CN109886157A - 一种基于毫米波图像的人脸识别方法及系统 - Google Patents
一种基于毫米波图像的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN109886157A CN109886157A CN201910090477.6A CN201910090477A CN109886157A CN 109886157 A CN109886157 A CN 109886157A CN 201910090477 A CN201910090477 A CN 201910090477A CN 109886157 A CN109886157 A CN 109886157A
- Authority
- CN
- China
- Prior art keywords
- mapping
- feature
- millimeter
- image
- face
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 95
- 238000000605 extraction Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000003384 imaging method Methods 0.000 claims abstract description 41
- 230000001815 facial effect Effects 0.000 claims abstract description 27
- 238000002360 preparation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 43
- 239000000284 extract Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于毫米波图像的人脸识别方法及系统，所述方法包括：对毫米波图像进行尺寸处理以获得与人脸图像检索库中的注册图像尺寸一致的处理后图像；提取所述处理后图像的人脸特征以建立特征提取映射；及将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对以得到匹配的预备特征映射。本发明能够基于毫米波安检成像系统生成的毫米波图像实现人脸识别。
Description
技术领域
本发明涉及人脸识别技术领域，特别涉及一种基于毫米波图像的人脸识别方法、一种基于毫米波图像的人脸识别系统。
背景技术
自2001年“911”恐怖袭击以来，国际国内反恐形势日益严峻。由于针对机场、火车站、港口、大型集会等重要场所的恐怖袭击通常能造成人民群众的重大伤亡和伤害，因此在重要场所的安检工作直接关系到人民群众的生命安全。对于这些日益增长的安检压力，除了需要可识别人体携带危险品(如刀、枪、爆炸物等危险品)的安检设备外，能快速识别人身份信息的安检设备也是重要的需求。目前来说，毫米波安检成像技术日益成熟，在检查人体携带危险品上已经有广泛应用，但基于旅客身份进行各种生物特征识别技术则在技术上还无法基于毫米波安检成像系统获取实现。
发明内容
本发明技术方案所解决的技术问题是，如何基于毫米波安检成像系统生成的毫米波图像进行人脸识别。
为了解决上述技术问题，本发明技术方案提供了一种毫米波图像的人脸识别方法，所述毫米波图像基于毫米波安检成像系统获得，包括：
对所述毫米波图像进行尺寸处理以获得与人脸图像检索库中的注册图像尺寸一致的处理后图像；
提取所述处理后图像的人脸特征以建立特征提取映射；
将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对以得到匹配的预备特征映射。
可选的，所述对所述毫米波图像进行尺寸处理包括：
对所述毫米波图像进行差值或超分辨率重构以实现所述尺寸处理。
可选的，所述提取所述处理后图像的人脸特征以建立特征提取映射包括：
预先基于卷积神经网络算法训练模型；
根据该训练模型提取所述处理后图像的人脸特征以建立特征提取映射。
可选的，所述将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对包括：
预先利用历史毫米波图像及所述训练模型提取所述历史毫米波图像的人脸特征，以建立历史人脸特征的历史特征提取映射；
建立所述历史特征提取映射与所述预备特征映射的对应特征库；
将本次特征提取映射与所述对应特征库中的特征向量进行比对，并将所述本次特征提取映射与特征向量间距离最小的人脸特征作为本次匹配特征。
可选的，所述将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对基于如下算法：
设U和V分别是所述特征提取映射及所述注册图像预先建立的预备特征映射，则目标函数可表示为：
min{D(U(IM)，V(IGi))}，i＝1，2，3.......N
其中，D代表用于计算所述特征提取映射及预备特征映射特征相识度的距离函数，IM代表本次待识别的毫米波图像，SGi代表所述人脸图像检索库中的注册图像SG的第i张，i取1至N中的一个自然数，其中N为大于或等于1的自然数。
可选的，所述人脸识别方法还包括：
基于匹配的预备特征映射获得所对应注册图像或者人脸特征以进行人脸识别。
为了解决上述技术问题，本发明技术方案还提供了一种基于毫米波图像的人脸识别系统，基于可产生所述毫米波图像的毫米波安检成像系统，包括：与所述毫米波安检成像系统连接的尺寸处理模块、特征提取模块及比对模块；
所述尺寸处理模块适于对所述毫米波图像进行尺寸处理以获得与人脸图像检索库中的注册图像尺寸一致的处理后图像；
所述特征提取模块适于提取所述处理后图像的人脸特征以建立特征提取映射；
所述比对模块适于将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对以得到匹配的预备特征映射。
可选的，所述人脸识别系统还包括：训练模块；所述训练模块适于预先基于卷积神经网络算法训练模型，所述特征提取模块适于根据所述训练模型提取所述处理后图像的人脸特征以建立特征提取映射。
可选的，所述人脸识别系统还包括：历史特征提取模块，所述历史特征提取模块适于：
预先利用历史毫米波图像及所述训练模型提取所述历史毫米波图像的人脸特征，以建立历史人脸特征的历史特征提取映射；
建立所述历史特征提取映射与所述预备特征映射的对应特征库；
所述比对模块还适于将本次特征提取映射与所述对应特征库中的特征向量进行比对，并将所述本次特征提取映射与特征向量间距离最小的人脸特征作为本次匹配特征。
可选的，所述人脸识别系统还包括：识别模块；所述识别模块适于基于匹配的预备特征映射获得所对应注册图像或者人脸特征以进行人脸识别。
本发明技术方案的有益效果至少包括：
本发明技术方案能够基于毫米波安检成像系统产生的毫米波图像，在低分辨率的人脸图像的基础上实现人脸识别，并结合了毫米波成像对人体衣物的穿透性的优势，不仅可实现人脸识别在毫米波安检成像系统上的应用，也可以在识别时有效去除纺织物在脸部的遮挡，实现人脸识别的准确度与有效性的提高。
本发明技术方案能够预先对图像人脸特征进行训练，也可以基于历史图像进行特征提取实现历史图像与预报特征映射的特征对应，实现人脸图像检索库与特征库中数据的不断更新，提高人脸特征的匹配准确度与匹配效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为一种用于合作式人体安检的主动毫米波成像安检仪结构示意图；
图2为一种三维密布阵成像系统结构示意图；
图3为一种非合作式主动毫米波成像机构的结构示意图；
图4为基于毫米波安检成像系统获得的毫米波图像示意图；
图5为基于毫米波安检成像系统所获得毫米波图像的人脸部位示意图；
图6为本发明技术方案所提供的一种基于毫米波图像的人脸识别方法流程示意图；
图7为本发明技术方案中利用历史毫米波图像样本与注册图像训练训练卷积神经网络模型并应用于毫米波图像特征提取的流程示意图；
图8为本发明技术方案所提供的另一种基于毫米波图像的人脸识别方法流程示意图；
图9为本发明技术方案所提供的一种基于毫米波图像的人脸识别系统结构示意图；
图10为本发明技术方案所提供的另一种基于毫米波图像的人脸识别系统结构示意图；
图11为本发明技术方案所提供的又一种基于毫米波图像的人脸识别系统结构示意图；
图12为本发明技术方案所提供的再一种基于毫米波图像的人脸识别系统结构示意图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。
本发明技术方案将以检查人体携带危险品的毫米波成像安检系统为平台，针对非接触、快速安检中的毫米波人体生物特征身份识别的关键技术进行深入研究，通过理论分析、三维电磁仿真和大数据实验，对光学图像与毫米波图像内在对应生物特征关系，在合作以及非合作状态下人体电磁散射机理、光学图像与多模态生物特征神经网络融合模型中特征层、分数层与实际物理参量关系等关键科学问题进行研究，以各种机器学习为手段，对低分辨率毫米波人脸识别算法技术上取得突破，为毫米波成像安检中人脸识别算法的进一步实用化奠定基础。
在现有技术中，由于受制于毫米波频段自身波长、实际成像系统天线孔径尺寸以及安检所需的实时快速性要求，一般采集到的毫米波人体图像分辨率都不高，到人脸部位则分辨率更低，可能通常只有20×20甚至更低的分辨率，但是人脸的五官部位一般都可分辨，具备一定的识别基础。因此如何在与光学图像相比的低信噪比情况下进行人脸身份识别，是本发明技术方案需要研究的问题。其中主要包括以下技术难点：一是数据维度不同，通常只有高分辨率的人脸正面图像，如身份证照片，这些光学图像的数据维度很高。而毫米波低分辨率人脸图像数据维度很低，很多人脸匹配的方法并不能直接应用。其次是数据差异。光学人脸图像与毫米波人脸图像存在较大的姿态、光照条件差异。在本发明技术方案中，这些问题都可以尝试在多尺度跨维空间进行处理。
本发明技术方案也涉及高维光学人脸图像与低维人脸图像的内在对应生物特征关系。现有技术中用于人脸识别的图像数据库都是高分辨率高维光学图像，而毫米波人脸图像都是低分辨率低维人脸图像，目前并没有用于人脸识别的毫米波人脸数据库，因此需要以已有的光学人脸数据库进行毫米波人脸识别。对于同一待识别的自然人来说，两者图像必然存在相关的内在生物特征关系，包括从最简单的人脸本征特征点到类内关系的特征向量。在本发明技术方案中，通过深度学习神经网络，研究跨空间的光学高维图像与毫米波低维图像的对应特征关系，从而为进一步的毫米波人脸图像识别奠定基础。
现有技术中的一种毫米波安检成像系统，即一种用于合作式人体安检的主动毫米波成像安检仪的主要结构如图1所示，该系统采用电子阵列扫描与机械扫描相结合，核心为2×80阵元的毫米波收发成像前端线阵，水平方向依靠成像前端线阵通过开关切换进行扫描，垂直方向通过成像前端线阵的垂直机械运动扫描，再结合每行水平扫描都进行多频点扫描，从而获得成像目标区域的空-频三维电磁回波数据。从成像算法来看，该成像系统可理解为如图2所示的三维密布阵成像系统。
结合图2，假设目标(“target”)为一个体目标(“target point”)，该体目标上的一个强反射点坐标为(x,y,z)，通过电子开关切换和垂直机械扫描实现的布满收发机的扫描平面(“scanned aperture”)仍然位于在z＝Z1的平面上，该扫描平面上的一个收发机的位置(“transceiver position”)为(x’,y’,Z1)。
当系统工作在一个宽的频带而非一个频点时，对于目标的反射特性函数f(x,y,z)进行积分可得到某个收发机在频点ω＝kc的接收响应，k为波函数。
通过变换可以得到该系统的基本算法原理公式为：
由算法公式可见，主动毫米波安检成像需要采集到每个扫描点的回波复信号，即回波的幅度和相位，即可恢复成像场景图像。
与合作式主动毫米波成像采用电子开关切换和机械扫描相结合的方式不一样的是，在另一种毫米波安检成像系统中，即非合作式主动毫米波成像采用全电子稀疏成像阵面机构，每帧图像可在0.1s内采集完成。如图3所示，整个全电子稀疏阵面向目标场景发射毫米波，然后接收目标场景的反射和散射回波信号并进行数据采集，最后通过相应的稀疏成像算法恢复目标场景图像。从成像的基本原理来说，还是主要将稀疏阵等效计算恢复成密布阵，从而按公式(2)的来进行成像。
上述两种系统都可用于产生本发明技术方案中所涉及的所述毫米波图形，即本发明技术方案都可应用于上述两种毫米波安检成像系统，以实现人脸识别。
正如前所述，一般用于身份认证的人脸图像都是高分辨率光学人脸图像，而通过毫米波安检成像系统对旅客进行安检成像时获得的毫米波图像(如图4所示)分辨率都不高，具体到毫米波图图像的人脸部位(如图5所示)，则可能分辨率更低，通常只有20×20左右。在实际应用中，获得直接可被用于身份识别的毫米波人脸图像比较困难，因此需要通过高分辨率光学人脸图像来对低分辨率的毫米波人脸图像进行识别认证。
如图6所示的一种基于毫米波图像的人脸识别方法，所述毫米波图像基于毫米波安检成像系统获得，包括如下步骤：
步骤S100，对所述毫米波图像进行尺寸处理以获得与人脸图像检索库中的注册图像尺寸一致的处理后图像；
步骤S101，提取所述处理后图像的人脸特征以建立特征提取映射；
步骤S102，将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对以得到匹配的预备特征映射。
在步骤S100中，所述毫米波图像一般指的是原始毫米波图像(参考图4)中的人脸部分图像(参考图5)，由于该人脸部分图像尺寸较小，需要通过尺寸处理将人脸部分图像重构以扩大尺寸。所述尺寸处理可以通过对所述毫米波图像进行差值或超分辨率重构以实现。其主要手段的目的是为了将原始毫米波图像的较小较低分辨率的尺寸扩展为与注册图像尺寸相同的图像。其尺寸处理的手段包括但不限于差值处理及超分辨率重构处理。
针对毫米波安检成像系统所获得的原始毫米波图像是全身图像的话，在进入步骤S100之前，需要对全身图像进行截取，以获得步骤S100处理之前的所述毫米波图像(即人脸部分的图像)。所原始毫米波图像即为人脸部分的图像，则在进入S100处理之前，无需对原始毫米波图像进行截取处理。
在步骤S101中，提取所述处理后图像的人脸特征的方式可以有多种，具体可以参考图像特征的提取方法，在本发明技术方案中，优先考虑预先使用基于卷积神经网络算法训练模型，再根据该训练模型提取所述处理后图像的人脸特征以建立特征提取映射。
基于卷积神经网络可具体通过如下步骤提取人脸特征：
首先从处理后的待识别人脸图像中提取不同尺度的人脸特征；
然后将所述不同尺度的人脸特征进行融合。
卷积神经网络的构建可以是经典的GoogleNet(google搭建的一个深度神经网络)及DeepID(香港中文大学搭建的一个专门用来做人脸识别的深度神经网络)网络，或者上述基础上的改进。一种具体的卷积神经网络的具体构建也可包括由卷积层、池化层、连接层及全连接层构建的网络结构。其中，卷积神经网络的卷积层主要对人脸图像进行卷积并提取卷积后的人脸特征；池化层对特征图像进行池化，降低特征图像的尺寸，减少网络的参数；连接层起连发连接作用；全连接层用于将数据从特征空间映射到分类器空间，起到分类器的作用。
根据基于卷积神经网络算法训练模型可以依据历史样本进行训练以得到预先训练的训练模型，结合图7所示。图7中示意了利用历史毫米波图像样本与注册图像训练训练卷积神经网络(CNN)模型，训练后形成了较为可靠的训练模型及有关特征库，从而可以利用训练模型来进行实施采集的原始毫米波图像的直接特征提取，以用于身份识别。具体在本发明技术方案中，即可以利用训练模型对实时处理后的毫米波图像进行人脸特征提取，以建立特征提取映射。一般而言，特征提取映射是基于识别的人脸特征而形成的特征向量，具体如何构建特征与特征向量的映射，是基于该训练模型所得到的，本发明技术方案在此不再赘述。
根据步骤S102，所述将所述特征提取映射与所述注册图像预先建立的预备特征映射比对可基于如下算法：
设U和V分别是所述特征提取映射及所述注册图像预先建立的预备特征映射，则目标函数可表示为：
min{D(U(IM)，V(IGi))}，i＝1，2，3.......N (3)
其中，D代表用于计算所述特征提取映射及预备特征映射特征相识度的距离函数，IM代表本次待识别的毫米波图像，IGi代表所述人脸图像检索库中的注册图像IG的第i张，i取1至N中的一个自然数，其中N为大于或等于1的自然数。
在另一种可以并行处理也可以单独适用的方案中，步骤S102还包括以下处理过程，该处理过程包括如下步骤：
预先利用历史毫米波图像及所述训练模型提取所述历史毫米波图像的人脸特征，以建立历史人脸特征的历史特征提取映射；
建立所述历史特征提取映射与所述预备特征映射的对应特征库；
将本次特征提取映射与所述对应特征库中的特征向量进行比对，并将所述本次特征提取映射与特征向量间距离最小的人脸特征作为本次匹配特征。
上述有关比对的步骤过程通过大量历史匹配的毫米波人脸图像与光学图像的训练就得到一个包含毫米波人脸生物特征与光学人脸生物特征对应的特征库。在应用时，将本次测试的毫米波人脸图像进行相应的插值采样或者超分辨率重构处理，以实现尺寸与检索库中注册的光学图像一致，然后利用训练好的卷积神经网络算法建立的模型对本次毫米波人脸图形进行特征提取，最终通过与对应特征库中的特征向量，按一定规则进行比对，选取特征向量距离最小的即可实现识别。
上述处理过程也基于上述算法(3)，但在利用有关对应特征库进行比对时，上述函数中的V不仅包括预备特征映射也包括对应特征库中与所述预备特征映射对应匹配的历史特征提取映射，在这种情况下，IGi还代表了所述人脸图像检索库中第i张注册图像所对应的历史毫米波图像。在这种处理过程中，本次特征提取映射的比对对象可以是预备特征映射与与预备特征映射对应匹配的历史特征提取映射的一种特征向量或两种特征向量同时进行比对。
在本发明技术方案的另一种实例中，如图8所示的一种基于毫米波图像的人脸识别方法，所述毫米波图像基于毫米波安检成像系统获得，包括如图6所示方法的步骤100～102，还包括如下步骤：
步骤S103，基于匹配的预备特征映射获得所对应注册图像或者人脸特征以进行人脸识别。
根据步骤S103，根据S102得到的匹配结果如果是正面的，则本次特征提取映射存在与之匹配的预备特征映射(即使本次特征提取映射实际匹配上的是历史特征提取映射，但历史特征提取映射存在与之对应的预备特征映射，则预备特征映射与本次特征提取映射也得到了正面匹配)。在进行人脸识别时，可以根据匹配的预备特征映射得到本次传送原始毫米波图像对应的人脸特征及注册图像，可以利用人脸特征或注册图像来得到人脸识别的技术应用。
基于上述基于毫米波图像的人脸识别方法，本发明技术方案还提供了一种如图9所示的基于毫米波图像的人脸识别系统1，基于可产生所述毫米波图像的毫米波安检成像系统，其包括：可与所述毫米波安检成像系统连接的尺寸处理模块100、特征提取模块101及比对模块102。
其中，尺寸处理模块100可接收毫米波安检成像系统传输的原始毫米波图像，尺寸处理模块100、特征提取模块101及比对模块102依次执行上述步骤S100～S102的处理步骤。
一种如图10所示的基于毫米波图像的人脸识别系统2，除了包括尺寸处理模块200、特征提取模块201及比对模块202，还包括训练模块203。训练模块203适于预先基于卷积神经网络算法训练模型，特征提取模块201适于根据训练模块203训练得到的所述训练模型提取所述处理后图像的人脸特征以建立特征提取映射。其余技术手段可参考上述内容。
一种如图11所示的基于毫米波图像的人脸识别系统3，除了包括尺寸处理模块300、特征提取模块301及比对模块302，还包括：历史特征提取模块303，历史特征提取模块303适于：
预先利用历史毫米波图像及所述训练模型提取所述历史毫米波图像的人脸特征，以建立历史人脸特征的历史特征提取映射；
建立所述历史特征提取映射与所述预备特征映射的对应特征库。
比对模块302还适于将本次特征提取映射与所述对应特征库中的特征向量进行比对，并将所述本次特征提取映射与特征向量间距离最小的人脸特征作为本次匹配特征。
上述系统2也可以与历史特征提取模块303结合使用，历史特征提取模块303所使用的训练模块可以是训练模块203训练得到的训练模型。
上述系统1～3还可以分别与识别模块400结合，所述识别模块用于执行上述步骤S103的功能。图12给出了一种基于毫米波图像的人脸识别系统4，包括了识别模块400与系统1结合构成系统4的实例。
本发明技术方案的系统中，有关数据库或特征库可以是本系统的一部分，也可以是本系统的外部设备提供。同样的，上述训练模型训练与输出，可以如系统2由训练模块得到，也可以是本系统的外部设备直接输出的训练模型。
本发明技术方案的系统的模块对应执行本发明技术方案方法的步骤流程，上述模块可以根据实际步骤执行的编写需要对模块的处理功能进行子模块化或模块间功能集成，系统根据模块化的不同拥有不同模块间的结构，均应落入本发明技术方案的保护范围。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种基于毫米波图像的人脸识别方法，所述毫米波图像基于毫米波安检成像系统获得，其特征在于，包括：
对所述毫米波图像进行尺寸处理以获得与人脸图像检索库中的注册图像尺寸一致的处理后图像；
提取所述处理后图像的人脸特征以建立特征提取映射；
将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对以得到匹配的预备特征映射。
2.如权利要求1所述的人脸识别方法，其特征在于，所述对所述毫米波图像进行尺寸处理包括：
对所述毫米波图像进行差值或超分辨率重构以实现所述尺寸处理。
3.如权利要求1所述的人脸识别方法，其特征在于，所述提取所述处理后图像的人脸特征以建立特征提取映射包括：
预先基于卷积神经网络算法训练模型；
根据该训练模型提取所述处理后图像的人脸特征以建立特征提取映射。
4.如权利要求3所述的人脸识别方法，其特征在于，所述将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对包括：
预先利用历史毫米波图像及所述训练模型提取所述历史毫米波图像的人脸特征，以建立历史人脸特征的历史特征提取映射；
建立所述历史特征提取映射与所述预备特征映射的对应特征库；
将本次特征提取映射与所述对应特征库中的特征向量进行比对，并将所述本次特征提取映射与特征向量间距离最小的人脸特征作为本次匹配特征。
5.如权利要求1或4所述的人脸识别方法，其特征在于，所述将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对基于如下算法：
设U和V分别是所述特征提取映射及所述注册图像预先建立的预备特征映射，则目标函数可表示为：
min{D(U(IM)，V(IGi))}，i＝1，2，3.......N
其中，D代表用于计算所述特征提取映射及预备特征映射特征相识度的距离函数，IM代表本次待识别的毫米波图像，SGi代表所述人脸图像检索库中的注册图像SG的第i张，i取1至N中的一个自然数，其中N为大于或等于1的自然数。
6.如权利要求1所述的人脸识别方法，其特征在于，还包括：
基于匹配的预备特征映射获得所对应注册图像或者人脸特征以进行人脸识别。
7.一种基于毫米波图像的人脸识别系统，基于可产生所述毫米波图像的毫米波安检成像系统，其特征在于，包括：与所述毫米波安检成像系统连接的尺寸处理模块、特征提取模块及比对模块；
所述尺寸处理模块适于对所述毫米波图像进行尺寸处理以获得与人脸图像检索库中的注册图像尺寸一致的处理后图像；
所述特征提取模块适于提取所述处理后图像的人脸特征以建立特征提取映射；
所述比对模块适于将所述特征提取映射与所述注册图像预先建立的预备特征映射进行比对以得到匹配的预备特征映射。
8.如权利要求7所述的人脸识别系统，其特征在于，还包括：训练模块；所述训练模块适于预先基于卷积神经网络算法训练模型，所述特征提取模块适于根据所述训练模型提取所述处理后图像的人脸特征以建立特征提取映射。
9.如权利要求7所述的人脸识别系统，其特征在于，还包括：历史特征提取模块，所述历史特征提取模块适于：
预先利用历史毫米波图像及所述训练模型提取所述历史毫米波图像的人脸特征，以建立历史人脸特征的历史特征提取映射；
建立所述历史特征提取映射与所述预备特征映射的对应特征库；
所述比对模块还适于将本次特征提取映射与所述对应特征库中的特征向量进行比对，并将所述本次特征提取映射与特征向量间距离最小的人脸特征作为本次匹配特征。
10.如权利要求7所述的人脸识别系统，其特征在于，还包括：识别模块；所述识别模块适于基于匹配的预备特征映射获得所对应注册图像或者人脸特征以进行人脸识别。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090477.6A CN109886157A (zh) | 2019-01-30 | 2019-01-30 | 一种基于毫米波图像的人脸识别方法及系统 |
| CN201911116583.3A CN111597867B (zh) | 2019-01-30 | 2019-11-15 | 一种基于毫米波图像的人脸识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090477.6A CN109886157A (zh) | 2019-01-30 | 2019-01-30 | 一种基于毫米波图像的人脸识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886157A true CN109886157A (zh) | 2019-06-14 |
Family
ID=66927360
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910090477.6A Pending CN109886157A (zh) | 2019-01-30 | 2019-01-30 | 一种基于毫米波图像的人脸识别方法及系统 |
| CN201911116583.3A Active CN111597867B (zh) | 2019-01-30 | 2019-11-15 | 一种基于毫米波图像的人脸识别方法及系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911116583.3A Active CN111597867B (zh) | 2019-01-30 | 2019-11-15 | 一种基于毫米波图像的人脸识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN109886157A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110779149A (zh) * | 2019-11-14 | 2020-02-11 | 宁波奥克斯电气股份有限公司 | 一种空调控制方法、装置及空调器 |
| CN110807403A (zh) * | 2019-10-29 | 2020-02-18 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
| CN111523478A (zh) * | 2020-04-24 | 2020-08-11 | 中山大学 | 一种作用于目标检测系统的行人图像检测方法 |
| CN111931762A (zh) * | 2020-09-25 | 2020-11-13 | 广州佰锐网络科技有限公司 | 基于ai的图像识别解决方法、装置及可读存储介质 |
| CN116434289A (zh) * | 2021-12-30 | 2023-07-14 | 同方威视技术股份有限公司 | 毫米波或太赫兹波身份验证方法及装置、毫米波或太赫兹波安检设备和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537619A (zh) * | 2014-12-25 | 2015-04-22 | 深圳市一体太赫兹科技有限公司 | 一种毫米波图像的恢复方法及系统 |
| CN104574304A (zh) * | 2014-12-25 | 2015-04-29 | 深圳市一体太赫兹科技有限公司 | 一种毫米波图像重构方法及系统 |
| CN106326834A (zh) * | 2016-07-29 | 2017-01-11 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
| CN106529602A (zh) * | 2016-11-21 | 2017-03-22 | 中国科学院上海微系统与信息技术研究所 | 一种毫米波图像自动目标识别方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7873182B2 (en) * | 2007-08-08 | 2011-01-18 | Brijot Imaging Systems, Inc. | Multiple camera imaging method and system for detecting concealed objects |
| CN101710386A (zh) * | 2009-12-25 | 2010-05-19 | 西安交通大学 | 一种基于相关特征和非线性映射的超分辨率人脸识别方法 |
| CN106469315B (zh) * | 2016-09-05 | 2019-12-27 | 南京理工大学 | 基于改进One-Class SVM算法的多模复合探测目标识别方法 |
| CN107609459B (zh) * | 2016-12-15 | 2018-09-11 | 平安科技（深圳）有限公司 | 一种基于深度学习的人脸识别方法及装置 |
| CN107423690B (zh) * | 2017-06-26 | 2020-11-13 | 广东工业大学 | 一种人脸识别方法及装置 |
| US10591586B2 (en) * | 2017-07-07 | 2020-03-17 | Infineon Technologies Ag | System and method for identifying a target using radar sensors |
-
2019
- 2019-01-30 CN CN201910090477.6A patent/CN109886157A/zh active Pending
- 2019-11-15 CN CN201911116583.3A patent/CN111597867B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537619A (zh) * | 2014-12-25 | 2015-04-22 | 深圳市一体太赫兹科技有限公司 | 一种毫米波图像的恢复方法及系统 |
| CN104574304A (zh) * | 2014-12-25 | 2015-04-29 | 深圳市一体太赫兹科技有限公司 | 一种毫米波图像重构方法及系统 |
| CN106326834A (zh) * | 2016-07-29 | 2017-01-11 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
| CN106529602A (zh) * | 2016-11-21 | 2017-03-22 | 中国科学院上海微系统与信息技术研究所 | 一种毫米波图像自动目标识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| B.G.ALEFS 等: "Thorax biometrics from millimetre-wave images", 《PATTERN RECOGNITION LETTERS》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807403A (zh) * | 2019-10-29 | 2020-02-18 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
| CN110807403B (zh) * | 2019-10-29 | 2022-12-02 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
| CN110779149A (zh) * | 2019-11-14 | 2020-02-11 | 宁波奥克斯电气股份有限公司 | 一种空调控制方法、装置及空调器 |
| CN111523478A (zh) * | 2020-04-24 | 2020-08-11 | 中山大学 | 一种作用于目标检测系统的行人图像检测方法 |
| CN111523478B (zh) * | 2020-04-24 | 2023-04-28 | 中山大学 | 一种作用于目标检测系统的行人图像检测方法 |
| CN111931762A (zh) * | 2020-09-25 | 2020-11-13 | 广州佰锐网络科技有限公司 | 基于ai的图像识别解决方法、装置及可读存储介质 |
| CN116434289A (zh) * | 2021-12-30 | 2023-07-14 | 同方威视技术股份有限公司 | 毫米波或太赫兹波身份验证方法及装置、毫米波或太赫兹波安检设备和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597867B (zh) | 2024-01-12 |
| CN111597867A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886157A (zh) | 一种基于毫米波图像的人脸识别方法及系统 | |
| CN110135375A (zh) | 基于全局信息整合的多人姿态估计方法 | |
| CN109029381A (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
| KR101139588B1 (ko) | 합성 개구면 레이더 영상에서 표적의 기종을 식별하는 방법 및 그 장치 | |
| CN106356757A (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| Sheen et al. | Cylindrical millimeter-wave imaging technique for concealed weapon detection | |
| CN114862837A (zh) | 基于改进YOLOv5s的人体安检图像检测方法及系统 | |
| CN112232109A (zh) | 一种活体人脸检测方法及系统 | |
| CN112419479B (zh) | 一种基于体重身高及身体影像的体型数据计算方法 | |
| CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN102986372A (zh) | 基于全景立体视觉的采摘对象的识别、分类和空间定位装置及方法 | |
| CN110033484A (zh) | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 | |
| Liu et al. | Towards robust human millimeter wave imaging inspection system in real time with deep learning | |
| CN105869166A (zh) | 一种基于双目视觉的人体动作识别方法及系统 | |
| CN107909624A (zh) | 一种从三维断层成像中提取及融合二维图像的方法 | |
| CN102324045A (zh) | 基于Radon变换和极谐波变换的不变矩目标识别方法 | |
| CN105866771A (zh) | 一种隐藏物检测系统及其检测方法 | |
| CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN109711331A (zh) | 一种毫米波雷达安检仪异物检测方法 | |
| CN106725592A (zh) | 超声射频元数据的自动识别方法及系统 | |
| CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
| Sun et al. | Study on the water body extraction using GF-1 data based on adaboost integrated learning algorithm | |
| GB2616181A (en) | Three-dimensional imaging method and apparatus, and three-dimensional imaging device | |
| He et al. | Polarization matters: On bilinear convolutional neural networks for ship classification from synthetic aperture radar images | |
| Moreno-Moreno et al. | Simulation of millimeter-wave body images and its application to biometric recognition |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190614 |