專利名稱：人臉圖像識別方法和系統(tǒng)的制作方法
技術領域：
本發(fā)明設計一種生物特征識別方法，特別是涉及一種人臉圖像識別方法和系統(tǒng)。
背景技術：
目前，用于個人身份識別的人臉圖像識別方法各異，但是這些方法都普遍存在識別率低、圖像處理和識別速度慢的問題。這使得人臉識別技術難于應用到嵌入式系統(tǒng)中。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術的缺陷，提出并實現(xiàn)了一種能夠在大幅提高處理速度的同時，保持較好識別率的人臉圖像識別方法；本發(fā)明目的還在于提供用于實施該方法的人臉圖像識別系統(tǒng)。為實現(xiàn)上述目的，本發(fā)明人臉圖像識別方法是先建立用戶模板庫，再按如下步驟進行識別1)采集待識別人臉圖像，幻提取待識別模板，；3)用戶人臉識別；為了實現(xiàn)一個完整的人臉身份識別系統(tǒng)，需要提供用戶人臉注冊和人臉識別兩個主要功能。所述用戶人臉識別是把待識別模板同用戶模板庫中的每個用戶的第一個模板對比，得到所有相似性分數(shù)大于第一下限閾值的用戶列表Al，按相似性分數(shù)從大到小排列； 如果Al為空則識別失敗，如果Al中第一個用戶相似性分數(shù)大于上限閾值，則識別成功返回對應用戶，如果不，則進行下一步把待識別模板同Al中每個用戶的第2-5個模板比對，得到所有分數(shù)大于第二下限閾值的用戶列表A2，按相似性分數(shù)從大到小排列；如果A2為空則識別失敗，如果A2中第一個用戶相似性分數(shù)大于上限閾值，則識別成功返回對應用戶，如果不，則進行下一步把待識別模板同A2中每個用戶的第6-15模板對比，得到所有相似性分數(shù)大于識別閾值的用戶列表A3，如果A3為空，則識別失?。话聪嗨菩苑謹?shù)從大到小排列， 識別功能返回對應用戶；所述用戶模板庫是在登記用戶時，用戶變換5種姿態(tài)，在每一種姿態(tài)下采集三幀圖像并提取出特征模板，得到總共15個特征模板，并通過從候選模板集中順序選擇出模板的方法排序，排序基于以下兩個原則A.選出的模板盡可能代表未選擇出的模板，即它與其他的候選模板有最大的相似性；B.選出的模板盡可能遠離已選擇出來的模板，即它與已選模板保持有最小的相似性；所述上限閾值大于識別閾值，識別閾值大于第二下限閾值，第二下限閾值大于第一下限閾值。其具有能夠在大幅提高處理速度的同時，保持較好識別率的優(yōu)點。作為優(yōu)化，識別成功后，如果待識別模板與用戶相似性分數(shù)大于比上限閾值更大的一個設定學習閾值時，則把這次現(xiàn)場采集的模板作為一個待學習模板按如下步驟進行學習向用戶模板庫傳入待學習模板，把待學習模板與用戶登記的模板組成新的待排序模板， 排序如果最后一個模板是待學習模板，則學習失敗返回對應用戶，如果不，則去掉最后一個模板，存入數(shù)據(jù)庫，學習成功返回對應用戶。作為優(yōu)化，所述設定學習閾值為100。
作為優(yōu)化，所述第一下限閾值為43，上限閾值為90，第二下限閾值為60，識別閾值為80。作為優(yōu)化，所述15個特征模板的排序方法為選擇第一個模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，再選擇第二模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，再選擇第三模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，依次類推直到?jīng)]有候選模板。作為優(yōu)化，所選模板與其他模板的相似性分數(shù)依如下公式計算而得C = alXcl_a2Xc2 ；式中cl表示該模板與其他候選模板的相似性分數(shù)均值，c2表示該模板與已選模板的相似性分數(shù)均值，al、a2為兩個參數(shù)。作為優(yōu)化，參數(shù)al取值為5/9，參數(shù)a2取值為4/9。作為優(yōu)化，所述用戶模板庫通過下列步驟建成1)采集用戶人臉圖像，幻提取用戶特征模板，3)登記用戶；所述1)采集待識別人臉圖像和1)采集用戶人臉圖像是使用紅外LED照明光源對被采集人臉進行照射，在采集過程中還對可見光進行過濾；所述2)提取待識別模板和2)提取用戶特征模板的步驟依次是1)檢測人臉；2) 定位眼睛位置；幻正規(guī)化人臉圖像；4)評估人臉圖像質(zhì)量；5)Gabor特征提取。作為優(yōu)化，所述1)檢測人臉是在積分圖上檢測harr特征，然后使用AdaBoost算法進行人臉檢測；所述幻定位眼睛位置是通過人臉的對稱性和人眼位置的灰度較深的特性，定位出圖片中人臉上左右眼的位置；所述3)正規(guī)化人臉圖像是首先根據(jù)左右眼的位置，對圖像進行旋轉(zhuǎn)，使得左右眼處于同一水平線，然后縮放整個圖像，把左右眼的位置歸一化到一個固定的寬度；進一步，根據(jù)眼睛的位置，按照固定的寬度和高度截取出整個人臉的圖像；最后對圖像進行局部增強，消除圖像中因為光照不均等產(chǎn)生的亮度差異；最后獲取人臉關鍵部位的圖像；所述4)評估人臉圖像質(zhì)量是在上面對圖像進行歸一化的處理過程中，同時計算出圖像的銳度、對比度和灰度級，并且，這三個同時刻畫了圖像質(zhì)量的指標只有超過事先設定的各自閾值才進行下一步的處理；所述OGabor特征提取是我們使用N 個頻段、M個方向的一組二維Gabor小波基對歸一化后的圖像進行濾波，從而得到圖像在這一組小波基下的響應能量，對響應能量進行歸一化處理后，得到最后的人臉特征模板。作為優(yōu)化，所述獲取人臉關鍵部位的圖像是取左右眼距離為75個像素，從上移 35個像素、左移38個像素的位置開始，取寬度為151，高度為151的圖像；所述N 彡 8、M 彡 16。用于實現(xiàn)本發(fā)明所述方法的人臉圖像識別系統(tǒng)是使用嵌入式微處理器作為系統(tǒng)的中央處理單元、中央處理單元連接采集人臉圖像的CMOS傳感器，并輔以人臉的紅外照明裝置實現(xiàn)任何光線條件下的使用功能，采用窄帶紅外濾光片過濾可見光來排除環(huán)境光的干擾。其是一個完整、可靠的人臉識別系統(tǒng)，其識別率和識別速度都達到令人滿意的水平，可以應用到考勤、門禁等系統(tǒng)中。采集用戶的人臉圖像方面，一個好的系統(tǒng)，其采集的圖像應該盡可能清晰、盡可能排除干擾和噪音，因為這對識別的準確性非常重要?？紤]到一個真實應用系統(tǒng)的使用條件，即該系統(tǒng)可能會被安裝在各種光照環(huán)境下，甚至在黑夜中使用，因此我們不能依賴于環(huán)境能夠提供合適的、均勻的照明?；谶@個原因，本發(fā)明中專門設計紅外LED照明光源來解決這個問題，同時由于紅外線對使用者即不會構成危害，因為其不可見性，也不會對使用者造成干擾。采用上述技術方案后，本發(fā)明人臉圖像識別方法進行用戶登記和識別，能夠有效解決識別率低和識別速度慢的問題，并且能夠在大幅提高處理速度的同時，其速度和識別率均能達到商業(yè)化應用水平。本發(fā)明人臉圖像識別系統(tǒng)具有能任何光線條件下的使用，能排除能掉環(huán)境光的干擾，可靠性好，識別率和識別速度都達到令人滿意水平的優(yōu)點。


圖1是本發(fā)明人臉圖像識別系統(tǒng)的原理示意圖；圖2是本發(fā)明人臉圖像識別系統(tǒng)的主要流程示意圖；圖3是本發(fā)明人臉圖像識別方法的模板提取流程示意圖；圖4是本發(fā)明人臉圖像識別方法的用戶登記流程示意圖；圖5是本發(fā)明人臉圖像識別方法的模板排序流程示意圖；圖6是本發(fā)明人臉圖像識別方法的用戶識別流程示意圖；圖7是本發(fā)明人臉圖像識別方法的人臉模板自學習流程示意圖。
具體實施例方式如圖2-7所示，本發(fā)明人臉圖像識別方法是先建立用戶模板庫，再按如下步驟進行識別1)采集待識別人臉圖像，2)提取待識別模板，3)用戶人臉識別；所述用戶人臉識別是把待識別模板同用戶模板庫中的每個用戶的第一個模板對比，得到所有相似性分數(shù)大于43的用戶列表Al，按相似性分數(shù)從大到小排列；如果Al為空則識別失敗，如果Al中第一個用戶相似性分數(shù)大于上限閾值90，則識別成功返回對應用戶，如果不，則進行下一步把待識別模板同Al中每個用戶的第2-5個模板比對，得到所有分數(shù)大于60的用戶列表A2，按相似性分數(shù)從大到小排列；如果A2為空則識別失敗，如果A2 中第一個用戶相似性分數(shù)大于上限閾值90，則識別成功返回對應用戶，如果不，則進行下一步把待識別模板同A2中每個用戶的第6-15模板對比，得到所有相似性分數(shù)大于閾值80 的用戶列表A3，如果A3為空則識別失敗，按相似性分數(shù)從大到小排列，識別功能返回對應用戶；所述用戶模板庫是在登記用戶時，用戶變換5種姿態(tài)，在每一種姿態(tài)下采集三幀圖像并提取出特征模板，得到總共15個特征模板，并通過從候選模板集中順序選擇出模板的方法排序，排序基于以下兩個原則A.選出的模板盡可能代表未選擇出的模板，即它與其他的候選模板有最大的相似性；B.選出的模板盡可能遠離已選擇出來的模板，即它與已選模板保持有最小的相似性。識別成功后，如果待識別模板與用戶相似性分數(shù)大于比所述上限閾值90更大的一個設定閾值100時，則把這次現(xiàn)場采集的模板作為一個待學習模板按如下步驟進行學習向用戶模板庫傳入待學習模板，把待學習模板與用戶登記的模板組成新的待排序模板， 排序如果最后一個模板是待學習模板，則學習失敗返回對應用戶，如果不，則去掉最后一個模板，存入數(shù)據(jù)庫，學習成功返回對應用戶。
所述15個特征模板的排序方法為選擇第一個模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，再選擇第二模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，再選擇第三模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，依次類推直到?jīng)]有候選模板。所選模板與其他模板的相似性分數(shù)依如下公式計算而得C = alXcl_a2Xc2 ；式中cl表示該模板與其他候選模板的相似性分數(shù)均值，c2表示該模板與已選模板的相似性分數(shù)均值，al,a2為兩個參數(shù)；其中參數(shù)al取值為5/9，參數(shù)a2取值為4/9。所述用戶模板庫通過下列步驟建成1)采集用戶人臉圖像，幻提取用戶特征模板，3)登記用戶；所述1)采集待識別人臉圖像和1)采集用戶人臉圖像是使用紅外LED照明光源對被采集人臉進行照射，在采集過程中還對可見光進行過濾；所述2)提取待識別模板和2)提取用戶特征模板的步驟依次是1)檢測人臉；2) 定位眼睛位置；幻正規(guī)化人臉圖像；4)評估人臉圖像質(zhì)量；5)Gabor特征提取。所述1)檢測人臉是在積分圖上檢測harr特征，然后使用AdaBoost算法進行人臉檢測；所述2、定位眼睛位置是通過人臉的對稱性和人眼位置的灰度較深的特性，定位出圖片中人臉上左右眼的位置；所述3)正規(guī)化人臉圖像是首先根據(jù)左右眼的位置，對圖像進行旋轉(zhuǎn)，使得左右眼處于同一水平線，然后縮放整個圖像，把左右眼的位置歸一化到一個固定的寬度；進一步，根據(jù)眼睛的位置，按照固定的寬度和高度截取出整個人臉的圖像； 最后對圖像進行局部增強，消除圖像中因為光照不均等產(chǎn)生的亮度差異；最后獲取人臉關鍵部位的圖像；所述4)評估人臉圖像質(zhì)量是在上面對圖像進行歸一化的處理過程中，同時計算出圖像的銳度、對比度和灰度級，并且，這三個同時刻畫了圖像質(zhì)量的指標只有超過事先設定的各自閾值才進行下一步的處理；所述OGabor特征提取是我們使用N個頻段、 M個方向的一組二維Gabor小波基對歸一化后的圖像進行濾波，從而得到圖像在這一組小波基下的響應能量，對響應能量進行歸一化處理后，得到最后的人臉特征模板。所述獲取人臉關鍵部位的圖像是取左右眼距離為75個像素，從上移35個像素、左移38個像素的位置開始，取寬度為151，高度為151的圖像；所述N彡8、M彡16。更具體是為了實現(xiàn)一個完整的人臉身份識別系統(tǒng)，需要提供用戶人臉注冊和人臉識別兩個主要功能。登記過程，是把采集的人臉圖像提取特征模板(生物統(tǒng)計學biometrics中，術語 “模板“template就是指的提取出來的生物特征)后，保存到數(shù)據(jù)庫中；而比對過程，則是把采集的人臉圖像提取特征模板后，與登記時存到數(shù)據(jù)庫中的模板進行逐一比對，直到找到匹配的模板。1、采集人臉圖像這兩個功能的關鍵，是采集用戶的人臉圖像，并從該圖像提取出人臉的特征。采集用戶的人臉圖像方面，一個好的系統(tǒng)，其采集的圖像應該盡可能清晰、盡可能排除干擾和噪音，因為這對識別的準確性非常重要?？紤]到一個真實應用系統(tǒng)的使用條件，即該系統(tǒng)可能會被安裝在各種光照環(huán)境下，甚至在黑夜中使用，因此我們不能依賴于環(huán)境能夠提供合適的、均勻的照明?；谶@個原因，本發(fā)明中專門設計紅外LED照明光源來解決這個問題，同
7時由于紅外線對使用者即不會構成危害，因為其不可見性，也不會對使用者造成干擾。2、提取特征模板從原始圖像提取特征模板的過程，通常是生物特征識別技術最關鍵的一個部分， 人臉識別技術也是如此。本發(fā)明中，我們實現(xiàn)如下一個提取特征流程，能夠快速、有效地提取出人臉的特征模板。1)檢測人臉在積分圖上檢測harr特征，然后使用AdaBoost算法進行人臉檢測；2)定位眼睛位置通過人臉的對稱性和人眼位置的灰度較深的特性，定位出圖片中人臉上左右眼的位置；3)正規(guī)化人臉圖像我們首先根據(jù)左右眼的位置，對圖像進行旋轉(zhuǎn)，使得左右眼處于同一水平線，然后縮放整個圖像，把左右眼的位置歸一化到一個固定的寬度；進一步， 我們根據(jù)眼睛的位置，按照固定的寬度和高度截取出整個人臉的圖像；最后我們對圖像進行局部增強，消除圖像中因為光照不均等產(chǎn)生的亮度差異。我們?nèi)∽笥已劬嚯x為75個像素，從上移35個像素、左移38個像素的位置開始，取寬度為151，高度為151的圖像，正好是一個人臉關鍵部分圖像。4)評估人臉圖像質(zhì)量我們發(fā)現(xiàn)，人臉圖像質(zhì)量的好壞，對于識別準確性有很大的影響。不好的圖像質(zhì)量提取出的特征就不可靠。因此為了提高系統(tǒng)的性能，我們對圖像質(zhì)量提出適當?shù)囊蟆Ｔ谏厦鎸D像進行歸一化的處理過程中，同時計算出圖像的銳度、對比度和灰度級，這三個指標同時刻畫了圖像的質(zhì)量。我們設定對應的閾值，只有超過這些閾值才進行下一步的處理。5) Gabor特征提取我們使用8個頻段、16個方向的一組二維Gabor小波基對歸一化后的圖像進行濾波，從而得到圖像在這一組小波基下的響應能量。對響應能量進行歸一化處理后，我們得到最后的人臉特征模板。3、登記用戶由于人臉是三維的，人臉在不同姿態(tài)下采集的圖像差別會很大，因為一個姿態(tài)的圖像僅僅能刻畫人臉在該姿態(tài)下的二維特征，很難完全表達出人臉的三維特征來。所以如果我們僅僅根據(jù)一幀人臉的圖像來登記一個用戶，必然會得到很低的識別率。因此我們需要采集人臉在多個姿態(tài)的多個圖像，才可以得到盡可能多的人臉三維特征。只有這樣，在實際的應用中才會得到可接受的識別率。進一步的處理，通常的人臉識別技術是融合多個姿態(tài)的圖像，從中分析出來人臉三維特征的幾何表達，依此來構建特征模板，這就是所謂的3D人臉識別技術。然而，這種方法會帶來很大的計算開銷，并且也不是很準確，在嵌入式系統(tǒng)中是不可能實現(xiàn)的。我們通過分析這些不同姿態(tài)的人臉圖片發(fā)現(xiàn)，同一人臉的姿態(tài)相近的圖像的相似度是很高的，而不同姿態(tài)的不同人臉的圖像的相似度則非常低。本發(fā)明據(jù)此設計一種方法，這種方法進行用戶登記和識別，能夠有效解決識別率低和識別速度慢的問題。我們在登記用戶時，要求用戶變換5種姿態(tài)，系統(tǒng)會在每一種姿態(tài)下采集三幀圖像并提取出特征模板。這樣我們會得到總共15個特征模板。采集的過程通過語音提示用戶變換姿態(tài)，系統(tǒng)同時自動采集并進行計算，這使得該過程并不會太難于使用。由于在實際使用中，往往用戶不會嚴格遵循語音提示的時間發(fā)生姿態(tài)的變化，用戶的姿態(tài)也不一定完全符合我們的要求，因此我們也不能確保最后采集到的15個模板是準確的5種姿態(tài)每種3個模板。這使得我們不能簡單地提取出每種姿態(tài)的一個模板作為代表進行后續(xù)處理。本發(fā)明簡單地把這15個模板都存入數(shù)據(jù)庫，但是對它們先進行排序。我們通過從候選模板集中順序選擇出模板的方法排序，基于兩個原則A.選出的模板盡可能代表未選擇出的模板，即它與其他的候選模板有最大的相似性；B.選出的模板盡可能遠離已選擇出來的模板，即它與已選模板保持有最小的相似性；這兩個原則保證了前5個模板基本上能夠代表5個姿態(tài)的人臉特征。而后的10個模板基本上是對前面模板的重復，也有一些補充。通過實驗，我們得到上面流程中的參數(shù)al，a2 的最好的取值為al = 5/9，a2 = 4/9。5、人臉識別在識別過程中，采集人臉圖像和提取特征模板的過程與登記人臉時是一樣的，當然此時我們只能是采集一幀圖像后就立即進行識別。兩個人臉特征模板匹配的結(jié)果是一個相似性范圍在0 120的分數(shù)。如果這個分數(shù)是120，就表示兩個人臉完全相匹配；為零則表示完全不匹配。為了提高識別率，我們不會把120作為判斷同一人臉的依據(jù)，而是選定一個閾值，當相似性分數(shù)大于這個閾值時，就斷定兩個人臉模板來自于一個人臉。根據(jù)在大規(guī)模的人臉數(shù)據(jù)庫中測試的結(jié)果，閾值為80 時，我們的系統(tǒng)可以得到1/100000左右的誤識別率。我們在通常的應用中采用這個閾值。我們設計的匹配流程依據(jù)我們的對用戶指紋模板的存儲順序分為三個階段第一個只在每個用戶的第一個模板中識別，但是取一個較低的閾值(第一下限閾值)，例如43， 這樣我們可以過濾出一部分用戶出來，進行第二階段的比對。通過第一個階段的匹配后，大概有70%的用戶會被過濾掉，因此參與第二階段的比對的用戶只剩下30%左右了。第二階段比對中，我們選取一個高一點的閾值(第二下限閾值)，例如60，這樣會有95%的用戶會被過濾掉，因此參與第三階段的比對的用戶只剩下5%左右了。第三個階段，我們在最后挑選出來的5%的用戶的其余10個模板的進行逐一比對，得到最后的結(jié)果。從這個步驟中可以看出，這個流程的模板匹配計算的復雜度為模板匹配計算次數(shù)=C+C*30%*4+030%*10 = 2. 8*C其中C為數(shù)據(jù)庫的人數(shù)。以1000人為例，我們最多需要進行觀00次模板匹配計算。事實上，我們的測試表明，絕大多數(shù)最終不能不匹配的模板在第二階段的匹配中通常會得不到任何可能的匹配結(jié)果，因此不會進入第三階段的匹配。這就是說，實際的過程中的計算復雜度會比上面公式計算的要低很多。我們還設定一個上限閾值，例如90，在各個階段的比對中，一旦有一個模板與我們的現(xiàn)場模板比對的超過這個上限閾值，就可以立即認為找到了匹配的模板，而不需繼續(xù)下一個步驟的比對。這樣在可以快速地得到匹配的結(jié)果。因此，本發(fā)明雖然為每個用戶在數(shù)據(jù)庫中保存了 15個模板，但是通過上面的流程，即讓15個模板都能發(fā)揮作用，極大地改善了識別率，同時因為沒有太大增加模板比對的次數(shù)，整個系統(tǒng)最終還能夠快速地進行識別。6、人臉模板的學習人臉的特征隨著時間的推移也會產(chǎn)生一些變化，例如胖和瘦的改變。因此我們的系統(tǒng)最好能夠在使用過程中把這些變化反映到用戶的登記模板上。這樣隨著時間的流逝，
9用戶的登記模板也會隨著保持更新，也就是說具有自動學習功能，不至于當用戶的人臉變化積累到一定程度后導致系統(tǒng)最終無法識別。我們設定一個策略，在用戶使用的過程中，識別成功的情況下，若匹配的分數(shù)大于一個給定的上限閾值，例如100分，則我們確信這次識別結(jié)果是絕對正確的，這樣我們把這次現(xiàn)場采集的模板作為一個待學習模板進行學習。這個流程中，我們采用同登記模板時一樣的方法對用戶已登記的15個模板和待學習模板一起進行排序，然后去掉排在最后的一個模板。學習成功后，更新數(shù)據(jù)庫寫入該用戶重新排序的15個模板即可。本發(fā)明描述的算法流程和技術方案，已經(jīng)在我們的多款設備上得到應用。這些設備采用Marvel的嵌入式應用處理器PXA310，其速度和識別率均達到了商業(yè)化應用水平。如圖1-2所示，本發(fā)明用于實現(xiàn)本發(fā)明上述方法的人臉圖像識別系統(tǒng)是使用嵌入式微處理器作為系統(tǒng)的中央處理單元或者微處理器核心板1、中央處理單元或者微處理器核心板1連接采集人臉圖像的CMOS傳感器2，并輔以人臉的紅外照明裝置紅外LED光源 3實現(xiàn)任何光線條件下的使用功能，采用窄帶紅外濾光片4過濾可見光來排除環(huán)境光的干擾。圖1中用戶為5，光源照射的紅外光為61，人臉反射的紅外光為62。其中中央處理單元或者微處理器核心板采用Marvel的嵌入式應用處理器PXA310。更具體是本發(fā)明使用嵌入式微處理器作為系統(tǒng)的中央處理單元、連接CMOS傳感器采集人臉圖像，并輔以紅外照明實現(xiàn)夜間使用，過濾可見光來排除環(huán)境光的干擾。從而本發(fā)明實現(xiàn)一個完整、可靠的人臉識別系統(tǒng)，其識別率和識別速度都達到令人滿意的水平，可以應用到考勤、門禁等系統(tǒng)中。
權利要求
1.一種人臉圖像識別方法，其特征在于先建立用戶模板庫，再按如下步驟進行識別 1)采集待識別人臉圖像，幻提取待識別模板，；3)用戶人臉識別；所述用戶人臉識別是把待識別模板同用戶模板庫中的每個用戶的第一個模板對比， 得到所有相似性分數(shù)大于第一下限閾值的用戶列表Al，按相似性分數(shù)從大到小排列；如果 Al為空則識別失敗，如果Al中第一個用戶相似性分數(shù)大于上限閾值，則識別成功返回對應用戶，如果不，則進行下一步把待識別模板同Al中每個用戶的第2-5個模板比對，得到所有分數(shù)大于第二下限閾值的用戶列表A2，按相似性分數(shù)從大到小排列；如果A2為空則識別失敗，如果A2中第一個用戶相似性分數(shù)大于上限閾值，則識別成功返回對應用戶，如果不， 則進行下一步把待識別模板同A2中每個用戶的第6-15模板對比，得到所有相似性分數(shù)大于識別閾值的用戶列表A3，如果A3為空，則識別失?。话聪嗨菩苑謹?shù)從大到小排列，識別功能返回對應用戶；所述用戶模板庫是在登記用戶時，用戶變換5種姿態(tài)，在每一種姿態(tài)下采集三幀圖像并提取出特征模板，得到總共15個特征模板，并通過從候選模板集中順序選擇出模板的方法排序，排序基于以下兩個原則A.選出的模板盡可能代表未選擇出的模板，即它與其他的候選模板有最大的相似性；B.選出的模板盡可能遠離已選擇出來的模板，即它與已選模板保持有最小的相似性；所述上限閾值大于識別閾值，識別閾值大于第二下限閾值，第二下限閾值大于第一下限閾值。
2.根據(jù)權利要求1所述人臉圖像識別方法，其特征在于識別成功后，如果待識別模板與用戶相似性分數(shù)大于比上限閾值更大的一個設定學習閾值時，則把這次現(xiàn)場采集的模板作為一個待學習模板按如下步驟進行學習向用戶模板庫傳入待學習模板，把待學習模板與用戶登記的模板組成新的待排序模板，排序如果最后一個模板是待學習模板，則學習失敗返回對應用戶，如果不，則去掉最后一個模板，存入數(shù)據(jù)庫，學習成功返回對應用戶。
3.根據(jù)權利要求2所述人臉圖像識別方法，其特征在于所述設定學習閾值為100。
4.根據(jù)權利要求1所述人臉圖像識別方法，其特征在于所述第一下限閾值為43，上限閾值為90，第二下限閾值為60，識別閾值為80。
5.根據(jù)權利要求1或2或3或4所述人臉圖像識別方法，其特征在于所述15個特征模板的排序方法為選擇第一個模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，再選擇第二模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，再選擇第三模板，使得其與其他模板的相似性分數(shù)均值最大，然后把它移到已選模板中，依次類推直到?jīng)]有候選模板。
6.根據(jù)權利要求5所述人臉圖像識別方法，其特征在于所選模板與其他模板的相似性分數(shù)依如下公式計算而得C = alXcl-a2Xc2 ；式中cl表示該模板與其他候選模板的相似性分數(shù)均值，c2表示該模板與已選模板的相似性分數(shù)均值，al、a2為兩個參數(shù)。
7.根據(jù)權利要求6所述人臉圖像識別方法，其特征在于參數(shù)al取值為5/9，參數(shù)a2取值為4/9。
8.根據(jù)權利要求1或2或3或4所述人臉圖像識別方法，其特征在于所述用戶模板庫通過下列步驟建成1)采集用戶人臉圖像，幻提取用戶特征模板，幻登記用戶；所述1)采集待識別人臉圖像和1)采集用戶人臉圖像是使用紅外LED照明光源對被采集人臉進行照射，在采集過程中還對可見光進行過濾；所述幻提取待識別模板和2、提取用戶特征模板的步驟依次是1)檢測人臉；幻定位眼睛位置；幻正規(guī)化人臉圖像；4)評估人臉圖像質(zhì)量；5)Gabor特征提取。
9.根據(jù)權利要求8所述人臉圖像識別方法，其特征在于所述1)檢測人臉是在積分圖上檢測harr特征，然后使用AdaBoost算法進行人臉檢測；所述2~)定位眼睛位置是通過人臉的對稱性和人眼位置的灰度較深的特性，定位出圖片中人臉上左右眼的位置；所述3) 正規(guī)化人臉圖像是首先根據(jù)左右眼的位置，對圖像進行旋轉(zhuǎn)，使得左右眼處于同一水平線，然后縮放整個圖像，把左右眼的位置歸一化到一個固定的寬度；進一步，根據(jù)眼睛的位置，按照固定的寬度和高度截取出整個人臉的圖像；最后對圖像進行局部增強，消除圖像中因為光照不均等產(chǎn)生的亮度差異；最后獲取人臉關鍵部位的圖像；所述4)評估人臉圖像質(zhì)量是在上面對圖像進行歸一化的處理過程中，同時計算出圖像的銳度、對比度和灰度級， 并且，這三個同時刻畫了圖像質(zhì)量的指標只有超過事先設定的各自閾值才進行下一步的處理；所述OGabor特征提取是我們使用N個頻段、M個方向的一組二維Gabor小波基對歸一化后的圖像進行濾波，從而得到圖像在這一組小波基下的響應能量，對響應能量進行歸一化處理后，得到最后的人臉特征模板。
10.根據(jù)權利要求9所述人臉圖像識別方法，其特征在于所述獲取人臉關鍵部位的圖像是取左右眼距離為75個像素，從上移35個像素、左移38個像素的位置開始，取寬度為 151，高度為151的圖像；所述N彡8、M彡16。
11.用于實現(xiàn)權利要求1所述方法的人臉圖像識別系統(tǒng)，其特征在于使用嵌入式微處理器作為系統(tǒng)的中央處理單元、中央處理單元連接采集人臉圖像的CMOS傳感器，并輔以人臉的紅外照明裝置實現(xiàn)任何光線條件下的使用功能，采用窄帶紅外濾光片過濾可見光來排除環(huán)境光的干擾。
全文摘要
本發(fā)明涉及一種人臉圖像識別方法和系統(tǒng)，為解決現(xiàn)有技術識別速度慢和識別率低問題，其方法是先建立用戶模板庫，再進行識別；所述用戶模板庫是在登記用戶時，用戶變換N種姿態(tài)，在每一種姿態(tài)下采集三幀圖像并提取出特征模板，模板排序原則A.選出的模板盡可能代表未選擇出的模板，即它與其他的候選模板有最大的相似性；B.選出的模板盡可能遠離已選擇出來的模板，即它與已選模板保持有最小的相似性。其系統(tǒng)使用嵌入式微處理器作為系統(tǒng)的中央處理單元、CMOS傳感器用于采集人臉圖像，并輔以人臉的紅外照明裝置，采用窄帶紅外濾光片過濾可見光。其能夠有效解決識別率低和識別速度慢的問題，并且速度和識別率均能達到商業(yè)化應用水平。系統(tǒng)具有能任何光線條件下的使用，能排除能掉環(huán)境光的干擾，可靠性好，識別率和識別速度都達到令人滿意水平的優(yōu)點。
文檔編號G06K9/62GK102419819SQ20101051723
公開日2012年4月18日 申請日期2010年10月25日 優(yōu)先權日2010年10月25日
發(fā)明者李治農(nóng), 車全宏, 陳書楷 申請人:深圳市中控生物識別技術有限公司