CN105701486B - 一种在摄像机内实现人脸信息分析及提取的方法 - Google Patents

Abstract

本发明公开了一种在摄像机内实现人脸信息分析及提取的方法，所述摄像机包含有芯片，所述方法包括以下步骤：获取摄像机当前无损图像帧；对获取的图像进行图像预处理；对预处理后的图像进行人脸检测；对检测出的人脸进行算法跟踪；采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取；进行特征值及其它人脸信息的数据传输。本发明提供的在摄像机内实现人脸信息分析及提取的方法，分析的是摄像机内当前无损图像帧，提高了识别精度，提取的人脸信息更精确，在芯片中运行算法，提高了运算速度，在摄像机内部完成运算，减少了所需后台服务器的数量，自定义传送数据，可不传递视频，节约带宽，提高了人脸识别提取效率。

Description

一种在摄像机内实现人脸信息分析及提取的方法

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种在摄像机内实现人脸信息分析及提取的方法。

背景技术

目前人脸识别技术领域内，传统的方法是：通过摄像机拍摄图像，然后将图像直接通过通讯装置传输到后台服务器，然后由后台服务器的主机进行人脸识别。采用传统的方法，需要将图像传输到后台服务器中进行处理，而经过传输的图像在传输过程中会或多或少发生损耗，从而，后台服务器进行分析及人脸识别的是有损图像，人脸识别的精度会受影响，后台服务器的需求也是一个亟待解决的问题。因此，现有的人脸识别方法的识别精度有待提高。

发明内容

鉴于目前人脸识别技术领域存在的上述不足，本发明提供一种在摄像机内实现人脸信息分析及提取的方法，能够从无损图像中识别和提取人脸信息，提高了识别精度及效率。

为达到上述目的，本发明的实施例采用如下技术方案：

一种在摄像机内实现人脸信息分析及提取的方法，所述摄像机包含有芯片，所述在摄像机内实现人脸信息分析及提取的方法包括以下步骤：

获取摄像机当前无损图像帧；

对获取的图像进行图像预处理；

对预处理后的图像进行人脸检测；

对检测出的人脸进行算法跟踪；

采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取；

进行特征值及其它人脸信息的数据传输。

依照本发明的一个方面，所述在摄像机内实现人脸信息分析及提取的方法还包括：对跟踪的人脸进行最优人脸评分。

依照本发明的一个方面，所述对获取的图像进行图像预处理包括以下步骤：对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像。

依照本发明的一个方面，所述对预处理后的图像进行人脸检测包括：从场景图像中检测、定位人脸，将人脸从背景中分离出来，计算图像Haar-Like小波特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决。

依照本发明的一个方面，所述采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取包括：采用芯片对应的硬件内联函数同时通过定点运算来对跟踪的人脸图像进行描述、建模，用特征向量来表述人脸，提取出特征值。

依照本发明的一个方面，所述在摄像机内实现人脸信息分析及提取的方法还包括以下步骤：在所述摄像机内植入人脸信息提取算法，所述人脸信息提取算法的内存copy采用芯片的copy模式。

依照本发明的一个方面，所述在摄像机内实现人脸信息分析及提取的方法还包括以下步骤：人脸信息提取算法采用了芯片的关键字。

依照本发明的一个方面，所述在摄像机内实现人脸信息分析及提取的方法还包括以下步骤：所述人脸信息提取算法采用芯片的编译项进行代码编译。

依照本发明的一个方面，所述在摄像机内实现人脸信息分析及提取的方法还包括以下步骤：所述人脸信息提取算法采用了优化循环方式。

依照本发明的一个方面，所述在摄像机内实现人脸信息分析及提取的方法包括：将特征值及其它人脸信息传输给服务器来进行人脸比对、识别。

本发明实施的优点：本发明所述的在摄像机内实现人脸信息分析及提取的方法通过在摄像机内执行以下步骤：获取摄像机当前无损图像帧；对获取的图像进行图像预处理；对预处理后的图像进行人脸检测；对检测出的人脸进行算法跟踪；采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取；进行特征值及其它人脸信息的数据传输，在摄像机中执行人脸信息分析及提取算法，分析的是摄像机内当前无损图像帧，从而提高了识别精度，提取出的人脸信息更加精确，且在芯片中运行算法，又提高了运算速度，同时因运算在摄像机内部完成，从而减少了所需后台服务器的数量，自定义传送数据，可以不传递视频，节约带宽，并提高了人脸识别提取效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一所述的一种在摄像机内实现人脸信息分析及提取的方法示意图；

图2为本发明实施例二所述的一种在摄像机内实现人脸信息分析及提取的方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1所示，一种在摄像机内实现人脸信息分析及提取的方法，所述摄像机包含有芯片，所述在摄像机内实现人脸信息分析及提取的方法包括以下步骤：

步骤S1：获取摄像机当前无损图像帧；

所述步骤S1获取摄像机当前无损图像帧的具体实施的前提为，在含芯片的摄像机内植入人脸信息提取算法。在芯片中植入了人脸信息提取算法后，由摄像机拍摄图像，然后人脸信息提取算法会获取该摄像机当前所拍摄的无损图像帧作为待识别图像。

步骤S2：对获取的图像进行图像预处理；

在所述步骤S1执行完后，执行步骤S2对获取的图像进行图像预处理，所述步骤S2的具体实施方式可为：对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像。

步骤S3：对预处理后的图像进行人脸检测；

所述步骤S3对预处理后的图像进行人脸检测的具体实施方式可为：从场景图像中检测、定位人脸，将人脸从背景中分离出来，计算图像Haar-Like小波特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决。

在实际应用中，所述进行人脸检测及判断的要素包括位置、姿态、大小、肤色、发型和是否佩戴眼镜等。

在实际应用中，若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器。

其中多层级联AdaBoost分类器离线训练过程包括：

训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。

步骤S4：对检测出的人脸进行算法跟踪；

所述步骤S4对检测出的人脸进行算法跟踪的具体实施方式可为：在摄像机连续的图像帧中判断出人脸的存在与否，并对已检测出的人脸进行连续的定位跟踪。

在实际应用中，所述对检测出的人脸进行算法跟踪可为：通过步骤S3检测出人脸并定位该人脸，然后将此人脸作为人脸模板，随后在后续帧中运用均值偏移算法，不断进行均值偏移矢量迭代实现人脸跟踪。

步骤S5：采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取；

所述步骤S5采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取的具体实施方式可为：采用芯片对应的硬件内联函数同时通过定点运算来对跟踪的人脸图像进行描述、建模，用特征向量来表述人脸，提取出特征值。所述通过采用芯片对应的硬件内联函数的具体实施方式可为：因原有的人脸信息提取算法均是在计算机内运行的，从而其所采用的是计算机内的基本数学运算，当在芯片内运行时，运算速度会受到影响，从而，采用摄像机内的芯片对应的硬件内联函数代替原来人脸信息提取算法代码采用的基本数学运算，可提高运算速度。所述通过定点运算的具体实施方式可为：因摄像机内的芯片不支持寻常计算机所支持的浮点运算，从而需要将编写的人脸信息提取算法代码从浮点运算类型修改为定点运算类型，也就是将获取的人脸信息提取算法代码进行浮点转定点修改。

在实际应用中，其在芯片中的实现过程为：

采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。

特征提取的主要步骤如下：

根据人脸的测量关系抽取眉毛和眼睛窗；

向眉毛和眼睛窗内投影粗定位眼睛位置；得到的眉毛和眼睛窗为矩形框，设矩形框左上顶点坐标和右下顶点的坐标，根据投影函数关系，计算框内任意一点在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠较于其他位置比较黑，灰度值在水平方向上在眉毛和眼珠处出现2个灰度谷点，同时眼珠又在眉毛的下方，由此利用灰度的水平坐标确定眼睛中心在垂直方向上的坐标；根据得到的眉毛及眼睛中心的坐标重新抽取只含有眼睛的窗口，由于瞳孔较黑且眼眶的水平边缘比较明显，眼睛窗内灰度的垂直投影及水平边缘的垂直投影确定眼睛中心的水平坐标；

眼部归一化校准；

PCA模板匹配精确定位眼睛；

根据人脸的测量关系抽取鼻子窗；

窗内投影确定鼻子位置；

通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征。

用特征向量来表述人脸的步骤如下：

利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6d_e×0.5d_e，d_e为归化后两眼中心间距离；鼻子区域的高度为大小为0.6d_e×0.5d_e；

设I(x,y)、I_c(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：

X_h＝Reshape(F(I),n_h)

X_e＝Reshape(F(I_e),n_e)

X_n＝Reshape(F(I_n),n_n)

其中，X_h,X_e和X_n分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n²维列向量；采用串联方法，将向量X_h,X_e和X_n串联形成融合特征向量Y₀：Y₀＝(X_h ^T,X_e ^T,X_n ^T)^T；

去均值归一化后得到人脸组合特征向量Y：Y＝(Y₀-μ)/σ；

式中,μ＝E(Y₀)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量。

步骤S6：进行特征值及其它人脸信息的数据传输；

所述步骤S6进行特征值及其它人脸信息的数据传输的具体实施方式可为：将所述步骤S5提取出的人脸特征值及其它人脸信息数据传输给服务器来进行人脸比对、识别。

在实际应用中，本实施例所采用的摄像机可为人脸识别智能相机。

实施例二

如图2所示，一种在摄像机内实现人脸信息分析及提取的方法，所述摄像机包含有芯片，所述在摄像机内实现人脸信息分析及提取的方法包括以下步骤：

步骤S1：获取摄像机当前无损图像帧；

所述步骤S1获取摄像机当前无损图像帧的具体实施的前提为，在含芯片的摄像机内植入人脸信息提取算法。在芯片中植入了人脸信息提取算法后，由摄像机拍摄图像，然后人脸信息提取算法会获取该摄像机当前所拍摄的无损图像帧作为待识别图像。

步骤S2：对获取的图像进行图像预处理；

在所述步骤S1执行完后，执行步骤S2对获取的图像进行图像预处理，所述步骤S2的具体实施方式可为：对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像。

步骤S3：对预处理后的图像进行人脸检测；

所述步骤S3对预处理后的图像进行人脸检测的具体实施方式可为：从场景图像中检测、定位人脸，将人脸从背景中分离出来，计算图像Haar-Like小波特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决。

在实际应用中，所述进行人脸检测及判断的要素包括位置、姿态、大小、肤色、发型和是否佩戴眼镜等。

在实际应用中，若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器。

其中多层级联AdaBoost分类器离线训练过程包括：

训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；

应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。

步骤S4：对检测出的人脸进行算法跟踪；

所述步骤S4对检测出的人脸进行算法跟踪的具体实施方式可为：在摄像机连续的图像帧中判断出人脸的存在与否，并对已检测出的人脸进行连续的定位跟踪。

在实际应用中，所述对检测出的人脸进行算法跟踪可为：通过步骤S3检测出人脸并定位该人脸，然后将此人脸作为人脸模板，随后在后续帧中运用均值偏移算法，不断进行均值偏移矢量迭代实现人脸跟踪。

步骤S5：对跟踪的人脸进行最优人脸评分；

所述步骤S5对跟踪的人脸进行最优人脸评分的具体实施方式可为：通过步骤S4进行人脸跟踪，然后对所跟踪的所有图像帧中的人脸进行最优人脸评分，从而方便后续的步骤进行人脸特征点定位机特征值提取，因是最优人脸，从而提高了识别精度及提取信息的精确度。

步骤S6：采用芯片对应的硬件内联函数和copy模式同时通过定点运算对跟踪的人脸图像进行特征点定位和特征值提取；

所述步骤S6采用芯片对应的硬件内联函数和copy模式同时通过定点运算对跟踪的人脸图像进行特征点定位和特征值提取的具体实施方式可为：采用芯片对应的硬件内联函数和copy模式同时通过定点运算来对跟踪的人脸图像进行描述、建模，用特征向量来表述人脸，提取出特征值。所述通过采用芯片对应的硬件内联函数的具体实施方式可为：因原有的人脸信息提取算法均是在计算机内运行的，从而其所采用的是计算机内的基本数学运算，当在芯片内运行时，运算速度会受到影响，从而，采用摄像机内的芯片对应的硬件内联函数代替原来人脸信息提取算法代码采用的基本数学运算，可提高运算速度。所述通过定点运算的具体实施方式可为：因摄像机内的芯片不支持寻常计算机所支持的浮点运算，从而需要将编写的人脸信息提取算法代码从浮点运算类型修改为定点运算类型，也就是将获取的人脸信息提取算法代码进行浮点转定点修改。

在实际应用中，其在芯片中的实现过程为：

采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。

特征提取的主要步骤如下：

根据人脸的测量关系抽取眉毛和眼睛窗；

向眉毛和眼睛窗内投影粗定位眼睛位置；得到的眉毛和眼睛窗为矩形框，设矩形框左上顶点坐标和右下顶点的坐标，根据投影函数关系，计算框内任意一点在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠较于其他位置比较黑，灰度值在水平方向上在眉毛和眼珠处出现2个灰度谷点，同时眼珠又在眉毛的下方，由此利用灰度的水平坐标确定眼睛中心在垂直方向上的坐标；根据得到的眉毛及眼睛中心的坐标重新抽取只含有眼睛的窗口，由于瞳孔较黑且眼眶的水平边缘比较明显，眼睛窗内灰度的垂直投影及水平边缘的垂直投影确定眼睛中心的水平坐标；

眼部归一化校准；

PCA模板匹配精确定位眼睛；

根据人脸的测量关系抽取鼻子窗；

窗内投影确定鼻子位置；

通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征。

用特征向量来表述人脸的步骤如下：

利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6d_e×0.5d_e，d_e为归化后两眼中心间距离；鼻子区域的高度为大小为0.6d_e×0.5d_e；

设I(x,y)、I_c(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：

X_h＝Reshape(F(I),n_h)

X_e＝Reshape(F(I_e),n_e)

X_n＝Reshape(F(I_n),n_n)

其中，X_h,X_e和X_n分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n²维列向量；采用串联方法，将向量X_h,X_e和X_n串联形成融合特征向量Y₀：Y₀＝(X_h ^T,X_e ^T,X_n ^T)^T；

去均值归一化后得到人脸组合特征向量Y：Y＝(Y₀-μ)/σ；

式中,μ＝E(Y₀)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量。

在本实施例中，所述步骤采用芯片对应的硬件内联函数和copy模式同时通过定点运算对跟踪的人脸图像进行特征点定位和特征值提取还可进行以下优化：采用芯片的编译项进行代码编译、采用优化循环方式和大量采用芯片的关键字。

步骤S7：进行特征值及其它人脸信息的数据传输；

所述步骤S7进行特征值及其它人脸信息的数据传输的具体实施方式可为：将所述步骤S5提取出的人脸特征值及其它人脸信息数据传输给服务器来进行人脸比对、识别。

在实际应用中，本实施例所采用的摄像机可为人脸识别智能相机。

本发明实施的优点：本发明所述的在摄像机内实现人脸信息分析及提取的方法通过在摄像机内执行以下步骤：获取摄像机当前无损图像帧；对获取的图像进行图像预处理；对预处理后的图像进行人脸检测；对检测出的人脸进行算法跟踪；采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取；进行特征值及其它人脸信息的数据传输，在摄像机中执行人脸信息分析及提取算法，分析的是摄像机内当前无损图像帧，从而提高了识别精度，提取出的人脸信息更加精确，且在芯片中运行算法，又提高了运算速度，同时因运算在摄像机内部完成，从而减少了所需后台服务器的数量，自定义传送数据，可以不传递视频，节约带宽，并提高了人脸识别提取效率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种在摄像机内实现人脸信息分析及提取的方法，所述摄像机包含有芯片，其特征在于，所述在摄像机内实现人脸信息分析及提取的方法包括以下步骤：

获取摄像机当前无损图像帧；

对获取的图像进行图像预处理；

对预处理后的图像进行人脸检测；

对检测出的人脸进行算法跟踪；

采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取；

所述采用芯片对应的硬件内联函数和定点运算对跟踪的人脸图像进行特征点定位和特征值提取包括：采用芯片对应的硬件内联函数同时通过定点运算来对跟踪的人脸图像进行描述、建模，用特征向量来表述人脸，提取出特征值；

在所述摄像机内植入人脸信息提取算法，所述人脸信息提取算法的内存copy采用芯片的copy模式；所述人脸信息提取算法采用了芯片的关键字；所述人脸信息提取算法采用了芯片的编译项进行代码编译；

进行特征点定位包括：采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖；

特征提取的主要步骤如下：

根据人脸的测量关系抽取眉毛和眼睛窗；

向眉毛和眼睛窗内投影粗定位眼睛位置；得到的眉毛和眼睛窗为矩形框，设矩形框左上顶点坐标和右下顶点的坐标，根据投影函数关系，计算框内任意一点在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠较于其他位置比较黑，灰度值在水平方向上在眉毛和眼珠处出现2个灰度谷点，同时眼珠又在眉毛的下方，由此利用灰度的水平坐标确定眼睛中心在垂直方向上的坐标；根据得到的眉毛及眼睛中心的坐标重新抽取只含有眼睛的窗口，由于瞳孔较黑且眼眶的水平边缘比较明显，眼睛窗内灰度的垂直投影及水平边缘的垂直投影确定眼睛中心的水平坐标；

眼部归一化校准；

PCA模板匹配精确定位眼睛；

根据人脸的测量关系抽取鼻子窗；

窗内投影确定鼻子位置；

通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征；

用特征向量来表述人脸的步骤如下：

利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6d_e×0.5d_e，d_e为归化后两眼中心间距离；鼻子区域的高度为大小为0.6d_e×0.5d_e；

设I(x,y)、I_c(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：

X_h＝Reshape(F(I),n_h)

X_e＝Reshape(F(I_e),n_e)

X_n＝Reshape(F(I_n),n_n)

其中，X_h,X_e和X_n分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n²维列向量；采用串联方法，将向量X_h,X_e和X_n串联形成融合特征向量Y₀：Y₀＝(X_h ^T,X_e ^T,X_n ^T)^T；

去均值归一化后得到人脸组合特征向量Y：Y＝(Y₀-μ)/σ；

式中,μ＝E(Y₀)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量；

进行特征值及其它人脸信息的数据传输。

2.根据权利要求1所述的在摄像机内实现人脸信息分析及提取的方法，其特征在于，所述在摄像机内实现人脸信息分析及提取的方法还包括：对跟踪的人脸进行最优人脸评分。

3.根据权利要求1所述的在摄像机内实现人脸信息分析及提取的方法，其特征在于，所述对获取的图像进行图像预处理包括以下步骤：对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像。

4.根据权利要求1所述的在摄像机内实现人脸信息分析及提取的方法，其特征在于，所述对预处理后的图像进行人脸检测包括：从场景图像中检测、定位人脸，将人脸从背景中分离出来，计算图像Haar-Like小波特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决。

5.根据权利要求1至4之一所述的在摄像机内实现人脸信息分析及提取的方法，其特征在于，所述在摄像机内实现人脸信息分析及提取的方法还包括以下步骤：所述人脸信息提取算法采用了优化循环方式。

6.根据权利要求5所述的在摄像机内实现人脸信息分析及提取的方法，其特征在于，所述在摄像机内实现人脸信息分析及提取的方法包括：将特征值及其它人脸信息传输给服务器来进行人脸比对、识别。