[發明專利]一種用于共享設備的人臉識別系統

在審

• 申請號: 201710501944.0
• 申請日: 2017-06-27
• 公開（公告）號: CN107316023A
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 昝立民
• 申請（專利權）人: 昝立民
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F21/32;G06Q20/14;G07F17/00;G07F17/10
• 代理公司: 上海邦德專利代理事務所(普通合伙)31312
• 代理人: 袁步蘭

1.一種用于共享設備的人臉識別系統，其特征在于，該系統包括：共享設備主體、貨物掃描器、身份認證裝置、網關、貨物柜和計費單元；

所述貨物掃描器和計費單元均連接一控制單元；貨物放置在所述貨物柜上，所述貨物掃描器掃描貨物，獲取貨物信息并傳輸至所述控制單元內；用戶通過所述身份認證裝置確認身份后打開所述共享設備，用戶取完貨物關閉共享設備的柜門后，所述貨物掃描器掃描貨物，獲取貨物信息并傳輸至所述控制單元內；所述計費單元通過所述控制單元進行計費，并從用戶注冊賬號中扣費。

2.根據權利要求1中的系統，其特征在于：所述身份認證裝置包括：云端服務器、圖像采集單元、檢測單元和結果輸出單元，所述云端服務器包括數據庫，用于保存用戶訓練樣本，所述圖像采集單元設置在所述共享設備終端上，所述檢測單元和結果輸出單元設置在網關中，所述檢測單元中設置有特征分類器，所述特征分類器基于所述訓練樣本進行訓練，所述檢測單元對所述圖像采集單元采集的用戶圖像進行識別，得到身份認證結果，所述結果輸出單元將用戶身份認證結果傳遞至網關處，網關提取該用戶的共享設備終端的使用習慣，發送至各共享設備終端，所述共享設備終端自動執行符合用戶使用習慣的操作或給出相應選項以供用戶進行選擇。

3.根據權利要求2中的系統，其特征在于：所述特征分類器基于改進的Boost系統進行訓練，所述檢測單元中特征分類器的訓練過程包括以下步驟：

A1.所述用戶訓練樣本為預先采集的用戶連續運動的全身圖像，訓練樣本中有用戶存在的包括N個，即N個正樣本，用戶不存在的包括L個，即L個負樣本；

A2.獲取訓練樣本的特征向量X，即X＝(f₁(x),f₂(x),...f_k(x))^T，f(x)表示圖像樣本特征；樣本標簽表示為y，y＝1表示正樣本標簽，y＝0表示負樣本標簽，X是正樣本的后驗概率可以表示為

P(y=1|X)=P(X|y=1)P(Y=1)Σy∈{0,1}P(X|y)P(y)=δ(ln(P(X|y=1)P(y=1)P(X|y=0)P(y=0)))---(1)]]>

其中函數δ(z)定義為

δ(z)=11+e-z---(2)]]>

從而建立起分類器模型

Hk(X)=ln(P(X|y=1)P(y=1)P(X|y=0)P(y=0))---(3)]]>

結合式(1)和式(2)，后驗概率可以表示為

P(y＝1|X)＝δ(H_k(X)) (4)

對于特征向量X的分類器H_k(X)可表示為

Hk(X)=ln(P(X|y=1)P(y=1)P(X|y=0)P(y=0))=Σk=1Khk(fk(x))---(5)]]>

其中，h_k(f_k(x))表示一個弱分類器，由K個弱分類器可以組成強分類器H_k(X)；

將正負樣本分別放入兩個集合：正樣本集合{X_1j,j＝0,...N-1}和負樣本集合{X_0j,j＝N,...N+L-1}，從正負樣本集合中使用多組樣本不斷對弱分類器進行選擇，進而構造出識別率最高的組合分類器，已知單個樣本的后驗概率表示為

P_ij＝δ(H_k(X_ij)) (6)

其中，i的值代表樣本集合的編號，i＝1表示正樣本集合，i＝0表示負樣本集合，j是樣本編號，設定分類器h_k(f_k(x_ij))中的條件概率是高斯分布的，即條件概率為

p(f_k(x_ij)|y＝1)～N(μ₁,σ₁)

p(f_k(x_ij)|y＝0)～N(μ₀,σ₀) (7)

其中，μ₁,σ₁,μ₀,σ₀會進行增量更新

μ1←ημ1+(1-η)1NΣj|yi=1fk(xij)]]>

σ1←ησ1+(1-η)1NΣj|yi=1(fk(xij)-μ1)2---(8)]]>

μ₀,σ₀的更新與上式相同；通過式(7)和式(8)可以求得P_ij，這樣，樣本集合i的后驗概率可以表示為

Pi=1-Πj(1-Pij)---(9)]]>

A3.對首幀正樣本圖像進行人工標記人臉區域，然后采用卡爾曼濾波器獲得每幀圖像中的人臉區域，并且每隔10幀圖像進行人工標記修正，以降低卡爾曼濾波器的累積誤差；

A4.對于卡爾曼濾波器輸出的人臉區域，提取所述人臉區域特征，生成特征向量，形成特征向量集合，并且設置權重，提高該特征向量集合的后驗概率：

Pi=1=P(y=1|X+)=Σj=0N-1wj0Pi---(12)]]>

其中,w_j0是權重函數，單調遞減，表示為其中，|d(X_1j)-d(X₁₀)|表示樣本x_1j到首幀人工標定區域的歐氏距離，c是一個常數；

A5.確定樣本集合的后驗概率后對分類器進行選擇，選擇的系統表示為

hk=argmaxh∈{h1...hM}l(Hk-1+h)---(10)]]>

其中，是包含k-1個弱分類器的強分類器；l是集合的對數似然函數，定義為

l＝∑_i(y_ilog P_i+(1-y_i)log(1-P_i)) (11)。