一种全自动化的人脸识别校准检测方法技术

本发明专利技术公开了一种全自动化的人脸识别校准检测方法，包括对数据库中的大量人脸图像，利用LBP算子来提取描述人脸图像局部纹理特征；将LBP纹理特征作为DBN的输入，进行DBN训练；将摄像头获取到的需识别的人脸图像，利用LBP算子进行特征提取后，在DBN顶层识别人脸图像，与数据库中的特征进行比对，当结果为真时，实现人脸识别检测。本发明专利技术所述的全自动化的人脸识别校准检测方法，不断将新的人脸图像及特征加入数据库进行识别校准，从而不断提高识别的准确率和精准度。

【技术实现步骤摘要】
一种全自动化的人脸识别校准检测方法
本专利技术涉及人脸识别
，具体地，涉及一种全自动化的人脸识别校准检测方法。
技术介绍
随着技术的不断发展,传统的磁性卡、密码等识别方法,由于存在容易丢失、容易复制、容易忘记等问题，经受越来越多的挑战,可靠性不断下降。与其他生理特征相比,人脸特征具有主动、直接、简单、友好的特点,逐渐进入研究使用范畴。人脸识别过程分为三个部分。一、采集人脸图像，建立人脸图像数据库。其次,提出了特征,然后将特征数据提取到特征库中。最后,鉴定了个人身份信息,用特定的匹配算法将被识别人的人脸特征匹配,从而实现对数据库中的特征数据的识别。现有人脸识别技术受以下因素影响，造成识别正确率的下降。1.表情,当人脸的表情变化将会造成算法识别率急剧下降。二是容貌变化,不同的年龄段，人脸会有细微差别,人脸特征的改变增加识别难度。三是装饰品，化妆、眼镜或帽子对识别结果造成影响。四是光线，光影条件的不稳定性影响识别正确率。
技术实现思路
本专利技术的目的在于提供一种全自动化的人脸识别校准检测方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种全自动化的人脸识别校准检测方法，包括以下步骤：S1.对数据库中的大量人脸图像，利用LBP(局部二值)模式算子来提取描述人脸图像局部纹理特征,原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0；这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。这里，LBP算子作为一种有效的纹理描述算子,能够描述人脸图像中的亮点、暗点、边缘等的分布,它计算简单、运算速度快,并且具有光照和旋转不变的特性。S2.将LBP纹理特征作为DBN(深度信念网络)的输入，进行DBN训练，即以LBP纹理特征为输入,对第一层RBM进行无监督训练,获得该层的最优参数；其次将低一层RBM的输出数据作为高一层RBM的输入数据,并对该层RBM进行无监督训练,获得最优参数；最后利用全局训练的方法对训练好的各层参数进行微调，使DBN收敛到全局最优。S3.将摄像头获取到的需识别的人脸图像，利用LBP算子进行特征提取后，在DBN顶层识别人脸图像，与数据库中的特征进行比对，当结果为真时，实现人脸识别检测。进一步的,在所述S2步骤中，先单独训练每个卷积网络,然后,通过固定所有卷积网络实现对RBM的训练，使模型在初始化时更接近一个良好的局部最小值，最后,整个网络通过从最顶层的RBM到所有低层的卷积神经网络的反向传播误差进行微调。进一步的，在所述S3步骤中，当比对结果为假时，将新获取的人脸图像及提取的纹理特征存入数据库，进行DBN训练。由于对硬件要求较高，进一步的，所述S1、S2步骤均在专门服务器上进行。与现有技术相比，本专利技术的有益效果是：本专利技术所述的全自动化的人脸识别校准检测方法，利用LBP算子提取描述人脸图像局部纹理特征，再通过DBP进行训练，通过对特征在DBP条件下进行比对，不断将新的人脸图像及特征加入数据库进行识别校准，从而不断提高识别的准确率和精准度。附图说明图1为本专利技术实施例的方框示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参照图1所示，一种全自动化的人脸识别校准检测方法，包括以下步骤：S1.对数据库中的大量人脸图像，利用LBP(局部二值)模式算子来提取描述人脸图像局部纹理特征,原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0；这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。这里，LBP算子作为一种有效的纹理描述算子,能够描述人脸图像中的亮点、暗点、边缘等的分布,它计算简单、运算速度快,并且具有光照和旋转不变的特性。S2.将LBP纹理特征作为DBN(深度信念网络)的输入，进行DBN训练，即以LBP纹理特征为输入,对第一层RBM进行无监督训练,获得该层的最优参数；其次将低一层RBM的输出数据作为高一层RBM的输入数据,并对该层RBM进行无监督训练,获得最优参数；最后利用全局训练的方法对训练好的各层参数进行微调，使DBN收敛到全局最优。S3.将摄像头获取到的需识别的人脸图像，利用LBP算子进行特征提取后，在DBN顶层识别人脸图像，与数据库中的特征进行比对，当结果为真时，实现人脸识别检测。进一步的,在所述S2步骤中，先单独训练每个卷积网络,然后,通过固定所有卷积网络实现对RBM的训练，使模型在初始化时更接近一个良好的局部最小值，最后,整个网络通过从最顶层的RBM到所有低层的卷积神经网络的反向传播误差进行微调。进一步的，在所述S3步骤中，当比对结果为假时，将新获取的人脸图像及提取的纹理特征存入数据库，进行DBN训练。由于对硬件要求较高，进一步的，所述S1、S2步骤均在专门服务器上进行。尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。本文档来自技高网...

【技术保护点】
1.一种全自动化的人脸识别校准检测方法，其特征在于，包括以下步骤：S1.对数据库中的大量人脸图像，利用LBP(局部二值)模式算子来提取描述人脸图像局部纹理特征,原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0；这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息；S2.将LBP纹理特征作为DBN(深度信念网络)的输入，进行DBN训练，即以LBP纹理特征为输入,对第一层RBM进行无监督训练,获得该层的最优参数；其次将低一层RBM的输出数据作为高一层RBM的输入数据,并对该层RBM进行无监督训练,获得最优参数；最后利用全局训练的方法对训练好的各层参数进行微调，使DBN收敛到全局最优；S3.将摄像头获取到的需识别的人脸图像，利用LBP算子进行特征提取后，在DBN顶层识别人脸图像，与数据库中的特征进行比对，当结果为真时，实现人脸识别检测。

【技术特征摘要】
1.一种全自动化的人脸识别校准检测方法，其特征在于，包括以下步骤：S1.对数据库中的大量人脸图像，利用LBP(局部二值)模式算子来提取描述人脸图像局部纹理特征,原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0；这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息；S2.将LBP纹理特征作为DBN(深度信念网络)的输入，进行DBN训练，即以LBP纹理特征为输入,对第一层RBM进行无监督训练,获得该层的最优参数；其次将低一层RBM的输出数据作为高一层RBM的输入数据,并对该层RBM进行无监督训练,获得最优参数；最后利用全局训练的方法对训练好的各层参数进行微调，使...

【专利技术属性】
技术研发人员：李振合，林水养，
申请(专利权)人：深圳尊豪网络科技股份有限公司，
类型：发明
国别省市：广东,44