專利名稱：遮擋人臉認證方法及系統(tǒng)的制作方法
技術領域：
本申請涉及圖像處理技術領域，尤其涉及一種遮擋人臉認證方法及系統(tǒng)。
背景技術：
隨著科學技術的不斷發(fā)展和IT產(chǎn)業(yè)的高速推進，社會各個領域對自動身份鑒別的要求日益突出，如何快速有效地對目標人物的身份進行識別已成為一個急需解決的熱點問題。目前目標人物的身份鑒定仍然主要依靠公民身份證、工作證、個人密碼等傳統(tǒng)身份驗證方式，這些方式存在著攜帶麻煩、易遺失和易偽造等弊端。隨著光電技術、微計算機技術、圖像處理技術與模式識別技術的發(fā)展，生物特征識別技術不斷發(fā)展，逐步成為國內外熱門的新興學科。生物特征識別技術依據(jù)自動化測量身體特征，并將這些特征與數(shù)據(jù)庫進行比較來實現(xiàn)目標鑒別，目前已經(jīng)成為信息社會中不可缺少的身份識別方法。目前，常被用來鑒定身份的生物特征主要有指紋、人臉、虹膜、DNA等。這些特征為每個人體與生俱來的，具有唯一性和穩(wěn)定性，不易偽造和復制。人臉特征用于身份鑒定的研究始于20世紀60年代中期，與上述其他生物特征相比較，雖然準確度不如指紋、虹膜等，但其具有簡單經(jīng)濟的優(yōu)點，整個鑒定過程中完全不需要接觸目標，不易被目標人物察覺。人臉認證技術有以下幾個優(yōu)點(I)非接觸式采集人臉圖像的獲取不必與被監(jiān)測人有任何身體接觸，具有不被侵犯性、容易被接受等特點。人臉圖像可通過各類攝像頭進行采集，其操作不易被察覺，特別適用于監(jiān)控特殊場合中的違法行為，而指紋采集、虹膜識別等卻不易實現(xiàn)。(2)設備簡單且成本低一般地，人臉監(jiān)控識別系統(tǒng)只需要安裝普通的攝像頭或者攝像機即可。目前市場上這些設備的價格已經(jīng)十分低廉。另外如今攝像頭已經(jīng)成為電子設備的標準外設，人臉認證技術的實用空間得到了極大的擴展。(3)直觀性人臉認證技術的判定依據(jù)是人的面部信息，而人臉同時也是人眼進行身份判別的最直觀的信息源。“以貌取人”與人類認知規(guī)律相符，相比虹膜識別、指紋識別更易于被人們所理解接受。人臉識別符合人類的識別習慣，更有利于改善人機交互界面。(4)便于事后追蹤人臉認證系統(tǒng)在監(jiān)控中的目標事件發(fā)生后，將目標人物的圖像記錄下來并存檔，可供人工核實判斷，方便于事后追蹤。人臉包含著豐富的細節(jié)信息，而人臉認證的本質是對三維柔性物體的二維投影圖像進行匹配的問題，這一切使得人臉檢測與識別成為極富挑戰(zhàn)性的研究課題，歸納起來目前人臉監(jiān)控識別系統(tǒng)存在的主要困難有(I)人臉柔性物體的不確定性，如姿態(tài)變化、表情變化、頭部旋轉等。(2)人臉遮擋問題，如頭發(fā)、飾物、胡須等遮擋。
(3)年齡因素，人臉某些局部特征會隨著年齡增長而逐漸變化。(4)圖像成像環(huán)境，如光照問題、成像設備性能等。對于人臉認證系統(tǒng)而言，遮擋是個不可避免的問題，特別是在安全領域中尤其突出。在實際應用中，比如智能門禁、視頻監(jiān)控、保安系統(tǒng)、罪犯識別等，基本均在非配合的環(huán)境下進行人臉圖像的采集，易被其他人或者物所遮擋。造成遮擋的原因是多種多樣，包括自身的墨鏡、圍巾等飾物的遮擋或者外景物的遮擋。這些干擾因素使得成像設備獲取的人臉數(shù)據(jù)不完整，系統(tǒng)無法提取完整有效的人臉信息，影響了整個人臉認證系統(tǒng)檢測和識別的準確率。如何有效去除遮擋物的影響，成為了人臉檢測與識別技術中亟待解決的關鍵問題。綜上所述，有必要提供一種遮擋人臉認證方法及系統(tǒng)以解決上述問題。

發(fā)明內容
有鑒于此，本發(fā)明提供一種遮擋人臉認證方法及系統(tǒng)，有效的提高了遮擋人臉認證中的檢測率和檢測速度。為了實現(xiàn)上述目的，本申請實施例提供的技術方案如下一種遮擋人臉認證方法，所述方法包括以下步驟SI、采集人臉視頻圖像；S2、對所采集的人臉視頻圖像進行預處理，所述預處理包括光照預處理、噪聲濾波處理以及幾何歸一化和尺度歸一化處理；S3、對遮擋人臉進行檢測計算，根據(jù)視頻序列的運動信息，利用三幀差法對人臉圖像的位置進行估計，然后通過Adaboost算法進行進一步人臉位置的確認；S4、對遮擋人臉進行識別計算，將人臉樣本分為若干分塊，采用結合監(jiān)督I-NN近鄰法的SVM 二分算法對人臉分塊進行遮擋判別，若分塊被遮擋，則直接舍棄，若分塊未被遮擋，則提取相應的LBP紋理特征向量進行加權識別，然后用基于正交投影方法的分類器用來減少特征匹配次數(shù)。作為本發(fā)明的進一步改進，所述步驟S3中的Adaboost算法進行進一步人臉位置的確認具體為S31、獲取正負樣本的特征，并用積分圖的特征表示法進行計算；S32、通過學習算法，為每個特征設計一個正確率高于50%的弱分類器；S33、調整樣本權值，多次循環(huán)提取錯誤率最低的弱分類器，構成強分類器；S34、串聯(lián)多個強分類器，構成級聯(lián)分類器，進行人臉檢測。作為本發(fā)明的進一步改進，所述步驟S33中強分類器的算法具體為S331、給定的訓練樣本集=(X1J1), (x2, J2),…，(xm, ym),其中 Xi G X,Ji G 1~1，+1};S332、對樣本權值進行初始化，對于非人臉樣本Dt(i)=l/2m，其中m為非人臉樣本數(shù)目，對于人臉樣本Dt (i) =l/2n，其中n為人臉樣本數(shù)目；S333、經(jīng)過T輪迭代后，可得T個弱分類器，循環(huán)t=l，2…，T ；在當前樣本權重分布Dt下，針對每個單個矩形特征訓練一個弱分類器，并從中選取錯誤率最小的弱分類器ht;
對于選定的弱分類器ht，計算其加權錯誤率=
權利要求
1.一種遮擋人臉認證方法，其特征在于，所述方法包括以下步驟 S1、采集人臉視頻圖像； S2、對所采集的人臉視頻圖像進行預處理，所述預處理包括光照預處理、噪聲濾波處理以及幾何歸ー化和尺度歸ー化處理； S3、對遮擋人臉進行檢測計算，根據(jù)視頻序列的運動信息，利用三幀差法對人臉圖像的位置進行估計，然后通過Adaboost算法進行進一步人臉位置的確認； S4、對遮擋人臉進行識別計算，將人臉樣本分為若干分塊，采用結合監(jiān)瞀I-NN近鄰法的SVM 二分算法對人臉分塊進行遮擋判別，若分塊被遮擋，則直接舍棄，若分塊未被遮擋，則提取相應的LBP紋理特征向量進行加權識別，然后用基于正交投影方法的分類器用來減少特征匹配次數(shù)。
2.根據(jù)權利要求I所述的方法，其特征在于，所述步驟S3中的Adaboost算法進行進一步人臉位置的確認具體為 S31、獲取正負樣本的特征，并用積分圖的特征表示法進行計算； S32、通過學習算法，為每個特征設計ー個正確率高于50%的弱分類器； S33、調整樣本權值，多次循環(huán)提取錯誤率最低的弱分類器，構成強分類器； S34、串聯(lián)多個強分類器，構成級聯(lián)分類器，進行人臉檢測。
3.根據(jù)權利要求I所述的方法，其特征在于，所述步驟S33中強分類器的算法具體為S331、給定的訓練樣本集(X1,Y1), (x2, y2), ···, (xm，ym),其中 Xi e X，yi e {-1,+1}； S332、對樣本權值進行初始化，對于非人臉樣本Dt(i)=l/2m，其中m為非人臉樣本數(shù)目，對于人臉樣本Dt (i) =l/2n，其中η為人臉樣本數(shù)目； S333、經(jīng)過T輪迭代后，可得T個弱分類器，循環(huán) =1，2···，Τ; 在當前樣本權重分布Dt下，針對每個單個矩形特征訓練ー個弱分類器，并從中選取錯誤率最小的弱分類器ht; 對于選定的弱分類器ht，計算其加權錯誤率
4.根據(jù)權利要求3所述的方法，其特征在于，所述步驟S34中的級聯(lián)分類器的算法具體為 .5341、設定級聯(lián)分類器每層強分類器的最小檢測率Cli和最大誤檢率も； . 5342、設定級聯(lián)分類器的目標誤檢率T，級聯(lián)分類器檢測率為Di,級聯(lián)分類器的誤檢率為&，其中i為級聯(lián)分類器的層數(shù)； .5343、給定人臉訓練樣本集合M和負訓練樣本集合N，并根據(jù)式
5.根據(jù)權利要求1所述的方法，其特征在于，所述步驟S3前還包括抽取關鍵樣本，具體為 給定標定的訓練樣本集(X1, Yi)，(x2, y2)，…，(xm, ym)，其中 Xi e X Yi e H，+1}；給定關鍵樣本集Xk= {xj，樣本對應的權值集合W = {1,0,…，0}，wn e W，次要樣本集Y= 0,定義d( ·)為向量間歐氏距離 若Xi e X-XkAx' j e Xk時計算d(xi，x 'ふ定義
6.根據(jù)權利要求4所述的方法，其特征在干，所述步驟S3對遮擋人臉進行檢測具體為 分別提取人的嘴巴、眼睛、鼻子的特征進行弱分類器的訓練，生成三個獨立的檢測器，并與全臉的檢測器并聯(lián)一起，構成并行的多瀑布人臉檢測器，使用多瀑布人臉檢測器對遮擋人臉進行檢測。
7.根據(jù)權利要求6所述的方法，其特征在干，所述步驟S4對遮擋人臉進行計算具體為 設置加速比參數(shù)α >0，初始化掃描窗ロ大小，初始化窗ロ移動步長，初始檢測框取訓練樣本圖片大小； 采用并行級聯(lián)分類器的前四層的遮擋估計器，對待檢測區(qū)域圖像進行固定步長掃描，并記錄下每個位置的置信度val ； 計算所有位置的平均置信度&，記下所有置信度大于的點為可能性較高的人臉位置，對可能存在人臉的位置采用自適應步長進行高分辨率掃描，自適應步長計算公式為
8.根據(jù)權利要求I所述的方法，其特征在于，所述步驟S4中結合監(jiān)瞀I-NN近鄰法的SVM 二分算法具體為 541、將人臉分塊為6個可單獨用于識別的區(qū)域，通過尋找最優(yōu)主元重建樣本，從而對人臉向量進行降維，經(jīng)過降維處理后，每個分塊均對應ー個PCA降維向量，繼而通過SVM分類器進行驗證是否為遮擋人臉；
9.根據(jù)權利要求8所述的方法，其特征在于，所述LBP特征向量之間相似度算法如下 給定特征向量集It (t=l, 2，...，6)，分別屬于C個人，其中t為人臉分塊標簽，< e Rd%第i類的第m個LBP特征向量，每類特征向量子集可表示4 =W，4…乂]·Gram-Schmidt正交化姆類特征向量子集4，新特征向量子集表示為4 =[ζ“: ，…，:U .給定測試特征向量Xtost，并在相對應特征向量子集4’的子空間以4')進行投影，得投影向量如
10.ー種根據(jù)權利要求I所述的遮擋人臉認證系統(tǒng)，其特征在于，所述系統(tǒng)包括 圖像采集模塊，用于捕獲視頻文件或者USB攝像頭視頻的視頻幀，并保存捕獲到的視頻圖像幀；圖像預處理模塊，用于完成圖像的光照預處理、噪聲濾波處理以及幾何歸ー化和尺度歸ー化處理，消除包括光照、噪聲、姿態(tài)對人臉后續(xù)處理的不利影響； 特征訓練模塊，用于完成對檢測模塊的Adaboost人臉檢測器的Haar特征訓練以及對人臉樣本庫分塊LBP特征的提取，特征訓練模塊借助matlab圖像處理和矩陣操作功能實現(xiàn)離線特征訓練； 人臉檢測和定位模塊，用于對已經(jīng)訓練好的人臉Haar特征，包括整臉、眼睛、嘴巴、鼻子，對人臉進行自適應步長的多尺度捜索，同時對于視頻序列，在檢測前通過視頻序列間的運動信息對人臉位置進行預估計； 人臉識別模塊，用于完成人臉圖像特征的提取以及匹配，最終完成人臉識別，輸出結果，人臉識別模塊通過將目標人臉圖像分塊，剔除遮擋人臉分塊，然后提取剩余人臉分塊的LBP紋理特征，最后與人臉庫中相對應的分塊LBP紋理特征進行匹配識別。
全文摘要
本申請公開了一種遮擋人臉認證方法及系統(tǒng)，其中方法包括S1、采集人臉視頻圖像；S2、對所采集的人臉視頻圖像進行預處理；S3、對遮擋人臉進行檢測計算，根據(jù)視頻序列的運動信息，利用三幀差法對人臉圖像的位置進行估計，然后通過Adaboost算法進行進一步人臉位置的確認；S4、對遮擋人臉進行識別計算，將人臉樣本分為若干分塊，采用結合監(jiān)督1-NN近鄰法的SVM二分算法對人臉分塊進行遮擋判別，若分塊被遮擋，則直接舍棄，若分塊未被遮擋，則提取相應的LBP紋理特征向量進行加權識別，然后用基于正交投影方法的分類器用來減少特征匹配次數(shù)。該遮擋人臉認證方法有效地提高局部遮擋人臉檢測率和檢測速度。
文檔編號G06K9/62GK102855496SQ20121030388
公開日2013年1月2日 申請日期2012年8月24日 優(yōu)先權日2012年8月24日
發(fā)明者徐汀榮 申請人:蘇州大學