[发明专利]一种实时人脸识别系统及其方法

说明书

技术领域

本发明涉及计算机视觉应用领域，具体是涉及一种实时人脸识别系统及其方法。

背景技术

随着计算机科学和人工智能等学科的发展，计算机视觉的研究在最近十年取得了巨大的进步，并且在视频监控、多媒体会议、人机接口等领域得到了广泛的应用。

人脸识别问题是计算机视觉领域中的一个关键问题，其涉及计算机视觉中的多个关键技术，包括：人脸检测、人脸跟踪、器官定位与人脸大小归一化、人脸判定等。

人脸检测，是指从输入图像中判断是否有人脸，若有，则确定人脸的大小和位置。人脸检测是自动化人脸识别系统中所有核心算法的第一步，是实现自动化人脸识别系统的关键。目前已有的人脸检测方法包括特征脸、神经网络、支持向量机、Haar分类器等。基于Haar分类器的方法检出率较高、检测速度快，是目前主流的人脸检测方法。

人脸跟踪，是指从连续的视频图像中跟踪人脸的运动轨迹。对于连续拍摄的视频图像，在已知人脸初始位置的前提下人脸跟踪可以比人脸检测更加快速的获得人脸的新位置。人脸跟踪本质上是一类特定的运动跟踪问题，目前已有的人脸跟踪方法包括：角点检测、运动预测、自适应均值漂移（Cam-Shift）算法、卡尔曼滤波器与粒子滤波器等。基于人脸运动的特点——低速、非线性，Cam-Shift算法在人脸跟踪中得到了广泛的应用。

器官定位与人脸大小归一化，是指从输入的人脸图像中确定眼睛、鼻子等重要面部器官的位置，根据器官的位置对输入图像进行适当裁剪和大小变换。器官定位与人脸大小归一化的目的是尽量消除其他部位对识别过程的影响。器官定位主要依靠结合先验知识和边缘检测的方法，人脸大小归一化可以使用线性插值法来实现。

人脸判定，是指将输入图像与数据库中的目标人脸图像的某种特征进行比较，从而确定输入图像和数据库中的目标图像的相似度。由于原始光学图像易受光照、人物表情等可变因素的影响，很难直接使用原始图像进行比较。大多数人脸判定的方法都是通过提取图像的特征，然后比对目标和输入的特征，从而确定他们的相似度。在人脸判定过程中常用的人脸特征包括人脸的几何特征、像素点的统计特征以及边缘轮廓特征等。特征相似度的度量函数包括几何距离、马氏距离、相关系数等。

目前已有的人脸识别系统包括FaceIt、TrueFace Watch、FaceKey、FaceVACS，FaceFinder等，这些人脸识别系统可广泛使用于视频监控、门控系统、图像检索等多个应用领域。由于人脸识别问题涉及数字图像处理、机器学习等多方面的知识，上述的人脸识别系统都有一个共同点——都是在通用平台上实现的。通用平台的优点在于可以借用很多已有的函数库、开发速度快，缺点是应用场合受限。而嵌入式软硬件技术的进步使得实现嵌入式人脸识别模块成为可能。

发明内容

本发明的目的在于提出一种实时人脸识别系统及其方法，用于解决现有技术中存在的适应性和实时性不强的缺陷。

为了实现上述目的，本发明提出了一种实时人脸识别系统，其特征在于，包括：

预处理子模块，用于获取视频图像，并对该视频图像进行预处理，以增强视频图像的对比度；

人脸定位子模块，用于从预处理后的所述视频图像中获取正面人脸图像；

人脸识别子模块，用于提取正面人脸图像中的特征，并将该特征与目标人脸库中的人脸特征进行比较，获取相似度。

所述的实时人脸识别系统，其中，所述人脸定位子模块包括：

人脸检测模块，用于加载人脸Haar分类器文件，从所述视频图像中检测人脸，获得人脸的初始位置；

人脸跟踪模块，用于根据人脸的初始位置，利用肤色模型建立肤色直方图，并利用Cam-Shift算法进行人脸跟踪。

所述的实时人脸识别系统，其中，所述人脸检测模块对人脸Haar分类器文件使用非对称决策树代替原有的决策树构造弱分类器的方式提高分类器中每个弱分类器的性能。

所述的实时人脸识别系统，其中，所述人脸检测模块对人脸Haar分类器文件通过如下方式改进分类器的结构：

使用AdaBoost算法组合多个弱分类器构成强分类器后，以强分类器所使用的特征向量为依据，利用K均值对正样本样本点进行聚类，并对聚类出的子类分别构造子类分类器，将子类分类器加入层级分类器，以子类分类器为兄弟节点，构成最终的树形层级分类器。

所述的实时人脸识别系统，其中，所述人脸跟踪模块以如下方式改进人脸跟踪算法：