[发明专利]基于压缩跟踪与IHDR增量学习的视频人脸在线识别方法

说明书

本发明涉及一种基于压缩跟踪与IHDR增量学习的视频人脸在线识别方法，其特征在于：结合人脸检测算法与压缩跟踪算法对多姿态人脸进行检测，使用基于IHDR算法的增量学习机制对人脸特征库进行构建，采用该人脸特征库实现对人脸样本与类别的在线更新；在进行视频人脸识别时，利用人脸在视频中是连续运动的特点，基于人脸特征库检索进行人脸识别，当人脸被准确识别出来后，启用压缩跟踪算法对目标人脸进行跟踪。采用该人脸特征库实现对人脸样本与类别的在线更新，使得该人脸特征库具有在线学习能力，具有较好的易用性和实时性，能够提高视频人脸识别算法的实时性与识别率。

技术领域

本发明属于模式识别领域，涉及图像处理和计算机视觉等技术，特别是基于压缩跟踪算法与IHDR增量学习机制的视频人脸在线识别方法

背景技术

随着视频监控系统在众多领域的普及，基于视频的人脸识别技术也得到了长足的进步与发展，该技术对于智能交通、门禁、安防监控等领域起到了非常重要的作用，目前越来越多的场合都对视频中的人脸识别技术提出了更高的要求，较高的人脸识别率、实时性以及易用性是视频人脸识别算法最重要的技术指标。目前视频人脸识别方法主要有基于视频序列、基于图像集以及基于字典学习等方法。以上这些传统的视频人脸识别方法都需要手工的选取人脸训练样本对人脸识别模型进行训练，若要添加新的人脸样本与人脸类别，则需要重新对识别模型进行训练，从而导致算法的实时性与易用性不足。由于人脸姿态的易变性，光照、背景以及距离等外在因素的变化，都对算法的识别率会造成严重影响。

发明内容

本发明要解决的技术问题在于解决在视频人脸识别过程中存在的以下问题：(1)人脸姿态出现大幅度偏转容易导致识别算法失效；(2)当需要为人脸识别模型添加新样本或类别时需要重新训练模型；(3)以及由于算法开销过大导致算法实时性不足的问题。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于压缩跟踪与IHDR增量学习的视频人脸在线识别方法，其特征在于：结合人脸检测算法与压缩跟踪算法对多姿态人脸进行检测，使用基于IHDR算法的增量学习机制对人脸特征库进行构建，采用该人脸特征库实现对人脸样本与类别的在线更新；在进行视频人脸识别时，利用人脸在视频中是连续运动的特点，基于人脸特征库检索进行人 脸识别，当人脸被准确识别出来后，启用压缩跟踪算法对目标人脸进行跟踪。

上述技术方案中，主要包含以下步骤：

步骤S1：通过人脸检测与压缩跟踪算法对摄像头中所捕获视频图像中的多姿态人脸进行检测；

步骤S2：对所检测到的人脸进行图像预处理以及CSLBP特征提取；

步骤S3：将所提取出来的CSLBP人脸特征作为检索向量对IHDR增量学习树进行搜索；

步骤S4：给定人脸检索的有效阈值α，设定当前所检测到的人脸特征与IHDR学习树所检索到的人脸特征的相似度为s，若相似度s≤α，且连续3帧都为该人脸，则判断当前检索是有效的；在视频帧中的目标人脸上输出该人脸标签，同时启用压缩跟踪算法对该人脸进行跟踪；在进行人脸跟踪过程中，不断判断当前人脸是否超出视频采集的边界，若没有，继续跟踪人脸，若超出边界，则跳转至步骤S1重新执行以上步骤；

步骤S5：若相似度α＜s≤β，则判断当前人脸识别错误，重新进行人脸识别，转至步骤S1重新执行以上步骤；步骤S6：若相似度s＞β，则判断当前人脸未曾学习过，给定该人脸标签，同时提取该人脸的CSLBP特征，应用分层聚类算法对人脸特征库进行在线增量更新；当所采集的人脸样本数达到所设定的阈值时，跳转至步骤S1重新执行以上步骤。

上述技术方案中，步骤S1通过人脸检测与压缩跟踪算法对摄像头中所捕获视频图像中的多姿态人脸进行检测，主要包含以下步骤：

步骤S11：使用摄像头对图像进行采集，获取摄像头所捕获的当前图像帧，应用Haar特征与Adaboost算法对图像帧中的人脸进行检测；