发明专利案例-人脸识别方法

1说明书一种人脸比对方法技术领域本发明涉及生物特征识别技术领域，尤其涉及一种人脸比对的方法。背景技术人脸是人的重要信息，是区分不同的人的重要依据，因此人脸比对是较指纹、虹膜等技术更自然、更直接的比对方式。人脸比对是将图像或视频输入的人脸通过提取特定的人脸特征信息，与数据库中已注册的人脸特征信息相比较，获得匹配的人脸极其相似度，确认是否与数据库中人脸为同一。人脸比对在很多场合下都具有非常重要的作用，例如手机彩信中的视频彩信、人机界面、权限控制、智能监视系统等。比对的准确性、精度和鲁棒性问题一直是业界关心的主要问题。另外，在人脸比对中，如果当前输入一张静态照片，其与数据库中已注册人脸相比对，也会得出匹配的结果，这将导致识别的客体并不是真实的人脸，导致无权限的人得到权限。因此，判断当前输入为真实的人的脸还是静态的照片非常重要，而现有技术还无法解决。因此，业界急需一种能够确保输入真实、具有较高准确性与鲁棒性的人脸比对技术。发明内容为弥补现有技术的不足，本发明目的是提供一种人脸比对方法，解决人脸表情变化和姿态变化的影响，提高比对的准确性、精度和鲁棒性，保障比对的真实性。为了实现上述目的，本发明的技术方案如下：一种人脸比对方法，包含：人脸比对方法，其特征在于，包含：步骤601，人脸跟踪，获取特征点；步骤603，提取详细的人脸特征数据；步骤605人脸比对，将该人脸特征数据与人脸数据库中的每一个人脸的特征数据进行比对，获得其相似性；具体方法为：2（1）选取数据库中的一个人脸k的特征模板库jGG，Kk,...,0；（2）对特征模板GJGij}'{，Mj,...,0，计算输入人脸的特征iJ与iJ'之间的相似度Skji；（3）计算输入人脸与特征模板jG的相似度ikjikjSNS1；（4）计算输入人脸与人脸k的相似度为kjjkSSmax；（5）重复步骤（1）-（4），获得输入人脸与数据库中所有K个人脸的相似度，取其中最大者kkSSmaxmax，得到其对应的人脸k’；其中，M为人的特征模板个数，N为选取的人的人脸特征点个数，i为人脸特征。步骤607，判断是否已找到匹配的人脸；为相似度阈值，若maxS，则判断输入人脸与数据库中的人脸k’相匹配；步骤608，判断表情是否有显著变化；根据连续多帧人脸特征点进行分析，包括但不限于：嘴巴的张开与闭合，眼睛的张开与闭合，判断人脸的表情是否发生了显著的变化；在人脸表情有显著变化时，执行步骤609，输出比中的人脸。其中，该步骤603提取详细的人脸特征数据的具体方法为：根据步骤601人脸检测跟踪得到的精确的人脸特征点位置，插值获得其他选取的人脸特征点的位置；根据双眼位置对图像进行归一化处理；计算得到人脸特征点i的Gabor特征iJ'，所有特征点的Gabor特征即组成一个人脸特征数据ijJG'，Ni,...,2,1，N为选取的人脸特征点个数。其中，该人脸特征点为人脸上的显著特征点，人脸特征点的特征选取所有80个Gabor复系数，表达完整的人脸信息，完整表达不同人脸之间的差异性。其中，该步骤601人脸跟踪，获取特征点所选取的人脸特征为人脸的共同性的特征。进一步的，该人脸比对方法还包含步骤604人脸注册；保存人脸特征数据至人脸数据库；具体方法为：将步骤603获得的详细人脸特征数据加入此人的人脸特征模板库jGG，Mj,...,0，M为此人的特征模板个数，保存至数据库。其中，该步骤601人脸跟踪，获取特征点的具体包含离线训练方法和在线跟踪方法；该离线训练方法包含多层结构人脸模型训练方法和人脸特征点的离线模板训练方法；3该多层结构人脸模型训练方法为该在线跟踪方法提供人脸模型，该离线模板训练方法为该在线跟踪方法提供人脸特征点离线模板；该多层结构人脸模型训练方法包含如下步骤：步骤301，选取适当的人脸图像作为训练样本；步骤302，对人脸图像的特征点进行标记；步骤3031-3061，得到基准形状模型；步骤3032-3062，得到全局形状模型；步骤3033-3063，得到局部形状模型。其中，该基准形状模型、该全局形状模型与该局部形状模型的获得方法为：用s表示一个人脸形状向量：Pbss，其中，s为平均人脸形状；P为一组正交的主形状变化模式；b为形状参数向量；人脸形状向量s表示为TLGRsss),,(，其中Rs、Gs和Ls分别表示基准特征点、全局特征点和局部特征点；刚性基准形状的点分布模型RRRRbPss全局基准形状的点分布模型GGGGbPss局部形状模型的点分布模型LiGiLiGiLiGiLiGibPss,,,,第i个局部形状向量为},{,LiGiLiGisss，其中Gis，Lis分别表示属于第i个局部形状的全局和局部特征点。其中，该人脸特征点的表达方法为：给定灰度图像)(xI中的一个像素),(yxx，其附近的局部图像(')Ix中的像素为'(,)xxy，一系列Gabor系数)(xJj可表达该点附近的局部外观，定义为：')'()'()(2xdxxxIxJjj4其中Gabor核j为高斯包络函数限定的平面波，)2exp()exp(2exp)(222222xkixkkxjjjj8,2,sincos22vvvvjyjxjkkkkkk其中，vk为频率，为方向，jk为特征小波矢量，jxk为特征小波x方向矢量，jyk为特征小波y方向矢量，i为复数算子，优选9,...,1,0v，7,...,1,0，vj8，1i，且频率波宽设为2；Gabor核由10个频率、8个方向组成80个Gabor复系数，用以表达像素点附近的外观特征，用一个jet向量jJJ表示这些系数，)exp(jjjiJ，79,...,1,0j其中，j和j分别为第j个Gabor系数的幅值和相位；对80个Gabor复系数进行实验筛选，得到该人脸特征点表达所用的小波特征。其中，该人脸特征点的离线模板训练方法如下：步骤401，选取N张适当的人脸图像作为训练样本；步骤402，对人脸图像的特征点进行标记；步骤403，对图像进行归一化处理；步骤404，计算所有样本的Gabor特征；步骤405，获得各样本Gabor特征之间的相似度；jjjjjjjjjkdJJS22')'cos(')',(其中，J和'J为Gabor特征'j和'j分别为Gabor系数的幅值和相位，；d为J和'J之间的相对位移；yxxxxyyxyyyxxyyyxxyxddJJd1)',(如果0yxxyyyxx，其中jjjjxjjxk)'('，jjyjxjjxykk'，y，xx，yx和yy类似地进行定义；对每个特征点，计算N个Gabor特征两两之间的相似度，当其相似度大于阈值ST时即5认为两者相似，ST可通过实验选取，选取0.85；步骤406，计算各样本Gabor特征的相似特征数n；步骤407，选择n最大的样本Gabor特征；步骤408，判断n是否大于nT；若步骤408的判断结果为否，则执行步骤411，处理下一特征点，然后返回步骤404继续执行；若步骤408的判断结果为是，则执行步骤409，将Gabor特征加入离线模板；对每一个Gabor特征，设有ni个与其相似的Gabor特征，将ni值最大且大于阈值nT的Gabor特征加入样本特征集iJ'，nT也通过实验选取，选取nT=2；步骤410，将该Gabor特征从样本中删除，同时将与其相似度大于阈值ST’的Gabor特征从iJ中删除，ST’大于ST，选取0.9；返回步骤405，对步骤405-409作迭代计算；对iJ重复上述过程，直到选不出样本为止；最终的样本特征集iJ'即为该人脸特征点的特征样本，作为人脸特征的离线模板提供给该在线跟踪方法使用。其中，该在线跟踪方法包含：步骤501，初始化，初始化变量和参数设置，参数包含但不限于图像格式、分辨率、颜色空间，跟踪模式；步骤502，输入一帧图像；步骤503，图像归一化，将输入图像转换成标准尺寸的图像；步骤504，判断是否重新检测；若步骤504的判断结果为是，则执行步骤505，利用基准形状模型，基于ASM形状约束，对齐基准特征点；步骤506，利用全局形状模型，基于ASM形状约束，对齐全局特征点；步骤507，利用局部形状模型，基于ASM形状约束，对齐局部特征点；步骤508，更新在线特征模板，根据得到的脸部特征点的位置更新其小波特征作为该人脸的在线特征模板；步骤515，估计人脸姿态，根据六个基础点的位置估计人脸的姿态；返回步骤502循环执行在线跟踪方法步骤502至步骤508以及步骤515并执行步骤516，6输出人脸特征点及人脸姿态信息；若步骤504的判断结果若为否，则执行步骤509，基于在线特征模板更新眼角点；然后执行步骤510，基于离线特征模板调整眼角点；然后执行步骤511，更新其他特征点；然后执行步骤512，根据前一帧的人脸姿态更新各形状模型的平均形状；然后执行步骤513，基于形状约束更新全局特征点；然后执行步骤514，基于形状约束更新局部特征点；然后返回步骤508，继续执行在线跟踪方法步骤509至步骤514。本发明的有益效果是：1.本发明选取人脸上的显著特征点作为比对依据，人脸特征点的特征从所有80个Gabor复系数中选取，表达了完整的人脸信息，使不同人脸之间的差异最大化，人脸比对的准确性和鲁棒性较好。2.使用本发明的人脸比对方法，消除了人脸表情、姿态的影响，在比对中判断出了人脸的真实性，使得跟踪和比对准确性、精度和鲁棒性更高。3.使用本发明，能够判断当前输入为真实的人脸还是静态的照片。附图说明下面结合附图，通过对本发明的具体实施方式的详细描述，将使本发明的技术方案及其他有益效果显而易见。图1为本发明人脸跟踪方法的组成框架图；图2为本发明的人脸特征点示意图；图3为本发明多层结构人脸模型训练方法的流程图；图4为本发明人脸特征点的离线模板训练方法流程图；图5为本发明人脸跟踪方法的流程图；图6为本发明人脸比对方法的流程图。具体实施方式为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面进一7步阐述本发明。本发明人脸比对方法主要包括两个部分，一是训练部分，即注册部分，一是比对部分。无论是训练部分，还是比对部分，都需先对人脸特征进行检测、跟踪，从而得到精确的人脸特征点的位置。图1-图5示出了人脸检测跟踪、获取特征点的具体方法。下面详细说明：图1表示了本发明跟踪方法的组成框架。本发明人脸跟踪方法包含离线训练方法102和在线跟踪方法101两部分。离线训练方法102包含：多层结构人脸模型训练方法1021和人脸特征点的离线模板训练方法1022；前者为在线跟踪方法101提供人脸模型103，后者为人脸跟踪方法101提供人脸特征点离线模板104。图2为本发明人脸特征点示意图。图3为本发明多层结构人脸模型训练方法的流程图。下面结合图2与图3详细说明本发明多层结构人脸模型训练方法。人的面部特征具有很大的相似性，这些特征点的相对运动表达了人脸表情和人脸姿态的变化。给定这些人脸的特征点，用人脸特征点集的统计关系表示人脸模型，即可以构建出一个点分布模型（PDM）来表达人脸的可能的形状变化。本发明基于ASM的原理，从一系列人脸图像训练得到多层结构人脸模型。多层结构人脸模型训练方法首先执行步骤301，选取适当的人脸图像作为训练样本。然后执行步骤302，对人脸图像的特征点进行标记。然后执行步骤3031-3061，得到基准形状模型。具体为：步骤3031，基于刚性基准点组成形状向量，来表示基准特征点的位置；然后执行步骤3041，根据Procrustes变换对齐所有形状向量到一个统一的坐标框架下；然后执行