CN110796112A - 一种基于matlab的车内人脸识别系统 - Google Patents

Abstract

本发明公开了一种基于MATLAB的车内人脸识别系统，其特征在于：至少包括：网络训练模块，针对于每个目标人物，所述网络训练模块首先将人脸图片划分为训练集和测试集，随后将人脸图片进行预处理，然后将每幅人脸图片进行人脸，进而检测得到含有最小矩形框的人脸；最后将全部人脸图片进行特征提取，进行上百次迭代训练，输出训练好的网络并进行保存；人脸识别模块，首先通过MATLAB的人机对话模块接收图片，所述图片为包含有车内人物头像信息的原始图片；随后对所述原始图片进行人脸检测处理，若没有检测到人脸，则弹出提示标识；若存在人脸，则将原始图片送到卷积神经网络传播输出具体确定属于某一个人，显示该人员的数据库信息。

Description

一种基于MATLAB的车内人脸识别系统

技术领域

本发明属于图像处理技术领域，具体涉及一种基于MATLAB的车内人脸识别系统。

背景技术

众所周知，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识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别的英文名称是Human Face Recognition.人脸识别产品利用AVS03A图像处理器；可以对人脸明暗侦测,自动调整动态曝光补偿，人脸追踪侦测,自动调整影像放大。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

近年来，随着图像处理技术的快速发展并且逐步成熟，人脸识别技术也得到了广泛的应用，但是在一些特殊情况下，比如当人员位于车辆内部时，由于受到天气、玻璃的影响，光照强度不足，人脸拍摄角度的问题，进而会给人脸识别带来一定的严峻挑战，因此，设计开发一种基于MATLAB的车内人脸识别系统显得是尤为重要。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种基于MATLAB的车内人脸识别系统，该车内人脸识别系统能够对车内人脸进行有效的识别。

本发明的目的是提供一种基于MATLAB的车内人脸识别系统，至少包括：

网络训练模块，针对于每个目标人物，所述网络训练模块首先将人脸图片划分为训练集和测试集，随后将人脸图片进行预处理，然后对每幅人脸图片进行人脸检测，进而得到含有最小矩形框的人脸；最后将全部人脸图片进行特征提取，进行上百次迭代训练，输出训练好的卷积神经网络并进行保存；

人脸识别模块，首先通过MATLAB的人机对话模块接收图片，所述图片为包含有车内人物头像信息的原始图片；随后对所述原始图片进行人脸检测处理，若没有检测到人脸，则弹出提示标识；若存在人脸，则将原始图片送到卷积神经网络传播，输出具体确定属于某一个人，显示该人员的数据库信息。

进一步：所述网络训练模块包括人脸检测模块，该人脸检测模块包括级联分类器和深度学习小目标检测模块。

进一步：所述级联分类器通过Haar特征来进行人脸检测，首先选择样本的尺寸，接着将每一个模板都遍历待检测图片的每一个窗口，找寻并计算haar特征，同时将所有的haar特征进行检测，按照区分度挑选出识别率大于百分之50的窗口作为弱分类器；然后进行Adaboost强分类器将分类器进行加权，最后获得286个强分类器，选择前200个分类器形成级联分类器，进行人脸检测；在检测时，将200个强分类器分为7组，1-2分类器为第一组，3-12分类器为第二组，13-20分类器为第三组，21-40分类器为第四组，41-70为第五组，71-150为第六组，151-200为第七组，每个分类器都包含着haar特征的位置，模板尺寸，阈值权值等，一共12个参数。

进一步：所述样本的尺寸为19*19。

进一步：所述深度学习小目标检测模块先将待检测图片进行预处理，然后分别按照0.25倍、0.5倍、1倍、

倍，2倍构造图像金字塔。

进一步：将经过人脸检测的图片分配到三个文件夹内，每个文件夹共500张图片，选择450张作为训练集，50张作为测试集，将人脸图片经过三到四次的卷积，激活，池化，然后通过卷积处理得到全连接，随后在转化为25*1的列向量，最后计算输出概率3*1列向量。

本发明具有的优点和积极效果是：

通过采用上述技术方案，本发明利用MATLAB平台搭建图像识别系统，基于MATLAB强大的数据处理功能，采用合理的图像处理流程，最终实现对车内人脸的快速准确识别。

附图说明

图1为本发明优选实施例的流程图；

图2为采集到的一组司机原始照片；

图3为级联分类器模块之前的图片；

图4为级联分类器模块之后人脸检测的结果图片；

图5为小目标检测之前的图片；

图6为小目标检测之后人脸检测的结果图片；

图7为本发明优选实施例中卷积神经网络人脸识别流程图；

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

一种基于MATLAB的车内人脸识别系统，包括：网络训练模块和人脸识别模块；

如图1所示，在网络训练模块，我们先采集到大量的司机人脸图片集(比如，每个人采集200张，采集两个人)，然后将图片分为训练集和测试集，其中训练集为170张，测试集为30张。接下来将采集到的图片先进行预处理得到干扰较小的图像，然后将每幅处理好的图片进行人脸检测得到含有最小矩形框的人脸。最后将所有的人脸通过卷积神经网络进行特征提取，进行几百次迭代训练输出训练好的网络并保存起来。

人脸识别模块主要功能是识别人脸并输出该人脸的姓名信息。首先随机从数据库选择一张或者matlab调用摄像头实时采集人脸，将人脸图片进行人脸检测处理，若没有检测到人脸此时将输出“请重新输入”，若存在人脸将其送到卷积神经网络传播输出具体确定属于某一个人，显示该人员的数据库信息。

上述优选实施例的工作原理为：

首先数据训练：

在货车前玻璃前进行拍摄，比如采用手机摄像头进行数据集采集，并根据目标司机的不同，将司机的照片分别保存到各自的文件夹中；请参阅图2；

然后进行人脸检测；

在拍摄到的数据集中，大多数司机图片是人脸区域尺寸大于50*50，有遮挡，但人脸相对清晰，可以快速的通过级联分类器将司机人脸框出来，但是数据集中仍存在一部分目标区域较小，灰度与周围背景基本相同通过级联分类器无法识别，针对无法用级联分类器检测出的图片，需要采用深度学习小目标检测提出的理论进行人脸识别。。

在级联分类器模块，通过Haar特征来进行人脸检测，首先选择样本的尺寸，比如19*19，接着将每一个模板都遍历待检测图片的每一个窗口，找寻并计算haar特征，同时将所有的haar特征进行检测按照区分度挑选出识别率大于百分之50的窗口作为弱分类器，

HAAR特征，类似于一个矩形，通过矩形左边像素值大小减去右边矩形像素值得到的数值，作为一类特征，其在检测人的眼睛部位是一个较好的特征。

针对人脸识别，其本质是一种分类任务，即输出若干个概率，输出最大的概率哪一类即为目标。针对分类任务，现在应用结果最好的为CNN(卷积神经网络)，它由卷积层、池化层、全连接层、dropout等，而主要在卷积层进行特征的提取，由于网络训练是一个参数不断优化的过程，所以提取的特征也是随着卷积核变化的，即自动进行提取特征(不断找寻识别的最佳特征)。

考虑到此项目没有公开数据集，所以此次需要独立采集数据集，比如采集n个人物的m张车内人脸图像，采用0.7 0.1 0.2分配训练集验证集和测试集。考虑到采集到的图像大小，将其尺寸通过图形处理为28*28，同时考虑到模型的泛化性和加快收敛速度，将其进行归一化。Batchsize为72张(一次进行训练的张数，不同的大小可能会影响识别率)，采用800次迭代，sgd(随机梯度下降)进行模型优化。模型选用简单的卷积网络，先进行5*5的卷积核卷积，得到32个featuremap，然后进行最大池化(步长为2，大小是2*2，不同参数对于识别率有影响)，然后进行激活函数激活，然后64个3*3卷积核进行卷积，最大池化激活函数，得到64个feature map，将其进行展开，全连接，然后节点为24的全连接，最后为n个输出节点的全连接。识别精度在99.00％左右。

通过上述进行弱分类器训练，然后进行Adaboost强分类器将分类器进行加权，最后大致获得286个强分类器，选择前200个分类器形成级联分类器，进行人脸检测。在检测时，将200个强分类器，将其分为7组，1-2分类器为第一组，3-12分类器为第二组，13-20分类器为第三组，21-40分类器为第四组，41-70为第五组，71-150为第六组，151-200为第七组，每个分类器都包含着haar特征的位置，模板尺寸，阈值权值等，一共12个参数，如下表1。

表1,参数表

第一行是第一个强分类器相关参数，第二行是第二个强分类器相关参数；

第一行从左向右分别代表了，haar模板的类型，像素的宽和高的位置，haar特征的尺寸，正确率，检测率，非检测率，haar特征的两个阈值，错误率，该分类器的阈值。在检测时，待检测图片每个区域必须依次通过分类器，最终确定为人脸区域。由于一幅24*24图片的haar特征就有16万至多，将3000张人脸图片和三千张非人脸图片均计算一次，就有9.6亿的数据，同时还需要将haar特征训练处理比较获得最佳阈值最佳分类器，在采用2.3Ghz的电脑训练就需要48小时以上，考虑到时间成本因此采了matlab自带的haar特征分类器训练分类器，并进行检测；效果如图3和图4；

小目标检测：

在检测中大多数图片仅可以由AdaBoost算法检测成功，但是仍存在部分图片人脸区域不明显目标较小，导致无法检测，将这种数据集通过小目标检测算法进行检测。在检测中，先将待检测图片进行预处理，然后分别按照0.25倍、0.5倍、1倍、

倍，2倍构造图像金字塔。由于小目标的卷积神经网络层数较多训练需要用GPU,训练时间大约3-4天，因此本设计不在训练，仅仅从网上调用下载好的网络模型RESNET-101，进行模型微调即可使用大大节省了实验时间。

调用网络模型，构建图片金字塔实现代码如下：

for s＝2.^scales

img＝imresize(raw_img,s,'bilinear')；

将金字塔每一张图片分别进行卷积神经网络前向传播，并采用R-CNN或者YOLO算法输出25种模板，由于此次是检测经过级联分类器未检测到的目标，我们采用5-12和19-25的模板，融合最终若干个矩形框。效果如图5和图6；

卷积神经网络人脸识别：

将经过人脸检测的图片分配到文件夹内，一共三个文件夹，每个文件夹共500张图片，选择450张作为训练集，50张作为测试集，将人脸图片经过三到四次的卷积，激活，池化，然后通过卷积处理得到全连接，然后在转化为25*1的列向量，最后计算输出概率3*1列向量，具体实现流程图如图7。

将经过卷积网络训练好的网络保存为,mat文件，进行人脸识别加载即可。从数据库调取一张图片，进行神经网络前向传导，选择概率最大的那个即作为该图片属于某个人的姓名信息。使用时，仅仅需要，单击运行即可(户外可实时循环)，通过计算即可输出输入该人脸的基本信息。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (6)

1.一种基于MATLAB的车内人脸识别系统，其特征在于：至少包括：

网络训练模块，针对于每个目标人物，所述网络训练模块首先将人脸图片划分为训练集和测试集，随后将人脸图片进行预处理，然后对每幅人脸图片进行人脸检测，进而得到含有最小矩形框的人脸；最后将全部人脸图片进行特征提取，进行上百次迭代训练，输出训练好的卷积神经网络并进行保存；

人脸识别模块，首先通过MATLAB的人机对话模块接收图片，所述图片为包含有车内人物头像信息的原始图片；随后对所述原始图片进行人脸检测处理，若没有检测到人脸，则弹出提示标识；若存在人脸，则将原始图片送到卷积神经网络传播，输出具体确定属于某一个人，显示该人员的数据库信息。

2.根据权利要求1所述的基于MATLAB的车内人脸识别系统，其特征在于：所述网络训练模块包括人脸检测模块，该人脸检测模块包括级联分类器和深度学习小目标检测模块。

3.根据权利要求2所述的基于MATLAB的车内人脸识别系统，其特征在于：所述级联分类器通过Haar特征来进行人脸检测，首先选择样本的尺寸，接着将每一个模板都遍历待检测图片的每一个窗口，找寻并计算haar特征，同时将所有的haar特征进行检测，按照区分度挑选出识别率大于百分之50的窗口作为弱分类器；然后进行Adaboost强分类器将分类器进行加权，最后获得286个强分类器，选择前200个分类器形成级联分类器，进行人脸检测；在检测时，将200个强分类器分为7组，1-2分类器为第一组，3-12分类器为第二组，13-20分类器为第三组，21-40分类器为第四组，41-70为第五组，71-150为第六组，151-200为第七组，每个分类器都包含着haar特征的位置，模板尺寸，阈值权值等，一共12个参数。

4.根据权利要求3所述的基于MATLAB的车内人脸识别系统，其特征在于：所述样本的尺寸为19*19。

5.根据权利要求2所述的基于MATLAB的车内人脸识别系统，其特征在于：所述深度学习小目标检测模块先将待检测图片进行预处理，然后分别按照0.25倍、0.5倍、1倍、

倍，2倍构造图像金字塔。

6.根据权利要求1所述的基于MATLAB的车内人脸识别系统，其特征在于：将经过人脸检测的图片分配到三个文件夹内，每个文件夹共500张图片，选择450张作为训练集，50张作为测试集，将人脸图片经过三到四次的卷积，激活，池化，然后通过卷积处理得到全连接，随后在转化为25*1的列向量，最后计算输出概率3*1列向量。

Images