一种人脸黑名单监测方法技术

技术编号:13745899 阅读:201 留言:0更新日期:2016-09-23 23:19
一种人脸黑名单监测方法,其结合全局特征和局部特征,首先训练多角度人脸模板用于人脸检测;在此基础上检测人脸部分五官关键点并定位;进一步地,对人脸进行归一化后,分别针对人脸完整区域提取Gabor特征,针对局部区域提取LDP特征;最后进行融合全局与局部特征的人脸相似度计算,实现人脸黑名单监测。本发明专利技术既保留人脸全局相似性,又体现局部差异性,可更好地反映人脸特性。

【技术实现步骤摘要】

本专利技术属于人脸识别
,具体涉及一种基于人脸识别的黑名单监测方法。
技术介绍
随着视频监控系统的大规模应用,在车站、机场、街道等重要场所安装有大量监控摄像机,可获得充足的人员面部视频图像,从而使得基于人脸识别的黑名单监测成为可能,在公共安全管理等领域有重要应用前景。其关键技术是面向监控视频的人脸识别,相关算法的优劣直接决定人脸黑名单监测的效果和速度。现有的人脸识别方法,如公开号为104899576A,申请号为201510350083.1,其公开了一种基于Gabor变换和HOG的人脸识别特征提取方法。该方法首先对含人脸图像进行提取并归一化,通过生成40个不同方向大小的Gabor滤波器对归一化人脸进行分别滤波,得到多个方向和大小的Gabor特征,随后对得到的Gabor特征进行HOG处理,进一步得到Gabor特征的梯度直方图信息,使得Gabor滤波结果增强。公开号为104700089A,申请号为201510134189.8,其公开了一种基于Gabor小波和SB2DLPP的人脸识别方法,该方法主要包括预处理、特征提取、特征降维和分类识别四个步骤。(1)对已知的人脸库中所有的人脸图像进行预处理,包括尺度归一化和直方图均衡化;(2)利用Gabor小波对预处理过的人脸图像进行特征提取;(3)引入类别信息,对步骤(2)提取到的高维图像特征应用有监督的双向二维局部保持投影(SB2DLPP)算法进行降维,从而提取出映射到低维子空间的特征矩阵;(4)采用最近邻分类器进行分类识别。公开号为103679151A,申请号为201310703205.1,其公开了一种融合LBP、Gabor特征的人脸聚类方法,步骤包括:将图像的R、G、B三个通道转换为灰度图,得到图像L;Gabor特征提取;LBP特征提取;分层人脸聚类等。公开号为104820844A,申请号为201510183686.7,提供一种人脸识别方法,包括:对模板人脸图像和待识别人脸图像进行Gabor小波人脸图像特征提取,获得图像特征;将由所述待识别人脸图像获得的图像特征分成正负样本;使用Adaboost对所述正负样本进行特征选择,
获得明显特征,使用Adaboost对由所述人脸图像获得的图像特征进行特征选择,获得特征子空间;使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵;使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配。公开号为102737234A,申请号为201210212659.4,公开了一种基于Gabor滤波和联合稀疏模型的人脸识别方法,该方法首先通过Gabor滤波对人脸图像进行滤波,提取对光照及表情不敏感的特征,然后利用提取出的Gabor特征作为联合稀疏模型的输入,提取每类训练图像的公有部分及私有部分的和;最后利用所提取的公有部分及私有部分的和来构造字典,采用SRC(稀疏表示分类)方法获得待识别人脸图像在构造字典上的稀疏表示,根据稀疏表示系数得到识别结果。上述方法主要以Gabor特征为基础提取人脸特征,各有优点,但都是针对人脸全局特征进行处理,忽视了人脸局部差异,因此存在一定的缺陷。同时针对人脸识别领域一直存在的角度、光照等影响,鲁棒性不佳的缺陷。
技术实现思路
针对现有技术存在的问题,本专利技术提出一种人脸黑名单监测方法。该结合全局特征和局部特征,首先训练多角度人脸模板用于人脸检测;在此基础上检测人脸部分五官关键点并定位;进一步地,对人脸进行归一化后,分别针对人脸完整区域提取Gabor特征,针对局部区域提取LDP特征;最后进行融合全局与局部特征的人脸相似度计算,实现人脸黑名单监测。一种人脸黑名单监测方法,包括以下步骤:S1:基于多角度人脸检测分类器,检测人脸区域;S2:针对人脸区域,检测部分五官特征点;S3:基于部分五官特征点坐标,实现人脸归一化;S4:针对归一化后的完整人脸提取Gabor特征;S5:针对归一化后的部分五官区域提取LDP特征;S6:计算人脸相似度,实现黑名单监测。其中,步骤S1中是利用多角度人脸训练基于Haar特征和Adaboost分类器的人脸检测分类器。具体包括以下步骤:S1.1:利用常规视频图像采集设备(监控摄像机、相机等等具有视频采集功能的设备),
分别采集正面人脸、正面人脸向左水平偏转5度,10度,正面人脸向右水平偏转5度,10度,正面人脸向上偏转5度,10度,正面人脸向下偏转5度,10度的图像,每个角度的人脸图像不少于1000幅;S1.2:针对每种角度图像,人工裁剪人脸区域,并缩放至128×128像素,作为正样本;S1.3:采集同样数量的不含人脸图像,作为负样本;S1.4:针对每种角度图像,训练其基于Haar特征和Adaboost分类器的人脸检测分类器。步骤S2中,针对步骤S1中检测到的人脸区域,基于Flandmark方法检测人脸部分五官关键点。参照图2,本专利技术中人脸部分五官关键点包括7个,第一个五官关键点为鼻尖0、第二个五官关键点为左眼右眼角1、第三个五官关键点为右眼左眼角2、第四个五官关键点为左嘴角3、第五个五官关键点为右嘴角4、第六个五官关键点为左眼左眼角5和第七个五官关键点为右眼右眼角6;其中0、1、2、3、4、5、6分别为第一个五官关键点至第七个五官关键点对应的序号。其中:Flandmark方法可以参考文献:Michal Uˇriˇc′aˇr,Vojtˇech Franc and V′aclav Hlav′aˇc.Detector of Facial Landmarks Learned by The Structured Output Svm.International Conference on ComputerVision Theory andApplications.2012,547~556.步骤S3中,在步骤S2提取人脸部分五官关键点的基础上,将人脸部分中包含人脸部分五官关键点、眉毛、鼻子、嘴巴的正方形区域定义为人脸核心区域,如图3中的方框以内的区域就是人脸核心区域。计算核心人脸区域坐标,并将核心人脸区域缩放为128×128像素的灰度图像。具体步骤为:S3.1:计算人脸核心区域宽度Face_width、高度Face_height分别为:Face_width=(P6.x-P5.x)×1.6Face_height=Face_widthS3.2:计算人脸核心区域左上角起始点坐标为:Face.x=P5.x-(P6.x-P5.x)×0.3Face.y=P5.y-(P6.x-P5.x)×0.3其中:Pi.x,Pi.y分别表示序号为i五官关键点的横、纵坐标,如P6.x表示图2中序号为6的五官关键点(即右眼右眼角)的横坐标,P5.x表示图2中序号为5的五官关键点(即左眼左眼角)的横坐标,P5.y表示图2中序号为5的五官关键点(即左眼左眼角)的纵坐标。步骤S4中,令步骤S3提取到归一化人脸灰度图像为I,使用Gabor变换在0~3四个尺
度,1~6六个邻域方向对I做卷积运算,然后提取其全脸Gabor特征。步骤S5的具体步骤包括:S5.1针对原始视频监控图像,基于五官关键点获取左眼区域,令其宽度为Leye.width,高度为Leye.height,中心横坐本文档来自技高网
...

【技术保护点】
一种人脸黑名单监测方法,其特征在于:包括以下步骤:S1:基于多角度人脸检测分类器,检测人脸区域;S2:针对人脸区域,检测部分五官特征点;S3:基于部分五官特征点坐标,实现人脸归一化;S4:针对归一化后的完整人脸提取Gabor特征;S5:针对归一化后的部分五官区域提取LDP特征;S6:计算人脸相似度,实现黑名单监测。

【技术特征摘要】
1.一种人脸黑名单监测方法,其特征在于:包括以下步骤:S1:基于多角度人脸检测分类器,检测人脸区域;S2:针对人脸区域,检测部分五官特征点;S3:基于部分五官特征点坐标,实现人脸归一化;S4:针对归一化后的完整人脸提取Gabor特征;S5:针对归一化后的部分五官区域提取LDP特征;S6:计算人脸相似度,实现黑名单监测。2.根据权利要求1所述的人脸黑名单监测方法,其特征在于,步骤S1中是利用多角度人脸训练基于Haar特征和Adaboost分类器的人脸检测分类器,包括以下步骤:S1.1:利用视频图像采集设备分别采集正面人脸、正面人脸向左水平偏转5度,10度,正面人脸向右水平偏转5度,10度,正面人脸向上偏转5度,10度,正面人脸向下偏转5度,10度的图像,每个角度的人脸图像不少于1000幅;S1.2:针对每种角度图像,人工裁剪人脸区域,并缩放至128×128像素,作为正样本;S1.3:采集同样数量的不含人脸图像,作为负样本;S1.4:针对每种角度图像,训练其基于Haar特征和Adaboost分类器的人脸检测分类器。3.根据权利要求2所述的人脸黑名单监测方法,其特征在于,步骤S2中,针对步骤S1中检测到的人脸区域,基于Flandmark方法检测人脸部分五官关键点,人脸部分五官关键点包括7个,第一个五官关键点为鼻尖、第二个五官关键点为左眼右眼角、第三个五官关键点为右眼左眼角、第四个五官关键点为左嘴角、第五个五官关键点为右嘴角、第六个五官关键点为左眼左眼角和第七个五官关键点为右眼右眼角。4.根据权利要求3所述的人脸黑名单监测方法,其特征在于,步骤S3中,在步骤S2提取人脸部分五官关键点的基础上,将人脸部分中包含人脸部分五官关键点、眉毛、鼻子、嘴巴的正方形区域定义为人脸核心区域,然后计算核心人脸区域坐标,并将核心人脸区域缩放为128×128像素的灰度图像,具体步骤为:S3.1:计算人脸核心区域宽度Face_width、高度Face_height分别为:Face_width=(P6.x-P5.x)×1.6Face_height=Face_widthS3.2:计算人脸核心区域左上角起始点坐标为:Face.x=P5.x-(P6.x-P5.x)×0.3Face.y=P5.y-(P6.x-P5.x)×0.3其中:Pi.x,Pi.y分别表示序号为i的五官关键点的横、纵坐标。5.根据权利要求4所述的人脸黑名单监测方法,其特征在于,步骤S4中,令步骤S3提取到归一化人脸灰度图像为I,使用Gabor变换在0~3四个尺度,1~6六个邻域方向对I做卷积运算,然后提取其全脸Gabor特征。6.根据权利要求5所述的人脸黑名单监测方法,其特征在于,步骤S5的方法是:S5.1针对原始视频监控图像,基于五官关键点获取左眼区域,令其宽度为Leye.width,高度为Leye.height,中心横坐标为Leye.x,中心纵坐标为Leye.y,计算方法为:Leye.width=P1.x-P5.xLeye.height=Leye.widthLeye.x=P5.xLeye.y=P5.y-Leye.height/2然后将左眼区域图像缩放至50×50像素的灰度图像;S5.2:针对原始视频监控图像,基于五官关键点获取右眼区域,令其宽度为Reye.width,高度为Reye.height,中心横坐标...

【专利技术属性】
技术研发人员:谢剑斌李沛秦闫玮刘通田凯文
申请(专利权)人:中国人民解放军国防科学技术大学湖南智慧平安科技有限公司
类型:发明
国别省市:湖南;43

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1