[发明专利]一种基于近红外成像与深度学习的人脸识别系统

说明书

本发明公开了一种基于近红外成像与深度学习的人脸识别系统，包括：近红外图像采集和活体检测模块：用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30‑50cm距离，被采集人脸的眼睛盯着屏幕的中央处，缓缓的前后左右移动脸部；近红外人脸检测模块：基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性；实现实时人脸检测；近红外图像转换模块：用于将上人脸图像输入cycleGAN的神经网络模型，得到转换后的可见光人脸图像。本发明基于近红外成像进行人脸识别，对于光照鲁棒性好，不仅适用于白天，也适用于夜晚，甚至其他复杂光线条件，在无可见光照明和环境光照更复杂条件下的人脸识别率非常准确。

技术领域

本发明涉及图像处理及模式识别技术领域，尤其涉及一种基于近红外成像与深度学习的人脸识别系统。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，对于安防领域及各种身份认证系统具有重要作用，具有良好的发展和应用前景。一般步骤如下：针对输入的人脸图像或者视频，首先判断其是否存在人脸，如果存在人脸，则进一步给出每个脸的位置、大小和各个主要面部器官的位置信息。然后依据这些信息，进一步提取每个人脸中所蕴涵的身份特征数据，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

早期的人脸识别技术都在可见光状态下进行，但在实际应用中，环境光照通常更复杂，光照的强弱、方向与光源的数量等都会对可见光人脸识别产生影响。为了解决可见光各种因素对人脸识别的影响，人们提出了在红外光照下进行人脸识别的方法。主动光源位于不可见红外波段或者紫外波段，但长期照射紫外容易对人的皮肤和眼睛造成永久性伤害，中远红外波段成像会损失物体表面的大多数信息，一般不用于物体成像，因此近红外波段成为最好的选择，如：850nm。近红外人脸识别技术很大程度上解决了人脸识别中的光照影响，其能为人脸识别提供不受环境光影响的、高质量的人脸图像。

传统人脸识别算法：

人脸检测算法：opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。

人脸特征提取算法：表达图像几何特征的SIFT特征，表达图像纹理特征的局部二元模式（Local Binary Pattern，以下简称LBP），表达人脸图像统计特征的特征脸（Eigenface）等，都是基于人工定义的特征进行分类，使用的模型通常只包含一个提取特征的隐含层，特征往往不足以刻画和区分人脸，导致识别的准确率较低。

综上所述，现有人脸识别技术的识别精确率无法满足需求，为此，我们提出一种基于近红外成像与深度学习的人脸识别系统。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于近红外成像与深度学习的人脸识别系统，具有在环境光照不好甚至是黑暗环境下进行人脸识别，对背景、姿态等变化具有较好的鲁棒性，增加人脸识别精确率的特点，解决了现有人脸识别技术的识别精确率无法满足需求的问题。

本发明提供如下技术方案：一种基于近红外成像与深度学习的人脸识别系统，包括：

近红外图像采集和活体检测模块：用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30-50cm距离，被采集人脸的眼睛需要盯着屏幕的中央处，缓缓的前后左右移动脸部，并保持表情自然；

近红外人脸检测模块：基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，内存消耗不大，实现实时人脸检测；

近红外图像转换模块：用于将上一个模块中检测到的人脸图像输入cycleGAN的神经网络模型，得到转换后的可见光人脸图像；