專利名稱：結合生物特征與局部圖像特征的并行人臉識別方法
技術領域：
本發(fā)明涉及一種人臉識別方法，尤其是涉及一種結合生物特征與局部圖像特征的并行人臉識別方法。
背景技術：
視頻分析技術，是一種計算機圖像視覺分析技術，通過將場景中背景和目標分離， 進而分析并追蹤在監(jiān)控視頻場景內出現的目標，可以部分替代人工盯屏幕或人工檢索錄像，實現實時甚至是高速的檢索，對促進社會安定、保障廣大人民生命財產的安全，有著重要意義。人臉識別技術，是智慧視頻分析技術的重要組成部分，自動在監(jiān)控視頻圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術處理，包括人臉圖像采集、 人臉定位、人臉識別預處理、記憶存儲和比對辨識，達到識別不同人身份的目的。目前，常見的人臉識別技術有三種(1)可見光圖像的人臉識別技術，有30多年的研發(fā)歷史，是目前得到較廣泛應用的人臉識別系統(tǒng)，如門禁、考勤、證件核對等，其技術核心有兩種一種主要是基于對人臉的生物特征進行比對，如五官間的距離等等，其優(yōu)勢是精度較高，缺點是對圖像質量要求較高；一種是基于圖像特征點提取與匹配的方法，通常具有尺度不變性等優(yōu)勢，但由于缺少有意義的條件約束，困難在于如何減少特征點誤匹配。視頻相對于圖像而言，分辨率低，容易受到光線、陰影等環(huán)境因素的影響，人物處于自然運動狀態(tài)。傳統(tǒng)的生物特征檢測難以發(fā)揮作用；基于特征點的方法中，SIFT以其尺度不變性受到重視，不同距離對特征點匹配的影響得到研究，很多研究集中于特定人臉數據庫。對于不同分辨率、生物特征約束、匹配評價自適應方面的研究則較少。(2)三維圖像人臉識別技術，采用兩臺或多臺攝像機，獲取臉部數據，基于三維重建技術得到人臉三維結構，對戴眼鏡、貼胡子等有意識地改變具有較好的魯棒性，近年來在日本與以色列在此領域取得較大進展，并在一些對安全要求較高的應用領域得到青睞。但對現有的視頻監(jiān)控系統(tǒng)而言，需要增加硬設備；攝像機需要標定和畸變校正，且一旦位置移動，則需要重新標定，這必須要有專業(yè)人員才能實施。三維圖像人臉識別技術可以在一定程度上解決光照問題，但缺點也很明顯，一是采集設備極其復雜和昂貴；二是無法和現有可見光人臉圖像數據兼容，這些都大大限制了它們的應用，阻礙了三維圖像方法成為人臉識別主流技術。(3)主動近紅外圖像的人臉識別技術，該技術在不同光線條件下，能夠拍攝不受環(huán)境光照變化影響的近紅外人臉圖像，能夠在人臉左右旋轉90度以上、或人臉被部分遮擋時，快速穩(wěn)定流暢地進行人臉跟蹤，能同時識別場景范圍內的多張人臉。在精度、穩(wěn)定性和速度方面的整體系統(tǒng)性能超過三維圖像人臉識別，并且在紅外圖像對可見光圖像混合識別的研究也取得了突破進展，使其可以和現有可見光人臉數據兼容。中科院自動化研究所李子青等人研發(fā)的相關系統(tǒng)在上海世博會應用于身份鑒別，取得較好效果，缺點是需要專門的紅外采集設備，對現有的視頻監(jiān)控系統(tǒng)進行改造或新建，費用相當昂貴，普及起于來有較大困難。

發(fā)明內容
本發(fā)明的目的就是為了克服上述現有技術存在的缺陷而提供一種適用范圍廣、實現成本低、識別精度高的結合生物特征與局部圖像特征的并行人臉識別方法。本發(fā)明的目的可以通過以下技術方案來實現一種結合生物特征與局部圖像特征的并行人臉識別方法，其特征在于，包括以下步驟1)視頻數據導入；2)判斷是否可讀取下一幀圖像，若為是，執(zhí)行步驟3)，若為否，執(zhí)行步驟18)；3)將幀圖像數據傳輸給顯卡中的顯存內，同時將人臉檢測代碼發(fā)送給顯卡的處理器中；4)顯卡中處理器對顯存中的幀圖像進行人臉檢測，并判斷是否檢測到人臉，若為是，執(zhí)行步驟幻，若為否，返回步驟2)；5)選取檢測到的人臉圖像，記作F，并初始化粗匹配點數Mr和精匹配點數Me，即 Mr = 0 禾口 Me = 0 ；6)從標準數據庫中的選取相同人臉的標準圖像，并將其像素大小調整到與檢測到的人臉圖像F相同，將調整后的標準圖像記作P ；7)檢測F和P的眼睛位置，根據各自眼睛之間的連線和該連線的中垂線分別將F 和P分成四個部分；8)計算F的SIFT特征點集，記作X = {Xi | = 0，-,η}，同時計算P的的SIFT特征點集，記作Y = {Yj I j = 0，…，m}；9)判斷i是否小于n，若為是，執(zhí)行步驟10)，若為否，返回步驟4)；10)計算Xi與Y中的任意點之間的距離，并從小到大順序排列，記作Di = {Dik|k =0，…，m}；11)判斷DiO < d&&DiO/Di 1 < dd是否成立，若為是，執(zhí)行步驟12)，若為否，i++后返回步驟9)；12)將Xi、Y(D0)、Di0、Di0/Dil進行存儲，其中Y(DO)為Y中與Xi之間最近的特征點，并Mr++ ；13)判斷Xi、Y(D0)是否在臉部的同一區(qū)，若為是，執(zhí)行步驟14)；若為否，執(zhí)行步驟 15)；14)將乂1、丫(00)、010、010/1^1進行存儲，并]^++，1++，返回步驟9)；15)判斷Dil <d&&Dil/Di2<dd是否成立，若為是，執(zhí)行步驟16)，若為否，i++后返回步驟9)；16)判斷Xi、Y(Dl)是否在臉部的同一區(qū)，若為是，執(zhí)行步驟17)，若為否，i++后返回步驟9)；17)將乂1、丫(01)、011、011/1^2進行存儲，并]^++，1++，返回步驟9)；18)各幀圖片依據上述存儲的數據進行排序，并輸出結果。
所述的視頻數據包括視頻文件或直接實時采樣監(jiān)控設備的視頻數據，其中視頻文件讀取為關鍵幀，直接實時采樣監(jiān)控設備的視頻數據讀取的為采樣到的每一幀圖像。所述的粗匹配點數為滿足距離小于閾值d且順序相鄰的兩匹配點距離比要小于閾值dd的特征點，所述的精匹配點數為滿足粗匹配條件且要求匹配的點在面部同一區(qū)域。所述的各幀圖片進行排序，并輸出結果具體為將各幀圖片按照精匹配點數、匹配率從大到小排序，將滿足精匹配點數、匹配率設定閾值的結果輸入，其中匹配率為精匹配點數與總特征點數之比。與現有技術相比，本發(fā)明具有以下優(yōu)點(1)適用范圍廣，在普通視頻(分辨率640*480，人臉50*50像素)，通過本發(fā)明方法可取得優(yōu)秀的檢索結果；(2)實現成本低，本發(fā)明可在主流配置的PC上配置主流支持GPU運算的顯卡，即可取得實時檢索效果；(3)識別精度高，通過進行精匹配來提高識別精度。


圖1為本發(fā)明的流程圖；圖2為本發(fā)明的硬件結構示意圖。
具體實施例方式下面結合附圖和具體實施例對本發(fā)明進行詳細說明。實施例如圖1所示，一種結合生物特征與局部圖像特征的并行人臉識別方法，包括以下步驟1)視頻數據導入；2)判斷是否可讀取下一幀圖像，若為是，執(zhí)行步驟3)，若為否，執(zhí)行步驟18)；3)將幀圖像數據傳輸給顯卡中的顯存內，同時將人臉檢測代碼發(fā)送給顯卡的處理器中；4)顯卡中處理器對顯存中的幀圖像進行人臉檢測，并判斷是否檢測到人臉，若為是，執(zhí)行步驟幻，若為否，返回步驟2)；5)選取檢測到的人臉圖像，記作F，并初始化粗匹配點數Mr和精匹配點數Me，即 Mr = 0 禾口 Me = 0 ；6)從標準數據庫中的選取相同人臉的標準圖像，并將其像素大小調整到與檢測到的人臉圖像F相同，將調整后的標準圖像記作P ；7)檢測F和P的眼睛位置，根據各自眼睛之間的連線和該連線的中垂線分別將F 和P分成四個部分；8)計算F的SIFT特征點集，記作X = {Xi | = 0，…，η}，同時計算P的的SIFT特征點集，記作Y = {Yj I j = 0，…，m}；9)判斷i是否小于n，若為是，執(zhí)行步驟10)，若為否，返回步驟4)；10)計算Xi與Y中的任意點之間的距離，并從小到大順序排列，記作Di = {Dik|k=0，…，m}；11)判斷DiO < d&&DiO/Di 1 < dd是否成立，若為是，執(zhí)行步驟12)，若為否，i++后返回步驟9)；12)將Xi、Y(D0)、Di0、Di0/Dil進行存儲，其中Y(DO)為Y中與Xi之間最近的特征點，并Mr++ ；13)判斷Xi、Y(D0)是否在臉部的同一區(qū)，若為是，執(zhí)行步驟14)；若為否，執(zhí)行步驟 15)；14)將乂1、丫(00)、010、010/1^1進行存儲，并]^++，1++，返回步驟9)；15)判斷Dil <d&&Dil/Di2<dd是否成立，若為是，執(zhí)行步驟16)，若為否，i++后返回步驟9)；16)判斷Xi、Y(Dl)是否在臉部的同一區(qū)，若為是，執(zhí)行步驟17)，若為否，i++后返回步驟9)；17)將乂1、丫(01)、011、011/1^2進行存儲，并]^++，1++，返回步驟9)；18)各幀圖片依據上述存儲的數據進行排序，并輸出結果。其中步驟的解釋如下視頻圖像源101視頻文件，或是直接實時采樣自監(jiān)控設備的視頻數據，均可作為檢測和識別對象。 前者讀取關鍵幀，后者讀取采樣到的每一幀圖像。本發(fā)明特點在于針對普通攝像機取得的分辨率不高的視頻進行識別。粗匹配的改進一精匹配102傳統(tǒng)的特征點匹配，僅需滿足距離小于閾值d、順序相鄰的兩匹配點距離比要小于閾值dd即可，稱之為粗匹配。本發(fā)明加入了人臉區(qū)域約束，要求匹配的點必須在面部同一區(qū)域，如不滿足，則找第二匹配點，再判斷是不是滿足上述條件。滿足前述兩個條件方能算是精匹配。與一般尋求更多匹配點的方法不同，本發(fā)明更注重匹配點的質量，盡可能去除有問題的匹配點。特征點求解新方法103目前SIFT特征點的求解中，對金字塔層數、數量以及尺度因子均使用DAVID LOffE 提出此方法時給出的值，對用于匹配的兩幅圖均使用原始大小，未對這些參數值和匹配圖像之間的關系進行分析和定制。本發(fā)明考慮到源圖與視頻中的圖的大小存在相當大的差異，通常是源圖較大，因而首先將源圖調整至視頻中檢測到的人臉的大小。經過反復實驗，對應于視頻中人臉大小范圍，確定SIFT中的三個參數的最佳值，保證了特征點的有效性。對于一幅灰度圖像I (X，y)進行SIFT特征點檢測和描述的方法如下一、SIFT特征點的檢測1、對灰度圖象I (X，y)建立離散尺度空間，即用不同尺度的高斯核對圖像進行卷積L(x, y, σ s) = G(χ, y, σ s)*I(x，y), (s = 0，1，· · ·，S_l)
權利要求
1.一種結合生物特征與局部圖像特征的并行人臉識別方法，其特征在于，包括以下步驟1)視頻數據導入；2)判斷是否可讀取下一幀圖像，若為是，執(zhí)行步驟3)，若為否，執(zhí)行步驟18)；3)將幀圖像數據傳輸給顯卡中的顯存內，同時將人臉檢測代碼發(fā)送給顯卡的處理器中；4)顯卡中處理器對顯存中的幀圖像進行人臉檢測，并判斷是否檢測到人臉，若為是，執(zhí)行步驟5)，若為否，返回步驟2)；5)選取檢測到的人臉圖像，記作F，并初始化粗匹配點數Mr和精匹配點數Me，即Mr= 0 禾口 Me = 0 ；6)從標準數據庫中的選取相同人臉的標準圖像，并將其像素大小調整到與檢測到的人臉圖像F相同，將調整后的標準圖像記作P ；7)檢測F和P的眼睛位置，根據各自眼睛之間的連線和該連線的中垂線分別將F和P 分成四個部分；8)計算F的SIFT特征點集，記作X= }Xi =0，…，η}，同時計算P的的SIFT特征點集，記作 Y = {Y j I j = 0，…，m}；9)判斷i是否小于n，若為是，執(zhí)行步驟10)，若為否，返回步驟4)；10)計算Xi與Y中的任意點之間的距離，并從小到大順序排列，記作Di= {Dik|k = 0，…，m}；11)判斷DiO< d&&DiO/Dil < dd是否成立，若為是，執(zhí)行步驟12)，若為否，i++后返回步驟9)；12)將Xi、Y(D0)、Di0、Di0/Dil進行存儲，其中Y(DO)為Y中與Xi之間最近的特征點， 并 Mr++ ；13)判斷Xi、Y(DO)是否在臉部的同一區(qū)，若為是，執(zhí)行步驟14)；若為否，執(zhí)行步驟15)；14)將父丨、￥(00)、0丨0、0丨0/1^1進行存儲，并116++，i++，返回步驟9)；15)判斷Dil< d&&Dil/Di2 < dd是否成立，若為是，執(zhí)行步驟16)，若為否，i++后返回步驟9)；16)判斷Xi、Y(Dl)是否在臉部的同一區(qū)，若為是，執(zhí)行步驟17)，若為否，i++后返回步驟9)；17)將父丨、丫(01)、0丨1、0丨1/1^2進行存儲，并116++，i++，返回步驟9)；18)各幀圖片依據上述存儲的數據進行排序，并輸出結果。
2.根據權利要求1所述的一種結合生物特征與局部圖像特征的并行人臉識別方法，其特征在于，所述的視頻數據包括視頻文件或直接實時采樣監(jiān)控設備的視頻數據，其中視頻文件讀取為關鍵幀，直接實時采樣監(jiān)控設備的視頻數據讀取的為采樣到的每一幀圖像。
3.根據權利要求1所述的一種結合生物特征與局部圖像特征的并行人臉識別方法，其特征在于，所述的粗匹配點數為滿足距離小于閾值d且順序相鄰的兩匹配點距離比要小于閾值dd的特征點，所述的精匹配點數為滿足粗匹配條件且要求匹配的點在面部同一區(qū)域。
4.根據權利要求1所述的一種結合生物特征與局部圖像特征的并行人臉識別方法，其特征在于，所述的各幀圖片進行排序，并輸出結果具體為將各幀圖片按照精匹配點數、匹配率從大到小排序，將滿足精匹配點數、匹配率設定閾值的結果輸入，其中匹配率為精匹配點數與總特征點數之比。
全文摘要
本發(fā)明涉及一種結合生物特征與局部圖像特征的并行人臉識別方法，包括1)視頻數據導入；2)判斷是否可讀取下一幀圖像，若為是，執(zhí)行步驟3)，若為否，執(zhí)行步驟18)；3)將幀圖像數據傳輸給顯卡中的顯存內，同時將人臉檢測代碼發(fā)送給顯卡的處理器中；4)顯卡中處理器對顯存中的幀圖像進行人臉檢測，并判斷是否檢測到人臉，若為是，執(zhí)行步驟5)，若為否，返回步驟2)；5)選取檢測到的人臉圖像，記作F，并初始化粗匹配點數Mr和精匹配點數Me，即Mr＝0和Me＝0等步驟。與現有技術相比，本發(fā)明具有適用范圍廣、實現成本低、識別精度高等優(yōu)點。
文檔編號G06K9/00GK102521581SQ201110436640
公開日2012年6月27日 申請日期2011年12月22日 優(yōu)先權日2011年12月22日
發(fā)明者劉翔 申請人:劉翔