[发明专利]基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统

说明书

本发明公开了一种基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统，涉及热成像人脸识别领域。本发明包括如下步骤：注册热像人脸图像以及对应的真实人脸图像并构建人脸数据库；基于TensorFlow构造卷积神经网络训练出人脸数据库分类模型；视频设备采集人脸可见光图像和人脸热红外图像；采集到的图像进行边缘检测算法预处理并进行通道叠加生成融合图像；融合图像进行CNN特征向量提取；通过人脸数据库分类模型对CNN特征向量进行检索。本发明通过将采集到的图像进行边框提取并进行通道叠加生成融合图像，对融合的图像进行CNN特征提取，输入人脸数据库分类模型进行识别，使红外人脸图像的特征提取稳定、增加人脸红外图像的识别率。

技术领域

本发明属于热成像人脸识别领域，特别是涉及一种基于TensorFlow构建的卷积神经网络热像人脸识别方法，及一种基于TensorFlow构建的卷积神经网络热像人脸识别系统。

背景技术

人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是模式识别、机器学习和计算机视觉领域最具挑战性的研究方向之一，是一个高维的模式识别问题。在可见光人脸识别领域，已有的研究要求待识别人是配合的，正面站在摄像头前，并且保持均匀的光照。然而，在实际的人脸识别里，人脸的姿态是非可控的，同时光照条件变化多端，人脸也会存在彼此遮挡，这些对人脸识别提出了很大的挑战。远红外人脸识别具有消除光照及阴影的影响、被动性、实现全天候识别等特点，成为弥补可见光人脸识别不足的重要研究方向之一。

随着近年来，以深度学习为代表的机器学习异军突起，称为当前人工智能研究领域的热点，由于深度神经网络模型复杂，训练数据多，计算量大等缺点出现，使深度学习所使用的深度神经网络DNN(DeepNeuralNetworks)需要的参数量极大，同时DNN需要大量数据才能训练出高准确率的模型。当远红外成像应用于深度识别人脸识别也有其缺陷：一方面，由于红外热像仪分辨率的限制，红外人脸图像的分辨率不高；另一方面，人脸温谱图会随着外界环境温度、心理状况以及生理状况的变化而变化，且导致温谱图的变化是非线性的。因此，提取低质量、不稳定红外人脸图像的不变特征，成为红外人脸识别系统的关键技术。

发明内容

本发明的目的在于提供一种基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统，通过视频设备分别采集人脸可见光图像和人脸热红外图像，对采集到的图像进行边框提取并进行通道叠加生成融合图像，对融合的图像进行CNN特征提取，输入人脸数据库分类模型进行识别，解决了现有的红外人脸图像的分辨率不高、特征提取不稳定、识别困难问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于TensorFlow构建的卷积神经网络热像人脸识别方法，包括如下步骤：

步骤S1：注册热像人脸图像以及对应的真实人脸图像并构建人脸数据库；

步骤S2：基于TensorFlow构造卷积神经网络训练出人脸数据库分类模型；

步骤S3：视频设备采集人脸可见光图像和人脸热红外图像；

步骤S4：采集到的图像进行边缘检测算法预处理；

步骤S5：将处理后的图像进行通道叠加生成融合图像；

步骤S6：对融合后的图像进行CNN特征向量提取；

步骤S7：通过人脸数据库分类模型对CNN特征向量进行检索。

优选地，所述步骤S3中，人脸可见光图像为三通道图像，人脸热红外图像为单通道图像。

优选地，所述步骤S4中，边缘检测算法预处理具体实现步骤如下：

步骤S41：输入采集到的人脸可见光图像和人脸热红外图像；