一种用于人脸比对的多特征融合识别算法的制作方法

本发明涉及人脸识别计算机技术研究，具体来说，是一种用于人脸比对的多特征融合识别算法。

背景技术：

人脸识别系统以人像识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。人像识别系统具有广泛的应用：人像识别出入管理系统、人像识别门禁考勤系统、人像识别监控管理、人像识别电脑安全防范、人像识别照片搜索、人像识别来防登记等等。

中国学位论文文摘数据库，作者陈康(云南大学)发表的《贵州省公安厅人像识别综合应用系统研究与设计》，人脸识别是最近几年国际上图像处理和模式识别的研究热点之一。它有着其它生物特征识别方法所不具有的优点，已经得到了科研领域的充分重视，相关的研究成果被应用到很多领域，如罪犯身份识别、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统、驾驶执照及护照等。

本文以构建贵州省公安厅人像识别综合应用系统为课题，研究该系统的设计与实现，系统以人像识别为研究对象，把人像识别技术应用到公安行业，文中探讨了系统的总体设计目标和模式、系统的拓扑结构及应用平台、系统功能结构、信息资源结构等问题。

专利文献CN 201751901U(申请日：2010.08.19)公开了一种基于人像生物识别技术的大规模数据库人像搜索比对系统，包括人像对比服务器，所述人像对比服务器分别经脱机网络，专网或互联网和无线网络与掌上电脑，个人计算机和手机相连接，所述人像对比服务器还与数据库服务器连接，所述个人计算机还与人像采集设备相连接。

本实用新型兼容不同的图像采集设备支持有线和无线两种网络传输模式，同时连接现有各种业务人像库，可无缝链接如公安机关的现有人口综合信息系统、全国在逃人员库、公安机关布控人员库等各部门人员库，以快速查询详细资料鉴别身份，具有很高的安全性与广泛的可用性。

综上所述，国内已有人像识别系统的文献报道，但是，没有实现各种算法的统一调度、没有实现协同运行，没有发挥各种算法的长处。目前人像识别系统没有形成学习样本库，下次比对运用时，不会改变调整算法实际运用权重，由于人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人像识别还受光照条件(例如白天和夜晚，室内和室外等)、人脸的很多遮盖物(例如口罩、墨镜、头发、胡须等)、年龄等多方面因素的影响，因此，现有的人像识别系统造成准确性低、实战效果差。

技术实现要素：

本发明目的是旨在提供一种对每次计算运用结果进行记录，统计实战效果，并根据效果调整各种算法运用权重，从而可实现对各种算法的统一调度、协同运行，发挥各种算法的长处、解决单算法比对准确性低、实战效果差等难题的一种用于人脸比对的多特征融合识别算法。

为实现上述技术目的，本发明采用的技术方案如下：

一种用于人脸比对的多特征融合识别算法，包括模板数据库和学习样本库，所述模板数据库对不同业务模块配置一种或多种算法进行建模、比对、识别应用的能力；分别设定算法权重、分值和结果合并规则，得到最终识别分值，同时储存到学习样本库；

所述学习样本库针对训练样本库和实际应用比对结果的命中进行统计学习，动态调整各算法权重；最终根据结果合并规则对多种算法的识别结果进行去重、排序、分类；所述模板数据库包括人脸数据采集模块、人脸特征采集模块、人脸特征识别算法模块、人脸识别分值模块、多分类器融合模块；

S1，从人脸图像提取的数据导入人脸数据采集模块，不同的数据分别进入不同的人脸特征采集模块；

S2，接着不同的人脸特征采集模块分别送入人脸特征识别算法模块，然后分别送入人脸识别分值模块，得到识别分值；

S3，将得到的单个特征的识别分值同时送入到多分类器融合模块进行分类器融合，进行加权和，得到最终识别分值。

进一步限定，所述人脸数据采集模块从人脸图像提取的数据有人脸灰度数据、人脸皮肤纹理数据和人脸形状数据；

所述人脸特征采集模块从人脸数据采集模块提取的数据有灰度纹理特征、皮肤纹理特征和形状特征；

所述人脸特征识别算法模块分别计算的数据有灰度纹理特征识别算法、皮肤纹理特征识别算法、形状特征识别算法；

所述人脸识别分值模块分别识别数据，将得到的单个特征的识别分值同时送入到多分类器融合模块进行分类器融合。

优选的，所述人脸数据采集模块从人脸图像提取的人脸灰度数据，该灰度纹理特征不是图像原始灰度值，而是图像经过Gabor滤波器滤波后提取出来的特征。

优选的，所述人脸数据采集模块从人脸图像提取的人脸皮肤纹理数据，将人脸图像分块，对每个图像块采用LBP纹理提取算子提取皮肤纹理特征，将各图像块提取到的皮肤纹理特征拼接起来形成皮肤纹理特征。

优选的，所述人脸数据采集模块从人脸图像提取的人脸形状数据，采用SIFT特征提取算子从特征点中提取SIFT特征。

进一步限定，所述人脸识别分值模块采用的识别分值可以是特征间的欧氏距离或者Bayes距离。

进一步限定，S2中，不同的人脸特征采集模块还会送入多特征融合识别算法，得到识别分值；将得到的单个特征的识别分值和多特征融合识别得到的识别分值同时送入到多分类器融合模块进行分类器融合，进行加权和，得到最终识别分值。

进一步限定，所述人脸灰度数据是从人脸图像中采用Gabor滤波器提取；二维Gabor滤波器的冲激响应函数与哺乳动物的视皮层中简单型细胞对图像信号的响应非常相似，用Gabor滤波器提取采样点周围不同方向、不同尺度内的频率信息作为采样点的表征；对应于人脸识别技术，模拟感兴趣区域内视觉突触的数量的是在人脸区域内的采样点数目。

进一步限定，所述人脸皮肤纹理数据，将人脸图像分块，对每个图像块采用LBP纹理提取算子提取皮肤纹理特征，将各图像块提取到的皮肤纹理特征拼接起来形成皮肤纹理特征，然后采用LDA变换进行降维，得到降维后的皮肤纹理特征。

进一步限定，所述人脸形状数据，采用点对比较特征和随机森林分类器先从人脸图像中提取关键的特征点，这些特征点包括人脸轮廓、眼睛轮廓、眉毛、鼻尖、嘴巴位置，在得到这些特征点位置后，人脸形状特征可以利用特征点间的几何位置关系以及特征点附件小图像块上的纹理数据来计算，在本算法中，我们基于SIFT特征提取算子从特征点中提取SIFT特征。

本发明相比现有技术，第一，基于“模板+学习”的各种人像识别算法调度技术，通过对业务模块配置算法，设定算法权重、分值和结果合并规则等，形成调度模板，并对计算比对效果进行统计分析，形成学习样本库，下次比对运用时将自动调整算法实际运用权重，从而实现对不同厂家人像识别算法进行最优化的调用。

第二，基于统一接口技术的各种人像识别算法应用集成方法，根据用户实战应用特点，提出了标准化规范化的应用流程，统一了对各种算法的维护管理接口，统一了上层各业务模块验证方法、应用接口，实现可用于外部应用系统的接入组件，能够实现与公安现有人口信息系统、出入境管理系统等应用系统快速集成。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明；

图1为本发明一种用于人脸比对的多特征融合识别算法核心算法技术路线图；

图2为本发明人脸特征采集算法Gabor滤波器示意图；

图3为本发明人脸特征采集算法Gabor特征示意图；

图4为本发明人脸特征采集算法幅值特征编码示意图；

图5为本发明人脸特征采集算法幅值相位融合特征编码示意图；

图6为本发明人脸特征比对算法分级比对图；

图7为本发明人脸特征比对算法自适应局部区域扰动比对图；

图8为本发明人脸特征比对算法相似度优选图；

图9为本发明人脸特征融合处理流程图。

具体实施方式

为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。

如图1所示，

实施例一

如图1所示，一种用于人脸比对的多特征融合识别算法，包括模板数据库和学习样本库，模板数据库对不同业务模块配置一种或多种算法进行建模、比对、识别应用的能力；分别设定算法权重、分值和结果合并规则，得到最终识别分值，同时储存到学习样本库；

学习样本库针对训练样本库和实际应用比对结果的命中进行统计学习，动态调整各算法权重；最终根据结果合并规则对多种算法的识别结果进行去重、排序、分类；模板数据库包括人脸数据采集模块、人脸特征采集模块、人脸特征识别算法模块、人脸识别分值模块、多分类器融合模块；

S1，从人脸图像提取的数据导入人脸数据采集模块，不同的数据分别进入不同的人脸特征采集模块；

S2，接着不同的人脸特征采集模块分别送入人脸特征识别算法模块，然后分别送入人脸识别分值模块，得到识别分值；

S3，将得到的单个特征的识别分值同时送入到多分类器融合模块进行分类器融合，进行加权和，得到最终识别分值。

人脸数据采集模块从人脸图像提取的数据有人脸灰度数据、人脸皮肤纹理数据和人脸形状数据；

人脸特征采集模块从人脸数据采集模块提取的数据有灰度纹理特征、皮肤纹理特征和形状特征；

人脸特征识别算法模块分别计算的数据有灰度纹理特征识别算法、皮肤纹理特征识别算法、形状特征识别算法；

人脸识别分值模块分别识别数据，将得到的单个特征的识别分值同时送入到多分类器融合模块进行分类器融合。

人脸数据采集模块从人脸图像提取的人脸灰度数据，该灰度纹理特征不是图像原始灰度值，而是图像经过Gabor滤波器滤波后提取出来的特征。

人脸数据采集模块从人脸图像提取的人脸皮肤纹理数据，将人脸图像分块，对每个图像块采用LBP纹理提取算子提取皮肤纹理特征，将各图像块提取到的皮肤纹理特征拼接起来形成皮肤纹理特征。

人脸数据采集模块从人脸图像提取的人脸形状数据，采用SIFT特征提取算子从特征点中提取SIFT特征。

人脸识别分值模块采用的识别分值可以是特征间的欧氏距离或者Bayes距离。

实施例二

如图1所示，一种用于人脸比对的多特征融合识别算法，包括模板数据库和学习样本库，模板数据库对不同业务模块配置一种或多种算法进行建模、比对、识别应用的能力；分别设定算法权重、分值和结果合并规则，得到最终识别分值，同时储存到学习样本库；

学习样本库针对训练样本库和实际应用比对结果的命中进行统计学习，动态调整各算法权重；最终根据结果合并规则对多种算法的识别结果进行去重、排序、分类；模板数据库包括人脸数据采集模块、人脸特征采集模块、人脸特征识别算法模块、人脸识别分值模块、多分类器融合模块；

S1，从人脸图像提取的数据导入人脸数据采集模块，不同的数据分别进入不同的人脸特征采集模块；

S2，接着不同的人脸特征采集模块分别送入人脸特征识别算法模块，然后分别送入人脸识别分值模块，得到识别分值；同时，不同的人脸特征采集模块还会送入多特征融合识别算法，得到识别分值；将得到的单个特征的识别分值和多特征融合识别得到的识别分值同时送入到多分类器融合模块进行分类器融合，进行加权和，得到最终识别分值。

S3，将得到的单个特征的识别分值同时送入到多分类器融合模块进行分类器融合，进行加权和，得到最终识别分值。

人脸数据采集模块从人脸图像提取的数据有人脸灰度数据、人脸皮肤纹理数据和人脸形状数据；

人脸特征采集模块从人脸数据采集模块提取的数据有灰度纹理特征、皮肤纹理特征和形状特征；

人脸特征识别算法模块分别计算的数据有灰度纹理特征识别算法、皮肤纹理特征识别算法、形状特征识别算法；

人脸识别分值模块分别识别数据，将得到的单个特征的识别分值同时送入到多分类器融合模块进行分类器融合。

人脸数据采集模块从人脸图像提取的人脸灰度数据，该灰度纹理特征不是图像原始灰度值，而是图像经过Gabor滤波器滤波后提取出来的特征。

人脸数据采集模块从人脸图像提取的人脸皮肤纹理数据，将人脸图像分块，对每个图像块采用LBP纹理提取算子提取皮肤纹理特征，将各图像块提取到的皮肤纹理特征拼接起来形成皮肤纹理特征。

人脸数据采集模块从人脸图像提取的人脸形状数据，采用SIFT特征提取算子从特征点中提取SIFT特征。

人脸识别分值模块采用的识别分值可以是特征间的欧氏距离或者Bayes距离。

人脸灰度数据是从人脸图像中采用Gabor滤波器提取；二维Gabor滤波器的冲激响应函数与哺乳动物的视皮层中简单型细胞对图像信号的响应非常相似，用Gabor滤波器提取采样点周围不同方向、不同尺度内的频率信息作为采样点的表征；对应于人脸识别技术，模拟感兴趣区域内视觉突触的数量的是在人脸区域内的采样点数目。

人脸皮肤纹理数据，将人脸图像分块，对每个图像块采用LBP纹理提取算子提取皮肤纹理特征，将各图像块提取到的皮肤纹理特征拼接起来形成皮肤纹理特征，然后采用LDA变换进行降维，得到降维后的皮肤纹理特征。

人脸形状数据，采用点对比较特征和随机森林分类器先从人脸图像中提取关键的特征点，这些特征点包括人脸轮廓、眼睛轮廓、眉毛、鼻尖、嘴巴位置，在得到这些特征点位置后，人脸形状特征可以利用特征点间的几何位置关系以及特征点附件小图像块上的纹理数据来计算，在本算法中，我们基于SIFT特征提取算子从特征点中提取SIFT特征。

实施例一和实施例二的区别在于，相对实施例一来说，实施例二中，S2，不同的人脸特征采集模块还会送入多特征融合识别算法，得到识别分值；将得到的单个特征的识别分值和多特征融合识别得到的识别分值同时送入到多分类器融合模块进行分类器融合，进行加权和，得到最终识别分值。对人像识别算法进行最优化的调用，提高识别的准确性以及实战效果。

需要说明的是，人脸特征采集算法，

如图2，图3，图4，图5所示，局部分块Gabor幅值、相位LBP特征(Local Patterns of Gabor Magnitude and Phase)。此方法利用Gabor特征对光照、姿态的鲁棒性。提取人脸不同尺度，不同方向的幅值特征和相位特征，这些特征表征了人脸的纹理信息。并采用分块技术，对这些特征编码。

人脸特征比对算法，

(1)分级比对(Cascade)

如图6所示，采用分级比对技术，上一级的比对结果作为下一级的比对范围，一级一级逐层缩小比对范围。并且，每一级所使用的分类器关注的特征的重点不同。对于第一级采用金字塔型特征中的塔顶特征，及宏观特征，而第三级所使用的分类器采用的是金字塔型特征中的塔底特征，及微观特征。这种分级比对技术符合生物识别的识别过程，所以大大提升识别精度。

(2)自适应局部区域扰动比对技术

如图7所示，由于每个人脸部器官的拓扑结构不同，所以用统一的眼睛定位矫正技术并不能满足器官定位的要求。我们采用各个器官在它的领域内扰动自适应匹配比对技术。

(3)相似度优选

如图8所示，多近邻相似度模型(MNSM：Multiple Neighborhood Similarities Model)。与比对对像是同一人的照片相似度尽可能高，与比对对像非同一人的照片相似度尽可能低在照片比对的实际操作中有很大的优势，不但可以提高系统的精度，而且大大减少工作人员的工作量。我们采用了多近邻相似度模型，结合一个自适应的参照相似度队列，采用局部敏感哈希列表(LSH:Locality Sensitive Hashing)和最邻近法(NN：Nearest-Neighbor)将相似度队列切分、分级拉伸，最后形成两组相似度队列。使得“本人”相似度队列和“非本人”相似度队列分割开，并且“本人”相似度队列中的相似度值远高于“非本人”相似度队列中的相似度值。

人脸特征融合处理流程，

如图9所示，平台采用业务中间件的方式对不同业务模块配置一种或多种算法进行建模、比对、识别等应用的能力，可分别设定算法权重、分值和结果合并规则。采用4个算法接口，实现多算法应用接口引擎，提供可用于外部应用系统的DLL、COM控件及Web Service等多种接入组件，实现了与公安现有人口信息系统、出入境管理系统等应用系统集成整合。尤其需要指出的是，本技术方案脸特征融合处理通过开始-判断-状态-接口-算法返回-多算法融合-返回结果，其中利用融合处理模块(即多分类器融合模块)，根据结果合并规则对多种算法的识别结果进行去重、排序、分类，并储存数据到数据库模块，接着送入学习样本库，以便针对训练样本库和实际应用比对结果的命中进行统计学习，动态调整各算法权重。

以上对本发明提供的一种用于人脸比对的多特征融合识别算法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。