CN110135362A - 一种基于红外摄像头下的人脸快速识别方法 - Google Patents
一种基于红外摄像头下的人脸快速识别方法 Download PDFInfo
- Publication number
- CN110135362A CN110135362A CN201910415888.8A CN201910415888A CN110135362A CN 110135362 A CN110135362 A CN 110135362A CN 201910415888 A CN201910415888 A CN 201910415888A CN 110135362 A CN110135362 A CN 110135362A
- Authority
- CN
- China
- Prior art keywords
- face
- algorithm
- infrared camera
- feature
- photo
- 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 20
- 239000000284 extract Substances 0.000 claims abstract description 4
- 210000004709 eyebrow Anatomy 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 12
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 230000001815 facial effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000001331 nose Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于红外摄像头下的人脸快速识别方法,包括以下步骤:S1、通过红外摄像头对待检测对象进行人脸拍摄;S2、对拍摄的人脸照片进行灰度处理,使用KPCA算法对人脸照片中人脸的整体轮廓特征进行提取,使用Gabor算法对人脸照片中人脸局部特征进行提取;S3、使用FLD算法对步骤S2提取到的脸部整体特征数据和脸部局部特征进行处理;S4、使用特征加权算法对步骤S3处理后的脸部整体特征数据、脸部局部特征数据进行加权融合处理,得到人脸特征信息;S5、将步骤S4得到的人脸特征信息与数据库中的人脸特征信息进行对比;S6、识别结果输出。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于红外摄像头下的人脸快速识别方法。
背景技术
随着计算机技术的发展,人脸识别研究一直是研究者非常青睐的研究领域。因为随着人们生活水平的提高,人脸识别可以使人们的生活方式变的简单,提升生活品质。比如人脸识别技术可应用于门禁考勤、系统登陆、出入境管理、嫌疑人照片比对等,在一定程度上改善了人们的生活。但是,人脸识别技术还并没有达到完美,因为摄像机所拍摄的人脸照片往往受拍摄环境下的光线明暗度、人的面部表情和照片拍摄角度等因素影响而造成较低的识别率,这给用户带来低效率的体验。特别是在安防系统里,待检测人所拍摄的照片往往不具备完整的正面照片,以目前的人脸识别技术,很难准确地实现照片检测。因此,如何从待检测人在不知情的条件下从所拍摄的照片里获取有效的脸部特征信息是目前研究者的研究重点。
目前比较流行的方法是利用Gabor小波的良好的空间局部性和方向选择性,对人脸照片局部区域内不同方向下的空间频率和局部结构特征进行提取,实现了良好的识别效果,但是该方法仍存在几点不足:
1、易用性较差;目前一些设备需要用户在拍照时进行简单配合,这就降低了用户对产品的满意度。此外,对于用于安防的摄像头,是无法对待检测人实现指令的,摄像机所拍的照片会因人的表情与姿态变化而无法准确识别,这就降低了人脸识别效率。
2、识别率低;目前的人脸识别系统所依赖的算法如KPCA与Gabor虽然具有良好的识别的效果,但是在信息处理上仍存在优化的空间。对KPCA于Gabor所处理后的信息实现有效的二次处理,将会进一步提升人脸识别系统的识别率。
3、识别速度慢;目前红外人脸识别系统所采用的的KPCA与Gabor往往是利用了人脸特征信息的非线性信息,因此不得不将非线性信息转换为高阶线性信息,这就会造成大量的计算过程,降低了识别速度。在某些场景中,如过闸机、人脸支付等是需要人脸识别系统具有较快的识别速度。
发明内容
本发明目的是针对上述问题,提供一种提高识别速度的基于红外摄像头下的人脸快速识别方法。
为了实现上述目的,本发明的技术方案是:
一种基于红外摄像头下的人脸快速识别方法,包括以下步骤:
S1、通过红外摄像头对待检测对象进行人脸拍摄;
S2、对拍摄的人脸照片进行灰度处理,使用KPCA算法对人脸照片中人脸的整体轮廓特征进行提取,使用Gabor算法对人脸照片中人脸局部特征进行提取;
S3、使用FLD算法对步骤S2提取到的脸部整体特征数据和脸部局部特征进行处理;
S4、使用特征加权算法对步骤S3处理后的脸部整体特征数据、脸部局部特征数据进行加权融合处理,得到人脸特征信息;
S5、将步骤S4得到的人脸特征信息与数据库中的人脸特征信息进行对比;
S6、识别结果输出。
进一步的,所述步骤S2中人脸局部特征包括嘴巴、鼻子、眼睛、脸型轮廓、眉毛、下巴。
进一步的,所述步骤S4中使用特征加权算法进行加权的公式为:
其中,RK(xiyj)为加权函数,RK(xiyj)表示xi与yj之间的相关性,n表示脸部特征分布个数,VK表示人脸局部特征的权重值。
与现有技术相比,本发明具有的优点和积极效果是:
本发明利用红外摄像头对人脸在非指令条件下所拍摄的照片,首先通过KPCA与Gabor算法对人脸的整体特征与局部特征信息进行提取以实现对人脸部非线性信息的特征提取,然后利用费谢尔线性判别法(FLD)对人脸特征信息再次处理实现对数据信息进行降维,再通过加权处理算法对FLD处理后的人脸特征信息进行融合,最后将人脸特征信息与数据库中的人脸特征信息进行比对,从而实现对人脸的识别;其明显提高了识别速率,有效的解决了目前人脸识别领域所面对的计算速度慢、识别率低等问题,促进了人脸识别等方面的发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的框架流程图。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明首先对人脸照片进行灰度处理,然后使用KPCA与Gabor算法对人脸的整体特征与局部特征信息分别进行提取。鉴于KPCA与Gabor算法处理后的人脸特征信息量较大,硬件在处理时,运行速率较慢。因此利用FLD算法对人脸特征信息进行再次处理,实现对人脸特征信息的降维,提升运算速率。由于FLD处理的是不同特征下的人脸信息,因此需要人脸加权算法对两种特征信息实现加权算法处理。最后通过加权算法下处理后的信息与标准库中的人脸特征信息进行比对,进而得出配对结果。其具体实施步骤如图1所示:
第一步:红外摄像头对待检测对象进行人脸照片拾取;
第二步:对双目摄像头下所拍摄的人脸照片图片进行灰度图预处理,使用KPCA算法与Gabor算法分别在整体与局部特征提取人脸特征。人脸的特征信息包括:嘴巴、鼻子、眼睛、脸型轮廓、眉毛、下巴等等。使用KPCA算法对人脸的整体轮廓实现特征提取,然后再使用Gabor算法对人脸的嘴巴、眼睛、鼻子这三个主要的人脸部位实现特征提取。
第三步:由于基于KPCA算法与Gabor算法对人脸特征信息的提取会造成较高的特征维数,会使数据融合后计算量过大,因此使用FLD算法对第二步的脸部特征的信息再次进行数特征提取处理,在保证有效信息的前提下实现特征信息的降维,加快数据的处理;
第四步:利用特征加权算法对第三步的信息进行数据融合处理,在人脸的特征信息比较重要的部位(如嘴巴、鼻子、眼睛、下巴)可以增加较大的权重,而在特征相对较小的部位采用较小的权重(如皱纹、眉毛、人脸粗糙度等);
第五步:将第四步所得到的人脸特征信息与数据库中的人脸特征信息进行对比,数据库由提前收集的人脸特征信息构成,主要用于在需要识别时的对比工作。
第六步:识别结果输出。
PCA算法:中文名称”主成分分析“,其原理是先用KL(Karhunen-Loev)变换将样本图像中的各个分量之间的相关性消除,用变换所得的特征向量中的若干个向量表示原始图像,保留了原始图像中的差异最大的信息。
KPCA算法:中文名称”核主成分分析“,是对PCA算法的非线性扩展。PCA是线性的,其对于非线性数据往往显得无能为力,其中很大一部分原因是,KPCA能够挖掘到数据集中蕴含的非线性信息
Gabor算法:Gabor变换是一种加窗傅里叶变换,原理来自Gabor D。Gabor变换时能够同时获到时域和频域的最小不确定性,能分别满足时域和频域的低分辨率。Gabor变换的局部特征和多方向性对检测和提取表情的细节特征十分有效。
FLD算法:是一种著名的分类方法,主要是求解最优投影矩阵。可以用来提取整体的空间信息与KPCA、Gabor下的局部信息,来综合分析人脸的特征信息。
人脸特征信息:嘴巴、眼睛、下巴、额头、眉毛、鼻子、脸型轮廓等等。这些器官的分布具有很强的对称性,利用人脸结构的对称性可以有效的检测人脸。
人脸整体特征与人脸局部特征在脸部不同部位的相关性差异较大,因此在计算人脸相关性时,我们给脸部各部位设置一个权值,以突出重要部位,提高匹配性能。其中加权公式为:
注:RK(xiyj)为加权函数,RK(xiyj)表示xi与yj之间的相关性,n表示脸部特征分布个数,VK表示人脸分块后各个特征部位的权重值。
本发明利用红外摄像头对人脸在非指令条件下所拍摄的照片,首先通过KPCA与Gabor算法对人脸的整体特征与局部特征信息进行提取以实现对人脸部非线性信息的特征提取,然后利用费谢尔线性判别法(FLD)对人脸特征信息再次处理实现对数据信息进行降维,再通过加权处理算法对FLD处理后的人脸特征信息进行融合,最后将人脸特征信息与数据库中的人脸特征信息进行比对,从而实现对人脸的识别;其明显提高了识别速率,有效的解决了目前人脸识别领域所面对的计算速度慢、识别率低等问题,促进了人脸识别等方面的发展。
Claims (3)
1.一种基于红外摄像头下的人脸快速识别方法,其特征在于:包括以下步骤:
S1、通过红外摄像头对待检测对象进行人脸拍摄;
S2、对拍摄的人脸照片进行灰度处理,使用KPCA算法对人脸照片中人脸的整体轮廓特征进行提取,使用Gabor算法对人脸照片中人脸局部特征进行提取;
S3、使用FLD算法对步骤S2提取到的脸部整体特征数据和脸部局部特征进行处理;
S4、使用特征加权算法对步骤S3处理后的脸部整体特征数据、脸部局部特征数据进行加权融合处理,得到人脸特征信息;
S5、将步骤S4得到的人脸特征信息与数据库中的人脸特征信息进行对比;
S6、识别结果输出。
2.如权利要求1所述的基于红外摄像头下的人脸快速识别方法,其特征在于:所述步骤S2中人脸局部特征包括嘴巴、鼻子、眼睛、脸型轮廓、眉毛、下巴。
3.如权利要求1所述的基于红外摄像头下的人脸快速识别方法,其特征在于:所述步骤S4中使用特征加权算法进行加权的公式为:
其中,RK(xiyj)为加权函数,RK(xiyj)表示xi与yj之间的相关性,n表示脸部特征分布个数,VK表示人脸局部特征的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910415888.8A CN110135362A (zh) | 2019-05-19 | 2019-05-19 | 一种基于红外摄像头下的人脸快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910415888.8A CN110135362A (zh) | 2019-05-19 | 2019-05-19 | 一种基于红外摄像头下的人脸快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135362A true CN110135362A (zh) | 2019-08-16 |
Family
ID=67571501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910415888.8A Pending CN110135362A (zh) | 2019-05-19 | 2019-05-19 | 一种基于红外摄像头下的人脸快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135362A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364827A (zh) * | 2020-11-30 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN114511914A (zh) * | 2022-04-19 | 2022-05-17 | 亿慧云智能科技(深圳)股份有限公司 | 人脸识别方法、装置及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866831A (zh) * | 2015-05-29 | 2015-08-26 | 福建省智慧物联网研究院有限责任公司 | 特征加权的人脸识别算法 |
CN106384123A (zh) * | 2016-09-01 | 2017-02-08 | 中国地质大学(武汉) | 基于相关性的特征加权过滤方法及朴素贝叶斯分类方法 |
CN108197586A (zh) * | 2017-12-12 | 2018-06-22 | 北京深醒科技有限公司 | 脸部识别方法和装置 |
-
2019
- 2019-05-19 CN CN201910415888.8A patent/CN110135362A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866831A (zh) * | 2015-05-29 | 2015-08-26 | 福建省智慧物联网研究院有限责任公司 | 特征加权的人脸识别算法 |
CN106384123A (zh) * | 2016-09-01 | 2017-02-08 | 中国地质大学(武汉) | 基于相关性的特征加权过滤方法及朴素贝叶斯分类方法 |
CN108197586A (zh) * | 2017-12-12 | 2018-06-22 | 北京深醒科技有限公司 | 脸部识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
王军,高智勇,刘海华,刘燚: ""基于 KPCA 和 Gabor小波的特征融合人脸识别"", 《现代科学仪器》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364827A (zh) * | 2020-11-30 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN112364827B (zh) * | 2020-11-30 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN114511914A (zh) * | 2022-04-19 | 2022-05-17 | 亿慧云智能科技(深圳)股份有限公司 | 人脸识别方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019169942A1 (zh) | 抗角度与遮挡干扰的快速人脸识别方法 | |
Barnouti | Improve face recognition rate using different image pre-processing techniques | |
CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、系统及设备 | |
CN106934359A (zh) | 基于高阶张量子空间学习的多视角步态识别方法及系统 | |
Anand et al. | An improved local binary patterns histograms techniques for face recognition for real time application | |
KR20130048076A (ko) | 얼굴 인식 장치 및 그 제어방법 | |
TW200910223A (en) | Image processing apparatus and image processing method | |
CN109325472B (zh) | 一种基于深度信息的人脸活体检测方法 | |
US20100111375A1 (en) | Method for Determining Atributes of Faces in Images | |
Muyambo | An investigation on the use of LBPH algorithm for face recognition to find missing people in Zimbabwe | |
Vadlapati et al. | Facial recognition using the opencv libraries of python for the pictures of human faces wearing face masks during the covid-19 pandemic | |
CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
Kekre et al. | Eigenvectors of covariance matrix using row mean and column mean sequences for face recognition | |
Olivares-Mercado et al. | Face recognition system for smartphone based on lbp | |
CN110879985A (zh) | 一种抗噪声数据的人脸识别模型训练方法 | |
Sithara et al. | A survey on face recognition technique | |
Mohandas et al. | On the use of deep learning enabled face mask detection for access/egress control using TensorFlow Lite based edge deployment on a Raspberry Pi | |
US20250157253A1 (en) | Face recognition method | |
Chen et al. | Robust gender recognition for uncontrolled environment of real-life images | |
Thomas et al. | Real Time Face Mask Detection and Recognition using Python | |
Hbali et al. | Object detection based on HOG features: Faces and dual-eyes augmented reality | |
Yue | Researches advanced in face recognition | |
Zhu et al. | DEFOG: Deep Learning with Attention Mechanism Enabled Cross-Age Face Recognition | |
Nawaz et al. | Emdedded Large Scale Face Recognition in the Wild | |
Manlises et al. | Performance Differences Between Keras Model and Deep Learning CNN in Implementing an Age Classification System |
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: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |