CN114187644A - 一种基于支持向量机的口罩人脸活体检测方法 - Google Patents

一种基于支持向量机的口罩人脸活体检测方法 Download PDF

Info

Publication number
CN114187644A
CN114187644A CN202111561242.4A CN202111561242A CN114187644A CN 114187644 A CN114187644 A CN 114187644A CN 202111561242 A CN202111561242 A CN 202111561242A CN 114187644 A CN114187644 A CN 114187644A
Authority
CN
China
Prior art keywords
face
mask
support vector
vector machine
training
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
Application number
CN202111561242.4A
Other languages
English (en)
Inventor
田俊锋
朱文宇
符和斌
沈健洪
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.)
CHANGXUN COMMUNICATION SERVICE CO LTD
Original Assignee
CHANGXUN COMMUNICATION SERVICE 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 CHANGXUN COMMUNICATION SERVICE CO LTD filed Critical CHANGXUN COMMUNICATION SERVICE CO LTD
Priority to CN202111561242.4A priority Critical patent/CN114187644A/zh
Publication of CN114187644A publication Critical patent/CN114187644A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于支持向量机的口罩人脸活体检测方法，包括基于多级级联回归树的人脸关键点定位算法对人脸关键点进行定位，根据定位点批量自动生成口罩人脸样本；构建不戴口罩人脸库和戴口罩人脸库；进行人脸识别；提取人脸图像的LBP特征，将LBP特征矩阵转化为直方图向量，作为活体检测的纹理特征向量；训练并保存基于纹理特征的支持向量机模型；进行活体检测；根据人脸识别结果和活体检测结果，输出验证结果。本发明训练了人脸关键点模型，可以定位人脸鼻梁和下巴的关键点，检测关键点是否被遮挡来判断人脸是否戴口罩；训练了支持向量机，实现了快速的活体检测功能，该功能同时适用于普通人脸和戴口罩人脸，且不影响人脸识别的快速性和准确性，提高了系统的安全性。

Description

一种基于支持向量机的口罩人脸活体检测方法
技术领域
本发明涉及机器视觉、图像处理和模式识别技术领域，尤其涉及一种机器视觉、图像处理和模式识别。
背景技术
现有目前，基于人脸识别的门禁系统有广泛的市场应用，在病毒全球蔓延的大背景下，佩戴口罩成为人们出行的新常态。因此，提出了口罩人脸识别系统的市场需求。
口罩人脸识别是这两年的研究热点，国内外都有公司或学者在研究。如百度基于深度学习工具—飞桨推出的的Py-ramidBox-Lite，是一种采用FaceBoxes作为Backbone网络的移动端模型。在实际应用场景下，由于人脸特征不清晰、图像分辨率较低以及脸部部分区域的遮挡会导致面部纹理区分较为困难，因此使用了基于anchor的方法来改善人脸的检测。同时，针对现有口罩人脸数据集较少的问题，该模型使用了来自人脸检测公开评测集和百度收集的人脸数据集的10多万张口罩人脸图片来进行训练。基于CenterFace的口罩检测模型，该模型是思百达公司提出的一种轻量级目标检测网络，用于口罩的实时监测项目种。将CenterFace和MobileNetV2分别用在网络的人脸检测部分和人脸分类部分。在大多需要口罩检测场景下比如高铁站、商场和地铁站等，摄像头所采集的图像中大多数情况下是含有多张人脸的，且这些场景的环境都会比较复杂，多目标人脸检测难度较大。CenterFace采用轻量级的特征金字塔网络，使得人脸检测算法能够部署到性能较低、存储空间较小的移动设备上。基于SSD的Keras模型，该模型是AIZOO公司以SSD为基础算法，并基Keras架构进行训练的模型。模型也可以实时运行在浏览器以及移动端设备上，符合实际应用要求。
针对目前缺少口罩人脸训练样本的问题，本发明根据不戴口罩的人脸样本自动批量生成戴口罩的人脸样本，再进行训练。在进行人脸识别时，首先判断人脸是否戴口罩，然后选择不戴口罩人脸库或戴口罩人脸库进行比对验证。
然而，与传统人脸识别系统一样，口罩人脸识别系统也面临被假体人脸攻击的风险。针对传统人脸识别系统的活体检测算法已相对完善，但目前还没有人将活体检测算法应用到口罩人脸识别系统中，因此，本发明口罩人脸识别系统可能遭遇的假体人脸攻击的问题，引入基于支持向量机的活体检测算法，可以在识别口罩人脸的同时，提高口罩人脸识别系统的安全性。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于支持向量机的口罩人脸活体检测方法，该方法将活体检测方法与口罩人脸识别方法相结合，使得活体检测方法适用于戴口罩的人脸，目的在于分析当前戴口罩的人脸是否为活体人脸。该口罩人脸活体检测方法克服了口罩人脸训练样本不足的问题，引入了活体检测方法，在进行口罩人脸识别的同时也进行活体检测，保证了识别系统的安全性，更加适用于实际场景。
本发明的目的通过以下的技术方案来实现：
一种基于支持向量机的口罩人脸活体检测方法，包括：
S1基于多级级联回归树的人脸关键点定位算法对人脸关键点进行定位，根据定位点批量自动生成口罩人脸样本；
S2构建不戴口罩人脸库和戴口罩人脸库；
S3进行人脸识别；
S4提取人脸图像的LBP特征，将LBP特征矩阵转化为直方图向量，作为活体检测的纹理特征向量；
S5训练并保存基于纹理特征的支持向量机模型；
S6进行活体检测；
S7根据人脸识别结果和活体检测结果，输出验证结果。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
训练了人脸关键点模型，可以定位人脸鼻梁和下巴的关键点，检测关键点是否被遮挡来判断人脸是否戴口罩；
基于人脸关键点模型，可以由普通人脸样本批量自动生成戴口罩的人脸样本，解决了口罩人脸样本不足的问题；
用户只需上传普通人脸图像，系统会自动生成相应的戴口罩人脸图像，并自动入库，从而无需为已有的人脸识别系统重新采集人脸图像，便于人脸识别系统更新；
实现了戴口罩的人脸识别，先判断人脸是否戴口罩，然后选择普通人脸库或口罩人脸库进行比对，提高了系统的适用范围；
训练了支持向量机，实现了快速的活体检测功能，该功能同时适用于普通人脸和戴口罩人脸，且不影响人脸识别的快速性和准确性，提高了系统的安全性。
附图说明
图1是基于支持向量机的口罩人脸活体检测方法的一种具体实施方式的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
本实施例的目的在于克服口罩人脸训练样本不足的问题，引入活体检测方法，在进行口罩人脸识别的同时也进行活体检测，从而保证了识别系统的安全性。基于支持向量机的口罩人脸活体检测方法的流程示意图如图1所示，具体包括以下步骤：
S1基于多级级联回归树的人脸关键点定位算法对人脸关键点进行定位，根据定位点批量自动生成口罩人脸样本。
基于多级级联回归树的人脸关键点定位算法，训练得到GBDT模型，对输入的图像调用GBDT模型，找到人脸关键点下巴和鼻梁的坐标，将口罩的上下边的中点与下巴和鼻梁的坐标对齐，生成戴口罩的人脸样本。
回归器的级联包含两层回归的训练，其中第一层回归的训练得到若干回归器，而第二层回归的训练则训练级联中的每一个回归器，具体训练过程如下：
假设训练数据集的样本为(I1,S1)…(In,Sn)，其中Ii为人脸图片，Si为人脸关键点位置的坐标。则每一层级联中的训练数据有如下形式：
Figure BDA0003417434730000041
其中，N＝n×R,j∈{1,...,n}，i∈{1,...,N}，n为图片数，R为初始化倍数。Ij为训练集中的人脸图片，
Figure BDA0003417434730000042
为当前层级联回归的人脸关键点的形状向量，ΔSi (t)为当前层预测值与真实值的差值。
迭代公式如下：
Figure BDA0003417434730000043
Figure BDA0003417434730000044
不断重复以上更新算法，如果当前层回归的级联层数设为k，则会生成r1,r2,...,rk若干回归器，若干回归器即为第一层训练过程得到的。
第二层的训练的任务为训练级联中的每一个回归器，主要采用GBDT实现，即每级回归器学习的都是当前预测形状与真实形状的残差。通过GBDT来表示初始形状与真实形状的关系，输入时从当前图像中提取出的特征，用像素差作为特征(特征是树进行分裂的依据)。
GBDT中的第一棵树的构造过程中，首先会将若干张图片输入到这棵树，图片会划分到其中一个叶节点，在全部分完以后，部分叶节点会没有图片划分进去，而部分叶节点会有多张图片划分进去。然后计算每张图片的预测形状与实际形状的差值，即残差。将同一个叶节点中所有图片计算得来的残差取均值，并把均值保存在当前叶节点中。
GBDT基于第一棵树来构造第二棵树，使用残差和当前图片形状来共同更新当前图片形状，重复以上步骤完成GBDT的构建。
其中，学习级联中回归器rt的算法如下：
学习率：0＜υ＜1
训练数据：
Figure BDA0003417434730000051
1.初始化:
Figure BDA0003417434730000052
2.for k＝1,…,K
(a)for i＝1,…,N:
Figure BDA0003417434730000053
(b)对rik拟合回归树，得到弱回归器
Figure BDA0003417434730000054
(c)更新：：
Figure BDA0003417434730000055
3.输出:
Figure BDA0003417434730000056
其中，fi表示第i个回归树，γ是常数，K是回归器的数量，N是训练样本的数量，rik表示第k个回归器对第i个样本的伪残差，rt表示最终的回归器。
口罩人脸的生成依赖于人脸关键点的定位，从关键点集合中选取下巴与鼻梁的关键点坐标，鼻梁与下巴关键点之间的区域即为口罩所要对齐的区域。自动生成口罩人脸首先需要对人脸进行检测并进行对齐，得到人脸区域，然后用人脸关键点定位模型得到人脸关键点字典，从人脸关键点字典中找到鼻梁与下巴所对应的坐标，将口罩的上下边界的中点与这两个关键点进行对齐，即可生成口罩人脸图片。
S1中使用回归树模型的特征选择和节点分裂算法，具体包括：
选取像素差异特征Normalized Pixel Difference(NPD)为训练特征，创建一个特征池，若有n棵相互独立的GBDT树，则有n个特征池。特征池中有从每一幅图像随机选取的点的坐标，对应于不同的像素。
节点分裂的具体流程如下：从特征池中选取两个点坐标，获取每张人脸样本图片在这两个坐标的像素值并计算它们的像素之差，并生成一个任意的阈值，该阈值就是分裂判据，分裂判据过程如下：如果像素差减去阈值小于0，则向左分裂；若大于0则向右分裂。
重复以上过程，可以将每幅图像分为两部分，然后根据方差判断最佳的两个点坐标(从特征池选取的两点)和分裂阈值，就选择这个点和阈值。
依次分裂直至叶子节点(都是二叉树，并且指定了深度，叶子节点的数量是固定的)。
随着级联的级数增加，人脸关键定的定位会更加准确。本发明采取了3级的级联级数，因为T>3以后，关键点的定位的准确度达到一个峰值，再继续增加级联级数T，准确度并没有太大变化，反而会使得系统复杂度变大，故本发明最终选取3级的级联回归，该模型由三棵回归树级联而成，每棵树中由500个弱回归器组成，每棵树的深度为5，通过GBDT算法来减小残差进行回归，得到最终的GBDT模型。
S2构建不戴口罩人脸库和戴口罩人脸库；具体包括：
对用户上传的人脸图像调用训练好的GBDT模型，找到下巴与鼻梁的关键点坐标，将口罩上下边界的中点与这两个关键点坐标对齐，自动生成该用户戴口罩的人脸图像。将用户上传的不戴口罩的人脸图像和调用模型生成的戴口罩的人脸图像分开存放，构建用户的不戴口罩的人脸数据库和戴口罩的人脸数据库。
对训练样本中不戴口罩的人脸样本，调用模型，批量自动生成相应的戴口罩的人脸样本，构建训练样本的不戴口罩的人脸样本库和戴口罩的人脸样本库，这两个训练样本库将用于后续的人脸识别准确率的计算。
S3人脸识别，具体包括：
在对检测的人脸进行识别时，通过检查人脸的下巴和鼻梁关键点是否被遮挡来判断是否戴口罩。若判断为戴口罩/不戴口罩，则计算其与人脸数据库中戴口罩人脸/不戴口罩人脸的余弦距离，则与其余弦距离最接近于1且大于阈值的人脸所对应的人员即为所匹配的人脸。
其中，余弦距离即余弦相似度，通过计算两个向量夹角的余弦值来代表两个向量的距离，计算公式如下：
Figure BDA0003417434730000071
其中，x和y分别是两个n维的向量，且：
Figure BDA0003417434730000072
Figure BDA0003417434730000073
Figure BDA0003417434730000074
当两个人脸的余弦相似度越接近1时，说明人脸越相似。故在人脸相似度计算过程中，一般采用百分比形式的余弦相似度，会更加直观，并且设置阈值更加方便。
S4提取人脸图像的LBP特征，将LBP特征矩阵转化为直方图向量，作为活体检测的纹理特征向量，具体包括：
LBP算子指局部二值模式，具有灰度不变性的特点。基本的LBP算子会设置一个3*3的滑动正方形区域，以该正方形区域的中心像素值为阈值，将与中心像素值靠近的8个像素值依次与阈值比较。若周围像素值大于等于中心像素值则该像素点的像素值用1代替；否则用0代替。经过上述处理，一个3*3的领域可以产生一个8位的二进制编码，且该8位的二进制编码转化为十进制的范围为0～256。对原始图像的所有像素点都进行同样的操作，则一张像素为n*n的图片可以得到一个n*n的特征矩阵(最外面一圈像素进行补0后再进行运算)。
提取LBP特征用公式表示为：
Figure BDA0003417434730000081
其中，(xc，yc)为3*3区域的中心点，ic为中心点的像素值，ip为周围第p个像素点的像素值，sgn()为一个符号函数，具体为：
Figure BDA0003417434730000082
本发明使用一种基于区域像素值中位数的改进型LBP算子，在图像的异常值(噪声点)上使用改进型LBP算子，可以很好地克服异常值(噪声点)其计算公式为：
Figure BDA0003417434730000083
其中，ip为邻近点像素值，而im则为邻近像素点的像素值的中位数，用这个中位数来代替中心像素点的像素值。
检测异常值的流程如下：
1.设定异常值与中心像素点之差绝对值的阈值：θ
2.循环计算中心像素点邻近8个像素与中心像素点的像素值之差的绝对值。
3.若|S[i]-Sc|≥θ，i＝0...7：
则检测到异常值，将中心像素点用S[0]，...，S[7]的中位数代替
否则：
没有检测到异常值，则中心像素点不做改变。
经改进型LBP算子运算，得到图像的LBP特征矩阵，对该矩阵进行分块，每块单独地提取直方图向量，再把所有直方图向量拼接在一起，得到图像的最终特征向量。
步骤S5训练并保存基于纹理特征的支持向量机模型，具体包括：
根据预先采集的真实人脸图像和照片(假体)人脸图像，提取训练样本的纹理特征向量，向训练样本的特征向量打上标签，真脸标记为+1，假脸标记为-1，选取核函数为线性核函数C-Support Vector Classification，这是基于分类的线性支持向量机，含有惩罚系数C，按照算法流程训练支持向量机，过程如下：
在二分类中，给定训练向量xi∈RP，i＝1,...,n和一个向量y∈{1,-1}n，SVC的目标函数为：
Figure BDA0003417434730000091
它的对偶问题是：
Figure BDA0003417434730000092
其中，e是所有的向量，C＞0是上界，Q是一个n×n的半正定矩阵，而Qij＝yiyjK(xi,xj)，其中K(xi,xj)＝φ(xi)Tφ(xi)是内核，所以训练向量是通过函数φ，间接映射到一个更高维度的空间。
对偶问题求解可得参数ω的最优解：
Figure BDA0003417434730000093
决策函数是：
Figure BDA0003417434730000094
步骤S6活体检测，具体包括：
提取人脸图像的纹理特征向量，将特征向量输入到支持向量机，根据支持向量机的输出结果判断该人脸图像是真实人脸还是假体人脸。
步骤S7系统最终输出，具体包括：
根据人脸识别结果和活体检测结果，只有当人脸识别成功且活体检测为活体时，才输出“验证成功”的结果，否则输出“验证失败”。
上述实施例将活体检测方法与口罩人脸识别方法相结合，使得活体检测方法适用于戴口罩的人脸，目的在于分析当前戴口罩的人脸是否为活体人脸。需要同时进行口罩人脸识别和活体检测，对于口罩人脸识别算法，针对目前缺少口罩人脸样本的问题，通过研究基于多级级联回归树的人脸关键点定位算法对人脸关键点进行定位，并根据定位点批量自动生成口罩人脸样本，在用户人脸入库的时候，也会自动生成口罩人脸，并建立普通人脸库和口罩人脸库，在进行人脸识别时，先判断用户是否佩戴口罩，再选择普通人脸库或口罩人脸库进行比对，从而识别该用户；对于活体检测算法，需要提取LBP纹理特征，并转化为直方图向量，作为特征向量，并将该特征向量输入到训练好的支持向量机中，得到人脸是否为活体的检测结果。该口罩人脸活体检测方法克服了口罩人脸训练样本不足的问题，引入了活体检测方法，在进行口罩人脸识别的同时也进行活体检测，保证了识别系统的安全性，更加适用于实际场景。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (12)

1.一种基于支持向量机的口罩人脸活体检测方法，其特征在于，包括：
S1基于多级级联回归树的人脸关键点定位算法对人脸关键点进行定位，根据定位点批量自动生成口罩人脸样本；
S2构建不戴口罩人脸库和戴口罩人脸库；
S3进行人脸识别；
S4提取人脸图像的LBP特征，将LBP特征矩阵转化为直方图向量，作为活体检测的纹理特征向量；
S5训练并保存基于纹理特征的支持向量机模型；
S6进行活体检测；
S7根据人脸识别结果和活体检测结果，输出验证结果。
2.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，所述S1具体包括：基于多级级联回归树的人脸关键点定位算法，训练得到GBDT模型，对输入的图像调用GBDT模型，通过每个回归器找到人脸关键点下巴和鼻梁的坐标，将口罩的上下边的中点与下巴和鼻梁的坐标对齐，生成戴口罩的人脸样本。
3.根据权利要求2所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，GBDT模型的建立包括：
第一层回归训练，得到若干个回归器，假设训练数据集的样本为(I1，S1)，(I2，S2)，...，(In，Sn)，其中Ii为人脸图片，Ii为人脸关键点位置的坐标，则每一层级联中的训练数据有如下形式：
Figure RE-FDA0003462633600000011
其中，N＝n×R，j∈{1，...，N}，i∈{1，...，N}，n为图片数，R为初始化倍数，Ij为训练集中的人脸图片，
Figure RE-FDA0003462633600000012
为当前层级联回归的人脸关键点的形状向量，ΔSi (t)为当前层预测值与真实值的差值；
迭代公式如下：
Figure RE-FDA0003462633600000013
Figure RE-FDA0003462633600000021
不断重复以上更新算法，如果当前层回归的级联层数设为k，则会生成r1，r2，...，rk若干回归器，即为第一层训练过程得到；
第二层回归训练，训练级联中的每一个回归器；采用梯度提升决策树GBDT实现，每级回归器学习的都是当前预测形状与真实形状的残差，通过GBDT表示初始形状与真实形状的关系，输入从当前图像中提取出的特征，用像素差作为特征；
根据人脸关键点生成口罩人脸样本。
4.根据权利要求3所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，GBDT构造中第一棵树的构造及基于第一棵树的第二棵树的构造；
所述第一棵树的构造包括将若干张图片输入到树中，图片划分到叶节点；计算每张图片的预测形状与实际形状的差值，即残差；将同一个叶节点中所有图片计算得来的残差取均值，并把均值保存在当前叶节点中；
第二棵树的构造使用残差和当前图片形状来共同更新当前图片形状，重复执行上步骤完成GBDT的构造。
5.根据权利要求3所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，所述根据人脸关键点生成口罩人脸样本具体包括：自动生成口罩人脸首先需要对人脸进行检测并进行对齐，得到人脸区域，然后用人脸关键点定位模型得到人脸关键点字典，从人脸关键点字典中找到鼻梁与下巴所对应的坐标，将口罩的上下边界的中点与这两个关键点进行对齐，即可生成口罩人脸图片。
6.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，S2具体包括：
对用户上传的人脸图像调用训练好的GBDT模型，找到下巴与鼻梁的关键点坐标，将口罩上下边界的中点与这两个关键点坐标对齐，自动生成该用户戴口罩的人脸图像；存放用户上传的不戴口罩的人脸图像和调用模型生成的戴口罩的人脸图像，构建用户的不戴口罩的人脸数据库和戴口罩的人脸数据库；
对训练样本中不戴口罩的人脸样本，调用模型，自动生成相应的戴口罩的人脸样本，构建训练样本的不戴口罩的人脸样本库和戴口罩的人脸样本库。
7.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，S3具体包括：在对人脸进行识别时，通过检查人脸的下巴和鼻梁关键点是否被遮挡来判断是否戴口罩，若判断为戴口罩/不戴口罩，则计算其与人脸数据库中戴口罩人脸/不戴口罩人脸的余弦距离，与余弦距离最接近于1且大于阈值的人脸所对应的人员即为所匹配的人脸；其中，余弦距离即余弦相似度，通过计算两个向量夹角的余弦值来代表两个向量的距离，计算公式如下：
Figure RE-FDA0003462633600000031
其中，x和y分别是两个n维的向量，且：
Figure RE-FDA0003462633600000032
Figure RE-FDA0003462633600000033
Figure RE-FDA0003462633600000034
当两个人脸的余弦相似度越接近1时，说明人脸越相似。
8.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，S4中采用基于普通的LBP算子及采用区域像素值中位数的改进型LBP算子计算LBP特征值；在正常的像素点用普通的LBP算子计算LBP特征值，在异常的像素点上使用改进型LBP算子，
普通LBP算子的计算公式为：
Figure RE-FDA0003462633600000035
其中，(xc，yc)为3*3区域的中心点，ic为中心点的像素值，ip为周围第p个像素点的像素值，sgn()为一个符号函数，具体为：
Figure RE-FDA0003462633600000036
基于中位数的改进型LBP算子的计算公式为：
Figure RE-FDA0003462633600000041
其中，ip为邻近点像素值，而im则为邻近像素点的像素值的中位数，用这个中位数来代替中心像素点的像素值；
对图像所有的像素点计算LBP值，得到图像的LBP特征矩阵，对该矩阵进行分块，每块单独地提取直方图向量，把所有直方图向量拼接在一起，得到图像的最终特征向量。
9.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，所述S5具体包括：根据预先采集的真实人脸图像和照片人脸图像，提取训练样本的纹理特征向量，向训练样本的特征向量打上标签，真脸标记为+1，假脸标记为-1，选取核函数为线性核函数C-Support Vector Classification，线性核函数为基于分类的线性支持向量机，含有惩罚系数C，按照算法流程训练支持向量机，具体过程为：
在二分类中，给定训练向量xi∈RP，i＝1,...,n和一个向量y∈{1,-1}n，SVC的目标函数为：
Figure RE-FDA0003462633600000042
它的对偶问题是：
Figure RE-FDA0003462633600000043
其中，e是所有的向量，C＞0是上界，Q是一个n×n的半正定矩阵，而Qij＝yiyjK(xi,xj)，其中K(xi,xj)＝φ(xi)Tφ(xi)是内核，所以训练向量是通过函数φ，间接映射到一个更高维度的空间。
10.根据权利要求9所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，对偶问题求解可得参数ω的最优解：
Figure RE-FDA0003462633600000051
决策函数是：
Figure RE-FDA0003462633600000052
11.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，所述S6具体包括提取人脸图像的纹理特征向量，将特征向量输入到支持向量机，根据支持向量机的输出结果判断该人脸图像是真实人脸还是假体人脸。
12.根据权利要求1所述的基于支持向量机的口罩人脸活体检测方法，其特征在于，所述S7具体包括：根据人脸识别结果和活体检测结果，当人脸识别成功且活体检测为活体时，输出“验证成功”的结果，否则输出“验证失败”。
CN202111561242.4A 2021-12-17 2021-12-17 一种基于支持向量机的口罩人脸活体检测方法 Pending CN114187644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111561242.4A CN114187644A (zh) 2021-12-17 2021-12-17 一种基于支持向量机的口罩人脸活体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111561242.4A CN114187644A (zh) 2021-12-17 2021-12-17 一种基于支持向量机的口罩人脸活体检测方法

Publications (1)

Publication Number Publication Date
CN114187644A true CN114187644A (zh) 2022-03-15

Family

ID=80544520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111561242.4A Pending CN114187644A (zh) 2021-12-17 2021-12-17 一种基于支持向量机的口罩人脸活体检测方法

Country Status (1)

Country Link
CN (1) CN114187644A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619410A (zh) * 2022-10-19 2023-01-17 闫雪 自适应金融支付平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619410A (zh) * 2022-10-19 2023-01-17 闫雪 自适应金融支付平台
CN115619410B (zh) * 2022-10-19 2024-01-26 闫雪 自适应金融支付平台

Similar Documents

Publication Publication Date Title
CN108447080B (zh) 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质
CN111783748B (zh) 人脸识别方法、装置、电子设备及存储介质
CN109344731B (zh) 基于神经网络的轻量级的人脸识别方法
CN111611880B (zh) 一种基于神经网络无监督对比学习的高效行人重识别方法
CN112016464A (zh) 检测人脸遮挡的方法、装置、电子设备及存储介质
CN111401145B (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN112464730B (zh) 一种基于域无关前景特征学习的行人再识别方法
CN107798308B (zh) 一种基于短视频训练法的人脸识别方法
CN107103308A (zh) 一种基于由粗到细深度尺度学习的行人重识别方法
CN112949468A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN109492610B (zh) 一种行人重识别方法、装置及可读存储介质
CN108345900A (zh) 基于颜色纹理分布特征的行人重识别方法及其系统
CN108520215A (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN110210321A (zh) 基于多维尺度变换网络与分块加权法的欠样本人脸识别方法
CN110427804B (zh) 一种基于二次迁移学习的虹膜身份验证方法
CN109858351B (zh) 一种基于层级实时记忆的步态识别方法
CN115862055A (zh) 基于对比学习和对抗训练的行人重识别方法及装置
CN111291785A (zh) 目标检测的方法、装置、设备及存储介质
CN114187644A (zh) 一种基于支持向量机的口罩人脸活体检测方法
CN118053232A (zh) 企业安全智能化管理系统及其方法
CN117437691A (zh) 一种基于轻量化网络的实时多人异常行为识别方法及系统
CN111461061A (zh) 一种基于相机风格适应的行人重识别方法
CN109934133A (zh) 一种基于三维局部约束模型的rgbd人脸识别方法
CN111652166B (zh) 基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法
CN112380966B (zh) 基于特征点重投影的单眼虹膜匹配方法

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