一种基于人脸识别的车辆防盗系统的制作方法

本发明涉及车辆防盗技术领域，具体涉及一种基于人脸识别的车辆防盗系统。

背景技术：

相关技术中的车辆防盗系统，主要利用机械式防盗装置或者电子式防盗装置锁住汽车上的某一机构，使其不能发挥应有的作用以达到防盗的目的。但机械式和电子式防盗装置均存在只要通过钥匙便可启动汽车的缺点，当钥匙被盗，车辆的防盗系统将被破解。

相关技术中，采用对人脸图像进行预处理的方式获取质量更高的图像信息。对人脸图像进行预处理，可以消除在传输的过程中产生的噪声，同时突显人脸图像的边缘信息，提高了人脸图像的质量。目前，形态成分分析(mca)是一种基于稀疏表示的图像分解方法。该方法的思想是假设图像的每一个原信号，在合适的自殿下都有相对应的一个稀疏向量，且该字典对其他的内容不具有稀疏性。在稀疏分解中，采用匹配跟踪算法获得图像稀疏的表示，并且从一个冗余的字典中选择出最适合当前待分解图像的原子集合，并根据该集合将图像进行分解。该图像分解方法对图像的预处理有着良好的效果。

相关技术中，采用对人脸图像的纹理特征提取的方式来获取人脸特征。通过纹理特征描述人脸特征，可以避免颜色或者亮度变化对人脸图像的干扰，提高人脸特征获取的准确度。目前，局部二值模式(lbp)纹理特征提取算法在人脸识别算法中起到了显著的作用，有着计算简单的优点，但lbp算法在光照变化不均匀的情况下，其纹理特征描述能力会急剧下降。

技术实现要素：

针对上述问题，本发明旨在提供一种基于人脸识别的车辆防盗系统。

本发明的目的采用以下技术方案实现：

一种基于人脸识别的车辆防盗系统，包括人脸图像采集模块、人脸图像处理模块、人脸数据库和点火控制模块，所述人脸采集模块用于获取人脸图像；所述人脸图像处理模块用于处理采集到的人脸图像，对人脸图像进行识别，并进行驾驶人身份判断，输出人脸图像识别结果；所述的人脸数据库用于储存被录入的人脸图像信息；点火控制模块用于控制车辆点火系统的开关。

进一步的，所述的进行驾驶人身份判断，具体包括：

将采集到的人脸图像与人脸数据库中已有的人脸图像进行比对；

当人脸图像与人脸数据库中的人脸信息匹配时，向点火控制模块发送允许启动信号。

本发明的有益效果为：采用基于人脸识别的方式进行驾驶员身份认证，提高了车辆的防盗性能。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的框架结构图；

图2是本发明人脸图像处理模块的框架结构图。

附图标记：

人脸图像采集模块1、人脸图像处理模块2、人脸数据库3、点火控制模块4、人脸图像预处理单元20、人脸图像检测分割单元21、人脸图像特征提取单元22、人脸图像匹配单元23、判断单元24。

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，本实施例的一种基于人脸识别的车辆防盗系统，包括人脸图像采集模块1、人脸图像处理模块2、人脸数据库3和点火控制模块4，所述人脸采集模块1用于获取人脸图像；所述人脸图像处理模块2用于处理采集到的人脸图像，对人脸图像进行识别，并进行驾驶人身份判断，输出人脸图像识别结果；所述的人脸数据库3用于储存被录入的人脸图像信息；点火控制模块4用于控制车辆点火系统的开关。

优选地，所述的人脸图像采集模块1包括摄像头和补光灯；所述的摄像头用于采集人脸图像，所述的补光灯用于在光线不足时补光。

优选地，所述的摄像头采用带led灯补光的ccd摄像头。

优选地，参见图2，所述的人脸图像处理模块2包括依次链接的人脸图像预处理单元20、人脸图像检测分割单元21、人脸图像特征提取单元22、人脸图像匹配单元23和判断单元24；

所述的人脸图像预处理单元20用于对采集的人脸图像进行预处理；

所述的人脸图像检测分割单元21用于对预处理后的人脸图像进行图像边缘检测和分割处理，获取人脸图像的人脸特征部分；

所述的人脸图像特征提取单元22用于对人脸图像的人脸特征部分进行人脸特征提取；

所述的人脸图像匹配单元23用于将人脸图像的人脸特征与人脸数据库中已有的人脸图像的人脸特征进行比对，输出比对的结果；

所述的判断单元24用于将比对的结果与设定的阈值进行比较，当对比的结果大于设定的阈值的时候，输出对比结果为匹配，并向点火控制模块发送允许启动信号。

本发明上述实施例，采用基于人脸识别的方式进行驾驶员身份认证，提高了车辆的防盗性能。

优选地，所述的人脸图像预处理单元21，对人脸图像进行预处理，包括：

(1)利用形态成分分析(mca)分解方法对采集的人脸图像进行分解，得到人脸图像的平滑部分和细节部分；

(2)对于每个细节部分ki，按照下列除噪声公式进行除噪，定义除噪声公式为：

式中，k‘i(m,n)是第i个细节部分像素点(m,n)的像素值，i＝1，2，…n，n表示细节部分的数量，ki(m-r,n-s)表示第i个细节部分像素点(m-r,n-s)的像素值，r和s分别表示平面内像素点(m-r,n-s)与像素点(m,n)的水平距离和垂直距离，r,s∈[-op,op]，op表示设定的除噪因子，p(m-r,n-s)表示除噪时像素点(m-r,n-s)对像素点(m,n)的像素值的影响因子，ι表示像素点(m,n)与(m-r,n-s)的欧氏距离，σd和σc分别表示所有像素点(m-r,n-s)与像素点(m,n)的距离和灰度值差的标准偏差，q(m,n)和q(m-r,n-s)分别表示像素点(m,n)和(m-r,n-s)的灰度值，μk表示设定的灰度比重；

(3)将处理过的细节部分与图像的平滑部分进行图像重构，得到预处理后的人脸图像；

其中，形态成分分析(mca)是一种基于稀疏表示的图像分解方法。该方法的思想是假设图像的每一个原信号，在合适的字典下都有相对应的一个稀疏向量，且该字典对其他的内容不具有稀疏性。在稀疏分解中，采用匹配跟踪算法获得图像稀疏的表示，并且从一个冗余的字典中选择出最适合当前待分解图像的原子集合，并根据该集合将图像进行分解。

本优选实施例，设置人脸图像预处理单元21，对人脸图像进行预处理，使用mca分解方法对人脸图像进行分解，重点对人脸图像的细节部分进行处理，能够有效地去除人脸图像于传输过程中产生的噪声，并且最大限度地保留了人脸图像的细节特征，提高了车辆防盗系统对驾驶员身份信息验证的准确度。

优选地，所述的对预处理后的人脸图像进行图像边缘检测和分割处理，包括：

(1)使用高斯金字塔对预处理后的人脸图像进行多尺度分离，得到不同尺度下的子图像；

(2)将每一个尺度下的子图像，使用三通道分离方法进行rgb分离，得到分离后三通道子图像，分别为r、g和b子图像；

(3)利用自定义磨光函数分别对r、g和b子图像进行磨光处理，自定义磨光函数为：

式中，u′(m,n)表示磨光处理后像素点(m,n)的灰度值，u(m-δ,n-μ)表示像素点(m-δ,n-μ)的灰度值，δ和μ分别表示平面内像素点(m-δ,n-μ)和像素点(m,n)的水平距离和垂直距离，z表示设定的磨光因子，τ表示设定的平滑因子；

(4)根据磨光处理后的子图像，计算r，g，b子图像的梯度值，采用的梯度计算公式为：

式中，t(m,n)表示像素点(m,n)的梯度值，u′(m,n)，u′(m+1,n)，u′(m,n+1)分别表示根据磨光函数计算得到的像素点(m,n)，(m+1,n)，(m,n+1)的灰度值；

(5)将r，g，b子图像的梯度值相加，得到子尺度图像的梯度值，定义梯度叠加的计算公式为：

di(m,n)＝αtr(m,n)+βtg(m,n)+γtb(m,n)

式中，di(m,n)表示第i个尺度图像像素点的梯度值，i＝1,2,3,…,g，g为设定的尺度数量，tr(m,n)，tg(m,n)，tb(m,n)分别表示根据所述的梯度计算公式计算得到的r，g，b子图像像素点(m,n)的梯度值，α，β，γ为设定权重因子，α+β+γ＝1；

(6)把每个子尺度图像对应像素点的梯度值相加，得到综合梯度值，采用的综合叠加公式为：

式中，d′(m,n)表示预处理后的人脸图像像素点(m,n)的综合梯度值，di(m,n)表示根据所述的梯度叠加公式计算得到的第i个子尺度下的子尺度图像像素点(m,n)的梯度值，σi表示第i个子尺度下的权重，i＝1,2,3,…,i，i为设定的尺度数量；

(7)将综合梯度值大于设定阈值的像素点作为边缘点，分割边缘点内的图像作为人脸图像的人脸特征部分进行进一步筛选。

本优选实施例，采用上述方式对预处理后的人脸图像进行图像边缘检测和分割处理时，对人脸图像进行多尺度下的分r、g、b通道的边缘检测处理，能够有效地解决灰度图像下丢失有用边缘信息的问题，有效地提高人脸图像的边缘检测地准确度，从而提高了人脸特征部分分割的精度，便于后续的驾驶员身份验证，提高了车辆防盗系统对驾驶员身份信息验证的准确度。

优选地，所述的人脸特征提取，包括：

(1)获取人脸图像的人脸特征部分中每个像素点的灰度值；

(2)采用自定义人脸特征值函数计算人脸特征值，自定义人脸特征值函数为：

其中，

式中，es(m,n)表示像素点(m,n)的局部灰度差异值，s(x)表示二值化函数，g(m,n)和g(m-t,n-u)分别表示像素点(m,n)和(m-t,n-u)的灰度值，t和u分别表示平面内像素点(m-t,n-u)与像素点(m,n)的水平距离和垂直距离，且需满足表示设定的距离阈值，em(m,n)表示像素点(m,n)的灰度的梯度差异值，c1表示像素点(m,n)的局部灰度差异的平均值，其中ec(m,n)表示像素点(m,n)的灰度水平，c2表示整个图像特征部分中所有像素点的灰度平均值；

(3)分别统计es、em和ec的直方图作为人脸特征。

本优选实施例，采用上述方式获取人脸特征图像的人脸特征部分的局部灰度差异的统计直方图，能够有效、准确地描述出人脸特征，其中引入了局部灰度差异的平均值作为计算人脸特征的参考因素，一定程度的减少了亮度分布不均对人脸特征提取的影响，不仅提高了车辆防盗系统的工作效率，而且使得防盗系统对驾驶员身份验证更加准确。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。