公开/公告号CN112270215A
专利类型发明专利
公开/公告日2021-01-26
原文格式PDF
申请/专利权人 杭州电子科技大学;杭州华炳电子科技有限公司;
申请/专利号CN202011089532.9
申请日2020-10-13
分类号G06K9/00(20060101);G06K9/62(20060101);G06N3/08(20060101);
代理机构33240 杭州君度专利代理事务所(特殊普通合伙);
代理人杨舟涛
地址 310018 浙江省杭州市下沙高教园区2号大街
入库时间 2023-06-19 09:40:06
技术领域
本发明属于计算机视觉领域,具体涉及一种基于序列特征梯度向量结构人脸识别方法。
背景技术
人工智能方面的技术是目前受到关注度最高的技术之一。随着2020年世界人工智能大会在中国上海举行。各国专家云端论道,人工智能的当下作用与未来前景愈发清晰。
制约人工智能技术发展的阻碍之一就是其高成本的实施。就例如人脸识别技术。人脸识别技术一直是人工智能技术的图像识别领域的研究热点。近年来,基于图像像素处理的深度神经网络在人脸识别应用中取得了很大的成功。随着这项技术的普及,各类人脸识别设备应运而生,例如海康威视人脸识别机的人脸追踪就是采用的深度学习。
但是人脸识别技术采用深度学习的较少,因为这种方法存在时间复杂度高、训练速度慢等一系列问题,在一个训练好的模型文件中加入新的一组人脸时,需要要重新训练,而其训练速度慢又对训练设备的要求非常高等缺点,大大的掣肘了深度学习在人脸识别方面的应用。
而基于人脸几何特征识别的技术效率高,几乎不经过训练就可以使用,但是其鲁棒性差,识别精度低,容易受到外界因素的影响。
发明内容
本发明针对现有产品和技术的不足,提供了一种基于序列特征梯度向量结构人脸识别方法。
本发明一种基于序列特征梯度向量结构人脸识别方法,该方法具体包括以下步骤:
步骤一:通过级联坐标系确定人脸组合特征的相对位置;
所述的级联坐标系由三个坐标系级联而成,即世界坐标系、相机坐标系和人脸运动坐标系;
其中人脸运动坐标系包括人脸中心坐标系和动态相对坐标系;
人脸中心坐标系:面部中心坐标系是将眉毛的中心对称点为原点,建立直角坐标系,将面部分为四个部分地区;
动态相对坐标系是将鼻翼点与鼻下点的距离作为单位向量建立极坐标系,提取的特征点与单位向量的相对位置;
步骤二:提取特征点的梯度序列化;
对人脸特征点向量值进行梯度运算具体为
其中S
T=S
其中T表示人脸特征点向量值的梯度,d
通过对梯度的多次推导,得到稳定的序列波形。
步骤三:序列结合BP深度学习算法得到人脸识别模型用于人脸识别。
作为优选,步骤二中的特征点为从68个特征点中筛选出32个特征点作为面部特征序列点的特征;顺序为左眉梢、左眉峰、左眉腰、左眉头、左外眼角、左内眼角、左鼻小柱点、左上嘴唇唇峰、左上嘴唇唇峰垂直向下左上嘴唇口唇线点、左上嘴唇唇峰垂直向下左下嘴唇点、左上嘴唇唇峰垂直向下左下嘴唇点口唇线点、右眉头、右眉腰、右眉峰、右眉梢、右内眼角、右外眼角、右鼻小柱点、右上嘴唇唇峰、右上嘴唇唇峰垂直向下右上嘴唇口唇线点、右上嘴唇唇峰垂直向下右下嘴唇点、右上嘴唇唇峰垂直向下右下嘴唇点口唇线点、鼻根点、上鼻背点、下鼻背点、鼻尖点、鼻下点、嘴唇谷点、嘴唇谷点垂直向下上嘴唇口唇线点、嘴唇谷点垂直向下下嘴唇口唇线点、嘴唇谷点垂直向下下嘴唇点、下巴中间点。
作为优选,序列结合BP深度学习算法得到人脸识别模型用于人脸识别;具体为:
单层隐藏层结点数为
本发明相对于现有技术具有有益效果:
1、相较于像素直接训练的方法,对人脸图片信息进行大幅度的降维,训练数据维度降为30。训练一次,降低至少两个数量级。
2、训练速度快,将深度学习基于目前的硬件设备,在增加一组新用户的时候可以快速更新识别模型。
3、降低深度学习的计算量,降低对硬件的要求,降低了人脸识别技术实施的成本,使大面积应用深度学习于人脸识别成为可能。
附图说明
图1为世界坐标系;
图2为相机坐标系;
图3为人脸几何特征梯度的最终波形。
具体实施方式
所述的一种基于序列特征梯度向量结构人脸识别方法,在保证识别精度的前提下,提高了学习效率。本发明通过人脸几何分类器和人脸级联坐标(CSS),采集相对稳定的人脸特征坐标,然后通过梯度向量序列(SVGA)得到人脸序列。利用序列图作为神经输入信号,结合机器学习,生成识别模型。
本发明提取和识别面部几何特征的整个过程可以分为三个主要阶段:
1.通过级联坐标系确定人脸组合特征的相对位置
2.提取特征点的梯度序列化
3.序列与算法结合学习
级联坐标系由三个坐标系级联而成,即世界坐标系、相机坐标系和人脸运动坐标系。
如图1、图2所示,人脸动态坐标的设置过程涉及世界坐标系和相机坐标系:
世界坐标系:世界坐标系是唯一的静态坐标系,代表真实世界空间。
相机坐标系:相机CS的轴取决于平板电脑的当前姿势,也称为用户视图;而人脸运动坐标系分为人脸中心坐标系和动态相对坐标系。
人脸中心坐标系:面部中心坐标系是基于面部和眉毛的原点,将面部分为四个部分地区,面中心坐标变化为:
动态相对坐标系:研究发现,面部的运动和位移总是与鼻子有关。大多数表情面部肌肉的拉伸和收缩总是会带动鼻翼,而偏移量与动作密切相关。研究人员随后提出以鼻子为单位向量坐标,建立鼻子特征点的动态相对坐标系。通过对多种不同面和不同坐标系的测试,验证了该级联坐标系的稳定性。
梯度序列化:
为了减少不同身体条件(如肥瘦)下人对面部特征的影响,在设计级联坐标系时,从 68个特征点中筛选出32个特征点作为面部特征序列点的特征。并且以鼻子和鼻尖形成的三角形为单位量,计算出由鼻子和眼睛的内眉毛角、鼻子和鼻梁、鼻尖和上唇形成的三个三角形作为梯度序列的前三个位置。
将人脸分为左、右两个面,以鼻子底部特征点为原点建立左、右极坐标。并对特征点向量值进去梯度运算。
其中S
T=S
其中T表示人脸特征点向量值的梯度,d
如图3所示,通过对梯度的多次推导,得到稳定的序列波形。
机译: 基于分类特征向量的训练支持向量机及基于相同特征的人脸识别方法
机译: 基于AAM和Gabor特征向量的鲁棒人脸识别方法
机译: 一种基于结构导航动态测试的构造方案识别方法