[发明专利]一种全自动化的人脸识别校准检测方法

说明书

本发明公开了一种全自动化的人脸识别校准检测方法，包括对数据库中的大量人脸图像，利用LBP算子来提取描述人脸图像局部纹理特征；将LBP纹理特征作为DBN的输入，进行DBN训练；将摄像头获取到的需识别的人脸图像，利用LBP算子进行特征提取后，在DBN顶层识别人脸图像，与数据库中的特征进行比对，当结果为真时，实现人脸识别检测。本发明所述的全自动化的人脸识别校准检测方法，不断将新的人脸图像及特征加入数据库进行识别校准，从而不断提高识别的准确率和精准度。

技术领域

本发明涉及人脸识别技术领域，具体地，涉及一种全自动化的人脸识别校准检测方法。

背景技术

随着技术的不断发展,传统的磁性卡、密码等识别方法,由于存在容易丢失、容易复制、容易忘记等问题，经受越来越多的挑战,可靠性不断下降。与其他生理特征相比,人脸特征具有主动、直接、简单、友好的特点,逐渐进入研究使用范畴。

人脸识别过程分为三个部分。一、采集人脸图像，建立人脸图像数据库。其次,提出了特征,然后将特征数据提取到特征库中。最后,鉴定了个人身份信息,用特定的匹配算法将被识别人的人脸特征匹配,从而实现对数据库中的特征数据的识别。现有人脸识别技术受以下因素影响，造成识别正确率的下降。1.表情,当人脸的表情变化将会造成算法识别率急剧下降。二是容貌变化,不同的年龄段，人脸会有细微差别,人脸特征的改变增加识别难度。三是装饰品，化妆、眼镜或帽子对识别结果造成影响。四是光线，光影条件的不稳定性影响识别正确率。

发明内容

本发明的目的在于提供一种全自动化的人脸识别校准检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种全自动化的人脸识别校准检测方法，包括以下步骤：

S1.对数据库中的大量人脸图像，利用LBP(局部二值)模式算子来提取描述人脸图像局部纹理特征,原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0；这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。这里，LBP算子作为一种有效的纹理描述算子,能够描述人脸图像中的亮点、暗点、边缘等的分布,它计算简单、运算速度快,并且具有光照和旋转不变的特性。

S2.将LBP纹理特征作为DBN(深度信念网络)的输入，进行DBN训练，即以LBP纹理特征为输入,对第一层RBM进行无监督训练,获得该层的最优参数；其次将低一层RBM的输出数据作为高一层RBM的输入数据,并对该层RBM进行无监督训练,获得最优参数；最后利用全局训练的方法对训练好的各层参数进行微调，使DBN收敛到全局最优。

S3.将摄像头获取到的需识别的人脸图像，利用LBP算子进行特征提取后，在DBN顶层识别人脸图像，与数据库中的特征进行比对，当结果为真时，实现人脸识别检测。

进一步的,在所述S2步骤中，先单独训练每个卷积网络,然后,通过固定所有卷积网络实现对RBM的训练，使模型在初始化时更接近一个良好的局部最小值，最后,整个网络通过从最顶层的RBM到所有低层的卷积神经网络的反向传播误差进行微调。

进一步的，在所述S3步骤中，当比对结果为假时，将新获取的人脸图像及提取的纹理特征存入数据库，进行DBN训练。

由于对硬件要求较高，进一步的，所述S1、S2步骤均在专门服务器上进行。

与现有技术相比，本发明的有益效果是：本发明所述的全自动化的人脸识别校准检测方法，利用LBP算子提取描述人脸图像局部纹理特征，再通过DBP进行训练，通过对特征在DBP条件下进行比对，不断将新的人脸图像及特征加入数据库进行识别校准，从而不断提高识别的准确率和精准度。

附图说明