[发明专利]一种高精度的模糊人脸识别方法

说明书

本发明提供了一种针对模糊人脸图像的神经网络人脸识别方法；通过解析视频流，得到N幅视频帧；利用人脸检测算法识别出低分辨率的人脸图像；针对低分辨率的人脸图像，通过相场方法优化算法进行预处理，得到清晰的人脸图像；利用SVM分解算法进行人脸模型参数化；将参数化模型输入到卷积神经网络中进行训练；对结果进行反参数化，通过分类器得出识别结果，本发明将深度学习算法与传统的模糊优化算法相结合，可以在高精度下实现模糊人脸的识别，从而有效地提高识别率，减少计算量。

技术领域

本发明属于图像识别技术领域，具体涉及一种高精度的模糊人脸识别方法。

背景技术

人脸识别是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。

目前，人脸识别的采集设备大多是高清设备采集，在更多实时采集下，会产生更多模糊人像。过去实验中有许多模糊图像的处理算法，而采取相场方法与深度神经网络算法结合的方式进行人脸识别有计算过程简单、分类速度快的优势，并且可以通过预处理减少光照与图像旋转等因素的影响。

发明内容

本发明提供了一种高精度的模糊人脸识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种高精度的模糊人脸识别方法，包括以下步骤：

S1、视频流解析：获取摄像机拍摄的视频流，将视频流解析成N幅视频帧，每一幅视频帧再解码成RGB图片；

S2、图像获取：检测视频流解析得到的图像中是否有人脸，若有人脸，则保留当前视频帧；若没有人脸，舍弃当前视频帧；

S3、模糊人脸处理：利用相场优化方法对模糊人脸进行预处理，使人脸在理论范围内到达尽量清晰的标准，增强识别的效率与精度；

S4、清晰人脸参数化与识别：将图像以更简单的参数平面表示，可以使深度学习的输入特征更加明确，加快训练的效率；

在S3中所述模糊人脸预处理步骤包括：

S3.1：人脸图像预处理：对图像进行降噪，灰度值平衡预处理操作，降低人脸受环境因素影响。

S3.2：相场优化模型处理步骤：

S3.2.1：对图像灰度值进行检测与分割，建立人脸边界模型；

S3.2.2：根据下述的相场公式来表示人脸图像，计算目标函数值J：

S3.2.3：将目标函数值J最小化，得到清晰化的人脸图像灰度分布φ；

S3.2.4：将灰度值分布转换为清晰化的人脸图像分布；

在S4中清晰人脸参数化与识别步骤包括：

S4.1：人脸图像参数化：利用SVM方法，利用已有的经验将图像，传统的SVM算法可以通过提取图像X的特征值λ来达到对图像的参数化，用α表示，实际操作类似于神经网络的单层结构，利用参数化能够集中特征，加快神经网络的训练：

S4.2：人脸图像识别：利用深度学习的框架对参数化的人脸图像进行训练，采用适用于此模型的卷积核，最后通过反参数化，达到模糊图像高精度高效识别的目的。

与现有技术相比，本发明的有益效果是：

通过相场方法去模糊以及图片特征值参数化的方法，借助深度学习网络训练的模式，能够有效提高识别率，减少计算量。

附图说明