一种夜视环境下热红外人脸图像识别方法技术

本发明专利技术提出了一种夜视环境下热红外人脸图像识别方法，用以解决现有人脸识别方法无法应对实际非控制环境影响的问题。本发明专利技术的步骤为：对热红外人脸图像进行数据建模建立极大化数据模型；估计极大化数据模型的混合模型参数，将极大化数据数据模型调整到高斯混合模型，得到调整后的热红外高斯混合人脸图像；提取热红外高斯混合人脸图像中简化的等温特征集，重建人脸热特征图像；计算一对重建人脸热特征图像间的概率近邻指数。本发明专利技术提取热特征人脸图像的简化等温特征集，并使用概率邻近指数度量个体间的相似度，克服了现有可见光人脸识别技术的不足，特别适用于夜视环境下的人脸识别，大大提高了人脸识别系统的抗干扰能力。

A thermal infrared face recognition method in night vision environment

The invention provides a thermal infrared face image recognition method in night vision environment to solve the problem that the existing face recognition methods can not cope with the actual uncontrolled environmental impact. The steps of the invention are as follows: building a maximized data model by data modeling of the thermal infrared face image; estimating the parameters of the hybrid model of the maximized data model; adjusting the maximized data model to the Gaussian mixture model to obtain the adjusted thermal infrared Gaussian mixture face image; extracting the thermal infrared Gaussian mixture face image; The simplified isothermal feature set in the image is used to reconstruct the face thermal feature image, and the probabilistic nearest neighbor index between two reconstructed face thermal feature images is calculated. The invention extracts the simplified isothermal feature set of the thermal feature face image, and measures the similarity between individuals by using the probabilistic proximity index, which overcomes the shortcomings of the existing visible light face recognition technology, and is especially suitable for face recognition in night vision environment, thus greatly improving the anti-interference ability of the face recognition system.

【技术实现步骤摘要】
一种夜视环境下热红外人脸图像识别方法
本专利技术涉及公共空间夜间安全监测的
，尤其涉及一种夜视环境下热红外人脸图像识别方法。
技术介绍
当前，人脸识别技术已经广泛应用到公共安全监测与身份认证领域，大大提高了司法机关案件取证、罪犯追逃、身份认证和公共安全管理的效率。然而，当前的人脸识别系统无法应对实际非控制环境的各种挑战，光线变化、人脸表情变化、姿态变化、妆容变化、用照片代替人脸欺诈方式等给当前可见光人脸识别带来了很多棘手的问题。在此背景下，热红外人脸图像识别技术开始悄然发展。使用红外热像仪拍摄的热红外人脸图像比可见光人脸图像具有更强的稳定性，如抗干扰性、光照不变性、防伪装和防欺诈特性等，可以弥补可见光图像的诸多缺陷。热红外人脸图像的特征是由人的脸部肌肉组织和血管分布等固有因素所决定，以较强鲁棒性的解剖学细节特征作为主要特征，由人的遗传基因结构决定，不可复制，更不受环境光照等因素的影响。由于不同的人脸具有完全不同的热辐射模式，因此，热红外人脸识别技术在夜间监测、相似人脸识别(双胞胎)、易容化妆、局部遮挡和照片欺诈等条件下具有极大的鲁棒性，在公共安全监测与身份认证领域具有广泛的应用前景。
技术实现思路
针对现有人脸识别方法无法应对实际非控制环境影响的技术问题，本专利技术提出一种夜视环境下热红外人脸图像识别方法，利用热红外人脸图像的简化等温特征集来重建人脸热特征图像，通过计算概率近邻指数获取识别结果，解决了夜视环境下人脸识别难题，大大提高了人脸识别系统在光照变化、易容、遮挡等条件下的识别精度。为了达到上述目的，本专利技术的技术方案是这样实现的：一种夜视环境下热红外人脸图像识别方法，其步骤如下：步骤一：利用红外热像仪采集夜视条件下的热红外人脸图像，对热红外人脸图像进行数据建模建立极大化数据模型，计算热红外人脸图像每个像素的概率密度函数和整个极大化数据模型的联合概率；步骤二：计算热红外人脸图像每个像素的期望概率，综合邻域像素的特征估计极大化数据模型的混合模型参数，执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，得到调整后的热红外高斯混合人脸图像；步骤三：提取热红外高斯混合人脸图像中简化的等温特征集，重建人脸热特征图像；步骤四：计算一对重建人脸热特征图像间的概率近邻指数，概率近邻指数为0表示两测试样本完全不同，概率近邻指数为1表示两测试样本完全相似，从而给出人脸图像识别结果。所述步骤一的实现方法为：(1)对采集的热红外人脸图像尺度归一化得到大小相同的测试图像；(2)计算测试图像每个像素的概率密度函数；(3)通过每个像素的概率密度函数计算整个测试图像的数据模型的联合概率。所述计算测试图像每个像素的概率密度函数的方法为：设是测试图像的像素集，xi表示测试图像第i个像素，表示p维的实数集，n表示测试图像像素的个数，N为自然数；将测试图像分成K个区域，其中，是形成第k个区域的像素集，k＝1,…,K，nk表示第k个区域的像素xs个数；像素xi属于第k个区域的概率密度函数为gk(xi|θk)，用于判断像素xi是否属于第k个区域；像素xi∈M用表示区域像素分布的随机矩阵X＝{X1,X2,…,XK}表示，混合模型参数φ＝{p1,...,pk,μ1,...,μk,σ1,...,σk}是由随机矩阵X的概率密度函数定义的未知参数集，随机矩阵X的概率密度函数由下式给出：其中，pk为像素xs在第k个区域的分布概率，μk为第k个区域的所有像素xs的平均值，σk为第k个区域所有像素xs的标准方差，θk为第k个区域估计得到的最大值点；计算整个测试图像的数据模型的联合概率为：所述步骤二中的实现方法的步骤为：(1)E步骤：计算热红外人脸图像尺度归一化得到的测试图像的每个像素属于区域k的期望概率：其中，gk(xi|θk)为像素xi属于第k个区域的概率密度函数，pk为像素xs在第k个区域的分布概率；区域k＝1,…,K，K为测试图像分成的区域数，cik表示像素xi属于测试图像中区域k的期望概率，cik为概率矩阵C的元素；(2)T步骤：计算每个像素8个邻域隶属概率的加权平均值paik，更新概率矩阵C和分配权重phi；(3)M步骤：极大化数据模型的似然度获取混合模型参数；(4)执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，将高斯度G→0，得到调整后的热红外高斯混合人脸图像。所述T步骤的实现方法为：a)计算像素xi的8个领域xj∈N8xi隶属概率的加权平均值paik：设矩阵PA是一个大小为n×K的矩阵，其元素paik由下式给出：其中，近邻像素xj属于中心像素xi的8个邻域，vij表示近邻像素xj对像素xi的影响，cjk表示近邻像素xj属于区域k的概率；b)更新概率矩阵C：如果像素xi是非自由像素，则用加权平均值paik替换概率cik来更新概率矩阵C；如果像素xi为自由像素，则分配给概率cik的类与由元素paik获得的类相同；c)利用更新后的概率矩阵C计算每个像素的权重：所述M步骤的实现方法为：混合模型参数φ＝{p1,...,pk,μ1,...,μk,σ1,...,σk}中的参数估计通过下式获得：其中，为分布概率pk的估计，为平均值μk的估计，为标准方差的估计；利用估计值和分别更新混合模型参数φ＝{p1,...,pk,μ1,...,μk,σ1,...,σk}中的相应参数，利用更新后的混合模型参数计算整个测试图像的联合概率，若当前迭代的联合概率的值小于先前迭代值，迭代过程结束，执行样本分类，并估计每个像素的隶属概率，在每次迭代中的M步骤更新第k个区域的像素集Rk，第k个区域估计得到的最大值点θk使像素xi的条件概率gk(xi|θk)最大化，即：获得的ki值即完成了对像素xi所属区域的判断。利用类拟合算法得到调整后的热红外高斯混合人脸图像的方法为：a)计算区域像素集Rk的理论最大熵Hmax：其中，e为自然常数2.71828；b)frj为区域像素集Rk所有近邻像素xj的相对频率，计算区域像素集Rk的真实熵Hreal：c)计算出极大化数据数据模型的高斯度G：如果高斯度G→0，类拟合算法结束得到调整后的热红外高斯混合人脸图像。所述步骤三的实现步骤为：(1)选择区域特征点像素位置(由区域像素xs的行、列定义)标注为圆心⊙s，s＝1,…,nk；(2)计算区域的像素集Rk中每个像素与区域边缘的欧几里得距离d以获取半径rjk，获取欧式变换后的特征点图像；(3)由具有最大半径rjk的η个圆标出η个特征点集合作为等温特征集PCη并使这些圆彼此不重叠：其中，在像素xi的位置标注圆心⊙i，Bk(⊙s,rjk)为测试图像中的第s个圆、d(⊙s,⊙i)表示圆心⊙s和圆心⊙i的欧几里得距离；(4)通过简化的等温特征集PCη来重建人脸热特征图像：η个特征点组成的等温特征集PCη为：其中，Bl对应于测试图像中第一个最大半径的第l个圆，Bm∈PCη,l≠m；获取由简化的等温特征集PCη重建的人脸热特征图像IPCη。所述步骤四中计算一对重建人脸热特征图像间的概率近邻指数的方法为：设是测试样本人脸图像的热特征，IPCη是由一组η个特征通过公式(14)重建的热特征图像，对于热特征I的每个区域，热特征图像IPCη中的所有像素具本文档来自技高网...

【技术保护点】
1.一种夜视环境下热红外人脸图像识别方法，其特征在于，其步骤如下：步骤一：利用红外热像仪采集夜视条件下的热红外人脸图像，对热红外人脸图像进行数据建模建立极大化数据模型，计算热红外人脸图像每个像素的概率密度函数和整个极大化数据模型的联合概率；步骤二：计算热红外人脸图像每个像素的期望概率，综合邻域像素的特征估计极大化数据模型的混合模型参数，执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，得到调整后的热红外高斯混合人脸图像；步骤三：提取热红外高斯混合人脸图像中简化的等温特征集，重建人脸热特征图像；步骤四：计算一对重建人脸热特征图像间的概率近邻指数，概率近邻指数为0表示两测试样本完全不同，概率近邻指数为1表示两测试样本完全相似，从而给出人脸图像识别结果。

【技术特征摘要】
1.一种夜视环境下热红外人脸图像识别方法，其特征在于，其步骤如下：步骤一：利用红外热像仪采集夜视条件下的热红外人脸图像，对热红外人脸图像进行数据建模建立极大化数据模型，计算热红外人脸图像每个像素的概率密度函数和整个极大化数据模型的联合概率；步骤二：计算热红外人脸图像每个像素的期望概率，综合邻域像素的特征估计极大化数据模型的混合模型参数，执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，得到调整后的热红外高斯混合人脸图像；步骤三：提取热红外高斯混合人脸图像中简化的等温特征集，重建人脸热特征图像；步骤四：计算一对重建人脸热特征图像间的概率近邻指数，概率近邻指数为0表示两测试样本完全不同，概率近邻指数为1表示两测试样本完全相似，从而给出人脸图像识别结果。2.根据权利要求1所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述步骤一的实现方法为：(1)对采集的热红外人脸图像尺度归一化得到大小相同的测试图像；(2)计算测试图像每个像素的概率密度函数；(3)通过每个像素的概率密度函数计算整个测试图像的数据模型的联合概率。3.根据权利要求2所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述计算测试图像每个像素的概率密度函数的方法为：设是测试图像的像素集，xi表示测试图像第i个像素，表示p维的实数集，n表示测试图像像素的个数，N为自然数；将测试图像分成K个区域，其中，是形成第k个区域的像素集，k＝1,…,K，nk表示第k个区域的像素xs个数；像素xi属于第k个区域的概率密度函数为gk(xi|θk)，用于判断像素xi是否属于第k个区域；像素xi∈M用表示区域像素分布的随机矩阵X＝{X1,X2,…,XK}表示，混合模型参数φ＝{p1,...,pk,μ1,...,μk,σ1,...,σk}是由随机矩阵X的概率密度函数定义的未知参数集，随机矩阵X的概率密度函数由下式给出：其中，pk为像素xs在第k个区域的分布概率，μk为第k个区域的所有像素xs的平均值，σk为第k个区域所有像素xs的标准方差，θk为第k个区域估计得到的最大值点；计算整个测试图像的数据模型的联合概率为：4.根据权利要求1所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述步骤二中的实现方法的步骤为：(1)E步骤：计算热红外人脸图像尺度归一化得到的测试图像的每个像素属于区域k的期望概率：其中，gk(xi|θk)为像素xi属于第k个区域的概率密度函数，pk为像素xs在第k个区域的分布概率；区域k＝1,…,K，K为测试图像分成的区域数，cik表示像素xi属于测试图像中区域k的期望概率，cik为概率矩阵C的元素；(2)T步骤：计算每个像素8个邻域隶属概率的加权平均值paik，更新概率矩阵C和分配权重phi；(3)M步骤：极大化数据模型的似然度获取混合模型参数；(4)执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，将高斯度G→0，得到调整后的热红外高斯混合人脸图像。5.根据权利要求4所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述T步骤的实现方法为：a)计算像素xi的8个领域xj∈N8xi隶属概率的加权平均值paik：设矩阵PA是一个大小为n×K的矩阵...

【专利技术属性】
技术研发人员：栗科峰，骆继明，熊欣，王炜，王俊华，
申请(专利权)人：河南工程学院，
类型：发明
国别省市：河南,41