CN108830163A - 一种基于局部判别cca的海关身份验证系统及方法 - Google Patents

Abstract

本发明公开了一种基于局部判别CCA的海关身份验证系统及方法，该方法采用的特征库的建立方法包含：截取护照中人脸图像和视频中的人脸图像，统一尺寸并将图片转换为灰度图像，以获得M个人的N幅护照人脸和视频人脸的图像对；获得每幅灰度图像的每列，以得到该灰度图像的向量表示，并进行约简，得到图像对对应的向量对；定义两个矩阵，通过CCA优化以寻找成对的投影矩阵，使得投影后的典型变量之间的相关性最大化，获得两个映射矩阵；利用W_x和W_y对任意的护照人脸和视频人脸图像对对应的向量对进行映射，得到低维融合特征向量，将所有低维融合特征向量存储于特征库。本发明的系统及方法能准确验证身份，提高海关人员身份验证的准确率，减少了身份验证时间。

Description

一种基于局部判别CCA的海关身份验证系统及方法

技术领域

本发明涉及身份验证和模式识别技术领域，具体涉及一种基于局部判别CCA的海关身份验证系统及方法。

背景技术

美国2001事件911事件后，海关安全检查比以前更加严格。一般来说，海关的身份验证主要是通过海关检查人员肉眼观察、比较护照上的人脸和现场视频人脸，来判断两种人脸图像是否是同一个人。在大型机场中，该方法验证速度慢、主观性强、可能存在误判，也是一项繁琐的工作，已不能满足农业生产的需要。

基于计算机图像处理技术的海关身份验证方法具有快速、精确、实时等特点，能够协助海关人员及时准确的进行身份验证，而且能够自动检测到伪装者。由于护照人脸和视频图像是两种异构图像，一般而言护照图像中的人脸图像往往是模糊而固定的，而视频人脸图像总是清晰而变化的，而且随着时间的推移，两种图像之间存在较大差异。所以，很多现有的人脸识别方法和技术不能直接应用于海关身份验证中。

利用护照人脸图像和视频人脸图像进行过海关的人员身份验证研究是一个具有挑战性的研究课题。目前该课题的研究报道较少。该课题研究能够极大减轻海关人员繁琐乏味的工作，能够准确验证身份，确保海关安全，所以该课题研究具有重要意义。

发明内容

本发明的目的是提供一种基于局部判别CCA的海关身份验证系统及方法，该系统及方法解决了现有技术因对护照人脸和视频图像存在较大差异而难以识别的问题，能够准确验证身份，提高海关人员身份验证的准确率，减少了身份验证时间。

为了达到上述目的，本发明提供了一种基于局部判别CCA的海关身份验证特征库的建立方法，该方法包含：

(S1)截取护照中人脸图像和视频中的人脸图像，统一尺寸并将图片转换为灰度图像，以获得M个人的N幅护照人脸和视频人脸的图像对其中，g_xi和g_yi分别为第i个图像对的护照人脸和视频人脸图像，L(x_i)为第i个图像对的身份类别标签；

(S2)获得每幅灰度图像的每列，以得到该灰度图像的向量表示，并进行约简，得到第i个图像对约简后对应的向量对其中，p为护照人脸图像的约简维数，q为视频人脸图像的约简维数；

(S3)定义两个矩阵通过局部判别CCA优化以寻找成对的投影矩阵和使得投影后的典型变量Z_x＝W_x ^TX与Z_y＝W_y ^TY之间的相关性最大化，获得两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]；

(S4)利用W_x和W_y对任意的护照人脸和视频人脸图像对对应的向量对进行映射，得到低维融合特征向量将所有N个存储于特征库。

其中，所述的局部判别CCA的目标函数通过局部类内权值类间权值和局部相关权值构建，以将护照人脸和视频人脸图像投影到低维特征空间，使得同类图像特征之间的距离更小，而异类图像特征之间的距离更大，而且能将异构特征进行有机融合，由此提高身份识别方法的识别率。

优选地，所述的和的计算方程为：

式(3)、(4)和(5)中，η^x和η^y为两个局部调节参数。

优选地，所述的η^x和η^y为：

式(6)中，k为最近邻邻域数。

优选地，在所述的步骤(3)中，所述的两个映射矩阵的获得方法包含：

(S3.1)构建局部判别CCA的优化问题，目标函数为：

式(1)中，T为矩阵转置运算；w_x和w_y分别为待求矩阵W_x和W_y的元素；A_xx和A_yy分别为X和Y的加权自相关矩阵，A_xy为X和Y的加权互相关矩阵；

(S3.2)利用拉格朗日数乘法将式(1)转换成如下的优化问题，方程式为：

式(7)中，λ_x和λ_y为拉格朗日数乘法待定的特征值，T为矩阵转置运算，w_x和w_y分别为待求矩阵W_x和W_y的元素，A_xx和A_yy分别为X和Y的加权自相关矩阵，A_xy为X和Y的加权互相关矩阵；

(S3.3)对式(7)L求偏导数，令偏导数为0得：

(S3.4)令λ_x＝λ_y＝λ，将式(8)转换为广义特征值分解问题，广义特征方程如下：

(S3.5)求解式(9)的广义特征方程，得到前d个最大特征值λ₀,λ₁,L,λ_d-1(λ₀≥λ₁≥L≥λ_d-1)对应的广义特征向量对w_xi和w_yi(i＝1,2,…,d)，其中，d为低维特征向量的维数；

(S3.6)由w_xi和w_yi(i＝1,2,…,d)得到所求的两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]。

优选地，所述的A_xx、A_yy和A_xy计算方程为：

式(2)中，为局部类内权值，为类间权值，为局部相关权值。

优选地，在所述的步骤(2)中，由主分量分析方法进行维数约简，以提高身份识别系统的效率。

本发明还提供了一种基于局部判别CCA的海关身份验证方法，该方法采用所述的基于局部判别CCA的海关身份验证特征库的建立方法获得的特征库，该方法包含：

(S100)将待验证身份人的护照人脸和视频人脸图像对转换为向量表示，进行维数约简，得到约简后的向量对为(x₀，y₀)，由局部判别CCA优化并映射为低维融合特征向量

(S200)由所述的特征库中的所有低维融合特征向量训练最近邻分类器；

(S300)由训练好的最近邻分类器对待验证的低维融合特征向量进行分类，得到(x₀，y₀)的身份类别。

优选地，在所述的步骤(1)中，由主分量分析方法进行维数约简。

本发明还提供了一种基于局部判别CCA的海关身份验证系统，该系统包含：获取模块，其用于截取待验证身份的人的护照人脸和视频人脸图像并将其转换为灰度图像，以获得M个人的N幅护照人脸和视频人脸的图像对并以向量表示，；优化模块，其用于将所述的向量表示进行约简、优化和映射，以获得低维融合特征向量特征库模块，其用于存储低维融合特征向量；以及识别模块，其采用最近邻分类器将待检测的低维融合特征向量与所述的特征库模块中的所有低维融合特征向量进行比对分类，以得到(x₀，y₀)的身份类别。

其中，所述的优化模块采用所述的基于局部判别CCA的海关身份验证特征库的建立方法进行约简、优化和映射。

本发明还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如所述的基于局部判别CCA的海关身份验证特征库的建立方法的步骤。

本发明的基于局部判别CCA的海关身份验证系统及方法，解决了现有技术因对护照人脸和视频图像存在较大差异而难以识别的问题，具有以下优点：

(1)本发明的基于局部判别CCA通过局部类内权值类间权值和局部相关权值构建，以将护照人脸和视频人脸图像投影到低维特征空间，使得同类图像特征之间的距离更小，而异类图像特征之间的距离更大，而且能将异构特征进行有机融合，由此提高身份识别方法的识别率，准确率高；

(2)本发明采用主分量分析进行约简，能够提高身份识别系统的效率；

(3)本发明构建的基于局部判别CCA整合护照和视频人脸的海关身份验证方法新颖、高效，还具有实时性能高、准确率高、效果稳定和实用性较强等优点，能够在普通PC计算机上实现，对操作系统没有特别要求，具有较大的应用价值，可应用于海关身份验证系统，实现大型海关身份验证系统的智能化和自动化程度。

附图说明

图1为本发明的基于局部判别CCA的海关身份验证特征库的建立方法的流程图。

图2为本发明的获得两个映射矩阵的方法的流程图。

图3为本发明的基于局部判别CCA的海关身份验证方法的流程图。

图4为本发明的基于局部判别CCA的海关身份验证系统的结构示意图。

具体实施方式

以下结合附图和实施例对本发明的技术方案做进一步的说明。

一种基于局部判别CCA的海关身份验证特征库的建立方法，如图1所示，为本发明的基于局部判别CCA的海关身份验证特征库的建立方法的流程图，该方法包含：

(S1)截取护照中人脸图像和视频中的人脸图像，统一尺寸并将图片转换为灰度图像，获得M个人的N幅护照人脸和视频人脸的图像对其中g_xi和g_yi分别为第i个图像对的护照人脸和视频人脸图像，L(x_i)为第i个图像对的身份类别标签；根据本发明一实施例，其采用一个高和宽之比为120:80的矩形框来框住护照中人脸图像和视频中的人脸图像，将该矩形框截取出来，并按1:1的缩放比例归一化为120×80大小；

(S2)获得每幅灰度图像的每一列，以得到该灰度图像的向量表示，并采用主分量分析进行约简，以得到第i个图像对约简后对应的向量对其中，p为护照人脸图像的约简维数，q为视频人脸图像的约简维数；通过主分量分析约简能够提高身份识别系统的效率；

(S3)利用奇异值分解法得到两个映射矩阵：定义两个矩阵采用局部判别CCA寻找成对的投影矩阵和使得投影后的典型变量Z_x＝W_x ^TX与Z_y＝W_y ^TY之间的相关性最大化，以获得两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]；

(S4)利用W_x和W_y对任意的护照人脸和视频人脸图像对对应的向量对进行映射，得到低维融合特征向量将所有N个存储于特征库。

其中，局部判别CCA的目标函数通过局部类内权值类间权值和局部相关权值构建，以将护照人脸和视频人脸图像投影到低维特征空间，使得同类图像特征之间的距离更小，而异类图像特征之间的距离更大，而且能将异构特征进行有机融合，由此提高身份识别方法的识别率。

如图2所示，为本发明的获得两个映射矩阵的方法的流程图，在上述步骤(3)中，获得两个映射矩阵的方法包含：

(S3.1)构建局部判别CCA的优化问题，目标函数为：

其中，T为矩阵转置运算；w_x和w_y分别为待求矩阵W_x和W_y的元素；A_xx和A_yy分别为X和Y的加权自相关矩阵，A_xy为X和Y的加权互相关矩阵，定义如下：

其中，为局部类内权值，为类间权值，为局部相关权值，计算如下：

其中，η^x和η^y为两个局部调节参数，分别定义为：

其中，k为最近邻邻域数。

(S3.2)利用拉格朗日数乘法将式(1)转换成如下的优化问题：

式中，λ₁和λ₂为拉格朗日数乘法待定的特征值，T为矩阵转置运算，w_x和w_y分别为待求矩阵W_x和W_y的元素，A_xx和A_yy分别为X和Y的加权自相关矩阵，A_xy为X和Y的加权互相关矩阵。

(S3.3)对L求偏导数，令偏导数为0得：

(S3.4)令λ_x＝λ_y＝λ，由式(8)转换为广义特征值分解问题，广义特征方程如下：

式中，λ为最大广义特征值。

(S3.5)求解该广义特征方程得到前d个最大广义特征值λ₀,λ₁,L,λ_d-1(λ₀≥λ₁≥L≥λ_d-1)对应的广义特征向量对w_xi和w_yi(i＝1,2,…,d)，其中d为低维特征向量的维数，由实验得到。

(S3.6)由w_xi和w_yi(i＝1,2,…,d)得到所求的两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]。

一种基于局部判别CCA的海关身份验证方法，该方法采用上述特征库，如图3所示，为本发明的基于局部判别CCA的海关身份验证方法的流程图，其包含：

(S100)将待验证身份的人的护照人脸和视频人脸图像对转换为向量表示，然后由主分量分析进行维数约简，得到约简后的向量对，记为(x₀，y₀)，再由局部判别CCA优化和映射为低维融合特征向量

(S200)由特征库中的所有低维融合特征向量训练最近邻分类器；

(S300)由训练好的最近邻分类器对待验证的低维融合特征向量进行分类，得到(x₀，y₀)的身份类别。

一种基于局部判别CCA的海关身份验证系统，如图4所示，为本发明的基于局部判别CCA的海关身份验证系统的结构示意图，该系统包含：获取模块，其用于截取待验证身份的人的护照人脸和视频人脸图像并将其转换为灰度图像，以获得M个人的N幅护照人脸和视频人脸的图像对并以向量表示；优化模块，其用于将向量表示进行约简、优化和映射，以获得低维融合特征向量特征库模块，其用于存储低维融合特征向量；以及识别模块，其采用最近邻分类器将待检测的低维融合特征向量与特征库模块中的所有低维融合特征向量进行比对分类，以得到(x₀，y₀)的身份类别。

其中，上述优化模块采用上述基于局部判别CCA的海关身份验证特征库的建立方法进行约简、优化和映射。

具体地，如图1和图2所示，由主分量分析对向量表示进行维数约简，然后构建局部判别CCA的优化问题，利用拉格朗日数乘法对局部判别CCA方程进行转换，令偏导数为0，将得到的方程转化为广义特征方程，求解该广义特征方程得到前d个最大广义特征值λ₀,λ₁,L,λ_d-1(λ₀≥λ₁≥L≥λ_d-1)对应的广义特征向量对w_xi和w_yi，以获得两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]。

一种计算机可读存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上述基于局部判别CCA的海关身份验证特征库的建立方法的步骤。

综上所述，本发明的基于局部判别CCA的海关身份验证系统及方法能够准确验证身份，提高海关人员身份验证的准确率，减少了身份验证时间。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种基于局部判别CCA的海关身份验证特征库的建立方法，其特征在于，该方法包含：

(S1)截取护照中人脸图像和视频中的人脸图像，统一尺寸并将图片转换为灰度图像，以获得M个人的N幅护照人脸和视频人脸的图像对其中，g_xi和g_yi分别为第i个图像对的护照人脸和视频人脸图像，L(x_i)为第i个图像对的身份类别标签；

(S2)获得每幅灰度图像的每列，以得到该灰度图像的向量表示，并进行约简，得到第i个图像对约简后对应的向量对其中，p为护照人脸图像的约简维数，q为视频人脸图像的约简维数；

(S3)定义两个矩阵通过局部判别CCA的目标函数优化以寻找成对的投影矩阵和使得投影后的典型变量Z_x＝W_x ^TX与Z_y＝W_y ^TY之间的相关性最大化，获得两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]；

(S4)利用W_x和W_y对任意的护照人脸和视频人脸图像对对应的向量对进行映射，得到低维融合特征向量将所有N个存储于特征库；

所述的局部判别CCA的目标函数通过局部类内权值类间权值和局部相关权值构建。

2.根据权利要求1所述的基于局部判别CCA的海关身份验证特征库的建立方法，其特征在于，所述的和的计算方程为：

式(3)、(4)和(5)中，η^x和η^y为两个局部调节参数。

3.根据权利要求2所述的基于局部判别CCA的海关身份验证特征库的建立方法，其特征在于，所述的η^x和η^y为：

式(6)中，k为最近邻邻域数。

4.根据权利要求3所述的基于局部判别CCA的海关身份验证特征库的建立方法，其特征在于，在所述的步骤(3)中，所述的两个映射矩阵的获得方法包含：

(S3.1)构建局部判别CCA的优化问题，目标函数为：

式(1)中，T为矩阵转置运算；w_x和w_y分别为待求矩阵W_x和W_y的元素；A_xx和A_yy分别为X和Y的加权自相关矩阵，A_xy为X和Y的加权互相关矩阵；

(S3.2)利用拉格朗日数乘法将式(1)转换成如下的优化问题，方程式为：

式(7)中，λ₁和λ₂为拉格朗日数乘法待定的特征值，T为矩阵转置运算，w_x和w_y分别为待求矩阵W_x和W_y的元素，A_xx和A_yy分别为X和Y的加权自相关矩阵，A_xy为X和Y的加权互相关矩阵；

(S3.3)对式(7)L求偏导数，令偏导数为0得：

(S3.4)令λ_x＝λ_y＝λ，将式(8)转换为广义特征值分解问题，广义特征方程如下：

式(9)中，λ为最大广义特征值；

(S3.5)求解式(9)的广义特征方程，得到前d个最大广义特征值λ₀,λ₁,L,λ_d-1(λ₀≥λ₁≥L≥λ_d-1)对应的广义特征向量对w_xi和w_yi(i＝1,2,…,d)，其中，d为低维特征向量的维数；

(S3.6)由w_xi和w_yi(i＝1,2,…,d)得到所求的两个映射矩阵W_x＝[w_x1,w_x2,...,w_xd]和W_y＝[w_y1,w_y2,...,w_yd]。

5.根据权利要求4所述的基于局部判别CCA的海关身份验证特征库的建立方法，其特征在于，所述的A_xx、A_yy和A_xy计算方程为：

式(2)中，为局部类内权值，为类间权值，为局部相关权值。

6.根据权利要求1-5中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法，其特征在于，在所述的步骤(2)中，由主分量分析方法进行维数约简。

7.一种基于局部判别CCA的海关身份验证方法，该方法采用根据权利要求1-6中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法获得的特征库，该方法包含：

(S100)将待验证身份人的护照人脸和视频人脸图像对转换为向量表示，进行维数约简，得到约简后的向量对为(x₀，y₀)，由局部判别CCA优化并映射为低维融合特征向量

(S200)由所述的特征库中的所有低维融合特征向量训练最近邻分类器；

(S300)由训练好的最近邻分类器对待验证的低维融合特征向量进行分类，得到(x₀，y₀)的身份类别。

8.根据权利要求7所述的基于局部判别CCA的海关身份验证方法，其特征在于，在所述的步骤(1)中，由主分量分析方法进行维数约简。

9.一种基于局部判别CCA的海关身份验证系统，其特征在于，该系统包含：

获取模块，其用于截取待验证身份的人的护照人脸和视频人脸图像并将其转换为灰度图像，以获得M个人的N幅护照人脸和视频人脸的图像对并以向量表示；

优化模块，其用于将所述的向量表示进行约简、优化和映射，以获得低维融合特征向量

特征库模块，其用于存储低维融合特征向量；以及

识别模块，其采用最近邻分类器将待检测的低维融合特征向量与所述的特征库模块中的所有低维融合特征向量进行比对分类，以得到(x₀，y₀)的身份类别；

所述的优化模块采用如权利要求1-6中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法进行约简、优化和映射。

10.一种计算机可读存储介质，其特征在于，该存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法的步骤。