[發明專利]一種提高人臉識別效率方法

在審

• 申請號: 201711196383.4
• 申請日: 2017-11-25
• 公開（公告）號: CN108009482A
• 公開（公告）日: 2018-05-08
• 發明（設計）人: 倪子妍
• 申請（專利權）人: 寧波億拍客網絡科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供的提高人臉識別效率方法，從視頻流中提取人臉圖像先不與目標人臉圖像庫比對，而是先與鮮活人臉圖像庫比對且鮮活庫中的人臉圖像主要或全部來源于同一個采集設備或位置鄰近的采集設備或具有一定關聯的圖像采集設備，比中的不入庫鮮活庫，不再比對目標庫而直接采用原有的比對結果或與比中的人臉圖像只拿其中一個去比對，沒有比中的才與目標庫比對，同時還可入庫鮮活人臉圖像庫。本方法在目標庫規模遠大于鮮活庫規模時且采集的鮮活人臉圖像具有一定冗余度以及在兩者規模差不多效率同時鮮活人臉圖像冗余度較高時效率提升明顯，本方法與人臉識別算法無關，技術上容易實現，可推廣至人像、人體像、車臉、車像等圖像識別應用場景提高識別效率。

技術領域

本發明涉及一種提高人臉識別效率方法，還涉及到一種高圖像識別效率方法和一種提高圖像識別效率的二次識別方法。

背景技術

人臉識別的英文名稱是 Human Face Recognition。廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。人臉識別是一項熱門的計算機技術研究領域，它屬于生物特征識別技術，是對生物體（一般特指人）本身的生物特征來區分生物體個體。生物特征識別技術所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別（用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬于生物特征識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。近年，生物特征識別這一技術發展今非昔比。其中，人臉識別是一種非接觸性技術，具有可視化、符合人的思維習慣的特點，得以在商業、安全等領域廣泛應用。人臉識別技術正式起步于美國，我國接觸該技術較晚，但是經過科研人員和學者們多年的研究和實驗，目前我國的人臉識別技術已經達到國際先進的水平。在我國，最早從人工向計算機智能識別發展的生物識別技術是指紋識別，但是在實際應用中逐漸產生了對人臉識別技術的需求。從2001年開始，公安部門就開始使用這一技術來防范打擊重大刑事犯罪并取得國家的支持。隨后，我國在2008年北京奧運會舉行時應用了人臉識別技術，這標志著我國的人臉識別進入大規模的使用階段。在前幾年舉辦的世博會上，該技術得到更加廣泛的應用，同時各大公司也逐漸加入，實現了人臉識別技術在中國的大規模應用。近年來，安防行業掀起了一波人臉識別的熱潮，眾多廠商紛紛推出了相關產品，一時間，人臉識別成為了行業內的熱點技術方向。據筆者統計，在2014年的中國國際社會公共安全博覽會上，至少有20家企業展示了自己的人臉識別產品。其中既有大華股份、海康威視這樣的大安防廠商，也有漢王、銀晨這樣的智能化廠商。同時，眾多媒體也接連報道了人臉識別技術在學術界和工業界取得的巨大成果:比如今年，騰訊在LFW人臉識別數據集上取得了99.65%的識別率，刷新了年初谷歌的記錄；阿里巴巴集團執行主席馬云在德國展會上演示了人臉識別與支付寶的結合應用，“刷臉支付”將走向生活。人臉識別技術走進生活，從北京人民公園人臉識別取廁紙，到江蘇人臉識別抓拍行人闖紅燈，從遠程人臉認證養老金領取資格到公司門禁考勤放行審核，從機場、火車站安檢“刷臉”到公安安防管理“刷臉”，從“刷臉”辦理銀行業務到“掃臉”支付購買商品……科幻電影中的“黑科技”，如今實實在在走進了我們的生活中。應用領域：人證比對：駕照、簽證、身份證、護照、投票選舉、智能卡用戶驗證等等；智能接入：接入控制設備存取、車輛訪問、智能ATM、電腦接入、程序接入(CRM接入)、網絡接入等；安全維穩：安全反恐報警、登機、乘車、體育場觀眾掃描、計算機安全、網絡安全、執法嫌疑犯識別、欺騙識別等；人臉監控：校園監控、小區監控、公園監控、醫院監控、街道監控、電網監控、入口監控等；人臉管理：人臉數據庫人臉檢索、人臉標記、人臉分類、多媒體管理人臉搜索、人臉視頻分割和拼接等；其他人臉應用：人機交互式游戲、主動計算、人臉重建、低比特率圖片和視頻傳輸等；以公安應用為例，公安部門在查辦案、處理事務時常常會遇到一些不明身份的人員，比如走丟的老人、小孩，拒不交代身份的嫌疑犯，無人認領的尸體等。傳統的人工走訪會浪費大量的人力物力也收效甚小。利用人臉識別檢測系統，將目標人臉輸入到系統中。系統毫秒間即可自動在海量人口數據庫中進行查找比對，羅列出若干名疑似的人員信息。只需公安部門通過簡單的人工干預方式，對系統結果進行篩選，就能得到目標的真實身份。中國有14億人口，龐大的數據支撐成為了人臉識別準確度得以加速提升的重要條件。大數據為深度學習提供了學習的數據基礎，使得人臉識別的錯誤率大大降低。人臉識別的應用都非常的關注誤報條件下的識別性能，比如人臉支付需要控制錯誤接受率在0.000001之內；對于安防監控而言，可能需要控制在0.000000001之內（比如幾十萬人的注冊庫）。安防涉及維穩，涉及到民生領域財產安全，所需的人臉識別技術就更具有挑戰性。而隨著深度學習演進，基于深度學習的人臉識別將獲得突破性的進展。它需要的只是越來越多的數據和樣本，數據和樣本越多、反復訓練的次數越多，它越容易捕捉到準確的結果，給你準確的答案。所以，當一套人臉識別系統的設備，在全面引入深度學習的算法之后，它幾乎是很完美的解決了以前長期各種各樣的變化問題。人臉識別系統主要包括四個組成部分，分別為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。人臉圖像采集：不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。當用戶在采集設備的拍攝范圍內時，采集設備會自動搜索并拍攝用戶的人臉圖像。人臉檢測：人臉檢測在實際中主要用于人臉識別的預處理，即在圖像中準確標定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結構特征及Haar特征等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實現人臉檢測。主流的人臉檢測方法基于以上特征采用Adaboost學習算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。人臉檢測過程中使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。人臉圖像預處理：對于人臉的圖像預處理是基于人臉檢測結果，對圖像進行處理并最終服務于特征提取的過程。系統獲取的原始圖像由于受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。對于人臉圖像而言，其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。人臉圖像特征提取：人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取，也稱人臉表征，它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：一種是基于知識的表征方法；另外一種是基于代數特征或統計學習的表征方法。人臉識別綜合運用了數字圖像/視頻處理、模式識別、計算機視覺等多種技術，核心技術是人臉識別算法。目前人臉識別的算法有4 種：基于人臉特征點的識別算法、基于整幅 人臉圖像的識別算法、基于模板的識別算法、利用神經網絡進行識別的算法。人臉識別算法的原理：系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數據庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。人臉識別法主要集中在二維圖像方面，二維人臉識別主要利用分布在人臉上從低到高80個節點或標點，通過測量眼睛、顴骨、下巴等之間的間距來進行身份認證。人臉識別算法主要有：1.基于模板匹配的方法。模板分為二維模板和三維模板，核心思想:利用人的臉部特征規律建立一個立體可調的模型框架,在定位出人的臉部位置后用模型框架定位和調整人的臉部特征部位,解決人臉識別過程中的觀察角度、遮擋和表情變化等因素影響。2.基于奇異值特征方法。人臉圖像矩陣的奇異值特征反映了圖像的本質屬性，可以利用它來進行分類識別。3.子空間分析法。因其具有描述性強、計算代價小、易實現及可分性好等特點，被廣泛地應用于人臉特征提取，成為了當前人臉識別的主流方法之一。4.局部保持投影(Locality Preserving Projections，LPP)。是一種新的子空間分析方法，它是非線性方法Laplacian Eigen map的線性近似，既解決了PCA等傳統線性方法難以保持原始數據非線性流形的缺點，又解決了非線性方法難以獲得新樣本點低維投影的缺點。5.主成分分析(PCA)。PCA模式識別領域一種重要的方法，已被廣泛地應用于人臉識別算法中，基于PCA人臉識別系統在應用中面臨著一個重要障礙:增量學習問題。增量PCA算法由新增樣本重構最為重要 PCS，但該方法隨著樣本的增加， 需要不斷舍棄一些不重要PC，以維持子空間維數不變， 因而該方法精度稍差。6.其他方法。彈性匹配方法、特征臉法(基于KL變換)、人工神經網絡法、支持向量機法、基于積分圖像特征法(adaboost學習)、基于概率模型法。二維人臉識別方法的最大不足是在面臨姿態、光照條件不同、表情變化以及臉部化妝等方面較為脆弱，識別的準確度受到很大限制，而這些都是人臉在自然狀態下會隨時表現出來的。三維人臉識別可以極大的提高識別精度，真正的三維人臉識別是利用深度圖像進行研究，自90年代初期開始，已經有了一定的進展。三維人臉識別方法有：1.基于圖像特征的方法。采取了從3D結構中分離出姿態的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向;然后，在保持姿態固定的情況下，去作臉部不同特征點(這些特征點是人工的鑒別出來)的局部匹配。2.基于模型可變參數的方法。使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結合，去恢復頭部姿態和3D人臉。隨著模型形變的關聯關系的改變不斷更新姿態參數，重復此過程直到最小化尺度達到要求。基于模型可變參數的方法與基于圖像特征的方法的最大區別在于。后者在人臉姿態每變化一次后，需要重新搜索特征點的坐標，而前者只需調整3D變形模型的參數。人臉識別算法研究已久，在背景簡單的情形下，大部分算法都能很好的處理。但是，人臉識別的應用范圍頗廣，僅是簡單圖像測試，是遠遠不能滿足現實需求的。所以人臉識別算法還是存在很多的難點。光照問題是機器視覺中的老問題，在人臉識別中的表現尤為明顯，算法未能達到完美使用的程度。與光照問題類似，姿態問題也是人臉識別研究中需要解決的一個技術難點。針對姿態的研究相對比較少，多數的人臉識別算法主要是針對正面，或接近正面的人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題，特別是在監控環境下，往往被監控對象都會帶著眼鏡﹑帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識別，甚至會導致人臉識別算法的失效。隨著年齡的變化，面部外觀也在變化，特別是對于青少年，這種變化更加的明顯。對于不同的年齡段，人臉識別算法的識別率也不同。人臉圖像的來源可能多種多樣，由于采集設備的不同，得到的人臉圖像質量也不同，特別是對于那些低分辨率﹑噪聲大﹑質量差的人臉圖像如何進行有效的人臉識別是個需要關注的問題。同樣的，對于高分辨圖像，對人臉識別算法的影響也需要進一步研究。基于統計學習的人臉識別算法是人臉識別領域中的主流算法，但是統計學習方法需要大量的培訓。由于人臉圖像在高維空間中的分布是一個不規則的流行分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究。傳統人臉識別算法如PCA、LDA等在小規模數據中可以很容易進行訓練學習。但是對于海量數據，這些方法其訓練過程難以進行，甚至有可能崩潰。隨著人臉數據庫規模的增長，人臉算法的性能將呈現下降。基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據，其特征分量通常包括特征點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。基于知識的人臉表征主要包括基于幾何特征的方法和模板匹配法。人臉圖像匹配與識別：提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。