[发明专利]行人中的人脸识别方法

说明书

本发明公开了一种行人中的人脸识别方法，主要解决现有技术里人脸跟踪丢造成误识的问题。其实现方案是：1、制备网络训练数据集；2、用网络训练数据集对行人检测网络、人脸检测网络、人脸识别网络这三个网络分别进行训练；3、制备多角度人脸特征数据库；4、用训练好的行人检测网络检测图像行人区域并跟踪行人区域；5、用训练好的人脸检测网络在行人区域内检测人脸区域；6、用训练好的人脸识别网络对人脸区域进行特征提取；7、将提取的特征与人脸特征数据库进行特征匹配，取特征匹配最好的结果作为人脸识别结果。本发明提高了人脸识别的准确率和稳定性，可用于多角度下的视频监控。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种人脸识别方法，可用于多角度下的视频监控。

技术背景

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，它由计算机分析人脸图像，从图像中提取有效信息并自动鉴别，人脸识别技术广泛应用于安全系统及人机交互等方面，已成为计算机视觉和模式识别领域中重要的研究课题之一。

传统的人脸识别算法包括几何特征方法，支持向量机，PCA等。几何特征方法速度快，但识别率较低。支持向量机和PCA方法准确率相对较高，但需要大量的训练样本。

近几年时出现的深度学习人脸识别算法相比传统方法，采用更深的网络结构，能够更好的学习数据的分布，提高了人脸识别的准确率。对于多角度的人脸识别通常使用视频监控实现，不需要测试者刻意配合，可以应用在课堂质量评估，会场签到等应用场景。但在现实环境中，要实时采集到的人脸图像信息角度多样，会受到人体毛发，口罩，帽子等常佩戴物体遮挡等多种因素的干扰，导致人脸识别误检率高，使得人脸识别技术的复杂度大大提高。

为了提高人脸识别的准确率，能够获取一段时间的人脸区域用于人脸识别，现有的深度学习人脸识别算法常常采取人脸检测并跟踪再识别的方法，但由于人脸目标比较小，且形变严重，所以容易出现人脸跟踪丢框，无法长时间跟踪人脸，仍存在较高的误检率。

发明内容

本发明的目的在于针对上述已有的技术的不足，提出一种行人中的人脸识别方法，以减小人脸跟踪的丢框，提高人脸识别的准确率。

本发明的技术方案是：通过跟踪算法跟踪检测出的行人，并锁定每个行人的标号，将这个行人的一段时间内的检测和跟踪的行人区域框进行人脸检测，得到这段时间内的所有人脸检测框；将人脸检测框通过人脸识别网络提取特征向量与特征数据库的特征向量进行比较，并取匹配最好的结果作为最终识别结果，以在动态识别过程中减少形变和遮挡引起的识别误差。其实现步骤包括如下：

(1)制备行人检测，人脸检测，人脸识别网络的训练数据集；

(2)采用随机梯度下降算法，用行人检测，人脸检测，人脸识别网络的训练数据集现有的行人检测网络Yolov3，人脸检测网络MTCNN，人脸识别网络FaceNet分别进行训练，得到训练好的行人检测网络Yolov3，人脸检测网络MTCNN，人脸识别网络FaceNet；

(3)制备多角度人脸特征数据库：

(3a)采集一个未采集过的待识别人员正脸、左右侧脸、仰视和俯视共5张人脸图像，并纪录待识别人员的姓名；

(3b)将每张图像输入到训练好的人脸检测网络MTCNN中，人脸检测网络MTCNN输出每张人脸图像对应的人脸区域；

(3c)将每张图像对应的人脸区域输入到训练好的人脸识别网络FaceNet，输出每张人脸图像的512维人脸特征向量；

(3d)将所采集的待识别人员的姓名和5张人脸图像的512维人脸特征向量映射成一个字典；

(3e)判断是否采集完所有待识别人员的图像，若是，则用所有的映射字典组成人脸特征数据库；执行(4)，否则，返回(3a)；

(4)检测并跟踪图像的行人区域：