CN108052932A - 一种遮挡自适应人脸识别方法 - Google Patents
一种遮挡自适应人脸识别方法 Download PDFInfo
- Publication number
- CN108052932A CN108052932A CN201810020535.3A CN201810020535A CN108052932A CN 108052932 A CN108052932 A CN 108052932A CN 201810020535 A CN201810020535 A CN 201810020535A CN 108052932 A CN108052932 A CN 108052932A
- Authority
- CN
- China
- Prior art keywords
- face
- network
- dictionary
- output
- adaptive
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遮挡自适应人脸识别方法,包括如下步骤:步骤一:预处理网络训练,选取人脸数据集,该人脸数据集为非理想条件下的面部图片,以数据集中各类标签为该预处理网络的输出结果进行有监督学习,神经元的激活函数选取f(x)=max(0,x),网络的输入层输入为196*196分辨率的人脸灰度图像,第一层卷积使用9*9的卷积核,与之对应的第一层池化卷积核为5*5,该网络全连接层的输出将作为预处理完成的人脸特征传入下一步处理。本发明在人脸识别的第一步骤进行了改进,引入自适应判别提升了遮挡情况下的识别能力,同时降低了非遮挡情况下的计算性能需求,同时对人脸的特征信息进行初步的预处理。
Description
技术领域
本发明涉及一种识别方法,具体是一种遮挡自适应人脸识别方法。
背景技术
人脸识别是当今生物识别领域的一大重点,拥有较高的实用价值,但是确面临小样本和非理想采集条件这两大难题。本发明拟在解决这两大问题,提高系统的可用性。Wright J等人在Robust face recognition via sparse representation一文中提出了稀疏表示(SRC)的方法,但是该方法不能克服小样本与类内误差的影响,例如识别对象佩戴墨镜。 Deng W等人在Extended SRC:undersampled face via intraclass variantdictionary 一文中对SRC方法进行了改进,提高了SRC方法的适应能力。但是因为都是基于线性的方式,所以并不能提出非线性的类内干扰。所以本发明通过引入了流行的神经网络技术与自适应选择,对人脸识别方法进行新的改进发明。单一的稀疏表示分类器在小样本和有遮挡的条件下识别能力下降,可用性降低。
发明内容
本发明的目的在于提供一种遮挡自适应人脸识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种遮挡自适应人脸识别方法,包括如下步骤:步骤一:预处理网络训练,选取人脸数据集,该人脸数据集为非理想条件下的面部图片,以数据集中各类标签为该预处理网络的输出结果进行有监督学习,神经元的激活函数选取f(x)=max(0,x),网络的输入层输入为196*196分辨率的人脸灰度图像,第一层卷积使用9*9的卷积核,与之对应的第一层池化卷积核为5*5,该网络全连接层的输出将作为预处理完成的人脸特征传入下一步处理;步骤二:自适应判别:基于原始输入图像进行扫描,判别是否存在完整的人脸区域,当未检测到完整的人脸区域时,即视为存在严重的遮挡;步骤三:分类器分类与表示,当判定为无遮挡条件时,我们使用对预处理后的输入图像特征使用稀疏表示,即y=Ax+ε,其中y 为预处理后的输入图像特征,A为经过预处理网络处理后的字典,x为一个稀疏向量,ε为图像噪声,当判定为存在遮挡条件时,使用带有遮挡字典的稀疏表示,即y=Ax+Dα+ε,其中y为预处理后的输入图像特征,A为经过预处理网络处理后的字典,D为噪声字典,x 与α均为稀疏向量,ε为图像噪声;步骤四:输出结果,该步骤分为两个情况,当判定为无遮挡的时候采用稀疏表示,则利用其中i即为字典的类标,进行结果的判定与输出,当判定为有遮挡的条件下使用其中i 即为字典的类标,进行结果的判定与输出。
作为本发明进一步的方案:所述预处理网络为CNN网络。
作为本发明再进一步的方案:所述自适应判别具体包括:使用基于haar特征的人脸检测技术,当大于haar阈值时视为存在完整的连通的人脸。
与现有技术相比,本发明的有益效果是:本发明在人脸识别的第一步骤进行了改进,对人脸的特征信息进行初步的预处理,通过引入卷积神经网络完成特征信息的空间映射,从而提高了小样本和遮挡情况下识别准确率,自适应判别提升了遮挡情况下的识别能力,同时降低了非遮挡情况下的计算性能需求。
附图说明
图1为遮挡自适应人脸识别方法的流程图。
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。
请参阅图1,本发明实施例中,一种遮挡自适应人脸识别方法,包括如下步骤,步骤一:预处理网络训练,选取人脸数据集,该数据集为非理想条件(光照、遮挡、姿态)下的面部图片,以数据集中各类标签为该预处理网络的输出结果进行有监督学习。该预处理网络为CNN网络,神经元的激活函数选取f(x)=max(0,x)。网络的输入层输入为196*196 分辨率的人脸灰度图像。第一层卷积使用9*9的卷积核,与之对应的第一层池化卷积核为 5*5。该网络全连接层的输出将作为预处理完成的人脸特征传入下一步处理。
步骤二:自适应判别基于原始输入图像进行扫描,判别是否存在完整的人脸区域,当未检测到完整的人脸区域时,即视为存在严重的遮挡。其具体的技术为,使用基于haar特征的人脸检测技术,当大于haar阈值时视为存在完整的连通的人脸。
步骤三:分类器分类与表示,当判定为无遮挡条件时,我们使用对预处理后的输入图像特征使用稀疏表示。即y=Ax+ε,其中y为预处理后的输入图像特征,A为经过预处理网络处理后的字典,x为一个稀疏向量,ε为图像噪声。当判定为存在遮挡条件时,使用带有遮挡字典的稀疏表示。即y=Ax+Dα+ε,其中y为预处理后的输入图像特征,A为经过预处理网络处理后的字典,,D为噪声字典,x与α均为稀疏向量,ε为图像噪声。
步骤四:输出结果,该步骤分为两个情况,当判定为无遮挡的时候采用稀疏表示,则利用其中i即为字典的类标,进行结果的判定与输出。当判定为有遮挡的条件下使用其中i即为字典的类标,进行结果的判定与输出。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种遮挡自适应人脸识别方法,其特征在于,包括如下步骤:步骤一:预处理网络训练,选取人脸数据集,该人脸数据集为非理想条件下的面部图片,以数据集中各类标签为该预处理网络的输出结果进行有监督学习,神经元的激活函数选取f(x)=max(0,x),网络的输入层输入为196*196分辨率的人脸灰度图像,第一层卷积使用9*9的卷积核,与之对应的第一层池化卷积核为5*5,该网络全连接层的输出将作为预处理完成的人脸特征传入下一步处理;步骤二:自适应判别:基于原始输入图像进行扫描,判别是否存在完整的人脸区域,当未检测到完整的人脸区域时,即视为存在严重的遮挡;步骤三:分类器分类与表示,当判定为无遮挡条件时,我们使用对预处理后的输入图像特征使用稀疏表示,即y=Ax+ε,其中y为预处理后的输入图像特征,A为经过预处理网络处理后的字典,x为一个稀疏向量,ε为图像噪声,当判定为存在遮挡条件时,使用带有遮挡字典的稀疏表示,即y=Ax+Dα+ε,其中y为预处理后的输入图像特征,A为经过预处理网络处理后的字典,D为噪声字典,x与α均为稀疏向量,ε为图像噪声;步骤四:输出结果,该步骤分为两个情况,当判定为无遮挡的时候采用稀疏表示,则利用其中i即为字典的类标,进行结果的判定与输出,当判定为有遮挡的条件下使用其中i即为字典的类标,进行结果的判定与输出。
2.根据权利要求1所述的遮挡自适应人脸识别方法,其特征在于,所述预处理网络为CNN网络。
3.根据权利要求1所述的遮挡自适应人脸识别方法,其特征在于,所述自适应判别具体包括:使用基于haar特征的人脸检测技术,当大于haar阈值时视为存在完整的连通的人脸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810020535.3A CN108052932A (zh) | 2018-01-10 | 2018-01-10 | 一种遮挡自适应人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810020535.3A CN108052932A (zh) | 2018-01-10 | 2018-01-10 | 一种遮挡自适应人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052932A true CN108052932A (zh) | 2018-05-18 |
Family
ID=62127030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810020535.3A Pending CN108052932A (zh) | 2018-01-10 | 2018-01-10 | 一种遮挡自适应人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052932A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711283A (zh) * | 2018-12-10 | 2019-05-03 | 广东工业大学 | 一种联合双字典和误差矩阵的遮挡表情识别算法 |
CN110334615A (zh) * | 2019-06-20 | 2019-10-15 | 湖北亮诚光电科技有限公司 | 一种有遮挡的人脸识别的方法 |
CN111639545A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
WO2022073453A1 (zh) * | 2020-10-10 | 2022-04-14 | 武汉大学 | 一种面向身份识别的人脸质量感知方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915436A (zh) * | 2012-10-25 | 2013-02-06 | 北京邮电大学 | 基于类内变化字典和训练图像的稀疏表示人脸识别方法 |
CN103198567A (zh) * | 2013-03-07 | 2013-07-10 | 刘文萍 | 一种基于Adaboost 人脸检测的ATM 机报警系统和方法 |
CN105095856A (zh) * | 2015-06-26 | 2015-11-25 | 上海交通大学 | 基于掩膜的有遮挡人脸识别方法 |
CN105160299A (zh) * | 2015-07-31 | 2015-12-16 | 华南理工大学 | 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107368803A (zh) * | 2017-07-14 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于类别稀疏表示的人脸识别方法及系统 |
-
2018
- 2018-01-10 CN CN201810020535.3A patent/CN108052932A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915436A (zh) * | 2012-10-25 | 2013-02-06 | 北京邮电大学 | 基于类内变化字典和训练图像的稀疏表示人脸识别方法 |
CN103198567A (zh) * | 2013-03-07 | 2013-07-10 | 刘文萍 | 一种基于Adaboost 人脸检测的ATM 机报警系统和方法 |
CN105095856A (zh) * | 2015-06-26 | 2015-11-25 | 上海交通大学 | 基于掩膜的有遮挡人脸识别方法 |
CN105160299A (zh) * | 2015-07-31 | 2015-12-16 | 华南理工大学 | 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法 |
CN107368803A (zh) * | 2017-07-14 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于类别稀疏表示的人脸识别方法及系统 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
Non-Patent Citations (2)
Title |
---|
谢剑斌 等: "《视觉感知与智能视频监控》", 31 March 2012, 长沙:国防科技大学出版社 * |
马晓 等: ""基于深度学习特征的稀疏表示的人脸识别方法"", 《智能系统学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711283A (zh) * | 2018-12-10 | 2019-05-03 | 广东工业大学 | 一种联合双字典和误差矩阵的遮挡表情识别算法 |
CN109711283B (zh) * | 2018-12-10 | 2022-11-15 | 广东工业大学 | 一种联合双字典和误差矩阵的遮挡表情识别方法 |
CN110334615A (zh) * | 2019-06-20 | 2019-10-15 | 湖北亮诚光电科技有限公司 | 一种有遮挡的人脸识别的方法 |
CN111639545A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
CN111639545B (zh) * | 2020-05-08 | 2023-08-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
WO2022073453A1 (zh) * | 2020-10-10 | 2022-04-14 | 武汉大学 | 一种面向身份识别的人脸质量感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230080693A1 (en) | Image processing method, electronic device and readable storage medium | |
CN108052932A (zh) | 一种遮挡自适应人脸识别方法 | |
CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
CN112070158B (zh) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 | |
CN111598968B (zh) | 一种图像处理方法、装置、存储介质和电子设备 | |
CN109657582A (zh) | 人脸情绪的识别方法、装置、计算机设备及存储介质 | |
Wang et al. | Deep learning-based visual detection of marine organisms: A survey | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
CN113392711A (zh) | 一种基于高层语义与噪声抑制的烟雾语义分割方法及系统 | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN116110036B (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
CN107958219A (zh) | 基于多模型和多尺度特征的图像场景分类方法 | |
CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
CN114140844A (zh) | 人脸静默活体检测方法、装置、电子设备及存储介质 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
CN109508639B (zh) | 基于多尺度带孔卷积神经网络的道路场景语义分割方法 | |
CN113205102A (zh) | 一种基于忆阻神经网络的车辆标志识别方法 | |
Zhang et al. | Visual saliency: from pixel-level to object-level analysis | |
CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
CN117152790A (zh) | 一种复杂场景的牛脸检测方法及其检测系统 | |
CN116824317A (zh) | 一种基于多尺度特征自适应融合的水上红外目标检测方法 | |
CN113780241B (zh) | 一种显著物体检测的加速方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |
|
RJ01 | Rejection of invention patent application after publication |