CN111476175B - 适用于老年人脸比对的自适应拓扑图匹配方法及系统 - Google Patents
适用于老年人脸比对的自适应拓扑图匹配方法及系统 Download PDFInfo
- Publication number
- CN111476175B CN111476175B CN202010273876.9A CN202010273876A CN111476175B CN 111476175 B CN111476175 B CN 111476175B CN 202010273876 A CN202010273876 A CN 202010273876A CN 111476175 B CN111476175 B CN 111476175B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- topological graph
- graph
- adaptive
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 238000009499 grossing Methods 0.000 claims abstract description 27
- 230000001815 facial effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 210000000887 face Anatomy 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000019557 luminance Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (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)
Abstract
本发明揭示了一种适用于老年人脸比对的自适应拓扑图匹配方法及系统,所述方法包括:步骤S1、获取图像信息;步骤S2、图像预处理步骤;包括光线补偿步骤、灰度转化步骤、高斯平滑步骤;步骤S3、人脸定位步骤,标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;步骤S4、在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值;步骤S5、人脸识别步骤;通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析。本发明提出的适用于老年人脸比对的自适应拓扑图匹配方法及系统,可提高人脸识别的准确性和鲁棒性。
Description
技术领域
本发明属于人脸识别技术领域,涉及一种人脸识别系统,尤其涉及一种适用于老年人脸比对的自适应拓扑图匹配方法及系统。
背景技术
人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一,同时也具有较为广泛的应用意义。人脸识别技术是一个非常活跃的研究领域,它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。
如今,虽然在这方面的研究已取得了很多成果,但是实用应用中仍面临着很多问题,尤其是老年人的人脸识别。和常规人群相比,老年人采集的人脸图片具有特殊的困难,主要原因在于:(1)老年人的面部退化。例如很多老年人的双眼都眯起来了,提取眼部特征的难度要大很多。(2)老年人有时无法配合采集,老年人通常反应迟缓,有些老年人常年卧床,无法配合采集,姿态,光照确实很差。如何能正确识别老年人并满足实时性要求是迫切需要解决的问题。
有鉴于此,如今迫切需要设计一种新的人脸识别方式,以便克服现有人脸识别方式存在的上述至少部分缺陷。
发明内容
本发明提供一种适用于老年人脸比对的自适应拓扑图匹配方法及系统,可提高人脸识别的准确性和鲁棒性。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种适用于老年人脸比对的自适应拓扑图匹配方法,所述方法包括:
步骤S1、获取图像信息;
步骤S2、图像预处理步骤;包括光线补偿步骤、灰度转化步骤、高斯平滑步骤;
步骤S21、光线补偿步骤;抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度按照设定顺序进行排列,取亮度高于设定值的设定范围的像素,然后线性放大,使这些像素的平均亮度达到设定值;
步骤S22、灰度转化步骤;将图像变成灰色,将彩色转换成灰度,对灰度进行比例变换,灰度线性变换,灰度线性截断,灰度取反;
步骤S23、平滑步骤;对经过所述灰度转化步骤灰度转化后的图像进行平滑处理;
步骤S3、人脸定位步骤,标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;
步骤S4、在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值;
构建拓扑图的拉普拉斯矩阵,将人脸映射到图G=(V,E),其中V是图的顶点集合,E是图的边集合;则其Laplacian矩阵的定义为Laplacian=D-A;其中,D是顶点的度矩阵、即对角矩阵,对角线上元素依次为各个顶点的度,A是图的邻接矩阵;
分解图谱;拉普拉斯矩阵是半正定对称矩阵,根据矩阵特征值定理,存在线性无关的特征向量;取这N个特征向量作为人脸的特征;
步骤S5、人脸识别步骤;通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析;如果分析在所确认的范围内,则认为该人即为寻找标的;然后从库存中提取出该人相关的信息,并显示出来;如果库存中没有,则给出提示是否对存库作为样本。
作为本发明的一种实施方式,步骤S21中,将整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255;步骤S21包括调整图片像素的RGB值。
作为本发明的一种实施方式,步骤S23中,对经过所述灰度转化步骤灰度转化后的图像进行高斯平滑处理。
作为本发明的一种实施方式,步骤S4中,在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,其记录人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
作为本发明的一种实施方式,步骤S5中,利用该方法进行人脸识别时,同时考虑节点特征向量匹配和相对几何位置匹配;在待识别人脸图像上扫描拓扑图结构并提取相应节点特征向量,把不同位置的拓扑图和库中人脸模式的拓扑图之间的距离作为相似性度量;此外,用一个能量函数来评价待识别人脸图像向量场和库中已知人脸向量场间的匹配度,即最小能量函数时的匹配;
保留人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gabor变换描述。
根据本发明的另一个方面,采用如下技术方案:
一种适用于老年人脸比对的自适应拓扑图匹配系统,所述系统包括:图像获取模块、图像预处理模块、人脸定位模块、自适应特征提取模块及人脸识别模块;
所述图像获取模块用以获取图像信息;
所述图像预处理模块用以对获取的图像信息进行预处理;所述图像预处理模块包括光线补偿单元、灰度转化单元及平滑单元;
所述光线补偿单元用以抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度按照设定顺序进行排列,取亮度高于设定值的设定范围的像素,然后线性放大,使这些像素的平均亮度达到设定值;
所述灰度转化单元用以将图像变成灰色,将彩色转换成灰度,对灰度进行比例变换,灰度线性变换,灰度线性截断,灰度取反;
所述平滑单元用以对经过所述灰度转化单元灰度转化后的图像进行平滑处理;
所述人脸定位模块用以标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;
所述自适应特征提取模块用以在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值;
所述自适应特征提取模块用以构建拓扑图的拉普拉斯矩阵,将人脸映射到图G=(V,E),其中V是图的顶点集合,E是图的边集合;则其Laplacian矩阵的定义为Laplacian=D-A;其中D是顶点的度矩阵、即对角矩阵,对角线上元素依次为各个顶点的度,A是图的邻接矩阵;
所述自适应特征提取模块用以分解图谱;拉普拉斯矩阵是半正定对称矩阵,根据矩阵特征值定理,一定有个线性无关的特征向量;取这N个特征向量作为人脸的特征;
所述人脸识别模块用以通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析;如果分析在所确认的范围内,则认为该人即为寻找标的;然后从库存中提取出该人相关的信息,并显示出来;如果库存中没有,则给出提示是否对存库作为样本。
作为本发明的一种实施方式,所述光线补偿单元用以将整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255。
作为本发明的一种实施方式,所述光线补偿单元用以调整图片像素的RGB值。
作为本发明的一种实施方式,所述平滑单元用以对经过所述灰度转化单元灰度转化后的图像进行高斯平滑处理。
作为本发明的一种实施方式,所述自适应特征提取模块用以在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,其记录人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
作为本发明的一种实施方式,所述人脸识别模块用以在进行人脸识别时,同时考虑节点特征向量匹配和相对几何位置匹配;在待识别人脸图像上扫描拓扑图结构并提取相应节点特征向量,把不同位置的拓扑图和库中人脸模式的拓扑图之间的距离作为相似性度量;此外,用一个能量函数来评价待识别人脸图像向量场和库中已知人脸向量场间的匹配度,即最小能量函数时的匹配;
保留人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gabor(Gabor特征是一种可以用来描述图像纹理信息的特征,Gabor滤波器的频率和方向与人类的视觉系统类似,特别适合于纹理表示与判别。)变换描述。
本发明的有益效果在于:本发明提出的适用于老年人脸比对的自适应拓扑图匹配方法及系统,采用自适应拓扑图匹配法,人脸比对的准确性和鲁棒性较好。同时,本发明能降低老年人脸表情、姿态的影响,在比对中判断出了人脸的真实性,使得跟踪和比对准确性、精度和鲁棒性更高。本发明无需用户配合,适应性好;该发明无需额外设备,使用成本低。
附图说明
图1为本发明一实施例中自适应拓扑图匹配方法的流程图。
图2为本发明一实施例中自适应拓扑图匹配系统的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
本发明揭示了一种适用于老年人脸比对的自适应拓扑图匹配方法,图1为本发明一实施例中自适应拓扑图匹配方法的流程图;请参阅图1,所述方法包括:
【步骤S1】获取图像信息;
【步骤S2】图像预处理步骤;包括光线补偿步骤、灰度转化步骤、高斯平滑步骤;
步骤S21、光线补偿步骤;抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度按照设定顺序进行排列,取亮度高于设定值的设定范围的像素,然后线性放大,使这些像素的平均亮度达到设定值。在本发明的一实施例中,将整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255。本步骤实际上是调整图片像素的RGB值;
步骤S22、灰度转化步骤;将图像变成灰色,将彩色转换成灰度,对灰度进行比例变换,灰度线性变换,灰度线性截断,灰度取反。
步骤S23、平滑步骤;对经过所述灰度转化步骤灰度转化后的图像进行平滑处理。
在图像的采集过程中,由于各种因素的影响,图像中往往会出现一些不规则的随机噪声,如数据在传输、存储时发生的数据丢失和损坏等,这些都会影响图像的质量,因此需要将图片进行平滑操作以此来消除噪声。但是如果平滑不当,就会丢失图像本身的细节如边界轮廓、线条等。老年人脸相对于年轻人,皱纹,斑点等更多,也就是说细节更为丰富。为了既平滑掉噪声,又尽量保持图像细节,在本发明的一实施例中,采用高斯平滑,可以保留老年人脸部的各种细节。
【步骤S3】人脸定位步骤,标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;
【步骤S4】在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值。
构建拓扑图的拉普拉斯矩阵,将人脸映射到图G=(V,E),其中V是图的顶点集合,E是图的边集合;则其Laplacian矩阵的定义为Laplacian=D-A;其中,D是顶点的度矩阵、即对角矩阵,对角线上元素依次为各个顶点的度,A是图的邻接矩阵。
分解图谱;拉普拉斯矩阵是半正定对称矩阵,根据矩阵特征值定理,存在线性无关的特征向量;取这N个特征向量作为人脸的特征。
在本发明的一实施例中,在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,其记录人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
【步骤S5】人脸识别步骤;通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析;如果分析在所确认的范围内,则认为该人即为寻找标的;然后从库存中提取出该人相关的信息,并显示出来;如果库存中没有,则给出提示是否对存库作为样本。
在本发明的一实施例中,步骤S5中,利用该方法进行人脸识别时,同时考虑节点特征向量匹配和相对几何位置匹配;在待识别人脸图像上扫描拓扑图结构并提取相应节点特征向量,把不同位置的拓扑图和库中人脸模式的拓扑图之间的距离作为相似性度量;此外,用一个能量函数来评价待识别人脸图像向量场和库中已知人脸向量场间的匹配度,即最小能量函数时的匹配。保留人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gabor变换描述。
本发明还揭示一种适用于老年人脸比对的自适应拓扑图匹配系统,图2为本发明一实施例中自适应拓扑图匹配系统的组成示意图;请参阅图2,所述系统包括:图像获取模块1、图像预处理模块2、人脸定位模块3、自适应特征提取模块4及人脸识别模块5。
所述图像获取模块1用以获取图像信息;
所述图像预处理模块2用以对获取的图像信息进行预处理;所述图像预处理模块2包括光线补偿单元21、灰度转化单元22及高斯平滑单元23。
所述光线补偿单元21用以抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度按照设定顺序进行排列,取亮度高于设定值的设定范围的像素,然后线性放大,使这些像素的平均亮度达到设定值;
在本发明的一实施例中,所述光线补偿单元21用以将整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255。所述光线补偿单元21用以调整图片像素的RGB值。
所述灰度转化22用以将图像变成灰色,将彩色转换成灰度,对灰度进行比例变换,灰度线性变换,灰度线性截断,灰度取反。
所述高斯平滑单元23用以对经过所述灰度转化单元灰度转化后的图像进行高斯平滑处理。当然,也可以采用其他平滑处理方式。
所述人脸定位模块3用以标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;
所述自适应特征提取模块4用以在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值;
所述自适应特征提取模块4用以构建拓扑图的拉普拉斯矩阵,将人脸映射到图G=(V,E),其中V是图的顶点集合,E是图的边集合;则其Laplacian矩阵的定义为Laplacian=D-A;其中D是顶点的度矩阵、即对角矩阵,对角线上元素依次为各个顶点的度,A是图的邻接矩阵;
所述自适应特征提取模块4用以分解图谱;拉普拉斯矩阵是半正定对称矩阵,根据矩阵特征值定理,一定有个线性无关的特征向量;取这N个特征向量作为人脸的特征;
在本发明的一实施例中,所述自适应特征提取模块用以在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,其记录人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
所述人脸识别模块5用以通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析;如果分析在所确认的范围内,则认为该人即为寻找标的;然后从库存中提取出该人相关的信息,并显示出来;如果库存中没有,则给出提示是否对存库作为样本。
在本发明的一实施例中,所述人脸识别模块用以在进行人脸识别时,同时考虑节点特征向量匹配和相对几何位置匹配;在待识别人脸图像上扫描拓扑图结构并提取相应节点特征向量,把不同位置的拓扑图和库中人脸模式的拓扑图之间的距离作为相似性度量;此外,用一个能量函数来评价待识别人脸图像向量场和库中已知人脸向量场间的匹配度,即最小能量函数时的匹配。保留人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gabor(Gabor特征是一种可以用来描述图像纹理信息的特征,Gabor滤波器的频率和方向与人类的视觉系统类似,特别适合于纹理表示与判别)变换描述。
综上所述,本发明提出的适用于老年人脸比对的自适应拓扑图匹配方法及系统,采用自适应拓扑图匹配法,人脸比对的准确性和鲁棒性较好。同时,本发明能降低老年人脸表情、姿态的影响,在比对中判断出了人脸的真实性,使得跟踪和比对准确性、精度和鲁棒性更高。本发明无需用户配合,适应性好;该发明无需额外设备,使用成本低。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种适用于老年人脸比对的自适应拓扑图匹配方法,其特征在于,所述方法包括:
步骤S1、获取图像信息;
步骤S2、图像预处理步骤;包括光线补偿步骤、灰度转化步骤、高斯平滑步骤;
步骤S21、光线补偿步骤;抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度按照设定顺序进行排列,取亮度高于设定值的设定范围的像素,然后线性放大,使这些像素的平均亮度达到设定值;
步骤S22、灰度转化步骤;将图像变成灰色,将彩色转换成灰度,对灰度进行比例变换,灰度线性变换,灰度线性截断,灰度取反;
步骤S23、平滑步骤;对经过所述灰度转化步骤灰度转化后的图像进行平滑处理;
步骤S3、人脸定位步骤,标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;
步骤S4、在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值;
构建拓扑图的拉普拉斯矩阵,将人脸映射到图G=(V,E),其中V是图的顶点集合,E是图的边集合;则其Laplacian矩阵的定义为Laplacian=D-A;其中,D是顶点的度矩阵、即对角矩阵,对角线上元素依次为各个顶点的度,A是图的邻接矩阵;
分解图谱;拉普拉斯矩阵是半正定对称矩阵,根据矩阵特征值定理,存在线性无关的特征向量;取这N个特征向量作为人脸的特征;
步骤S5、人脸识别步骤;通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析;如果分析在所确认的范围内,则认为该人即为寻找标的;然后从库存中提取出该人相关的信息,并显示出来;如果库存中没有,则给出提示是否对存库作为样本。
2.根据权利要求1所述的适用于老年人脸比对的自适应拓扑图匹配方法,其特征在于:
步骤S21中,将整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255;步骤S21包括调整图片像素的RGB值。
3.根据权利要求1所述的适用于老年人脸比对的自适应拓扑图匹配方法,其特征在于:
步骤S23中,对经过所述灰度转化步骤灰度转化后的图像进行高斯平滑处理。
4.根据权利要求1所述的适用于老年人脸比对的自适应拓扑图匹配方法,其特征在于:
步骤S4中,在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,其记录人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
5.根据权利要求1所述的适用于老年人脸比对的自适应拓扑图匹配方法,其特征在于:
步骤S5中,利用该方法进行人脸识别时,同时考虑节点特征向量匹配和相对几何位置匹配;在待识别人脸图像上扫描拓扑图结构并提取相应节点特征向量,把不同位置的拓扑图和库中人脸模式的拓扑图之间的距离作为相似性度量;此外,用一个能量函数来评价待识别人脸图像向量场和库中已知人脸向量场间的匹配度,即最小能量函数时的匹配;
保留人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gabor变换描述。
6.一种适用于老年人脸比对的自适应拓扑图匹配系统,其特征在于,所述系统包括:图像获取模块、图像预处理模块、人脸定位模块、自适应特征提取模块及人脸识别模块;
所述图像获取模块用以获取图像信息;
所述图像预处理模块用以对获取的图像信息进行预处理;所述图像预处理模块包括光线补偿单元、灰度转化单元及平滑单元;
所述光线补偿单元用以抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度按照设定顺序进行排列,取亮度高于设定值的设定范围的像素,然后线性放大,使这些像素的平均亮度达到设定值;
所述灰度转化单元用以将图像变成灰色,将彩色转换成灰度,对灰度进行比例变换,灰度线性变换,灰度线性截断,灰度取反;
所述平滑单元用以对经过所述灰度转化单元灰度转化后的图像进行平滑处理;
所述人脸定位模块用以标记设定脸部特征,所述设定脸部特征包括眼睛、鼻尖、嘴唇;
所述自适应特征提取模块用以在所述人脸定位模块定位后的人脸图片中提取特征;提取的特征包括总体特征以及双眼部位、鼻子部位、嘴巴部位这些关键部位的特征值;
所述自适应特征提取模块用以构建拓扑图的拉普拉斯矩阵,将人脸映射到图G=(V,E),其中V是图的顶点集合,E是图的边集合;则其Laplacian矩阵的定义为Laplacian=D-A;
其中D是顶点的度矩阵、即对角矩阵,对角线上元素依次为各个顶点的度,A是图的邻接矩阵;
所述自适应特征提取模块用以分解图谱;拉普拉斯矩阵是半正定对称矩阵,根据矩阵特征值定理,一定有个线性无关的特征向量;取这N个特征向量作为人脸的特征;
所述人脸识别模块用以通过与库存中的特征向量进行比较,找出与特征最相近的参数,再对该参数进一步分析;如果分析在所确认的范围内,则认为该人即为寻找标的;然后从库存中提取出该人相关的信息,并显示出来;如果库存中没有,则给出提示是否对存库作为样本。
7.根据权利要求6所述的适用于老年人脸比对的自适应拓扑图匹配系统,其特征在于:
所述光线补偿单元用以将整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255;所述光线补偿单元用以调整图片像素的RGB值。
8.根据权利要求6所述的适用于老年人脸比对的自适应拓扑图匹配系统,其特征在于:
所述平滑单元用以对经过所述灰度转化单元灰度转化后的图像进行高斯平滑处理。
9.根据权利要求6所述的适用于老年人脸比对的自适应拓扑图匹配系统,其特征在于:
所述自适应特征提取模块用以在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,其记录人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
10.根据权利要求6所述的适用于老年人脸比对的自适应拓扑图匹配系统,其特征在于:
所述人脸识别模块用以在进行人脸识别时,同时考虑节点特征向量匹配和相对几何位置匹配;在待识别人脸图像上扫描拓扑图结构并提取相应节点特征向量,把不同位置的拓扑图和库中人脸模式的拓扑图之间的距离作为相似性度量;此外,用一个能量函数来评价待识别人脸图像向量场和库中已知人脸向量场间的匹配度,即最小能量函数时的匹配;
保留人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gabor变换描述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273876.9A CN111476175B (zh) | 2020-04-09 | 2020-04-09 | 适用于老年人脸比对的自适应拓扑图匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273876.9A CN111476175B (zh) | 2020-04-09 | 2020-04-09 | 适用于老年人脸比对的自适应拓扑图匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476175A CN111476175A (zh) | 2020-07-31 |
CN111476175B true CN111476175B (zh) | 2023-03-31 |
Family
ID=71751383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010273876.9A Active CN111476175B (zh) | 2020-04-09 | 2020-04-09 | 适用于老年人脸比对的自适应拓扑图匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476175B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053023B (zh) * | 2021-03-16 | 2022-08-05 | 广东便捷神科技股份有限公司 | 一种基于人工智能技术的无人售货机 |
CN113435274A (zh) * | 2021-06-15 | 2021-09-24 | 深圳市综合交通设计研究院有限公司 | 一种综合交通枢纽非法拉客人员识别分析算法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902958A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 人脸识别的方法 |
CN103489011A (zh) * | 2013-09-16 | 2014-01-01 | 广东工业大学 | 一种具有拓扑鲁棒性的三维人脸识别方法 |
CN104598878A (zh) * | 2015-01-07 | 2015-05-06 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
-
2020
- 2020-04-09 CN CN202010273876.9A patent/CN111476175B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111476175A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469113B (zh) | 一种二维视频流中的人体骨骼点追踪方法及系统 | |
US7035461B2 (en) | Method for detecting objects in digital images | |
US6895103B2 (en) | Method for automatically locating eyes in an image | |
US7711156B2 (en) | Apparatus and method for generating shape model of object and apparatus and method for automatically searching for feature points of object employing the same | |
US6792134B2 (en) | Multi-mode digital image processing method for detecting eyes | |
US7072523B2 (en) | System and method for fingerprint image enhancement using partitioned least-squared filters | |
Luengo-Oroz et al. | Robust iris segmentation on uncalibrated noisy images using mathematical morphology | |
CN106570486A (zh) | 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法 | |
US20030021448A1 (en) | Method for detecting eye and mouth positions in a digital image | |
CN104732200B (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
CN111476175B (zh) | 适用于老年人脸比对的自适应拓扑图匹配方法及系统 | |
CN110348263A (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
CN116071271B (zh) | 一种用于平板电脑的图像捕获的分析方法 | |
CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN115937085B (zh) | 一种基于神经网络学习的核性白内障图像处理方法 | |
Peres et al. | Automatic segmentation of digital images applied in cardiac medical images | |
CN113487578B (zh) | 一种基于双边加权核图割的sar图像变化检测方法 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
CN111401275B (zh) | 一种用于识别草地边缘的信息处理方法和装置 | |
CN110245590B (zh) | 一种基于皮肤图像检测的产品推荐方法及系统 | |
CN113807229A (zh) | 智慧教室非接触式考勤装置、方法、设备及存储介质 | |
JP3569641B2 (ja) | 画像中の物体の検出装置、方法およびこの方法を記録した記録媒体 | |
Lira et al. | A supervised contextual classifier based on a region-growth algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |