本发明专利技术公开了一种人脸视频图像验证方法及其嵌入式实现装置，方法：通过摄像头获取待检测人员的人脸图像样本，传送给自带电源的嵌入式计算模块；模块处理器通过模式识别和图像处理技术，获取该测试样本的初始稀疏表示系数，并统计各个训练类别对测试样本的分类贡献，计算求解每一个训练类别的背离度；剔除背离度最大的类别，用剩余类别的所有剩余训练样本来重新描述这个人脸测试样本，并迭代求解新的稀疏表示系数直至满足类别剔除的终止条件；用最终剩余的所有训练样本来计算获得训练类别对测试样本的最终分类贡献，选取最小背离度的类别作为人脸测试样本的最终候选类别；处理器通过语音提示器对人员验证的结果信息进行语音提示。装置通过摄像头、嵌入式计算模块和语音提示器构成的系统实现。本发明专利技术操作方便，检测精度高，硬件配置需求低、并容易批量生产，具有较好的通用性及鲁棒性。
【技术实现步骤摘要】
本专利技术涉及一种人脸视频图像验证方法及其嵌入式实现装置，特别是一种稀疏背离度评估的人脸视频图像验证方法及其嵌入式实现装置，涉及到样本稀疏分解技术与稀疏最小背离度评估技术；具体说来包括人脸图像的获取、预处理、稀疏分解，背离度评估、训练原子更新以及最终分类验证；属于图像处理和模式识别的
技术介绍
在现有的众多生物特征识别技术中，人脸识别技术因其特有的主动性和用户友好性等优点，近年来以来一直受到广泛关注。利用模式识别技术对人脸采集图像进行自动分析、验证、检索和识别，对于确保相关业务安全、提高工作效率、增加处理准确性都具有非常重要的现实意义。人脸自动识别技术以其较高的学术价值和应用价值近年来受到国内外众多研究机构以及学者的广泛重视，该技术主要包含了两方面的内容，第一，采集图像的预处理，它是各类人脸图像内容理解和识别的前提和基础；第二，对预处理后的图像内容进行建模分析和识别，它是检验人脸自动识别技术性能好坏的标准。目前，在国内外人脸识别研究领域中，通过构造有效稀疏基信息解决高维人脸样本的特征抽取、识别及重建的技术还处于起步阶段。传统的代数特征描述技术仅保存了模式的全局结构属性，更多适用于线性可分情况。而研究表明，许多在自然界获取的图像尤其人脸图像因光照、姿态等因素发生变化时，会造成图像的线性不可分。其次，一些图像位于高维空间的非线性流形结构上，由此带来特征分析的困难。上述因素使传统代数描述方法不能较好地表示模式的内在结构，从而导致分类识别的效率较低。在已知的现有技术中，典型的基于流形结构的方法有Local linear embedding(LLE), Isomap和Laplacianeigenmap，并在实验数据上取得了良好的效果。然而这些方法所提取的映射关系仅建立在训练数据上，对如何评价测试数据的映射并不精确，这导致它们在图像识别领域的应用比较少。Locality Preserving Projections (LPP)方法对 Laplacian eigenmap 方法近似线性化，从而有效保持了样本之间的局部结构，在图像处理等领域取得了较好的结果，但是该方法的缺陷是没有充分发现图像的类别信息。以上流形方法的典型改进模型有SupervisedLPP(SLPP)和Locally discriminating projection(LDP),然而,这类方法仍然未能强化保持图像空间的差异信息，它们在描述图像之间的局部结构时，忽略了样本之间的非局部属性和总体信息，从而导致这类方法的鲁棒性还不够高。综合上述理论基础，通过构造有效稀疏基彳目息实现闻维流形人脸图像验证系统包含三个关键要素:稀疏性、非相关观测、优化重建。构造样本稀疏基的前提是输入信号具有一定的稀疏度，但是所生成的非相关观测中往往会包含过多的测量数目，对后续分类器而言，过多的测量数目会抑制分类器的性能。
技术实现思路
专利技术目的:针对先有技术中存在的问题和不足，我们需要对样本的稀疏先验描述做进一步的重建和优化，期望所提方法使样本的稀疏信号在相同重构精度下具备了更优的测量数目和质量，从而可以有效地解决高维样本的特征抽取、重建及分类问题。因此，提供一种用于多种值守场所、安全性高的关键岗位人员的人脸视频图像验证方法及其嵌入式实现装置，从而灵活地保证关键岗位人员的高度警惕和身份安全。本专利技术克服现有技术中存在的不足，操作方便，检测精度高，具有较好的通用性及便携性。技术方案:一种人脸视频图像验证方法，包括如下步骤:a、通过摄像头获取检测人员的人脸图像样本，并以bmp方式存储；b、对人脸图像进行瞳孔位置检测，精确获得人脸测试样本的双瞳孔连线；C、根据双瞳孔连线确定人脸测试样本的图像倾角；d、根据上述倾角将人脸测试样本旋转到水平位置，以分割提取出准确的人脸图像区域；e、用系统已存有的训练样本来线性描述这个人脸测试样本，得到描述结果y，由此计算出该测试样本的初始稀疏表示系数；所述步骤e包括如下步骤:el、假设系统共有C类η个训练样本X1,…，Xn，记Xi e RmXn(i = 1，2，...，C)表示第i类的训练样本集合，这里Xi的每一列表示一个训练样本，则C类一共对应的全体训练样本集合是X = ；e2、针对人脸测试样本y e Rm，可以通过所有类别下的训练样本来线性描述y =B1X1+...+acXc ；e3、对上述线性描述式进行系数求解，如果X非奇异，稀疏系数^ = Jf-1J，否则，通过构造公式 = Pj;求得稀疏系数G，其中，P = (ΧτΧ+μ D^1Xt,μ为正扰动项，I是单位矩阵；f、分别统计γ到各个训练类别的分类贡献，计算得到每一个类别i的背离度^ ；所述步骤f包括如下步骤:fl、步骤e求得的&是y所对应的全体训练样本X的稀疏分解系数，其中，定义为训练类别i对 的分类贡献，这里的是关联第i类训练样本集合Xi的稀疏系数；f2、通过构造背离度公式权利要求1.一种稀疏背离度评估的人脸视频图像验证方法，其特征在于:包括如下步骤: (a)通过摄像头获取检测人员的人脸图像样本，并存储； (b)对人脸图像样本进行瞳孔位置检测，获得人脸测试样本的双瞳孔连线； (C)根据双瞳孔连线确定人脸测试样本的图像倾角； (d)根据所述倾角将人脸测试样本旋转到水平位置，以分割提取出人脸图像区域； (e)用已存有的训练样本来线性描述所述人脸测试样本，得到描述结果y，由此计算出所述人脸测试样本的初始稀疏表示系数； (f)分别统计y到各个训练类别的分类贡献，计算得到每一个类别i的背离度^； (g)剔除背离度最大的类别，用剩余类别的所有剩余训练样本来重新描述所述人脸测试样本，并获得新的稀疏表示系数； (h)重复第(f)和(g)步，直到剔除训练类别的数量达到规定阈值时，终止剔除类别操作； (i)用最终剩余的M个训练样本来重新线性表示这个人脸测试样本，得到测试样本y的最终稀疏表系数； (j)在最终剩余的M个训练样本中，假设来自第I类的所有训练样本为那么计算获得训练类别I对测试样本I产生的分类贡献是gl ； (k)计算y和所有gl的背离度，选取最小背离度D1的类别作为所述人脸测试样本的最终候选类别； (I)判断上述人脸图像样本的最终候选类别的背离度是否超过预设阈值，如果超过预设阈值，则语音提示该人员验证不通过，反之，验证通过并语音提示人员姓名或ID号。2.如权利要求1所述的人脸视频图像验证方法，其特征在于，所述步骤(e)中，包括如下步骤: (el)假设系统共有C类η个训练样本X1，…，xn，记Xi e RmXn(i = 1,2,-,C)表示第i类的训练样本集合，这里Xi的每一列表示一个训练样本，则C类一共对应的全体训练样本集合是X= ； (e2)针对人脸测试样本y e Rm，可以通过所有类别下的训练样本来线性描述y =B1X1+...+acXc ； (e3)对上式进行稀疏系数求解，如果X非奇异，稀疏系数G =尤'V ,否则，通过构造公式S =作求解稀疏系数其中，P = (ΧΤΧ+μ D^1XtjXj.€Χ, μ为正扰动项，I是单位矩阵。3.如权利要求2所述的人脸视频图像验证方法，其特征在于，所述步骤(f)中，包括如下步骤: (fl)步骤e求得的&a本文档来自技高网...
【技术保护点】
一种稀疏背离度评估的人脸视频图像验证方法，其特征在于：包括如下步骤：?(a)通过摄像头获取检测人员的人脸图像样本，并存储；?(b)对人脸图像样本进行瞳孔位置检测，获得人脸测试样本的双瞳孔连线；?(c)根据双瞳孔连线确定人脸测试样本的图像倾角；?(d)根据所述倾角将人脸测试样本旋转到水平位置，以分割提取出人脸图像区域；?(e)用已存有的训练样本来线性描述所述人脸测试样本，得到描述结果y，由此计算出所述人脸测试样本的初始稀疏表示系数；?(f)分别统计y到各个训练类别的分类贡献，计算得到每一个类别i的背离度ri；?(g)剔除背离度最大的类别，用剩余类别的所有剩余训练样本来重新描述所述人脸测试样本，并获得新的稀疏表示系数；?(h)重复第(f)和(g)步，直到剔除训练类别的数量达到规定阈值时，终止剔除类别操作；?(i)用最终剩余的M个训练样本来重新线性表示这个人脸测试样本，得到测试样本y的最终稀疏表示系数；?(j)在最终剩余的M个训练样本中，假设来自第l类的所有训练样本为?那么计算获得训练类别l对测试样本y产生的分类贡献是gl；?(k)计算y和所有gl的背离度，选取最小背离度Dl的类别作为所述人脸测试样本的最终候选类别；?(l)判断上述人脸图像样本的最终候选类别的背离度是否超过预设阈值，如果超过预设阈值，则语音提示该人员验证不通过，反之，验证通过并语音提示人员姓名或ID号。?FDA00003071415500011.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：宋晓宁，王卫东，杨习贝，祁云嵩，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
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。