一種煤礦井下熱紅外圖像人臉識別方法
2023-06-22 21:05:36
專利名稱：一種煤礦井下熱紅外圖像人臉識別方法
技術領域：
本發明涉及一種基於圖像形態學的熱紅外圖像人臉識別方法，屬於圖像模式識別技術領域。
背景技術：
煤炭是我國主要的能源之一，是我國經濟發展的重要保障，我國約70%的能源消耗來自煤炭。由於礦工違規、違章操作時有發生，會影響煤礦井下的安全生產，因而井下生產過程中對下井人員管理有著嚴格的要求與限制。出、入井人員身份檢測是保證礦井安全生產的重要技術手段之一。目前已有的檢測方法包括基於RFID和指紋的檢測技術，這些技術可以起到一定程度的效果，但也存在一些問題，如基於RFID射頻技術的人員檢測需要礦工佩戴射頻識別卡，但是射頻識別卡不是礦工不可分割的識別特徵:礦工可以隨身攜帶多個其他礦工的射頻卡，存在替人代刷的現象；多個礦工也可以共用一張射頻卡，存在非礦工流竄進入礦區的現象；礦工之間互相交換射頻識別卡，存在私下換工的現象。基於指紋的檢測技術利用人的指紋信息識別人員對象，指紋信息雖然是人體自身的生物特徵，具備與人體之間的良好的不可分割特性，但是由於礦工從事體力勞動過程中，手指常常沾有煤渣或手指在工作過程中經常受傷，這都使得指紋識別率低。目前井上基於生物特徵的識別技術還包括人臉識別技術，人臉識別技術分為可見光人臉識別，近紅外人臉識別和熱紅外人臉識別。井上可見光人臉識別技術在識別檢測方面得到廣泛的應用，較為成熟的方法有基於特徵臉的人臉識別方法、基於線性判別分析的人臉識別方法等，但是各種可見光人臉識別算法對於識別環境中的光照條件有著較為嚴格的要求，在光照變化及昏暗的環境中，系統的正確識別率將大大降低。另外待檢測人員臉部帶有覆蓋裝飾物時，識別效果也會受到很大的影響。由於井下光照條件差，且礦工工作後臉部帶有大量煤潰，雖 然可見光人臉識別技術已經較為成熟，在井下環境中利用可見光人臉識別技術仍不能達到很好的識別效果。近紅外人臉識別和熱紅外人臉識別目前正處於研究的起步階段，近紅外人臉識別對光照的要求不高，但是需要人臉特別靠近近紅外成像設備。熱紅外圖像的獲取較為簡單，獲取的圖像反映的是人臉表面的熱分布狀況，即使光照度極低條件下也不會影響到成像質量，且人臉表面存在的裝飾物也不會對成像造成太大的影響，熱紅外人臉圖像特別適合用於煤礦井下以實現對人臉的識別。目前井上熱紅外人臉識別方法包括將可見光人臉識別方法移植到熱紅外人臉識別中的識別方法(如主成分分析方法，線性判別分析方法)，基於形態學的識別方法，這些方法均取得了一定的識別效果。由於煤礦井下環境溫度不同於地面溫度，且工人經過高強度的作業，往往會引起人臉表面溫度的變化，此外煤礦井下工人還會佩戴礦燈，礦燈在長時間工作後表面溫度將會高於人臉溫度，影響到對人臉的識別效果，因此在進行熱紅外人臉識別的過程中，需要克服這些因素對識別效果的影響。由於玻璃對紅外的透射性較差，對於佩戴眼鏡的人臉進行識別也一直是熱紅外人臉識別的難點之一。本發明利用熱紅外圖像實現對煤礦井下人臉的識別，提出了對佩戴礦燈和眼鏡的檢測和處理方法，利用溫度補償方法降低環境溫度變化等因素對人臉識別率的影響。發明內容
為了克服現有RFID標識卡方法、指紋識別方法、可見光人臉識別方法應用到井下唯一性檢測時存在的問題，本發明提出了一種適合井下特殊環境的基於圖像形態學的熱紅外人臉圖像識別方法，該方法能夠在井下昏暗環境中達到較高識別率，對煤礦井下環境溫度變化適應性強，能夠對礦工佩戴眼鏡和礦燈的情況做出處理，有效檢測眼鏡及礦燈區域，為採煤區出、入井人員唯一性檢測提供了保障。
本發明所述的基於圖像形態學的熱紅外人臉識別方法採用如下技術方案實現，包括礦工人臉特徵庫的建立階段與人臉在線識別階段，訓練樣本特徵並建立礦工人臉特徵庫的具體步驟如下:
(I)在室溫Ttou下，分別採集擁有下井權限的礦工在佩戴及未佩戴礦燈和眼鏡時的人臉熱紅外正面圖像樣本(每位礦工四幅)，並對採集得到的熱紅外圖像樣本進行歸一化處理；
(2)對歸一化後的圖像作各向異性擴散濾波處理，以達到增強熱紅外圖像中的血管邊緣特徵並去除噪聲的目的；
(3)利用圖像形態學方法提取濾波後圖像中的血管網絡，得到血管網絡圖像；
(4)提取血管網絡圖像中血管網絡的單像素寬度的骨架；
(5)提取血管網絡骨架中的血管交叉點作為人臉識別所利用的特徵點，得到所有血管交叉點在圖像中的絕 對位置坐標(Xi，yi)並計算各血管交叉點位置處的血管方向性函數值Vi= Ψ (xi; yj，其中i = 1，2，…，M，M表示圖像中血管交叉點總數；由於每次圖像採集人臉在圖像中的位置並不完全相同，絕對位置無法用於識別，但各交叉點之間的相對位置信息卻不會隨著人臉平移而改變。因此利用所有提取的血管交叉點(Xi，yi，Fi),! =1,2,…，M，計算出反映圖像中每個血管交叉點分布情況的交叉點分布特徵向量:
Vi = {(d1； Φ i), (d2, Φ2),..., (dN, ΦΝ), , i = I, 2,..., Μ,其中，(I1, d2，...,dN表示交叉點(Xi, yi，Fi)和與之距離最近的N個交叉點之間的距離值，Φ1; Φ2,…，ΦΝ表示交叉點(Xi，yi，^i)和與之距離最近的N個交叉點之間的連線與圖像水平方向之間的夾角。一般可以從人臉圖像中提取到的交叉點數目在20-30範圍內，可以取交叉點分布特徵向量中的N為10。
當採集礦工佩戴礦燈(或眼鏡)狀態下的圖像時，首先檢測礦燈(或眼鏡)的位置，得到位置蒙板，然後利用位置蒙板覆蓋圖像，以提取除礦燈(或眼鏡)遮擋部位以外的血管交叉點，進而得到交叉點分布特徵向量Vi, i = 1,2,…，M;
(6)對所有交叉點分布特徵向量的前N個分量((I1, Φ), (d2, Φ2),..., (dN, ΦΝ)分別按照Φ從小到大的順序排序，得到排序後的向量SVi = Kd(1)，φω)，(d(2)，φ⑵)，…，(d(N), Φ (Ν)), , i = 1,2,...,Μ,其中 Φ ⑴ < Φ ⑵ ..< Φ (Ν);最後將 SVi, i = 1,2,...,M存儲到礦工人臉特徵庫，用於人臉在線識別階段；
人臉在線識別階段的具體步驟如下:
(I)採集待識別礦工的熱紅外人臉圖像，利用溫度傳感器獲取當前環境溫度Tmv ；
(2)對採集到的礦工熱紅外人臉圖像做歸一化處理；(3)檢測圖像中的人臉是否佩戴礦燈或眼鏡，並得到礦燈或眼鏡的位置蒙板；(4)根據當前環境溫度Tmv與礦工人臉特徵庫建立階段採集圖像時的室溫Ttou之間的差值對歸一化後的人臉圖像進行溫度補償；(5)對溫度補償後的圖像作各向異性擴散濾波處理，增強熱紅外圖像中的血管邊緣特徵並去除噪聲；(6)利用圖像形態學方法提取濾波後圖像中的血管網絡，得到血管網絡圖像；(7)提取血管網絡圖像中血管網絡的單像素寬度的骨架；(8)提取血管網絡骨架中的血管交叉點作為人臉識別所利用的特徵點，得到所有血管交叉點的位置(Xi，Yi)並計算各血管交叉點位置處的血管方向性函數值Vi = ￥(xi；yi)，其中i = 1,2,…，M，M表示待識別礦工的熱紅外圖像中血管交叉點總數；利用所有提取的血管交叉點(Xyyi, Vi)，i = 1,2,…，M，計算出反映圖像中每個血管交叉點分布情況的交叉點分布特徵向量Vi, i = 1,2,…，M ;若當前採集的是礦工佩戴礦燈(或眼鏡)時的圖像，則利用位置蒙板覆蓋圖像，以提取除礦燈(或眼鏡)遮擋部位以外的血管交叉點，進而得到交叉點分布特徵向量；對所有交叉點分布特徵向量的前N個分量按照Φ從小到大排序，得到 SVi, i = 1,2,..., M ；(9)根據是否佩戴礦燈(或眼鏡)，計算提取到的待識別礦工的熱紅外圖像的血管交叉點排序後的分布特徵向量SVi, i = 1,2,…，M與礦工人臉特徵庫中每個礦工相應佩戴或未佩戴礦燈、眼鏡的圖像對應的排序交叉點分布特徵向量SW^的匹配程度rmatc;h，其中j =1，2，...，Μ' , W是特徵庫中當前待比較的礦工圖像中所提取出的交叉點總數，根據匹配程度得到識別結果。所述提取熱紅外人臉圖像血管網絡的形態學方法包括以下步驟:形態學方法中基本的操作包括腐蝕、膨脹、開運算、和閉運算。通過上述基本形態學運算方法的組合得到熱紅外人臉圖像的血管網絡。(I)選取尺寸為3X3的值全為I的結構元素，對經過各向異性擴散濾波處理的熱紅外人臉灰度圖像G進行腐蝕操作，得到圖像Gmxte，經過腐蝕圖像中比結構元素尺寸小的亮點細節被去除，同時圖像的整體灰度值降低；(2)仍利用3X3值全為I的結構元素，對Gerade進行膨脹運算，得到圖像Gdilate，經過膨脹運算，恢復了圖像原來的整體亮度，但先前去除的亮點細節不會恢復；處理後，圖像在保持原始圖像整體灰度值不變和大塊高亮區域不變的情況下，比結構元素尺寸小的亮點從原始圖像中消除；(3)將G與Gdilate對應元素作差，得到圖像Gvessel, Gvessel是⑵中消除的比結構元素尺寸小的亮點所構成的圖像，這些亮點細節構成了人臉血管網絡；(4)對Gvessel進行二值化處理，得到圖像G' vessel，經過二值化，圖像中僅包含0，1兩種取值，值為I的點表示血管，值為O的點不在血管上；(5)G, vessel中血管網絡上存在一些細小的斷裂點，另外當原始熱紅外圖像質量不高時，血管網絡交叉處會存在棋盤狀的像素陣列，不利於提取血管網絡的骨架和交叉特徵點，需要填補這些暗點細節並連接細小斷裂點。取尺寸為3X3值全為I的結構元素，對圖像作閉運算，得到圖像V，V中比結構元素尺寸小的暗點細節被消除掉，狹窄的血管斷裂點被連接，棋盤狀的像素陣列被填充。
所述提取血管網絡單像素寬度骨架的方法包括以下步驟:
提取血管網絡骨架是為了便於進一步提取血管網絡的交叉特徵點。提取二值圖像的骨架，需要遵循如下原則:a)處理前後應保證圖像的連通性不變；b)處理後得到的骨架應該接近原始圖像中相應輪廓的中軸線；c)處理後的骨架寬度為單像素。本發明經過多次迭代逐步使提取到的骨架滿足上述原則。
在一次迭代中，對利用形態學方法提取得到的熱紅外人臉二值血管圖像中所有灰度值為I的點，即血管上的點進行如下操作:
(I)檢測以當前值為I的點為中心的圖像鄰域是否與保留模板(如圖5所示A21 A30)匹配，若與其中之一匹配，則將當前點保留作血管圖像的骨架點，然後檢測下一個值為I的點；若與上述10個保留模板均不匹配，則轉至步驟(2);
(2)檢測以當前值為I的點為中心的圖像鄰域是否與去除模板(如圖5所示Al A20)匹配，若與其中之一匹配，則判定當前點不是血管圖像的骨架點，然後檢測下一個值為I的點；若與上述20個去除模板均不匹配，則將當前點保留作血管圖像的骨架點，然後檢測下一個值為I的點；
直到圖像中所有值為I的點均檢測完畢，保留下來的點組成的圖像即為一次迭代後的血管骨架圖像；對原始熱紅外人臉二值血管圖像進行多次迭代，直到迭代前後的圖像不再變化時，迭代過程結束。此時得到圖像是滿足上述原則的骨架圖像。
所述提取血管網絡的骨架圖像中血管交叉點的步驟如下:
血管網絡的骨架圖像中的某個像素點為血管交叉點的必要條件是該像素的8-鄰域內必須有3個或3個以上像素點值為I。因為骨架圖像中各像素點8-鄰域內不存在5個以上點值為I的情況，所以某像素點為交叉點時其8-鄰域像素分布模板如下:
權利要求
1.一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，包括礦工人臉特徵庫建立階段與人臉在線識別階段，所述礦工人臉特徵庫建立階段包括以下步驟: (1)在室溫Ttou下，分別採集擁有下井權限的礦工在佩戴及未佩戴礦燈和眼鏡時的人臉熱紅外正面圖像樣本，並對採集得到的熱紅外圖像進行歸一化處理； (2)對歸一化後的圖像作各向異性擴散濾波處理，以達到增強熱紅外圖像中的血管邊緣特徵並去除噪聲的目的； (3)利用提取血管網絡的形態學方法，對經各向異性擴散濾波後的圖像進行處理，以得到血管網絡圖像； (4)提取血管網絡圖像中血管網絡的單像素寬度骨架； (5)提取血管網絡骨架中的血管交叉點作為人臉識別所利用的特徵點，得到所有血管交叉點在圖像中的絕對位置坐標(Xi，yi)，並計算各血管交叉點位置處的血管方向性函數值Vi = Ψ (Xyyi), i = 1,2,…，M，M表示圖像中血管交叉點總數；利用所有提取的血管交叉點(Xi，yi，Vi) i = 1,2, 計算出反映圖像中每個血管交叉點分布情況的交叉點分布特徵向量:Vi = Kd1, Φ!), (d2, Φ2),..., (dN, ΦΝ), vj , i = 1,2,…，M ;其中，(I1, d2,…，dN表示交叉點(Xi, yi，Fi)和與之距離最近的N個交叉點之間的距離值，Φ1; Φ2,…，ΦΝ表示交叉點(Xi，yi，^i)和與之距離最近的N個交叉點之間的連線與圖像水平方向之間的夾角； 當採集礦工佩戴礦燈或眼鏡狀態下的圖像時，首先檢測礦燈、眼鏡的位置，得到位置蒙板，然後利用位置蒙板覆蓋圖像，以提取除礦燈、眼鏡遮擋部位以外的血管交叉點，進而得到交叉點分布特徵向量； (6)對所有交叉點分布特徵向量的前N個分量((I1,Φ j), (d2, Φ2),..., (dN, ΦΝ)分別按照Φ從小到大的順序排序，得到排序後的向量SVi = {(d(1), Φω), (d(2), Φ (2)),..., (d(N),Φ (Ν)), , i = 1,2,...,Μ,其中 Φ ⑴ < Φ ⑵ ..< Φ (Ν);最後將 SVi, i = l,2,…，M 存儲到礦工人臉特徵庫，用於人臉在線識別階段； 所述人臉在線識別階段包括以下步驟: (1)採集待識別礦工的熱紅外人臉圖像，利用溫度傳感器獲取當前環境溫度Tmv； (2)對採集到的礦工熱紅外人臉圖像做歸一化處理； (3)檢測圖像中的人臉是否佩戴礦燈或眼鏡，並得到礦燈或眼鏡的位置蒙板； (4)根據當前環境溫度Tmv與礦工`人臉特徵庫建立階段採集圖像時的室溫Thw之間的差值對歸一化後的人臉圖像進行溫度補償； (5)對溫度補償後的圖像作各向異性擴散濾波處理，增強熱紅外圖像中的血管邊緣特徵並去除噪聲； (6)利用提取血管網絡的形態學方法，對經各向異性擴散濾波後的圖像進行處理，以得到血管網絡圖像； (7)提取血管網絡圖像中血管網絡的單像素寬度骨架； (8)提取血管網絡骨架中的血管交叉點作為人臉識別所利用的特徵點，得到所有血管交叉點的位置(Xi，Yi)並計算各血管交叉點位置處的血管方向性函數值Vi = ￥(xi； Yi),其中i = 1，2，…，M，M表示待識別礦工的熱紅外圖像中血管交叉點總數；利用所有提取的血管交叉點(Xyyi, Vi)，i = 1,2,…，M，計算出反映圖像中每個血管交叉點分布情況的交叉點分布特徵向量Vi, i = 1，2，…，M; 若當前採集的是礦工佩戴礦燈或眼鏡時的圖像，則利用位置蒙板覆，提取除礦燈、眼鏡遮擋部位以外的血管交叉點，進而得到交叉點分布特徵向量，對所有交叉點分布特徵向量的前N個分量按照Φ從小到大排序，得到SVi, i = 1,2,..., M ； (9)根據礦工是否佩戴礦燈或眼鏡，計算待識別礦工的血管排序後的交叉點分布特徵向量SVi, i = 1,2,…，M與礦工人臉特徵庫中每個礦工相應佩戴或未佩戴礦燈、眼鏡的圖像對應的排序交叉點分布特徵向量SWj的匹配程度rmatc;h，其中j = 1，2，..., W，Mi是特徵庫中當前待比較的礦工圖像中所提取出的交叉點總數，根據圖像交叉點分布特徵向量之間的匹配程度進行識別，得到識別結果。
2.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述提取血管網絡的形態學方法包括以下步驟: (1)選取尺寸為3X3的值全為I的結構元素，對經過各向異性擴散濾波處理的熱紅外人臉灰度圖像G進行腐蝕操作，得到圖像G_de，經過腐蝕圖像中比結構元素尺寸小的亮點細節被去除，同時圖像的整體灰度值降低； (2)仍利用3X3的值全為I的結構元素，對Gmxte進行膨脹運算，得到圖像Gdilate,經過膨脹運算，恢復了圖像原來的整體亮度，但先前去除的亮點細節不會恢復； (3)將G與Gdilate對應元素作差，得到圖像G_sel，Gvessel是⑵中消除的比結構元素尺寸小的亮點所構成的圖像，這些亮點細節構成了人臉血管網絡； (4)對Gvessel進行二值化處理，得到圖像G'_^經過二值化處理，圖像中僅包含0，1兩種取值，值為I的點表示血管，值為O的點不在血管上； (5)G,vessel中血管網 絡上存在一些細小的斷裂點，且血管網絡交叉處存在棋盤狀的像素區域，不利於提取血管網絡的骨架和交叉特徵點，取尺寸為3 X 3值全為I的結構元素，對圖像作閉運算，得到圖像V，V中細小的斷裂點及血管網絡交叉點處的棋盤狀像素區域被消除。
3.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述提取血管網絡圖像中血管網絡的單像素寬度骨架的方法包括以下步驟: 在一次迭代中，對人臉二值血管圖像中所有灰度值為I的點，即血管上的點進行如下操作: (1)檢測以當前值為I的點為中心的圖像鄰域是否與保留模板匹配，若與其中之一匹配，則將當前點保留作血管圖像的骨架點，然後檢測下一個值為I的點；若與上述保留模板均不匹配，則轉至步驟(2); (2)檢測以當前值為I的點為中心的圖像鄰域是否與去除模板匹配，若與其中之一匹配，則判定當前點不是血管圖像的骨架點，然後檢測下一個值為I的點；若與上述去除模板均不匹配，則將當前點保留作血管圖像的骨架點，然後檢測下一個值為I的點； 直到圖像中所有值為I的點均檢測完畢，保留下來的點組成的圖像即為一次迭代後的血管骨架圖像；對人臉二值血管圖像進行多次迭代，直到迭代前後的圖像不再變化時，迭代過程結束，得到其血管網絡的骨架圖像。
4.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述提取血管網絡骨架圖像中的血管交叉點的方法包括以下步驟:(a)提取圖像中所有8-鄰域內像素和大於2的且值為I的點，構成集合S； (b)將以集合S中所有點為中心的8-鄰域圖像區域與如下8-鄰域像素分布模板匹配，
5.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述血管方向性函數值的計算包括以下步驟: (1)確定需要考慮的方向數N; (2)為了區分出血管的N個方向，需要考慮的鄰域大小至少為n=N/2+ 1，依據所需要考慮的方向數N，得到計算方向性函數所需考慮的鄰域大小n=N/2+ 1; (3)對血管骨架圖像中血管上的每一點(x，y)，計算以該點為中心的大小為η的鄰域內 N個方向
6.根據權利要求5所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述步驟(I)中需要考慮的方向數N選取為16，此時可以分辨出來的最小角度為11.25°。
7.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述檢測礦燈或眼鏡的位置的方法包括以下步驟: (I)提取輸入人臉熱紅外圖像邊界； 利用形態學方法提取出包含眼鏡邊界的邊界圖像:(a)將輸入人臉熱紅外圖像轉換為0-1二值圖像，將圖像中灰度值大於O的點的值置為,1，原圖像中灰度值為O的點保持不變； (b)對經過二值處理後的圖像作形態學閉運算處理:用結構元素B對圖像先進行膨脹，然後再用B對膨脹後的圖像進行腐蝕處理，其中結構元素尺寸選為圖像尺寸的1/6，經過閉運算，圖像中比結構元素B尺寸小的暗區被消除，此時眼鏡區域也從圖像中去除；而尺寸比結構元素大的暗區被保留； (C)將步驟(a)中處理得到的二值圖像與步驟(b)中處理得到的圖像進行差值運算，得到的圖像包含(b)中消除掉的所有尺寸比結構元素B小的區域，得到圖像中這些區域內的灰度值為1，其中包含了眼鏡區域； (d)對(c)中得到圖像作形態學開運算處理:用結構元素B'對圖像先進行腐蝕，然後再用B'對腐蝕後的圖像進行膨脹處理，其中結構元素B'尺寸選為前述結構元素B尺寸的1/3 ;經過開運算，圖像中相對於眼鏡尺寸較小的區域被剔除，得到圖像T，T中包含眼鏡區域以及一些尺寸較接近眼鏡的區域； (e)提取圖像T中剩餘亮區域的邊界圖像:首先對圖像進行腐蝕操作，結構元素為
8.根據權利要求7所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述搜索邊界圖像中各連通邊界的方法包括以下步驟: (1)令集合rest表示所有未被分類到某一連通邊界的點的坐標集合,初始化過程中，將邊界圖像G中所有像素為I的點的坐標存入集合rest,即rest = {(i, j) IG(i, j) =1},t表示當前連通邊界的條數,初始化t = O ; (2)選取集合rest中的第一個點作為種子點,令t= t+Ι,創建一個新的以當前種子點為起點的連通邊界類，記為classt，利用遞歸算法將集合rest中所有與種子點連通的點的坐標加入到集合Classt中，並將這些點的坐標從集合rest中刪除,具體遞歸過程的步驟如下: (a)將當前種子點坐標加入到Classt; (b)從集合rest中刪除當前種子點坐標； (c)搜索圖像中以當前種子點坐標為中心的8-鄰域內的各點，若搜索到值為I的點且該點尚未被從集合rest中刪除，則以該點為種子點調用遞歸過程； 若圖像中以當前種子點坐標為中心的8-鄰域內的各點值均為0，或者其8-鄰域內存在值為I的點但已從集合rest中刪除，則退出當前遞歸過程； (3)(2)中遞歸過程執行結束後，Classt中存儲了第t個連通邊界上的所有點的坐標；若此時集合rest長度大於0，則轉到步驟(2)繼續搜索；否則算法結束，共得到t個連通邊界點集，分別為 Class1, class2,..., classt。
9.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述溫度補償的方法包括以下步驟: (1)構造溫度變化權值函數: 採集環境溫度分別為 \、Τ2時的同一人臉圖像GpG2，其中T2 > T1，計算平均溫度每升高一度時，紅外人臉圖像灰度在人臉不同位置的變化量
10.根據權利要求1所述的一種煤礦井下熱紅外圖像人臉識別方法，其特徵在於，所述根據圖像交叉點分布特徵向量之間的匹配程度進行識別的具體方法包括以下步驟: (1)提取待識別人臉圖像Gx的所有排序後的交叉點分布特徵向量SVi,i = 1,2,…，M，M為提取的交叉點的個數，初始化t = I ; (2)從礦工人臉特徵庫中讀取第t個礦工的人臉圖像G對應的排序後的交叉點分布特徵向量
全文摘要
本發明公開了一種煤礦井下熱紅外圖像人臉識別方法。在室溫下採集礦工人臉熱紅外圖像並做歸一化處理，經各向異性擴散濾波、血管網絡提取、血管網絡骨架提取及血管交叉點特徵提取等步驟，得到反映人臉血管交叉點分布的交叉點分布特徵向量，並存入人臉特徵庫；人臉在線識別階段，採集待識別礦工人臉熱紅外圖像並做歸一化和人臉圖像溫度補償處理，並計算出其交叉點分布特徵向量，最後根據待識別圖像交叉點分布特徵向量與礦工人臉特徵庫中的交叉點分布特徵向量之間的匹配程度得到識別結果。本發明利用熱紅外圖像識別人臉，適用於井下光照條件差，礦工臉部經常覆蓋煤灰時的人臉識別，識別率高，為礦區出、入井人員身份檢測提供了可靠的信息。
文檔編號G06K9/00GK103246883SQ20131018640
公開日2013年8月14日 申請日期2013年5月20日 優先權日2013年5月20日
發明者孫繼平, 賈倪 申請人:中國礦業大學(北京)