The invention discloses a behavior measurement and analysis method based on multi vision, which includes the following steps: (1) using a variety of measurement sensors to monitor the user's face posture, and then transmitting the data received by the measurement sensor to the analysis module; (2) first using the existing face detector to detect the input image's face, and then cutting the image, and then using the face detector's Image is constructed into image feature database; (3) sample image is extracted from image feature database, and then relu nonlinear activation is carried out. After activation, normalization processing is carried out to improve the generalization ability of the model; then data is input into the first and second convolution layers, and the first and second convolution layers are directly connected. The invention uses the face detector to detect the face, remove the clutter image, and then uses the depth convolution model to carry out the depth learning and face matching, so as to quickly classify different face behaviors.
【技术实现步骤摘要】
一种基于多视觉的行为测量与分析方法
本专利技术涉及行为测量与分析
,尤其涉及一种基于多视觉的行为测量与分析方法。
技术介绍
传统的人脸识别算法之所以不能满足多姿态人脸识别主要归咎于人脸姿态的变化在一定程度上会导致面部成分的移位、非线性纹理变化和自遮挡效应,这些都会很大程度的降低识别的准确率。为了解决这些问题,一系列的多姿态人脸识别算法相继被提出。在已经存在的多姿态人脸识别算法中,主要可以分为两类:一种是直接从图片中提取具有姿态鲁棒性的人脸特征,还有一种是先对人脸进行姿态标准化得到正脸图像,然后在正脸图像的基础上再进行识别。从单一的2D人脸图片来建立人脸的3D模型会给增加过多的噪声信息,要保证建立精确的3D人脸模型是一件极其困难的事请。直接从人脸图片中提取具有姿态鲁棒性的特征的算法也可以分为两类:提取手工特征和使用机器学习模型学习出特征。提取手工特征的方法通常是直接在脸部上相呼应的语义块上进行的,因此其产生的特征对于由姿态变化引起的面部纹理的位移不敏感,且这系列的方法都建立在脸部精确对齐的基础上,脸部精确对齐目前依旧是一个很难做到的事情。
技术实现思路
(一)解决的技术问题针对现有技术的不足,本专利技术提供了一种基于多视觉的行为测量与分析方法,解决了目前的多姿态行为人脸识别在一定程度上会导致面部成分的移位、非线性纹理变化和自遮挡效应,这些都会很大程度的降低识别的准确率的问题。(二)技术方案为实现上述目的,本专利技术提供如下技术方案:一种基于多视觉的行为测量与分析方法,包 ...
【技术保护点】
1.一种基于多视觉的行为测量与分析方法,其特征在于:包括如下步骤:/n(1)使用多种测量传感器监测到用户的面部姿态,然后将测量传感器接收到的数据传递到分析模块中;/n(2)首先使用现有的人脸检测器对输入图像进行人脸检测,并将图像大小调整为250×250,然后再利用233×233大小的随机裁剪器对图像进行裁剪,最后对图像做随机镜像翻转,对图像进行随机裁剪和随机翻转的目的是为了减少训练过程中模型的过拟合现象,通过人脸检测器的图像构建成为图像特征库;/n(3)将图像特征库中抽取样本图像,然后进行ReLU非线性激活,激活后进行归一化处理,归一化处理是为了提高模型的泛化能力;然后再将数据输入到第一、第二卷积层,第一、第二卷积层直接相连,在进行归一化层和池化层之后,启用了9个Inception模块,模型在不同深度处增加了两个辅助性的分类量词来保证梯度回传消失;在初期模块操作之后,经过平均池化,降低特征维度,最后进行一个1024个神经元的全连接层和一个8类别输出的softmax函数,softmax函数产生8个人脸类别的概率值,使用Top-1错误率,即将网络输出的8个概率值中最高值映射为1,表示深度学 ...
【技术特征摘要】
1.一种基于多视觉的行为测量与分析方法,其特征在于:包括如下步骤:
(1)使用多种测量传感器监测到用户的面部姿态,然后将测量传感器接收到的数据传递到分析模块中;
(2)首先使用现有的人脸检测器对输入图像进行人脸检测,并将图像大小调整为250×250,然后再利用233×233大小的随机裁剪器对图像进行裁剪,最后对图像做随机镜像翻转,对图像进行随机裁剪和随机翻转的目的是为了减少训练过程中模型的过拟合现象,通过人脸检测器的图像构建成为图像特征库;
(3)将图像特征库中抽取样本图像,然后进行ReLU非线性激活,激活后进行归一化处理,归一化处理是为了提高模型的泛化能力;然后再将数据输入到第一、第二卷积层,第一、第二卷积层直接相连,在进行归一化层和池化层之后,启用了9个Inception模块,模型在不同深度处增加了两个辅助性的分类量词来保证梯度回传消失;在初期模块操作之后,经过平均池化,降低特征维度,最后进行一个1024个神经元的全连接层和一个8类别输出的softmax函数,softmax函数产生8个人脸类别的概率值,使用Top-1错误率,即将网络输出的8个概率值中最高值映射为1,表示深度学习网络将输入图像识别为该类,其余7个概率值映射为0,表示该输入图像不属于这些类别,最终测试值和真值进行比较,判别网络图像识别是否准确。
2.根据权利要求1所述的一种基于多视觉的行为测量与分析方法,其特征在于:在步骤(3)中,第一卷积层使用了64个卷积核,大小为1×1,步长为1,第二卷积层使用了192个卷积核,大小为3×3,步长为1。
3.根据权利要求1所述的一种基于多视觉的行为测量与分析方法,其特征在于:在...
【专利技术属性】
技术研发人员:孔俊,王建中,吕英华,郑彩侠,齐妙,
申请(专利权)人:东北师范大学,
类型:发明
国别省市:吉林;22
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。