[发明专利]一种人脸识别方法及系统

说明书

本发明公开了一种人脸识别方法及系统，该系统包括：人脸目标检测模块，基于PyramidBox算法实现图像中人脸目标的挖掘；特征提取模块，用于提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；特征融合模块，将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征向量；人脸识别模块，基于人脸特征向量采用最近邻分类器实现人脸的识别。本发明使用多种特征融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率，实现了未识别人脸的自动锁定，从而可以减少识别漏洞，便于用户较快的锁定可疑对象。

技术领域

本发明涉及人脸识别系统，具体涉及一种人脸识别方法及系统。

背景技术

人脸识别是基于人的脸部特征信息进行身份认证的一种生物识别技术。通过摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行匹配与识别。

人脸识别的应用领域很广泛，尤其是在安防反恐、金融支付、门禁考勤、身份识别等众多领域起着非常重要的作用，它所涉及的领域知识有生物医学、模式识别、图像处理、机器学习等。

目前，人脸识别算法主要有：（1）模板匹配法:主要利用了人脸的纹理和灰度特征，采用最近邻分类器，

将待识别的图像与数据集中的所有模板进行匹配，进而找出最相似的模板。该方法主要存在的问题是，如果数据集足够大，那么进行匹配的时候，时间消耗很大，而且准确率会有所降低。

（2）主成分分析法(PCA):简而言之，就是将原始图像库的图像用一个低维的特征表示出来，该特征一般要求能够代表整张图片的90%以上，可以很大程度上减少计算量。然而 该算法对外界环境较敏感，而且在识别过程中，初始特征量个数难以事先确定。

（3）支持向量机(SVM):支持向量机是一种能力很强的分类器，一般情况下，采用此分类器的算法准确率较高。当人脸样本数量较大时，该算法的时间复杂度和空间复杂度都较高。

（4）线性判别式分析(LDA):其基本思想是将高维的模式样本投影到最佳判别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离。过分强调类间距较大，忽视了类间距较小的特征，最终会造成类间距较小的类别大量的重叠，导致最终的识别准确率不高。

发明内容

为了改善人脸识别方法只基于一种特征、识别方法单一造成的识别率低的问题，本发明提供了一种人脸识别方法及系统，使用多种特征融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率。

为实现上述目的，本发明采取的技术方案为：

一种人脸识别系统，包括：

人脸目标检测模块，基于PyramidBox算法实现图像中人脸目标的挖掘；

特征提取模块，用于提取所述人脸目标的LBPH、SIFT以及人脸骨骼特征；

特征融合模块，将提取的人脸骨骼特征、SIFT和LBPH3种特征以3∶1∶5的权重进行融合，得到人脸特征向量；

人脸识别模块，基于人脸特征向量采用最近邻分类器实现人脸的识别。

进一步地，所述人脸骨骼特征基于Kinect深度传感器提取。

进一步地，还包括：

人脸目标隐藏模块，用于实现图像中已完成人脸识别的人脸目标的隐藏。

进一步地，还包括：