一种基于特征提取的智能机柜人脸识别方法技术

技术编号:39008236 阅读:8 留言:0更新日期:2023-10-07 10:39
本发明专利技术涉及智能机柜领域,尤其涉及一种基于特征提取的人脸识别方法,包括步骤S1,对人脸图像进行预处理;步骤S2,提取LBP特征,采用主成分分析法进行降维;步骤S3,初始化NEW

【技术实现步骤摘要】
一种基于特征提取的智能机柜人脸识别方法


[0001]本专利技术涉及智能机柜领域,尤其涉及一种基于特征提取的智能机柜人脸识别方法。

技术介绍

[0002]随着电力系统信息化建设不断深化,传统的独立小型机房已难以适应和满足电力系统多元化业务发展需求,因此融合了调控、通信、量测等多种业务的集中式调控机房成为了电力系统数字化建设的新发展方向;目前,大部分电力公司都采用了集中式大型机房,这样的机房具有更好的实用性、先进性、可管理性、可扩展性和可维护性,同时在各系统间的组网与维护,以及系统的拓展上表现出了很好的兼容性;但日益扩大的机房容量也出现了在管理上的安全隐患,在目前管理模式中,集中式调控机房的管理技术人员授权管理机制不健全,大多数系统管理是建立在对管理人员及维护人员基本的信任基础上。
[0003]人脸识别又称人脸识别和人像识别,是一项受到社会各界广泛关注的生物特征识别技术,它以其非强制性、非接触性、并发性等特点成为一种炙手可热的生物特征识别技术;人脸识别技术主要是通过对图像采集设备采集的人脸图像进行特定的特征提取方法来提取人脸特征;一般来说,人脸描述特征可以分为全局特征和局部特征两大类全局特征描述了人脸的整体属性,如肤色、轮廓、面部器官分布等,即其特征向量的每个维度包含了人脸图像的所有部分(甚至所有像素)的信息,用于粗略匹配;局部特征不同于全局特征的是,每个维度只对应于人脸图像上的一个局部区域重点提取人脸的细节特征。特征提取是人脸识别中的一个难题。一方面,由于面部结构和器官外观的相似性,特征类之间的差异较小;有必要通过提取健壮的判别特征来放大这种变化和区分人类个体;另一方面,面部的外观相对不稳定;不同的面部表情,以及外部光线和年龄引起的面部结构变化,都导致人脸图像中同一个人的内部特征发生广泛的变化,有必要减少这种变化对识别的影响,因此,如何在复杂背景和光干涉条件下提取高特征成为一个亟待解决的问题。

技术实现思路

[0004]为此,本专利技术提供一种基于特征提取的智能机柜人脸识别方法,用以克服现有技术中复杂背景和光干涉条件下面部结构发生改变,导致智能机柜识别人脸错误率高的问题。
[0005]为实现上述目的,本专利技术提供一种基于特征提取的智能机柜人脸识别方法。
[0006]包括,步骤S1,对人脸图像进行预处理;
[0007]步骤S2,提取LBP特征,采用主成分分析法进行降维;
[0008]步骤S3,初始化NEW

VGG网络参数模型,提取CNN特征;
[0009]步骤S4,将所述CNN特征的卷积层特征和MB

LBP特征在所述CNN特征的第一层进行合并和缩减;
[0010]步骤S5,将处理后的特征导入Softmax层,得到最终的分类结果;
[0011]步骤S6,调整特征向量参数,根据CNN网络调整权重参数。
[0012]进一步地,所述步骤1中,对所述人脸图像进行预处理,包括使用相机捕捉所述人脸图像,对捕获的所述人脸图像进行缩放,以保持所采集所述人脸图像的一致性,并将所述人脸图像还转换成灰度格式。
[0013]进一步地,所述步骤2中,LBP算子为一种旋转不变性LBP算子,定义为:
[0014][0015]其中R表示旋转不变LBP算子,其中表示旋转不变LBP算子,P表示邻域点的个数,R表示圆形邻域的半径,i表示顺时针选择的第i个邻域点,ROR(LBP
P,R
,i)指沿顺时针方向旋转的第i次LBP算子,ri指第i个旋转不变性的LBP算子。
[0016]进一步地,包括图像像素,将初始正方形区域替换为圆形区域,沿时钟方向连续旋转半径为R的圆形邻域,取当前旋转的最小LBP,且使用等效模式LBP算子来降低旋转不变性LBP算子的二元模式类型的维数,得到二进制序列是端到端连接的LBP算子,用以将原始2
p
二元模式类型降为P(P

1)+2,其公式为:
[0017][0018][0019]其中U(LBP
P,R
)表示数字0到1或1到0的变化,式U(LBP
P,R
)和中,P为邻域点个数,为矩形块中心像素的灰度值,g0,...,g
P
‑1为中心像素域的P灰度值,R是圆形邻域的半径。
[0020]进一步地,将所述等效模式LBP算子和所述旋转不变LBP算子结合,且将新的LBP算子定义为用以将二进制模式从原来的2
P
物种减少到P+1。
[0021]进一步地,选取面部的关键点作为采样区域,进行仿射变换,对面部进行校正,且将人脸区域的图片缩小到三个不同的尺度,包括75
×
75,120
×
120,224
×
224像素,固定采样窗口为P=8且R=1;采用无监督成分分析方法对LBP特征进行降维,包括,
[0022]第一步,构造M个个体人脸的训练样本,形成特征矩阵X,其中每个样本对应的特征向量为X
i
,将X={X1,X2,...,X
M
}转换为n
×
1个向量,且平均向量表示为:
[0023][0024]第二步,根据式和式对特征矩阵均值,计算协方差矩阵P,只选取最大特征值对应的k个特征向量组合成一个矩阵U=[μ1,μ2,...,μ
K
],其中U是由向量μ
i
平均后的特征向量矩阵,U矩阵中的每个特征向量称为一个特征面;将X投影到P坐标上,得到低维空间Y=X
×
P的特征矩阵;
[0025]第三步,将LBP模态个数定为9个,选取5个关键点,采样区域大小为4
×
4,经过三种
不同尺度的尺度变换,得到的LBP特征维数为2160(5
×
16
×9×
3),即一个关键点区域包含432维的特征向量,采用主成分分析方法降维,得到每个关键点区域包含60维。
[0026]进一步地,所述步骤S3中,包括,
[0027]第一步,在初始层的特征映射上使用5
×
5个卷积核,在后两层特征映射上保持3
×
3个卷积核;
[0028]第二步,去掉全连通层的第一层,直接连通所述全连通层的第二层,然后将剩下的两个全连通层的节点数量分别减少到1024个和256个。
[0029]进一步地,所述步骤S4中,使用一个加权函数融合两个特征向量,包括,
[0030]第一步,结合LBP特征和CNN特征,n维LBP特征向量表示为V
Li
,其中V
Li
=(V
L1
,V
L2
,...,V
Ln
);m维CNN特征向量表示为V
Ci
,其中V
Ci
=(V
C1
,V
C2
,...,V
Cm
),第本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于特征提取的智能机柜人脸识别方法,其特征在于,包括,步骤S1,对人脸图像进行预处理;步骤S2,提取LBP特征,采用主成分分析法进行降维;步骤S3,初始化NEW

VGG网络参数模型,提取CNN特征;步骤S4,将所述CNN特征的卷积层特征和MB

LBP特征在所述CNN特征的第一层进行合并和缩减;步骤S5,将处理后的特征导入Softmax层,得到最终的分类结果;步骤S6,调整特征向量参数,根据CNN网络调整权重参数。2.根据权利要求1所述的基于特征提取的智能机柜人脸识别方法,其特征在于,所述步骤1中,对所述人脸图像进行预处理,包括使用相机捕捉人脸图像,对捕获的人脸图像进行缩放,以保持所采集人脸图像的一致性,并将人脸图像还转换成灰度格式。3.根据权利要求1所述的基于特征提取的智能机柜人脸识别方法,其特征在于,所述步骤2中,LBP算子为一种旋转不变性LBP算子,定义为:其中表示旋转不变LBP算子,P表示邻域点的个数,R表示圆形邻域的半径,i表示顺时针选择的第i个邻域点,ROR(LBP
P,R
,i)指沿顺时针方向旋转的第i次LBP算子,ri指第i个旋转不变性的LBP算子。4.根据权利要求3所述的基于特征提取的智能机柜人脸识别方法,其特征在于,包括图像像素,将初始正方形区域替换为圆形区域,沿时钟方向连续旋转半径为R的圆形邻域,取当前旋转的最小LBP,且使用等效模式LBP算子来降低旋转不变性LBP算子的二元模式类型的维数,得到二进制序列是端到端连接的LBP算子,用以将原始2
p
二元模式类型降为P(P

1)+2,其公式为:其公式为:其中U(LBP
P,R
)表示数字0到1或1到0的变化,表示统一化的LBP算子,式U(LBP
P,R
)和中,P为邻域点个数,为矩形块中心像素的灰度值,g0,...,g
P
‑1为中心像素域的P灰度值,R是圆形邻域的半径。5.根据权利要求4所述的基于特征提取的智能机柜人脸识别方法,其特征在于,将所述等效模式LBP算子和所述旋转不变LBP算子结合,且将新的LBP算子定义为用以将二进制模式从原来的2
P
物种减少到P+1。6.根据权利要求5所述的基于特征提取的智能机柜人脸识别方法,其特征在于,选取面部的关键点作为采样区域,进行仿射变换,对面部进行校正,且将人脸区域的图片缩小到三个不同的尺度,包括75
×
75,120
×
120,224
×
224像素,固定采样窗口为P=8且R=1;采用无
监督成分分析方法对LBP特征进行降维,包括,第一步,构造M个个体人脸的训练样本,形成特征矩阵X,其中每个样本对应的特征向量为X
i
,将X={X1,X2,...,X
M
}转换为n
×
1个向量,且平均向量表示为:第二步,根据式和式对特征矩阵均值,计算协方差矩阵P,只选取最大特征值对应的k个特征向量组合成一个矩阵U=[μ1,μ2,...,μ
K
],其中U是由向量μ
i
平均后的特征向量矩阵,U矩阵中的每个特征向量称为一个特征面;将X投影到P坐标上,得到低维空间Y=X
×
P的特征矩阵;第三步,将LBP模态个数定为9个,选取5个关键点,采样区域大小为4
×
4,经过三种不同尺度的尺度变换,得到的L...

【专利技术属性】
技术研发人员:徐毓皓杨振国赵志刚丁超徐明鞠首辉马中胜凤洋李佳哲梁超李星辉孙佳越
申请(专利权)人:国家电网有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1