CN108898093A - 一种人脸识别方法及应用该方法的电子病历登陆系统 - Google Patents
一种人脸识别方法及应用该方法的电子病历登陆系统 Download PDFInfo
- Publication number
- CN108898093A CN108898093A CN201810669808.7A CN201810669808A CN108898093A CN 108898093 A CN108898093 A CN 108898093A CN 201810669808 A CN201810669808 A CN 201810669808A CN 108898093 A CN108898093 A CN 108898093A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- key point
- classifier
- blink
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种人脸识别方法,该方法通过S1:获取面部图像,S2:面部照片关键点定位;S3:人脸追踪检测:假定人脸关键点在单位时间间隔内做匀速运动,采用Kalman滤波器对人脸关键点进行跟踪,所述Kalman滤波器对单位时间间隔内采集到的人脸关键点相邻两帧图像基于人脸关键点动态系统前一帧图像状态方程对下一帧图像状态做最优估计得到观测方程;S4:人脸眨眼检测实现人脸检测。本发明采用采用Viola‑Jones检测器和Kalman滤波器进行人脸关键点追踪检测,检测速度快,精确度高,同时稳定好;该方法应用到电子病历系统中,用户登陆更加方便快捷,安全性能更好。
Description
技术领域
本发明属于人脸识别领域,具体涉及一种人脸识别方法及应该该方法的电子病历系统。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
现有的人脸识别技术识别的速度不够快,精确度不够高,另外在电子病历系统中并没有引进人脸识别,安全性和便捷性都有待进一步的提高。
发明内容
为了克服现有技术的不足,本发明提供了一种识别的速度快,识别精度高的人脸识别方法。
本发明的另一目的是提供一种基于人脸识别方法的电子病历登陆系统。
本发明的技术方案是这样实现的:一种人脸识别方法,包括以下步骤:
S1:获取面部图像:读取摄像头检测到的人脸视频中的面部图像;
S2:面部图像关键点定位:从S1获取的面部图像中选取一张目标照片进行人脸关键点的定位:采用随机森林的分类器融合算法对目标照片的人脸的轮廓、眉、眼、鼻、嘴、下巴及耳朵关键点进行定位,定位到人脸关键点后确定该目标照片为人脸照片
S3:人脸追踪检测:通过S2对人脸关键点进行定位后,以Viola-Jones检测器为基础在定位完前一个关键点后对下一个人脸特征点检测之前引入Kalman滤波器预测特征点可能出现的位置,对人脸关键点进行追踪检测:
所述Kalman滤波器预测特征点采用以下方法:假定人脸关键点在单位时间间隔内做匀速运动,所述Kalman滤波器采用的算法是一个对动态系统的状态序列进行线性小方差估计的算法,所述Kalman滤波器通过人脸关键点动态系统前一帧图像状态序列对人脸关键点动态系统下一帧图像状态利用状态方程和观测方程做出最优估计,所述状态方程和观测方程如下:
状态方程:xt=A·xt-1+B·ut+wt
观测方程:zt=H·xt+vt
其中xt为t时刻n维状态向量,zt为t时刻n维测量向量;A、H分别为状态转移矩阵和测量矩阵;wt、vt是两个随即变量,分别为正态分布的状态和测量噪声向量;
S4:人脸眨眼检测:在S3的基础上采用Adaboost眨眼检测器对追踪的人脸照片进行眨眼检测:
Adaboost眨眼检测器眨眼检测的具体算法如下:
1)给定n个训练样本图像(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)的训练集,xi是第i个样本图像,yi是类别标识:yi=0或1分别代表负样本(非睁眼)和正样本(睁眼);
2)初始化权重系数:其中Dt(i)表示在第t次循环中第i个样本的权值,m和l分别是正样本和负样本的数量;
3)归一化权重:
4)每个Haar特征都会有一个弱分类器h与其对应,hj代表第j个Haar特征所对应的弱分类器,计算每个分类器对于有效样本的加权错误率:ξt=∑iqt(i)|h(xi)-yi|,找到加权错误率最小的分类器ht,并把该分类器加入到强分类器中;
5)更新权重:经过T轮循环后会有T个加权误率最小的弱分类器生成,将这些弱分类器进行级联得到强分类器:
其中
通过上述算法获得多层迭加分类器,构造眨眼正样本图像集和眨眼负样本图像集来训练所述分类器,所述眨眼正样本图像集为睁开眼睛的图像,眨眼负样本图像集为非睁开眼睛的图像,所述眨眼正样本图像集1309张,眨眼负样本图像集2162张;
实际检测时,通过人脸图像中的人眼区域与眨眼正样本图像集以及眨眼负样本图像集进行对照比对,通过摄像头获得连续图像流来确定人脸图像的眨眼动作。
优选地,所述S3步骤中采用Viola-Jones检测器包括多级级联的分类器,其进行人脸关键点追踪的具体算法如下:
a.设定每级分类器最大误报率f,每级分类器最小通过率d和整个Viola-Jones检测器的目标误报率Ftarget,已知正样本集合Pos和负样本集合Neg,所述正样本集合Pos是指符合预期结果的图像,反之为负样本集合Neg;
b.初始化F1=1,b;
c.While Fi>Ftarget;
d.用Pos和Neg训练第i层并设定阈值b,使得误报率fi小于f,通过率大于d
e.Fi+1←Fi,i←i+1,Neg←,表示i层误报率赋值给i+1层,当前层i赋值为i+1即开始下一层训练,负样本集合Neg初始赋空值;
若Fi+1>Ftarget则用当前级联检测器扫描非人脸图像收集所有负样本集合Neg。
优选地,所述S4:人脸眨眼检测中是Haar型特征的选取采用灰度矩形特征计算,其中,20×20的子窗口中的矩形特征为80000个,24×24的子窗口中的矩形特征为160000个;
所述灰度矩形特征的特征值的计算方法为:对于灰度图像内一点Q(x,y),其积分图I(x,y)=∑x′x,y′yI′(x′,y′),其中I′(x′,y′)为点(x′,y′)处的灰度值。
优选地,还包括S5:种族、年龄、性别以及表情信息的识别。
优选地,所述种族识别:基于Adaboost和SVM的人脸种族识别算法通过提取人脸的肤色信息和Gabor特征,并通过Adaboost级联分类器进行特征学习,最后根据SVM分类器进行种族特征分类;
优选地,所述年龄识别:年龄识别分为预估和详细评估两个阶段;
预估阶段:提取出人脸照片中人脸的肌肤纹理特征,跟预存有各个年龄阶段的人脸肌肤纹理特征进行匹配,选定匹配度最高的年龄段为预估年龄段;
详细评估阶段:
通过支持向量机的方法,建立了对应于多个年龄段的多个模型分类器,并选择相应的模型进行匹配,系统采用融合LBP和HOG特征的人脸年龄估计算法,融合LBP和HOG特征的人脸年龄估计算法提取与年龄变化关系紧密的人脸的局部统计特征,LBP(局部二值化模式)特征和HOG(梯度直方图)特征,并用CCA(典型相关分析)的方法融合,最后通过SVR(支持向量机回归)的方法对人脸库进行训练和测试,得到详细评估的年龄段;
优选地,所述性别识别:基于特征脸(EigenFace)的性别识别算法,使用PCA(主成分分析),在计算过程中通过消除数据中的相关性,将高维图像降低到低维空间,而训练集中的样本则被映射成低维空间中的一点,当需要判断测试图片的性别时,就需要先将测试图片映射到低维空间中,然后计算离测试图片最近样本点是哪一个,将最近样本点的性别赋值给测试图片即等到相应的年龄;
优选地,所述表情识别:系统采用融合LBP和局部稀疏表示的人脸表情识别算法来进行识别,
首先,对规格化后的训练集人脸图像进行特征分区,对于人脸图像分区计算该区域的LBP特征,并采用直方图统计方法整合该区域特征向量,形成由特定人脸的局部特征组成的训练集局部特征库;
其次,进行人脸图像规格化、人脸分区、局部LBP特征计算和局部直方图统计操作;
最后,统计局部直方图统计后,利用训练集特征库进行局部稀疏重构表示,并采用局部稀疏重构残差加权方法进行最终人脸表情分类识别。
一种应用上述基于活体的人脸识别方法的电子病历登陆系统,该系统登陆时采用人脸做为密码进行登陆和管理,其利用人脸进行登陆和管理的步骤如下:
step1:用户在电子病历系统中注册账号,设置账号名称及密码信息,其中所述密码信息为用户本人的人脸信息,并将用户的人脸信息存储到电子病历系统中;
step2:用户注册账户后,再次登录系统时,系统的摄像头对用户人脸进行扫描跟踪,将采用所述S1-S5里面的步骤对摄像头扫描到的人脸图像进行识别,识别后与预存的用户人脸信息进行比对,比对方法如下:
利用S2步骤中进行面部图像关键点定位,若比对人脸图像的关键点与预存用户人脸信息的匹配度大于80%,跳转到step3;
step3:利用S3步骤对识别到的人脸进行人脸追踪操作,然后跳转到step4;
step4:利用S4步骤对追踪的人脸进行眨眼识别步骤,检测到眨眼步骤,跳转到step5;
step5:依次经过step2-step4后,认证通过,用户再次成功登陆系统。
优选地,还包括管理人员账号,管理人员可以通过管理人员账号清楚用户的作为密码预存的人脸信息,将用户账号恢复到接受数字密码登陆状态。
本发明的有益效果:本发明采用采用Viola-Jones检测器和Kalman滤波器进行人脸关键点追踪检测,检测速度快,精确度高,同时稳定好;该方法应用到电子病历系统中,用户登陆更加方便快捷,安全性能更好。
附图说明
图1是本发明人脸识别方法中整个人脸识别的步骤原理图。
图2是本发明人脸识别方法中Viola-Jones检测器算法的原理图。
图3是本发明人脸识别方法中随机森林由N棵决策树算法的原理图。
图4是本发明人脸识别方法中Adaboost睁眼检测器结构原理图。
图5是本发明电子病历登陆系统中采用人脸识别登陆的方法步骤流程图。
图6是本发明电子病历登陆系统中采用人脸识别登陆的用户登陆界面图。
具体实施方式
下面对本发明的具体实施方式作进一步说明:
如图1-4所示,一种人脸识别方法,包括以下步骤:
S1:获取面部图像:读取摄像头检测到的人脸视频中的面部图像,这里的获取面部图像采用现有的深度学习算法,基于大量素材的机器学习,从大量的图片和视频中获取面部图像,即使在复杂环境、多人脸、光线不佳、大角度人脸的情况下截取效果也很好,利用否检测到面部图像来进行拍摄的点测光或是对焦或协助智能监控设备区分出人脸和其他移动物体来进行智能警报。
S2:面部图像关键点定位:从S1获取的面部图像中选取一张目标照片进行人脸关键点的定位:采用随机森林的分类器融合算法对目标照片的人脸的轮廓、眉、眼、鼻、嘴、下巴及耳朵关键点进行定位,定位到人脸关键点后确定该目标照片为人脸照片;
这里采用的随机森林(randomforest)是LeoBreiman提出的一个分类器融合算法,可以很好地解决多类分类问题。其基本思想是将很多弱分类器集成为一个强分类器。如图3所示,一个随机森林由N棵决策树构成,每颗决策树(如决策树T1T2…TN)是一个分类器,决策树的每个节点都是一个弱分类器,随机森林的决策结果是所有决策树分类结果的平均。在训练过程中,随机森林中的每棵决策树的训练样本都是从总样本集中随机选取一个子集,决策树在每个节点都选取当前分类效果最好的弱分类器。所有决策树分类器构成一个随机森林分类器。在分类过程中,以一个M类的分类问题为例,一个样本p通过每个决策树分类器Tn有M个输出结果(输出M个置信度,c∈{1,2,…,M},每个置信度p(n,p)(f(p)=c)表示了该样本p属于第c类的概率),最后随机森林的判决基于所有决策树结果的平均:
人脸关键点定位用分类的方法解决。每个关键点训练1个随机森林分类器,每个随机森林针对的是一个两类分类问题。其判决结果通过以上公式计算该样本属于正例(或反例)的概率得到。若正例概率大于等于反例概率,则判决结果为正例,反之则为反例(正例是指符合预期结果的样本,反之为反例)。
S3:人脸追踪检测:通过S2对人脸关键点进行定位后,以Viola-Jones检测器(Viola-Jones检测器是基于AdaBoost算法,使用Haar-like小波特征(简称类haar特征)和积分图方法进行人脸检测的算法。所述Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器))为基础在定位完前一个关键点后对下一个人脸特征点检测之前引入Kalman滤波器预测特征点可能出现的位置,对人脸关键点进行追踪检测,
所述Kalman滤波器(Kalman滤波器是一个对动态系统的状态序列进行线性小方差估计的算法,基于人脸关键点动态系统前一帧图像状态序列对下一帧图像状态做最优估计)预测特征点采用以下方法:假定人脸关键点在单位时间间隔内做匀速运动,所述Kalman滤波器采用的算法是一个对动态系统的状态序列进行线性小方差估计的算法,所述Kalman滤波器通过人脸关键点动态系统前一帧图像状态序列对人脸关键点动态系统下一帧图像状态利用状态方程和观测方程做出最优估计,所述状态方程和观测方程如下:
状态方程:xt=A·xt-1+B·ut+wt
观测方程:zt=H·xt+vt
其中xt为t时刻n维状态向量,zt为t时刻n维测量向量;A、H分别为状态转移矩阵和测量矩阵;wt、vt是两个随即变量,分别为正态分布的状态和测量噪声向量;
S4:人脸眨眼检测:在S3的基础上采用Adaboost眨眼检测器对追踪的人脸照片进行眨眼检测:
Adaboost眨眼检测器眨眼检测的具体算法如下:
1)给定n个训练样本图像(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)的训练集,xi是第i个样本图像,yi是类别标识:yi=0或1分别代表负样本(非睁眼)和正样本(睁眼);
2)初始化权重系数:其中Dt(i)表示在第t次循环中第i个样本的权值,m和l分别是正样本和负样本的数量;
3)归一化权重:
4)每个Haar特征都会有一个弱分类器h与其对应,hj代表第j个Haar特征所对应的弱分类器,计算每个分类器对于有效样本的加权错误率:ξt=∑iqt(i)|h(xi)-yi|,找到加权错误率最小的分类器ht,并把该分类器加入到强分类器中;
5)更新权重:经过T轮循环后会有T个加权误率最小的弱分类器生成,将这些弱分类器进行级联得到强分类器:
其中
通过上述算法获得多层迭加分类器,构造眨眼正样本图像集和眨眼负样本图像集来训练所述分类器,所述眨眼正样本图像集为睁开眼睛的图像,眨眼负样本图像集为非睁开眼睛的图像,所述眨眼正样本图像集1309张,眨眼负样本图像集2162张;
实际检测时,通过人脸图像中的人眼区域与眨眼正样本图像集以及眨眼负样本图像集进行对照比对,通过摄像头获得连续图像流来确定人脸图像的眨眼动作。
通过以上步骤判断眨眼之后可判断检测对象为活体检测对象。
优选地,所述S3步骤中采用Viola-Jones检测器包括多级级联的分类器,其进行人脸关键点追踪的具体算法如下:
a.设定每级分类器最大误报率f,每级分类器最小通过率d和整个Viola-Jones检测器的目标误报率Ftarget,已知正样本集合Pos和负样本集合Neg;
b.初始化F1=1,b;
c.While Fi>Ftarget;
d.用Pos和Neg训练第i层并设定阈值b,使得误报率fi小于f,通过率大于d;
e.Fi+1←Fi,i←i+1,Neg←,表示i层误报率赋值给i+1层,当前层i赋值为i+1即开始下一层训练,负样本集合Neg初始赋空值;
若Fi+1>Ftarget则用当前级联检测器扫描非人脸图像收集所有负样本集合Neg。
优选地,所述S4:人脸眨眼检测中是Haar型特征的选取采用灰度矩形特征计算,其中,20×20的子窗口中的矩形特征为80000个,24×24的子窗口中的矩形特征为160000个;
所述灰度矩形特征的特征值的计算方法为:对于灰度图像内一点Q(x,y),其积分图I(x,y)=∑x′x,y′yI′(x′,y′),其中I′(x′,y′)为点(x′,y′)处的灰度值。
优选地,还包括S5:种族、年龄、性别以及表情信息的识别。
优选地,所述种族识别:基于Adaboost和SVM的人脸种族识别算法通过提取人脸的肤色信息和Gabor特征,并通过Adaboost级联分类器进行特征学习,最后根据SVM分类器进行种族特征分类;
优选地,所述年龄识别:年龄识别分为预估和详细评估两个阶段;
预估阶段:提取出人脸照片中人脸的肌肤纹理特征,跟预存有各个年龄阶段的人脸肌肤纹理特征进行匹配,选定匹配度最高的年龄段为预估年龄段;
详细评估阶段:
通过支持向量机的方法,建立了对应于多个年龄段的多个模型分类器,并选择相应的模型进行匹配,系统采用融合LBP和HOG特征的人脸年龄估计算法,融合LBP和HOG特征的人脸年龄估计算法提取与年龄变化关系紧密的人脸的局部统计特征,LBP(局部二值化模式)特征和HOG(梯度直方图)特征,并用CCA(典型相关分析)的方法融合,最后通过SVR(支持向量机回归)的方法对人脸库进行训练和测试,得到详细评估的年龄段;
优选地,所述性别识别:基于特征脸(EigenFace)的性别识别算法,使用PCA(主成分分析),在计算过程中通过消除数据中的相关性,将高维图像降低到低维空间,而训练集中的样本则被映射成低维空间中的一点,当需要判断测试图片的性别时,就需要先将测试图片映射到低维空间中,然后计算离测试图片最近样本点是哪一个,将最近样本点的性别赋值给测试图片即等到相应的年龄;
优选地,所述表情识别:系统采用融合LBP和局部稀疏表示的人脸表情识别算法来进行识别,
首先,对规格化后的训练集人脸图像进行特征分区,对于人脸图像分区计算该区域的LBP特征,并采用直方图统计方法整合该区域特征向量,形成由特定人脸的局部特征组成的训练集局部特征库;
其次,进行人脸图像规格化、人脸分区、局部LBP特征计算和局部直方图统计操作;
最后,统计局部直方图统计后,利用训练集特征库进行局部稀疏重构表示,并采用局部稀疏重构残差加权方法进行最终人脸表情分类识别。
以上人脸识别方法能够自动识别图片与视频中的人物身份。其应用领域广泛,在VIP识别、安防边检、人脸登陆、信息安全、照片分类等等都有不俗表现;其中关键点的检测精准定位人脸关键部位并精准跟随,明确人脸轮廓及眉、眼、鼻、嘴等各关键部位。即使低头、侧脸等条件下也能够精准检测,为更多广泛应用提供基础;在人脸追踪应用中实时视频流中实现实时人脸跟踪,为应用或设备提供了更多想象空间,创新的人机交互、实时美颜、完美自拍、客户关注度跟踪等等,都可以一一实现。
如图5-6所示,一种应用上述基于活体的人脸识别方法的电子病历登陆系统,该系统登陆时采用人脸做为密码进行登陆和管理,其利用人脸进行登陆和管理的步骤如下:
step1:用户在电子病历系统中注册账号,设置账号名称及密码信息,其中所述密码信息为用户本人的人脸信息,并将用户的人脸信息存储到电子病历系统中;
step2:用户注册账户后,再次登录系统时,系统的摄像头对用户人脸进行扫描跟踪,将采用所述S1-S5里面的步骤对摄像头扫描到的人脸图像进行识别,识别后与预存的用户人脸信息进行比对,比对方法如下:
利用S2步骤中进行面部图像关键点定位,若比对人脸图像的关键点与预存用户人脸信息的匹配度大于80%,跳转到step3;
step3:利用S3步骤对识别到的人脸进行人脸追踪操作,然后跳转到step4;
step4:利用S4步骤对追踪的人脸进行眨眼识别步骤,检测到眨眼步骤,跳转到step5;
step5:依次经过step2-step4后,认证通过,用户再次成功登陆系统。
优选地,还包括管理人员账号,管理人员可以通过管理人员账号清楚用户的作为密码预存的人脸信息,将用户账号恢复到接受数字密码登陆状态。
采用上述人脸识别方法,检测到人脸并判别是否为所注册或授权的用户来存取设备或是自动装置.可协助公安和安防系统实时监测可疑人员并报警。采用上述电子病历登陆系统具有快捷登陆特点,第一次登陆时记录人脸信息,以后就不需要再输入密码,识别相应账号后可直接登陆,方便快捷又保证安全性,同时,可支持多人识别,并选择需要登陆的用户。重要用户的安全登陆保障:管理平台设置为VIP的用户只接受人脸识别登陆,防止密码泄露造成严重后果。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (10)
1.一种人脸识别方法,其特征在于,包括以下步骤:
S1:获取面部图像:读取摄像头检测到的人脸视频中的面部图像;
S2:面部图像关键点定位:从S1获取的面部图像中选取一张目标照片进行人脸关键点的定位:采用随机森林的分类器融合算法对目标照片的人脸轮廓、眉、眼、鼻、嘴、下巴及耳朵关键点进行定位,定位到人脸关键点后确定该目标照片为人脸照片;
S3:人脸追踪检测:通过S2对人脸关键点进行定位后,以Viola-Jones检测器为基础在定位完前一个关键点后对下一个人脸特征点检测之前引入Kalman滤波器预测特征点可能出现的位置,对人脸关键点进行追踪检测:
所述Kalman滤波器预测特征点采用以下方法:假定人脸关键点在单位时间间隔内做匀速运动,所述Kalman滤波器采用的算法是一个对动态系统的状态序列进行线性小方差估计的算法,所述Kalman滤波器通过人脸关键点动态系统前一帧图像状态序列对人脸关键点动态系统下一帧图像状态序列利用状态方程和观测方程做出最优估计,所述状态方程和观测方程如下:
状态方程:xt=A·xt-1+B·ut+wt
观测方程:zt=H·xt+vt
其中xt为t时刻n维状态向量,zt为t时刻n维测量向量;A、H分别为状态转移矩阵和测量矩阵;wt、vt是两个随即变量,分别为正态分布的状态和测量噪声向量;
S4:人脸眨眼检测:在S3的基础上采用Adaboost眨眼检测器对追踪的人脸照片进行眨眼检测:
Adaboost眨眼检测器眨眼检测的具体算法如下:
1)给定n个训练样本图像(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)的训练集,xi是第i个样本图像,yi是类别标识:yi=0或1分别代表负样本(非睁眼)和正样本(睁眼);
2)初始化权重系数:其中Dt(i)表示在第t次循环中第i个样本的权值,m和l分别是正样本和负样本的数量;
3)归一化权重:
4)每个Haar特征都会有一个弱分类器h与其对应,hj代表第j个Haar特征所对应的弱分类器,计算每个分类器对于有效样本的加权错误率:ξt=∑iqt(i)|h(xi)-yi|,找到加权错误率最小的分类器ht,并把该分类器加入到强分类器中;
5)更新权重:经过T轮循环后会有T个加权误率最小的弱分类器生成,将这些弱分类器进行级联得到强分类器:
其中
通过上述算法获得多层迭加分类器,构造眨眼正样本图像集和眨眼负样本图像集来训练所述分类器,所述眨眼正样本图像集为睁开眼睛的图像,眨眼负样本图像集为非睁开眼睛的图像;
实际检测时,通过人脸图像中的人眼区域与眨眼正样本图像集以及眨眼负样本图像集进行对照比对,通过摄像头获得连续图像流来确定人脸图像的眨眼动作。
2.如权利要求1所述的一种人脸识别方法,其特征在于,所述S3步骤中采用Viola-Jones检测器包括多级级联的分类器,其进行人脸关键点追踪的具体算法如下:
a.设定每级分类器最大误报率f,每级分类器最小通过率d和整个Viola-Jones检测器的目标误报率Ftarget,已知正样本集合Pos和负样本集合Neg,所述正样本集合Pos是指符合预期结果的图像,反之为负样本集合Neg;
b.初始化F1=1,b;
c.While Fi>Ftarget;
d.用Pos和Neg训练第i层并设定阈值b,使得误报率fi小于f,通过率大于d
e.Fi+1←Fi,i←i+1,Neg←,表示i层误报率赋值给i+1层,当前层i赋值为i+1即开始下一层训练,负样本集合Neg初始赋空值;
若Fi+1>Ftarget则用当前级联检测器扫描非人脸图像收集所有负样本集合Neg。
3.如权利要求1一种人脸识别方法,其特征在于,所述S4:人脸眨眼检测中是Haar型特征的选取采用灰度矩形特征计算,其中,20×20的子窗口中的矩形特征为80000个,24×24的子窗口中的矩形特征为160000个;
所述灰度矩形特征的特征值的计算方法为:对于灰度图像内一点Q(x,y),其积分图I(x,y)=∑x′x,y′yI′(x′,y′),其中I′(x′,y′)为点(x′,y′)处的灰度值。
4.如权利要求1一种人脸识别方法,其特征在于,所述眨眼正样本图像集1309张,眨眼负样本图像集2162张。
5.如权利要求1一种人脸识别方法,其特征在于,还包括S5:种族、年龄、性别以及表情信息的识别。
6.如权利要求5一种人脸识别方法,其特征在于,所述种族识别:基于Adaboost和SVM的人脸种族识别算法通过提取人脸的肤色信息和Gabor特征,并通过Adaboost级联分类器进行特征学习,最后根据SVM分类器进行种族特征分类。
7.如权利要求5一种人脸识别方法,其特征在于,所述年龄识别:年龄识别分为预估和详细评估两个阶段;
预估阶段:提取出人脸照片中人脸的肌肤纹理特征,跟预存有各个年龄阶段的人脸肌肤纹理特征进行匹配,选定匹配度最高的年龄段为预估年龄段;
详细评估阶段:
通过支持向量机的方法,建立了对应于多个年龄段的多个模型分类器,并选择相应的模型进行匹配,系统采用融合LBP和HOG特征的人脸年龄估计算法,融合LBP和HOG特征的人脸年龄估计算法提取与年龄变化关系紧密的人脸的局部统计特征,LBP特征和HOG特征,并用CCA的方法融合,最后通过SVR的方法对人脸库进行训练和测试,得到详细评估的年龄段。
8.如权利要求5一种人脸识别方法,其特征在于,所述性别识别:基于特征脸的性别识别算法,使用PCA,在计算过程中通过消除数据中的相关性,将高维图像降低到低维空间,而训练集中的样本则被映射成低维空间中的一点,当需要判断测试图片的性别时,就需要先将测试图片映射到低维空间中,然后计算离测试图片最近样本点是哪一个,将最近样本点的性别赋值给测试图片即等到相应的年龄。
9.如权利要求5一种人脸识别方法,其特征在于,所述表情识别:系统采用融合LBP和局部稀疏表示的人脸表情识别算法来进行识别:
首先,对规格化后的训练集人脸图像进行特征分区,对于人脸图像分区计算该区域的LBP特征,并采用直方图统计方法整合该区域特征向量,形成由特定人脸的局部特征组成的训练集局部特征库;
其次,进行人脸图像规格化、人脸分区、局部LBP特征计算和局部直方图统计操作;
最后,统计局部直方图统计后,利用训练集特征库进行局部稀疏重构表示,并采用局部稀疏重构残差加权方法进行最终人脸表情分类识别。
10.一种应用权利要求1-9任意所述的基于活体的人脸识别方法的电子病历登陆登陆系统,其特征在于,该系统登陆时采用人脸做为密码进行登陆和管理,其利用人脸进行登陆和管理的步骤如下:
step1:用户在电子病历系统中注册账号,设置账号名称及密码信息,其中所述密码信息为用户本人的人脸信息,并将用户的人脸信息存储到电子病历系统中;
step2:用户注册账户后,再次登录系统时,系统的摄像头对用户人脸进行扫描跟踪,采用所述S1-S5里面的步骤对摄像头扫描到的人脸图像进行识别,识别后与预存的用户人脸信息进行比对,比对方法如下:
利用S2步骤中进行面部图像关键点定位,若比对人脸图像的关键点与预存用户人脸信息的匹配度大于80%,跳转到step3;
step3:利用S3步骤对识别到的人脸进行人脸追踪操作,然后跳转到step4;
step4:利用S4步骤对追踪的人脸进行眨眼识别步骤,检测到眨眼步骤,跳转到step5;
step5:依次经过step2-step4后,认证通过,用户再次成功登陆系统。
所述电子病历登陆登陆系统,还包括管理人员账号,管理人员可以通过管理人员账号清楚用户的作为密码预存的人脸信息,将用户账号恢复到接受数字密码登陆状态。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140835 | 2018-02-11 | ||
CN2018101408355 | 2018-02-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898093A true CN108898093A (zh) | 2018-11-27 |
Family
ID=64346214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810669808.7A Pending CN108898093A (zh) | 2018-02-11 | 2018-06-26 | 一种人脸识别方法及应用该方法的电子病历登陆系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898093A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522868A (zh) * | 2018-11-30 | 2019-03-26 | 北京七鑫易维信息技术有限公司 | 一种检测眨眼的方法和装置 |
CN109815810A (zh) * | 2018-12-20 | 2019-05-28 | 北京以萨技术股份有限公司 | 一种基于单摄像头的活体检测方法 |
CN110049351A (zh) * | 2019-05-23 | 2019-07-23 | 北京百度网讯科技有限公司 | 视频流中人脸变形的方法和装置、电子设备、计算机可读介质 |
CN110120219A (zh) * | 2019-05-05 | 2019-08-13 | 安徽省科普产品工程研究中心有限责任公司 | 一种智能语音交互方法、系统和装置 |
CN110163111A (zh) * | 2019-04-24 | 2019-08-23 | 平安科技(深圳)有限公司 | 基于人脸识别的叫号方法、装置、电子设备及存储介质 |
CN110348325A (zh) * | 2019-06-20 | 2019-10-18 | 镇江畅行交通科技有限公司 | 一种基于人脸识别技术的公交充值与乘车方法 |
CN110364254A (zh) * | 2019-07-15 | 2019-10-22 | 珠海威泓急救云科技有限公司 | 一种自动体外除颤器智能辅助系统及方法 |
CN110634542A (zh) * | 2019-08-15 | 2019-12-31 | 卓尔智联(武汉)研究院有限公司 | 电子病历建立方法、装置及存储介质 |
CN110796828A (zh) * | 2019-10-31 | 2020-02-14 | 的卢技术有限公司 | 一种基于车联网寻找丢失人口的方法及其系统 |
CN110879351A (zh) * | 2019-11-28 | 2020-03-13 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
CN111967413A (zh) * | 2020-08-21 | 2020-11-20 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
CN112395901A (zh) * | 2019-08-12 | 2021-02-23 | 天津大学青岛海洋技术研究院 | 一种改进型复杂环境下人脸检测定位识别方法 |
CN113706767A (zh) * | 2021-10-27 | 2021-11-26 | 深圳市恒裕惠丰贸易有限公司 | 一种自动识别钱币面值的登记储存系统 |
CN116245866A (zh) * | 2023-03-16 | 2023-06-09 | 深圳市巨龙创视科技有限公司 | 一种移动人脸追踪方法及系统 |
CN117151722A (zh) * | 2023-10-30 | 2023-12-01 | 山东大学 | 一种基于联盟区块链的人脸识别密码验证方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809178A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于人脸属性的人群分析方法及装置 |
-
2018
- 2018-06-26 CN CN201810669808.7A patent/CN108898093A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809178A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于人脸属性的人群分析方法及装置 |
Non-Patent Citations (4)
Title |
---|
NANJINGDREAMFLY: "人脸属性识别算法 | 性别+种族+年龄+表情", 《CSDN》 * |
任安虎等: "基于Adaboost的人脸识别眨眼检测", 《计算机与数字工程》 * |
王丽婷等: "基于随机森林的人脸关键点精确定位方法", 《清华大学学报(自然科学版)》 * |
翁政魁等: "一种基于预测的实时人脸特征点定位跟踪算法", 《计算机工程与应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522868A (zh) * | 2018-11-30 | 2019-03-26 | 北京七鑫易维信息技术有限公司 | 一种检测眨眼的方法和装置 |
CN109522868B (zh) * | 2018-11-30 | 2021-07-23 | 北京七鑫易维信息技术有限公司 | 一种检测眨眼的方法和装置 |
CN109815810A (zh) * | 2018-12-20 | 2019-05-28 | 北京以萨技术股份有限公司 | 一种基于单摄像头的活体检测方法 |
CN110163111A (zh) * | 2019-04-24 | 2019-08-23 | 平安科技(深圳)有限公司 | 基于人脸识别的叫号方法、装置、电子设备及存储介质 |
CN110163111B (zh) * | 2019-04-24 | 2024-06-28 | 平安科技(深圳)有限公司 | 基于人脸识别的叫号方法、装置、电子设备及存储介质 |
CN110120219A (zh) * | 2019-05-05 | 2019-08-13 | 安徽省科普产品工程研究中心有限责任公司 | 一种智能语音交互方法、系统和装置 |
CN110049351A (zh) * | 2019-05-23 | 2019-07-23 | 北京百度网讯科技有限公司 | 视频流中人脸变形的方法和装置、电子设备、计算机可读介质 |
CN110049351B (zh) * | 2019-05-23 | 2022-01-25 | 北京百度网讯科技有限公司 | 视频流中人脸变形的方法和装置、电子设备、计算机可读介质 |
CN110348325A (zh) * | 2019-06-20 | 2019-10-18 | 镇江畅行交通科技有限公司 | 一种基于人脸识别技术的公交充值与乘车方法 |
CN110364254A (zh) * | 2019-07-15 | 2019-10-22 | 珠海威泓急救云科技有限公司 | 一种自动体外除颤器智能辅助系统及方法 |
CN112395901A (zh) * | 2019-08-12 | 2021-02-23 | 天津大学青岛海洋技术研究院 | 一种改进型复杂环境下人脸检测定位识别方法 |
CN110634542B (zh) * | 2019-08-15 | 2022-04-05 | 卓尔智联(武汉)研究院有限公司 | 电子病历建立方法、装置及存储介质 |
CN110634542A (zh) * | 2019-08-15 | 2019-12-31 | 卓尔智联(武汉)研究院有限公司 | 电子病历建立方法、装置及存储介质 |
CN110796828A (zh) * | 2019-10-31 | 2020-02-14 | 的卢技术有限公司 | 一种基于车联网寻找丢失人口的方法及其系统 |
CN110796828B (zh) * | 2019-10-31 | 2022-06-14 | 的卢技术有限公司 | 一种基于车联网寻找丢失人口的方法及其系统 |
CN110879351A (zh) * | 2019-11-28 | 2020-03-13 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
CN111967413A (zh) * | 2020-08-21 | 2020-11-20 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
CN111967413B (zh) * | 2020-08-21 | 2024-04-09 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
CN113706767A (zh) * | 2021-10-27 | 2021-11-26 | 深圳市恒裕惠丰贸易有限公司 | 一种自动识别钱币面值的登记储存系统 |
CN116245866A (zh) * | 2023-03-16 | 2023-06-09 | 深圳市巨龙创视科技有限公司 | 一种移动人脸追踪方法及系统 |
CN116245866B (zh) * | 2023-03-16 | 2023-09-08 | 深圳市巨龙创视科技有限公司 | 一种移动人脸追踪方法及系统 |
CN117151722A (zh) * | 2023-10-30 | 2023-12-01 | 山东大学 | 一种基于联盟区块链的人脸识别密码验证方法及系统 |
CN117151722B (zh) * | 2023-10-30 | 2024-02-23 | 山东大学 | 一种基于联盟区块链的人脸识别密码验证方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898093A (zh) | 一种人脸识别方法及应用该方法的电子病历登陆系统 | |
Vishnu et al. | Human fall detection in surveillance videos using fall motion vector modeling | |
Meservy et al. | Deception detection through automatic, unobtrusive analysis of nonverbal behavior | |
Valstar et al. | Combined support vector machines and hidden markov models for modeling facial action temporal dynamics | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
Tay et al. | Abnormal behavior recognition using CNN-LSTM with attention mechanism | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
US20220157078A1 (en) | Adaptive learning and matching of face modalities | |
Fang et al. | Traffic police gesture recognition by pose graph convolutional networks | |
Khan et al. | Person identification using spatiotemporal motion characteristics | |
Devanandan et al. | Cricket shot image classification using random forest | |
CN107862298A (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
Chandran et al. | Pedestrian crowd level estimation by Head detection using bio-inspired retina model | |
Thakurdesai et al. | Face recognition using one-shot learning | |
Akhdan et al. | Face recognition with anti spoofing eye blink detection | |
KR101064114B1 (ko) | 패턴인식을 통한 출입통제시스템 | |
Camilus et al. | Automated hand hygiene compliance monitoring | |
Mostafa et al. | Long term facial parts tracking in thermal imaging for uncooperative emotion recognition | |
Nanthini et al. | An Efficient Velocity Estimation Approach for Face Liveness Detection using Sparse Optical Flow Technique | |
Pandey et al. | An efficient algorithm for sign language recognition | |
Zaffar et al. | A Novel CNN-RNN Model for E-Cheating Detection Based on Video Surveillance | |
Kulkarni et al. | Automated System for Detection of Suspicious Activity in Examination Hall | |
Persson | Automatic Gait Recognition: using deep metric learning | |
Khezeli et al. | Real-time human action recognition with Extreme Learning Machine | |
Mahmood | Human Interactions over Spatio-Temporal and Geometrical Descriptors with Kernel Sliding Perceptron via Disparity Cameras |
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 |
Effective date of registration: 20190521 Address after: Room 202-4, Huihua Building, 879 Songjiang Middle Road, Yinzhou District, Ningbo City, Zhejiang Province, 315100 Applicant after: Ningbo Mairuikang Medical Devices Co.,Ltd. Address before: 3131 No. 32, Group 6, Nancun, Chenglan Village, Hengxi Town Road, Yinzhou District, Ningbo City, Zhejiang Province Applicant before: Chen Jiasheng |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |