[发明专利]人脸识别系统及其方法

说明书

技术领域

本发明涉及一种人脸识别技术领域，尤其是涉及一种人脸识别系统及其方法。

背景技术

现今社会各界对个人身份认证进行有效识别的需求变得越来越迫切，使得生物特征识别技术在近几十年来取得了飞速的发展。作为人的一种内在属性，人脸具有很强的自身稳定性和个体差异性，并且相比于指纹识别等方式，人脸识别因具有非强制性、非接触性和并行性等优点，而成为了自动身份验证的最理想的依据。

当前的人脸识别技术在以下几个方面有着广泛的应用：刑侦部门根据预先存储在档案系统的罪犯照片，当获取到嫌疑犯的照片或者面部特征的描述后，可以从数据库中迅速查找确认，大大提高刑侦破案的准确率和效率；在海关、机场等公共场所，使用人脸识别技术，可以实现快速、高效以及自动化的通关服务，提高通行的效率和服务的质量；在银行、公司和公共场所可设立24小时的视频监控，当有黑名单人员进入时，可以进行实时跟踪、识别和报警等。

但是现有存在的问题为人脸识别检测速度太慢。

发明内容

本发明所要解决的技术问题在于提供一种人脸识别系统及其方法，避免了现有技术人脸识别检测速度太慢的问题。

为解决上述技术问题，本发明的技术解决方案是：

一种人脸识别系统，包括配置有摄像头的智能终端；

所述智能终端通过网络同后台服务器相连接；

所述智能终端里包含有人脸检测模块、预处理模块、特征提取模块；

所述后台服务器里包含人脸匹配模块和识别库；

所述识别库中存有用来对比的人脸模板。

所述人脸识别系统的方法，具体如下：

通过智能终端的摄像头来采集人脸图像，然后对该人脸图像进行特征提取，然后把特征提取后的图像发送到后台服务器中来和识别库中的人脸模板进行对比，找到最相似的人脸模板。

所述进行特征提取的步骤如下：

步骤1：启动人脸检测模块来对采集来的人脸图像进行人脸检测，其人脸检测采用Haar特征+Adaboost分类器来检测人脸图像，Haar特征是一种基于积分图的特征，主要在灰度图像中使用，该特征计算简单，提取速度较快。积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算。积分图能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。

Adaboost分类器的算法为首先提取人脸图像中的Haar特征，然后通过训练从中选出最优的Haar特征，在将训练得到的haar特征转换成若分类器，最后将得到的弱分类器进行优化组合用于人脸检测，其算法描述如下：

1)给定标定的训练样本集真假样本。

2)初始化权重其中分别表示真假样本的数据和总样本数；

3)对于所有样本的权重进行归一化：

对于每个样本中的第j个Haar-Like特征，可以得到一个简单分类器，也就是确定阈值和偏置，使得误差ε_j达到最小：

其中，代表第个训练图像的第个Haar特征，偏置两种情况；

在确定的简单分类器中，找出一个具有最小误差的弱分类器；

对所有的样本的权重进行更新；

4)最后得到的强分类器；

步骤2：再启动预处理模块进行预处理，预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。

人脸图像的预处理主要包括人脸矫正、人脸图像的增强以及归一化，人脸矫正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别；归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像；系统采用ASM模型匹配、同态滤波和直方图规定化进行人脸预处理；

主动形状模型(ASM)是一种基于统计模型的方法，该方法对训练集中大量形状实例进行统计，建立起反映目标形状变化规律的形状统计模型和反映灰度分布规律的局部灰度模型，在搜索过程中，首先利用训练得到的局部灰度模型进行搜索，之后利用形状模型来对搜索到的形状进行近似表达，同时对不合理的形状进行调整，通过循环迭代，得到理想的匹配结果；