CN108090428B - 一种人脸识别方法及其系统 - Google Patents

一种人脸识别方法及其系统 Download PDF

Info

Publication number
CN108090428B
CN108090428B CN201711290810.5A CN201711290810A CN108090428B CN 108090428 B CN108090428 B CN 108090428B CN 201711290810 A CN201711290810 A CN 201711290810A CN 108090428 B CN108090428 B CN 108090428B
Authority
CN
China
Prior art keywords
face
image
axis
module
camera
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
Application number
CN201711290810.5A
Other languages
English (en)
Other versions
CN108090428A (zh
Inventor
蒋清红
肖紫婷
陆晶晶
黄云飞
杨承学
罗鑫
何富运
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.)
Chengdu Horsent Wiselink Technology Co ltd
Shenzhen Hongyue Information Technology Co ltd
Original Assignee
Chengdu Horsent Wiselink Technology Co ltd
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 Chengdu Horsent Wiselink Technology Co ltd filed Critical Chengdu Horsent Wiselink Technology Co ltd
Priority to CN201711290810.5A priority Critical patent/CN108090428B/zh
Publication of CN108090428A publication Critical patent/CN108090428A/zh
Application granted granted Critical
Publication of CN108090428B publication Critical patent/CN108090428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06V40/172—Classification, e.g. identification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Abstract

本发明提供一种人脸识别方法及其系统，属于人脸识别领域，方法包括如下步骤，读入初始帧，对人脸进行检测；提取人脸中心部分特征点的特征值；对人脸的特征点进行定位；根据人脸特征点进行几何特征向量构造；初始化卡尔曼滤波器，确定初始状态；计算目标模型的核直方图，读取下一帧；预测人脸迭代起始位置，根据预测位置计算候选模型核直方图；通过巴式系数计算核直方图和候选模型核直方图最大的相似度；根据相似度找到下一个候选的位置；提取向量特征值，把提取的特征值与特征值系统进行对比，返回识别结果。

Description

一种人脸识别方法及其系统
技术领域
本发明涉及人脸识别领域，特别是涉及一种人脸识别方法及其系统。
背景技术
人脸识别作为生物特征识别技术的一种，与其他生物特征识别方法相比，易于为用户所接受，具有极其广阔的市场应用前景。传统的人脸识别同时识别人脸的个数很少，在人流量较大的情况下设备工作效率低，且人脸识别时很容易用照片等代替活体，同时识别效果受光线影响。且设备体积较大，不方便携带。
同时现有的人脸识别系统或者方法没能很好的对人脸进行跟踪，当人脸进行移动时，需要进行多次人脸特征值提取，从而使得识别速度比较慢，效率较低等情况。因此需要设计出一种识别效率更高，更准确的人脸识别系统和方法。
发明内容
本发明提供一种人脸识别方法及其系统，解决现有人脸识别装置识别率差、用照片代替人识别的漏洞和不方便携带的技术问题。
本发明通过以下技术方案解决上述问题：
一种人脸识别方法，包括如下步骤，
步骤1：读入初始帧，对人脸进行检测；
步骤2：提取人脸中心部分特征点的特征值；
步骤3：对人脸的特征点进行定位；
步骤4：根据人脸特征点进行几何特征向量构造；
步骤5：初始化卡尔曼滤波器，确定初始状态；
步骤6：计算目标模型的核直方图，读取下一帧；
步骤7：预测人脸迭代起始位置，根据预测位置计算候选模型核直方图；
步骤8：通过巴式系数计算核直方图和候选模型核直方图最大的相似度；
步骤9：根据相似度找到下一个候选的位置；
步骤10：提取向量特征值，把提取的特征值与特征值系统进行对比，返回识别结果。
所述步骤4中几何特征向量为特征点与特征点移动的速度构成的向量。
所述步骤5中卡尔曼滤波器为在坐标轴x，y上的位置和速度的四维向量
Figure GDA0002376520880000028
Lxk为第k个图像中心点在x轴的位置，Lyk为第k个图像中心点在y轴的位置，vxk为第k个图像在x轴的运动速度，
Figure GDA0002376520880000026
为第k个图像在y轴的运动速度，k＝1,2,3…n，k表示第几个图像；
设定两帧图片之间的目标为匀加(减)速运动，由牛顿运动定律得其位移为：
Figure GDA0002376520880000021
Figure GDA0002376520880000022
其中，Lxk-1为第k-1个图像中心点在x轴的位置，Lyk-1为第k-1个图像中心点在y轴的位置，vxk-1为第k-1个图像在x轴的运动速度，vyk-1为第k-1个图像在y轴的运动速度，t表示时间；
速度为：
Figure GDA0002376520880000023
Figure GDA0002376520880000024
其中，vxk为第k个图像在x轴的运动速度，vxk-1为k-1个图像在x轴的运动速度，
Figure GDA0002376520880000027
为第k个图像在y轴的运动速度，vyk-1为k-1个图像在y轴的运动速度，wk-1为加速度；
状态模型为：
Figure GDA0002376520880000031
观测模型为：
Figure GDA0002376520880000032
xgk为观测状态下系统在x轴上的位置，ygk为观测状态下系统在y轴上的位置，vk为观测状态下系统在坐标轴y的速度，ykxgk为观测状态下系统在第k个图像中心点在y轴的位置。
所述步骤5中的初始状态为：
x0＝(Lx0，Ly0，0，0)
其中，Lx0表示初始图像所在x轴的位置，Ly0表示初始图像所在x轴的位置。
所述步骤6中的目标模型为选取为以骤5中的初始状态为目标区域中心，xi(i＝1，2，3...n)为此区域的像素点,目标模型中第u个特征值的概率密度为：
Figure GDA0002376520880000033
其中b(xi)表示灰度值索引函数，y表示目标区域的中心坐标即x0，目标模型的特征值的个数为m，则u＝1，2...m。xi(i＝1，2…n)表示该区域中的像素，像素的总体个数是n,带宽为h,δ[b(xi)-u]用于判断样本中心的像素点的灰度值与颜色值是否与特征值相匹配，归一化函数Ch为
Figure GDA0002376520880000041
所述步骤6中的读取下一帧的当前帧目标模型为：
Figure GDA0002376520880000042
y为当前帧中确定的搜索窗口中的中心坐标，
Figure GDA0002376520880000045
为当前帧中第u个特征值的概率密度，当前帧目标模型的特征值的个数为m，则u＝1，2…m，xi(i＝1，2…n)表示该区域中的像素，像素的总体个数是n，带宽为h。
6.根据权利要求4所述的一种人脸识别方法，其特征在于：所述步骤8中巴式系数计算公式为：
Figure GDA0002376520880000043
其中m表示特征值的个数，
Figure GDA0002376520880000046
为巴式公式中表示与
Figure GDA0002376520880000047
对比的另一个值，
Figure GDA0002376520880000048
和上面公式的
Figure GDA0002376520880000049
是相同的量。
所述步骤10中特征值的对比的具体过程为：设定特征向量的阈值为0.96，利用加权公式计算特征向量
Figure GDA00023765208800000410
和
Figure GDA00023765208800000411
的相似度，B(xi，yi)和A(xi，yi)均为特征向量，xi和yi分别为x轴和y轴的特征值，设定相似度为T(x，y)，若相似度大于设定的阈值0.96，则匹配成功，将标志信息通过数据传输模块返回人脸信息处理器，若匹配失败则不返回标志信息。
所述加权公式为：
Figure GDA0002376520880000044
其中，i和n均为正整数。
一种人脸识别系统，包括人脸录入模块、人脸采集模块、人脸检测模块、人脸对比模块、数据传输模块和数据管理模块；人脸录入模块用于录入的人脸基本信息存入人脸对比模块；人脸采集模块用于捕捉人脸图片，并将人脸图片传入人脸检测模块；人脸检测模块用于处理捕捉到的人脸图片，对其进行动态跟踪并提取人脸特征值；数据传输模块用于传输人脸检测模块和人脸对比模块处理后的数据，将数据信息传入下一模块；数据管理模块用于显示识别后的结果；
所述人脸采集模块包括RGB摄像头、红外摄像头、红外补光灯和热释电红外传感器；人脸采集模块把摄像头提取到的人脸中心校正后，特征点构造几何特征向量，把该人脸特征点在每一帧图像中的位置和速度信息，作为卡尔曼滤波系统的状态向量，预测出目标在下一帧图像中的候选位置，在通过巴氏系数计算最大相似度并返回真实目标位置，实现目标动态跟踪。
本发明的优点与效果是：
本发明通过对人脸进行定位跟踪，从而使得在设备移动或者人移动时，更好的定位人脸的位置，对人脸进行识别，使得识别更加准确，在设备移动或者人移动时均能快速高效的进行人脸识别，对检测到的人脸进行动态跟踪，减少多次提取特征值的运算量，提高了检测的高效性；通过设置红外摄像头、红外补光灯、2个RGB摄像头和热释电红外传感器，使该设备在不同情况的人流量的情况下，也能同时精确的识别多张人脸，解决了传统识别时，用照片代替人识别的漏洞；且该设备在光线较强和光线较弱的情况下均能进行高效的人脸识别；同时通过数据传输模块将人脸数据传入云端进行对比，减少了终端设备的存储量，使识别速率更高，且设备方便携带。
附图说明
图1为本发明系统框图。
图2为本发明流程图。
具体实施方式
以下结合实施例对本发明作进一步说明。本发明中的公式量不一一进行说明时，说明与其他公式相同的量代表的意义和意思均相同。
一种人脸识别方法，如图1所示，包括如下步骤：
步骤1：读入初始帧，对人脸进行检测。读入初始帧为系统设定的初始帧数据。对人脸进行检测时由摄像头进行扫描采集人脸的图片数据进行完成数据的采集，完成检测。
步骤2：提取人脸中心部分特征点的特征值，把采集的人脸图像进行放入设定好的方图进行寻找人脸的中心点，找中心点后对中心点的特征点进行提取特征值。
步骤3：对人脸的特征点进行定位。提取中心点的特征点后，把特征点的特征值进行存储，在下一次扫描检测时，以该特征点作为数据对比中心与扫描的人脸提取的特征值进行比较，形成特征点的定位。
步骤4：根据人脸特征点进行几何特征向量构造。几何特征向量为特征点与特征点移动的速度构成的向量。几何特征向量的向量元素包括特征向量的通特征点的个数和各个特征点在x轴和y轴的移动速度。
步骤5：初始化卡尔曼滤波器，确定初始状态。卡尔曼滤波器为在坐标轴x，y上的位置和速度的四维向量
Figure GDA0002376520880000066
Lxk为第k个图像中心点在x轴的位置，Lyk为第k个图像中心点在y轴的位置，vxk为第k个图像在x轴的运动速度，
Figure GDA0002376520880000065
为第k个图像在y轴的运动速度，k＝1,2,3…n，k表示第几个图像；
设定两帧图片之间的目标为匀加(减)速运动，由牛顿运动定律得其位移为：
Figure GDA0002376520880000061
Figure GDA0002376520880000062
其中，Lxk-1为第k-1个图像中心点在x轴的位置，Lyk-1为第k-1个图像中心点在y轴的位置，vxk-1为第k-1个图像在x轴的运动速度，vyk-1为第k-1个图像在y轴的运动速度，t表示时间；
速度为：
Figure GDA0002376520880000063
Figure GDA0002376520880000071
其中，vxk为第k个图像在x轴的运动速度，vxk-1为k-1个图像在x轴的运动速度，
Figure GDA0002376520880000074
为第k个图像在y轴的运动速度，vyk-1为k-1个图像在y轴的运动速度，wk-1为加速度；
状态模型为：
Figure GDA0002376520880000072
观测模型为：
Figure GDA0002376520880000073
xgk为观测状态下系统在x轴上的位置，ygk为观测状态下系统在y轴上的位置，vk为观测状态下系统在坐标轴y的速度，ykxgk为观测状态下系统在第k个图像中心点在y轴的位置。初始状态为：
x0＝(Lx0，Ly0，0，0)
其中，Lx0表示初始图像所在x轴的位置，Ly0表示初始图像所在x轴的位置。
步骤6：计算目标模型的核直方图，读取下一帧。目标模型为选取为以骤5中的初始状态为目标区域中心，xi(i＝1，2，3...n)为此区域的像素点,目标模型中第u个特征值的概率密度为：
Figure GDA0002376520880000081
其中b(xi)表示灰度值索引函数，y表示目标区域的中心坐标即x0，目标模型的特征值的个数为m，则u＝1，2...m。xi(i＝1，2…n)表示该区域中的像素，像素的总体个数是n,带宽为h,δ[b(xi)-u]用于判断样本中心的像素点的灰度值与颜色值是否与特征值相匹配，归一化函数Ch为
Figure GDA0002376520880000082
读取下一帧的当前帧目标模型为：
Figure GDA0002376520880000083
y为当前帧中确定的搜索窗口中的中心坐标，
Figure GDA0002376520880000085
为当前帧中第u个特征值的概率密度，当前帧目标模型的特征值的个数为m，则u＝1，2…m，xi(i＝1，2…n)表示该区域中的像素，像素的总体个数是n，带宽为h。
步骤7：预测人脸迭代起始位置，根据预测位置计算候选模型核直方图。计算候选模型核直方图与步骤6计算的核直方图过程相同，只是初始值不同，根据人脸部的迭代起始位置进行预测而得到。
步骤8：通过巴式系数计算核直方图和候选模型核直方图最大的相似度。巴式系数计算公式为：
Figure GDA0002376520880000084
其中m表示特征值的个数，
Figure GDA0002376520880000092
为巴式公式中表示与
Figure GDA0002376520880000093
对比的另一个值，
Figure GDA0002376520880000094
和上面公式的
Figure GDA0002376520880000095
是相同的量。
步骤9：根据相似度找到下一个候选的位置。利用加权公式计算特征向量
Figure GDA0002376520880000096
和
Figure GDA0002376520880000097
的相似度。加权公式为：
Figure GDA0002376520880000091
其中，i和n均为正整数。
步骤10：提取向量特征值，把提取的特征值与特征值系统进行对比，返回识别结果。特征值的对比的具体过程为：设定特征向量的阈值为0.96，利用加权公式计算特征向量
Figure GDA0002376520880000098
和
Figure GDA0002376520880000099
的相似度，B(xi，yi)和A(xi，yi)均为特征向量，xi和yi分别为x轴和y轴的特征值，设定相似度为T(x，y)，若相似度大于设定的阈值0.96，则匹配成功，将标志信息通过数据传输模块返回人脸信息处理器，若匹配失败则不返回标志信息。
一种人脸识别系统，包括人脸录入模块、人脸采集模块、人脸检测模块、人脸对比模块、数据传输模块和数据管理模块。人脸录入模块用于录入的人脸基本信息存入人脸对比模块。人脸采集模块用于捕捉人脸图片，并将人脸图片传入人脸检测模块。人脸检测模块用于处理捕捉到的人脸图片，对其进行动态跟踪并提取人脸特征值。数据传输模块用于传输人脸检测模块和人脸对比模块处理后的数据，将数据信息传入下一模块；数据管理模块用于显示识别后的结果。
所述人脸采集模块包括RGB摄像头、红外摄像头、红外补光灯和热释电红外传感器；人脸采集模块把摄像头提取到的人脸中心校正后，特征点构造几何特征向量，把该人脸特征点在每一帧图像中的位置和速度信息，作为卡尔曼滤波系统的状态向量，预测出目标在下一帧图像中的候选位置，在通过巴氏系数计算最大相似度并返回真实目标位置，实现目标动态跟踪。
所述人脸录入模块，通过摄像头采集人脸，使用者手动添加自己的姓名、编号等基本信息，将人脸通过人脸检测模块检测和基本信息通过数据传输模块传入人脸对比模块中存储。
所述人脸采集模块，包括2个RGB摄像头、1个红外摄像头、1个红外补光灯和1个热释电红外传感器。2个RGB摄像头、1个红外摄像头和1个红外补光灯设置在所述显示屏的上方，热释电红外传感器优选RD-624热释电红外传感器且固定设置在红外摄像头下方，显示屏上方所述2个RGB摄像头一个为主摄像头，一个为副摄像头。红外摄像头和红外补光灯相邻设置。
当人流量大时，2个RBG摄像头独立工作，分别检测人脸。当人流量小时，2个RGB摄像同时工作，其中，主摄像头感知人脸信息，副摄像头感知颜色、亮度等信息，将人脸以外的背景虚化，检测并提取人脸。当RD-624热释电红外传感器检测目标为活体时，摄像头将提取到的人脸传入图像处理器，图像处理器将处理后的人脸数据通过数据传输模块传给云服务器。云服务器将处理后的人脸数据再次通过数据传输模块，返回图像处理器，最终将识别结果传入显示器。当光线较暗时，红外摄像头和红外补光灯开启，继续进行人脸识别。
所述人脸检测模块用于处理人脸采集模块的人脸图像，动态跟踪检测到的人脸并提取其特征值。包括图像数据处理器、存储器和电源。图像数据处理器的电源端与电源连接，图像处理器的存储端与存储器连接，图像处理器的数据传输端与数据传输模块连接，图像处理器的信号端与所述摄像模块的信号端连接，摄像头将拍摄到的信号传入图像处理器。
所述数据管理模块，包括显示屏。所述显示屏，所述显示屏固定设置在所述机体的前侧面中部，所述显示屏电源端与所述图像处理器电源端连接。将人脸对比模块处理的信息进行管理，若匹配成功返回标志信息，则将姓名等基本信息显示在显示屏上，若匹配失败无标志信息返回，则显示屏无显示。
所述数据传输模块包括3G模块、4G模块和Wi-Fi模块。
以上已对本发明创造的较佳实施例进行了具体说明，但本发明并不限于实施例，熟悉本领域的技术人员在不违背本发明创造精神的前提下还可作出种种的等同的变型或替换，这些等同的变型或替换均包含在本申请的范围内。

Claims (3)

1.一种人脸识别方法，其特征在于，包括如下步骤，
步骤1：读入初始帧，对人脸进行检测；
步骤2：提取人脸中心部分特征点的特征值；
步骤3：对人脸的特征点进行定位；
步骤4：根据人脸特征点进行几何特征向量构造；
步骤5：初始化卡尔曼滤波器，确定初始状态；
步骤6：计算目标模型的核直方图，读取下一帧；
步骤7：预测人脸迭代起始位置，根据预测位置计算候选模型核直方图；
步骤8：通过巴式系数计算核直方图和候选模型核直方图最大的相似度；
步骤9：根据相似度找到下一个候选的位置；
步骤10：提取向量特征值，把提取的特征值与特征值系统进行对比，返回识别结果；
所述步骤4中几何特征向量为特征点与特征点移动的速度构成的向量；
所述步骤5中卡尔曼滤波器为在坐标轴x，y上的位置和速度的四维向量
xk(Lxk，Lyk，vxk，vyk)，Lxk为第k个图像中心点在x轴的位置，Lyk为第k个图像中心点在y轴的位置，vxk为第k个图像在x轴的运动速度，vyk为第k个图像在y轴的运动速度，k＝1，2，3…n1，k表示第几个图像；
设定两帧图片之间的目标为匀加或者匀减速运动，由牛顿运动定律得其位移为：
Figure FDA0002721064130000011
Figure FDA0002721064130000012
其中，Lxk-1为第k-1个图像中心点在x轴的位置，Lyk-1为第k-1个图像中心点在y轴的位置，vxk-1为第k-1个图像在x轴的运动速度，vyk-1为第k-1个图像在y轴的运动速度，t表示时间；
速度为：
vxk＝vxk-1+wk-1t
vyk＝vyk-1+wk-1t
其中，vxk为第k个图像在x轴的运动速度，vxk-1为k-1个图像在x轴的运动速度，vyk为第k个图像在y轴的运动速度，vyk-1为k-1个图像在y轴的运动速度，wk-1表示为加速度；
状态模型为：
Figure FDA0002721064130000021
观测模型为：
Figure FDA0002721064130000022
xgk为观测状态下系统在x轴上的位置，ygk为观测状态下系统在y轴上的位置，vk为观测状态下系统在坐标轴y的速度；
所述步骤6中的目标模型为选取为以步骤5中的初始状态为目标区域中心，xi为第i个区域的像素点，其中i＝1，2，3…n，目标模型中第u个特征值的概率密度为：
Figure FDA0002721064130000023
其中b(xi)表示灰度值索引函数，y1表示目标区域的中心坐标即x0，目标模型的特征值的个数为m，则u＝1，2...m；xi为第i个区域的像素点，其中i＝1，2，3…n，像素的总体个数是n，带宽为h，δ[b(xi)-u]用于判断样本中心的像素点的灰度值与颜色值是否与特征值相匹配，归一化函数Ch为
Figure FDA0002721064130000024
所述步骤6中的读取下一帧的当前帧目标模型为：
Figure FDA0002721064130000031
y2为当前帧中确定的搜索窗口中的中心坐标，
Figure FDA0002721064130000034
为当前帧中第u个特征值的概率密度，当前帧目标模型的特征值的个数为m，则u＝1.2...m，xi为第i个区域的像素点，其中i＝1，2，3…n表示该区域中的像素，像素的总体个数是n，带宽为h；
所述步骤10中特征值的对比的具体过程为：设定特征向量的阈值为0.96，利用加权公式计算特征向量
Figure FDA0002721064130000035
和
Figure FDA0002721064130000036
的相似度，B(xi，yi)和A(xi，yi)均为特征向量，xi和yi分别为x轴和y轴的特征值，设定相似度为T(x，y)，若相似度大于设定的阈值0.96，则匹配成功，将标志信息通过数据传输模块返回人脸信息处理器，若匹配失败则不返回标志信息；
所述加权公式为：
Figure FDA0002721064130000032
其中，i和n均为正整数；
所述步骤5中的初始状态为：
x0＝(Lx0，Ly0，0，0)
其中，Lx0表示初始图像所在x轴的位置，Ly0表示初始图像所在x轴的位置。
2.根据权利要求1所述的一种人脸识别方法，其特征在于：所述步骤8中巴式系数计算公式为：
Figure FDA0002721064130000033
其中m表示特征值的个数，
Figure FDA0002721064130000037
为巴式公式中表示与
Figure FDA0002721064130000039
对比的另一个值，
Figure FDA00027210641300000310
和上面公式的
Figure FDA0002721064130000038
是相同的量。
3.根据权利要求1所述的一种人脸识别方法的系统，其特征在于，包括人脸录入模块、人脸采集模块、人脸检测模块、人脸对比模块、数据传输模块和数据管理模块；人脸录入模块用于录入的人脸基本信息存入人脸对比模块；人脸采集模块用于捕捉人脸图片，并将人脸图片传入人脸检测模块；人脸检测模块用于处理捕捉到的人脸图片，对其进行动态跟踪并提取人脸特征值；数据传输模块用于传输人脸检测模块和人脸对比模块处理后的数据，将数据信息传入下一模块；数据管理模块用于显示识别后的结果；
所述人脸采集模块包括RGB摄像头、红外摄像头、红外补光灯和热释电红外传感器；人脸采集模块把摄像头提取到的人脸中心校正后，特征点构造几何特征向量，把特征点在每一帧图像中的位置和速度信息，作为卡尔曼滤波系统的状态向量，预测出目标在下一帧图像中的候选位置，在通过巴氏系数计算最大相似度并返回真实目标位置，实现目标动态跟踪；
所述人脸录入模块，通过摄像头采集人脸，使用者手动添加自己的姓名、编号的基本信息，将人脸通过人脸检测模块检测和基本信息通过数据传输模块传入人脸对比模块中存储；
所述人脸采集模块，包括2个RGB摄像头、1个红外摄像头、1个红外补光灯和1个热释电红外传感器，2个RGB摄像头、1个红外摄像头和1个红外补光灯设置在显示屏的上方，热释电红外传感器为RD-624热释电红外传感器且固定设置在红外摄像头下方，显示屏上方所述2个RGB摄像头一个为主摄像头，一个为副摄像头，红外摄像头和红外补光灯相邻设置；
当人流量大时，2个RBG摄像头独立工作，分别检测人脸，当人流量小时，2个RGB摄像同时工作，其中，主摄像头感知人脸信息，副摄像头感知颜色、亮度的信息，将人脸以外的背景虚化，检测并提取人脸，当RD-624热释电红外传感器检测目标为活体时，摄像头将提取到的人脸传入图像处理器，图像处理器将处理后的人脸数据通过数据传输模块传给云服务器，云服务器将处理后的人脸数据再次通过数据传输模块，返回图像处理器，最终将识别结果传入显示器，当光线较暗时，红外摄像头和红外补光灯开启，继续进行人脸识别；
所述人脸检测模块用于处理人脸采集模块的人脸图像，动态跟踪检测到的人脸并提取其特征值，包括图像数据处理器、存储器和电源，图像数据处理器的电源端与电源连接，图像处理器的存储端与存储器连接，图像处理器的数据传输端与数据传输模块连接，图像处理器的信号端与摄像模块的信号端连接，摄像头将拍摄到的信号传入图像处理器；
所述数据管理模块，包括显示屏，所述显示屏固定设置在机体的前侧面中部，所述显示屏电源端与所述图像处理器电源端连接，将人脸对比模块处理的信息进行管理，若匹配成功返回标志信息，则将姓名基本信息显示在显示屏上，若匹配失败无标志信息返回，则显示屏无显示。
CN201711290810.5A 2017-12-08 2017-12-08 一种人脸识别方法及其系统 Active CN108090428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711290810.5A CN108090428B (zh) 2017-12-08 2017-12-08 一种人脸识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711290810.5A CN108090428B (zh) 2017-12-08 2017-12-08 一种人脸识别方法及其系统

Publications (2)

Publication Number Publication Date
CN108090428A CN108090428A (zh) 2018-05-29
CN108090428B true CN108090428B (zh) 2021-05-25

Family

ID=62174334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711290810.5A Active CN108090428B (zh) 2017-12-08 2017-12-08 一种人脸识别方法及其系统

Country Status (1)

Country Link
CN (1) CN108090428B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523573A (zh) * 2018-11-23 2019-03-26 上海新世纪机器人有限公司 目标对象的跟踪方法和装置
CN109614910B (zh) * 2018-12-04 2020-11-20 青岛小鸟看看科技有限公司 一种人脸识别方法和装置
CN109711362B (zh) * 2018-12-29 2020-02-14 深圳有咖互动科技有限公司 人脸表情提取方法、电子设备以及存储介质
CN110084196B (zh) * 2019-04-26 2023-04-07 湖南科技学院 一种用于云计算的监控视频识别系统
CN110414444A (zh) * 2019-07-31 2019-11-05 中国工商银行股份有限公司 人脸识别方法及装置
CN110807373A (zh) * 2019-10-16 2020-02-18 珠海市捷安通科技有限公司 一种多角度人脸识别交互系统
CN112364842B (zh) * 2020-12-24 2021-04-27 杭州宇泛智能科技有限公司 一种双摄人脸识别方法及装置
CN115050082B (zh) * 2022-08-12 2022-12-09 深圳市三千米光电科技有限公司 一种基于红外激光灯的补光监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268616A (zh) * 2013-04-18 2013-08-28 北京工业大学 多特征多传感器的移动机器人运动人体跟踪方法
CN106500695A (zh) * 2017-01-05 2017-03-15 大连理工大学 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050033200A1 (en) * 2003-08-05 2005-02-10 Soehren Wayne A. Human motion identification and measurement system and method
CN101216885A (zh) * 2008-01-04 2008-07-09 中山大学 一种基于视频的行人人脸检测与跟踪算法
CN101324956A (zh) * 2008-07-10 2008-12-17 上海交通大学 基于均值漂移的抗遮挡运动目标跟踪方法
CN103489199B (zh) * 2012-06-13 2016-08-24 通号通信信息集团有限公司 视频图像目标跟踪处理方法和系统
CN103902960A (zh) * 2012-12-28 2014-07-02 北京计算机技术及应用研究所 一种实时人脸识别系统及其方法
CN103971092B (zh) * 2014-04-09 2018-06-05 中国船舶重工集团公司第七二六研究所 人脸轨迹跟踪的方法
CN104036236B (zh) * 2014-05-27 2017-03-29 厦门瑞为信息技术有限公司 一种基于多参数指数加权的人脸性别识别方法
CN104539874B (zh) * 2014-06-17 2017-11-21 武汉理工大学 融合热释电传感与摄像机的人体混合监控系统及方法
CN104992451A (zh) * 2015-06-25 2015-10-21 河海大学 一种改进的目标跟踪方法
CN106371552B (zh) * 2015-07-22 2021-04-16 腾讯科技（深圳）有限公司 一种在移动终端进行媒体展示的控制方法及装置
CN105913028B (zh) * 2016-04-13 2020-12-25 华南师范大学 一种基于face++平台的人脸跟踪方法及其装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268616A (zh) * 2013-04-18 2013-08-28 北京工业大学 多特征多传感器的移动机器人运动人体跟踪方法
CN106500695A (zh) * 2017-01-05 2017-03-15 大连理工大学 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Kalman Filter for pose-Invariant Face Recognition;Horst Eidenberger;《IEEE International Conference on Image Processing》;20071231;第2037-2040页 *
Target Tracking Based on Mean Shift and KALMAN Filter with Kernel Histogram Filtering;Sara Qazvini 等;《Computer and Information Science》;20110331;第4卷(第2期);第152-160页 *

Also Published As

Publication number Publication date
CN108090428A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108090428B (zh) 一种人脸识别方法及其系统
Spinello et al. People detection in RGB-D data
US9400935B2 (en) Detecting apparatus of human component and method thereof
CN111783576B (zh) 基于改进型YOLOv3网络和特征融合的行人重识别方法
CN106886216B (zh) 基于rgbd人脸检测的机器人自动跟踪方法和系统
CN111104867B (zh) 基于部件分割的识别模型训练、车辆重识别方法及装置
US20040213460A1 (en) Method of human figure contour outlining in images
WO2020206850A1 (zh) 基于高维图像的图像标注方法和装置
WO2013165565A1 (en) Method of detecting a main subject in an image
CN109359577B (zh) 一种基于机器学习的复杂背景下人数检测系统
CN111914643A (zh) 一种基于骨骼关键点检测的人体动作识别方法
US11798189B2 (en) Computer implemented methods and devices for determining dimensions and distances of head features
Chen et al. Exploring depth information for head detection with depth images
CN112613568B (zh) 基于可见光及红外多光谱图像序列的目标识别方法和装置
CN110276288A (zh) 一种基于生物特征的身份识别方法和装置
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
Poostchi et al. Feature selection for appearance-based vehicle tracking in geospatial video
CN108710841A (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
CN115661903B (zh) 一种基于空间映射协同目标过滤的识图方法及装置
CN117045233A (zh) 基于卷积神经网络异常步态检测的跟随机器人及实现方法
CN110321781A (zh) 一种用于无接触式测量的信号处理方法及装置
CN116862832A (zh) 一种基于三维实景模型的作业人员定位方法
CN110321782A (zh) 一种检测人体特征信号的系统
KR101806066B1 (ko) 주차유도 기능이 구비된 카메라 모듈
CN110097758A (zh) 车辆信息输出、存储方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210426

Address after: 610000 No. 66 Dayu East Road, Deyuan Town (Jingrong Town), Pidu District, Chengdu City, Sichuan Province

Applicant after: CHENGDU HORSENT WISELINK TECHNOLOGY Co.,Ltd.

Address before: 708, Huiyi building, 9 Zhongxin Road, Taoyuan community, Dalang street, Longhua District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Hongyue Information Technology Co.,Ltd.

Effective date of registration: 20210426

Address after: 708, Huiyi building, 9 Zhongxin Road, Taoyuan community, Dalang street, Longhua District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd.

Address before: 541004 Guangxi Normal University, 15, Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region

Applicant before: Guangxi Normal University

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A face recognition method and its system

Effective date of registration: 20220927

Granted publication date: 20210525

Pledgee: Chengdu SME financing Company Limited by Guarantee

Pledgor: CHENGDU HORSENT WISELINK TECHNOLOGY Co.,Ltd.

Registration number: Y2022980016366