一种基于关系图谱的固定场景视频的人脸快速识别方法技术

本发明专利技术涉及一种基于关系图谱的固定场景视频的人脸快速识别方法。其技术方案是：从固定场景视频中截取人脸图像和非人脸图像，将灰度变换后的灰度图像组成训练数据集D2。使用训练数据集D2中所有图像训练出强分类器h(x)。利用图算法对n段长度相同的固定场景视频中的人脸进行处理，得固定场景视频中人的关系图谱。用强分类器h(x)对待识别的固定场景视频中每帧图像进行人脸检测，并与人脸样本库D中的人脸图像进行匹配，利用固定场景视频中人的关系图谱更新未识别出的人脸匹配度优先级队列。若更新后的匹配度优先级队列的匹配度最大值大于匹配度阈值T1则识别成功，反之放弃识别。本发明专利技术具有实时监控、参数量小和人脸识别的准确性高的特点。

A fast face recognition method based on relation map in fixed scene video

The invention relates to a fast face recognition method based on fixed scene video of relation map. The technical scheme is: the face image and the non face image are intercepted from the fixed scene video, and the gray-scale image after the gray-scale transformation is composed of the training data set D2. All the images in the training data set D2 are used to train the strong classifier H (x). The graph algorithm is used to deal with the faces in the fixed scene video with the same length of N segments, and the relationship graph of people in the fixed scene video is obtained. A strong classifier H (x) is used to detect the face in each frame of the fixed scene video to be recognized, and it is matched with the face image in the face sample database D. the unrecognized face matching priority queue is updated by using the relationship map of people in the fixed scene video. If the maximum matching degree of the updated matching degree priority queue is greater than the matching degree threshold T1, the recognition is successful, otherwise, the recognition is abandoned. The invention has the characteristics of real-time monitoring, small parameter amount and high accuracy of face recognition.

【技术实现步骤摘要】
一种基于关系图谱的固定场景视频的人脸快速识别方法
本专利技术属于人脸快速识
具体涉及一种基于关系图谱的固定场景视频的人脸快速识别方法。技术背景固定场景视频装置具有占地小、易安装、精度高、实时性和能耗小等优点，已成为安防系统搭建的首选方式。固定场景视频表示在特定的背景环境下，对所出现在拍摄装置视野范围内的人或物体进行拍摄所得到的视频，如安保视频和考勤系统。现如今的监控和安保系统还需要工作人员在视频监控平台人为的进行监控，当工作人员面对大量的固定场景视频数据时，很难有足够的精力和时间观察监控中的具体内容，并且观测的结果很大程度上会被主观因素所干扰，以至于监控结果不准确，无法做出及时的应对策略。对快速移动的物体很难鉴别出来，如人迅速跑过监控范围。且用肉眼观察会消耗大量的人力和物力资源，造成浪费。也有很多基于深度学习和机器学习的人脸检测算法，但是由于它们考虑了很多额外的因素，如环境背景，虽然使得算法具有鲁棒性，但算法容易被不相干的因素所干扰，使得算法中的参数量变大。“基于Adaboost算法的人脸识别优化方法”(CN201510203079)专利技术，该技术需要对大量的人脸样本图像进行训练，虽然精确度高，但参数量巨大，很难做到实时性。“人脸识别方法及装置”(CN201410602236)专利技术，该技术考虑了人物的衣服特征或者照片的拍摄时间等环境背景因素，会加大数据量，且会引入不相关的特征，最终使人脸的识别结果受到干扰。“人脸识别方法”(CN201310748379)专利技术，该技术使用的人脸参数量太多，导致算法效率大大降低，不能达到实时性。专利技术目的本专利技术旨在克服现有技术缺陷，目的在于提供一种具有实时监控、参数量小和人脸识别的准确性高的基于关系图谱的固定场景视频的人脸快速识别方法。为实现上述目的，本专利技术采用的技术方案的步骤是：第1步、数据预处理从固定场景视频中截取M张人脸图像和L张非人脸图像，组成训练数据集D2，其中一张人脸图像代表一种人脸。先把训练数据集D2中的N张图像逐张转化成C×C的灰度图像，N＝M+L；用K个不同比例系数和K1个不同旋转角度组成K2个Gabor核，用K2个Gabor核对灰度图像进行分解，将训练数据集D2中每张图像分解为K2个大小为C×C的矩阵；其中，K2＝K1×K，C、K、K1、K2均为自然数；将所述训练数据集D2中所有人脸图像组成人脸样本库D，标定所有人脸图像。第2步、人脸检测器的训练过程第2.1步、建立训练样本(xp，yp)，p＝1，......，N。xp表示训练数据集D2中第p个样本经过Gabor分解得到的K2个大小为C×C的矩阵；yp表示训练数据集D2中第p个样本是否为人脸图像；如果xp为人脸图像，则yp＝1；如果xp为非人脸图像，则yp＝-1。第2.2步、初始化每个训练样本的权值所述训练样本的权值其中：p＝1，......，N；q＝1，......，K2；N表示训练数据集D2中最后一张图像的序号数；K2表示每个训练样本最后一个特征的序号数。第2.3步、设为第i的训练样本的第j个特征，利用每个训练样本的第j个特征fj，寻找最优的弱分类器hj(fj，θj，γj)的阈值参数θj、类别参数γj，使得分类误差ej最小。式(1)和(2)中：θj表示第j个弱分类器中的阈值参数；γj表示第j个弱分类器中的类别参数；表示每个训练样本的权值，表示分类器hj(fj；θj，γj)对第i个训练样本中的第j个特征是否分类错误，式(3)中：yi＝hj(fj；θj，γj)表示分类正确；yi≠hj(fj；θj，γj)表示分类错误。通过利用每个训练样本的第j个特征fj进行训练，得到最优的弱分类器hj(fj，θj，γj)：式(4)中：θj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的阈值参数；γj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的类别参数。第2.4步、更新下次迭代每个特征的权值如果利用第i个训练样本的第j个特征使得第i个训练样本被第j个最优的弱分类器hj(fj；θj，γj)正确识别，则下次迭代的第i个训练样本的第j+1个特征的权值如果利用第i个训练样本的第j个特征使得第i个训练样本不能被第j个最优的弱分类器hj(fj；θj，γj)正确识别，则下次迭代的第i个训练样本的第j+1个特征的权值第2.4步中：ej表示hj(fj；θj，γj)的分类误差。第2.5步、重复第2.3步和第2.4步，直到遍历K2个特征，得到最终的强分类器h(x)：式(5)和(6)中：x表示对待识别的固定场景视频中的一帧图像；fj表示x中经过K2个Gabor核分解后的全部K2个特征中的第j个特征；θj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的阈值参数；γj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的类别参数；αj为表示第j个弱分类器hj(fj，θj，γj)在最终的强分类器h(x)中所占的权重；ej表示hj(fj；θj，γj)的分类误差；表示符号函数；若则为1；若则为0。第3步、人脸快速分类过程第3.1步、采用第2步得到的强分类器h(x)，对待识别的固定场景视频中的一帧图像进行人脸检测，经过人脸检测出的图像为待识别的人脸图像集合D3。第3.2步、对待识别的人脸图像集合D3中所有人脸图像的K2个特征进行灰度直方图变换，得到待识别的人脸图像集合D3中所有人脸图像的灰度直方图集合X。第3.3步、利用基于图的关系图谱快速分类算法，将所述灰度直方图集合X与人脸样本库D中每个人脸图像的K2个特征的灰度直方图进行最邻近匹配，得到待识别的人脸图像集合D3中所有待识别人脸图像的种类。第3.4步、重复3.1～3.3步，直至待识别的固定场景视频中每一帧图像都识别完毕。所述基于图的关系图谱快速分类算法的具体步骤是：第1分步、利用图算法建立固定场景视频中人的关系图谱第1.1分步、利用n段长度相同的固定场景视频建立人脸识别训练数据集D1，所述人脸识别训练数据集D1中共有M种人脸，建立大小为M×M的关系矩阵U；把关系矩阵U初始化为全部元素为零的矩阵，关系矩阵U的行和列都表示固定场景视频中的人脸种类。第1.2分步、取人脸识别训练数据集D1中第J段固定场景视频，每隔t帧取一帧固定场景视频图像，第J段固定场景视频共有T幅固定场景视频图像，把T幅固定场景视频图像组成固定场景视频图像集合QJ，1≤J≤n。第1.3分步、取固定场景视频图像集合QJ中的一帧固定场景视频图像Om，1≤m≤T，对所述一帧固定场景视频图像Om进行坐标系标定：左下角标定为坐标系零点，左侧边为Y轴正方向，本文档来自技高网...

【技术保护点】
1.一种基于关系图谱的固定场景视频的人脸快速识别方法，其特征在于所述固定场景视频的人脸快速识别方法的具体步骤：/n第1步、数据预处理/n从固定场景视频中截取M张人脸图像和L张非人脸图像，组成训练数据集D2，其中一张人脸图像代表一种人脸；先把训练数据集D2中的N张图像逐张转化成C×C的灰度图像，N＝M+L；用K个不同比例系数和K1个不同旋转角度组成K2个Gabor核，用K2个Gabor核对灰度图像进行分解，将训练数据集D2中每张图像分解为K2个大小为C×C的矩阵；其中，K2＝K1×K，C、K、K1、K2均为自然数；将所述训练数据集D2中所有人脸图像组成人脸样本库D，标定所有人脸图像；/n第2步、人脸检测器的训练过程/n第2.1步、建立训练样本(x

【技术特征摘要】
1.一种基于关系图谱的固定场景视频的人脸快速识别方法，其特征在于所述固定场景视频的人脸快速识别方法的具体步骤：
第1步、数据预处理
从固定场景视频中截取M张人脸图像和L张非人脸图像，组成训练数据集D2，其中一张人脸图像代表一种人脸；先把训练数据集D2中的N张图像逐张转化成C×C的灰度图像，N＝M+L；用K个不同比例系数和K1个不同旋转角度组成K2个Gabor核，用K2个Gabor核对灰度图像进行分解，将训练数据集D2中每张图像分解为K2个大小为C×C的矩阵；其中，K2＝K1×K，C、K、K1、K2均为自然数；将所述训练数据集D2中所有人脸图像组成人脸样本库D，标定所有人脸图像；
第2步、人脸检测器的训练过程
第2.1步、建立训练样本(xp，yp)，p＝1，……，N；
xp表示训练数据集D2中第p个样本经过Gabor分解得到的K2个大小为C×C的矩阵，
yp表示训练数据集D2中第p个样本是否为人脸图像，
如果xp为人脸图像，则yp＝1；如果xp为非人脸图像，则yp＝-1；
第2.2步、初始化每个训练样本的权值所述训练样本的权值其中：
p＝1，……，N，
q＝1，……，K2，
N表示训练数据集D2中最后一张图像的序号数，
K2表示每个训练样本最后一个特征的序号数；
第2.3步、设fji为第i的训练样本的第j个特征，利用每个训练样本的第j个特征fj，寻找最优的弱分类器hj(fj，θj，γj)的阈值参数θj、类别参数γj，使得分类误差ej最小；






式(1)和(2)中：θj表示第j个弱分类器中的阈值参数，
γj表示第j个弱分类器中的类别参数，

表示每个训练样本的权值，

表示分类器hj(fj；θj，γj)对第i个训练样本中的第j个特征是否分类错误，



式(3)中：yi＝hj(fj；θj，γj)表示分类正确，
yi≠hj(fj；θj，γj)表示分类错误；
通过利用每个训练样本的第j个特征fj进行训练，得到最优的弱分类器hj(fj，θj，γj)：



式(4)中：θj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的阈值参数，
γj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的类别参数；
第2.4步、更新下次迭代每个特征的权值
如果利用第i个训练样本的第j个特征fji使得第i个训练样本被第j个最优的弱分类器hj(fj；θj，γj)正确识别，则下次迭代的第i个训练样本的第j+1个特征的权值
如果利用第i个训练样本的第j个特征fji使得第i个训练样本不能被第j个最优的弱分类器hj(fj；θj，γj)正确识别，则下次迭代的第i个训练样本的第j+1个特征的权值
第2.4步中：ej表示hj(fj；θj，γj)的分类误差；
第2.5步、重复第2.3步和第2.4步，直到遍历K2个特征，得到最终的强分类器h(x)：






式(5)和(6)中：x表不对待识别的固定场景视频中的一帧图像，
fj表示x中经过K2个Gabor核分解后的全部K2个特征中的第j个特征，
θj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的阈值参数，
γj表示通过优化得到的第j个最优的弱分类器hj(fj；θj，γj)的类别参数，
αj为表示第j个弱分类器hj(fj，θj，γj)在最终的强分类器h(x)中所占的权重，
ej表示hj(fj；θj，γj)的分类误差，

表示符号函数，
若则为1，
若则为0；
第3步、人脸快速分类过程
第3.1步、采用第2步得到的强分类器h(x)，对待识别的固定场景视频中的一帧图像进行人脸检测，经过人脸检测出的图像为待识别的人脸图像集合D3；
第3.2步、对待识别的人脸图像集合D3中所有人脸图像的K2个特征进行灰度直方图变换，得到待识别的人脸图像集合D3中所有人脸图像的灰度直方图集合X；
第3.3步、利用基于图的关系图谱快速分类算法，将所述灰度直方图集合X与人脸样本库D中每个人脸图像的K2个特征的灰度直方图进行最邻近匹配，得到待识别的人脸图像集合D3中所有待识别人脸图像的种类；
第3.4步、重复3.1～3.3步，直至待识别的固定场景视频中每一帧图像都识别完毕；
所述基于图的关系图谱快速分类算法的具体步骤是：
第1分步、利用图算法建立固定场景视频中人的关系图谱
第1.1分步、利用n段长度相同的固定场景视频建立人脸识别训练数据集D1，所述人脸识别训练数据集D1中共有M种人脸，建立大小为M×M的关系矩阵U；把关系矩阵U初始化为全部...

【专利技术属性】
技术研发人员：柴利，郭诗尧，其他发明人请求不公开姓名，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42