一种基于多摄像头机型的人脸识别方法技术

本发明专利技术公开了一种基于多摄像头机型的人脸识别方法，包括以下步骤：1、一次多摄像头信息获取；2、人脸检测、训练；3、特征存储；4、人脸数据库(结构化数据模式)；5、二次多摄像头信息获取；6、数据库关联信息获取；7、双层异构深度神经网络算法比对；本发明专利技术采用了二次多摄像头信息获取技术；并采用了双层异构深度神经网络算法比对技术；本发明专利技术的方法解决了身份证芯片里存储的身份证照片人脸区域像素小，照片模糊，一般为多年以前的照片，和现场采集照片相差大；人脸可能有很多遮挡物，如胡须，眼镜，帽檐等；环境的光照强度和观察人脸的角度发生变化；人脸难于识别的等问题，提供了一个经济，实时，准确的人脸识别方法。

【技术实现步骤摘要】

本专利技术涉及一种人脸识别技术，更具体地说是涉及一种基于多摄像头机型的人脸识别方法。
技术介绍
人脸识别技术是一个跨学科、富于挑战的前沿课题，发展很快，并取得了丰硕的研究成果，非线性建模方法，统计学理论，基于Boosting的学习技术，基于3D模型的人脸建模与识别方法等逐渐成为技术的发展趋势。现有的人脸识别系统在用户配合，图像采集条件比较理想的情况下可以取得令人满意的效果。但是，对于用户不配合，图像采集不理想(如光照恶劣，有遮挡，图像分辨率低)的情况下，现有系统识别率突然下降。因此，要将人脸识别技术应用到实际中还存在着诸多挑战性问题需要解决。
技术实现思路
本专利技术的目的是提供一个经济、实时、准确的人脸识别方法，在人脸识别技术中，人脸是非刚体物体，并且随着年龄的增长而变化，特征难以完全描述；同时，身份证芯片里存储的身份证照片人脸区域像素小，照片模糊，一般为多年以前的照片，和现场采集照片相差大；人脸可能有很多遮挡物，如胡须，眼镜，帽檐等；环境的光照强度和观察人脸的角度发生变化。本专利技术为了解决现有技术中存在的问题，提供一种基于多摄像头机型人脸识别方法。为了实现上述的目的，本专利技术采用以下技术方案：一种基于多摄像头机型的人脸识别方法，包括以下步骤：1、一次多摄像头信息获取；2、人脸检测、训练；3、特征存储；4、人脸数据库(结构化数据模式)；5、二次多摄像头信息获取；6、数据库关联信息获取；7、双层异构深度神经网络算法比对。本专利技术是基于多摄像头(4台摄像机)信息融合技术和二次逼近实时图像人脸比对技术。在不改动车站现有闸机的情况下，在乘车人员通过闸机时，通过4个摄像机获取实时的、多角度、动态的人脸信息，经过训练以后，以结构化数据的形式存储于数据库，关联身份证信息、票务信息和人脸信息，人脸信息包含脸部图片信息，位姿信息，图片质量信息。在进入候车室以后，通过布置的另外一组4摄像头设备，获取实时的、多角度、动态的信息，通过票务信息关联数据库，获得关联的图片信息，一般在两小时以内。通过双层异构神经网络算法，比较两小时以内的相同位姿下的人脸图片，即时的实时信息，解决跨场景、跨时间的图片比对特征空间中样本分布差异性较大的问题。异构神经网络算法是有针对性的训练神经网络的节点间的权值，打破深度神经网络黑盒特性，使某一些权值具有实际意义，匹配人脸的某一面部特性，使一些先验信息加入到网络模型的训练。人脸检测流程如下：人脸检测使用经典级联结构和多层神经网络的人脸检测方法实现，级联结构在顶部由多个针对不同姿态的快速LAB级联分类器构成，紧接着是若干个基于SURF特征的多层感知机(MLP)级联结构，最后由一个统一的MLP级联结构(同样基于SURF特征)来处理所有姿态的人脸图片，从上往下，各个层次上的分类器及其所采用的特征逐步变得复杂，从而可以保留人脸区域并排除越来越难与人脸区分的非人脸区域。人脸识别流程如下：人脸识别本质上是要比对两幅图像中人脸的特征值，其中一副图像为比对的基本图像，进入候车室时输入系统的，保存在关系数据库中。另一幅图像为识别阶段实时的输入。采用异构深度神经网络进行特征提取和比对。本专利技术提供一个经济，实时，准确的人脸识别方法。本专利技术的方法解决了身份证芯片里存储的身份证照片人脸区域像素小，照片模糊，一般为多年以前的照片，和现场采集照片相差大；人脸可能有很多遮挡物，如胡须，眼镜，帽檐等；环境的光照强度和观察人脸的角度发生变化；人脸难于识别的问题。附图说明图1示出了本专利技术的流程图。具体实施方式为了使本专利技术解决的技术问题、采用的技术方案、取得的技术效果易于理解，下面结合具体的附图，对本专利技术的具体实施方式做进一步说明。一种基于多摄像头机型的人脸识别方法，包括以下步骤：1、一次多摄像头信息获取；2、人脸检测、训练；3、特征存储；4、人脸数据库(结构化数据模式)；5、二次多摄像头信息获取；6、数据库关联信息获取；7、双层异构深度神经网络算法比对。本专利技术是基于多摄像头(4台摄像机)信息融合技术和二次逼近实时图像人脸比对技术。在不改动车站现有闸机的情况下，在乘车人员通过闸机时，通过4个摄像机获取实时的、多角度、动态的人脸信息，经过训练以后，以结构化数据的形式存储于数据库，关联身份证信息、票务信息和人脸信息，人脸信息包含脸部图片信息，位姿信息，图片质量信息。在进入候车室以后，通过布置的另外一组4摄像头设备，获取实时的、多角度、动态的信息，通过票务信息关联数据库，获得关联的图片信息，一般在两小时以内。通过双层异构神经网络算法，比较两小时以内的相同位姿下的人脸图片，即时的实时信息，解决跨场景、跨时间的图片比对特征空间中样本分布差异性较大的问题。异构神经网络算法是有针对性的训练神经网络的节点间的权值，打破深度神经网络黑盒特性，使某一些权值具有实际意义，匹配人脸的某一面部特性，使一些先验信息加入到网络模型的训练。所述双层异构深度神经网络主要包含两个部分：(1)、深度神经网络训练；(2)、深度神经网络的异构预训练。所述深度神经网络采用了卷积神经网络模型(CNN)，CNN是一个多层的神经网络，每层由多个独立神经元组成。C层为特征提取层，每个神经元的输入与前一层的局部感受野相连接，并提取该局部的特征，一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。CNN中的每个特征提取层(C-层)都紧跟着一个特征映射层(S-层)，这种特有的两次特征提取的结构使CNN对输入样本具有较高的畸变容忍能力。在实际应用中，往往使用多层卷积，然后再使用全连接层进行训练，多层卷积的目的是一层卷积学到的特征往往是局部的，层数越高，学到的特征就越全局化。卷积和子采样过程如下：1、卷积过程：用一个滤波器fx去卷积一个输入的图像，然后加上一个偏置项bx，得到卷积层Cx。2、子采样过程：每邻域4个像素求和变为一个像素，首先通过标量Wx+1加权，其次加上偏置项bx+1，然后通过一个sigmoid激活函数产生一个大概缩小4倍的特征图Sx+1。通过以上过程获得一个深度神经网络，由于深度神经网络属于黑盒测试，对于具体神经元以及节点间的权值的表征的现实意不明，无法确定哪些权值与哪些属性有关，也就是说这种神经网络是同构的。在异构神经网络中，经过大量的有先验特征的图片进行训练，例如包含肤色、表情、姿态等先验特征的图片，从而局部调整对应该先验特征神经元及节点间权值。经过大量的数据训练以后，模型中就存在了描述肤色、表情、姿态、光照、遮挡、角度等先验特征，相应的神经元和节点间的权值得到增强和优化，增强了模型的适应性和特征的表达能力。人脸检测流程如下：人脸检测使用经典级联结构和多层神经网络的人脸检测方法实现，级联结构在顶部由多个针对不同姿态的快速LAB级联分类器构成，紧接着是若干个基于SURF特征的多层感知机(MLP)级联结构，最后由一个统一的MLP级联结构(同样基于SURF特征)来处理所有姿态的人脸图片，从上往下，各个层次上的分类器及其所采用的特征逐步变得复杂，从而可以保留人脸区域并排除越来越难与人脸区分的非人脸区域。人脸识别流程如下：人脸识别本质上是要比对两幅图像中人脸的特征值，其中一副本文档来自技高网...

【技术保护点】
一种基于多摄像头机型的人脸识别方法，其特征在于：包括以下步骤：1)、一次多摄像头信息获取；2)、人脸检测、训练；3)、特征存储；4)、人脸数据库(结构化数据模式)；5)、二次多摄像头信息获取；6)、数据库关联信息获取；7)、双层异构深度神经网络算法比对。

【技术特征摘要】
1.一种基于多摄像头机型的人脸识别方法，其特征在于：包括以下步骤：1)、一次多摄像头信息获取；2)、人脸检测、训练；3)、特征存储；4)、人脸数据库(结构化数据模式)；5)、二次多摄像头信息获取；6)、数据库关联信息获取；7)、双层异构深度神经网络算法比对。2.根据权利要求1所述的人脸识别方法，其特征在于：所述一次多摄像头信息获取，采用了4个摄像头，所述信息获取包括脸部图片信息，位姿信息，图片质量信息。3.根据权利要求1所述的人脸识别方法，其特征在于：所述人脸识别、训练，是对实时的、多角度、动态的信息进行的识别、训练。4.根据权利要求1所述的人脸识别方法，其特征在于：所述特征存储，是以结构化数据的形式存储于数据库。5.根据权利要求1所述的人脸识别方法，其特征在于：所述人脸数据库，采用结构化数据模式。6.根据权利要求1所述的人脸识别方法，其特征在于：所述二次多摄...

【专利技术属性】
技术研发人员：戚建淮，高洪朋，
申请(专利权)人：深圳市永达电子信息股份有限公司，
类型：发明
国别省市：广东;44