一种基于短视频训练法的人脸识别方法与流程
本发明涉及视频监控领域，尤其是一种基于短视频训练法的人脸识别方法。
背景技术：
身份识别问题不但是人们在日常生活中经常遇见的一个难题，而且在国防，科研，安全，智能生产等等各个方面尤为重要。作为身份识别的一个最主要分支的人脸识别技术，由于其在维护国家安全和人民生命财产安全以及在反恐、防恐中具有重要意义，一直是业界研究的热点；而随着微电子技术、计算机技术的迅猛发展，数字图象技术与模式识别学科，人工智能技术的日益完善，人脸识别技术的应用范围还在不断扩大，比如罪犯识别，安全验证，快速人数统计等等，而且在技术上与经济上已经逐步成为可能。
人脸识别一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。目前的方法主要包括：
1）模板匹配方法。存储几种标准的人脸模式，用来分别描述整个人脸和面部特征；计算输入图像和存储的模式间的相互关系并用于检测。
2）基于外观的方法。与模板匹配方法相反，从训练图像集中进行学习从而获得模型或模板，并将这些模型用于检测。
客观上由于：人脸器官的形状、尺寸、纹理、表情等变化复杂，难以用统一的模式加以描述；人脸表面存在一些附属异物，比如眼镜、耳环，化妆等；光照等成像环境变化，使图像质量相差较大；图像背景变化大等等原因，导致输入图像与模板之间匹配度差，或者训练出的人脸模型特征值偏离人脸特征，导致目前主要的人脸识别算法还不能完美适用于所有场合。
虽然随着人工智能等技术的发展，在基于正面静态人脸检测与识别、人脸特征的提取、基于多姿态的人脸识别等方面已取得了大量的成果，但目前主要的人脸识别思路都是采用识别人脸的照片进行训练，生成一个识别模型，然后利用识别模型去识别某一个人，这种识别模式的关键问题是是否有足够的人脸图片以及是否可以训练出一个高精度的人脸模型，是属于静态识别模型算法。可见，此类人脸识别处理在匹配测试图像和人脸图像时要求两者都能够精确或是接近精确的描述真实的人脸目标，一旦某一方出现误描述，就会导致人脸识别的极大误差，特别是作为目标人脸的测试图像，如果人为的被伪造，将具有极其严重的欺骗性，导致人脸识别的彻底失败，存在较为明显的不足。
专利号为201410211494.8（公开日：2017.06.13）公开了一种视频人脸识别方法，其主要公开了以下内容：s1：对视频进行人脸检测和跟踪得到人脸序列；s2：对所述人脸序列进行筛选，得到人脸典型帧集合；s3：基于正面人脸生成技术和图像超分辨率技术优化所述人脸典型帧集合，得到增强的人脸典型帧集合；s4：通过将所述增强的人脸典型帧集合与预设的静态人脸图像匹配库比对，进行人脸识别或验证。该发明的方案在很大程度上解决了单一对比准确度低，防伪性差的问题。但该方案在对图片进行训练时，需要先对图片进行优化增强：采用正面人脸生成技术矫正所述人脸典型帧集合中人脸姿态大于预定阈值二的典型帧；采用图像超分辨率技术增强所述人脸典型帧集合中人脸眼距小于60像素的典型帧的分辨率；对所述增强的人脸典型帧集合及预设的静态人脸图像匹配库进行光照预处理。则其对图像进行训练学习的基础图形已非自然的人脸图像，学习结果包含了对图像处理过程遗留的非自然人脸特征。则一方面，该额外的训练结果会影响对短视频获取的人脸图片识别验证；另一方面，增加了人脸训练学习的工作量，影响人脸验证效率。
技术实现要素：
本发明的发明目的在于：针对上述存在的问题，提供一种基于短视频训练法的人脸识别方法和系统，解决以下问题：1、解决基于单一模板匹配识别的准确度不高问题；2、解决基于训练法构建人脸模型中，构建所需要的人脸图片源需求庞大的问题；3、无需考虑外界异物对人脸的影响；4、无需对采集图像进行预处理，实现基于自然人脸图像直接进行识别，解决因预处理带来的额外特征值影响识别结果问题，和预处理带来的繁杂处理流程和降低了验证效率问题；5、避免利用照片伪造活体进行人脸识别的问题。
本发明采用的技术方案如下：
一种基于短视频训练法的人脸识别方法，包括以下步骤：
s001：为需查找人脸构建基准人脸特征矩阵；
s100：获取包含目标人脸的短视频；
s200：对所述短视频中的目标人脸进行识别和跟踪，提取若干目标人脸图片；
s300：对所述提取的若干目标人脸图片分别进行特征值提取，生成分别对应所述若干目标人脸图片的若干组目标人脸特征值；
s400：将所述若干组目标人脸特征值进行组合，生成对应所述目标人脸的目标人脸特征矩阵；
s500：将所述目标人脸特征矩阵与所述基准人脸特征矩阵进行对比，以对所述目标人脸进行验证。
上述方法中，因基于短视频对目标人脸进行图像跟踪和提取，解决了人脸图像源来源问题，同时，实现全方位对人脸进行甄别。通过直接对人脸图像进行特征值提取，无需先行增强优化图像，减少识别流程，提高了识别稳定性。通过构建特征矩阵，实现基于多人脸特征值的多方位对人脸的识别，提高人脸对比方位，从而增加识别准确性。
进一步的，上述s400具体为：
s4001：判断计划存入所述目标人脸特征矩阵的目标人脸特征值q1与目标人脸特征矩阵中的每一组目标人脸特征值的相似度；若判断出所述目标人脸特征值q1与所述目标人脸特征矩阵中的所有目标人脸特征值的相似度都处于预定阈值范围一时，则标记所述目标人脸特征值q1为有效目标人脸特征值；否则标记所述目标人脸特征值q1为无效目标人脸特征值；
s4002：将所述有效目标人脸特征值存入目标人脸特征矩阵；丢弃所述无效目标人脸特征值；
s4003：判断存入所述目标人脸特征矩阵的所述目标人脸特征值的组数是否达到预定值一；若是，则执行s500；否则，执行s4001。
该方案能设置有效的目标人脸特征矩阵，从而避免了在目标人脸特征矩阵中，存在相同/相似度过高的目标人脸特征值，导致实质方案同单一模板识别方案实质相同；或者相似度过低，导致存入非同一人的人脸特征值，而导致对识别结果的误判。同时，通过设置满足需求的预定值一，实现在搞准确率识别人脸的同时，尽可能降低目标人脸特征矩阵数，从而减小特征值提取工作量和后续对比量，提高识别效率。优选的，目标人脸特征矩阵写入最少两组目标人脸特征值，以5-7组目标人脸特征值为优选方案。
进一步的，上述s001具体为：
s0001：获取包含基准人脸的人脸数据源；
s0002：对所述人脸数据源中的基准人脸进行识别，提取若干基准人脸图片；
s0003：对所述提取的若干基准人脸图片分别进行特征值提取，生成分别对应所述若干基准人脸图片的若干基准人脸特征值；
s0004：将所述若干组基准人脸特征值进行组合，生成对应于所述基准人脸的基准人脸特征矩阵。
优选的，上述基准人脸图片至少为两张，以5-7张不同角度、不同光照的人脸图片为优选。
通过相同方法构建待查找人脸的特征矩阵，从而提高与目标人脸的匹配可靠度。通过构建基准人脸特征矩阵，全方位描述了待查找人脸的特征，从而在目标人脸仅出现短暂时间时，也能对其出现片刻提取的特征进行精确匹配，从而实现对目标匹配的精确度。
作为优选，上述人脸数据源为短视频或若干包含所述基准人脸的图片。
该方案实现基于短视频或人脸图片的特征库构建方法，实现在缺少待查找人脸短视频时，基于人脸图片的特征矩阵构建。实现多人脸源的查找。
进一步的，上述s500具体为：
s5001：将所述目标人脸特征矩阵与所述基准人脸特征矩阵进行搜索对比；（优选为矩阵交叉相乘方式搜索，以提高搜索效率）判断所述目标人脸特征值与所述基准人脸特征值之间的相似度；
s5002：根据所述目标人脸特征矩值与所述基准人脸特征值的相似度与预定值二的关系，确认对短视频中所述目标人脸的验证结果。
通过设置相似度的阈值，可快速判断出对目标人脸的识别结果，从而提高人脸识别效率。
进一步的，上述s5001具体为：
s5001a：对所述基准人脸特征矩阵和目标人脸特征矩阵做降维处理，即将每一组所述基准人脸特征值和每一组目标人脸特征值进行降维，再将降维的每一组基准人脸特征值与所述目标特征矩阵中降维的所有目标人脸特征值进行相似度对比；
s5001b：若所述目标人脸特征矩阵中，存在与所述降维的基准人脸特征值相似度超过预定值三的降维的目标人脸特征值，则判定所述降维的目标人脸特征值对应降维前的目标人脸特征矩阵为有效目标人脸特征矩阵；否则，判定所述降维前的目标人脸特征矩阵为无效目标人脸特征矩阵；
s5001c：将所述基准人脸特征矩阵与所述有效目标人脸特征矩阵进行相似度对比。
该方案通过改进矩阵之间的交叉搜索方式，极大地缩短了一对一检索所需要的时间，从而缩短了特征值对比所需时间，提高了人脸识别效率。进一步的，该方案实现先对目标人脸的粗定位，将需要识别的人脸初步定位到一定范围内，再对该范围内的人脸记性精细比对，从而明显提高人脸识别效率。在粗定位中，通过对特征值的降维对比，相对于正常特征值的对比，极大地减小了对比计算量。
上述预定值三的设定，可根据实际需求（对于人脸识别的精度要求）进行设定，不应当被理解为说明不清。
进一步的，上述s5002具体为：
s5002a：根据所述目标人脸特征值与所述基准人脸特征值的相似度，在所述相似度超过所述预定值二时，执行s5002b，否则，判定所述目标人脸特征矩阵对应的目标人脸为非待查找人脸；
s5002b：筛选出所述相似度超过预定值二的最大相似度，并对筛选出的相似度加权，得到对比结果；根据所述对比结果，按预定规则计算出可靠度；
s5002c：输出对比结果和/或可靠度。
考虑到对比过程受环境影响因素，而导致对比结果的不稳定性，上述方案根据对比的相似度加权，计算出对比结果的可靠度，从而提高对比结果的可靠性。
进一步的，上述s5002b具体为：
s50021：计算：所述基准人脸特征矩阵中与所述目标人脸特征值相似度超过预定值二的所述基准人脸特征值的组数，与所述基准人脸特征矩阵总基准人脸特征值组数的比值，并在所述比值满足预定条件时，执行s50022；否则，以每一组所述目标人脸特征矩阵中的目标人脸特征值与所述基准人脸特征矩阵中的所有基准人脸特征值的相似度最大值为对比结果和可靠度；
s50022：筛选出每一组所述目标人脸特征矩阵中的目标人脸特征值与所述基准人脸特征矩阵中的所有基准人脸特征值相似度超过预定值二的最大相似度，并根据预定权重，对筛选出的相似度加权，得到对比结果；根据所述对比结果和预定权重，按预定规则计算出可靠度。
上述方案通过对多组相似度达标的值进行筛选和加权，可进一步提高对比记过的可靠性。
作为优选，上述相似度的判断方法为：计算基准人脸特征值与目标人脸特征值的相似度
通过基于相似差距的相似度计算原则，可提高相似度计算效率，从而提高特征值的对比效率，实现人脸的快速比对。
进一步的，从短视频和人脸数据源中提取人脸图片的质量满足预定质量要求，质量计算方法为：
通过基于高质量的图片进行特征提取，可提高各特征值之间的区别度，从而明显提高人脸的识别度，提高人脸对比的准确性。
进一步的，上述从所述人脸数据源中提取的所述基准人脸图片数量要求为：
若所述人脸数据源为短视频，则从所述短视频中提取预定数量k张满足所述预定质量要求的人脸图片；
若所述人脸数据源为包含所述基准人脸的图片，则当所述包含基准人脸的图片的数量j在所述预定数量k之内时，取数量j张所述包含基准人脸的图片；当所述包含基准人脸的图片数量在所述预定数量k以上时，取数量k张包含基准人脸的图片。
作为优选，上述对包含目标人脸的短视频中目标人脸图片提取数量的要求，同上述人脸数据源为短视频时的基准人脸图片提取数量要求。
进一步的，当所述包含基准人脸的图片数量在所述预定数量k以上时，以质量由高到低的顺序取数量k张所述包含基准人脸的图片。
该方案可构建出识别度高的基准人脸特征矩阵，从而提高对目标人脸识别匹配的准确率。
为解决上述全部或部分问题，本发明提供了一种基于短视频讯列法的人脸识别系统，包括：
数据采集单元，用于采集包含目标人脸的短视频；
图像提取单元，用于从所述数据接收单元接收的所述短视频中，提取若干包含目标人脸的目标人脸图片；
人脸特征提取单元，用于提取若干所述目标人脸图片的特征值，输出分别与所述若干目标人脸图片对应的若干目标人脸特征值；
特征矩阵构建单元，用于对所述人脸特征提取单元提取的所述目标人脸特征值进行组合，生成目标人脸特征矩阵；
人脸特征库，存储有待查找人脸对应的基准人脸特征矩阵；
人脸验证单元，用于将所述特征矩阵构建单元生成的所述目标人脸特征矩阵与所述基准人脸特征矩阵进行对比，以对所述目标人脸进行验证。
进一步的，上述特征矩阵构建单元对所述目标人脸特征值进行组合的方式为：
判断所述人脸特征提取单元输出的目标人脸特征值q2与所述目标人脸特征矩阵中每一组目标人脸特征值的相似度；当判断出所述目标人脸特征值q2与所述目标人脸特征矩阵中所有目标人脸特征值的相似度处于预定阈值范围二时，接收所述目标人脸特征值q2，写入所述目标人脸特征矩阵；否则不接收所述目标人脸特征值q2；
还判断写入所述目标人脸特征矩阵中，目标人脸特征值的组数是否达到预定值a,若是，则不再接收所述人脸特征提取单元输出的目标人脸特征值。
优选的，所述预定值a为整数，且至少为2，取5-7为优选。
进一步的，上述人脸验证单元包括：
人脸匹配模块，用于将所述目标人脸特征矩阵与所述基准人脸特征矩阵进行搜索对比，判断所述目标人脸特征值与所述基准人脸特征值之间的相似度；
可靠度确定模块，用于根据所述人脸匹配模块输出的所述目标人脸特征值与所述基准人脸特征值之间的相似度，根据预存规则，计算出可靠度；
结果确认模块，用于根据所述人脸匹配模块计算的：所述目标人脸特征值与所述基准人脸特征值的相似度与预定值二的关系，和所述准确度确定模块的输出结果，输出最终对所述短视频中目标人脸的验证结果。
优选的，上述人脸特征提取单元通过卷积神经网络提取人脸图像的特征值。
进一步的，上述人脸匹配模块对目标人脸特征矩阵和基准人脸特征矩阵的对比过程为：
对所述基准人脸特征矩阵和目标人脸特征矩阵做降维处理，即将每一组所述基准人脸特征值和每一组目标人脸特征值进行降维，再将降维的每一组基准人脸特征值与所述目标特征矩阵中降维的所有目标人脸特征值进行相似度对比；
若所述目标人脸特征矩阵中，存在与所述降维的基准人脸特征值相似度超过预定值三的降维的目标人脸特征值，则判定所述降维前的目标人脸特征矩阵为有效目标人脸特征矩阵；否则，判定所述降维前的目标人脸特征矩阵为无效目标人脸特征矩阵；
将所述基准人脸特征矩阵的基准人脸特征值与所述有效目标人脸特征矩阵的目标人脸特征值进行相似度对比。此处的对比为降维前的特征值对比。
该方案实现先对目标人脸的粗定位，将需要识别的人脸初步定位到一定范围内，再对该范围内的人脸记性精细比对，从而明显提高人脸识别效率。在粗定位中，通过对特征值的降维对比，相对于正常特征值的对比，极大地减小了对比计算量。
需要说明的是，上述各预定阈值范围、各预定值或各人脸特征值后的编号，仅作为为更好表述本发明的技术特征而采用的序号表述，不特指具体的预定阈值范围、预定值或人脸特征值。
进一步的，上述可靠度确认模块计算可靠度的方式为：
根据所述人脸匹配模块输出的相似度，在所述相似度超过所述预定值b时，对超过预定值b的最大相似度加权，得到加权结果；还根据预定规则，对所述加权结果进行计算，输出可靠度。
进一步的，上述可靠度确认模块得到加权结果方式具体为：
计算：所述基准人脸特征矩阵中与所述目标人脸特征值相似度超过预定值二的所述基准人脸特征值的组数，与所述基准人脸特征矩阵总基准人脸特征值组数的比值，并在所述比值满足预定条件时，对超过预定值b的最大相似度，按预存的权重加权，得到加权结果；在所述比值不满足预定条件时，以所述基准人脸特征值中与所述目标人脸特征值相似度对比的最大值为加权结果。
进一步的，上述人脸匹配模块计算基准人脸特征值与目标人脸特征值的相似度的方式为：
进一步的，上述图像提取单元设有预定值c，当判定提取的人脸图片质量在所述预定值c之上时，判定所述提取的人脸图片发送给所述人脸特征提取单元，否则，丢弃提取的人脸图片；图片质量计算方法为：
进一步的，系统还包括：人脸数据库，存有包含待查找人脸的人脸数据源；并将所述人脸数据源发送给所述图像提取单元；
所述图像提取单元还用于：从所述人脸数据源中，提取若干包含待查找人脸的基准人脸图片；
所述人脸特征提取单元还用于：提取所述若干基准人脸图片的特征值，输出分别与所述若干基准人脸图片对应的若干基准人脸特征值；
所述特征矩阵构建单元还用于：对所述人脸特征提取单元提取的所述若干基准人脸特征值进行组合，生成基准人脸特征矩阵，并将所述基准人脸特征矩阵输出给所述人脸特征库进行存储。
作为优选，上述人脸数据源为包含待查找人脸的短视频或包含待查找人脸的若干基准人脸图片。
进一步的，上述图像提取单元实现提取所述基准人脸图片具体为：
若所述人脸数据源为短视频，则从所述短视频中提取预定数量d张图片质量在预定值c之上的基准人脸图片；
若所述人脸数据源为包含基准人脸的图片，则当所述包含基准人脸的图片的数量j在所述预定数量d之内时，将所有包含基准人脸的图片发送给所述人脸特征值提取单元；当所述包含基准人脸的图片数量在所述预定数量d以上时，取数量d张包含基准人脸的图片发送给所述人脸特征值提取单元。
作为优选，上述当所述包含基准人脸的图片数量在所述预定数量d以上时，以图片质量由高到低的顺序，取数量d张包含基准人脸的图片发送给所述人脸特征值提取单元。
进一步的，所述图像提取单元提取所述目标人脸图片的方式，同上述人脸数据源为短视频时，提取基准人脸图片的方式。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过本发明提供的方案，实现通过短视频对待识别人员进行人脸智能捕捉，增加了人脸图像的数据源；通过对人脸图像构建人脸特征值组，增加了对目标人脸特征的全面描述，提高识别结果的鲁棒性。通过预定阈值范围，对各提取的人脸特征值进行筛选，保证了人脸特征值组构建数据的区别性和有效性，从而增加识别结果的准确性。通过特征值矩阵的交叉相乘搜索方案，较传统一对一地单一逐条对比方案，极大地缩短了特征值匹配时间，从而提高匹配效率。再有，本发明采用的通过相似差距计算特征值相似度的方案，极大地降低了目标特征值与基准特征值相似度计算的难度，降低匹配工作量，提高人脸识别效率。通过特征值提取对比方案，因可采用基于神经网络的深度学习算法，可有效避免利用图片伪装活体人脸的情况。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是基于短视频训练法的人脸识别方法流程图。
图2是人脸特征矩阵构建流程图。
图3是基准人脸特征矩阵的构建流程图。
图4是目标人脸特征矩阵与基准人脸特征矩阵对比步骤流程图。
图5是目标人脸特征矩阵与基准人脸特征矩阵对比步骤中，粗定位-精定位的验证步骤流程图。
图6是可靠度计算流程图。
图7是可靠度计算方式判断流程图。
图8是基于短视频训练法的人脸识别系统结构图。
图9是人脸验证单元的结构图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书（包括任何附加权利要求、摘要）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
如图1所示，本实施例公开了一种基于短视频训练法的人脸识别方法，包括以下步骤：
s001：为需查找人脸构建基准人脸特征矩阵；
s100：获取包含目标人脸的短视频；
s200：对所述短视频中的目标人脸进行识别和跟踪，提取若干目标人脸图片；提取目标人脸图片的质量需满足预定质量要求，质量计算方法为：
s300：对所述提取的若干目标人脸图片分别进行特征值提取，生成分别对应所述若干目标人脸图片的若干组目标人脸特征值；如以基于神经网络的方法提取特征值，在水平/垂直方向对图像进行投影，然后归一化；本实施例以2dpca为例，提取图像特征值。
s400：将所述若干组目标人脸特征值进行组合，生成对应所述目标人脸的目标人脸特征矩阵；
s500：将所述目标人脸特征矩阵与所述基准人脸特征矩阵进行对比，以对所述目标人脸进行验证。
进一步的，参照附图2，本实施例具体公开了人脸特征矩阵的构建方法，即上述实施例的s400：
s4001：判断计划存入所述目标人脸特征矩阵的目标人脸特征值q1与目标人脸特征矩阵中的每一组目标人脸特征值的相似度；若判断出所述目标人脸特征值q1与所述目标人脸特征矩阵中的所有目标人脸特征值的相似度都处于预定阈值范围一（如0.5-0.95）时，则标记所述目标人脸特征值q1为有效目标人脸特征值；否则标记所述目标人脸特征值q1为无效目标人脸特征值；
s4002：将所述有效目标人脸特征值存入目标人脸特征矩阵；丢弃所述无效目标人脸特征值；
s4003：判断存入所述目标人脸特征矩阵的所述目标人脸特征值的组数是否达到预定值（如5）；若是，则执行s500；否则，执行s4001。
参照附图3，本实施例具体公开了基准人脸特征矩阵的构建方法，即上述实施例中的s001：
s0001：获取包含基准人脸的人脸数据源；该人脸数据源可为短视频或若干包含所述基准人脸的图片；
s0002：对所述人脸数据源中的基准人脸进行识别，提取若干基准人脸图片；具体的，提取的所述基准人脸图片数量要求为：若所述人脸数据源为短视频，则从所述短视频中提取预定数量u（如5张）张满足所述预定质量要求的人脸图片；若所述人脸数据源为包含所述基准人脸的图片，则当所述包含基准人脸的图片的数量v（如4张）在所述预定数量u之内时，取数量v张所述包含基准人脸的图片；当所述包含基准人脸的图片数量在所述预定数量u以上时，按质量由高到低的顺序，或者不同角度、不同光照条件，取数量u张包含基准人脸的图片。优选的，取5-7张。
s0003：对所述提取的若干基准人脸图片分别进行特征值提取，生成分别对应所述若干基准人脸图片的若干基准人脸特征值；
s0004：将所述若干组基准人脸特征值进行组合，生成对应于所述基准人脸的基准人脸特征矩阵。
优选的，上述基准人脸图片至少为两张，以5-7张不同角度、不同光照的人脸图片为优选。
该方案通过与目标人脸图像相同的训练方式，生成用于匹配的、包含同一人的若干人脸特征值的基准人脸特征矩阵，从而避免了采用不同训练法导致的同一特征点训练出不同的特征值，而影响人脸识别结果的情况。
参照附图4，本实施例具体公开了上述实施例的目标特征矩阵与基准人脸特征矩阵的相似度对比过程，即s500：
s5001：将所述目标人脸特征矩阵与所述基准人脸特征矩阵进行搜索对比；（优选为矩阵交叉相乘方式搜索，以提高搜索效率）判断所述目标人脸特征值与所述基准人脸特征值之间的相似度；
s5002：根据所述目标人脸特征矩值与所述基准人脸特征值的相似度与预定值二（如0.95）的关系，确认对短视频中所述目标人脸的验证结果。
进一步的，上述相似度的判断方法为：计算基准人脸特征值与目标人脸特征值的相似度
进一步的，参照附图5，本实施例具体公开了：对于目标特征矩阵与基准人脸特征矩阵的粗定位到精定位的对比方法，即上述s5001的具体过程：
s5001a：对所述基准人脸特征矩阵和目标人脸特征矩阵做降维处理，即将每一组所述基准人脸特征值和每一组目标人脸特征值进行降维，再将降维的每一组基准人脸特征值与所述目标特征矩阵中降维的所有目标人脸特征值进行相似度对比；本实施例基于2dpca提取图像特征值，即将图片矩阵由102*102降维到1*128，此处的降维处理通过慢速特征方差变换矩阵变换，将图像矩阵降维到1*32；再在此基础上进行特征值对比，相对于特征值1*128之间的对比，此处降维对比进行粗定位，可极大地节省运算量-根据多次测试，基于同样的硬件配置（i3处理器、2g内存），从粗定位到精定位的对比方法，查找速度达到48ms，而未做粗定位的方法，查找速度为200ms。
s5001b：若所述目标人脸特征矩阵中，存在与所述降维的基准人脸特征值相似度超过预定值三（如0.9）的降维的目标人脸特征值，则判定所述降维前的目标人脸特征矩阵为有效目标人脸特征矩阵；否则，判定所述降维前的目标人脸特征矩阵为无效目标人脸特征矩阵；
s5001c：将所述基准人脸特征矩阵与所述有效目标人脸特征矩阵进行相似度对比。此处有效目标人脸特征矩阵为正常的特征提取值组成的矩阵。
进一步的，参照附图6，对上述对比的结果处理为：
s5002a：根据所述目标人脸特征值与所述基准人脸特征值的相似度，在所述相似度超过所述预定值二（如0.95）时，执行s5002b，否则，判定所述目标人脸特征矩阵对应的目标人脸为非待查找人脸；
s5002b：筛选出所述相似度超过预定值二的最大相似度，并对筛选出的相似度加权，得到对比结果；根据所述对比结果，按预定规则计算出可靠度；
s5002c：输出对比结果和/或可靠度。
其中，参照附图7，为了进一步提高可靠度的可靠性，上述s5002b具体为：
s50021：计算：所述基准人脸特征矩阵中与所述目标人脸特征值相似度超过预定值二的所述基准人脸特征值的组数c，与所述基准人脸特征矩阵总基准人脸特征值组数m的比值（c/m），并在所述比值满足预定条件（如c/m>=0.4）时，执行s50022；否则，以每一组所述目标人脸特征矩阵中的目标人脸特征值与所述基准人脸特征矩阵中的所有基准人脸特征值的相似度最大值为对比结果和可靠度；
s50022：筛选出每一组所述目标人脸特征矩阵中的目标人脸特征值与所述基准人脸特征矩阵中的所有基准人脸特征值相似度超过预定值二的最大相似度，并根据预定权重，对筛选出的相似度加权，得到对比结果；根据所述对比结果和预定权重，按预定规则计算出可靠度。
举个例子，上述基准人脸特征值总组数m=5，相似度大于0.95的相似度组数c=2，相似度分别为0.952和0.981，c/m=0.4>=0.4，满足要求。预定权重从0.95到1之间共有4个档次[0.95,0.96]，(0.96,0.97]，(0.97,0.98]，(0.98,1.00]，权重依次为1.0，1.05，1.15，1.25，则取最大相似度0.981加权为0.981*1.25=1.23（此处取两位小数，具体使用时不做限制）则为对比结果；根据预定规则：对比结果/权重*100%=可靠度，得可靠度为：1.23*100%/1.25=98.4%。显然，基于目标人脸特征矩阵对比的可靠度越高，说明基于该目标人脸的图像查找到待查找人脸的可能性就越高。
如图8所示，本实施例公开了一种基于短视频讯列法的人脸识别系统，包括：
数据采集单元，用于采集包含目标人脸的短视频；
图像提取单元，用于从所述数据接收单元接收的所述短视频中，提取若干包含目标人脸的目标人脸图片；
人脸特征提取单元，用于提取若干所述目标人脸图片的特征值，输出分别与所述若干目标人脸图片对应的若干目标人脸特征值；如采用基于神经网络法的特征值提取方法，将图像再水平/垂直方向进行投影，再做归一化处理。本实施例采用2dpca提取图像特征值。
特征矩阵构建单元，用于对所述人脸特征提取单元提取的所述目标人脸特征值进行组合，生成目标人脸特征矩阵；
人脸数据库，存有包含待查找人脸的人脸数据源，该人脸数据源为包含待查找人脸的短视频或包含待查找人脸的若干基准人脸图片；人脸数据库还将所述人脸数据源发送给图像提取单元；所述图像提取单元还用于：从所述人脸数据源中，提取若干包含待查找人脸的基准人脸图片；所述人脸特征提取单元还用于：提取所述若干基准人脸图片的特征值，输出分别与所述若干基准人脸图片对应的若干基准人脸特征值；所述特征矩阵构建单元还用于：对所述人脸特征提取单元提取的所述若干基准人脸特征值进行组合，生成基准人脸特征矩阵，并将所述基准人脸特征矩阵输出给人脸特征库进行存储。
人脸特征库，存储待查找人脸对应的基准人脸特征矩阵；
人脸验证单元，用于将所述特征矩阵构建单元生成的所述目标人脸特征矩阵与所述基准人脸特征矩阵进行对比，以对所述目标人脸进行验证。
上述特征矩阵构建单元对所述目标人脸特征值进行组合的方式为：
判断所述人脸特征提取单元输出的目标人脸特征值q2与所述目标人脸特征矩阵中每一组目标人脸特征值的相似度；当判断出所述目标人脸特征值q2与所述目标人脸特征矩阵中所有目标人脸特征值的相似度处于预定阈值范围二时，接收所述目标人脸特征值q2，写入所述目标人脸特征矩阵；否则不接收所述目标人脸特征值q2；
还判断写入所述目标人脸特征矩阵中，目标人脸特征值的组数是否达到预定值a,若是，则不再接收所述人脸特征提取单元输出的目标人脸特征值。
优选的，所述预定值a为整数，且至少为2，取5-7为优选。
参照附图9，本实施例具体公开了上述人脸验证单元的结构，包括：
人脸匹配模块，用于将所述目标人脸特征矩阵与所述基准人脸特征矩阵进行搜索对比，判断所述目标人脸特征值与所述基准人脸特征值之间的相似度；
此处相似度计算方法为：相似度
可靠度确定模块，用于根据所述人脸匹配模块输出的所述目标人脸特征值与所述基准人脸特征值之间的相似度，根据预存规则，计算出可靠度；
结果确认模块，用于根据所述人脸匹配模块计算的：所述目标人脸特征值与所述基准人脸特征值的相似度与预定值二（如0.95）的关系，和所述准确度确定模块的输出结果，输出最终对所述短视频中目标人脸的验证结果。
上述人脸匹配模块对目标人脸特征矩阵和基准人脸特征矩阵的对比过程为：
对所述基准人脸特征矩阵和目标人脸特征矩阵做降维处理，即将每一组所述基准人脸特征值和每一组目标人脸特征值进行降维，再将降维的每一组基准人脸特征值与所述目标特征矩阵中降维的所有目标人脸特征值进行相似度对比；
若所述目标人脸特征矩阵中，存在与所述降维的基准人脸特征值相似度超过预定值三的降维的目标人脸特征值，则判定所述降维前的目标人脸特征矩阵为有效目标人脸特征矩阵；否则，判定所述降维前的目标人脸特征矩阵为无效目标人脸特征矩阵；
将所述基准人脸特征矩阵的基准人脸特征值与所述有效目标人脸特征矩阵的目标人脸特征值进行相似度对比。此处的对比为降维前的特征值对比。
具体的实施例参考上述慢速特征方差变换矩阵降维，此处不再累述。
上述可靠度确认模块计算可靠度的方式为：
根据所述人脸匹配模块输出的相似度，在所述相似度超过所述预定值b时，对超过预定值b的最大相似度加权，得到加权结果；还根据预定规则（如加权结果*100%/权重），对所述加权结果进行计算，输出可靠度。其中得到加权结果具体为：
计算：所述基准人脸特征矩阵中与所述目标人脸特征值相似度超过预定值二的所述基准人脸特征值的组数c，与所述基准人脸特征矩阵总基准人脸特征值组数m的比值（c/m），并在所述比值满足预定条件（如c/m>=0.4）时，对超过预定值b的最大相似度（如满足预定条件的相似度分别为0.952和0.981，此处取0.981），按预存的权重加权（从0.95到1之间共有4个档次[0.95,0.96]，(0.96,0.97]，(0.97,0.98]，(0.98,1.00]，其权重分别为1.0，1.05，1.15，1.25），得到加权结果（0.981*1.25=1.23）；在所述比值不满足预定条件时，以所述基准人脸特征值中与所述目标人脸特征值相似度对比的最大值为加权结果。
进一步的，上述图像提取单元设有预定值c，当判定提取的人脸图片质量在所述预定值c之上时，判定所述提取的人脸图片发送给所述人脸特征提取单元，否则，丢弃提取的人脸图片；图片质量计算方法为：
上述图像提取单元实现提取所述基准人脸图片具体为：
若所述人脸数据源为短视频，则从所述短视频中提取预定数量d张图片质量在预定值c之上的基准人脸图片；
若所述人脸数据源为包含基准人脸的图片，则当所述包含基准人脸的图片的数量j在所述预定数量d之内时，将所有包含基准人脸的图片发送给所述人脸特征值提取单元；当所述包含基准人脸的图片数量在所述预定数量d以上时，以图片质量由高到低的顺序，取数量d张包含基准人脸的图片发送给所述人脸特征值提取单元。图像提取单元提取所述目标人脸图片的方式，同人脸数据源为短视频时，提取基准人脸图片的方式。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
- 还没有人留言评论。精彩留言会获得点赞！