本發(fā)明涉及人臉識別
技術(shù)領(lǐng)域：
，具體地說是一種在醫(yī)保應(yīng)用中場景自適應(yīng)的人臉識別系統(tǒng)。
背景技術(shù)：
：人臉是一個人最天然、最直觀的身份特征表示，人臉圖像取樣方便，且不同人臉重復(fù)(俗稱撞臉)的概率極低，非常適用于需要做身份鑒別的場合。人臉識別是基于人的臉部特征信息進行身份識別的一種生物識別技術(shù)，通過將靜態(tài)圖像或視頻幀圖像與數(shù)據(jù)庫中的人臉圖像進行匹配，以達到身份識別和鑒定的目的。相比于指紋、虹膜、DNA等其他的生物識別技術(shù)，人臉識別技術(shù)更加友好便捷，因此具有廣泛的應(yīng)用前景。隨著深度學(xué)習(xí)算法的發(fā)展，人臉識別的準確率越來越高，該技術(shù)開始大規(guī)模進入實用階段。人臉識別系統(tǒng)普遍存在的一個問題就是識別效果容易受到環(huán)境的影響，在不同的場景下，由于受到光照、分辨率等因素的影響，人臉匹配的相似度會出現(xiàn)波動，某些惡劣情況下，識別的正確率甚至?xí)眲∠陆怠Ｒ葬t(yī)保應(yīng)用為例，在系統(tǒng)內(nèi)儲存有標準人臉圖像，根據(jù)現(xiàn)場對人臉圖像的采集，將其與標準人臉圖像進行比對。一般來說，儲存在數(shù)據(jù)庫中的人臉圖像，通常是在環(huán)境極好的場景下拍攝的，例如身份證照，不存在光照不良、成像模糊等問題，而人臉識別系統(tǒng)在工作時，往往是通過監(jiān)控攝像頭獲取到人臉圖像，往往會出現(xiàn)暗光、側(cè)光、距離過遠不清楚、運動過快成像模糊等問題。當兩張所處環(huán)境類似的人臉圖像進行比對時，其相似度結(jié)果輸出正常，不同人的相似度低，同一人的相似度高；而當兩張環(huán)境差異較大的人臉圖像進行比對時，其相似度結(jié)果就會急劇下降，即使同一個人的兩張照片，相似度也會很低，與兩張不同人照片的相似度差不多，從而導(dǎo)致錯誤的識別結(jié)果。例如，用戶A、B的注冊照均為身份證照片，用戶A在普通環(huán)境下，攝像頭抓拍到的人臉圖像，與自身注冊照相似度達到90％，與用戶B的注冊照相似度為60％，假設(shè)系統(tǒng)以相似度70％為判斷界限，故而此圖可以正確識別為用戶A；而在暗光狀態(tài)下，A與其自身注冊照的相似度也只有60％，與用戶B的相似度為40％，從而此圖被判斷為不在庫中的未注冊人臉，識別結(jié)果錯誤。正是因為以上原因，影響了人臉識別的適用范圍和使用環(huán)境。那么，以上技術(shù)問題的解決也就對人臉識別系統(tǒng)的進一步應(yīng)用至關(guān)重要。技術(shù)實現(xiàn)要素：有鑒于此，本發(fā)明針對上述現(xiàn)有技術(shù)存在的容易受環(huán)境影響而降低識別效果的技術(shù)問題，提供了一種識別準確率高的場景自適應(yīng)的人臉識別系統(tǒng)。本發(fā)明的技術(shù)解決方案是，提供一種以下的場景自適應(yīng)的人臉識別系統(tǒng)，包括人臉檢測模塊、特征提取模塊和相似度計算匹配模塊，所述的人臉檢測模塊檢測人臉，得到人臉圖像，所述的特征提取模塊從人臉圖像中提取顯著性特征，所述的相似度計算匹配模塊將所述的顯著性特征與已有標準圖像進行對比，從而計算得到相似度；所述的人臉識別系統(tǒng)還包括相似度補償模塊，所述的相似度補償模塊包括光照判斷模塊和距離判斷模塊和模糊判斷模塊，所述的光照判斷模塊和距離判斷模塊能夠根據(jù)所述的人臉圖像判斷出拍攝的光照和距離，從而得到補償系數(shù)，根據(jù)所述的補償系數(shù)對相似度進行補償。采用以上方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點：采用本發(fā)明，本發(fā)明通過光照判斷和距離判斷對相似度進行補償，即通過判斷拍攝的實際光照和距離條件來得到補償系數(shù)，以彌補實際拍攝條件與已有標準圖像的拍攝條件差距，有利于提高檢測到的人臉圖像與已有標準圖像匹配的相似度，從而提高人臉識別的準確性，使其可以適應(yīng)不同場景下的人臉圖像比對，輸出穩(wěn)定的相似度結(jié)果。作為改進，所述的相似度補償模塊還包括模糊判斷模塊，所述的模糊判斷模塊根據(jù)所述人臉圖像的清晰度，與所述光照判斷模塊和距離判斷模塊協(xié)同，得到補償系數(shù)。模糊判斷能夠在光照和距離的基礎(chǔ)上，加入清晰度的考慮，從而協(xié)同得到補償系數(shù)，進一步提高識別準確性。作為改進，當人臉檢測模塊檢測并得到人臉圖像后，所述的特征提取模塊利用卷積神經(jīng)網(wǎng)絡(luò)算法，對人臉圖像進行特征提取。提取特征的算法采用卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNN)模型，卷積神經(jīng)網(wǎng)絡(luò)是目前深度學(xué)習(xí)領(lǐng)域中使用最廣泛、效果最好的模型框架，相比與傳統(tǒng)的手工特征，具有更強的魯棒性，識別能力有大幅度的提高。作為改進，在光照判斷模塊中，對人臉圖像的像素灰度值進行直方圖統(tǒng)計，不同光照場景下的人臉圖像的直方圖分布是有明顯差異，根據(jù)其分布情況，判斷出圖像的光照情況，得到光照補償參數(shù)。作為改進，在距離判斷模塊中，利用特征點定位的算法，計算出特定五官之間的距離，再結(jié)合攝像頭本身的分辨率信息，從而判斷出待識別人臉和攝像頭的距離，得到距離補償參數(shù)。因為五官的距離和人臉與攝像頭的距離均為人臉識別的重要信息，以此作為補償系數(shù)的重要權(quán)項，識別結(jié)果更為穩(wěn)定。作為改進，在模糊判斷模塊中，利用支持向量機算法，訓(xùn)練出了判斷模糊程度的支持向量機模型，我們將模糊程度劃分為清晰、一般模糊、重度模糊三個級別，得到模糊補償參數(shù)。作為改進，所述的光照補償參數(shù)、距離補償參數(shù)和模糊補償參數(shù)，根據(jù)各個補償參數(shù)的權(quán)重，得到所述的補償系數(shù)。附圖說明圖1為本發(fā)明一種在醫(yī)保應(yīng)用中場景自適應(yīng)的人臉識別系統(tǒng)的框圖；圖2為直方圖統(tǒng)計差異對比圖；具體實施方式下面結(jié)合附圖和具體實施例對本發(fā)明作進一步說明，但本發(fā)明并不僅僅限于這些實施例。本發(fā)明涵蓋任何在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。為了使公眾對本發(fā)明有徹底的了解，在以下本發(fā)明優(yōu)選實施例中詳細說明了具體的細節(jié)，而對本領(lǐng)域技術(shù)人員來說沒有這些細節(jié)的描述也可以完全理解本發(fā)明。如圖1所示，示意了本發(fā)明的一種在醫(yī)保應(yīng)用中場景自適應(yīng)的人臉識別系統(tǒng)的框圖流程，所述的場景自適應(yīng)的人臉識別系統(tǒng)包括人臉檢測模塊、特征提取模塊和相似度計算匹配模塊，所述的人臉檢測模塊檢測人臉，得到人臉圖像，所述的特征提取模塊從人臉圖像中提取顯著性特征，所述的相似度計算匹配模塊將所述的顯著性特征與已有標準圖像進行對比，從而計算得到相似度；所述的已有標準圖像即為圖中注冊人臉特征。所述的人臉識別系統(tǒng)還包括相似度補償模塊，所述的相似度補償模塊包括光照判斷模塊和距離判斷模塊和模糊判斷模塊，所述的光照判斷模塊和距離判斷模塊能夠根據(jù)所述的人臉圖像判斷出拍攝的光照和距離，從而得到補償系數(shù)，根據(jù)所述的補償系數(shù)對相似度進行補償。所述的相似度補償模塊還包括模糊判斷模塊，所述的模糊判斷模塊根據(jù)所述人臉圖像的清晰度，與所述光照判斷模塊和距離判斷模塊協(xié)同，得到補償系數(shù)。當人臉檢測模塊檢測并得到人臉圖像后，所述的特征提取模塊利用卷積神經(jīng)網(wǎng)絡(luò)算法，對人臉圖像進行特征提取。提取特征的算法采用卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNN)模型，卷積神經(jīng)網(wǎng)絡(luò)是目前深度學(xué)習(xí)領(lǐng)域中使用最廣泛、效果最好的模型框架，相比與傳統(tǒng)的手工特征，具有更強的魯棒性，識別能力有大幅度的提高。本發(fā)明中所使用的卷積神經(jīng)網(wǎng)絡(luò)模型，經(jīng)由百萬數(shù)量級的訓(xùn)練樣本學(xué)習(xí)而來，對不同人種、不同年齡，一定范圍內(nèi)人臉的姿態(tài)、表情、光照、尺度等變化都有較好的適應(yīng)能力。如圖2所示，在不同光照下，直方圖統(tǒng)計存在較大差異，圖中進行了對比。在光照判斷模塊中，對人臉圖像的像素灰度值進行直方圖統(tǒng)計，不同光照場景下的人臉圖像的直方圖分布是有明顯差異，根據(jù)其分布情況，判斷出圖像的光照情況，得到光照補償參數(shù)。根據(jù)統(tǒng)計出的光照分布中心，可計算出相應(yīng)的光照補償參數(shù)C1。具體公式如下：C1=0I>180w(11+e1-180-0.5)I≤180]]>其中I為光照分布中心，即當I＞180時，屬光照良好的情況，無需補償；當I≤180時，光線開始偏暗，逐步加大補償，最大不超過w為可調(diào)參數(shù)，一般取在0.03左右。在距離判斷的模塊中，利用特征點定位的算法，可以計算出特定五官之間的距離，再結(jié)合攝像頭本身的分辨率信息，就可以判斷出待識別人臉和攝像頭的距離。例如某720P攝像頭的情況如下表所示。兩眼距離(像素)人臉離攝像頭的距離(米)402303204根據(jù)實驗統(tǒng)計結(jié)果分析，當人臉距離小于2米時，人臉相似度的結(jié)果基本不受距離影響，可以不做補償，即當人臉距離小于等于2米時距離的補償參數(shù)C2為0，大于2米時開始引入補償參數(shù)，隨距離增大而增大；而補償參數(shù)也不宜過大，以距離4米時的補償為最高上限。具體公式如下：C2=0d>4012η(40-d)20≤d≤40ηd<20]]>其中d為圖像中兩眼的像素距離，η為可調(diào)參數(shù)，一般取在0.04左右。在距離判斷模塊中，利用特征點定位的算法，計算出特定五官之間的距離，再結(jié)合攝像頭本身的分辨率信息，從而判斷出待識別人臉和攝像頭的距離，得到距離補償參數(shù)。因為五官的距離和人臉與攝像頭的距離均為人臉識別的重要信息，以此作為補償系數(shù)的重要權(quán)項，識別結(jié)果更為穩(wěn)定。在模糊判斷模塊中，利用支持向量機算法，訓(xùn)練出了判斷模糊程度的支持向量機模型，我們將模糊程度劃分為清晰、一般模糊、重度模糊三個級別，得到模糊補償參數(shù)。具體補償參數(shù)C3數(shù)值如下表所示：C3模糊判斷結(jié)果0清晰β一般模糊1.5β重度模糊其中β為可調(diào)參數(shù)，一般取在0.02左右。所述的光照補償參數(shù)、距離補償參數(shù)和模糊補償參數(shù)，根據(jù)各個補償參數(shù)的權(quán)重，得到所述的補償系數(shù)。綜合上述三個模塊的結(jié)果，可以計算出對相似度做出補償?shù)膮?shù)C：C=1γ(C1+C2+C3)]]>其中γ為可調(diào)參數(shù)，一般取在0.04左右。γ實際上為三個參數(shù)設(shè)置了同一個權(quán)重，但是，可以根據(jù)實際需要，可以設(shè)置γ1、γ2、γ3分別作為C1、C2、C3的權(quán)重系數(shù)，均在本發(fā)明的保護之內(nèi)。以下列舉了一個實際的相似度補償過程及結(jié)果的相似度數(shù)據(jù)，其中注冊人臉為A、B、C，待識別人臉X(實際為人物A)，以相似度達到0.7為識別閾值，補償前無法識別人臉X，而補償后則可以將X識別為A。補償前補償后A0.620.77B0.550.59C0.560.61需要注意的是，根據(jù)實際項目的應(yīng)用場景確定，則可以在系統(tǒng)的工作過程中收集樣本，后臺做統(tǒng)計分析，根據(jù)結(jié)果可以對w、η、β、γ這四個參數(shù)做進一步優(yōu)化調(diào)整，可以獲得更好的識別效果。在本發(fā)明中，由于特征提取的模塊和相似度補償模塊可以并行計算，故而可以采用多線程的方式工作，雖然多加了兩步運算，但對系統(tǒng)的運行速度幾乎沒有影響。以上僅就本發(fā)明較佳的實施例作了說明，但不能理解為是對權(quán)利要求的限制。本發(fā)明不僅局限于以上實施例，其具體結(jié)構(gòu)允許有變化。總之，凡在本發(fā)明獨立權(quán)利要求的保護范圍內(nèi)所作的各種變化均在本發(fā)明的保護范圍內(nèi)。當前第1頁1 2 3