脸的直系亲属关系;
所述步骤C中基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的性别进行识别,所述基于生物激励特征的支持向量机分类器包括:
S1、将所述人脸图像根据双眼位置进行对齐,然后利用Gabor滤波器提取人脸图片的Gabor图谱;
S2、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征;
S3、根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理;
S4、在降维后的特征空间中,训练出用于性别识别的二分类支持向量机分类器;
所述取最大值Max操作采用如下过程:将得到的Gabor图谱中相邻尺度的特征图谱Gabor1,Gabor2进行取最大值合并,所述取标准差Std操作为对Max操作处理后的Gabor每个图谱进行非重叠分块,计算每个分块内的标准差作为特征向量的一个维度。
2.根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法,其特征在于,所述步骤A中人脸检测采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测,其包括:
A1、构建由人脸图像组成的图像样本库,提取图片的Harr-like特征,并将所述Harr-like特征采用积分图法进行特征数值的计算;
A2、采用Adaboost算法选取人脸的矩形特征形成弱分类器,将所述弱分类器采用加权投票的方法构造为一个强分类器;
A3、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器,对所述人脸图像进行检测。
3.根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法,其特征在于,所述步骤B具体为:
B1、提取人脸图像的局部二值模式及变种中心对称局部二值模式特征向量;
B2、采用主分量分析法对所述特征向量进行降维处理;
B3、在降维后的特征向量空间中,采用马氏距离和双线性相似性函数相结合的度量方式对两个特征向量进行相似性度量学习比较,得到所述人脸图像与目标人脸的距离。
4.根据权利要求3所述基于人脸生物特征的直系亲属关系识别方法,其特征在于,所述马氏距离和双线性相似性函数相结合的度量方式为:
其中,为马氏距离,为双线性相似函数,M,G分别为参数矩阵。
5.根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法,其特征在于,所述步骤C中基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别,所述基于生物激励特征的支持向量机和支持向量回归混合树形分类器包括:
H1、将所述人脸图像根据双眼位置进行对齐,利用Gabor滤波器提取人脸图片的Gabor图谱;
H2、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征;
H3、根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理;
H4、在降维后的特征空间中,以支持向量机和支持向量回归为节点构造树形分类器。
6.基于人脸生物特征的直系亲属关系识别系统,其特征在于,其包括:
检测模块,用于对终端采集的图片进行人脸检测得到人脸图像;
提取模块,用于提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量,并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度;
识别模块,用于基于生物激励特征对人脸图像的性别以及年龄进行识别;
确定模块,用于根据所述性别、年龄以及相似性程度识别出所述人脸图像与目标人脸的直系亲属关系;
所述识别模块中基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的性别进行识别,所述基于生物激励特征的支持向量机分类器包括:
提取模块,将所述人脸图像根据双眼位置进行对齐,然后利用Gabor滤波器提取人脸图片的Gabor图谱;
操作模块,对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征;
处理模块,根据提取的生物激励特征,利用多分类Adaboost级联算法对生物激励特征向量进行维度处理;
性别识别模块,在降维后的特征空间中,训练出用于性别识别的二分类支持向量机分类器;
所述取最大值Max操作采用如下过程:将得到的Gabor图谱中相邻尺度的特征图谱Gabor1,Gabor2进行取最大值合并,所述取标准差Std操作为对Max操作处理后的Gabor每个图谱进行非重叠分块,计算每个分块内的标准差作为特征向量的一个维度。
7.根据权利要求6所述基于人脸生物特征的直系亲属关系识别系统,其特征在于,所述检测模块还用于采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
8.根据权利要求6所述基于人脸生物特征的直系亲属关系识别系统,其特征在于,所述基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的性别进行识别。
9.根据权利要求6所述基于人脸生物特征的直系亲属关系识别系统,其特征在于,基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510831614.9A CN105488463B (zh) | 2015-11-25 | 2015-11-25 | 基于人脸生物特征的直系亲属关系识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510831614.9A CN105488463B (zh) | 2015-11-25 | 2015-11-25 | 基于人脸生物特征的直系亲属关系识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105488463A CN105488463A (zh) | 2016-04-13 |
CN105488463B true CN105488463B (zh) | 2019-01-29 |
Family
ID=55675435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510831614.9A Active CN105488463B (zh) | 2015-11-25 | 2015-11-25 | 基于人脸生物特征的直系亲属关系识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488463B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975914B (zh) * | 2016-04-28 | 2018-12-28 | 东南大学 | 基于线性组合特征的夫妇与孩子间三人亲属关系判别方法 |
CN107609461A (zh) * | 2017-07-19 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 模型的训练方法、数据相似度的确定方法、装置及设备 |
CN107563319A (zh) * | 2017-08-24 | 2018-01-09 | 西安交通大学 | 一种基于图像的亲子间人脸相似性度量计算方法 |
CN108491812B (zh) * | 2018-03-29 | 2022-05-03 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
CN109344759A (zh) * | 2018-06-12 | 2019-02-15 | 北京理工大学 | 一种基于角度损失神经网络的亲属识别方法 |
CN111104823A (zh) * | 2018-10-25 | 2020-05-05 | 北京奇虎科技有限公司 | 人脸识别方法、装置及存储介质、终端设备 |
CN109815296B (zh) * | 2018-12-29 | 2020-12-22 | 北京中科闻歌科技股份有限公司 | 公证文档的人物知识库构建方法、装置及存储介质 |
CN110378230B (zh) * | 2019-06-19 | 2024-03-05 | 平安科技(深圳)有限公司 | 失踪人脸识别方法、装置、计算机设备和存储介质 |
CN111428666A (zh) * | 2020-03-31 | 2020-07-17 | 齐鲁工业大学 | 基于快速人脸检测的智能家庭陪伴机器人系统及方法 |
CN111797842B (zh) * | 2020-07-06 | 2023-04-07 | 中国科学院计算机网络信息中心 | 图像分析方法及装置、电子设备 |
CN113496219B (zh) * | 2021-09-06 | 2022-01-28 | 首都师范大学 | 基于人脸图像分析的血缘关系自动识别方法和装置 |
CN114463830B (zh) * | 2022-04-14 | 2022-08-26 | 合肥的卢深视科技有限公司 | 亲缘关系判定方法、装置、电子设备及存储介质 |
CN116959286A (zh) * | 2023-08-04 | 2023-10-27 | 张悦 | 基于大数据的智能安防方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143079A (zh) * | 2013-05-10 | 2014-11-12 | 腾讯科技(深圳)有限公司 | 人脸属性识别的方法和系统 |
CN105005774A (zh) * | 2015-07-28 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
-
2015
- 2015-11-25 CN CN201510831614.9A patent/CN105488463B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143079A (zh) * | 2013-05-10 | 2014-11-12 | 腾讯科技(深圳)有限公司 | 人脸属性识别的方法和系统 |
CN105005774A (zh) * | 2015-07-28 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
Kinship measurement on salient facial features;Guodong Guo et al;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20120831;第61卷(第8期);第2322-2325页 |
Similarity Metric Learning for Face Recognition;Qiong Cao et al;《2013 IEEE International Conference on Computer Vision》;20131231;第2408-2415页 |
基于环形Gabor小波与CS-LBP算法在人脸识别中的应用;邵诗强 等;《光电子技术》;20120930;第32卷(第3期);第180-184页 |
Also Published As
Publication number | Publication date |
---|---|
CN105488463A (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488463B (zh) | 基于人脸生物特征的直系亲属关系识别方法及系统 | |
US11210503B2 (en) | Systems and methods for facial representation | |
Yang et al. | Sieving regression forest votes for facial feature detection in the wild | |
KR101725651B1 (ko) | 식별 장치 및 식별 장치의 제어 방법 | |
US9633044B2 (en) | Apparatus and method for recognizing image, and method for generating morphable face images from original image | |
US8184914B2 (en) | Method and system of person identification by facial image | |
Ahmed et al. | Optimum feature selection with particle swarm optimization to face recognition system using Gabor wavelet transform and deep learning | |
CN104616316B (zh) | 基于阈值矩阵和特征融合视觉单词的人物行为识别方法 | |
CN103824051B (zh) | 一种基于局部区域匹配的人脸搜索方法 | |
US20140140625A1 (en) | Devices, systems, and methods for visual-attribute refinement | |
EP2869239A2 (en) | Systems and methods for facial representation | |
Ren et al. | Band-reweighed Gabor kernel embedding for face image representation and recognition | |
Ravì et al. | Real-time food intake classification and energy expenditure estimation on a mobile device | |
CN110506274B (zh) | 图像中的对象检测和表示 | |
US20170177924A1 (en) | Attribute factor analysis method, device, and program | |
KR20170026222A (ko) | 이미지의 객체를 분류하기 위한 방법 및 디바이스, 및 대응하는 컴퓨터 프로그램 제품 및 컴퓨터 판독가능한 매체 | |
JP5214679B2 (ja) | 学習装置、方法及びプログラム | |
JP6166981B2 (ja) | 表情解析装置及び表情解析プログラム | |
KR101672814B1 (ko) | 랜덤 포레스트를 이용한 성별인식 방법 | |
Sousa et al. | The data replication method for the classification with reject option | |
KR101763259B1 (ko) | 데이터를 구분하는 전자 장치 및 그 방법 | |
CN104346601B (zh) | 对象识别方法和设备 | |
JP2019036232A (ja) | 対象認識装置 | |
Mothwa | Smart attendance monitoring system using computer vision. | |
Šerých | Coin-Tracking-Double-Sided Tracking of Flat Objects |
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 |