近红外人脸识别方法及装置与流程

技术特征：

1.一种近红外人脸识别方法，其特征在于，包括以下步骤：

捕捉视频帧中基于近红外的人脸图片；

利用改进的局部二值算法对所述人脸图片进行处理；

利用卷积神经网络提取所述人脸图片的特征向量，融合为人脸特征并保存；

重新提取人脸特征，与保存的人脸特征进行匹配识别。

2.根据权利要求1所述的近红外人脸识别方法，其特征在于，所述“捕捉视频帧中基于近红外的人脸图片”的步骤包括：

加载人脸检测的特征文件；

根据所述特征文件从摄像头获取视频帧；

从所述视频帧检测人脸并显示画面；

设置人脸状态标志，存在设为True，否则为False；

判断人脸状态标志是否存在，若否，则重新根据所述特征文件从摄像头获取视频帧，若是，则退出程序。

3.根据权利要求1所述的近红外人脸识别方法，其特征在于，所述“利用改进的局部二值算法对所述人脸图片进行处理”的步骤包括：

以所述人脸图片中的人脸像素为中心像素，选取阈值与相邻像素比较；

若相邻像素的灰度值小于等于中心像素的灰度值，则相邻像素标记为0，反之标记为1；

利用二进制数表示所述中心像素；

将表示中心像素的二进制数转换为十进制数。

4.根据权利要求1所述的近红外人脸识别方法，其特征在于，所述卷积神经网络包括多个卷积层和一个用于分类的Softmax层，所述“利用卷积神经网络提取所述人脸图片的特征向量，融合为人脸特征并保存”的步骤包括：

利用可见光图片训练原始的人脸识别模型，获取其模型参数；

利用所述模型参数初始化近红外人脸识别模型的参数，并使用近红外人脸图片对所述模型参数进行微调，得到基于近红外的人脸识别模型；

所述基于近红外的人脸识别模型拟合多个非线性函数，分布于所述卷积层的多个神经节点，对同一张人脸图片的特征向量进行分别提取；

将分别提取的特征向量在所述Softmax层融合为人脸特征的最终表示，并进行保存。

5.根据权利要求4所述的近红外人脸识别方法，其特征在于，所述非线性函数为其中θ_i表示第i个参数，α表示学习率，J(θ)表示深度学习的代价函数。

6.根据权利要求1所述的近红外人脸识别方法，其特征在于，所述“重新提取人脸特征，与保存的人脸特征进行匹配识别”的步骤包括：

根据所述特征向量训练分类器；

利用所述分类器对人脸特征的特征向量进行分类，计算相似度；

根据所述相似度，输出当前对象的识别结果。

7.一种近红外人脸识别装置，其特征在于，包括：

人脸采集模块，捕捉视频帧中基于近红外的人脸图片；

人脸预处理模块，利用改进的局部二值算法对所述人脸图片进行处理；

人脸特征提取模块，利用卷积神经网络提取所述人脸图片的特征向量，融合为人脸特征并保存；及

人脸识别模块，重新提取人脸特征，与保存的人脸特征进行匹配识别。

8.根据权利要求7所述的近红外人脸识别装置，其特征在于，所述卷积神经网络包括多个卷积层和一个用于分类的Softmax层，所述人脸特征提取模块包括：

第一训练单元，利用可见光图片训练原始的人脸识别模型，获取其模型参数；

初始化单元，利用所述模型参数初始化近红外人脸识别模型的参数；

微调单元，使用近红外人脸图片对所述模型参数进行微调，得到基于近红外的人脸识别模型；

提取单元，所述基于近红外的人脸识别模型拟合多个非线性函数，分布于所述卷积层的多个神经节点，对同一张人脸图片的特征向量进行分别提取；及

融合单元，将分别提取的特征向量在所述Softmax层融合为人脸特征的最终表示，并进行保存。

9.根据权利要求8所述的近红外人脸识别装置，其特征在于，所述非线性函数为其中θ_i表示第i个参数，α表示学习率，J(θ)表示深度学习的代价函数。

10.根据权利要求7所述的近红外人脸识别装置，其特征在于，所述人脸识别模块包括：

第二训练单元，根据所述特征向量训练分类器；

计算单元，利用所述分类器对人脸特征的特征向量进行分类，计算相似度；及

结果输出单元，根据所述相似度，输出当前对象的识别结果。