一种基于动静特征融合的人脸识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108446601A(43)申请公布日2018.08.24(21)申请号201810163721.2(22)申请日2018.02.27(71)申请人东南大学地址210096江苏省南京市玄武区新街口街道四牌楼2号(72)发明人帅立国秦博豪陈慧玲王旭张志胜(74)专利代理机构南京经纬专利商标代理有限公司32200代理人徐尔东(51)Int.Cl.G06K9/00(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于动静特征融合的人脸识别方法(57)摘要本发明公开了一种基于动静特征融合的人脸识别方法，尤其是基于综合的静态特征和动态特征的人脸识别方法；静态特征侧重全局轮廓，将人脸图像特征看做高维特征，通过线性和非线性变换映射到低维的子空间中，从而在低维空间中得到该原始样本的特征进行分类，动态特征侧重局部变化，主要根据人脸的表情，如微笑，沮丧等，通过提取人脸肌肉变化的动态特征，得到一组肌肉变化与时间的特征函数，从而进行精确识别和分类，实现人脸识别精度的提高。CN108446601ACN108446601A权利要求书1/1页1.一种基于动静特征融合的人脸识别方法，其特征在于：通过静态特征和动态特征相结合的方法实现人脸识别精度的提高。2.根据权利要求1所述的基于动静特征融合的人脸识别方法，其特征在于：前述的静态特征为提取人脸的整体轮廓特征，前述的动态特征为提取人脸表情变化时的肌肉特征。3.根据权利要求2所述的基于动静特征融合的人脸识别方法，其特征在于：包括以下步骤：步骤A，采用静态特征提取，具体还包括以下子步骤：步骤A1，通过摄像头或提前存储的视频文件中获取视频流，步骤A2，从获得的视频流中截取关键帧，步骤A3，利用主成分分析法、独立成分分析法和线性判别方法相结合，从所得的关键帧的图像信息中获取人脸的轮廓特征，步骤A4，利用梯度图像算法处理前述的人脸的轮廓特征，从而得到高维特征数据，利用二值、直方图线性或者非线性处理前述的人脸的轮廓特征，变换得到低维特征数据，步骤A5，将高维特征数据与低维特征数据进行相似度度量，即特征匹配，得到静态特征匹配的一个或者多个相似结果；步骤B，采用动态特征提取，具体还包括以下子步骤：步骤B1，通过摄像头或提前存储的视频文件中获取视频流，步骤B2，利用光流、差分的方法提取视频流中的动态特征，确定目标区域，步骤B3，从目标区域中选取所需要的脸部窗口，建立局部窗口，步骤B4，将局部窗口的图像进行二值化，提取动态的轮廓特征，采用金字塔匹配核或滑动窗算法将所得到的轮廓特征信息变换为动作序列，从而构建表情动作序列，步骤B5，将前述的表情动作序列生成用于匹配的动作向量信息，动态特征提取人脸表情变化，通过指定表情，提取人脸对应的肌肉动态变化，建立动作模型，将前述的动作向量与动作模型进行匹配，最终；步骤C，将静态特征匹配得到的一个或者多个相似结果与动态匹配得到的动作向量进行结果集融合，利用动态结果集对静态结果集进行校验，将错误结果进行剔除，得出最终识别结果并给出识别的置信度，完成识别操作；步骤D，若置信度不满足要求，重新开始整个识别过程。4.根据权利要求3所述的基于动静特征融合的人脸识别方法，其特征在于：前述利用光流、差分的方法提取视频流中的动态特征，光流即为光流信息法，动态特征的提取方法还包括时空特征点法或局部描述算子。5.根据权利要求3所述的基于动静特征融合的人脸识别方法，其特征在于：静态特征提取方法包括但不限于主成分分析法、独立成分分析法或线性判别方法。2CN108446601A说明书1/4页一种基于动静特征融合的人脸识别方法技术领域[0001]本发明涉及一种基于动静特征融合的人脸识别方法，属于人脸识别技术领域。背景技术[0002]目前,传统的身份识别方法存在不便于携带、易丢失、易损坏和易被破解或窃取的风险。因此人脸识别得到了广泛的关注,由于其具有较强的稳固性、隐蔽以及个体间差别性,安全性得到了保障,应用领域也愈加广泛,例如安全、民用、军用等领域。人脸识别作为生物特征识别的典型应用,在国防、金融、司法、商业等领域有着广阔的前景，受到了社会的密切关注与认可。与此同时，人脸识别的准确度也成为制约人脸识别发展的重要因素。[0003]人脸识别通常遇到小样本数据集问题,即所拥有的训练样本数目远小于待测人脸样本的大小，小样本数据集的问题会使得传统的特征提取方法和分类识别方法在人脸识别上很难获得较强的鲁棒性和较好的识别率。本专利通过综合的静态特征和动态特征的人脸识别方法，能够大大提高人脸识别的准确度。[0004]相似专利中，专利CN201010522281.9，基于多级分类的稀疏表征人脸识别方法是一种静态特征识别方法，与本专利所强调的静态特征