一种视屏监控人脸识别方法技术

本发明专利技术涉及视屏监控技术领域，特别是涉及到一种视屏监控人脸识别方法，步骤包括：通过Adaboost人脸检测算法对输入的目标样本进行训练，生成Adaboost级联层叠分类器；通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检测，标定特征点，并输出待识别特征矢量；以Adaboost级联层叠分类器标定的特征点作为观测，通过特征匹配算法与样本库内的特征矢量相匹配。由上可见，应用本实施例技术方案，通过daboost人脸检测算法对输入的目标样本进行训练，生成Adaboost级联层叠分类器；通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检测，提高人脸识别的精度，并提高识别效率。

【技术实现步骤摘要】

本专利技术涉及视屏监控
，特别是涉及到。
技术介绍
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机 或摄像头采集含有人脸的图像或视频流，对检测到的人脸进行脸部认证的一系列相关技 术，通常也叫做人像识别、面部识别。 人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用 化的识别率和识别速度，它集成了人工智能、机器识别、机器学习、模型理论、专家系统、视 频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最 新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。 现有应用较为广泛的人脸识别技术主要还是基于可见光图像的人脸识别，其对环 境的光照条件和背景的运动比较敏感，人脸角度不同出现的阴影也会对比较的结果产生影 响。因此现有的人脸识别技术不适用于人脸角度不同，光照条件变化以及恶劣天气的场景， 识别精度比较低，识别效率低下。
技术实现思路
本专利技术实施例专利技术目的在于提供，应用该技术方案可 以提尚人脸识别的精度，并提尚识别效率。 为了实现上述专利技术目的，本专利技术的完整技术方案如下： 通过Adaboost人脸检测算法对输入的目标样本进行训练，生成Adaboost级联层叠 分类器； 通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检测，标定特 征点，并输出待识别特征矢量；以Adaboost级联层叠分类器标定的特征点作为观测，通过特征匹配算法与样本库 内的特征矢量相匹配。 由上可见，应用本实施例技术方案，通过daboost人脸检测算法对输入的目标样本 进行训练，生成Adaboost级联层叠分类器;通过所述Adaboost级联层叠分类器对输入的人 脸图像数据进彳丁目标检测，提尚人脸识别的精度，并提尚识别效率。【附图说明】 为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可 以根据这些附图获得其他的附图。 图1为本专利技术实施例1提供的视屏监控人脸识别方法的流程示意图。【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作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。 实施例1:如图1所示，本实施例公开了，包括：步骤S101、通过Adaboost人脸检测算法对输入的目标样本进行训练，生成 Adaboost级联层叠分类器。在图像目标识别
，常常需要根据任意给定的图像，对其按一定的策略进 行搜索以确定是否含有特定目标，例如车、船、人脸等Adaboost作为一种迭代算法，其基本 思想就是:对于一个具体的识别问题，通过一定的算法将一组弱分类器提升为强分类器。这 里的若分类器就是指对目标的识别仅好于随机猜测的分类器，而强分类器则可以认为其通 过一定样本的学习达到了理想的目标识别率。在本步骤中，通过Adaboost人脸检测算法对 采集的样本进行训练，得到Adaboost级联层叠分类器，用于进行后续的目标检测。 步骤S102、通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检 测，标定特征点，并输出待识别特征矢量。 输入的人脸图像数据可以是视频序列或静态的图像，采用Adaboost级联分类器对 图像数据进行目标检测。 步骤S103、以Adaboost级联层叠分类器标定的特征点作为观测，通过特征匹配算 法与样本库内的特征矢量相匹配。通过Adaboost人脸检测算法对输入的目标样本进行训练，生成Adaboost级联层叠 分类器;通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检测，提高人 脸识别的精度，并提尚识别效率。 本实施例公开的中，Adaboost人脸检测算法包括弱分 类器训练算法和弱分类器标定算法;所述弱分类器训练算法，根据输入的目标样本进行训 练得到弱分类器;所述弱分类器标定算法，对所述训练得到的弱分类器进行重排序。 本实施例公开的，其中的弱分类器训练算法包括： 输入负样本的初始个数m、正样本的初始个数1和弱分类器的个数T，输入负样本和 正样本Kxi，yi)，（X2，y2)......(xn，yn)}，其中xi表示输入训练样本，yi = 〇表示负样本，yi = 1表示正样本，n = l+m; 对于yi=l，完成下列循环： 对样本的每个人脸特征f训练一个弱分类器h，弱分类器的误差为 Uj)-(yi) I，选取具有最小误差0t的弱分类器ht; 为了实现人脸特征与样本库的匹配，具有以下步骤： 标定并提取图像中人脸特征f， 将图像形状向量α进行归一化和对齐，将对齐后的形状向量进行PCA降维处理；计算协方差矩阵的特征值λ并将其按从小到大依次排序:&，、，......，其中 〇；选择前t个特征向量Ρ=(ρι，ρ2,.....,Pt)，使得特征向量P与对应的特征值λ满足其中fv为由特征向量个数来确定的比例系数，fv = 95%，ντ= Σλ?; .，+ 将任一形状向量α表示为其中bs为包含t个参数的向量， 选取特征点计算其中Xi表示待识别特征矢 量，Ri表示样本库中的特征矢量的第i个分量，Wi为加权系数。特征点的选取根据人脸的特征 确定，特征点可以包括眼睛的距离，眼间的距离，眉毛的距离，眉间的距离，嘴巴的距离，鼻 子的距离等40多个距离。 设匹配阀值为U，当S3 U时，输出成功匹配结果。 为了确保由于bs的变化产生的形状与训练集中的形状类似，需要对bs进行一些限 制；进行限制，令bs的变化产生的形状与训练集 中的形状接近，其中，Dmax = 3;以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施 方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范 围之内。【主权项】1. ，包括： 通过Adaboost人脸检测算法对输入的目标样本进行训练，生成Adaboost级联层叠分类 器； 通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检测，标定特征 点，并输出待识别特征矢量； WAdaboost级联层叠分类器标定的特征点作为观测，通过特征匹配算法与样本库内的 特征矢量相匹配。2. 根据权利要求1所述的，其特征在于，所述Adaboost人脸 检测算法包括弱分类器训练算法和弱分类器标定算法； 所述弱分类器训练算法，根据输入的目标样本进行训练得到弱分类器； 所述弱分类器标定算法，对所述训练得到的弱分类器进行重排序。3. 根据权利要求2所述的，其特征在于，所述的弱分类器训 练算法包括： 输入负样本的初始个数m、正样本的初始个数1和弱分类器的个数T，输入负样本和正样 本{(xi，yi)，（X2，y2)......(Xn，yn)}，其中x康示输入训练样本，yi = 0表示负样本，yi= 1表 示正样本，n = l+m; 初始化样本权重:若yi = 0，则将所有样本的本文档来自技高网...

【技术保护点】
一种视屏监控人脸识别方法，包括：通过Adaboost人脸检测算法对输入的目标样本进行训练，生成Adaboost级联层叠分类器；通过所述Adaboost级联层叠分类器对输入的人脸图像数据进行目标检测，标定特征点，并输出待识别特征矢量；以Adaboost级联层叠分类器标定的特征点作为观测，通过特征匹配算法与样本库内的特征矢量相匹配。

【技术特征摘要】

【专利技术属性】
技术研发人员：汪成龙，徐瑜，段延喜，徐德明，黄近秋，郑继红，
申请(专利权)人：惠州学院，
类型：发明
国别省市：广东;44