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θi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θi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。