[发明专利]一种基于短视频训练法的人脸识别方法

说明书

本发明公开了一种基于短视频训练法的人脸识别方法，方法包括：获取包含目标人脸的短视频；对短视频中的目标人脸进行识别和跟踪，提取若干目标人脸图片；对提取的若干目标人脸图片分别进行特征值提取，生成分别对应目标人脸图片的目标人脸特征值；将若干目标人脸图片对应的若干组目标人脸特征值进行组合，生成目标人脸特征矩阵；将目标人脸特征矩阵与预设的基准人脸特征矩阵进行对比，对目标人脸进行验证。本发明通过图像特征值提取方式，无需构建人脸模型，实现对人脸的精确识别，通过粗定位和精定位的算法，实现快速人脸匹配，本发明具有高精度识别算法和高防伪性。

技术领域

本发明涉及视频监控领域，尤其是一种基于短视频训练法的人脸识别方法。

背景技术

身份识别问题不但是人们在日常生活中经常遇见的一个难题，而且在国防，科研，安全，智能生产等等各个方面尤为重要。作为身份识别的一个最主要分支的人脸识别技术，由于其在维护国家安全和人民生命财产安全以及在反恐、防恐中具有重要意义，一直是业界研究的热点；而随着微电子技术、计算机技术的迅猛发展，数字图象技术与模式识别学科，人工智能技术的日益完善，人脸识别技术的应用范围还在不断扩大，比如罪犯识别，安全验证，快速人数统计等等，而且在技术上与经济上已经逐步成为可能。

人脸识别一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。目前的方法主要包括：

1)模板匹配方法。存储几种标准的人脸模式，用来分别描述整个人脸和面部特征；计算输入图像和存储的模式间的相互关系并用于检测。

2)基于外观的方法。与模板匹配方法相反，从训练图像集中进行学习从而获得模型或模板，并将这些模型用于检测。

客观上由于：人脸器官的形状、尺寸、纹理、表情等变化复杂，难以用统一的模式加以描述；人脸表面存在一些附属异物，比如眼镜、耳环，化妆等；光照等成像环境变化，使图像质量相差较大；图像背景变化大等等原因，导致输入图像与模板之间匹配度差，或者训练出的人脸模型特征值偏离人脸特征，导致目前主要的人脸识别算法还不能完美适用于所有场合。

虽然随着人工智能等技术的发展，在基于正面静态人脸检测与识别、人脸特征的提取、基于多姿态的人脸识别等方面已取得了大量的成果，但目前主要的人脸识别思路都是采用识别人脸的照片进行训练，生成一个识别模型，然后利用识别模型去识别某一个人，这种识别模式的关键问题是是否有足够的人脸图片以及是否可以训练出一个高精度的人脸模型，是属于静态识别模型算法。可见，此类人脸识别处理在匹配测试图像和人脸图像时要求两者都能够精确或是接近精确的描述真实的人脸目标，一旦某一方出现误描述，就会导致人脸识别的极大误差，特别是作为目标人脸的测试图像，如果人为的被伪造，将具有极其严重的欺骗性，导致人脸识别的彻底失败，存在较为明显的不足。

专利号为201410211494.8(公开日：2017.06.13)公开了一种视频人脸识别方法，其主要公开了以下内容：S1：对视频进行人脸检测和跟踪得到人脸序列；S2：对所述人脸序列进行筛选，得到人脸典型帧集合；S3：基于正面人脸生成技术和图像超分辨率技术优化所述人脸典型帧集合，得到增强的人脸典型帧集合；S4：通过将所述增强的人脸典型帧集合与预设的静态人脸图像匹配库比对，进行人脸识别或验证。该发明的方案在很大程度上解决了单一对比准确度低，防伪性差的问题。但该方案在对图片进行训练时，需要先对图片进行优化增强：采用正面人脸生成技术矫正所述人脸典型帧集合中人脸姿态大于预定阈值二的典型帧；采用图像超分辨率技术增强所述人脸典型帧集合中人脸眼距小于60像素的典型帧的分辨率；对所述增强的人脸典型帧集合及预设的静态人脸图像匹配库进行光照预处理。则其对图像进行训练学习的基础图形已非自然的人脸图像，学习结果包含了对图像处理过程遗留的非自然人脸特征。则一方面，该额外的训练结果会影响对短视频获取的人脸图片识别验证；另一方面，增加了人脸训练学习的工作量，影响人脸验证效率。

发明内容