一种基于人脸识别的门镜系统及其人脸识别方法与流程

本发明涉及人脸识别技术领域，具体涉及一种基于人脸识别的门镜系统及其人脸识别方法。

背景技术：

随着视频监控技术的发展，基于视频的人脸识别已经取得良好的发展，并且在智能交通、门禁、信息安全等安保和安防领域中具有十分重要的作用。现有的视频人脸识别方法是一种视频对静态图像的识别，采用人脸视频作为输入，通过和静态图像的人脸数据库进行对比来实现识别或者验证。

传统的视频对静态图像识别的一种方法是对每一帧人脸图像采用静态人脸识别的方法来识别，最后按照概率、距离判断等方式，综合所有识别结果；另一种方法是利用视频序列生成人脸模型或者基于运动时序信息生成人脸模型的方法；上述两种方法没有有效地过滤和补偿视频里的各种人脸变化，因而视频人脸识别的鲁棒性有待提高。

将人脸识别系统应用在智能家居系统中，是现代智能家居发展的需要。在智能家居的室外机上添加人脸检测和人脸识别功能，当室外机的传感器检测到有人靠近或者有人访问时，通过室外机的摄像头获取视频流，对它持续进行人脸检测。判断人脸识别方法是否适应于智能家居系统的标准，是系统检测速度和准确度，因此，如何提高人脸识别系统的检测速度和准确度是其发展的关键。

技术实现要素：

本发明的目的在于克服现有技术存在的以上问题，提供一种基于人脸识别的门镜系统及其人脸识别方法，本发明是基于人脸识别的门镜系统，用统计的方法对人脸进行建模，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在的人脸区域，基于haar分类器的方法，计算速度较快，能够提高识别效率。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于人脸识别的门镜系统，其包括：室外机、室内机、云服务器、移动终端，所述室外机为人脸识别装置，所述室外机安装在门镜系统的入户处，所述室内机安装在室内，且与所述室外机信息交互，所述室外机获取人脸图像，并进行检测和识别，然后将识别结果输出至所述室内机，所述室内机获取的信息传输至所述云服务器，所述云服务器将信息传输至所述移动终端，

还包括入户灯，所述入户灯受所述室外机控制，所述室外机检测到人脸时，所述入户灯自动亮起；

所述室外机包括：输入图像模块、人脸检测模块、特征提取模块、人脸识别模块、结果输出模块，所述输入图像模块获取人脸视频图像，并将人脸图像传输给所述人脸检测模块；

所述人脸检测模块对人脸进行建模，比较所有待检测区域与人脸模型的匹配度，得到可能存在的人脸区域，所述人脸检测模块利用haar分类器对人脸和非人脸进行分类，在对人脸和非人脸进行分类过程中，针对不同训练集来训练弱分类器，然后将这些在不同训练集中得到的弱分类器集合起来，构造一个强分类器，其中，每一层adaboost算法训练得到一个强分类器，经过阈值调整，使得每一层能让全部人脸样本通过，每一层都拒绝非人脸样本，靠近前面的层拒绝了大部分非人脸样本，经过所述人脸检测模块检测后得到是否属于人脸的信号，并将信号传输给所述特征提取模块，所述特征提取模块提取矩形特征，然后将提取的矩形特征输送至所述人脸识别模块；

所述人脸识别模块将所述人脸检测模块检测到的人脸与人脸数据库中的人脸数据进行相似度比较，预先设置相似度阈值，当检测到的人脸与人脸数据库中的人脸数据相似度大于阈值时，识别成功；当检测到的人脸与人脸数据库中的人脸数据相似度小于阈值时，识别失败；

所述结果输出模块将所述人脸识别模块的识别结果输出至所述室内机，所述室内机根据识别结果来显示被识别的人脸是否属于人脸数据库中的人脸，自动或者人为确定是否开门。

进一步优选地，所述人脸检测模块利用haar分类器建模的方法包括：

所述特征提取模块提取人脸特征集和非人脸特征集，构造haar特征，计算人脸特征值，再提取人脸特征值，构造弱分类器；利用弱分类器和adaboost算法训练得到一个强分类器，得到人脸和非人脸的强分类器；重复训练过程，得到多个强分类器，再将多个强分类器组成级联结构。

进一步优选地，所述人脸检测模块与人脸识别模块在人脸检测和人脸识别过程中，所述人脸检测模块将检测到的人脸图像传输给所述人脸识别模块，如果所述人脸识别模块识别到人脸与人脸数据库中的人脸匹配，则将匹配正确的信号传输至所述人脸检测模块，所述人脸检测模块在未获得新的人脸图像之前，停止对人脸检测；如果所述人脸识别模块识别到人脸与人脸数据库中的人脸不匹配，则将匹配错误的信号传输至所述人脸检测模块，所述人脸检测模块循环检测。

进一步优选地，当所述室外机检测到人脸时，所述室内机没有应答，通过所述云服务器将信息发送至移动终端，同时所述云服务器将相关人脸数据记录保存。

进一步优选地，所述特征提取模块提取人脸的特征包括：低层特征、组群特征、变形模型。

进一步优选地，所述低层特征包括：灰度、纹理、颜色、运动，所述组群特征包括：特征搜索、星群分析，所述变形模块包括：弹性模板、点颁布模型、活动轮廓模型。

进一步优选地，一种人脸识别方法，包括以下步骤：

s101室外机的传感器检测到有人靠近，通过摄像头获取人脸图像的视频流；

s102室外机根据人脸的特征值，人脸检测模块在检测过程中，已经训练好的分类器用不同的尺度遍历输入的人脸图像的每一个像素，来检测不同大小的人脸，当检测到的人脸与人脸数据库里面的人脸相似度高于阈值，识别出是否是在数据库中登记记录的成员；

s103将识别结果传输至室内机；

s104当室内机没有应答时，室内机将接收到的人脸图像发送至云服务器，云服务器发送到远程的移动终端上。

本发明的有益效果是:

本发明是基于人脸识别的门镜系统，用统计的方法对人脸进行建模，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在的人脸区域，基于haar分类器的方法，计算速度较快，能够提高识别效率。

本发明的人脸识别系统主要用于小场景，比如家用的人脸识别系统一般人脸数据库中的人脸照片都是家庭成员，数据量比较小，通过室外机的摄像头检测人脸并进行人脸识别，很容易区别是否是家庭成员还是陌生人，能够起到很好的安防作用，而且当家里没人时，有陌生人来访，会主动把检测到的陌生人脸图像发送到远程移动终端(例如智能手机)上；本发明的人脸识别系统与照明系统联网，门镜系统可以感应家庭的入户灯，当检测到有人脸时，入户灯自动亮起，更加智能化，在门镜系统中设置安防报警时间，设置好一段时间之后，若此段时间内室外机的摄像头有检测到人脸，就会报警，移动终端和室内机都会收到相关信息，起到安防和监控作用。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

为了更清楚地说明本发明实施例技术中的技术方案，下面将对实施例技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的系统原理图；

图2是本发明的室外机的原理图；

图3是本发明的级联结构的原理图；

图4是本发明的特征提取模块提取人脸的特征分类图；

图5是本发明的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本实施例公开了一种基于人脸识别的门镜系统，门镜系统主要应用在智能家居系统中，在智能家居的室外机上添加人脸检测、人脸识别功能，当室外机的传感器检测到有人访问时，通过室外机的摄像头获取视频流，对其进行持续的人脸检测。

具体的，如图1中所示，该门镜系统主要包括：入户灯、室外机、室内机、云服务器、移动终端，上述室外机为人脸识别装置，上述室外机安装在门镜系统的入户处，上述室内机安装在室内，且与上述室外机信息交互，上述室外机获取人脸图像，并进行检测和识别，然后将识别结果输出至上述室内机，上述室内机获取的信息传输至上述云服务器，上述云服务器将信息传输至上述移动终端，入户灯受上述室外机控制，上述室外机检测到人脸时，上述入户灯自动亮起，入户灯可以根据室内机的设置闪烁警告，或者变化不同的颜色。

当上述室外机检测到人脸时，上述室内机没有应答，通过上述云服务器将信息发送至移动终端，同时上述云服务器将相关人脸数据记录保存。

在本实施例中，上述移动终端可以是智能手机，可以是平板。

在人脸识别门镜系统中，室外机是实现人脸检测和人脸识别的主要装置，其中人脸检测的基本思想是用统计的方法对人脸进行建模，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在的人脸区域。人脸识别的基本思想是对当前检测到的人脸与之前记录在人脸数据库中的人脸数据进行相似度比较。

具体的，如图2中所示，上述室外机包括：输入图像模块、人脸检测模块、特征提取模块、人脸识别模块、结果输出模块，上述输入图像模块获取人脸视频图像，并将人脸图像传输给上述人脸检测模块。

上述人脸检测模块对人脸进行建模，比较所有待检测区域与人脸模型的匹配度，得到可能存在的人脸区域，上述人脸检测模块利用haar分类器对人脸和非人脸进行分类，在对人脸和非人脸进行分类过程中，针对不同训练集来训练弱分类器，然后将这些在不同训练集中得到的弱分类器集合起来，构造一个强分类器，其中，每一层adaboost算法训练得到一个强分类器，经过阈值调整，使得每一层能让全部人脸样本通过，每一层都拒绝非人脸样本，靠近前面的层拒绝了大部分非人脸样本，经过上述人脸检测模块检测后得到是否属于人脸的信号，并将信号传输给上述特征提取模块，上述特征提取模块提取矩形特征，然后将提取的矩形特征输送至上述人脸识别模块。

上述人脸识别模块将上述人脸检测模块检测到的人脸与人脸数据库中的人脸数据进行相似度比较，预先设置相似度阈值，当检测到的人脸与人脸数据库中的人脸数据相似度大于阈值时，识别成功；当检测到的人脸与人脸数据库中的人脸数据相似度小于阈值时，识别失败。

上述结果输出模块将上述人脸识别模块的识别结果输出至上述室内机，上述室内机根据识别结果来显示被识别的人脸是否属于人脸数据库中的人脸，自动或者人为确定是否开门。

adaboost针对不同的训练集训练同一个分类器，即弱分类器，然后把这些不同训练集上得到的分类器集合起来，构造一个更强的最终算法，得到一个强分类器。是一种由粗到细的结构，其中每一层adaboost算法训练得到一个强分类器，都经过阈值调整，使得每一层都能让全部正确的样本通过，而拒绝很大一部分非人脸样本。这样，靠前的层，拒绝了大部分非人脸样本。而且，由于前面的层使用的矩形特征数较少，计算速度较快，越往后面的层，通过候选窗口越少，尽管由于矩形特征增多，单个窗口的计算时间加长，但是由于实际检测时，在输入图像中对应着人脸的窗口非常少，所以真正引起所有层到到计算的窗口数非常少。

如图3所示，上述人脸检测模块利用haar分类器建模的方法包括：上述特征提取模块提取人脸特征集和非人脸特征集，构造haar特征，计算人脸特征值，再提取人脸特征值，构造弱分类器；利用弱分类器和adaboost算法训练得到一个强分类器，得到人脸和非人脸的强分类器；重复训练过程，得到多个强分类器，再将多个强分类器组成级联结构。

上述人脸检测模块与人脸识别模块在人脸检测和人脸识别过程中，上述人脸检测模块将检测到的人脸图像传输给上述人脸识别模块，如果上述人脸识别模块识别到人脸与人脸数据库中的人脸匹配，则将匹配正确的信号传输至上述人脸检测模块，上述人脸检测模块在未获得新的人脸图像之前，停止对人脸检测；如果上述人脸识别模块识别到人脸与人脸数据库中的人脸不匹配，则将匹配错误的信号传输至上述人脸检测模块，上述人脸检测模块循环检测。

在人脸识别过程中，一般会设置一个比较结果范围，例如(0-100)，比较结果越接近100，说明相似度越高，相反说明相似度月底，一般设置阈值为80左右，当检测到的人脸与人脸数据库里面的人脸进行比较，比较结果大于80的，说明相似度比较高，可以识别出是否是家庭成员。

如图4所示，特征提取模块提取人脸的特征包括：低层特征、组群特征、变形模型。上述低层特征包括：灰度、纹理、颜色、运动，上述组群特征包括：特征搜索、星群分析，上述变形模块包括：弹性模板、点颁布模型、活动轮廓模型。

实施例2

实施例2中公开了一种人脸识别方法，包括以下步骤：

s101室外机的传感器检测到有人靠近，通过摄像头获取人脸图像的视频流；

s102室外机根据人脸的特征值，人脸检测模块在检测过程中，已经训练好的分类器用不同的尺度遍历输入的人脸图像的每一个像素，来检测不同大小的人脸，当检测到的人脸与人脸数据库里面的人脸相似度高于阈值，识别出是否是在数据库中登记记录的成员；

s103将识别结果传输至室内机；

s104当室内机没有应答时，室内机将接收到的人脸图像发送至云服务器，云服务器发送到远程的移动终端上。

上述实施例中基于人脸识别的门镜系统，用统计的方法对人脸进行建模，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在的人脸区域，基于haar分类器的方法，计算速度较快，能够提高识别效率。人脸识别系统主要用于小场景，比如家用的人脸识别系统一般人脸数据库中的人脸照片都是家庭成员，数据量比较小，通过室外机的摄像头检测人脸并进行人脸识别，很容易区别是否是家庭成员还是陌生人，能够起到很好的安防作用，而且当家里没人时，有陌生人来访，会主动把检测到的陌生人脸图像发送到远程移动终端(例如智能手机)上；本发明的人脸识别系统与照明系统联网，门镜系统可以感应家庭的入户灯，当检测到有人脸时，入户灯自动亮起，更加智能化，在门镜系统中设置安防报警时间，设置好一段时间之后，若此段时间内室外机的摄像头有检测到人脸，就会报警，移动终端和室内机都会收到相关信息，起到安防和监控作用。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。