CN105956552B - 一种人脸黑名单监测方法 - Google Patents

一种人脸黑名单监测方法 Download PDF

Info

Publication number
CN105956552B
CN105956552B CN201610280859.1A CN201610280859A CN105956552B CN 105956552 B CN105956552 B CN 105956552B CN 201610280859 A CN201610280859 A CN 201610280859A CN 105956552 B CN105956552 B CN 105956552B
Authority
CN
China
Prior art keywords
face
width
image
height
nose
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.)
Expired - Fee Related
Application number
CN201610280859.1A
Other languages
English (en)
Other versions
CN105956552A (zh
Inventor
谢剑斌
李沛秦
闫玮
刘通
田凯文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Wisdom Safety Science And Technology Ltd
National University of Defense Technology
Original Assignee
Hunan Wisdom Safety Science And Technology Ltd
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Wisdom Safety Science And Technology Ltd, National University of Defense Technology filed Critical Hunan Wisdom Safety Science And Technology Ltd
Priority to CN201610280859.1A priority Critical patent/CN105956552B/zh
Publication of CN105956552A publication Critical patent/CN105956552A/zh
Application granted granted Critical
Publication of CN105956552B publication Critical patent/CN105956552B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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

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)
  • Collating Specific Patterns (AREA)

Abstract

一种人脸黑名单监测方法，其结合全局特征和局部特征，首先训练多角度人脸模板用于人脸检测；在此基础上检测人脸部分五官关键点并定位；进一步地，对人脸进行归一化后，分别针对人脸完整区域提取Gabor特征，针对局部区域提取LDP特征；最后进行融合全局与局部特征的人脸相似度计算，实现人脸黑名单监测。本发明既保留人脸全局相似性，又体现局部差异性，可更好地反映人脸特性。

Description

一种人脸黑名单监测方法
技术领域
本发明属于人脸识别技术领域，具体涉及一种基于人脸识别的黑名单监测方法。
背景技术
随着视频监控系统的大规模应用，在车站、机场、街道等重要场所安装有大量监控摄像机，可获得充足的人员面部视频图像，从而使得基于人脸识别的黑名单监测成为可能，在公共安全管理等领域有重要应用前景。其关键技术是面向监控视频的人脸识别，相关算法的优劣直接决定人脸黑名单监测的效果和速度。
现有的人脸识别方法，如公开号为104899576A，申请号为201510350083.1，其公开了一种基于Gabor变换和HOG的人脸识别特征提取方法。该方法首先对含人脸图像进行提取并归一化，通过生成40个不同方向大小的Gabor滤波器对归一化人脸进行分别滤波，得到多个方向和大小的Gabor特征，随后对得到的Gabor特征进行HOG处理，进一步得到Gabor特征的梯度直方图信息，使得Gabor滤波结果增强。
公开号为104700089A，申请号为201510134189.8，其公开了一种基于Gabor小波和SB2DLPP的人脸识别方法，该方法主要包括预处理、特征提取、特征降维和分类识别四个步骤。(1)对已知的人脸库中所有的人脸图像进行预处理，包括尺度归一化和直方图均衡化；(2)利用Gabor小波对预处理过的人脸图像进行特征提取；(3)引入类别信息，对步骤(2)提取到的高维图像特征应用有监督的双向二维局部保持投影(SB2DLPP)算法进行降维，从而提取出映射到低维子空间的特征矩阵；(4)采用最近邻分类器进行分类识别。
公开号为103679151A，申请号为201310703205.1，其公开了一种融合LBP、Gabor特征的人脸聚类方法，步骤包括：将图像的R、G、B三个通道转换为灰度图，得到图像L；Gabor特征提取；LBP特征提取；分层人脸聚类等。
公开号为104820844A，申请号为201510183686.7，提供一种人脸识别方法，包括：对模板人脸图像和待识别人脸图像进行Gabor小波人脸图像特征提取，获得图像特征；将由所述待识别人脸图像获得的图像特征分成正负样本；使用Adaboost对所述正负样本进行特征选择，获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择，获得特征子空间；使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵；使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配。
公开号为102737234A，申请号为201210212659.4，公开了一种基于Gabor滤波和联合稀疏模型的人脸识别方法，该方法首先通过Gabor滤波对人脸图像进行滤波，提取对光照及表情不敏感的特征，然后利用提取出的Gabor特征作为联合稀疏模型的输入，提取每类训练图像的公有部分及私有部分的和；最后利用所提取的公有部分及私有部分的和来构造字典，采用SRC(稀疏表示分类)方法获得待识别人脸图像在构造字典上的稀疏表示，根据稀疏表示系数得到识别结果。
上述方法主要以Gabor特征为基础提取人脸特征，各有优点，但都是针对人脸全局特征进行处理，忽视了人脸局部差异，因此存在一定的缺陷。同时针对人脸识别领域一直存在的角度、光照等影响，鲁棒性不佳的缺陷。
发明内容
针对现有技术存在的问题，本发明提出一种人脸黑名单监测方法。该结合全局特征和局部特征，首先训练多角度人脸模板用于人脸检测；在此基础上检测人脸部分五官关键点并定位；进一步地，对人脸进行归一化后，分别针对人脸完整区域提取Gabor特征，针对局部区域提取LDP特征；最后进行融合全局与局部特征的人脸相似度计算，实现人脸黑名单监测。
一种人脸黑名单监测方法，包括以下步骤：
S1：基于多角度人脸检测分类器，检测人脸区域；
S2：针对人脸区域，检测部分五官特征点；
S3：基于部分五官特征点坐标，实现人脸归一化；
S4：针对归一化后的完整人脸提取Gabor特征；
S5：针对归一化后的部分五官区域提取LDP特征；
S6：计算人脸相似度，实现黑名单监测。
其中，步骤S1中是利用多角度人脸训练基于Haar特征和Adaboost分类器的人脸检测分类器。具体包括以下步骤：
S1.1：利用常规视频图像采集设备(监控摄像机、相机等等具有视频采集功能的设备)，分别采集正面人脸、正面人脸向左水平偏转5度，10度，正面人脸向右水平偏转5度，10度，正面人脸向上偏转5度，10度，正面人脸向下偏转5度，10度的图像，每个角度的人脸图像不少于1000幅；
S1.2：针对每种角度图像，人工裁剪人脸区域，并缩放至128×128像素，作为正样本；
S1.3：采集同样数量的不含人脸图像，作为负样本；
S1.4：针对每种角度图像，训练其基于Haar特征和Adaboost分类器的人脸检测分类器。
步骤S2中，针对步骤S1中检测到的人脸区域，基于Flandmark方法检测人脸部分五官关键点。参照图2，本发明中人脸部分五官关键点包括7个，第一个五官关键点为鼻尖0、第二个五官关键点为左眼右眼角1、第三个五官关键点为右眼左眼角2、第四个五官关键点为左嘴角3、第五个五官关键点为右嘴角4、第六个五官关键点为左眼左眼角5和第七个五官关键点为右眼右眼角6；其中0、1、2、3、4、5、6分别为第一个五官关键点至第七个五官关键点对应的序号。其中：Flandmark方法可以参考文献：Michal Uˇriˇc′aˇr,Vojtˇech Franc andV′aclav Hlav′aˇc.Detector of Facial Landmarks Learned by The StructuredOutput Svm.International Conference on ComputerVision TheoryandApplications.2012,547～556.
步骤S3中，在步骤S2提取人脸部分五官关键点的基础上，将人脸部分中包含人脸部分五官关键点、眉毛、鼻子、嘴巴的正方形区域定义为人脸核心区域，如图3中的方框以内的区域就是人脸核心区域。
计算核心人脸区域坐标，并将核心人脸区域缩放为128×128像素的灰度图像。具体步骤为：
S3.1：计算人脸核心区域宽度Face_width、高度Face_height分别为：
Face_width＝(P6.x-P5.x)×1.6
Face_height＝Face_width
S3.2：计算人脸核心区域左上角起始点坐标为：
Face.x＝P5.x-(P6.x-P5.x)×0.3
Face.y＝P5.y-(P6.x-P5.x)×0.3
其中：Pi.x，Pi.y分别表示序号为i五官关键点的横、纵坐标，如P6.x表示图2中序号为6的五官关键点(即右眼右眼角)的横坐标，P5.x表示图2中序号为5的五官关键点(即左眼左眼角)的横坐标，P5.y表示图2中序号为5的五官关键点(即左眼左眼角)的纵坐标。
步骤S4中，令步骤S3提取到归一化人脸灰度图像为I，使用Gabor变换在0～3四个尺度，1～6六个邻域方向对I做卷积运算，然后提取其全脸Gabor特征。
步骤S5的具体步骤包括：
S5.1针对原始视频监控图像，基于五官关键点获取左眼区域，令其宽度为Leye.width，高度为Leye.height，中心横坐标为Leye.x，中心纵坐标为Leye.y，计算方法为：
Leye.width＝P1.x-P5.x
Leye.height＝Leye.width
Leye.x＝P5.x
Leye.y＝P5.y-Leye.height/2
然后将左眼区域图像缩放至50×50像素的灰度图像；
S5.2：针对原始视频监控图像，基于五官关键点获取右眼区域，令其宽度为Reye.width，高度为Reye.height，中心横坐标为Reye.x，中心纵坐标为Reye.y，计算方法为：
Reye.width＝P6.x-P2.x
Reye.height＝Reye.width
Reye.x＝P2.x
Reye.y＝P2.y-Reye.height/2
然后将右眼区域图像缩放至50×50像素的灰度图像；
S5.3：针对原始视频监控图像，基于五官关键点获取鼻尖区域，令其宽度为Nose.width，高度为Nose.height，中心横坐标为Nose.x，中心纵坐标为Nose.y，计算方法为：
Nose.width＝P6.x-P2.x
Nose.height＝Nose.width
Nose.x＝P0.x-Nose.width/2
Nose.y＝P0.y-Nose.height/2
然后将鼻尖区域图像缩放至50×50像素的灰度图像；
S5.4：针对原始视频监控图像，基于五官关键点获取嘴巴区域,令其宽度为Mouth.width，高度为Mouth.height，中心横坐标为Mouth.x，中心纵坐标为Mouth.y，计算方法为：
Mouth.width＝P4.x-P3.x
Mouth.height＝Mouth.width
Mouth.x＝P3.x
Mouth.y＝P3.y-Mouth.height/2
然后将嘴巴区域图像缩放至50×50像素的灰度图像；
S5.5：分别针对步骤S5.1至S5.4中所述的4个区域，提取其局部定向模式(LocalDerivative Pattern，LDP)特征，得到四个局部LDP特征。
步骤S6的具体步骤包括：
S6.1：针对视频监控系统中获得每一帧图像，分别采取步骤S1至S5的方法，提取其全脸Gabor特征F1eature0和四个局部LDP特征F1eature1、F1eature2、F1eature3、F1eature4；
S6.2：针对黑名单中的人脸，分别采取步骤S1至S5的方法，提取其核心人脸区域的全脸Gabor特征F2eature0，和四个局部区域LDP特征F2eature1、F2eature2、F2eature3、F2eature4；
S6.3：针对步骤S6.1和S6.2中获得的5种特征，分别计算监控视频图像人脸与黑名单人脸的欧式距离，令其为Di，i＝0,1,2，…，4，分别表示全局Gabor特征、局部LDP特征的欧氏距离；
S6.4：计算上述5种特征基于欧氏距离的相似度
S6.5：计算5种相似度的平均值
S6.6：设定相似度阈值Fth，本发明Fth＝0.88，如果则判断视频人脸与黑名单人脸高度相似，返回监测结果。
与现有技术相比，本发明的优点在于：
1、在人脸检测环节分别调用多角度人脸分类器进行检测，可有效减轻角度对人脸检测的影响。
2、相对于传统方法基于人脸检测后的笼统区域进行尺寸归一化，人脸部分五官关键点可以更精确地标定人脸位置，从而有利于提高后续处理精度。
3、本发明既保留人脸全局相似性，又体现局部差异性，可更好地反映人脸特性。
附图说明
图1为本发明的流程图；
图2为本发明中人脸关键点序号示意图；
图3为本发明人脸核心区域示意图
图4为本发明实施例中采集的原始监控视频图像
图5为本发明实施例中获得的人脸区域图
图6示出了本发明实施例中人脸区域内的五官关键点
图7为本发明实施例中获得的脸部核心区域灰度图像
图8为本发明实施例中获得的局部灰度图像(左眼区域)
图9为本发明实施例中获得的局部灰度图像(右眼区域)
图10为本发明实施例中获得的局部灰度图像(鼻尖区域)
图11为本发明实施例中获得的局部灰度图像(嘴唇区域)
图12为本发明实施例中黑名单人脸图像
以下将结合附图和具体实施例对本发明作进一步详细说明。
具体实施方式
如图1所示，本发明一种人脸黑名单监测方法，包括以下步骤：
S1：基于多角度人脸检测分类器，检测人脸区域；
S1.1：利用常规视频图像采集设备，分别采集正面人脸、正面人脸向左水平偏转5度，10度，正面人脸向右水平偏转5度，10度，正面人脸向上偏转5度，10度，正面人脸向下偏转5度，10度的图像，每个角度的人脸图像不少于1000幅；
S1.2：针对每种角度图像，人工裁剪人脸区域，并缩放至128×128像素，作为正样本；
S1.3：采集同样数量的不含人脸图像，作为负样本；
S1.4：针对每种角度，训练其基于Haar特征和Adaboost分类器的人脸检测分类器。
S2：针对人脸区域，检测部分五官特征点；
针对前一步骤检测到的人脸区域，基于Flandmark方法检测人脸部分五官关键点，其序号如图2所示。
S3：基于部分五官特征点坐标，实现人脸归一化；
在S2中，提取到人脸部分五官关键点，在此基础上，将涵盖眉毛、眼睛、鼻子、嘴唇的区域定义为人脸核心区域，如图3中的方框区域所示：
计算该核心人脸区域坐标，并将该区域缩放为128×128像素的灰度图像。具体步骤为：
Step1：计算人脸核心区域宽度Face_width、高度Face_height分别为：
Face_width＝(P6.x-P5.x)×1.6
Face_height＝Face_width
Step2：计算人脸核心区域左上角起始点坐标为：
Face.x＝P5.x-(P6.x-P5.x)×0.3
Face.y＝P5.y-(P6.x-P5.x)×0.3
其中：Pi.x，Pi.y分别表示第i个五官关键点的横、纵坐标，i为图2中定义的各五官关键点的序号。
本发明针对部分五官关键点进行尺度归一化，其创新点在于：
相对于传统方法基于人脸检测后的笼统区域进行尺寸归一化，人脸部分五官关键点可以更精确地标定人脸位置，从而有利于提高后续处理精度。
S4：针对归一化后的完整人脸提取Gabor特征；
令前一步骤提取到归一化人脸灰度图像为I，使用Gabor变换在0～3四个尺度，1～6六个邻域方向对I做卷积运算，然后提取其全脸Gabor特征。
S5：针对归一化后的部分五官区域提取LDP特征；
S5.1：针对原始图像，基于五官关键点获取左眼区域，令其宽度为Leye.width，高度为Leye.height，中心横坐标为Leye.x，中心纵坐标为Leye.y，计算方法为：
Leye.width＝P1.x-P5.x
Leye.height＝Leye.width
Leye.x＝P5.x
Leye.y＝P5.y-Leye.height/2
然后将左眼区域图像缩放至50×50像素的灰度图像；
S5.2：针对原始图像，基于五官关键点获取右眼区域，令其宽度为Reye.width，高度为Reye.height，中心横坐标为Reye.x，中心纵坐标为Reye.y，计算方法为：
Reye.width＝P6.x-P2.x
Reye.height＝Reye.width
Reye.x＝P2.x
Reye.y＝P2.y-Reye.height/2
然后将右眼区域图像缩放至50×50像素的灰度图像；
S5.3：针对原始图像，基于五官关键点获取鼻尖区域，令其宽度为Nose.width，高度为Nose.height，中心横坐标为Nose.x，中心纵坐标为Nose.y，计算方法为：
Nose.width＝P6.x-P2.x
Nose.height＝Nose.width
Nose.x＝P0.x-Nose.width/2
Nose.y＝P0.y-Nose.height/2
然后将鼻尖区域图像缩放至50×50像素的灰度图像；
S5.4：针对原始图像，基于五官关键点获取嘴巴区域,令其宽度为Mouth.width，高度为Mouth.height，中心横坐标为Mouth.x，中心纵坐标为Mouth.y，计算方法为：
Mouth.width＝P4.x-P3.x
Mouth.height＝Mouth.width
Mouth.x＝P3.x
Mouth.y＝P3.y-Mouth.height/2
然后将嘴巴区域图像缩放至50×50像素的灰度图像；
S5.5：分别针对上述4个区域，提取其局部定向模式(Local Derivative Pattern，LDP)特征。
S6：计算人脸相似度，实现黑名单监测。
S6.1：针对视频监控系统中获得每一帧图像，分别进行步骤S1至S5，提取其全脸Gabor特征F1eature0和四个局部LDP特征F1eature1、F1eature2、F1eature3、F1eature4；
S6.2：针对黑名单中的人脸，分别进行步骤S1至S5，提取其核心人脸区域的全脸Gabor特征F2eature0，和四个局部区域LDP特征F2eature1、F2eature2、F2eature3、F2eature4；
S6.3：针对上述5种特征，分别计算监控视频图像人脸与黑名单人脸的欧式距离，令其为Di，i＝0,1,2，…，4，分别表示全局Gabor特征、局部LDP特征的欧氏距离。此进行说明：两张脸(监控视频图像人脸与黑名单人脸)各有一个全局Gabor特征向量，计算这两个之间的欧氏距离；两张脸的右眼部分各有一个LDP特征向量，计算这两个之间的欧氏距离，同样的两张脸的左眼、鼻子、嘴巴也是如此。
S6.4：计算上述5种特征基于欧氏距离的相似度
S6.5：计算5种相似度的平均值
S6.6：设定相似度阈值Fth，如果则判断视频人脸与黑名单人脸高度相似，返回监测结果。
实施例1:
S1.如图4所示，针对监控视频中的一帧监控视频图像。
S2.对S1中的原始监控视频图像进行人脸检测，获得人脸区域如图5所示。
S3.在步骤S2中得到的人脸区域内，利用Flandmark方法检测五官关键点，得到的五官关键点如图6所示。
S4.基于五官关键点，裁剪并缩放得到尺寸归一化的脸部核心区域灰度图像如图7所示。
S5.基于五官关键点，裁剪并缩放得到尺寸归一化的脸部局部灰度图像，分别如图8、9、10、11所示。
S6、针对图7所示的脸部核心区域图像，计算其Gabor特征为F1eature0，针对图8～图11的脸部局部图像，分别计算其LDP特征为F1eature1、F1eature2、F1eature3、F1eature4，记为F1＝{F1eature0,F1eature1,F1eature2,F1eature3,F1eature4}。
S7、假设黑名单中某一张人脸图像如图12所示.按照S1～S6的步骤进行处理，获取该人脸的特征为F2＝{F2eature0,F2eature1,F2eature2,F2eature3,F2eature4}。
S7、分别计算F1与F2对应元素的欧氏距离，记为Di，i＝0，1，2，3，4。
S8、计算5种特征基于欧氏距离的相似度
计算相似度的平均值
最终计算出的平均相似度
S9、因为因此判断监控视频图像中的人脸在黑名单中。

Claims (3)

1.一种人脸黑名单监测方法，其特征在于：包括以下步骤：
S1：基于多角度人脸检测分类器，检测人脸区域；其中利用多角度人脸训练基于Haar特征和Adaboost分类器的人脸检测分类器，包括以下步骤：
S1.1：利用视频图像采集设备分别采集正面人脸、正面人脸向左水平偏转5度，10度，正面人脸向右水平偏转5度，10度，正面人脸向上偏转5度，10度，正面人脸向下偏转5度，10度的图像，每个角度的人脸图像不少于1000幅；
S1.2：针对每种角度图像，人工裁剪人脸区域，并缩放至128×128像素，作为正样本；
S1.3：采集同样数量的不含人脸图像，作为负样本；
S1.4：针对每种角度图像，训练其基于Haar特征和Adaboost分类器的人脸检测分类器；
S2：针对人脸区域，检测部分五官特征点；
针对步骤S1中检测到的人脸区域，基于Flandmark方法检测人脸部分五官关键点，人脸部分五官关键点包括7个，第一个五官关键点为鼻尖、第二个五官关键点为左眼右眼角、第三个五官关键点为右眼左眼角、第四个五官关键点为左嘴角、第五个五官关键点为右嘴角、第六个五官关键点为左眼左眼角和第七个五官关键点为右眼右眼角；
S3：基于部分五官特征点坐标，实现人脸归一化；
将人脸部分中包含人脸部分五官关键点、眉毛、鼻子、嘴巴的正方形区域定义为人脸核心区域，然后计算核心人脸区域坐标，并将核心人脸区域缩放为128×128像素的灰度图像，具体步骤为：
S3.1：计算人脸核心区域宽度Face_width、高度Face_height分别为：
Face_width＝(P6.x-P5.x)×1.6
Face_height＝Face_width
S3.2：计算人脸核心区域左上角起始点坐标为：
Face.x＝P5.x-(P6.x-P5.x)×0.3
Face.y＝P5.y-(P6.x-P5.x)×0.3
其中：Pi.x，Pi.y分别表示序号为i的五官关键点的横、纵坐标；
S4：针对归一化后的完整人脸提取Gabor特征；
S5：针对归一化后的部分五官区域提取LDP特征；
S5.1针对原始视频监控图像，基于五官关键点获取左眼区域，令其宽度为Leye.width，高度为Leye.height，中心横坐标为Leye.x，中心纵坐标为Leye.y，计算方法为：
Leye.width＝P1.x-P5.x
Leye.height＝Leye.width
Leye.x＝P5.x
Leye.y＝P5.y-Leye.height/2
然后将左眼区域图像缩放至50×50像素的灰度图像；
S5.2：针对原始视频监控图像，基于五官关键点获取右眼区域，令其宽度为Reye.width，高度为Reye.height，中心横坐标为Reye.x，中心纵坐标为Reye.y，计算方法为：
Reye.width＝P6.x-P2.x
Reye.height＝Reye.width
Reye.x＝P2.x
Reye.y＝P2.y-Reye.height/2
然后将右眼区域图像缩放至50×50像素的灰度图像；
S5.3：针对原始视频监控图像，基于五官关键点获取鼻尖区域，令其宽度为Nose.width，高度为Nose.height，中心横坐标为Nose.x，中心纵坐标为Nose.y，计算方法为：
Nose.width＝P6.x-P2.x
Nose.height＝Nose.width
Nose.x＝P0.x-Nose.width/2
Nose.y＝P0.y-Nose.height/2
然后将鼻尖区域图像缩放至50×50像素的灰度图像；
S5.4：针对原始视频监控图像，基于五官关键点获取嘴巴区域,令其宽度为Mouth.width，高度为Mouth.height，中心横坐标为Mouth.x，中心纵坐标为Mouth.y，计算方法为：
Mouth.width＝P4.x-P3.x
Mouth.height＝Mouth.width
Mouth.x＝P3.x
Mouth.y＝P3.y-Mouth.height/2
然后将嘴巴区域图像缩放至50×50像素的灰度图像；
S5.5：分别针对步骤S5.1至S5.4中所述的4个区域，提取其局部LDP特征，得到四个局部LDP特征；
S6：计算人脸相似度，实现黑名单监测；
S6.1：针对视频监控系统中获得每一帧图像，分别采取步骤S1至S5的方法，提取其全脸Gabor特征F1eature0和四个局部LDP特征F1eature1、F1eature2、F1eature3、F1eature4；
S6.2：针对黑名单中的人脸，分别采取步骤S1至S5的方法，提取其核心人脸区域的全脸Gabor特征F2eature0，和四个局部区域LDP特征F2eature1、F2eature2、F2eature3、F2eature4；
S6.3：针对步骤S6.1和S6.2中获得的5种特征，分别计算监控视频图像人脸与黑名单人脸的欧式距离，令其为Di，i＝0,1,2，…，4，分别表示全局Gabor特征、局部LDP特征的欧氏距离；
S6.4：计算上述5种特征基于欧氏距离的相似度
S6.5：计算5种相似度的平均值
S6.6：设定相似度阈值Fth，如果则判断视频人脸与黑名单人脸高度相似，返回监测结果。
2.根据权利要求1所述的人脸黑名单监测方法，其特征在于，步骤S4中，令步骤S3提取到归一化人脸灰度图像为I，使用Gabor变换在0～3四个尺度，1～6六个邻域方向对I做卷积运算，然后提取其全脸Gabor特征。
3.根据权利要求1所述的人脸黑名单监测方法，其特征在于，步骤S6.6中的Fth＝0.88。
CN201610280859.1A 2016-04-29 2016-04-29 一种人脸黑名单监测方法 Expired - Fee Related CN105956552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610280859.1A CN105956552B (zh) 2016-04-29 2016-04-29 一种人脸黑名单监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610280859.1A CN105956552B (zh) 2016-04-29 2016-04-29 一种人脸黑名单监测方法

Publications (2)

Publication Number Publication Date
CN105956552A CN105956552A (zh) 2016-09-21
CN105956552B true CN105956552B (zh) 2019-08-02

Family

ID=56916456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610280859.1A Expired - Fee Related CN105956552B (zh) 2016-04-29 2016-04-29 一种人脸黑名单监测方法

Country Status (1)

Country Link
CN (1) CN105956552B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778529A (zh) * 2016-11-25 2017-05-31 南京理工大学 一种基于改进ldp的人脸识别方法
KR102299847B1 (ko) * 2017-06-26 2021-09-08 삼성전자주식회사 얼굴 인증 방법 및 장치
CN107545243A (zh) * 2017-08-07 2018-01-05 南京信息工程大学 基于深度卷积模型的黄种人脸识别方法
CN108875515A (zh) * 2017-12-11 2018-11-23 北京旷视科技有限公司 人脸识别方法、装置、系统、存储介质和抓拍机
CN110022454B (zh) * 2018-01-10 2021-02-23 华为技术有限公司 一种在视频会议中识别身份的方法及相关设备
CN108446660A (zh) * 2018-03-29 2018-08-24 百度在线网络技术（北京）有限公司 用于识别人脸图像的方法和装置
CN109886223B (zh) * 2019-02-26 2022-05-17 北京旷视科技有限公司 人脸识别方法、底库录入方法、装置及电子设备
CN110188673B (zh) * 2019-05-29 2021-07-30 京东方科技集团股份有限公司 表情识别方法和装置
CN113657195A (zh) * 2021-07-27 2021-11-16 浙江大华技术股份有限公司 人脸图像识别方法、设备、电子装置和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268485A (zh) * 2013-06-09 2013-08-28 上海交通大学 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法
CN103353936A (zh) * 2013-07-26 2013-10-16 上海交通大学 人脸识别方法及系统
CN104881676A (zh) * 2015-05-05 2015-09-02 昆明理工大学 一种人脸图像凸凹模式纹理特征提取及识别方法
CN104978550A (zh) * 2014-04-08 2015-10-14 上海骏聿数码科技有限公司 基于大规模人脸数据库的人脸识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268485A (zh) * 2013-06-09 2013-08-28 上海交通大学 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法
CN103353936A (zh) * 2013-07-26 2013-10-16 上海交通大学 人脸识别方法及系统
CN104978550A (zh) * 2014-04-08 2015-10-14 上海骏聿数码科技有限公司 基于大规模人脸数据库的人脸识别方法及系统
CN104881676A (zh) * 2015-05-05 2015-09-02 昆明理工大学 一种人脸图像凸凹模式纹理特征提取及识别方法

Also Published As

Publication number Publication date
CN105956552A (zh) 2016-09-21

Similar Documents

Publication Publication Date Title
CN105956552B (zh) 一种人脸黑名单监测方法
CN102375970B (zh) 一种基于人脸的身份认证方法和认证装置
CN109819208A (zh) 一种基于人工智能动态监控的密集人群安防监控管理方法
WO2022121039A1 (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
WO2022134655A1 (zh) 一种端到端的视频动作检测定位系统
CN104978550A (zh) 基于大规模人脸数据库的人脸识别方法及系统
CN104951773A (zh) 一种实时人脸识别监视系统
CN105138954A (zh) 一种图像自动筛选查询识别系统
Barros et al. Real-time gesture recognition using a humanoid robot with a deep neural architecture
Zhao-Yi et al. Real-time facial expression recognition based on adaptive canny operator edge detection
CN104915656B (zh) 一种基于双目视觉测量技术的快速人脸识别方法
CN109522853A (zh) 面向监控视频的人脸检测与搜索方法
Rouhi et al. A review on feature extraction techniques in face recognition
CN104318603A (zh) 从手机相册调取照片生成3d模型的方法及系统
CN112101208A (zh) 高龄老人特征串联融合手势识别方法及装置
CN104008364A (zh) 人脸识别方法
CN103605993B (zh) 一种基于面向场景判别性分析的图像到视频人脸识别方法
CN103544478A (zh) 一种全方位人脸检测的方法及系统
CN106326851A (zh) 一种人头检测的方法
CN106203448A (zh) 一种基于非线性尺度空间的场景分类方法
CN113486712B (zh) 一种基于深度学习的多人脸识别方法、系统和介质
CN113343927B (zh) 一种适用于面瘫患者的智能化人脸识别方法和系统
Ming et al. A unified 3D face authentication framework based on robust local mesh SIFT feature
Işikdoğan et al. Automatic recognition of Turkish fingerspelling
CN106845361B (zh) 一种行人头部识别方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190802