申请/专利权人：衡阳师范学院

申请日：2018-04-27

公开（公告）日：2021-10-12

公开（公告）号：CN108932468B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.10.12#授权;2018.12.28#实质审查的生效;2018.12.04#公开

摘要：本发明属于面部识别技术领域，公开了一种适用于心理学的面部识别方法，进行图像采集以获得高清图像；从高清图像处识别并分割出脸部图像；对分割模块分割的人脸图像进行处理；生成人脸细节特点的待识别的特征向量；通过人脸特征库模块预存储有已知人脸的特征向量；将输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；显示采集图像信息及匹配结果信息。本发明通过人脸特征库模块构建人脸特征数据库，通过特征匹配模块进行快速匹配，从而可以在计算资源较为有限的系统上实时判断出待识别的人脸图像的身份，耗时短准确率高。

主权项：1.一种面部识别系统，其特征在于，所述面部识别系统包括：图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得高清图像；图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；建立脸部图像中两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理；所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：S1＝l1,α1,l2，α2…lN-1,αN-1,lN,αN；S1和该多边形有一一映射关系，其表示与边角初始顺序无关；所述完备向量组，按逆时针方向，有2N个向量S1、S2……S2N－1、S2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：S1＝l1,α1,l2，α2…lN-1,αN-1,lN,αN；S2＝α1,l2，α2…lN-1,αN-1,lN,αN,l1；……S2N－1＝lN,αN,l1,α1,l2，α2…lN-1,αN-1；S2N＝αN,l1,α1,l2，α2…lN-1,αN-1,lN；用矩阵SE表示完备向量，并定义SE为该多边形的特征矩阵，SE表示如下： 主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；匹配计算方法包括：步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m： 其中，xi∈样本训练集X＝x1，x2，…，xN；步骤二、求出散布矩阵S： 求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；取出p个值，λ1，λ2，…，λp确定出脸空间E＝e1，e2，…，eP，在此脸空间上，训练样本X中，每个元素投影到该空间的点由下式得到：x'i＝Etxi，t＝1，2，…，N；由上式得到的是将原向量经过PCA降维后的p维向量；采用SRC人脸识别算法进行多人脸识别，包括：对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n2的统一身份决定目标的最终身份；其中，计算待识别图片与人脸库各类别间的重建误差{r1，r2……rn}，r1r2……rn，将得到的相似度值按照的规则确定最终识别结果；其中T1为比率值，T1＝0.6；显示模块，与主控模块连接，用于显示采集图像信息及匹配结果信息。

全文数据：一种适用于心理学的面部识别方法技术领域[0001]本发明属于面部识别技术领域，尤其涉及一种适用于心理学的面部识别方法。背景技术[0002]目前，业内常用的现有技术是这样的:[0003]面部识别一面部识别又称人脸识别、面像识别、面容识别等等，面部识别使用通用的摄像机作为识别信息获取装置。以非接触的方式获取识别对象的面部图像，计算机系统在获取图像后与数据库图像进行比对后完成识别过程。然而，现有面部识别对面部图像提取不精确，影响对面部的识别准确性;同时面部识别效率低、耗时长。[0004]对图形的认知与理解是人类获取外部信息并做出判断和反映的重要基础。其中，自动识别图形的相似性是实现提高人类视觉认知效率和拓展智能化认知领域的重要技术之一。它广泛应用于工业技术、图形图像处理、模式识别和人工智能领域，对我们的日常生活起着未知的深远影响。开发出一套图形相似度识别技术是十分必要的。随着计算机数字化和图形技术的日益发展，图形几何特征信息的数字化处理效率也得到了很大提高。合理、高效的算法和环境平台的支持，也使得研究具有充分的可行性。[0005]现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率，但也存在一些不足:算法的实现过程和视觉分辨的匹配性不直观;算法复杂，导致数据处理量大，运行成本高；算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响，导致准确性和稳定性存在一定偏差。[0006]综上所述，现有技术存在的问题是:[0007]现有面部识别对面部图像提取不精确，影响对面部的识别准确性；同时面部识别效率低、耗时长。[0008]现有的图形分割中，相似度常用识别方法实现过程和视觉分辨的匹配性不直观，算法复杂，导致数据处理量大，运行成本高，导致准确性和稳定性存在一定偏差的问题。[0009]现有技术的数据处理准确性差。发明内容[0010]针对现有技术存在的问题，本发明提供了一种适用于心理学的面部识别方法。[0011]本发明是这样实现的，一种适用于心理学的面部识别系统，所述适用于心理学的面部识别系统包括：[0012]图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得尚清图像；[0013]图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；[0014]建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。[0015]所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量51表示多边形：[0016]Si=Ιι,αΐ,ΐ2,α2···ΐΝ-ι,αΝ-ι,Ιν,ον；[0017]S1和该多边形有一一映射关系，其表示与边角初始顺序无关；[0018]所述完备向量组，按逆时针方向，有2Ν个向量S^S2……S2n-^S2n和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表不如下：[0019]Si=Ιι,αχ,ΐ2,α2···ΐΝ-ι,αΝ-ι,Ιν,ον；[0020]S2=αι，12,a〗···1ν-ι，αΝ-ι，In,αΝ，li;[0021]……[0022]S2N-1=Ιν,ον,Ii,αχ,12,α2···ΐΝ-ι,αΝ-ι；[0023]S2N=〇ν,Ii,〇ι,12,〇2···1ν-ι,αΝ-ι,In；[0024]用矩阵Se表示完备向量，并定义Se为该多边形的特征矩阵，Se表示如下：[0026]主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；[0027]图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；[0028]特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；[0029]人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；[0030]特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；[0031]匹配计算方法包括：[0032]步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m:[0034]其中，xie样本训练集X=χΐ，χ2,…，xN;[0035]步骤二、求出散布矩阵S:[0037]求出散布矩阵的特征值和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2,…；[0038]取出ρ个值，λ1，λ2，···，λρ确定出脸空间E=el，e2，‘"，eP，在此脸空间上，训练样本X中，毎个元素投影到该苧间的点由下式得到：[0040]由上式得到的是将原向量经过PCA降维后的p维向量；[0041]采用SRC人脸识别算法进行多人脸识别，包括：[0042]对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果;根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻η帧识别结果;统计各个人脸的身份，由超过半数η2的统一身份决定目标的最终身份；[0043]其中，计算待识别图片与人脸库各类别间的重建误差{rl，r2……rn},rl进行聚类，同样可得到个聚类中心，用羡示;对所有Ap求均值并取整，得到源信号个数的估计犮，BP:[0176]找出A矣#的时刻，用Ph表示，对每一段连续取值的Ph求中值，用[0177]表示第1段相连Ph的中值，则Α表示第1个频率跳变时刻的估计；根据估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的M个混合矩阵列向量，具体公式为：[0179]这里表示第1跳对应的身个混合矩阵列向量估计值;估计每一跳对应的载频频率，用Λ„«=1，:2,...，力）表示第1跳对应的#个频率估计值，计算公式如下：[0181]4根据估计得到的归一化混合矩阵列向量估计时频域跳频源信号；[0182]5对不同跳频点之间的时频域跳频源信号进行拼接;估计第1跳对应的分个入射角度，用么表示第1跳第η个源信号对应的入射角度，^的计算公式如下：[0184]K表示第1跳估计得到的第η个混合矩阵列向量表的第m个元素，c表示光速，S卩1=3\108米秒;判断第11=2,3，〜）跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：[0186]其中mn1表示第1跳估计的第mn1个信号与第一跳估计的第η个信号属于同一个源信号;将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用YnΡ，q表示第η个源信号在时频点Ρ，q上的时频域估计值，P=〇，1，2，....，P，q=0，l，2，···，Nfft_l，即：[0188]6根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻pρ=0，1，2，…）的频域数据Ynp，q，q=0，1，2，，Nfft-I做Nfft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用ynP，qtqt=〇，1，2，，Nm-l表示;对上述所有时刻得到的时域跳频源信号ynP，qt进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：[0190]这里Kc=NfftC，C为短时傅里叶变换加窗间隔的采样点数，Nfft为FFT变换的长度。[0191]获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括：[0192]首先，按逆时针方向分别建立源图形P和目标图形Q的特征矩阵Pe和Qe:[0195]欧式距离公式dx，y和夹角余弦公式simX，y如下：[0198]以dx，y和为simx，y基础，重新定义两个矩阵D和S，使：[0200]求出D和S中的最小值；[0201]分别令Eue=min{Dij}，Kij=2N;Sime=max{Sij}，Kij=2N;[0202]然后再按顺序针方向构造图形P和Q的特征矩阵，重复上述计算方法，求出两特征矩阵中最完备向量间的最小值Eu。和Sim。；[0203]最后令Eu=min{Eue，Euc};[0204]Sim=min{Sime，Simc};[0205]Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。[0206]下面结合具体分析对本发明作进一步描述。[0207]采用欧式距离算法计算多图形相似度[0208]在Aut〇CAD2002环境下，提供了一组共12个测试图形，如图3所示。[0209]欧式距离的计算结果如表1所示：[0210]表1中目标样本与标准样本的欧式距离[0212]表2加权平均值后的相似度值[0214]从两表中数据看出，加权后的计算结果比之前计算结果有了局部修正修正，比较符合人工视觉分辨效果。表1计算耗时0.472s。[0215]的结果反映了本发明计算结果是可靠的，在时间上也是高效的。本发明可以用于计算机视觉中的检测跟踪中目标位置的获取，根据已有模板在图像中找到一个与之最接近的区域。然后一直跟着。已有的一些算法比如BlobTracking，Meanshift，Camshift，粒子滤波等等也都是需要这方面的理论去支撑。还有一方面就是基于图像内容的图像检索，也就是通常说的以图检图。比如给你某一个人在海量的图像数据库中罗列出与之最匹配的一些图像，当然这项技术可能也会这样做，将图像抽象为几个特征值，比如Trace变换，图像哈希或者Sift特征向量等等，来根据数据库中存得这些特征匹配再返回相应的图像来提高效率。[0216]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种适用于心理学的面部识别系统，其特征在于，所述适用于心理学的面部识别系统包括：图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得高清图像；图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：Si=Ιι,αΐ,ΐ2,α2···ΐΝ-ι,αΝ-ι,Ιν,ον；Si和该多边形有--映射关系，其表示与边角初始顺序无关；所述完备向量组，按逆时针方向，有2N个向量Si、S2S2N-1、S2N和多边形均有映射关系，构成了该多边形的一个完备向量组，表示如下：用矩阵Se表示完备向量，并定义Se为该多边形的特征矩阵，Se表示如下：主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；匹配计算方法包括：步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m:其中，xie样本训练集X=χ1，χ2，···，χΝ;步骤二、求出散布矩阵S:求出散布矩阵的特征值Ai和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λΐ，λ2,…；取出P个值，λ1，λ2，···，λρ确定出脸空间E=el，e2,…，eP，在此脸空间上，训练样本X中，每个元素投影到该空间的点由下式得到：X’i=Etxi，t=l，2，."，N;由上式得到的是将原向量经过PCA降维后的p维向量；采用SRC人脸识别算法进行多人脸识别，包括：对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果;根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻η帧识别结果;统计各个人脸的身份，由超过半数η2的统一身份决定目标的最终身份；其中，计算待识别图片与人脸库各类别间的重建误差Irl，r2……rn}，rl〈r2〈……表示第1个频率跳变时刻的估计；根据估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的#个混合矩阵列向量元，具体公式为：这里表示第1跳对应的个混合矩阵列向量估计值;估计每一跳对应的载频频率，用表示第1跳对应的#个频率估计值，计算公式如下：4根据估计得到的归一化混合矩阵列向量估计时频域跳频源信号；5对不同跳频点之间的时频域跳频源信号进行拼接;估计第1跳对应的#个入射角度，用堯〇表示第1跳第η个源信号对应的入射角度，4的计算公式如下：表示第1跳估计得到的第η个混合矩阵列向量4〖的第m个元素，C表示光速，即Vc=3\108米秒;判断第11=2,3，〜）跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：其中mn1表示第1跳估计的第mn1个信号与第一跳估计的第η个信号属于同一个源信号;将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用YnP，q表示第η个源信号在时频点p，q上的时频域估计值，P=O,1,2,——，P，q=0,1，2,···，Nfft_l，即：6根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻pp=0，1，2，…）的频域数据YnP，q，q=〇，1，2，…，Nfft-I做Nfft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用ynP，qtqt=〇，1，2，…，Nm-l表示;对上述所有时刻得到的时域跳频源信号ynP，qt进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：这里K。=NfftC，C为短时傅里叶变换加窗间隔的采样点数，Nfft为FFT变换的长度。3.如权利要求2所述的适用于心理学的面部识别系统，其特征在于，获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括：首先，按逆时针方向分别建立源图形P和目标图形Q的特征矩阵Pe和Qe:欧式距离公式dx，y和夹角余弦公式simX，y如下：以dx，y和为simx，y基础，重新定义两个矩阵D和S，使：求出D和S中的最小值；分别令然后再按顺序针方向构造图形P和Q的特征矩阵，重复上述计算方法，求出两特征矩阵中最完备向量间的最小值Euc和Simc;最后令Eu=min{Eue，Euc};Sim=min{Sime，Simc};Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。4.一种如权利要求1所述的适用于心理学的面部识别系统的适用于心理学的面部识别方法，其特征在于，所述适用于心理学的面部识别方法包括以下步骤：步骤一，通过图像采集模块进行图像采集以获得高清图像;通过图像分割模块从高清图像处识别并分割出脸部图像；步骤二，主控模块调度图像处理模块对分割模块分割的人脸图像进行处理；步骤三，通过特征生成模块生成人脸细节特点的待识别的特征向量;通过人脸特征库模块预存储有已知人脸的特征向量；步骤四，通过特征匹配模块将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；步骤五，通过显示模块显示采集图像信息及匹配结果信息。5.如权利要求4所述的适用于心理学的面部识别方法，其特征在于，所述图像处理模块处理方法如下：首先，通过分割模块将待处理图像进行图像分割，得到人像图像；其次，对所述人像图像进行人脸检测，得到人脸的下巴轮廓部分的N个特征点；然后，根据所述N个特征点以及所述待处理图像中的多个预设关键点形成一个闭合区域；最后，根据所述闭合区域对所述人像图像进行抠图处理，得到人脸区域图像。

百度查询： 衡阳师范学院 一种适用于心理学的面部识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD