遮挡人脸认证方法及系统技术方案

本申请公开了一种遮挡人脸认证方法及系统，其中方法包括：S1、采集人脸视频图像；S2、对所采集的人脸视频图像进行预处理；S3、对遮挡人脸进行检测计算，根据视频序列的运动信息，利用三帧差法对人脸图像的位置进行估计，然后通过Adaboost算法进行进一步人脸位置的确认；S4、对遮挡人脸进行识别计算，将人脸样本分为若干分块，采用结合监督1-NN近邻法的SVM二分算法对人脸分块进行遮挡判别，若分块被遮挡，则直接舍弃，若分块未被遮挡，则提取相应的LBP纹理特征向量进行加权识别，然后用基于正交投影方法的分类器用来减少特征匹配次数。该遮挡人脸认证方法有效地提高局部遮挡人脸检测率和检测速度。

【技术实现步骤摘要】

本申请涉及图像处理
，尤其涉及一种遮挡人脸认证方法及系统。
技术介绍
随着科学技术的不断发展和IT产业的高速推进，社会各个领域对自动身份鉴别的要求日益突出，如何快速有效地对目标人物的身份进行识别已成为一个急需解决的热点问题。目前目标人物的身份鉴定仍然主要依靠公民身份证、工作证、个人密码等传统身份验证方式，这些方式存在着携带麻烦、易遗失和易伪造等弊端。随着光电技术、微计算机技术、图像处理技术与模式识别技术的发展，生物特征识别技术不断发展，逐步成为国内外热门的新兴学科。生物特征识别技术依据自动化测量身体特征，并将这些特征与数据库进行比较来实现目标鉴别，目前已经成为信息社会中不可缺少的身份识别方法。目前，常被用来鉴定身份的生物特征主要有指纹、人脸、虹膜、DNA等。这些特征为每个人体与生俱来的，具有唯一性和稳定性，不易伪造和复制。人脸特征用于身份鉴定的研究始于20世纪60年代中期，与上述其他生物特征相比较，虽然准确度不如指纹、虹膜等，但其具有简单经济的优点，整个鉴定过程中完全不需要接触目标，不易被目标人物察觉。人脸认证技术有以下几个优点(I)非接触式采集人脸图像的获取不必与被监测人有任何身体接触，具有不被侵犯性、容易被接受等特点。人脸图像可通过各类摄像头进行采集，其操作不易被察觉，特别适用于监控特殊场合中的违法行为，而指纹采集、虹膜识别等却不易实现。(2)设备简单且成本低一般地，人脸监控识别系统只需要安装普通的摄像头或者摄像机即可。目前市场上这些设备的价格已经十分低廉。另外如今摄像头已经成为电子设备的标准外设，人脸认证技术的实用空间得到了极大的扩展。(3)直观性人脸认证技术的判定依据是人的面部信息，而人脸同时也是人眼进行身份判别的最直观的信息源。“以貌取人”与人类认知规律相符，相比虹膜识别、指纹识别更易于被人们所理解接受。人脸识别符合人类的识别习惯，更有利于改善人机交互界面。(4)便于事后追踪人脸认证系统在监控中的目标事件发生后，将目标人物的图像记录下来并存档，可供人工核实判断，方便于事后追踪。人脸包含着丰富的细节信息，而人脸认证的本质是对三维柔性物体的二维投影图像进行匹配的问题，这一切使得人脸检测与识别成为极富挑战性的研究课题，归纳起来目前人脸监控识别系统存在的主要困难有(I)人脸柔性物体的不确定性，如姿态变化、表情变化、头部旋转等。(2)人脸遮挡问题，如头发、饰物、胡须等遮挡。(3)年龄因素，人脸某些局部特征会随着年龄增长而逐渐变化。(4)图像成像环境，如光照问题、成像设备性能等。对于人脸认证系统而言，遮挡是个不可避免的问题，特别是在安全领域中尤其突出。在实际应用中，比如智能门禁、视频监控、保安系统、罪犯识别等，基本均在非配合的环境下进行人脸图像的采集，易被其他人或者物所遮挡。造成遮挡的原因是多种多样，包括自身的墨镜、围巾等饰物的遮挡或者外景物的遮挡。这些干扰因素使得成像设备获取的人脸数据不完整，系统无法提取完整有效的人脸信息，影响了整个人脸认证系统检测和识别的准确率。如何有效去除遮挡物的影响，成为了人脸检测与识别技术中亟待解决的关键问题。综上所述，有必要提供一种遮挡人脸认证方法及系统以解决上述问题。
技术实现思路
有鉴于此，本专利技术提供一种遮挡人脸认证方法及系统，有效的提高了遮挡人脸认证中的检测率和检测速度。为了实现上述目的，本申请实施例提供的技术方案如下一种遮挡人脸认证方法，所述方法包括以下步骤SI、采集人脸视频图像；S2、对所采集的人脸视频图像进行预处理，所述预处理包括光照预处理、噪声滤波处理以及几何归一化和尺度归一化处理；S3、对遮挡人脸进行检测计算，根据视频序列的运动信息，利用三帧差法对人脸图像的位置进行估计，然后通过Adaboost算法进行进一步人脸位置的确认；S4、对遮挡人脸进行识别计算，将人脸样本分为若干分块，采用结合监督I-NN近邻法的SVM 二分算法对人脸分块进行遮挡判别，若分块被遮挡，则直接舍弃，若分块未被遮挡，则提取相应的LBP纹理特征向量进行加权识别，然后用基于正交投影方法的分类器用来减少特征匹配次数。作为本专利技术的进一步改进，所述步骤S3中的Adaboost算法进行进一步人脸位置的确认具体为S31、获取正负样本的特征，并用积分图的特征表示法进行计算；S32、通过学习算法，为每个特征设计一个正确率高于50%的弱分类器；S33、调整样本权值，多次循环提取错误率最低的弱分类器，构成强分类器；S34、串联多个强分类器，构成级联分类器，进行人脸检测。作为本专利技术的进一步改进，所述步骤S33中强分类器的算法具体为S331、给定的训练样本集=(X1J1), (x2, J2),…，(xm, ym),其中 Xi G X,Ji G 1~1，+1};S332、对样本权值进行初始化，对于非人脸样本Dt(i)=l/2m，其中m为非人脸样本数目，对于人脸样本Dt (i) =l/2n，其中n为人脸样本数目；S333、经过T轮迭代后，可得T个弱分类器，循环t=l，2…，T ；在当前样本权重分布Dt下，针对每个单个矩形特征训练一个弱分类器，并从中选取错误率最小的弱分类器ht;对于选定的弱分类器ht，计算其加权错误率=权利要求1.一种遮挡人脸认证方法，其特征在于，所述方法包括以下步骤 S1、采集人脸视频图像； S2、对所采集的人脸视频图像进行预处理，所述预处理包括光照预处理、噪声滤波处理以及几何归ー化和尺度归ー化处理； S3、对遮挡人脸进行检测计算，根据视频序列的运动信息，利用三帧差法对人脸图像的位置进行估计，然后通过Adaboost算法进行进一步人脸位置的确认； S4、对遮挡人脸进行识别计算，将人脸样本分为若干分块，采用结合监瞀I-NN近邻法的SVM 二分算法对人脸分块进行遮挡判别，若分块被遮挡，则直接舍弃，若分块未被遮挡，则提取相应的LBP纹理特征向量进行加权识别，然后用基于正交投影方法的分类器用来减少特征匹配次数。2.根据权利要求I所述的方法，其特征在于，所述步骤S3中的Adaboost算法进行进一步人脸位置的确认具体为 S31、获取正负样本的特征，并用积分图的特征表示法进行计算； S32、通过学习算法，为每个特征设计ー个正确率高于50%的弱分类器； S33、调整样本权值，多次循环提取错误率最低的弱分类器，构成强分类器； S34、串联多个强分类器，构成级联分类器，进行人脸检測。3.根据权利要求I所述的方法，其特征在于，所述步骤S33中强分类器的算法具体为S331、给定的训练样本集(X1,Y1), (x2, y2), ···, (xm，ym),其中 Xi e X，yi e {-1,+1}； S332、对样本权值进行初始化，对于非人脸样本Dt(i)=l/2m，其中m为非人脸样本数目，对于人脸样本Dt (i) =l/2n，其中η为人脸样本数目； S333、经过T轮迭代后，可得T个弱分类器，循环 =1，2···，Τ; 在当前样本权重分布Dt下，针对每个单个矩形特征训练ー个弱分类器，并从中选取错误率最小的弱分类器ht; 对于选定的弱分类器ht，计算其加权错误率4.根据权利要求3所述的方法，其特征在于，所述步骤S34中的级联分类器的算法具体为 .5341、设定级联分类器每层强分类器本文档来自技高网...

【技术保护点】
一种遮挡人脸认证方法，其特征在于，所述方法包括以下步骤：S1、采集人脸视频图像；S2、对所采集的人脸视频图像进行预处理，所述预处理包括：光照预处理、噪声滤波处理以及几何归一化和尺度归一化处理；S3、对遮挡人脸进行检测计算，根据视频序列的运动信息，利用三帧差法对人脸图像的位置进行估计，然后通过Adaboost算法进行进一步人脸位置的确认；S4、对遮挡人脸进行识别计算，将人脸样本分为若干分块，采用结合监督1？NN近邻法的SVM二分算法对人脸分块进行遮挡判别，若分块被遮挡，则直接舍弃，若分块未被遮挡，则提取相应的LBP纹理特征向量进行加权识别，然后用基于正交投影方法的分类器用来减少特征匹配次数。

【技术特征摘要】

【专利技术属性】
技术研发人员：徐汀荣，
申请(专利权)人：苏州大学，
类型：发明
国别省市：