基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法

2023-09-19 03:02:45

專利名稱：基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法
技術領域：
本發明涉及一種基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法，屬於計算機視 覺中的智能監控技術，特別是人臉識別技術。
背景技術：
隨著監控視頻技術的廣泛應用，越來越需要監控視頻系統具有視頻人臉識別功能以便能 夠在線實時的進行視頻人臉檢索。其具體表現為對監控視頻能夠實現逐幀地進行目標人員 識別，並將識別結果和對應的圖像以索引的形式加以保存。當用戶需要了解特定目標的活動 軌跡時，將所有相關圖像調出給用戶查看，以人工參與的方式理解目標行為。
但是由於在監控視頻中，存在著一些人員可能僅在小段時間內出現，與視頻的海量數據 相比，其中包含這些人員的有關圖像數量可能較少。因此如果在大量的視頻樣本中要把少量 的目標人員樣本使用聚類算法來進行視頻的可靠標記的視頻標記算法提出了挑戰，並且目前 的視頻人臉標記算法的確很難滿足對於有些人員在小段時間內出現並對其進行精確標記的精 度要求。此外監控視頻系統應當具有在線和離線辨認目標人臉的功能，而基於視頻的人臉識 別算法正好能滿足這個要求。因此，監控視頻中的人臉檢索可採用視頻中的人臉識別方法去 解決。
為了提高監控視頻人臉檢索的性能，需要對視頻進行訓練得到目標人臉的表示模型。因 為視頻中包含了豐富的人臉模式信息，因此基於視頻建模可以提高人臉表示模型的準確性。 現有的對訓練視頻進行人臉建模有在線學習方式和離線學習方式，在線學習的過程如下所示 迅速檢測訓練視頻中的每一幀圖像中出現的人臉模式並對之學習。學習完單之後丟棄當前幀， 然後對下一幀圖像進行處理。在線學習方式相比於離線學習方式不僅能以模型更新的方式保 證模型的正確性，還能節約大量的存儲空間。因此得到了較好的應用，現有的基於在線學習 方法得到訓練視頻模型的應用主要有K.C丄ee和X丄iu。下面分別對於K.C丄ee和X丄iu的 思想進行介紹。
K.C丄ee等人使用單初始模型檢測人臉，並學習檢測到的樣本，使初始模型最終進化為 人臉類別模型。初始模型通過監督學習的方式獲得，由固定數目的姿態子流形所組成，每個 子流形採用PCA子空間建模。在樣本的學習過程中，首先利用初始模型檢測人臉，並判斷樣 本的姿態，然後通過局部線性映射合成其他姿態下的虛擬樣本，通過對這些樣本的學習來調 整初始模型參數，最終得到與初始模型形式完全相同的人臉類別模型。
X丄iu等人他們採用HMM(Hidden Markov Model,隱馬爾可夫模型)模型為視頻序列
5建模。在訓練階段，通過監督學習的方法得到各訓練序列的HMM模型。在識別階段，根據 測試序列相對Gallery庫中各HMM模型的置信度，使用整個測試序列更新目標HMM模型。 在使用有監督的在線學習方式得到訓練視頻模型的思想的基礎上，K.C丄ee和X丄iu等 的方法所建立的訓練模型有較好的人臉識別和檢索的效果。但是他們的模型還是有值得改進 的地方(1)他們的模型是一個基於有監督學習的模型訓練框架，需要用戶參與，而建立一 個完全基於非監督學習的模型訓練框架，可以進行自主學習，並且初始模型可以根據訓練序 列的空間分布進化為形式不同的類別模型，更能符合監控視頻中人臉識別與檢索的要求。(2) K.C丄ee的方法採用固定數目的子空間表示視頻人臉流形，這個並不能很好的擬合空間數據 的分布情況。因此使用GMM人臉識別模型來創建人臉識別的初始模型，相對於以上K.C丄ee 等人使用單初始模型檢測人臉和X丄iu等人他們釆用HMM模型為視頻序列建模。初始的人 臉識別模型(GMM)利用了多個單高斯分布的線性組合來描述觀測數據在特徵空間中的分布。 GMM是一種基於多變量的參數化混合模型。它利用了多個單高斯分布的線性組合來描 述觀測數據在特徵空間中的分布。給定觀測數據5和模型義/，觀測數據屬於^莫型的概率為
卿^I義,)^X乖〃丄) (1)
式l中JV(5/^,^)表示均值為/^，方差為&的多維正態分布，f為觀測數據，/為高 斯混合模型的個數，其表示該高斯混合模型G(^由/個不同的單個高斯模型所組成， 為觀
測數據5屬於第m個高斯成分的權重，並且滿足 ^o,附-i,…,/和5;c^^:i的條件。通常
採用EM算法確定GMM人臉識別模型的參數，
初始樣本假設Gw(幻=p(f I義,)表示高斯成分為/的人臉識別初始模型，並假定存在對於
人臉識別的初始模型Gw(5)， GMM初始模型G^(30建立的流程如圖1所示，首先對於樣本 數為戶(戶> 5000)的訓練樣本ft ，&，…,^J進行PCA降維處理，"為對於樣本經過PCA降維
後的樣本維數，隨後從P個樣本數據中隨機選取/個樣本作為/個高斯成分的初始化高斯均值 /V。)，並初始化人臉識別的初始模型&(巧中每個高斯成分的初始化高斯權重為"—,。)=1//。 為減小訓練數據對類別模型的影響，僅從P樣本集中挑選* << P)個隨機樣本數據計算高斯 成分的初始協方差矩陣《一)，其計算方法如公式(2)所示
1 1《 r
《附，o) = ^,race(^"^6 —附XS _附))J (2)
公式(2)中附=丄￡3 ,為所有《個隨機樣本的均值，"為對於樣本經過PCA降維後的樣本
維數，/為"維的單位矩陣。
6發明 內 容
本發明的目的是為了解決基於動態人臉識別的監控視頻系統所面臨的人臉類別模式訓練 和動態人臉識別方面存在的問題，提出了一種基於在線學習和貝葉斯推理的視頻人臉識別與 檢索方法。在訓練時，以非監督方式在線增量學習GMM模型，獲得各人臉類別表示模型。 針對每個用戶，本發明建立並實現了人臉識別初始模型，並以增量學習的方式對人臉識別初 始模型進行更新，最終得到個人特徵數據空間分布的人臉類別模型。在識別時，本發明則採 用貝葉斯推理累積視頻中的序列識別信息，並基於MAP規則得到人臉圖像的識別結果。
本發明的一種基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法，具體步驟如下
步驟一建立人臉識別模型的初始化模型。
本發明的人臉識別初始模型採用GMM人臉識別模型。
步驟二建立人臉類別模型。
當新的訓練序列到來時，對每幀圖像進行人臉檢測，並學習檢測到的人臉更新識別模型。 在完成對當前序列的處理後，由於學習了更多的人臉樣本，人臉識別模型逐步進化為反映類 別信息的人臉類別模型。
在獲得初始化人臉模型Gw(S)後，利用現有的人臉檢測箅法檢測訓練視頻每幀人臉圖像， 並利用檢測得到的訓練視頻序列，以增量學習的方式更新模型，得到人臉類別模型。
步驟三進行視頻人臉的識別與檢索。
給定測試序列和類別模型，利用貝葉斯推理過程累積視頻中的序列識別信息，按照時間 軸信息傳播身份概率密度函數，並基於MAP(Maxinmm A Posterior,最大後驗概率)規則得 到識別分數和視頻人臉識別結果。
本發明的優點在於
(1) 本發明首先建立了一個完全基於非監督方式在線增量學習GMM模型獲得人臉類
別模型而不需要通過用戶參與的監督學習訓練人臉類別模型從而提高了系統的自動化程度；
(2) 本發明的方法根據訓練序列的空間分布，初始模型可以進化為形式不同的類別模型， 即可以調節人臉類別模型的高斯混和數以更好地擬合空間數據的分布；
(3) 積累了視頻序列的識別信息，使得人臉識別的準確性得到很大的提高；
(4) 提供了一種更靈活、更準確的在線訓練與識別機制。


圖1為GMM建立模型的流程圖2為本發明的基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法的流程圖； 圖3為發明的建立人臉類別模型的流程圖； 圖4為發明的增量學習的流程7圖5為本發明的進行視頻人臉的識別與檢索的流程圖。
圖6為實施例中測試資料庫的部分樣本；
圖7為實施例中訓練資料庫的部分樣本；
圖8為實施例中識別率^與模型更新速度的關係曲線圖9為實施例中BGMM、 GMM、 PCA和NN四種方法的識別率比較圖。
具體實施例方式
下面將結合附圖和實施方式對本發明作進一步的詳細說明。
本發明的一種基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法，流程如圖2所示, 首先建立人臉識別模型的初始化模型，隨後利用新的訓練序列和人臉識別初始模型建立人臉 類別模型，最後利用貝葉斯推理過程累積視頻中的序列識別信息實現對視頻人臉的識別與檢 索。具體步驟如下
步驟一建立人臉識別模型的初始化模型。
本發明的人臉識別初始化模型採用GMM人臉識別模型，人臉識別初始化模型在數量較 少的人臉樣本集上學習獲得，並且選擇數目足夠多的高斯成分和隨機初始化均值向量，使得 人臉識別初始化模型覆蓋整個人臉空間。本發明所述的用於訓練的人臉樣本均經過PCA降維處理。
初始的人臉識別模型(GMM)利用了多個單高斯分布的線性組合來描述觀測數據在特徵 空間中的分布。其是一個完全基於非監督學習的模型訓練框架，並且根據訓練序列的空間分 布，初始模型可以進化為形式不同的類別模型，從而可以更好的擬合空間數據的分布。
廣泛的初始空間分布和少量的人臉樣本集保證了人臉識別模型在學習過程中收斂的正確 性和能在學習有限長度的序列後迅速進化為人臉類別模型。
步驟二建立人臉類別模型。
當新的訓練序列到來時，對每幀圖像進行人臉檢測，並學習檢測到的人臉來更新識別模 型。在完成對當前序列的處理後，由於學習了更多的人臉樣本，人臉識別模型逐步進化為反 映類別信息的人臉類別模型，如圖3所示，使用不同的訓練視頻序列對初始化人臉模型進行 增量學習，最後得到當前訓練視頻序列所對應的人臉類別模型，具體步驟如下
在獲得初始化人臉模型&(f)後，訓練視頻序列使用增量學習的方式對初始化的人臉模 型Gk(S)進行模型更新，從而得到人臉類別模型。假設第i個訓練視頻序列用{/, ,/,, /wh 表示。其中(/o,…,/"…/^,表示現有的人臉檢測算法檢測訓練視頻每幀人臉圖像，模型的更 浙過程可以表示為
Gw(幻④仏,…/"…,/wh ->G,(i) (3) 公式<3)中①表示增量學習，G,(f)為通過學習得到的第i個視頻序列的類別模型。本
8發明以增量學習的方式對GMM模型進行更新。
所述的增量學習的學習過程如圖4所示，其步驟如下
假定在當前視頻序列{/0，…,/f，的當前幀中，《為從當前幀A中檢測到的人臉禾莫式，利用《對初始化模型Gw (i)進行更新。
1、 採用當前訓練視頻序列訓練當前人臉模型。假定Z-l時刻的高斯混合模型為G^(f)，其對應的參數為{/,, /^,w), 6^,M)}。其中/表示該高斯混合豐莫型由/個高斯成分組成，/^,,M)表示f -1時刻第附個高斯成分的均值，表示？ -1時刻第w個高斯成分的方差， ,m)表示^ -1時刻第附個高斯成分的權重。
當學習到新的檢測到的人臉模式《時，《表示的是第i個視頻序列{/o, — ,/,,.. ./wh中/;幀中的人臉模式，可以理解為高斯混合模型《(f)中的if。
2、 計算F/在各高斯成分中的隸屬度o(^,)(F/):
W《)=、")《 ，m一(附，m)), (4)式中iV(《,/z^d,《屮))/C^)表示均值為，方差為《—d的多維正態分布。
3、 求新樣本F/當前的高斯混合模型G^—、f)中不同的高斯成分的權重並確定;^ 。
利用0(w)(《)更新學習到了新的樣本《之後，新樣本當前的高斯混合模型1 (i)中不同的髙斯成分的權重為
— 丄3 、c ,c、
a(附，O = a(w-i) + 乂w ( n--a(附，《-i)) — 乂w Y7]^ l ^
公式(5)中/^為當前高斯混合模型C^—^)更新速率，其決定了模型進化為人臉類別模型的更新的速率，如果義w設置過小，樣本的學習對模型參數的調整幾乎不產生任何影響，將不能得到正確的人臉類別模型；如果義w設置過大，樣本的學習將造成GMM模型參數的奇異性，同樣無法得到人臉類別模型。0 = ，/2為一常數，其中義的值為0.5， N的取值通過公式iV:J + dW + l)/2確定，d表示經過PCA降維之後的樣本的維數，N表示每個高斯函數需
要確定的參數數量；同時也表示為有效估計高斯函數參數，至少應該具有的訓練樣本數。
4、 判斷高斯成分的糹又重"(^)是否小於零。
比較當前高斯混合模型中所有的高斯成分的權重"(^)的值。如果《(^)<0，則表示屬
於第附個高斯成分的數據太少，不足以維持第m個高斯成分，故刪除此高斯成分，如果 ,)》0,繼續判斷當前幀是否為最後一幀，若是則結束，不是則返回到步驟1繼續進行人
臉模型的訓練。
5、 更新模型各成分的高斯權重、均值、方差。
因為《(^)<0刪除此時的高斯成分，高斯成分的總數減少一個，即/ = /-1，隨後重新歸一化不同高斯成分在新的混合模型中的權重"(W)。所述的權重"(w)的計算使用EM算法。
9相對應的更新後的第m個高斯成分的均值〃(—和方差^^)的更新形式為
f =《-〃(一) (6)
2 。(附，f)(《) "、"(附，")
"(/n，f-1)
然後使用{/，"—,0, ,),％，0}代替{/，"——D,〃(屮),^,M山並進行後續樣本的學習。其中f
表示的是當前訓練人臉樣本巧*與高斯混合模型中對應的/-1時刻的第》7個高斯成分的均值1}之間的差值。
得到更新後的高斯模型後，接著從視頻中檢測人臉再進行人臉模型的更新學習，直到將
當前視頻中的所有幀都檢測完畢，便得到了人臉識別的最終的高斯混合模型Gw(f)。
對於人臉識別的高斯混合模型G^(f)，為了擴大人臉樣本集，學習更多的類內差異和容忍人臉識別時的定位誤差，圍繞當前幀的人臉位置，生成存在定位誤差的人臉圖像，並通過鏡像操作生成相應的鏡像圖像，從而在任意時刻能學習更多的人臉樣本，保證Gw(;F)正確收斂到人臉類別模型。由於公式(4) (8)形式比較簡單，Gw(i)模型的更新過程能實時進行。另外，為了保證初始人臉識別模型能快速進化為人臉類別模型，&向的模型更新速度^必須大於特定閾值。
基於以上的在線增量學習機制，人臉識別模型逐步更新。當完成對當前序列的處理後，Gw(i)將進化為人臉類別模型。即使^(30模型與人臉類別模型差別較大，由於使用了增加學習樣本的機制，並在學習過程中，通過消除權值較小的高斯成分，使得C^(f)能收斂到正確的人臉類別模型。對應不同的訓練序列，最終學習得到的人臉類別模型包含的高斯成分數目並不一致。
步驟三進行視頻人臉的識別與檢索。
給定測試序列和類別模型，利用貝葉斯推理過程累積視頻中的序列識別信息，按照時間軸信息傳播身份概率密度函數，並基於MAP(Maximum A Posterior,最大後驗概率)規則得到識別分數，並給用戶提供視頻人臉識別結果。
根據步驟一、步驟二，分別學習/個訓練視頻，可以得到對應的人臉類別模型((^(i),…，《(巧,…,G"f》。如圖5所示，進行視頻人臉的識別與檢索具體步驟為
給定待檢索的視頻，禾,人臉檢測的方法檢測人臉圖像《，結合步驟二所得到的人臉類
別模型，禾iJ用貝葉斯推理求取關於身份變量的後驗概率，並採用MAP規則獲得當前人臉的
身份信息
= arg max1屍(*) = ;7 arg max G,.(《) (9)
10式中7為歸一化的常數。為了檢索特定目標，對視頻每幀圖像所包含的人臉進行識別。由於希望能利用視頻的歷史識別信息來提高當前幀人臉識別的正確性。監控視頻中，本發明假定在時空具有連續性的人臉樣本集合其身份變量保持不變，基於貝葉斯推理過程，可以得到身份變量的後驗概率形式
/* -argmaxpC/IF/,^,^)
=77 arg max p(7/ | i,冗") | )
( * * * (10)
=/7argmax/ (F, |1 ^—i,屍。:,一2)
=/7argmaxG, (f/) (,. |《
獲得當前人臉的身份信息^ ，給用戶提供視頻人臉識別結果。實施例
實施例的訓練資料庫由28個人的視頻組成，每個序列包括100 510幀圖像。在這些視頻中，人臉包括了各種表情和姿態的變化，姿態的變化主要體現為人臉的二維平面內旋轉和三維立體旋轉。測試資料庫由一個長約4分鐘，約2013幀圖像的監控視頻組成，共包含3個目標人員。通過人臉檢測算法檢測到2305張人臉圖像，所有樣本歸一化為60 x 60象素的圖像。圖6和圖7分別顯示了測試資料庫和訓練資料庫的部分樣本的示例樣本。
實施例中給定監控視頻和所有目標的模型，通過計算當前視頻人臉樣本屬於目標模型的概率，基於貝葉斯推理累積歷史識別信息給出識別結果。在28個視頻中，通過隨機挑選的6個序列訓練人臉樣本及其鏡像用於識別模型的初始化。雖然測試資料庫只包含3個目標人員，但總共有2305張待識別人臉圖像，且需要和28個訓練模型作比較；監控視頻中的人臉圖像僅經過人臉檢測初始定位，未做進一步歸一化，人臉的姿態和表情變化劇烈。
^是本發明中算法的重要參數，它決定了人臉識別模型的進化速度。如果義w設置過小，樣本的學習對模型參數的調整幾乎不產生任何影響，將不能得到正確的人臉類別模型；如果^設置過大，樣本的學習將造成GMM模型參數的奇異性，同樣無法得到人臉類別模型。在實施例中，其它參數設置為初始人臉識別模型的高斯成分數/ =20，人臉特徵維數為"=18。
義w取值結果如圖8所示。在圖8中，橫坐標表示模型更新速度係數;^的取值變化，縱
坐標表示人臉識別率。從圖中可以看出，在&"/500時，人臉識別模型進化速度過快，導致參數模型的協方差矩陣奇異，因此對應的人臉識別率為零。^在1/500 10—4範圍內，人臉識別率保持相對穩定。甚至義w取更小的值，識別率也下降幅度不大。
比較四種逐幀識別的人臉識別算法，即本發明所述的基於人臉類別模型和貝葉斯推理的算法(BGMM)、 GMM、 PCA和最近鄰算法(NN)。 BGMM的參數設置為初始人臉識別模型
11的高斯成分數/ = 20， PCA特徵維數J-18，模型更新速度^ =0.0005 。 GMM算法採用離線訓練的方式，在給定訓練數據的情況下，利用EM算法得到人臉類別模型。PCA算法對應的特徵維數為50。結果如圖9所示，圖9用柱狀圖表示各種方法正確識別的幀數與待識別幀數的比率，GMM， BGMM， NN和PCA的識別率分別為85.49%， 93.96%, 90.88%,68.33%,即本發明的基於人臉類別模型和貝葉斯推理的算法遠遠好於其它三種算法。
權利要求
1、一種基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法，包括步驟一建立人臉識別模型的初始化模型；所述的人臉識別初始模型採用GMM人臉識別模型；其特徵在於，還包括如下步驟，步驟二建立人臉類別模型；當新的訓練序列到來時，對每幀圖像進行人臉檢測，並學習檢測到的人臉來更新識別模型；在完成對當前序列的處理後，由於學習了更多的人臉樣本，人臉識別模型逐步進化為反映類別信息的人臉類別模型，使用不同的訓練視頻序列對人臉初始模型進行增量學習，最後通過增量學習的方式得到當前訓練視頻序列所對應的人臉類別模型；步驟三進行視頻人臉的識別與檢索；給定測試視頻序列和人臉類別模型，利用貝葉斯推理過程累積視頻中的序列識別信息，按照時間軸信息傳播身份概率密度函數，並基於MAP規則得到識別分數，並給用戶提供視頻人臉識別結果；根據步驟一、步驟二，分別學習J個訓練視頻，得到對應的人臉類別模型進行視頻人臉的識別與檢索具體步驟為給定待檢索的視頻，利用人臉檢測的方法檢測人臉圖像結合步驟二所得到的人臉類別模型，利用貝葉斯推理求取關於身份變量的後驗概率，並採用MAP規則獲得當前人臉的身份信息式中η為歸一化的常數；監控視頻中，假定在時空具有連續性的人臉樣本集合中其身份變量保持不變，基於貝葉斯推理過程，得到身份變量的後驗概率形式獲得當前人臉的身份信息i*，給用戶提供視頻人臉識別結果。
2、 根據權利要求1所述的基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法，其特徵 在於步驟二所述的增量學習，其步驟如下假定在當前視頻序列{/ ), ,/,， ■ 的當前幀中，《為從當前幀中檢測到的人臉模式，利用《對初始化模型Q(30進行更新；(1) 釆用當前訓練視頻序列訓練當前人臉模型;假定卜l時刻的高斯混合模型為GJT1②， 其對應的參數為仏"(^),/V,-d，《^));其中/表示該高斯混合模型由/個高斯成分組成，表示卜1時刻第m個高斯成分的均值，《m")表示卜1時刻第w個高斯成分的方差， 表示卜1時刻第^個高斯成分的權重； 當學習到新的檢測到的人臉模式《時，芍表示的是第i個視頻序列{/, ■ ,/,,中厶 幀中的人臉模式，理解為高斯混合模型G,(f)中的S;(2) 計算i^在各高斯成分中的隸屬度o(^,)(i^):W《)=^W"《/W,)，^m—d), (3) 式中A^r,/z(^),《^))/G(f)表示均值為〃d)，方差為的多維正態分布；(3) 求新樣本F/當前的高斯混合模型(^—i②中不同的高斯成分的權重並確定^ ;利用0<(《)更新學習到了新的樣本《之後，新樣本《當前的高斯混合模型Gf (3f) 中不同的高斯成分的禾又重為formula see original document page 3(4)公式(5)中^為當前高斯混合模型GJj—、5)更新速率，其決定了模型進化為人臉類別模 型的更新的速率；C二抓/2為一常數，其中A的值為0.5， N的取值通過公式 JV二c + rf^ + l)/2確定，d表示經過PCA降維之後的樣本的維數，N表示每個高斯函數需要確定的參數數量；同時也表示為有效估計高斯函數參數，至少應該具有的訓練樣本數；(4) 判斷高斯成分的權重"(^)是否小於零；比較當前高斯混合模型中所有的高斯成分的權重"(^)的值，如果"( ^)<0，則表示屬於第附個高斯成分的數據太少，不足以維持第附個高斯成分，故刪除此高斯成分，如果 aK,)20，繼續判斷當前幀是否為最後一幀，若是則結束，不是則返回到步驟(1)繼續進行人臉模型的訓練；(5) 更新模型各成分的高斯權重、均值、方差； 因為a(^)〈0刪除此時的高斯成分，高斯成分的總數減少一個，即/ = /-1,隨後重新歸一化不同高斯成分在新的混合模型中的權重"(w);所述的"(w)的計算使用EM算法來進行 計算；相對應的更新後的第m個高斯成分的均值和方差A^)和^^)的更新形式為formula see original document page 3 (5)formula see original document page 3 (6)然後使用{/,"(附，,), ,),％，0}代替仏"(附，卜d , ,M)}，並進行後續樣本的學習；其中^ 表示的是當前訓練人臉樣本《與高斯混合模型中對應的f-l時刻的第w個高斯成分的均值 /^,M)之間的差值；得到更新後的高斯模型，隨後接著從視頻中檢測人臉再進行人臉模型的更新學習，直到 將當前視頻中的所有幀都檢測完畢，隨後便得到了人臉識別的最終的高斯混合模型(^(:0 。
全文摘要
本發明公開了一種基於在線學習和貝葉斯推理的視頻人臉識別與檢索方法，包括以下步驟步驟一建立人臉識別模型的初始化模型。人臉識別初始模型採用GMM人臉識別模型。步驟二建立人臉類別模型。使用增量學習的方式對初始化的人臉模型進行模型更新。步驟三進行視頻人臉的識別與檢索。給定測試序列和類別模型，利用貝葉斯推理過程累積視頻中的序列識別信息，按照時間軸信息傳播身份概率密度函數，並基於MAP規則得到識別分數，並給用戶提供視頻人臉識別結果。本發明建立了一個完全基於非監督學習的模型訓練框架，根據訓練序列的空間分布，初始模型進化為形式不同的類別模型，通過調節人臉類別模型的高斯混和數以更好地擬合空間數據的分布。
文檔編號G06K9/00GK101464950SQ20091007712
公開日2009年6月24日 申請日期2009年1月16日 優先權日2009年1月16日
發明者李江偉, 王蘊紅, 苟高鵬 申請人:北京航空航天大學