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 ...
【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
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。