基於手機攝像頭結合人臉識別技術的身份識別方法
2023-04-22 15:51:06
專利名稱：基於手機攝像頭結合人臉識別技術的身份識別方法
技術領域：
本發明涉及的是一種圖像識別技術領域的方法，具體是一種基於手機攝像 頭結合人臉識別技術的身份識別方法。
技術背景生物特徵身份識別方法是利用人體的生物特徵，對人的身份進行識別的方 法。傳統的生物特徵包括人臉、指紋、人眼虹膜、聲紋、氣味等等。生物特徵 身份識別在公安、銀行、私人信息保存等不同的領域獲得了廣泛的應用。人臉 檢測指的是在一幅圖像中檢測人臉區域，人臉識別則指利用人臉視覺生物特徵 信息進行身份認證。這兩個技術均是模式識別領域內的重要技術。人臉檢測及 識別技術廣泛應用到身份識別、人機界面、基於內容的檢索、數字視頻處理、 視覺監測等許多領域。傳統的生物特徵身份識別方法例如指紋識別和人眼虹膜 識別均需要特殊的檢測設備，這一類設備昂貴且笨重，僅能在少數場合使用， 不利於廣泛應用。經對現有技術的檢索發現，中國專利申請號為200410097054.0，專利名稱 為"利用手機上設置的攝像頭確認身份的裝置及方法"，該發明利用設置在手 機上的攝像頭來拍攝臉部並輸入身體的特徵信息之後，從包括背景的影像中提 取出臉部領域輪廓並提取出臉部特徵傳送到身份信息資料庫進行檢索，而且把 結果影像再發送到手機上，從而準確快速的確認身份。但是該方法需要在手機 端處理的信息過多，手機端性能耗費過高，使得系統準確性和實時性均下降。 另一方面該方法所述的提取人臉眉毛，骨骼等特徵目前並沒有具有實用價值的 方法，因此其可操作性及可實現性不強。發明內容本發明針對上述現有技術的不足，提出了一種基於手機攝像頭結合人臉識 別技術的身份識別方法，使其利用行動網路將待識別者的易辨識信息以及通過 手機攝像頭採集的人臉照片圖像信息傳送至伺服器端，身份識別伺服器的査詢決策系統根據易辨識信息將資料庫中滿足易辨識信息的數據組成一個候選數 據集，身份識別伺服器利用主成分分析(PCA)和線性鑑別分析(LDA)對候 選數據集中的人臉數據進行識別訓練後，對輸入圖像的人臉區域進行識別，並 從識別結果中選擇用戶設定數目的結果通過多媒體信息服務(MMS)傳送回手 機端供用戶進行最終判斷。本發明是通過以下技術方案實現的，本發明包括如下具體步驟步驟一，用戶獲取待識別者的易辨識信息，並將易辨識信息輸入手機端；步驟二，利用手機攝像頭採集一幅待識別者人臉圖像;步驟三，將步驟一和步驟二分別獲得的易辨識信息和人臉圖像通過移動互 聯網傳送至伺服器端，並向伺服器端發出身份識別請求步驟四，利用從手機端上傳的待識別者的易辨識信息對伺服器端的身份數 據庫中的數據進行選擇，將與待識別者易辨識信息相符的數據組成一個候選數 據集D"步驟五，伺服器端利用主成分分析和線性鑑別分析對候選數據集Dw，中的人臉數據進行人臉識別訓練，生成人臉辨識變換矩陣H;步驟六，利用橢圓膚色模型處理手機端傳送的人臉圖像，獲取其中的膚色區域； *步驟七，利用人臉級聯分類檢測器檢測膚色區域，獲取其中的人臉區域並生成待識別人臉/^pw;步驟八，從候選數據集D^中選擇一幅人臉圖像作為比對人臉F,，用步驟五生成的人臉辨識變換矩陣H對比對人臉Fj及待識別人臉巧 ~進行線性變換，生成人臉辨識向量v;和" 一，其中"是比對人臉Fi的人臉辨識變換結果，" p ,是待識別人臉F鄉",的人臉辨識變換結果；步驟九，計算人臉辨識向量v,和v鄉w的歐氏距離，i=l， 2…，i 為候選數據集DNew中身份信息數量；步驟十，對候選數據集DN6，的所有人臉數據重複步驟八和步驟九，並在生 成的歐氏距離rf,w^",中，按照歐氏距離從小到大的順序選取用戶設定數目的的 身份數據作為識別結果返回手機端，手機持有者將根據這用戶設定數目的身份 數據進行最終的識別。2說明書第3/ll頁所述的易辨識信息，是指待識別者外在的、易於採集的信息，包括性別、 年齡範圍、身高等，利用易辨識信息把資料庫中明顯不符的信息過濾，減小人 臉識別的範圍，提高身份識別的準確率。所述的採集一幅待識別者人臉圖像，是指通過手機攝像頭採集RGB顏色空 間的人臉圖像，採集圖像解析度大小為160X120，在採集人臉圖像過程中，使 待識別者眼睛位於採集軟體設定的人眼位置框內，並且臉部的表情自然、光照 良好，圖像背景簡單。所述的身份資料庫，是指存儲個人身份信息的資料庫，其中，個身份信息 基本信息以及一張人臉照片，基本信息包括姓名、性別、年齡、身高、體重、 血型，人臉照片經過橢圓膚色模型和人臉檢測級聯分類器處理，獲取了人臉區 域並且去除了背景。所述的主成分分析，是指通過提取數據集主要特徵降低數據集維數，是一 個線性變換，把數據投影到一個新線性空間中，在新線性空間中按照信息含量 的多少從高到低排序數據特徵向量，選擇信息含量較高的少量數據，形成保留 了原數據集所包含的大部分信息的較低維數的新數據集。所述主成分分析，其線性變換表達式如下-其中x是變換前向量，T是主成分分析變換矩陣，T表示轉置，y為主成 分分析結果向量。所述主成分分析變換矩陣W，其確定的方法具體如下設數據集X，其中共有N個M維數據x,'， i-l...N, N M，將數據集X表 示為一個MXN的矩陣，稱之為矩陣X，設0 = [^-2...(^]，其中《(/ = 1..^)是M維列向量，因此O是MxM方陣，則有其中&為特徵值，5^是矩陣x的協方差矩陣，即a(/=i...m)是x的協方差矩陣Sx對應於特徵值;i,.的特徵，量；將特徵值= 按照從大到小排序為、)，A(2)...A(M)，其對應的特徵向量分別為4D，^廣如)，貝Uformula see original document page 10
甲=cr f即為主成分分析變換矩陣。所述的線性鑑識分析，是指通過提取數據集類別區分特徵使得數據集維數降低，同主成分分析一樣，是一種線性變換，線性鑑識分析把N類數據投影到 一個新線性空間中，使得該新線性空間中同一類別內的不同樣本數據間歐氏距 離最近，同時不同類之間的歐氏距離最遠，這樣投影不僅降低了數據的維度， 更為重要的是它還針對類別信息進行了處理，提高了分類的準確性。所述線性鑑識分析，其線性變換表達式如下formula see original document page 10其中Z為人臉辨識向量，y是主成分分析的結果向量，處於人臉辨識線 性空間中，ff是線性鑑識分析變換矩陣。所述線性鑑識分析變換矩陣『，其確定方法如下設數據集Y共有N種類別CV， i=l...N，數據均為M維，每一類數據包括 l個或者多個樣本"，i = l， 2..，對於該N類問題，有， .，其中Aw為特徵值矩陣，『為線性鑑識分析變換矩陣，是矩陣&'&對應 於Aw的特徵向量矩陣，^為類內散射矩陣，表徵同一類內數據方差的情況，formula see original document page 10而&為類間散射矩陣，表徵不同類間數據方差分布情況，formula see original document page 10其中上述二式中的Pr(C,)是類G的先驗概率，表達式為 各個類的先驗概率相等，通過求出矩陣S^&的特徵向量矩陣和特徵值矩陣，就能夠唯一確定線性 鑑識分析變換矩陣W。所述的人臉辨識變換矩陣H，具體為7T=『^T 人臉辨識變換為Z = /Tx其中甲和W分別是上述的主成分分析變換矩陣和線性辨識分析變換矩 陣，^為輸入人臉圖像向量，Z為人臉辨識向量。所述的利用橢圓膚色模型處理手機端傳送的人臉圖像，包括以下具體步 驟 '① 將手機端採集到的人臉圖像中每個像素點的RGB值(R， G， B)轉換成(Y， Cb， Cr)值，其中，Y表示亮度信息、Cb表示藍色的色差信息、Cr表示紅色 的色差信息；② 設置橢圓膚色模型的參數；③ 對圖像中的每個像素點，進行膚色分割，得到黑白二值膚色圖像；④ 在黑白二值膚色圖像的四連通膚色區域的邊界中，得到膚色區域位置信息。所述的人臉級聯分類檢測器，是通過弱分類器的線性組合得到一個強分類 器，再將強分類器組合得到一個完整的級聯分類器，利用級聯的多次分類提高 檢測的準確性，用於檢測的弱分類器，以及由弱分類線性組合得由的強分類器 是利用Adaboost(自適應調整)方法訓練得到的，最終訓練出來的人臉級聯分類 檢測器包含20個強分類器，人臉級聯分類檢測器通過讀取訓練好的分類器數據 文件，依次構建出弱分類器、強分類器以及級聯分類器。弱分類器根據輸入矩 形區域直接給出是否是人臉的分類結果，強分類器根據多個弱分類器結果的加 權來確定分類結果，級聯分類器由多層強分類器級聯獲得，如果某個強分類器 將該區域分類為非人臉，則級聯分類器認為被檢測區域為非人臉，直接結束檢 測，否則，級聯分類器將數據送入下一個強分類器分類，只有所有的強分類器均認為此區域為人臉區域時，人臉級聯分類檢測器才給出區域為人臉的分類結 果。所述的用生成的人臉辨識變換矩陣H分別對比對人臉Fi及待識別人臉F一t 進行人臉辨識線性變換，並生成相應的人臉辨識向量V;和V一",，具體如下其中，Fi是從資料庫中取出的人臉，Fi，t是手機端上傳的待識別人臉，上述 兩式分別對Fi和F—t進行了人臉辨識變換，Vi和v一t是對應的人臉辨識向量， 最終的人臉識別將通過比對這兩個向量進行。所述的計算人臉辨識向量v,和&，的歐氏距離具體如下其中v"和vinput. j分別是人臉辨識向量V;和v一",的第j個分量，rf,w p , 是向量Vf和V一",的歐氏距離，該距離表徵向量V;和V鄉",的相似程度，越小則相似程度越高。與現有技術相比，本發明具有如下有益效果由於採用成熟技術，以及手機的移動性、低成本和高普及率等特點，本發明實現成本和難度大大下降。能 夠達到該系統手機端要求的手機不僅數量眾多，而且價格較低，通常數百元即 可。另一方面本發明在身份識別前使用用戶輸入信息對身份資料庫進行了過濾，在進行最終身份識別時提供10個數據供用戶選擇，提高了身份識別的速 度及準確性。經測試表明，該系統的身份識別準確性達到了 85%以上，使該系統的可靠性達到了商業應用級別的要求。上述兩點使得該身份識別系統的廣泛 部署成為現實，也使相關科研成果轉化為商業產品的能力得到了提高。本發明 在安'全保障、交通管理、人口管理等不同領域均具有很高的應用和商業價值。
圖l是本發明工作流程示意圖；圖2是本發明人臉級聯分類檢測器檢測流程示意圖;圖3是本發明人臉識別流程示意圖；圖4 (a)是手機端人臉圖像採集示意圖；V, = /r巧圖4 (b)是人臉級聯分類檢測器檢測結果圖；圖5是身份識別伺服器-手機端交互示意圖。
具體實施方式
下面結合附圖對本發明的實施例作詳細說明本實施例在以本發明技術方 案為前提下進行實施，給出了詳細的實施方式和過程，但本發明的保護範圍不 限於下述的實施例。本實施例所採用的伺服器端基本情況如下所示伺服器端採用了Microsoft SQL Server 2005提供資料庫服務，識別程序 採用Ctt語言基於Microsoft . NET Framework 2. 0開發，該程序在前端提供網絡 服務，從手機端獲取識別請求，後端與SQL資料庫進行交互，進行具體的身份 識別；識別結束後將結果通過多媒體信息服務傳送回手機。伺服器端的資料庫中收集了353人的身份信息，為簡單起見僅保留了姓名、 性別、年齡、人臉照片、照片中人臉區域共5個信息，其中姓名作為數據表主 鍵唯一確定該人員，人臉照片每人一張，共計353張，每張人臉照片尺寸均為 160X120像素，這些照片均經過橢圓膚色模型和人臉級聯分類檢測器處理，獲 取了人臉區域信息，這些數據的分布情況如表l所示表l年齡性別分布表年齡\性別男女總計10-20544610021-301188720531-40282048總計200153353本實施例中手機端基本情況如下手機端採用搭載Symbian (信比安)S60 作業系統的智慧型手機作為手機端平臺，手機端程序採用0++語言基於57111^￡111 S60 SDK進行開發，手機端程序使用時需要開通中國移動提供的GPRS上網和多 媒體信息(MMS)兩項服務，這樣手機端才能夠和伺服器端進行交互。如圖1所示，本實施例包括如下步驟步驟一，採集信息手機端輸入待識別者的易辨識信息，例如輸入下述 信息"男，21-30歲";採集待識別者的人臉圖像，人臉圖像大小為160X120像素，如圖4 (a)所 示，人眼位於人眼位置框中，臉部端正表情自然，背景簡單。步驟二，上傳信息手機端自動打開GPRS (全球定位系統)網絡連接，與 伺服器端建立通訊連接，在得到伺服器端連接已建立響應後，將步驟一採集的 易識別信息和人臉圖像通過GPRS網絡上傳至伺服器端。步驟三，伺服器端過濾信息伺服器端收到上述信息後，將身份資料庫中 滿足"男，21-30歲"的所有信息選出，組成候選數據集DN。.，包含118個身份信 息，對應118個人臉圖像。步驟四，人臉辨識變換矩陣H訓練人臉辨識變換矩陣H訓練包括主成分分 析(PCA)變換矩陣W訓練和線性鑑識分析(LDA)變換矩陣W訓練兩部分。所述的主成分分析變換矩陣W訓練，具體如下① 根據前述的分析，候選數據集IU中包含118個人臉圖像，每個圖像大小 為160X120像素，是一個160X12049200維的數據，因此主成分分析變換訓練 數據集X為19200X118的矩陣。根據式formula see original document page 14求X的協方差矩陣，計算結束後，Ex為19200X19200的方陣r② 根據式Zz《=A夂，求解Ex的特徵向量和特徵值分別為formula see original document page 14③ 將一'=1…l鄉0)按照從大到小排序為~"2) J,。)其對應的特徵向量 分別為formula see original document page 14, 則formula see original document page 14為300X19200的矩陣，對訓練數據集X進行主成分分析投影變換Y-vi/Tx， Y 即為線性鑑識分析訓練數據集，數據集Y為300X118矩陣。 所述的線性鑑識分析變換矩陣W訓練，具體如下formula see original document page 15formula see original document page 15求解Sw和&，求解後矩陣&和&均為300X300矩陣。 根據式求解^、的特徵向量和特徵值分別為G = 1…3GG) 線性鑑識分析變換矩陣W為線性鑑識分析變換矩陣W為300X300矩陣。所述的人臉辨識變換矩陣/^ =『rf, HT為300X19200矩陣。步驟五，對待識別圖像進行人臉檢測，人臉檢測包括兩個部分使用橢圓 膚色模型在YCbCr顏色空間得到膚色區域位置信息、使用人臉級聯分類檢測器 從膚色區域檢測出人臉區域。 '所述的使用橢圓膚色模型在YCbCr顏色空間得到膚色區域位置信息，具體為① 將步驟一中採集到的人臉圖像中每個像素點的RGB值(R， G, B)，通過 下式轉換成(Y, Cb， Cr)值:7 = 0.299及+ 0.587G + 0,16 3 2Cr=U_A + 128 _ 2 12 12其中，Y表示亮度信息、Cb表示藍色的色差信息、Cr表示紅色的色差信息。② 設置橢圓膚色模型的參數及其值如下式所示Cx = 109.38, Q; = 152.02, ecx = 1.60, ec_y = 2.41 a = 25.29,6 = 14.03，6> = 2.53③對圖像中的每個像素點，進行膚色分割，得到二值膚色圖像由該像素點在YCbCr空間的值為(Y， Cb， Cr)按下列公式計算該像素點的膚色值formula see original document page 16>膚色值二fc^l+fc^！ 如果該膚色值小於i，則該像素點屬於膚色區域，設置二值膚色圖像中該像素點為膚色點；否則不屬於膚色區域，設置二值膚色圖像中該像素點為背景 點。如圖2所示，所述的使用人臉果級聯檢測器從膚色區域檢測出人臉區域， 具體為弱分類器根據輸入矩形區域直接給出是否是人臉的分類結果，強分類 器根據多個弱分類器結果的加權來確定分類結果，級聯分類器由多層強分類器 級聯獲得，如果某個強分類器將該區域分類為非人臉，則級聯分類器認為被檢 測區域為非人臉，直接結束檢測，否則，級聯分類器將數據送入下一個強分類 器分類，只有所有的強分類器均認為此區域為人臉區域時，級聯分類器才給出 區域為人臉的分類結果。人臉級聯分類檢測器的檢測結果見附圖4 (b)，圖中 白色框所包圍區域即為人臉區域。 '步驟六，對輸入人臉和比對人臉圖像進行人臉辨識變換。所述的人臉辨識變換是指formula see original document page 16上述兩式中比對人臉《及手機端上傳的待識別人臉/^w均為19200X1的 向量，而tf為300X19200矩陣，因此變換結束後的人臉辨識向量K和K樹均 為300X1向量。步驟七，計算步驟六生成的人臉辨識向量之間的歐氏距離。所述的歐氏距離是根據下式計算的其中^,,和vinput, j分別是人臉辨識向量v,和v鄉w的第j個分量，A,是向量V,和V一w的歐氏距離，該距離表徵向量"和V—w的相似程度，越小則相似程度越高。上述步驟六和步驟七的人臉識別流程如圖3所示。步驟八，對滿足條件"男，21-30歲"的所有數據重複步驟六、七，保存 生成的所有歐氏距離A ,v，一，並按照歐氏距離從小到大的順序從滿足上述條件 的數據中選取10個對應的身份數據作為識別結果。步驟九，將上述產生的識別結果返回手機端。識別結果將分為10條多媒伊體信息(MMS)通過多媒體信息中心發送至手機端，手機持有者將根據這10 條多媒體信息(MMS)進行最終的識別。步驟一和步驟九所述的手機端與服 務器端交互過程如圖5所示。上述步驟結束後，手機用戶將獲取足夠的信息進行身份識別，並進而採取 進一步行動。本實施例通過利用成熟技術(C弁、.NET技術、SQL Server、 Symbian S60)，將手機與人臉識別結合，實現了可靠的身份識別技術。該技術克服了現有GPRS 移動網際網路帶寬較低，智慧型手機性能限制較多等局限性，實現了一個可以進行 實際應用的系統。其起始兩端均由用戶參與可控的特性，使得該系統具有了普 通人臉識別系統所不具有的高準確性。對該實施例的測試表明其最終返回的10 幅圖像中包含正確識別結果的機率大於卯％,即該系統的準確率達到了卯％。 另一方面經過測試還表明， 一次身份識別請求從發出請求到返回結果平均僅需 要10秒時間。
權利要求
1、一種基於手機攝像頭結合人臉識別技術的身份識別方法，其特徵是，包括如下步驟步驟一，用戶獲取待識別者的易辨識信息，並將易辨識信息輸入手機端；步驟二，利用手機攝像頭採集一幅待識別者人臉圖像；步驟三，將步驟一和步驟二分別獲得的易辨識信息和人臉圖像通過移動網際網路傳送至伺服器端，並向伺服器端發出身份識別請求；步驟四，利用從手機端上傳的待識別者的易辨識信息對伺服器端的身份資料庫中的數據進行選擇，將與待識別者易辨識信息相符的數據組成一個候選數據集DNew；步驟五，伺服器端利用主成分分析和線性鑑別分析對候選數據集DNew中的人臉數據進行人臉識別訓練，生成人臉辨識變換矩陣H；步驟六，利用橢圓膚色模型處理手機端傳送的人臉圖像，獲取其中的膚色區域；步驟七，利用人臉級聯分類檢測器檢測膚色區域，獲取其中的人臉區域並生成待識別人臉Finput；步驟八，從候選數據集DNew中選擇一幅人臉圖像作為比對人臉Fi，用步驟五生成的人臉辨識變換矩陣H對比對人臉Fi及待識別人臉Finout進行線性變換，生成人臉辨識向量vi和vinput，其中vi是比對人臉Fi的人臉辨識變換結果，vinput是待識別人臉Finput的人臉辨識變換結果；步驟九，計算人臉辨識向量vi和vinput的歐氏距離di，input，i＝1，2...，i為候選數據集DNew中身份信息數量；步驟十，對候選數據集DNew的所有人臉數據重複步驟八和步驟九，並在生成的歐氏距離di，input中，按照歐氏距離從小到大的順序選取用戶設定數目的的身份數據作為識別結果返回手機端，手機持有者將根據這用戶設定數目的身份數據進行最終的識別。
2、 根據權利要求l所述的一種基於手機攝像頭結合人臉識別技術的身份識 別方法，其特徵是，所述的採集一幅待識別者人臉圖像，是指通過手機攝像頭採集RGB顏色空間的人臉圖像，採集圖像解析度大小為160X120，在採集人臉 圖像過程中，使待識別者眼睛位於採集軟體設定的人眼位置框內，並且臉部的 表情自然、光照良好，圖像背景簡單。
3、 根據權利要求l所述的一種基於手機攝像頭結合人臉識別技術的身份識 別方法，其特徵是，所述的身份資料庫，是指存儲個人身份信息的資料庫，其 中每個身份信息包括基本信息以及一張人臉照片，基本信息包括姓名、性別、 年齡、身高、體重、血型，人臉照片經過橢圓膚色模型和人臉檢測級聯分類器 處理，獲取了人臉區域並且去除了背景。
4、 根據權利要求1所述的一種基於手機攝像頭結合人臉識別技術的身份 識別方法，其特徵是，所述的主成分分析，是指通過提取數據集主要特徵降低 數據集維數，是一個線性變換，把數據投影到一個新線性空間中，在新線性空 間中按照信息含量的多少從高到低排序數據特徵向量，選擇信息含量較高的少 量數據，形成保留了原數據集所包含的大部分信息的較低維數的新數據集；主成分分析的線性變換表達式如下 'formula see original document page 3其中X是變換前向量，T是主成分分析變換矩陣，T表示轉置，7為主成 分分析結果向量；其中，主成分分析變換矩陣^的確定方法具體如下設數據集X，其中共有N個M維數據Xf, i=l...N， N M,將數據集X表 示為一個MXN的矩陣，稱之為矩陣X,設$ = [^)2...^]，其中^0、l.JV/)是M維列向量，因此①是MxM方陣，則有其中&為特徵值，Sz是矩陣X的協方^矩陣， Sz =鄰7 -- 即- = 1…M)是X的協方差矩陣2X對應於特徵值^的特徵向量；將特徵值= 按照從大到小排序為^"，義(2)，其對應的特徵向量分別為^4『如,，貝1』formula see original document page 4formula see original document page 4,即為主成分分析變換矩陣。 >
5、根據權利要求l所述的基於手機攝像頭結合人臉識別技術的身份識別方法，其特徵是，所述的線性鑑識分析，是指通過提取數據集類別區分特徵使得數據集維數降低，同主成分分析一樣，是一種線性變換，線性鑑識分析把N類 數據投影到一個新線性空間中，使得該新線性空間中同一類別內的不同樣本數 據間歐氏距離最近，同時不同類之間的歐氏距離最遠； 線性鑑識分析的線性變換表達式如下formula see original document page 4其中Z為人臉辨識向量，y是主成分分析的結果向量，處於人臉辨識線性空間中，『是線性鑑識分析變換矩陣；其中線性鑑識分析變換矩陣『的確定方法如下 > 設數據集Y共有N種類別G'， i=l...N,數據均為M維，每一類數據包括l個或者多個樣本"，i=l, 2..，對於該N類問題，有，其中 為特徵值矩陣，W為線性鑑識分析變換矩陣，是矩陣^、對應 於八w的特徵向量矩陣，^為類內散射矩陣，表徵同一類內數據方差的情況，formula see original document page 4而&為類間散射矩陣，表徵不同類間數據方差分布情況，其中上述二式中的Pr(Ci)是類G的先驗概率，表達式為-formula see original document page 4各個類的先驗概率相等，通過求出矩陣S^&的特徵向量矩陣和特徵值矩陣，唯一確定出線性鑑識分析變換矩陣w。
6、 根據權利要求1所述的基於手機攝像頭結合人臉識別技術的身份識別 方法，其特徵是，所述的人臉辨識變換矩陣H，具體為/r=『^^,人臉辨識變換為z-Z^x其中甲和ff分別是主成分分析變換矩陣和線性辨識分析變換矩陣，^為 輸入人臉圖像向量，z為人臉辨識向量。 "
7、 根據權利要求1所述的一種基於手機攝像頭結合人臉識別技術的身份 識別方法，其特徵是，所述的利用橢圓膚色模型處理手機端傳送的人臉圖像， 包括以下具體步驟① 將手機端採集到的人臉圖像中每個像素點的RGB值(R， G， B)轉換成(Y， Cb， Cr)值，其中，Y表示亮度信息、Cb表示藍色的色差信息、Cr表示紅色 的色差信息；② 設置橢圓膚色模型的參數；③ 對圖像中的每個像素點，進行膚色分割，得到黑白二值膚色圖像；④ 在黑白二值膚色圖像的四連通膚色區域的邊界中，得到膚色區域位置信 息。 '
8、 根據權利要求l所述的一種基於手機攝像頭結合人臉識別技術的身份識 別方法，其特徵是，所述的人臉級聯分類檢測器，是通過弱分類器的線性組合 得到一個強分類器，再將強分類器組合得到一個級聯分類器，利用級聯的多次 分類提高檢測的準確性，用於檢測的弱分類器，以及由弱分類線性組合得到的 強分類器是利用自適應調整方法訓練得到的，最終訓練出來的人臉級聯分類檢 測器包含20個強分類器，人臉級聯分類檢測器通過讀取訓練好的分類器數據文 件，依次構建出弱分類器、強分類器以及級聯分類器，弱分類器根據輸入矩形 區域直接給出是否是人臉的分類結果，強分類器根據多個弱分類器結果的加權 來確定分類結果，級聯分類器由多層強分類器級聯獲得，如果某個強分類器將 該區域分類為非人臉，則級聯分類器認為被檢測區域為非人臉，直接結束檢測， 否則，級聯分類器將數據送入下一個強分類器分類，只有所有的強分類器均認 為此區域為人臉區域時，人臉級聯分類檢測器才給出區域為人臉的分類結果。
9、根據權利要求1所述的一種基於手機攝像頭結合人臉識別技術的身份 識別方法，其特徵是，所述的用生成的人臉辨識變換矩陣H分別對比對人臉Fi 及待識別人臉F一t進行人臉辨識線性變換，並生成相應的人臉辨識向量v,-和具體如下其中，Fi是從資料庫中取出的人臉，F一t是手機端上傳的待識別人臉，上述 兩式分別對Fi和F一t進行了人臉辨識變換，i和v—t是對應的人臉辨識向量， 最終的人臉識別將通過比對這兩個向量進行。
10、根據權利要求1所述的一種基於手機攝像頭結合人臉識別技術的身份識別方法，其特徵是，所述的計算人臉辨識向量Vf和V一w的歐氏距離rf;,鄉 ,，具體如下:其中V,,和Vi put.」分別是人臉辨識向量V;和" p ,的第j個分量，rf;,鄉 , 是向量V;和V; p ,的歐氏距離，該距離表徵向量"和V; p ,的相似程度，必,鄉 , 越小則相似程度越高。
全文摘要
一種無線網絡技術及模式識別領域的基於手機攝像頭結合人臉識別技術的身份識別方法，利用行動網路將待識別者的易辨識信息以及通過手機攝像頭採集的人臉照片圖像信息傳送至伺服器端，伺服器端根據易辨識信息將資料庫中滿足性別、年齡等條件的數據組成一個候選數據集；伺服器端利用主成分分析和線性鑑別分析對候選數據集中的人臉數據進行識別訓練後，對輸入圖像的人臉區域進行識別，並從識別結果中選擇最相似的用戶設定數目的結果通過多媒體信息服務傳送回手機端供用戶進行最終判斷。本發明實現成本和難度大大下降，提高了身份識別的速度及準確性。
文檔編號G06K9/00GK101226591SQ20081003328
公開日2008年7月23日 申請日期2008年1月31日 優先權日2008年1月31日
發明者劉決仕, 申瑞民, 任 童, 晶 金, 陳華曦 申請人:上海交通大學