具有在线学习能力的连续面貌识别系统及方法技术方案

一种面貌分类的系统和方法。一种系统（１０）包括用于提供对在视频输入（２０）中检测到的面貌图像是否与分类器（４０）中的已知面貌相对应的判断的面貌分类器（４０）。当一个未知检测面貌满足一个或多个持续标准（１００）或者突出标准时所述系统（１０）将所述未知检测面貌添加到分类器（４０）中。

【技术实现步骤摘要】
【国外来华专利技术】本申请要求了于2004年2月2日申请、由Nevenka Dimitrova和Jun Fan专利技术、标题为“具有在线学习能力的连续面貌识别”的美国临时专利申请60/541,206的优先权。上述于2004年2月2日申请、由Nevenka Dimitrova和Jun Fan专利技术、标题为“Continuous Face Recognition With Online Learning”(“具有在线学习能力的连续面貌识别”)的美国临时专利申请60/541,206的内容被引入于此以供参考。本专利技术通常涉及面貌识别。具体而言，本专利技术涉及对面貌识别的改进，包括对新面貌的在线学习。面貌识别已经成为研究的活跃领域，其具有许多现行的技术。一种这样的技术使用随机神经网络(probabilistic neural network，通常称为“PNN”)来判断其是否认识在视频流或者其他图像中检测到的表示面貌的输入向量。PNN通过将输入向量同PNN已经结交的固定数目的已知面貌相比较的方式来判断面貌是“已知的”还是“未知的”。例如如果比较产生十分高的置信值，那么所述面貌被认为是数据库中的相应面貌。如果比较未产生十分高的置信值，那么所输入的面貌只不过被视为是“未知的”而丢弃。例如由P.K.Patra等人在2002年5月发表的2002年国际神经网络年会(IEEE IJCNN’02)的会议记录的第II卷第1200-1205页的“Probabilistic Neural Network for Pattern Classification”(“用于模式分类的随机神经网络”)一文中概括描述了PNN，将其全部内容引入于此以供参考。将PNN应用于面貌识别的现有技术中的一种困难在于所输入的面貌仅仅被同预培训数据库中的面貌进行比较。换句话说，如果发现与用于培训PNN的面貌之一相对应，则所输入的面貌仅能被判断为是“已知的”。因此，如果发现与数据库中用于培训PNN的任一个面貌不相对应，那么即使以前系统已经检测到相同的面貌，而也可能将相同的输入面貌重复地判断为是“未知的”。美国专利申请公开文本2002/0136433A1(“’433公开文本”)描述了应用在线培训的面貌识别系统，所述在线培训用于“自适应特征面貌”系统的未知面貌。根据′433公开文本，检测到的未知面貌被添加到已知面貌的类别中。′433公开文本此外涉及跟踪面貌以便未知面貌的多个图像可以被添加到数据库中。然而，′433公开文本未讲授在判断是否向数据库中添加未知面貌时进行选择。因此，′433数据库可以迅速地被新面貌扩展，同时也降低了系统的性能。虽然对某些应用(诸如监视，其中可能需要捕获每个面貌以便稍后识别)而言捕获所有未知图像可能是符合要求的，但是在其他应用中这可能是不合需要的。例如，在对突出面貌的快速识别很重要的视频系统中，不加区别的扩展数据库可能是不合需要的。本专利技术尤其包括向用于面貌识别的数据库等中增加新面貌，并保持学习新面貌。当新面貌被添加到数据库中时，在随后接收的输入视频中再次发现新面貌时就可以将其检测为“已知的”。一个方面通过施加规则来鉴别要将哪个新面貌添加到数据库中以确保仅仅将视频中的新面貌添加到数据库中。这使得“伪造的(spurious)”或“飞逝的(fleeting)”的面貌不会被添加到数据库中。在这里对在下面的说明书中所使用的术语作出旁注通常，如果在系统中存储有关于面部特征的数据则系统认定面貌是“已知的”。通常，在面貌是“已知的”的情况下，系统就可以将包括该面貌的输入认定为与所存储的面貌相对应。例如，在基于PNN的系统中，如果存在与面貌相对应的类别则面貌是“已知的”，如果不存在这样的类别则认为面貌是“未知的”。(当然，因为在输入的已知面貌和它的类别之间可能“错过”，所以存在与面貌相对应的类别不一定意味着所述处理始终将判断匹配或者符合。)系统通常为“已知的”面貌指定标识符，诸如标签或者参考号之类。(如将看到的那样，图2和图6中的标签F1、F2、...、FN以及图6中的FA表示系统中的这种通用标识符。)系统可以存储有关于面部特征的数据和面貌的这种系统标识符或者标签，而无需存储人的身份(诸如人的名字之类)。因此，在系统包括所存储的面貌的面貌数据而无需具有关于面貌的人员识别的数据的意义上而言，系统“知晓”面貌。当然，系统既可以“知晓”面貌又可以具有该面貌的相应人员的标识数据。因此，本专利技术包括一种系统，所述系统具有用于提供对在视频输入中检测到的面貌图像是否与分类器中的已知面貌相对应的判断的面貌分类器。当符合一个或多个持续标准的未知检测面貌持续存在于视频输入中时，所述系统将未知检测面貌添加到分类器中。所述未知面貌因此变成对系统而言是已知的。面貌分类器例如可以是随机神经网络(PNN)，并且如果在视频输入中检测到的面貌图像与PNN中的类别相对应则所检测到的面貌图像是已知面貌。当未知面貌符合持续标准时，则系统可以通过向PNN中添加未知面貌的类别和一个或多个模式结点将未知面貌添加到PNN中，借此让未知面貌为系统所知晓。一个或多个持续标准可以包括对视频输入中的同一个未知面貌检测最小时间周期。本专利技术还包括相似的面貌分类方法。例如，一种面貌识别方法，包括下述步骤判断在视频输入中检测到的面貌图像是否与存储器中的已知面貌相对应，以及当未知检测面貌根据一个或多个持续标准而持续存在于视频输入中时把该未知检测面貌添加到存储器中。本专利技术还包括相似的面貌分类技术，所述技术使用诸如照片之类的离散图像。所述技术还包括当在至少一个图像中的面貌满足一个或多个突出标准时添加未知面貌(在视频或者离散图像的情况中)，其中所述一个或多个突出标准例如是阈值大小。在下文中将结合附图描述本专利技术的优选示例性实施方式，其中相同的标记指示相同的元件，并且附图说明图1是根据本专利技术的实施方式的系统的典型方框图；图1a是图1的系统的不同级别的典型图；图2是图1的系统的组件的最初培训修改的PNN；图3是图1的系统的多个组件的更详细说明；图3a是根据图3中的特征抽取组件为面貌图像所创建的矢量量化直方图；图4是根据概率分布函数用于显示某些结果的典型一维实例；图5显示了图4的修改实例；以及图6是包括由在线培训创造的新类别的图2的修改PNN。如上所述，本专利技术尤其包括对视频图像中持续存在的新的(也就是未知的)面貌进行在线培训的面貌识别。新面貌在视频图像中的持续程度是由一个或多个因素所测量的，所述一个或多个因素是提供例如这样的确认，即该面貌是新面貌并且提供这样一个阈值，所述阈值即面貌十分显著以批准添加到数据库中从而用于将来的判断(也就是，变成“已知的”面貌)。图1描绘了本专利技术的示例性实施方式。图1表示本专利技术的系统实施方式和方法实施方式。在下面将使用系统术语以描述实施方式，不过应该注意的是如下所述的处理步骤也用来描述和举例说明相应的方法实施方式。如从下面的说明中很容易看出的，位于顶端的虚线之上(部分A)的视频输入20和样本面貌图像70被输入到系统10中，收到之后所述视频输入20和样本面貌图像70可以被存储在系统10的存储器中。虚线内的程序方块图(部分“B”)包括如下所述由系统10执行的处理算法。如本领域技术人员所很容易理解的那样，部分B中的系统10的处理算法可本文档来自技高网...

【技术保护点】
一种系统（１０），具有用于提供以下判断的面貌分类器：在视频输入（２０）中的面貌图像没能与存储在分类器（４０）中的任何一个已知面貌相对应的情况下判断所述面貌图像是未知面貌，所述系统（１０）在未知面貌根据一个或多个持续标准（１００）持续存在于视频输入（２０）中时把该未知面貌添加到分类器（４０）中。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：N迪米特罗弗，JF深真，
申请(专利权)人：皇家飞利浦电子股份有限公司，
类型：发明
国别省市：NL[荷兰]