專利名稱：一種基于模板學習的人臉注冊方法及裝置的制作方法
技術領域：
本發(fā)明屬于人臉識別領域，具體涉及一種基于模板學習的人臉特征注冊方法及裝置。
背景技術：
在當今信息化時代，如何準確鑒定一個人的身份、保護信息安全，已成為一個必須解決的關鍵社會問題。傳統(tǒng)的身份認證由于極易偽造和丟失，越來越難以滿足社會的需求，目前最為便捷與安全的解決方案無疑就是生物特征識別技術。它不但簡潔快速，而且利用它進行身份的認定，安全、可靠、準確。同時更易于配合電腦和安全、監(jiān)控、管理系統(tǒng)整合，實現(xiàn)自動化管理。由于其廣闊的應用前景、巨大的社會效益和經(jīng)濟效益，生物特征識別技術最近幾年得到迅猛的發(fā)展，引起了廣泛關注和高度重視。常用的生物識別技術(BiometricIdentification Technology)有指紋識別、虹膜識別、掌紋掌脈識別和人臉識別，而作為身 份識別的有效技術，近年來人臉識別技術以其采集使用方便、非接觸等優(yōu)點逐漸被越來越多的用戶所認可，并得到迅速發(fā)展和廣泛應用。在過去的幾十年里，人臉識別已在商業(yè)和執(zhí)法部門得到廣泛應用，例如刑事鑒定、信用卡識別、安全系統(tǒng)、現(xiàn)場監(jiān)控、門禁考勤等。隨著在實際中應用的推廣，人臉識別存在的問題和難點也逐漸凸顯出來。遮擋會導致人臉特征發(fā)生變化，會增加人臉識別的困難，增加拒識率；光照、姿態(tài)和表情的變化，也會導致一個人的不同環(huán)境下的人臉特征差異很大，降低了識別率，還有可能出現(xiàn)錯誤識別。因此，如何解決由于遮擋、光照、姿態(tài)和表情變化等因素造成的人臉特征的變化從而使人臉識別效率降低的問題已經(jīng)成為人臉識別技術中的迫切需要解決的問題。

發(fā)明內(nèi)容
為了解決由于遮擋、光照、姿態(tài)和表情變化等因素造成的人臉特征的變化從而使人臉識別效率降低的問題，本發(fā)明提出了一種基于模板學習的人臉注冊方法，包括以下步驟
51、建立人臉模板的學習樣本集；
52、采集人臉圖片，并提取其中的待注冊人臉特征；
53、利用所述學習樣本集中的樣本特征對所述待注冊人臉特征進行學習，得到學習后的人臉特征模板。所述學習樣本集包括包含至少一個正樣本的正樣本集。所述正樣本包括待注冊人臉的人臉圖片或按照指定的方法提取的待注冊人臉的人臉特征，且所述正樣本包含遮擋、和/或光照、和/或姿態(tài)、和/或表情的差異性。所述學習樣本集還包括負樣本集。所述負樣本包括除待注冊人臉外的人臉圖片或按照指定的方法提取的除待注冊人臉外的其他人臉的人臉特征。
所述建立人臉模板的學習樣本集包括建立負樣本集。所述采集人臉圖片，并提取其中的待注冊人臉特征，還包括建立用于模板學習的正樣本集。
所述利用所述學習樣本集中的樣本特征對待注冊人臉特征進行學習，得到學習后的人臉特征模板，包括
根據(jù)待注冊人臉特征和學習樣本集的樣本特征定義目標函數(shù)；
建立使目標函數(shù)極小化的優(yōu)化模型；
求解優(yōu)化模型，獲得學習后的人臉特征。所述采集人臉圖片，并提取其中的待注冊人臉特征進一步包括人臉檢測定位、歸一化和特征提取；
所述待注冊人臉特征和學習樣本集的樣本特征定義一個目標函數(shù)，包括選擇相似度度量方法，并建立待注冊人臉特征與負樣本的相似度得分之和及其與正樣本的相似度得分之和差值的目標函數(shù)；所述建立使目標函數(shù)極小化的優(yōu)化模型，還包括針對目標函數(shù)設置模板特征和注冊樣本特征的相似度得分的約束，確定使目標函數(shù)極小化的優(yōu)化目標，建立優(yōu)化模型。在步驟S3之后還包括保存得到的人臉特征模板。本發(fā)明還提供了一種基于模板學習的人臉注冊裝置，包括
樣本集建立模塊，用于建立模板學習樣本集，所述模板學習樣本集包括包含至少一個正樣本的正樣本集和包含零個或至少一個負樣本的負樣本集；
特征采集模塊，用于采集人臉圖片，并提取其中的待注冊人臉特征；
模板學習模塊，利用所述學習樣本集中的樣本特征對待注冊人臉特征進行學習，得到學習后的人臉特征模板。所述模板學習模塊進一步包括
目標函數(shù)定義子模塊，選擇相似度度量方法，并建立待注冊人臉特征與負樣本的相似度得分之和及其與正樣本的相似度得分之和差值的目標函數(shù)；
優(yōu)化模型建立子模塊，針對目標函數(shù)設置模板特征和注冊樣本特征的相似度得分的約束，確定使目標函數(shù)極小化的優(yōu)化目標，建立優(yōu)化模型；
運算子模塊，求解優(yōu)化模型，進而獲得新的注冊人臉特征。本發(fā)明的一種基于模板學習的人臉注冊方法及裝置，在人臉特征注冊過程中，增加了模板學習的步驟，在對當前注冊人臉進行特征提取后，基于給定的正負樣本集，對模板特征進行優(yōu)化學習。由于優(yōu)化過程充分考慮了類內(nèi)和類間不同的情況，給定的正樣本集中的人臉特征模板庫具有遮擋、光照、姿態(tài)和表情上的差異，給定的負樣本集中的人臉圖像不包含待注冊人群的人臉圖片，與待注冊人臉圖片具有類間差異性特征。因此經(jīng)過模板學習后的人臉特征更具有典型性，對化妝、遮擋、光照、姿態(tài)和表情變化也具有很好的魯棒性，有效的降低了拒識率，提高了識別效率。


圖I是本發(fā)明實施例一的基于模板學習的人臉注冊方法的流程 圖2是本發(fā)明實施例二的基于模板學習的人臉注冊方法的流程圖；圖3是本發(fā)明實施例的人臉注冊示意 圖4是本發(fā)明實施例注冊時人臉模板學習流程 圖5是本發(fā)明基于模板學習的人臉注冊裝置結構 圖6是本發(fā)明基于模板學習的人臉注冊裝置模板學習模塊結構圖。
具體實施例方式以下實施例進一步闡述本發(fā)明的內(nèi)容，并非用以限定本發(fā)明的內(nèi)容。首先，人臉識別的工作流程一般分為人臉注冊和人臉識別兩個步驟。人臉注冊的目的是預先建立一個人臉特征模板庫，通過預先采集待識別群體的人臉圖片，并從中提取人臉特征樣本加以存儲，作為識別過程的參考依據(jù)。人臉識別系統(tǒng)對人臉特征進行取樣， 提取其具有唯一性的特征并且轉(zhuǎn)化成數(shù)字代碼，然后進一步將這些代碼組合而形成特征模板。人們在同一識別系統(tǒng)交互進行身份認證時，識別系統(tǒng)獲取其特征并與特征模板進行比對，以確定是否匹配，從而決定身份認證是否成功，因此登記的特征模板的質(zhì)量直接影響用戶識別的準確性和速度。本發(fā)明的一種基于模板學習的人臉注冊方法，包括以下步驟
Si、建立人臉模板的學習樣本集；
在進行人臉注冊和識別之前，需要建立一個訓練樣本的集合。根據(jù)經(jīng)過該訓練樣本集合訓練得出的特征向量降維矩陣，對從人臉圖片中提取的人臉特征進行降維處理。訓練樣本可以利用國際人臉數(shù)據(jù)庫中的人臉圖片，也可以通過采集人臉圖片獲得。訓練樣本集中的樣本越多，訓練得到的降維矩陣越準確，識別效果越好。為了實現(xiàn)在注冊過程中的模板學習，還需要建立一個用于模板學習的樣本的集合。用于模板學習的樣本集包括兩種正樣本集和負樣本集。負樣本集的樣本數(shù)量可以為零，但是沒有負樣本的情況下，模板學習后的人臉特征對識別效率的提高程度會有所下降。正樣本集對模板學習的效果影響顯著，所以正樣本的數(shù)量至少為一。所述負樣本集的負樣本數(shù)量可以為零，所述負樣本可以是上述訓練樣本集合中的一部分樣本，也可以是與訓練樣本集合中的樣本無關的樣本。但是，所述負樣本必須是與待注冊人臉無關的人臉圖片，該樣本集可通過采集與注冊人群無關的人臉圖片得到，也可從現(xiàn)有的國際人臉數(shù)據(jù)庫中直接選取M (M可為O)張人臉圖片得到。所述負樣本的數(shù)量根據(jù)實際情況確定，數(shù)量越多代表的類間特征越多，但是占用一定的存儲資源，在進行模板學習時速度也會較慢。所述正樣本集包含至少一個正樣本，所述正樣本是與注冊的人臉圖片有關的人臉圖片，可以預先分時間段采集待注冊人臉在不同光照、姿態(tài)和表情環(huán)境下的N張人臉圖片，也可以在采集待注冊人臉圖片時，多采集N張人臉圖片作為該類待注冊人臉圖片進行模板學習的正樣本。為了提高學習后的模板特征對遮擋、光照、姿態(tài)、表情等的魯棒性，要求N張作為正樣本的人臉圖片應該在面部遮擋、光照或者姿態(tài)表情上存在差異，正樣本的數(shù)量越多，代表的待注冊人員的類內(nèi)的特征越多，越有利于識別效率的提高。S2、采集人臉圖片，并提取其中的待注冊人臉特征；
在人臉注冊過程中，對采集到的注冊人臉圖片進行人臉檢測、定位、歸一化成指定大小的人臉圖片，然后針對所述歸一化后的人臉圖片進行特征提取，得到待注冊人臉特征，再將所述待注冊人臉特征基于極大化類內(nèi)相似度和極小化類間相似度的思想對給定的正負樣本集進行模板學習。需要說明的一點是，如果樣本集中的樣本是人臉圖片，在進行模板學習前，還需要按照與待注冊人臉圖片同樣的處理方法對樣本集中的正負樣本進行人臉檢測定位、歸一化及特征提取。模板學習主要是利用正負樣本集的圖片特征對注冊圖片特征進行優(yōu)化更新。該學習的目的是通過極大化正樣本集與注冊特征間的類內(nèi)相似度和極小化負樣本與注冊特征間的類間相似度，優(yōu)化待注冊人臉特征，來提高注冊的人臉特征模板的魯棒性。為達到這個目的，首先根據(jù)待注冊樣本特征和樣本集的樣本特征定義一個目標函數(shù)，然后結合極大化類內(nèi)相似度和極小化類間相似度的思想，建立極小化目標函數(shù)的優(yōu)化模型，通過求解模型中的優(yōu)化問題來實現(xiàn)對注冊特征的模板學習。在人臉注冊過程中，首先采集待注冊人臉圖片Pn，并對所述待注冊人臉圖片？ 進行人臉檢測定位，若能夠獲得人眼信息，說明人臉檢測定位成功，否則，當前采集的待注冊人臉圖片Pn無效，重新采集。在人臉檢測定位成功后，根據(jù)眼睛信息對所述圖片Pn進行歸一化處理，得到指定尺寸大小的人臉圖片Pn’ ；再對歸一化后的人臉圖片Pn’進行特征提取，
以得到降維后的人臉特征(Kr^Vr)。
其中表示人臉特征向量，通常為一個多維向量矩陣，I為待注冊的人臉圖片的類別標簽，例如人臉圖片所屬用戶的編號。同樣，對所有負樣本和所述類別標簽對應的正樣本集中的樣本進行特征提取,假設其對應的正樣本集的樣本特征為= IX " 肩’負樣本集
的樣本特征為i = 1,2, ...,Μ],即有N個正樣本和M個負樣本。所述正樣本的類別標簽與待注冊的人臉圖片的類別標簽必須相同，即正樣本與待注冊的人臉圖片必須是同一個人的人臉圖片。本發(fā)明利用給定的正、負樣本集，計算得到一個新的特征向量Wji ,
利用(wr.f yj代替(xrjg作為注冊特征模板。所述人臉檢測定位主要是確定圖像中人臉的位置。目前關于人臉檢測存在許多方法，如基于灰度特征、主動形狀模型等基于特征的人臉檢測方法，主成分分析、Adaboost方法等基于圖像的人臉檢測方法。在本發(fā)明中，可以使用上述任何方法實現(xiàn)人臉檢測定位功倉泛。在人臉檢測定位后，需要對器官進行定位，進而調(diào)整人臉方向，統(tǒng)一人臉圖像的大小，如定位出眼睛位置，指根據(jù)眼睛位置信息，將不同尺寸大小的人臉圖片歸一化為相同尺寸的圖片，所述相同尺寸會依據(jù)不同的特征提取方式采用不同大小的尺寸。關于特征提取，目前存在多種特征提取及特征降維的方法，如基于人臉灰度圖的LDA、PCA、ICA特征臉方法，以及基于紋理的Gabor小波和局部二元模式(LBP)特征提取方法等。本發(fā)明可以采用上述任一方法進行特征提取，只要保證在人臉注冊和人臉識別時采用同樣的特征提取方法即可。
S3、利用所述學習樣本集中的樣本特征對所述待注冊人臉特征進行學習，得到學習后的人臉特征模板。對待注冊人臉特征圖片，在得到其降維后的圖片特征& 1)后，利用給定的正、負
樣本集，在實現(xiàn)極大化類內(nèi)相似度和極小化類間相似度的過程中對模板特征進行學習更新。所述類內(nèi)相似度指待注冊人臉特征與正樣本集中的樣本的相似度，所述類間相似度指待注冊人臉特征與負樣本集中的樣本的相似度，極大化類內(nèi)相似度和極小化類間相似度的思想指使待注冊的人臉特征與負樣本集中的樣本的相似度得分最小，與正樣本集中的樣本的相似度得分最大。關于樣本間的相似度計算目前存在多種度量方式，比較常用的如余弦距離、歐氏距離、馬氏距離等。在本發(fā)明實施例中，根據(jù)不同的相似性度量方法，在學習樣本集的樣本特征和待注冊樣本特征間可定義不同的相似度函數(shù)。同時基于極大化類內(nèi)相似度和極小化類間相似度的思想，建立極小化目標函數(shù)的優(yōu)化模型，然后利用優(yōu)化方法來求解模型中的 優(yōu)化問題，進而實現(xiàn)模板特征的更新。本發(fā)明以余弦距離為相似性度量方法進行舉例，描述模板學習的思想及目標函數(shù)定義、優(yōu)化模型建立和求解過程。模板學習的具體步驟如下
首先，根據(jù)待注冊人臉特征和預先給定的正負特征樣本集建立目標
權利要求
1.一種基于模板學習的人臉注冊■方法，其特征在于，包括 建立人臉模板的學習樣本集； 采集人臉圖片，并提取其中的待注冊人臉特征； 利用所述學習樣本集中的樣本特征對所述待注冊人臉特征進行學習，得到學習后的人臉特征模板。
2.根據(jù)權利要求I所述的方法，其特征在于，所述學習樣本集包括包含至少ー個正樣本的正樣本集。
3.根據(jù)權利要求2所述的方法，其特征在于，所述正樣本包括待注冊人臉的人臉圖片或按照指定的方法提取的待注冊人臉圖片的人臉特征。
4.根據(jù)權利要求3所述的方法，其特征在于，所述人臉圖片包含遮擋、和/或光照、和/或姿態(tài)、和/或表情的差異性。
5.根據(jù)權利要求2所述的方法，其特征在于，所述學習樣本集還包括負樣本集。
6.根據(jù)權利要求5所述的方法，其特征在干，所述負樣本集中的負樣本包括除待注冊人臉外的人臉圖片或按照指定的方法提取的除待注冊人臉外的其他人臉的人臉特征。
7.根據(jù)權利要求I所述的方法，其特征在于，所述建立人臉模板的學習樣本集包括建立負樣本集。
8.根據(jù)權利要求7所述的方法，其特征在于，所述采集人臉圖片，并提取其中的待注冊人臉特征，還包括建立用于模板學習的正樣本集。
9.根據(jù)權利要求I所述的方法，其特征在于，利用所述學習樣本集中的樣本特征對所述待注冊人臉特征進行學習，得到學習后的人臉特征模板，進ー步包括 根據(jù)待注冊人臉特征和學習樣本集特征定義目標函數(shù)； 建立使目標函數(shù)極小化的優(yōu)化模型； 求解優(yōu)化模型，獲得學習后的人臉特征。
10.根據(jù)權利要求9所述的方法，其特征在于，所述根據(jù)待注冊人臉特征和學習樣本集特征定義目標函數(shù)，包括選擇相似度度量方法，并建立待注冊人臉特征與負樣本的相似度得分之和及其與正樣本的相似度得分之和差值的目標函數(shù)。
11.根據(jù)權利要求10所述的方法，其特征在于，所述建立使目標函數(shù)極小化的優(yōu)化模型，還包括針對目標函數(shù)設置模板特征和注冊樣本特征的相似度得分的約束，確定使目標函數(shù)極小化的優(yōu)化目標，建立優(yōu)化模型。
12.一種基于模板學習的人臉注冊裝置，其特征在于，包括 樣本集建立模塊，用于建立模板學習樣本集，所述模板學習樣本集包括包含至少ー個正樣本的正樣本集； 特征采集模塊，用于采集人臉圖片，并提取其中的待注冊人臉特征； 模板學習模塊，提取采集的待注冊人臉圖片中的人臉特征，利用所述學習樣本集中的樣本特征對待注冊圖片特征進行學習，得到學習后的人臉特征模板。
13.根據(jù)權利要求12所述的裝置，其特征在于，所述模板學習模塊進ー步包括 目標函數(shù)定義子模塊，選擇相似度度量方法，并建立待注冊人臉特征與負樣本的相似度得分之和及其與正樣本的相似度得分之和差值的目標函數(shù)； 優(yōu)化模型建立子模塊，針對目標函數(shù)設置模板特征和注冊樣本特征的相似度得分的約束，確定使目標函數(shù)極小化的優(yōu)化目標，建立優(yōu)化模型； 運算子模塊，求解優(yōu)化模型，進而獲得新的注冊人臉特征。
全文摘要
本發(fā)明公開了一種基于模板學習的人臉特征注冊方法，屬于人臉識別領域，包括建立人臉模板的學習樣本集；采集人臉圖片，并提取其中的待注冊人臉特征；利用所述學習樣本集中的樣本特征對所述待注冊人臉特征進行學習，得到學習后的人臉特征模板。所述樣本集中包括與注冊人臉相關的正樣本和與注冊人臉無關的負樣本，所述正樣本與注冊的人臉圖片在遮擋、光照、表情和姿態(tài)方面具有差異性。本發(fā)明通過在模板注冊過程中，通過將待注冊人臉特征模板對給定的樣本集中的正樣本和負樣本的人臉特征進行學習，在注冊過程中，對注冊模板的特征進行優(yōu)化和更新，提高注冊模板對遮擋、光照、姿態(tài)及表情的魯棒性，進而有效的提高了識別效率。
文檔編號G06K9/66GK102682309SQ20111006037
公開日2012年9月19日 申請日期2011年3月14日 優(yōu)先權日2011年3月14日
發(fā)明者黃磊 申請人:漢王科技股份有限公司