一種人臉識別方法及監控設備的製作方法
2023-10-05 08:23:59
一種人臉識別方法及監控設備的製作方法
【專利摘要】本發明公開了一種人臉識別方法及監控設備，用於提高人臉識別的精度及效率。所述方法包括：監控設備獲取人臉圖像數據；所述監控設備對所述人臉圖像數據進行局部線性判別分析LLDA，提取人臉特徵數據；所述監控設備根據預設的K近鄰樣本對所述人臉特徵數據進行分類識別。
【專利說明】一種人臉識別方法及監控設備
【技術領域】
[0001] 本發明涉及生物智能【技術領域】，特別涉及一種人臉識別方法及監控設備。
【背景技術】
[0002] 近些年來，安防成為越來越重要的關注點。越來越多的居民小區、幼兒園、學校、公 司及重要展會都會配備保安人員。但是由於人員數量龐大，保安人員很難記住每一個所在 區域的人員，也很難準確辨別出不是所在區域的人員。並且，外來人員混入居民小區、幼兒 園、學校、公司等處的犯罪案件屢見不鮮。所以，非常有必要利用人臉識別技術來對保障所 在區域人員的人身財產安全。
[0003] 線性判別分析（LinearDiscriminantAnalysis,LDA)是種有效的特徵提取和降 維的方法。LDA已經被成功應用於多種模式識別問題，例如人臉識別，文本識別，還有大量與 圖像相關的機器學習應用。近二十年來，提出了很多對傳統LDA的改進方法來提高其精度 和效率，大多都是僅僅利用在全局坐標系統的單獨線性轉換。這些方法在數據類別呈有相 同協方差結構的高斯分布時能夠表現的很好。
[0004] 但是，如果數據類別分布比高斯更複雜，則需要計算關聯矩陣（關聯矩陣中的每 個元素是兩個數據向量之間的距離），還要對整個訓練集生成的矩陣進行特徵分解。如果輸 入數據的維數非常大並且整個訓練集的尺寸很巨大，散點圖或者相關矩陣的維數將會非常 大，並且這些矩陣的特徵分解將會非常耗時且不可實行，這種方法需訓練所有樣本，通俗的 講就是對大量樣本的處理。傳統LDA並不適合大樣本的處理。因此，在很大程度上影響人 臉識別的精度及效率。
【發明內容】
[0005] 本發明提供了一種人臉識別方法及監控設備，用於提高人臉識別的精度及效率。
[0006] 本發明第一方面提供了一種人臉識別方法，包括：
[0007] 監控設備獲取人臉圖像數據；
[0008] 所述監控設備對所述人臉圖像數據進行局部線性判別分析LLDA，提取人臉特徵數 據；
[0009] 所述監控設備根據預設的K近鄰樣本對所述人臉特徵數據進行分類識別。
[0010] 結合本發明的第一方面，在本發明的第一方面的第一種實現方式中，所述局部線 性判別分析LLDA包括基於向量的局部線性判別分析VLLDA或基於矩陣的局部線性判別分 析MLLDA。
[0011] 結合本發明的第一方面的第一種實現方式，在本發明的第一方面的第二種實現方 式中，所述基於向量的局部線性判別分析VLLDA將所述人臉圖像數據表示為向量，所述基 於矩陣的局部線性判別分析MLLDA將所述人臉圖像數據表示為矩陣。
[0012] 結合本發明的第一方面、或第一方面的第一種實現方式、或第一方面的第二種實 現方式，在本發明的第一方面的第三種實現方式中，所述監控設備對所述人臉圖像數據進 行局部線性判別分析LLDA，提取人臉特徵數據具體包括：
[0013] 所述監控設備根據所述預設的K近鄰樣本、預設第一公式以及預設第二公式分別 計算得到所述人臉圖像數據的類內散布矩陣Sw和類間散布矩陣Sb，所述K近鄰樣本包含多 個類的訓練樣本的集合；
[0014] 所述預設第一公式為
【權利要求】
1. 一種人臉識別方法，其特徵在於，包括： 監控設備獲取人臉圖像數據； 所述監控設備對所述人臉圖像數據進行局部線性判別分析LLDA，提取人臉特徵數據； 所述監控設備根據預設的K近鄰樣本對所述人臉特徵數據進行分類識別。
2. 根據權利要求1所述的人臉識別方法，其特徵在於，所述局部線性判別分析LLDA包 括基於向量的局部線性判別分析VLLDA或基於矩陣的局部線性判別分析MLLDA。
3. 根據權利要求2所述的人臉識別方法，其特徵在於，所述基於向量的局部線性判別 分析VLLDA將所述人臉圖像數據表示為向量，所述基於矩陣的局部線性判別分析MLLDA將 所述人臉圖像數據表示為矩陣。
4. 根據權利要求1至3任一項所述的人臉識別方法，其特徵在於，所述監控設備對所述 人臉圖像數據進行局部線性判別分析LLDA，提取人臉特徵數據具體包括： 所述監控設備根據所述預設的K近鄰樣本、預設第一公式以及預設第二公式分別計算 得到所述人臉圖像數據的類內散布矩陣Sw和類間散布矩陣Sb，所述K近鄰樣本包含多個類 的訓練樣本的集合； I C1I) 所述預設第一公式為：叉=7(X'卩-m)(x》-/7? )Γ， 尺i=\ j=[ 所述預設第二公式為：^ -m，)?-m，)7-, 其中，c'為K近鄰樣本的類別個數，m'為K近鄰樣本的均值，I'i為類別C中第i類K近鄰樣本的個數，即[=/',. =人'm'i為類別c中第i類的K近鄰樣本的均值，匕」為 類別c中第i類的第j個K近鄰樣本； 所述監控設備根據所述類內散布矩陣Sw、所述類間散布矩陣Sb以及費舍爾準則計算得 到人臉圖像數據的特徵向量； 所述監控設備對所述人臉圖像數據的特徵向量進行特徵提取，得到所述人臉特徵數 據。
5. 根據權利要求4所述的人臉識別方法，其特徵在於，所述監控設備根據所述預設的K 近鄰樣本、預設第一公式以及預設第二公式分別計算得到所述人臉圖像數據的類內散布矩 陣Sw和類間散布矩陣Sb之前還包括： 所述監控設備根據主成分分析PCA對訓練樣本進行降維處理； 所述監控設備通過K近鄰算法從降維處理後的訓練樣本中確定所述預設的K近鄰樣 本。
6. 根據權利要求1至3任一項所述的人臉識別方法，其特徵在於，所述監控設備根據預 設的K近鄰樣本對所述人臉特徵數據進行分類識別具體包括： 所述監控設備將所述人臉特徵數據與所述預設的K近鄰樣本進行匹配； 所述監控設備利用匹配到的訓練樣本通過K近鄰算法得到與所述人臉特徵數據對應 的測試樣本； 所述監控設備計算所述測試樣本與所述預設的K近鄰樣本之間的歐氏距離； 當所述歐氏距離小於預置閾值時，確定人臉特徵資料庫中包含所述人臉特徵數據；當 所述歐氏距離大於預置閾值時，確定人臉特徵資料庫中不包含所述人臉特徵數據。
7. 根據權利要求6所述的人臉識別方法，其特徵在於，所述確定人臉特徵資料庫中不 包含所述人臉特徵數據之後包括： 所述監控設備顯示警告畫面，並發出警告提示音。
8. -種監控設備，其特徵在於，包括： 獲取單元，用於獲取人臉圖像數據； 分析單元，用於對所述人臉圖像數據進行局部線性判別分析LLDA，提取人臉特徵數 據； 識別單元，用於根據預設的K近鄰樣本對所述人臉特徵數據進行分類識別。
9. 根據權利要求8所述的監控設備，其特徵在於，所述分析單元具體包括： 第一計算模塊，用於根據所述預設的K近鄰樣本、預設第一公式以及預設第二公式分 別計算得到所述人臉圖像數據的類內散布矩陣Sw和類間散布矩陣Sb，所述K近鄰樣本包含 多個類的訓練樣本的集合； I(.' 所述預設第一公式為Λ=^τΣΣ(χΚ)(χ，,廠<)' ^ /=1j=\ 所述預設第二公式為：叉=^^/',.^.-^)^-/77')' 其中，C為K近鄰樣本的類別個數，m為K近鄰樣本的均值，Γi為類別C中第i類K近鄰樣本的個數，即=[，m'i為類別c中第i類的K近鄰樣本的均值，x'u為 類別c中第i類的第j個K近鄰樣本； 第二計算模塊，用於根據所述類內散布矩陣Sw、所述類間散布矩陣Sb以及費舍爾準則 計算得到人臉圖像數據的特徵向量； 提取模塊，用於對所述人臉圖像數據的特徵向量進行特徵提取，得到所述人臉特徵數 據。
10. 根據權利要求9所述的監控設備，其特徵在於，所述監控設備還包括： 處理單元，用於根據主成分分析PCA對訓練樣本進行降維處理； 確定單元，用於通過K近鄰算法從降維處理後的訓練樣本中確定所述預設的K近鄰樣 本。
11. 根據權利要求8至10任一項所述的人臉識別方法，其特徵在於，所述識別單元具體 包括： 匹配模塊，用於將所述人臉特徵數據與所述預設的K近鄰樣本進行匹配； 第三計算模塊，用於利用匹配到的訓練樣本通過K近鄰算法得到與所述人臉特徵數據 對應的測試樣本； 第四計算模塊，用於計算所述測試樣本與所述預設的K近鄰樣本之間的歐氏距離； 第一確定模塊，用於在所述歐氏距離小於預置閾值後，確定人臉特徵資料庫中包含所 述人臉特徵數據； 第二確定模塊，用於在所述歐氏距離大於預置閾值後，確定人臉特徵資料庫中不包含 所述人臉特徵數據。
12.根據權利要求11所述的人臉識別方法，其特徵在於，所述識別單元還包括： 輸出模塊，用於在確定所述人臉特徵資料庫中不包含所述人臉特徵數據後，顯示警告 畫面，並發出警告提示音。
【文檔編號】G06K9/66GK104318224SQ201410658870
【公開日】2015年1月28日 申請日期:2014年11月18日 優先權日:2014年11月18日
【發明者】仲崇亮, 徐勇, 林曉清, 李靜 申請人:深圳市中控生物識別技術有限公司