一种基于局部图像增强的动态人脸识别算法的制作方法

1.本发明涉及动态人脸识别技术领域，具体为一种基于局部图像增强的动态人脸识别算法。


背景技术：

2.目前，随着科学技术的不断发展和进步，人像生物识别技术的日益成熟和完善，人像生物识别技术作为全球最前沿的生物识别技术及图像处理技术，在当今社会公共安全防范、刑侦、技侦、网络安全、金融安全等诸多领域将发挥着独有的不可替代的作用，是人类社会科学技术发展与进步的里程碑。
3.人脸识别主要用于身份识别。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。
4.现有的人脸识别需要用户或行人的高度配合，即需要用户或行人在摄像头前进行一定时间的静止以采集大量的图像进行识别，否则会造成识别准确率不足，但长时间的用户或行人静止严重的降低了识别效率。


技术实现要素：

5.本发明要解决的技术问题是克服现有的缺陷，提供一种基于局部图像增强的动态人脸识别算法，以解决上述技术背景中需要用户或行人在摄像头前进行一定时间的静止以采集大量的图像进行识别，否则会造成识别准确率不足，但长时间的用户或行人静止严重降低了识别效率的缺点。
6.为实现上述目的，本发明提供如下技术方案：一种基于局部图像增强的动态人脸识别算法，包括以下步骤：
7.步骤1：通过摄像设备对行人的视频图像进行多方向采集，并发送至计算机数据库内；
8.步骤2：对采集的多个视频图像数据分别进行预处理，突出视频图像中局部的行人图像；
9.步骤3：对各个预处理后视频图像数据中行人的局部图像分别进行追踪，并对各个图像数据中的人脸图像进行特征提取；
10.步骤4：将提取的多个特征与数据库内的数据进行对比，并完成对行人的身份认证；
11.步骤5：将无法完成身份认证的人脸数据进行记录，并储存于数据库内。
12.优选的，所述步骤1中，通过多个摄像头和照明灯对行人的视频图像数据进行采集，并通过yolov2算法对视频图像数据进行检测，并将检测有行人的视频图像数据进行记录，并通过网络发送至计算机内的数据库中。
13.优选的，所述步骤2中，在计算机数据库中通过svlm算法对采集的多个视频图像数据中行人的图像分别进行局部增强，并突出各个行人图像；在计算机数据库中通过svlm算法对采集的多个视频图像数据中行人的图像分别进行局部增强，并突出各个行人图像，先将彩色图像转化为灰度图像，计算公式如公式(1)所示：
14.i(x,y)＝0.299
×
r(x,y) 0.578
×
g(x,y) 0.114
×
b(x,y)
ꢀꢀꢀꢀꢀꢀ
(1)
15.其中r(x,y)、g(x,y)、b(x,y)分别代表像素(x,y)处的红绿蓝灰度值，i(x,y)代表坐标(x,y)处的像素灰度值，将该灰度图像与二维高斯函数卷积，如公式(2)所示：
[0016][0017]
其中l(x,y)为经过高斯滤波后的图像，f(x i,y j)代表尺度为m
×
n的二维高斯函数，该运算是一个低通滤波的过程，f(x,y)函数的定义如公式(3)所示：
[0018]
f
g
(x,y)＝q
×
exp(
‑
(x2 y2)/σ2)
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0019]
其中q是将高斯函数归一化的系数，如公式(4)所示：
[0020]
∫∫q
×
exp(
‑
(x2 y2)/σ2)dxdy＝1
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]
σ决定了高斯模板的尺度大小，尺度越大则模板中包含的邻域像素信息就越多；输入图像经过不同尺度σ的高斯模板，得到的图像l将会包含不同范围的邻域信息。将这些图像求和再取平均，得到的均值图像即为svlm图像；再通过恢复公式(5)将增强后的灰度图像恢复成彩色图像，如恢复公式(5)所示：
[0022][0023]
其中，s(x,y)为增强后图像；r'(x，y)、b'(x，y)和g'(x，y)分别为彩色恢复后的红色、蓝色和绿色分量；β∈(0，1]为色度调整参数。
[0024]
优选的，所述步骤3中，通过提取各个局部增强后的视频图像数据中各帧间行人的运动信息，对各个视频图像数据内行人的运动轨迹进行预测及定位，再通过cascade级联检测器对定位后的行人脸部位置进行定位，并对人脸位置进行局部增强，再对移动各个视频图像中行人脸部图像增强后的特征进行提取。
[0025]
优选的，所述步骤3中，通过svm追踪算法对目标局部的运动轨迹进行预测和定位。
[0026]
优选的，所述步骤4中，将实时采集人脸部图像的多个数据特征与数据库中人脸库特征集内的数据进行相似度比对，对实时采集的行人身份进行认证。
[0027]
与现有技术相比，本发明提供了一种基于局部图像增强的动态人脸识别算法，具备以下有益效果：
[0028]
本发明中通过对行人移动过程中的视频图像进行采集，对视频图像数据进行预处理后使行人部分的视频图像更清晰，便于后续对行人人脸特征的提取，对视频图像数据内的行人轨迹进行追踪，同时提取行人人脸特征进行采集，并将采集的数据与数据库内人脸的数据进行对比认证，将无法进行认证的行人脸部数据进行记录并储存，以便于提高对行人在动态时人脸特征提取的准确率和识别效率。
附图说明
[0029]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实
施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
[0030]
图1为本发明提出的基于局部图像增强的动态人脸识别算法流程图结构示意图。
具体实施方式
[0031]
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，下面结合具体实施例和附图，进一步阐述本发明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。
[0032]
请参阅图1，一种基于局部图像增强的动态人脸识别算法，包括以下步骤：
[0033]
步骤1：通过摄像设备对行人的视频图像进行多方向采集，并发送至计算机数据库内；通过多个摄像头和照明灯对行人的多个方向视频图像数据进行采集，并通过yolov2算法对视频图像数据进行检测，并将检测有行人的视频图像数据进行记录，并通过网络发送至计算机内的数据库中，以便于采集多个方向角度的数据便于对特征的提取减小了误差的出现。
[0034]
步骤2：对采集的多个视频图像数据分别进行预处理，突出视频图像中局部的行人图像；在计算机数据库中通过svlm算法对各个采集的视频图像数据中行人的图像进行局部增强，并突出各个数据图像内行人图像，在计算机数据库中通过svlm算法对采集的多个视频图像数据中行人的图像分别进行局部增强，并突出各个行人图像，先将彩色图像转化为灰度图像，计算公式如公式(1)所示：
[0035]
i(x,y)＝0.299
×
r(x,y) 0.578
×
g(x,y) 0.114
×
b(x,y)
ꢀꢀꢀꢀꢀ
(1)
[0036]
其中r(x,y)、g(x,y)、b(x,y)分别代表像素(x,y)处的红绿蓝灰度值，i(x,y)代表坐标(x,y)处的像素灰度值，将该灰度图像与二维高斯函数卷积，如公式(2)所示：
[0037][0038]
其中l(x,y)为经过高斯滤波后的图像，f(x i,y j)代表尺度为m
×
n的二维高斯函数，该运算是一个低通滤波的过程，f(x,y)函数的定义如公式(3)所示：
[0039]
f
g
(x,y)＝q
×
exp(
‑
(x2 y2)/σ2)
ꢀꢀꢀꢀꢀ
(3)
[0040]
其中q是将高斯函数归一化的系数，如公式(4)所示：
[0041]
∫∫q
×
exp(
‑
(x2 y2)/σ2)dxdy＝1
ꢀꢀꢀꢀꢀꢀ
(4)
[0042]
σ决定了高斯模板的尺度大小，尺度越大则模板中包含的邻域像素信息就越多；输入图像经过不同尺度σ的高斯模板，得到的图像l将会包含不同范围的邻域信息。将这些图像求和再取平均，得到的均值图像即为svlm图像；再通过恢复公式(5)将增强后的灰度图像恢复成彩色图像，如恢复公式(5)所示：
[0043][0044]
其中，s(x,y)为增强后图像；r'(x，y)、b'(x，y)和g'(x，y)分别为彩色恢复后的红色、蓝色和绿色分量；β∈(0，1]为色度调整参数；通过多组数据进行对比减小了误差的产生，避免了视频图像数据受到光照变化、摄像机抖动或者恶劣天气的因素发生影响，提高了视频图像的质量，通过突出行人图像，便于后续对行人或者用户进行跟踪识别，通过利用图
像增强技术可以有目的地突出图像的局部特性，改善了光照变化带来的目标信息丢失，使得原来不清晰的图像变得清晰，提高目标跟踪和识别效果。
[0045]
步骤3：对各个预处理后视频图像数据中行人的局部图像分别进行追踪，并对各个图像数据中的人脸图像进行特征提取；通过多组提取局部增强后的视频图像数据中各帧间行人的运动信息，对行人的运动轨迹进行预测及定位，再通过cascade级联检测器对定位后的行人脸部位置进行定位，并对人脸位置进行局部增强，再对移动中行人脸部图像增强后的特征进行提取；通过svm追踪算法对目标局部的运动轨迹进行预测和定位，目标跟踪中利用帧间目标的运动信息获取目标在视频中的位置，其目的是从背景图像中分割出用于识别的前景目标，通过svm追踪算法能够为目标识别提供可靠的识别内容，提高了目标识别率的有力保障；使用mtcnn算法人脸图像数据内的人脸空间位置检测及五官关键特征点定位，保留满足置信度阈值、空间分辨率阈值和清晰度阈值的人脸图像进行识别，并对人脸特征进行提取。
[0046]
步骤4：将提取的多组脸部特征数据与数据库内的数据进行对比，并完成对行人的身份认证；将实时采集人脸部图像的特征与数据库中人脸库特征集内的数据进行相似度比对，对实时采集的行人身份进行认证；将每个行人或用户的视频截取一个图像集，并将其表示为一个非线性向量组成的流形子空间，再定义一个基于局部线性模型的流形距离来进行视频人脸的分类识别，以便于对行人的身份进行识别认证。
[0047]
步骤5：将无法完成身份认证的人脸数据进行记录，并储存于数据库内；通过对动态用户和行人进行脸部识别，避免了用户或行人在摄像头前进行一定时间的静止以采集大量的图像进行识别和造成识别准确率不足，提高了对用户或行人的识别效率。
[0048]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。