CN105701472A - 一种动态目标的面部识别方法与装置 - Google Patents

Abstract

为了实现更为精确的人脸图形获取和识别，在本发明一个方面，公开一种动态目标的面部识别方法，包括：持续将获得的动态目标图形内的生物形态特征图形中被确定为面部图形区域的面部图形进行数字化裁剪；计算所裁剪出的面部图形以获得一个最佳面部图形；以及根据所述的最佳面部图形来验证该动态目标的身份。在本发明另一个方面，公开一种执行这种面部识别方法的装置。

Description

一种动态目标的面部识别方法与装置

技术领域

本发明主要涉及对动态目标的面部特征识别。

背景技术

生物特征识别技术作为一种比传统身份鉴别方法更加安全、方便的身份鉴别技术，越来越受到各界的大力关注与投入。人脸识别技术是一种主要的生物特征识别技术之一，近些年来取得了快速的发展和良好的应用。传统的人脸识别算法大部分是静态环境下，配合的情形下运行。但是，许多具体的实际应用发生在动态非配合的场景中，比如在公共场合某些犯罪分子的搜寻，而且静态配合的情况会降低用户的体验度和满意度，人会感觉受控于设备。

发明内容

针对上述现有技术中存在的问题，本发明的一个特定目的在于提供一种自动的动态人脸识别方法和装置，能够在不同的人脸识别与验证的场合中进行应用。具体来说，本发明可实现精确的人脸图形获取和识别，以及实现更为准确的人脸图形处理和验证。

在一个方面，一种动态目标的面部识别方法包括：持续将获得的动态目标图形内的生物形态特征图形中被确定为面部图形区域的面部图形进行数字化裁剪；计算所裁剪出的面部图形以获得一个最佳面部图形；以及根据所述的最佳面部图形来验证该动态目标的身份。

在一个实施例中，所述的动态目标面部识别方法又包括：持续获取一个预设静态可视区域范围内出现的动态目标图形；确定该动态目标的生物形态特征图形；通过对所述生物形态特征图形的计算来确定该动态目标的面部图形区域；以及持续获取所述动态目标的面部图形区域，以确定最佳面部特征图形区域。在另一个实施例中，所述的动态目标的面部识别方法又包括：获取预设静态可视区域范围内出现的动态目标图形；以及通过面部检测算法来确定该动态目标的面部图形区域。

在另一个方面，一种实现前述动态目标的面部识别方法的装置包括处理器，被配置为：持续将获得的动态目标图形内的生物形态特征图形中被确定为面部图形区域的面部图形进行数字化裁剪；计算所裁剪出的面部图形以获得一个最佳面部图形；以及根据所述的最佳面部图形来验证该动态目标的身份。

在一个实施例中，所述的动态目标的面部识别装置又包括图形获取装置，被配置为：持续获取一个预设静态可视区域范围内出现的动态目标图形；以及持续获取所述动态目标的面部图形区域，以确定最佳面部特征图形区域。

附图说明

图1是以绘画的形式表示了描绘本发明的面部识别方法的主要流程，其中同时标示出了主要发明要素的标记；

图2表示作为本发明一个实施例的体态识别方法的流程图；

图3表示作为本发明一个实施例的仿射变换实现方式的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。本发明所述的装置是可由软件和/或硬件实现，也可内置在(例如)智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等电子设备中。

在本发明的任一实施例中，“动态目标”是具体表示处于一个拍摄的静态场景下的相对该静态场景移动的物体，尤其是指人或动物。“生物形态特征”是表示该移动的人或动物的具体形态，例如外廓、体态、步态或动作等。在一个实施例中，动态目标是以人为例子来描述，对应地，生物形态特征是指这个人的体形或体态。在其他实施例中，动态目标可以动物为例。

以识别人脸为例，参照图1，从一个总的方面来说，其面部识别方法主要包括：

步骤S100、持续(或多次地)将获得的动态目标图形3内的生物形态特征(例如，体态)图形10中被确定为面部图形区域的面部图形11数字化裁剪出来。其中，获得的方式可以是通过摄像设备或监控设备拍摄或录像实现，例如可以是连续的快门拍摄或持续的录影，可提取其中的多个帧位的图形。多个帧位的图形结合在一起可构成动态目标(例如，人体)的一个连续运动动作。

步骤S200、计算所裁剪出的面部图形11以获得一个最佳面部图形110。计算的操作可以是重复多次进行的，在一个例子里，针对于步骤S100中所述持续获得的方式，可对持续动作中的(例如)每一帧图形进行数字化裁剪，从而获得复数张裁剪后的面部图形11或者是面部图形组，可选取其中的一个作为最佳面部图形，或者也可以使用算法叠加的方式将这多张面部图形整理为一个最佳面部图形。在另一个例子里，对这复数张面部图形的整理操作也包括了再次对每一帧图形加以裁剪的方式。

步骤S300、根据裁剪后的最佳面部图形110来验证这个人的身份。其中，裁剪后的最佳面部图形110也可以是多个或者一个组，也可以是被确定为最佳色度值的图形。

例如，所述的摄像设备或监控设备电连接至处理器或计算机，在所述处理器的存储设备中预设了面部模型数据库，所述验证的方式可利用图形数据序列比对或矢量评分的方式来实现。在一个例子里，监控设备可拍摄多张主要体现人的面部图形的照片，处理器可根据该面部照片进行更为精确的裁剪，或者根据上述动态目标图形来确定人所处的角度或位置。

实施例1：

具体来说，为了更有效地获取上述面部图形11，在上述步骤S100之前，对面部识别的方法可包括：

步骤S010、持续获取一个预设静态可视区域范围2内出现的动态目标图形3，在本实施例中，动态目标是正在行走的人。实施本方法的计算机或处理器可通过色度阈值判断的方式来检测是否出现了正在移动的目标1，若在表示预设的静态可视区域范围2的图形的色度值发生变化时，则处理器将开启拍摄或录影。如此，处理器将开启判断该移动的目标是否为人。

其中区别于以往技术地，所述的摄像设备或监控设备将无需通过移动或调整(例如)镜头的拍摄角度来追踪该移动中的目标1，处理器可通过多角度多次拍摄的方式来获得有效的生物形态特征(例如，体态)图形10，对于不同类别的监控设备来说是特别通用的。技术人员也可在此基础上使用多个监控设备或组合来持续地追踪移动中的目标1。

在一个例子里，为了有效地获取生物形态特征图形10，摄像设备可将拍摄距离(例如焦距)调节至合适参数，从而获得更好的图形样本。进一步来说，对拍摄距离的调节也可以是连续变化的。

步骤S020、确定该动态目标的生物形态特征图形。在本实施例中，生物形态特征指人的体形特征。参照图1，处理器可将拍摄到的目标1的图形进行数据处理，例如，可按照前述色度阈值判断的方式，将静态可视范围2在生物形态特征图形10中除过目标1的部分加以消除，得到一个完整的体形特征，并判断该目标1为人。

在图1中，处理器200将根据预设体形参数来判断图形中的目标的形状，例如判断出目标具有四肢躯干图形12和面部图形11。在一个实施例中，再消除所述静态可视范围2的部分后，可将初步得到的生物形态特征图形10进行再次选取以得到更准确的体形特征。

步骤S030、通过对所述生物形态特征图形的计算来确定该动态目标的面部图形区域。在本实施例中，处理器根据预设阈值将上述四肢躯干图形12加以去除，从而获得面部图形11，去除的方式可使用色彩空间转换方式实现。

摄像设备可拍摄包含移动中目标1的多帧照片，针对每一帧照片，移动目标1的体态将会不同，摄像设备可持续跟踪目标1在静态可视区域范围2内的位置变化，或者缩小拍摄的范围，以使得生物形态特征图形10在静态可视区域范围2中占有最大的面积比例。例如，动态目标1的面部图形13和面部图形11存在于相对于所述静态可视区域图形2中不同的位置，摄像设备将仅拍摄生物形态特征图形10的最小区域，即必须至少包含具有四肢躯干图形12和面部图形11的图形区域。这样的一种效果是，可以大幅度减少处理器的图形处理流量和运行速度。

步骤S040、持续(或多次地)获取所述动态目标1的面部图形区域，以确定最佳面部特征图形区域。按照上述步骤S030的方式，同样地可对面部图形11进行持续追踪，摄像设备可持续跟踪目标1的面部在静态可视区域范围2内的位置变化，或者更进一步缩小拍摄的范围，以使得面部图形11或13在生物形态特征图形10中占有最大和有效的面积比例。

在本实施例中，处理器根据预设阈值将上述四肢躯干图形12加以去除，从而获得面部图形11。去除的方式可使用色彩空间转换方式实现。如此，处理器将在确定该动态目标为人之后不再获取或处理四肢躯干图形12，这样的一个效果是，更为有效地提取目标1的面部特征。

实施例2：

参照图1，作为一种变型，在上述步骤S100之前，对动态目标1的面部识别方法又可包括：

步骤S010’、获取预设静态可视区域范围2内出现的动态目标图形3；以及

步骤S020’、(例如)通过面部检测算法来确定该动态目标的面部图形区域。所述面部检测算法是预设在所述处理器的存储设备内，用于直接检测目标是否具有五官特征，这样的方式将省略前述步骤S020和S100，相同方式地，摄像设备重复多次地拍摄目标的移动过程，处理器将在这多次拍摄的多个帧位图形中直接识别上述目标1的五官特征，所述处理器的存储设备内将预先存储关于这个目标(例如，人)的模型库用于比对验证。具体来说，处理器可将拍摄到的目标1的图形进行数据处理，将静态可视范围2在面部图形11区域中除过目标1面部的部分加以消除，得到一个完整的面部特征，并判断该目标1为人。

实施例3：

作为前述步骤S010的一种变型，或作为一个独立的改进方面，对目标1的面部识别还可包括：

步骤S011、持续或多次地获取该动态目标1的生物形态特征图形(例如，四肢躯干图形12)，以识别该动态目标1的体态特征。

在一个例子里，摄像设备可拍摄包含移动中目标1的多帧照片，针对每一帧照片，移动目标1的体态将会不同，摄像设备可持续跟踪目标1在静态可视区域范围2内的位置变化，或者缩小拍摄的范围，以使得生物形态特征图形10在静态可视区域范围2中占有最大的面积比例。这样的目的是，通过拍摄体态来加以识别和验证，例如可根据该目标1的身高、步态或其他动作来进行预先识别，而后再有必要进行人脸的面部特征识别。

例如，动态目标1的面部图形13和面部图形11存在于相对于所述静态可视区域图形2中不同的位置，处理器用于持续捕捉这些动作所对应的图形参数的变化趋势，摄像设备将仅拍摄生物形态特征图形10的最小区域，即必须至少包含具有四肢躯干图形12和面部图形11的图形区域。这样的一种效果是，可以大幅度减少处理器的图形处理流量和运行速度。

步骤S012、根据所述体态特征生成动态目标特征参数，在该动态目标特征参数满足预设阈值参数时，直接进行步骤S040。这样的一个效果是，可通过多次拍摄的方式并行地识别这个目标1的体态特征，若在处理器的存储设备内也设置了体态特征模型库，则可通过满足所述预设阈值参数的方式初步确定该目标1的身份评判参数作为参考值，体态特征模型库将与面部特征模型库加以关联，根据该参考值可初步确定该面部特征模型库内的近似模型范围。

具体来说，可将静态可视范围2在生物形态特征图形10中除过目标1的部分加以消除，得到一个完整的体形特征，并通过处理器判断出该目标1为人。在此基础上，处理器将根据预设阈值将生物形态特征图形10中包含的上述四肢躯干图形12加以去除，从而直接获得面部图形11。去除的方式可使用色彩空间转换方式实现。如此，处理器将在确定该动态目标为人之后不再获取或处理四肢躯干图形12，这样的一个效果是，更为快速和有效地提取目标1的面部特征。

在上述各个实施例中，所述的动态目标的面部识别方法中，上述步骤S200及其变型中又可包括：通过仿射变换来获得所述的最佳面部特征图形区域和最佳面部图形。其中，所述仿射变换是用于将所获得的多张图形进行对比，将仿射变换得到的最小对比值的该张图形区域作为最佳图形。仿射变换是一种二维至二维空间向量的线性变换，其主要原理为：

$\left[\begin{array}{c}u\\ v\end{array}\right]=\left[\begin{array}{ccc}{a}_2& a_1& a_0\\ b_2& b_1& b_0\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

若摄像设备所获得的多张图形中的最佳图形坐标(u，v)是来自于对该多张图形中其他图形的空间坐标(x，y)通过图形变换系数{a_i，b_i}(i＝{0,1,2})相乘得出，在一个实际效果中，仿射变换的效果是对这多张图形的合并或对比平移。

在一个改进方面，为了更有效和快速地进行所述对比操作，参照图1所示实施例，以获得最佳面部图形为例，进行所述仿射变换可包括：

步骤S301、选取多个面部图形11中的至少一个，与预设的标准面部图形111进行对比，以获得图形变换系数V_F(a_i，b_i)，其中，所述标准面部图形111是预先存储在处理器的存储设备内，所述的图形对比参数可基于图形尺寸、比例或图形分辨率的比较生成。在一个效果中，该图形变换系数V_F(a_i，b_i)也可以实际反映为一张具有合适尺寸的面部图形112。

步骤S302、分别计算该图形变换系数V_F(a_i，b_i)与上述标准面部图形111和单张面部图形11之间的对比值V_M(x，y)和V_C(x，y)，选取较小的一个。其中对上述对比值大小的判断可以是向量空间距离的方式来执行。

步骤S303、选取多个面部图形11中的至少一部分，将这至少一部分面部图形11中的一张与剩余张图形根据所述较小的一个对比值进行对比，以获得最佳面部图形110。

步骤S304、根据较大的一个所述对比值将上述标准面部图形111进行变换，以获得一个最佳标准面部图形111。

步骤S305、将最佳面部图形110与该最佳标准面部图形111进行比较来验证动态目标1的身份。其中，比较的方式可以是按照图形坐标(u，v)的比较来执行。这种映射变换改进的实际效果是，为了达到所拍摄和裁剪过的图形的尺寸能够与预设的标准面部图形相一致，甚至可通过多次仿射变换来达到相等，从而提高验证的辨识度，避免在(例如)频域变换过程中出现的图形噪声的干扰。

作为上述识别方法的一个变型，在所述的面部识别方法中，所述裁剪包括：

步骤S101、将所述生物形态特征图形10进行色彩空间转换。一种方式是，将目标1的生物形态特征图形10从RGB色彩空间转换为YIQ色彩空间，其中Y是表示图形的灰度值(Grayvalue)，而I和Q则是指色调(Chrominance)，即描述图像色彩及饱和度的属性。在YIQ色彩空间中，Y分量代表图像的亮度信息，I和Q两个分量则携带颜色信息，I分量代表从橙色到青色的颜色变化，而Q分量则代表从紫色到黄绿色的颜色变化。所述转换满足关系式：

$\left[\begin{array}{c}Y\\ I\\ Q\end{array}\right]=\left[\begin{array}{ccc}0.2989& 0.5870& 0.1140\\ 0.5959& -0.2744& -0.3216\\ 0.2115& -0.5228& 0.3115\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

如此，可将生物形态特征图形10中的四肢躯干图形12和属于静态可视区域范围2中的图形部分消除，在此情况下，获得一个面部的(例如)灰度图形。

步骤S102、将至少一个色彩分量进行对数Gabor变换。其中，可选取Y色彩分量进行变换，所述变换满足卷积关系式：

O(u,v)＝IFFT(FFT(img).*LGF(u,v))(2)

其中，O代表处理器中的图形处理单元(例如，图形卡或硬件图形处理设备)输出的图形数据，img表示输入该图形处理单元的上述灰度图形，u表示分量方向，v代表频率。LGF表示处理器进行的对数Gabor变换处理，FFT是通过傅里叶变换把生物形态特征图形10中的面部图形11从时域转换到频域，IFFT是把该频域反转回时域。

步骤S103、提取至少一个矢量方向和频率上的梯度方向直方图(HOG)特征，并可使用(例如)ada-boost分类器进行面部检测。其中，处理器中的数据处理单元可选取u＝7，v＝4下的输出图形数据提取HOG特征。在其他实施例中，可使用其他u和v的不同取值来进行提取。

进一步地可在所述裁剪操作完成后，上述步骤200中又包括：

步骤S201、将每一所述的色彩分量(以Y/I/Q色彩分量为例)进行对数Gabor变换，所述变换可采用满足关系式(2)的变换方式；

步骤S202、将多个矢量方向和频率上经过对数Gabor变换后的图形进行叠加，以在每一所述的色彩分量上获得一个叠加后的图形。例如，在一个实施例中，选取8个分量方向u、4个频率v的对数Gabor变换后的图形数据进行叠加，叠加后的图形将是获得的最佳面部图形110。在其他实施例中，步骤202是重复进行的，以此获得多张最佳面部图形110。

步骤S203、对每一叠加后的图形提取一致性局部二值模式特征，以验证该动态目标的身份。

在上述各个变型中，所述叠加为矢量和或者代数和的形式。

在另一个方面，实现上述各个面部识别方法的装置包括了处理器200，被配置为：持续将获得的动态目标图形3内的生物形态特征图形10中被确定为面部图形区域的面部图形1进行数字化裁剪；计算所裁剪出的面部图形以获得一个最佳面部图形110；以及根据所述的最佳面部图形110来验证该动态目标的身份。

在一个实施例中，所述装置又包括图形获取装置100，例如前述摄像设备或监控设备，被配置为：持续获取一个预设静态可视区域范围2内出现的动态目标图形；以及持续获取所述动态目标1的面部图形区域，以确定最佳面部特征图形区域。

作为一种改进，在所述的动态目标的面部识别装置中，所述处理器200还被配置为：确定该动态目标的生物形态特征图形10；以及通过对所述生物形态特征图形10的计算来确定该动态目标的面部图形区域。在上述各个方面，生物形态特征可特指人的体态、步态或行为动作特征。

作为另一种改进，在所述的动态目标的面部识别装置中，所述处理器200还被配置为：(例如)通过面部检测算法来确定该动态目标的面部图形区域。

进一步来说，所述处理器200还被配置为：将所述生物形态特征图形进行色彩空间转换；将至少一个色彩分量进行对数Gabor变换；提取至少一个矢量方向和频率上的HOG特征，并进行面部检测。

更进一步来说，所述处理器还200被配置为：将每一所述的色彩分量进行对数Gabor变换；将多个矢量方向和频率上经过对数Gabor变换后的图形进行叠加，以在每一所述的色彩上获得一个叠加后的图形；以及对每一叠加后的图形提取一致性局部二值模式特征，以验证该动态目标的身份。

在上述各个实施例中，所述处理器200又可被配置为：通过所述仿射变换来获得所述的最佳面部特征图形区域和最佳面部图形。以获得最佳面部图形为例，所述处理器200可包括仿射变换单元，可被配置为：选取多个面部图形11中的至少一个，与预设的标准面部图形111进行对比，以获得图形变换系数V_F(a_i，b_i)，其中，所述标准面部图形111是预先存储在处理器的存储设备内，所述的图形对比参数可基于图形尺寸、比例或图形分辨率的比较生成；分别计算该图形变换系数V_F(a_i，b_i)与上述标准面部图形111和单张面部图形11之间的对比值V_M(x，y)和V_C(x，y)，选取较小的一个；选取多个面部图形11中的至少一部分，将这至少一部分面部图形11中的一张与剩余张图形根据所述较小的一个对比值进行对比，以获得最佳面部图形110；根据较大的一个所述对比值将上述标准面部图形111进行变换，以获得一个最佳标准面部图形111；将最佳面部图形110与该最佳标准面部图形111进行比较来验证动态目标1的身份。

其中，比较的方式可以是按照图形坐标(u，v)的比较来执行。这种映射变换改进的实际效果是，为了达到所拍摄和裁剪过的图形的尺寸能够与预设的标准面部图形相一致，甚至可通过多次仿射变换来达到相等，从而提高验证的辨识度，避免在(例如)频域变换过程中出现的图形噪声的干扰。

作为又一种改进，所述处理器200被配置为：持续或多次地获取该动态目标1的生物形态特征图形(例如，四肢躯干图形12)，以识别该动态目标1的体态特征；根据所述体态特征生成动态目标特征参数，在该动态目标特征参数满足预设阈值参数时，直接进行步骤S040。这样的一个效果是，可通过多次拍摄的方式并行地识别这个目标1的体态特征，若在处理器的存储设备内也设置了体态特征模型库，则可通过满足所述预设阈值参数的方式初步确定该目标1的身份评判参数作为参考值，体态特征模型库将与面部特征模型库加以关联，根据该参考值可初步确定该面部特征模型库内的近似模型范围。具体来说，可将静态可视范围2在生物形态特征图形10中除过目标1的部分加以消除，得到一个完整的体形特征，并通过处理器判断出该目标1为人。

在以上实施例中，相同指称或功能的组件和要素是以相同或相似数字标记表示，这些实施例中的方法步骤的数字符号代表了先后执行的顺序，当然，技术人员也可以在不脱离本发明技术精神的基础上将这些步骤进行重新组合或增减，以获得可以预见的改进效果。可以了解的是，数量“一个”、“一种”并非仅限定于单数个数，也可表示一个集合中的多个要素。本发明的技术范畴是以所附权利要求为准。

Claims (12)

1.一种动态目标的面部识别方法，其特征在于包括：

持续将获得的动态目标图形内的生物形态特征图形中被确定为面部图形区域的面部图形进行数字化裁剪；

计算所裁剪出的面部图形以获得一个最佳面部图形；以及

根据所述的最佳面部图形来验证该动态目标的身份。

2.根据权利要求1所述的动态目标的面部识别方法，其特征在于又包括：

持续获取一个预设静态可视区域范围内出现的动态目标图形；

确定该动态目标的生物形态特征图形；

通过对所述生物形态特征图形的计算来确定该动态目标的面部图形区域；以及

持续获取所述动态目标的面部图形区域，以确定最佳面部特征图形区域。

3.根据权利要求1所述的动态目标的面部识别方法，其特征在于又包括：

获取预设静态可视区域范围内出现的动态目标图形；以及

确定该动态目标的面部图形区域。

4.根据权利要求1所述的动态目标的面部识别方法，其特征在于，所述裁剪包括：

将所述生物形态特征图形进行色彩空间转换；

将至少一个色彩分量进行对数Gabor变换；

提取至少一个矢量方向和频率上的梯度方向直方图特征，并进行面部检测。

5.根据权利要求4所述的动态目标的面部识别方法，其特征在于又包括：

将每一所述的色彩分量进行对数Gabor变换；

将多个矢量方向和频率上经过对数Gabor变换后的图形进行叠加，以在每一所述的色彩上获得一个叠加后的图形；以及

对每一叠加后的图形提取一致性局部二值模式特征，以验证该动态目标的身份。

6.根据权利要求5所述的动态目标的面部识别方法，其特征在于，所述叠加为矢量和或者代数和的形式。

7.根据权利要求2所述的动态目标的面部识别方法，其特征在于又包括：通过仿射变换来获得所述的最佳面部特征图形区域和最佳面部图形。

8.一种动态目标的面部识别装置，其特征在于包括：

图形获取装置，被配置为：持续获取一个预设静态可视区域范围内出现的动态目标图形；以及持续获取所述动态目标的面部图形区域，以确定最佳面部特征图形区域；以及

处理器，被配置为：持续将获得的动态目标图形内的生物形态特征图形中被确定为面部图形区域的面部图形进行数字化裁剪；计算所裁剪出的面部图形以获得一个最佳面部图形；以及根据所述的最佳面部图形来验证该动态目标的身份。

9.根据权利要求8所述的动态目标的面部识别装置，其特征在于所述处理器还被配置为：

确定该动态目标的生物形态特征图形；以及

通过对所述生物形态特征图形的计算来确定该动态目标的面部图形区域。

10.根据权利要求8所述的动态目标的面部识别装置，其特征在于所述处理器还被配置为：确定该动态目标的面部图形区域。

11.根据权利要求8所述的动态目标的面部识别装置，其特征在于所述处理器还被配置为：

将所述生物形态特征图形进行色彩空间转换；

将至少一个色彩分量进行对数Gabor变换；

提取至少一个矢量方向和频率上的梯度方向直方图特征，并进行面部检测。

12.根据权利要求11所述的动态目标的面部识别装置，其特征在于所述处理器还被配置为：

将每一所述的色彩分量进行对数Gabor变换；

将多个矢量方向和频率上经过对数Gabor变换后的图形进行叠加，以在每一所述的色彩上获得一个叠加后的图形；以及

对每一叠加后的图形提取一致性局部二值模式特征，以验证该动态目标的身份。