CN113177489B - 一种安防监控用高精度人像识别方法及系统 - Google Patents

一种安防监控用高精度人像识别方法及系统 Download PDF

Info

Publication number
CN113177489B
CN113177489B CN202110495724.8A CN202110495724A CN113177489B CN 113177489 B CN113177489 B CN 113177489B CN 202110495724 A CN202110495724 A CN 202110495724A CN 113177489 B CN113177489 B CN 113177489B
Authority
CN
China
Prior art keywords
face
data
feature
analysis
value
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
Application number
CN202110495724.8A
Other languages
English (en)
Other versions
CN113177489A (zh
Inventor
唐平麟
宋克强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ela Iot Network Shenzhen Co Ltd
Original Assignee
Ela Iot Network Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ela Iot Network Shenzhen Co Ltd filed Critical Ela Iot Network Shenzhen Co Ltd
Priority to CN202110495724.8A priority Critical patent/CN113177489B/zh
Publication of CN113177489A publication Critical patent/CN113177489A/zh
Application granted granted Critical
Publication of CN113177489B publication Critical patent/CN113177489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/168—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
    • 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
    • G06V40/172—Classification, e.g. identification

Abstract

本发明公开了一种安防监控用高精度人像识别方法，通过采集人脸图像集并进行预处理操作，得到人脸处理集；通过对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；通过对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；将分析集与数据库中预存的分析数据进行匹配，得到分析结果；本发明还公开了一种安防监控用高精度人像识别系统；本发明公开的各个方面解决了现有方案中不能对采集的人像信息进行实时分析并进行二次处理验证来克服外部环境对识别的影响，导致识别的精度不佳的技术问题。

Description

一种安防监控用高精度人像识别方法及系统
技术领域
本发明涉及人像识别技术领域，尤其涉及一种安防监控用高精度人像识别方法及系统。
背景技术
安防监控系统是应用光纤、同轴电缆或微波在其闭合的环路内传输视频信号，并从摄像到图像显示和记录构成独立完整的系统；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；传统的人脸识别技术主要是基于可见光图像的人脸识别，但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。
现有的安防监控用高精度人像识别方法存在的缺陷包括：不能对采集的人像信息进行实时分析并进行二次处理验证来克服外部环境对识别的影响，导致识别的精度不佳的问题。
发明内容
本发明的目的在于提供一种安防监控用高精度人像识别方法及系统，其主要目的在于解决不能对采集的人像信息进行实时分析并进行二次处理验证来克服外部环境对识别的影响，导致识别的精度不佳的技术问题。
本发明的目的可以通过以下技术方法实现：一种安防监控用高精度人像识别方法，具体的步骤包括：
S1：采集人脸图像集并进行预处理操作，得到人脸处理集；
S2：对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；
S3：对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；
S4：将分析集与数据库中预存的分析数据进行匹配，得到分析结果。
进一步地，采集人脸图像集并进行预处理操作，得到人脸处理集的具体步骤包括：
S21：获取人脸图像集中的原始图像，根据预设的裁减尺寸对原始图像进行裁减，得到裁减图像；
S22：对裁减图像进行灰度校正，得到第一处理图像，对第一处理图像进行噪声过滤，得到第二处理图像；
S23：将若干个第二处理图像组合，得到人脸处理集。
进一步地，对人脸处理集进行特征提取，得到人脸提取集的具体步骤包括：
S31：获取人脸处理集中的若干个第二处理图像，获取第二处理图像中的眼睛数据、鼻子数据、嘴巴数据、眉毛数据和尺寸数据；
S32：以脸部最下端的中心处为圆心以及预设的距离为半径建立坐标系，将眼睛数据中的眼睛类型标记为YJLi,i＝1,2...n；设定不同的眼睛类型均对应一个不同的眼类预设值，将标记的眼睛类型与所有的眼睛类型进行匹配获取对应的眼类预设值并标记为YLYi,i＝1,2...n；将眼睛数据中的眼睛宽度标记为YKi,i＝1,2...n；将眼睛数据中的眼睛长度标记为YCi,i＝1,2...n；将标记的眼睛类型、眼类预设值、眼睛宽度和眼睛长度进行组合，得到眼睛处理数据；
S33：将鼻子数据中的鼻子长度标记为BCi,i＝1,2...n；将鼻子数据中的鼻子宽度标记为BKi,i＝1,2...n；将鼻子数据中的鼻孔面积标记为BMi,i＝1,2...n；将鼻子数据中的鼻子高度标记为BGi,i＝1,2...n；将标记的鼻子长度、鼻子宽度、鼻孔面积和鼻子高度组合，得到鼻子处理数据；
S34：将嘴巴数据中的嘴巴宽度标记为ZKi,i＝1,2...n；将嘴巴数据中的嘴巴长度标记为ZCi,i＝1,2...n；将嘴巴数据中的上嘴唇厚度标记为SZHi,i＝1,2...n；将嘴巴数据中的下嘴唇厚度标记为XZHi,i＝1,2...n；将标记的嘴巴宽度、嘴巴长度、上嘴唇厚度和下嘴唇厚度进行组合，得到嘴巴处理数据；
S35：将眉毛数据中的眉毛长度标记为MCi,i＝1,2...n；将眉毛数据中的眉毛宽度标记为MKi,i＝1,2...n；将标记的眉毛长度和眉毛宽度组合，得到眉毛处理数据；
S36：将尺寸数据中的脸部宽度标记为LKi,i＝1,2...n；将尺寸数据中的脸部长度标记为LCi,i＝1,2...n；将标记的脸部宽度和脸部长度组合，得到轮廓数据；
S37：获取脸部的特征标记，特征标记包含特征类型、特征坐标、特征数量和特征面积，将特征类型标记为TBi,i＝1,2...n；设定不同的特征类型均对应一个不同的特类预设值，将特征标记中的特征类型与所有的特征类型进行匹配获取对应的特类预设值并标记为TLYi,i＝1,2...n，将特征坐标标记为TZi,i＝1,2...n；将特征数量标记为TSi,i＝1,2...n；将特征面积标记为TMi,i＝1,2...n；
S38：将眼睛处理数据、鼻子处理数据、嘴巴处理数据和眉毛处理数据以及特征类型、特类预设值、特征坐标、特征数量和特征面积进行分类组合，得到特征数据，轮廓数据和特征数据构成人脸提取集。
进一步地，对人脸提取集进行分析计算，得到脸廓值和脸特值的具体步骤包括：
S41：获取标记的眼类预设值YLYi、眼睛宽度YKi和眼睛长度YCi，将标记的眼类预设值、眼睛宽度和眼睛长度进行归一化处理并取值，利用公式
Figure BDA0003054181930000041
计算获取眼部系数Qyx；其中，α表示为预设的眼部修正因子且不为零，a1和a2表示为不同的比例系数且均大于零；
S42：获取标记的鼻子长度BCi、鼻子宽度BKi、鼻孔面积BMi和鼻子高度BGi，将标记的鼻子长度、鼻子宽度、鼻孔面积和鼻子高度进行归一化处理并取值，利用公式
Figure BDA0003054181930000042
计算获取鼻部系数Qbx；其中，β表示为预设的鼻部修正因子且不为零，b1、b2、b3和b4表示为不同的比例系数且均大于零；
S43：获取标记的嘴巴宽度ZKi、嘴巴长度ZCi、上嘴唇厚度SZHi和下嘴唇厚度XZHi，将标记的嘴巴宽度、嘴巴长度、上嘴唇厚度和下嘴唇厚度进行归一化处理并取值，利用公式
Figure BDA0003054181930000043
计算获取嘴部系数Qzx；其中，χ表示为预设的嘴部修正因子且不为零，c1、c2、c3和c4表示为不同的比例系数且均大于零；
S44：获取标记的眉毛长度MCi和眉毛宽度MKi，将标记的眉毛长度和眉毛宽度进行归一化处理并取值，利用公式
Figure BDA0003054181930000044
计算获取眉部系数Qmx；其中，δ表示为预设的眉部修正因子且不为零，d1和d2表示为不同的比例系数且均大于零；
S45：获取标记的特类预设值TLYi、特征数量TSi和特征面积TMi，将标记的特类预设值、特征数量和特征面积进行归一化处理并取值，利用公式
Figure BDA0003054181930000045
计算获取特征系数Qtx；其中，ε表示为预设的特征修正因子且不为零，c1、c2和c3表示为不同的比例系数且均大于零；
S46：获取标记的脸部宽度LKi和脸部长度LCi，将标记的脸部宽度和脸部长度进行归一化处理并取值，利用公式
Figure BDA0003054181930000051
计算获取脸廓值Qlk；其中，g1、g2、g3和g4表示为不同的比例系数且均大于零；
S47：将眼部系数Qyx、鼻部系数Qbx、嘴部系数Qzx、眉部系数Qmx和特征系数Qtx带入公式计算得到脸特值Qlt，该公式为：
Figure BDA0003054181930000052
其中，f1、f2、f3、f4和f5表示为不同的比例系数且均大于零。
进一步地，对脸廓值和脸特值进行分析，得到分析集的具体步骤包括：
S51：将脸廓值和脸特值分别与预设的脸廓范围和脸特范围进行匹配；
S52：若脸廓值不属于预设的脸廓范围且脸特值不属于预设的脸特范围，则判定该人像处理后的脸廓数据和脸特数据均不合格并生成第一分析信号；若脸廓值属于预设的脸廓范围但脸特值不属于预设的脸特范围，则判定该人像处理后的脸廓数据合格但脸特数据不合格并生成第二分析信号；若脸廓值不属于预设的脸廓范围但脸特值属于预设的脸特范围，则判定该人像处理后的脸廓数据不合格但脸特数据合格并生成第三分析信号；若脸廓值属于预设的脸廓范围且脸特值属于预设的脸特范围，则判定该人像处理后的脸廓数据和脸特数据均合格并生成第四分析信号；
S53：将第一分析信号、第二分析信号、第三分析信号和第四分析信号组合，得到分析集。
进一步地，将分析集与数据库中预存的分析数据进行匹配，得到分析结果的具体步骤包括：
S61：获取分析集，若分析集中包含第一分析信号、第二分析信号或者第三分析信号，则将其对应的第二处理图像进行二次预处理以及特征提取和分析计算；
S62：若分析集中包含第四分析信号，将第四分析信号对应的脸廓值和脸特值设定为第一匹配值和第二匹配值，将第一匹配值和第二匹配值分别与数据库中预存的分析数据进行对比获取比值，将第一匹配值与分析数据不小于k％的比值且第二匹配值与分析数据不小于k％的比值对应的分析数据项设定为选中数据项；其中，分析数据包含若干个分析数据项，分析数据项包含预先存储的样本人像数据；
S63：将选中数据项中的若干个人像数据与人脸提取集进行对比得到对比数据集，将对比数据集中所有不小于k+z％的比值对应的人像设定为匹配人像，将对比数据集中至少有一个小于k+z％的比值对应的人像设定为非匹配人像，将匹配人像与非匹配人像组合，得到分析结果；其中，k和z均为预设的自然数且均不为零。
一种安防监控用高精度人像识别系统，包含采集预处理模块、特征提取模块、分析计算模块和匹配模块；采集预处理模块用于采集人脸图像集并进行预处理操作，得到人脸处理集；特征提取模块用于对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；分析计算模块用于对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；匹配模块用于将分析集与数据库中预存的分析数据进行匹配，得到分析结果。
本发明的有益效果：
本发明公开的各个方面，通过采集人脸图像集并进行预处理操作，得到人脸处理集；通过对采集的人像数据进行预处理，可以为人像数据的识别提供有效的数据支撑，达到提高识别的准确性的目的；通过对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；通过对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；通过将处理后的人像数据进行特征提取，可以使得各个数据项规范化和统一化，提高了数据处理计算的效率，并且使得各个数据项之间建立联系，进一步提高了识别的准确性；将分析集与数据库中预存的分析数据进行匹配，得到分析结果，将不合格的人像数据进行二次验证，并对合格的数据进一步匹配验证，可以达到对采集的人像信息进行实时分析并进行二次处理验证来克服外部环境对识别的影响，克服了识别的精度不佳的缺陷。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明一种安防监控用高精度人像识别方法的流程示意图。
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法进行清楚、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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1所示，本发明为一种安防监控用高精度人像识别方法，具体的步骤包括：
S1：采集人脸图像集并进行预处理操作，得到人脸处理集；具体步骤包括：
获取人脸图像集中的原始图像，根据预设的裁减尺寸对原始图像进行裁减，得到裁减图像；
对裁减图像进行灰度校正，得到第一处理图像，对第一处理图像进行噪声过滤，得到第二处理图像；其中，灰度校正基于现有的图像灰度算法实现，比如公开号CN105208362A公开的方法；噪声过滤基于现有的图像噪声算法实现，例如非局部均值降噪算法；
将若干个第二处理图像组合，得到人脸处理集；
S2：对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；具体步骤包括：
获取人脸处理集中的若干个第二处理图像，获取第二处理图像中的眼睛数据、鼻子数据、嘴巴数据、眉毛数据和尺寸数据；
以脸部最下端的中心处为圆心以及预设的距离为半径建立坐标系，将眼睛数据中的眼睛类型标记为YJLi,i＝1,2...n；设定不同的眼睛类型均对应一个不同的眼类预设值，将标记的眼睛类型与所有的眼睛类型进行匹配获取对应的眼类预设值并标记为YLYi,i＝1,2...n；将眼睛数据中的眼睛宽度标记为YKi,i＝1,2...n；将眼睛数据中的眼睛长度标记为YCi,i＝1,2...n；将标记的眼睛类型、眼类预设值、眼睛宽度和眼睛长度进行组合，得到眼睛处理数据；其中，眼睛类型包括但不限于杏眼、细长眼、圆眼和眯缝眼；
将鼻子数据中的鼻子长度标记为BCi,i＝1,2...n；将鼻子数据中的鼻子宽度标记为BKi,i＝1,2...n；将鼻子数据中的鼻孔面积标记为BMi,i＝1,2...n；将鼻子数据中的鼻子高度标记为BGi,i＝1,2...n；将标记的鼻子长度、鼻子宽度、鼻孔面积和鼻子高度组合，得到鼻子处理数据；
将嘴巴数据中的嘴巴宽度标记为ZKi,i＝1,2...n；将嘴巴数据中的嘴巴长度标记为ZCi,i＝1,2...n；将嘴巴数据中的上嘴唇厚度标记为SZHi,i＝1,2...n；将嘴巴数据中的下嘴唇厚度标记为XZHi,i＝1,2...n；将标记的嘴巴宽度、嘴巴长度、上嘴唇厚度和下嘴唇厚度进行组合，得到嘴巴处理数据；
将眉毛数据中的眉毛长度标记为MCi,i＝1,2...n；将眉毛数据中的眉毛宽度标记为MKi,i＝1,2...n；将标记的眉毛长度和眉毛宽度组合，得到眉毛处理数据；
将尺寸数据中的脸部宽度标记为LKi,i＝1,2...n；将尺寸数据中的脸部长度标记为LCi,i＝1,2...n；将标记的脸部宽度和脸部长度组合，得到轮廓数据；
获取脸部的特征标记，特征标记包含特征类型、特征坐标、特征数量和特征面积，将特征类型标记为TBi,i＝1,2...n；设定不同的特征类型均对应一个不同的特类预设值，将特征标记中的特征类型与所有的特征类型进行匹配获取对应的特类预设值并标记为TLYi,i＝1,2...n，将特征坐标标记为TZi,i＝1,2...n；将特征数量标记为TSi,i＝1,2...n；将特征面积标记为TMi,i＝1,2...n；其中，特征类型包含但不限于痣、胎记和疤痕；
将眼睛处理数据、鼻子处理数据、嘴巴处理数据和眉毛处理数据以及特征类型、特类预设值、特征坐标、特征数量和特征面积进行分类组合，得到特征数据，轮廓数据和特征数据构成人脸提取集；
S3：对人脸提取集进行分析计算，得到脸廓值和脸特值，具体步骤包括：
获取标记的眼类预设值YLYi、眼睛宽度YKi和眼睛长度YCi，将标记的眼类预设值、眼睛宽度和眼睛长度进行归一化处理并取值，利用公式
Figure BDA0003054181930000091
计算获取眼部系数Qyx；其中，α表示为预设的眼部修正因子且不为零，a1和a2表示为不同的比例系数且均大于零；
获取标记的鼻子长度BCi、鼻子宽度BKi、鼻孔面积BMi和鼻子高度BGi，将标记的鼻子长度、鼻子宽度、鼻孔面积和鼻子高度进行归一化处理并取值，利用公式
Figure BDA0003054181930000101
计算获取鼻部系数Qbx；其中，β表示为预设的鼻部修正因子且不为零，b1、b2、b3和b4表示为不同的比例系数且均大于零；
获取标记的嘴巴宽度ZKi、嘴巴长度ZCi、上嘴唇厚度SZHi和下嘴唇厚度XZHi，将标记的嘴巴宽度、嘴巴长度、上嘴唇厚度和下嘴唇厚度进行归一化处理并取值，利用公式
Figure BDA0003054181930000102
计算获取嘴部系数Qzx；其中，χ表示为预设的嘴部修正因子且不为零，c1、c2、c3和c4表示为不同的比例系数且均大于零；
获取标记的眉毛长度MCi和眉毛宽度MKi，将标记的眉毛长度和眉毛宽度进行归一化处理并取值，利用公式
Figure BDA0003054181930000103
计算获取眉部系数Qmx；其中，δ表示为预设的眉部修正因子且不为零，d1和d2表示为不同的比例系数且均大于零；
获取标记的特类预设值TLYi、特征数量TSi和特征面积TMi，将标记的特类预设值、特征数量和特征面积进行归一化处理并取值，利用公式
Figure BDA0003054181930000104
计算获取特征系数Qtx；其中，ε表示为预设的特征修正因子且不为零，c1、c2和c3表示为不同的比例系数且均大于零；
获取标记的脸部宽度LKi和脸部长度LCi，将标记的脸部宽度和脸部长度进行归一化处理并取值，利用公式
Figure BDA0003054181930000105
计算获取脸廓值Qlk；其中，g1、g2、g3和g4表示为不同的比例系数且均大于零；
将眼部系数Qyx、鼻部系数Qbx、嘴部系数Qzx、眉部系数Qmx和特征系数Qtx带入公式计算得到脸特值Qlt，该公式为：
Figure BDA0003054181930000111
其中，f1、f2、f3、f4和f5表示为不同的比例系数且均大于零；
对脸廓值和脸特值进行分析，得到分析集；具体步骤包括：
将脸廓值和脸特值分别与预设的脸廓范围和脸特范围进行匹配；
若脸廓值不属于预设的脸廓范围且脸特值不属于预设的脸特范围，则判定该人像处理后的脸廓数据和脸特数据均不合格并生成第一分析信号；若脸廓值属于预设的脸廓范围但脸特值不属于预设的脸特范围，则判定该人像处理后的脸廓数据合格但脸特数据不合格并生成第二分析信号；若脸廓值不属于预设的脸廓范围但脸特值属于预设的脸特范围，则判定该人像处理后的脸廓数据不合格但脸特数据合格并生成第三分析信号；若脸廓值属于预设的脸廓范围且脸特值属于预设的脸特范围，则判定该人像处理后的脸廓数据和脸特数据均合格并生成第四分析信号；
将第一分析信号、第二分析信号、第三分析信号和第四分析信号组合，得到分析集；
S4：将分析集与数据库中预存的分析数据进行匹配，得到分析结果，具体步骤包括：
获取分析集，若分析集中包含第一分析信号、第二分析信号或者第三分析信号，则将其对应的第二处理图像进行二次预处理以及特征提取和分析计算；即重复S1至S3；
若分析集中包含第四分析信号，将第四分析信号对应的脸廓值和脸特值设定为第一匹配值和第二匹配值，将第一匹配值和第二匹配值分别与数据库中预存的分析数据进行对比获取比值，将第一匹配值与分析数据不小于k％的比值且第二匹配值与分析数据不小于k％的比值对应的分析数据项设定为选中数据项；其中，分析数据包含若干个分析数据项，分析数据项包含预先存储的样本人像数据；
将选中数据项中的若干个人像数据与人脸提取集进行对比得到对比数据集，将对比数据集中所有不小于k+z％的比值对应的人像设定为匹配人像，将对比数据集中至少有一个小于k+z％的比值对应的人像设定为非匹配人像，将匹配人像与非匹配人像组合，得到分析结果；其中，k和z均为预设的自然数且均不为零；
例如，k％为90％，k+z％为99.5％，即第一匹配值与分析数据的比值不小于90％且第二匹配值与分析数据的比值不小于90k％的分析数据项设定为选中数据项，该选中数据项中预先存储的样本人像数据存在与之匹配的人像数据；当对比数据集中所有不小于99.5％的比值对应的人像设定为匹配人像，即采集的人像数据中的面部轮廓、眼睛数据、鼻子数据、嘴巴数据和眉毛数据以及特征数据在选中数据项中有与之对应的样本人像。
实施例二
一种安防监控用高精度人像识别系统，包含采集预处理模块、特征提取模块、分析计算模块和匹配模块；采集预处理模块用于采集人脸图像集并进行预处理操作，得到人脸处理集；特征提取模块用于对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；分析计算模块用于对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；匹配模块用于将分析集与数据库中预存的分析数据进行匹配，得到分析结果；
与现有的技术方案相比，本发明实施例中，通过采集人脸图像集并进行预处理操作，得到人脸处理集；通过对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；通过对采集的人像数据进行预处理，可以为人像数据的识别提供有效的数据支撑，达到提高识别的准确性的目的；通过对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；其中，通过对人像数据进行计算，得到眼部系数Qyx、鼻部系数Qbx、嘴部系数Qzx、眉部系数Qmx和特征系数Qtx，继续进行分析计算得到脸廓值Qlk和脸特值Qlt，通过对人像的脸部轮廓和脸部特征进行综合分析，提高了识别的精准度；通过将处理后的人像数据进行特征提取，可以使得各个数据项规范化和统一化，提高了数据处理计算的效率，并且使得各个数据项之间建立联系，进一步提高了识别的准确性；将分析集与数据库中预存的分析数据进行匹配，得到分析结果；其中，若分析集中包含第一分析信号、第二分析信号或者第三分析信号，则将其对应的第二处理图像进行二次预处理以及特征提取和分析计算；若分析集中包含第四分析信号，则根据第四分析信号进一步对合格的人像数据进行匹配验证，通过将不合格的人像数据进行二次验证，并对合格的数据进一步匹配验证，可以达到对采集的人像信息进行实时分析并进行二次处理验证来克服外部环境对识别的影响，克服了识别的精度不佳的缺陷。
在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (5)

1.一种安防监控用高精度人像识别方法，其特征在于，具体的步骤包括：
S1：采集人脸图像集并进行预处理操作，得到人脸处理集；
S2：对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；
S3：对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；包括：
S31：将脸廓值和脸特值分别与预设的脸廓范围和脸特范围进行匹配；
S32：若脸廓值不属于预设的脸廓范围且脸特值不属于预设的脸特范围，则判定该人像处理后的脸廓数据和脸特数据均不合格并生成第一分析信号；若脸廓值属于预设的脸廓范围但脸特值不属于预设的脸特范围，则判定该人像处理后的脸廓数据合格但脸特数据不合格并生成第二分析信号；若脸廓值不属于预设的脸廓范围但脸特值属于预设的脸特范围，则判定该人像处理后的脸廓数据不合格但脸特数据合格并生成第三分析信号；若脸廓值属于预设的脸廓范围且脸特值属于预设的脸特范围，则判定该人像处理后的脸廓数据和脸特数据均合格并生成第四分析信号；
S33：将第一分析信号、第二分析信号、第三分析信号和第四分析信号组合，得到分析集；
S4：将分析集与数据库中预存的分析数据进行匹配，得到分析结果；包括：
S41：获取分析集，若分析集中包含第一分析信号、第二分析信号或者第三分析信号，则将其对应的第二处理图像进行二次预处理以及特征提取和分析计算；
S42：若分析集中包含第四分析信号，将第四分析信号对应的脸廓值和脸特值设定为第一匹配值和第二匹配值，将第一匹配值和第二匹配值分别与数据库中预存的分析数据进行对比获取比值，将第一匹配值与分析数据不小于k％的比值且第二匹配值与分析数据不小于k％的比值对应的分析数据项设定为选中数据项；其中，分析数据包含若干个分析数据项，分析数据项包含预先存储的样本人像数据；
S43：将选中数据项中的若干个人像数据与人脸提取集进行对比得到对比数据集，将对比数据集中所有不小于k+z％的比值对应的人像设定为匹配人像，将对比数据集中至少有一个小于k+z％的比值对应的人像设定为非匹配人像，将匹配人像与非匹配人像组合，得到分析结果；其中，k和z均为预设的自然数且均不为零。
2.根据权利要求1所述的一种安防监控用高精度人像识别方法，其特征在于，采集人脸图像集并进行预处理操作，得到人脸处理集的具体步骤包括：
S21：获取人脸图像集中的原始图像，根据预设的裁减尺寸对原始图像进行裁减，得到裁减图像；
S22：对裁减图像进行灰度校正，得到第一处理图像，对第一处理图像进行噪声过滤，得到第二处理图像；
S23：将若干个第二处理图像组合，得到人脸处理集。
3.根据权利要求2所述的一种安防监控用高精度人像识别方法，其特征在于，对人脸处理集进行特征提取，得到人脸提取集的具体步骤包括：
S31：获取人脸处理集中的若干个第二处理图像，获取第二处理图像中的眼睛数据、鼻子数据、嘴巴数据、眉毛数据和尺寸数据；
S32：以脸部最下端的中心处为圆心以及预设的距离为半径建立坐标系，将眼睛数据中的眼睛类型标记为YJLi,i＝1,2...n；设定不同的眼睛类型均对应一个不同的眼类预设值，将标记的眼睛类型与所有的眼睛类型进行匹配获取对应的眼类预设值并标记为YLYi,i＝1,2...n；将眼睛数据中的眼睛宽度标记为YKi,i＝1,2...n；将眼睛数据中的眼睛长度标记为YCi,i＝1,2...n；将标记的眼睛类型、眼类预设值、眼睛宽度和眼睛长度进行组合，得到眼睛处理数据；
S33：将鼻子数据中的鼻子长度标记为BCi,i＝1,2...n；将鼻子数据中的鼻子宽度标记为BKi,i＝1,2...n；将鼻子数据中的鼻孔面积标记为BMi,i＝1,2...n；将鼻子数据中的鼻子高度标记为BGi,i＝1,2...n；将标记的鼻子长度、鼻子宽度、鼻孔面积和鼻子高度组合，得到鼻子处理数据；
S34：将嘴巴数据中的嘴巴宽度标记为ZKi,i＝1,2...n；将嘴巴数据中的嘴巴长度标记为ZCi,i＝1,2...n；将嘴巴数据中的上嘴唇厚度标记为SZHi,i＝1,2...n；将嘴巴数据中的下嘴唇厚度标记为XZHi,i＝1,2...n；将标记的嘴巴宽度、嘴巴长度、上嘴唇厚度和下嘴唇厚度进行组合，得到嘴巴处理数据；
S35：将眉毛数据中的眉毛长度标记为MCi,i＝1,2...n；将眉毛数据中的眉毛宽度标记为MKi,i＝1,2...n；将标记的眉毛长度和眉毛宽度组合，得到眉毛处理数据；
S36：将尺寸数据中的脸部宽度标记为LKi,i＝1,2...n；将尺寸数据中的脸部长度标记为LCi,i＝1,2...n；将标记的脸部宽度和脸部长度组合，得到轮廓数据；
S37：获取脸部的特征标记，特征标记包含特征类型、特征坐标、特征数量和特征面积，将特征类型标记为TBi,i＝1,2...n；设定不同的特征类型均对应一个不同的特类预设值，将特征标记中的特征类型与所有的特征类型进行匹配获取对应的特类预设值并标记为TLYi,i＝1,2...n，将特征坐标标记为TZi,i＝1,2...n；将特征数量标记为TSi,i＝1,2...n；将特征面积标记为TMi,i＝1,2...n；
S38：将眼睛处理数据、鼻子处理数据、嘴巴处理数据和眉毛处理数据以及特征类型、特类预设值、特征坐标、特征数量和特征面积进行分类组合，得到特征数据，轮廓数据和特征数据构成人脸提取集。
4.根据权利要求3所述的一种安防监控用高精度人像识别方法，其特征在于，对人脸提取集进行分析计算，得到脸廓值和脸特值的具体步骤包括：
S41：获取标记的眼类预设值YLYi、眼睛宽度YKi和眼睛长度YCi，将标记的眼类预设值、眼睛宽度和眼睛长度进行归一化处理并取值，利用公式
Figure FDA0003265032660000041
计算获取眼部系数Qyx；其中，α表示为预设的眼部修正因子且不为零，a1和a2表示为不同的比例系数且均大于零；
S42：获取标记的鼻子长度BCi、鼻子宽度BKi、鼻孔面积BMi和鼻子高度BGi，将标记的鼻子长度、鼻子宽度、鼻孔面积和鼻子高度进行归一化处理并取值，利用公式
Figure FDA0003265032660000042
计算获取鼻部系数Qbx；其中，β表示为预设的鼻部修正因子且不为零，b1、b2、b3和b4表示为不同的比例系数且均大于零；
S43：获取标记的嘴巴宽度ZKi、嘴巴长度ZCi、上嘴唇厚度SZHi和下嘴唇厚度XZHi，将标记的嘴巴宽度、嘴巴长度、上嘴唇厚度和下嘴唇厚度进行归一化处理并取值，利用公式
Figure FDA0003265032660000043
计算获取嘴部系数Qzx；其中，χ表示为预设的嘴部修正因子且不为零，c1、c2、c3和c4表示为不同的比例系数且均大于零；
S44：获取标记的眉毛长度MCi和眉毛宽度MKi，将标记的眉毛长度和眉毛宽度进行归一化处理并取值，利用公式
Figure FDA0003265032660000044
计算获取眉部系数Qmx；其中，δ表示为预设的眉部修正因子且不为零，d1和d2表示为不同的比例系数且均大于零；
S45：获取标记的特类预设值TLYi、特征数量TSi和特征面积TMi，将标记的特类预设值、特征数量和特征面积进行归一化处理并取值，利用公式
Figure FDA0003265032660000051
计算获取特征系数Qtx；其中，ε表示为预设的特征修正因子且不为零，c1、c2和c3表示为不同的比例系数且均大于零；
S46：获取标记的脸部宽度LKi和脸部长度LCi，将标记的脸部宽度和脸部长度进行归一化处理并取值，利用公式
Figure FDA0003265032660000052
计算获取脸廓值Qlk；其中，g1、g2、g3和g4表示为不同的比例系数且均大于零；
S47：将眼部系数Qyx、鼻部系数Qbx、嘴部系数Qzx、眉部系数Qmx和特征系数Qtx带入公式计算得到脸特值Qlt，该公式为：
Figure FDA0003265032660000053
其中，f1、f2、f3、f4和f5表示为不同的比例系数且均大于零。
5.一种安防监控用高精度人像识别系统，其特征在于，包含采集预处理模块、特征提取模块、分析计算模块和匹配模块；采集预处理模块用于采集人脸图像集并进行预处理操作，得到人脸处理集；特征提取模块用于对人脸处理集进行特征提取，得到人脸提取集，人脸提取集包含面部的轮廓数据和特征数据；分析计算模块用于对人脸提取集进行分析计算，得到脸廓值和脸特值，对脸廓值和脸特值进行分析，得到分析集；匹配模块用于将分析集与数据库中预存的分析数据进行匹配，得到分析结果。
CN202110495724.8A 2021-05-07 2021-05-07 一种安防监控用高精度人像识别方法及系统 Active CN113177489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110495724.8A CN113177489B (zh) 2021-05-07 2021-05-07 一种安防监控用高精度人像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110495724.8A CN113177489B (zh) 2021-05-07 2021-05-07 一种安防监控用高精度人像识别方法及系统

Publications (2)

Publication Number Publication Date
CN113177489A CN113177489A (zh) 2021-07-27
CN113177489B true CN113177489B (zh) 2021-12-07

Family

ID=76928347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110495724.8A Active CN113177489B (zh) 2021-05-07 2021-05-07 一种安防监控用高精度人像识别方法及系统

Country Status (1)

Country Link
CN (1) CN113177489B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706872A (zh) * 2009-11-26 2010-05-12 上海交通大学 通用的开放式人脸识别系统
CN102201061A (zh) * 2011-06-24 2011-09-28 常州锐驰电子科技有限公司 基于多阶层过滤人脸识别的智能安全监控系统及方法
CN103593648A (zh) * 2013-10-22 2014-02-19 上海交通大学 一个面向开放环境的人脸识别方法
CN107944434A (zh) * 2015-06-11 2018-04-20 广东欧珀移动通信有限公司 一种基于旋转摄像头的报警方法及终端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226591A (zh) * 2008-01-31 2008-07-23 上海交通大学 基于手机摄像头结合人脸识别技术的身份识别方法
IL199657A0 (en) * 2009-07-02 2011-08-01 Carmel Haifa University Economic Corp Ltd Face representation systems for privacy aware applications and methods useful in conjunction therewith
CN101964064B (zh) * 2010-07-27 2013-06-19 上海摩比源软件技术有限公司 一种人脸比对方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706872A (zh) * 2009-11-26 2010-05-12 上海交通大学 通用的开放式人脸识别系统
CN102201061A (zh) * 2011-06-24 2011-09-28 常州锐驰电子科技有限公司 基于多阶层过滤人脸识别的智能安全监控系统及方法
CN103593648A (zh) * 2013-10-22 2014-02-19 上海交通大学 一个面向开放环境的人脸识别方法
CN107944434A (zh) * 2015-06-11 2018-04-20 广东欧珀移动通信有限公司 一种基于旋转摄像头的报警方法及终端

Also Published As

Publication number Publication date
CN113177489A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
KR100974293B1 (ko) 얼굴 인식 방법 및 시스템
CN107967458A (zh) 一种人脸识别方法
CN109508700A (zh) 一种人脸识别方法、系统及存储介质
CN101027678A (zh) 基于单个图像的多生物统计系统及方法
CN107798308B (zh) 一种基于短视频训练法的人脸识别方法
CN103034838A (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
JP2872776B2 (ja) 顔画像照合装置
CN111291701B (zh) 一种基于图像梯度和椭圆拟合算法的视线追踪方法
CN108171223A (zh) 一种基于多模型多通道的人脸识别方法及系统
CN105335691A (zh) 笑脸识别鼓励系统
CN108875645A (zh) 一种煤矿井下复杂光照条件下的人脸识别方法
CN111178130A (zh) 一种基于深度学习的人脸识别方法、系统和可读存储介质
CN110598574A (zh) 智能人脸监控识别方法及系统
CN113537111A (zh) 基于双支路深度卷积网络的虹膜分割方法
CN116128814A (zh) 舌诊图像的标准化采集方法及相关装置
CN115690884A (zh) 一种人脸识别方法、系统、存储介质及计算设备
CN106919898A (zh) 人脸识别中的特征建模方法
CN113177489B (zh) 一种安防监控用高精度人像识别方法及系统
CN108416357A (zh) 一种彩绘类文物隐含信息的提取方法
CN110443217B (zh) 一种基于多光谱的指纹防伪方法及系统
CN108288040A (zh) 基于面部轮廓的多参数人脸识别系统
CN103824058A (zh) 基于局部分布式线性嵌套算法的人脸识别系统及方法
CN105809154A (zh) 人脸识别方法及装置

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