[发明专利]一种人脸识别方法及应用该方法的电子病历登陆系统

权利要求书

1.一种人脸识别方法，其特征在于，包括以下步骤：

S1：获取面部图像：读取摄像头检测到的人脸视频中的面部图像；

S2:面部图像关键点定位：从S1获取的面部图像中选取一张目标照片进行人脸关键点的定位：采用随机森林的分类器融合算法对目标照片的人脸轮廓、眉、眼、鼻、嘴、下巴及耳朵关键点进行定位，定位到人脸关键点后确定该目标照片为人脸照片；

S3:人脸追踪检测：通过S2对人脸关键点进行定位后，以Viola-Jones检测器为基础在定位完前一个关键点后对下一个人脸特征点检测之前引入Kalman滤波器预测特征点可能出现的位置，对人脸关键点进行追踪检测：

所述Kalman滤波器预测特征点采用以下方法：假定人脸关键点在单位时间间隔内做匀速运动，所述Kalman滤波器采用的算法是一个对动态系统的状态序列进行线性小方差估计的算法，所述Kalman滤波器通过人脸关键点动态系统前一帧图像状态序列对人脸关键点动态系统下一帧图像状态序列利用状态方程和观测方程做出最优估计，所述状态方程和观测方程如下：

状态方程：x_t＝A·x_t-1+B·u_t+w_t

观测方程：z_t＝H·x_t+v_t

其中x_t为t时刻n维状态向量，z_t为t时刻n维测量向量；A、H分别为状态转移矩阵和测量矩阵；w_t、v_t是两个随即变量，分别为正态分布的状态和测量噪声向量；

S4:人脸眨眼检测：在S3的基础上采用Adaboost眨眼检测器对追踪的人脸照片进行眨眼检测：

Adaboost眨眼检测器眨眼检测的具体算法如下：

1)给定n个训练样本图像(x1，y1)，(x2，y2)，…，(xi，yi)，…，(xn，yn)的训练集，xi是第i个样本图像，yi是类别标识：yi＝0或1分别代表负样本(非睁眼)和正样本(睁眼)；

2)初始化权重系数：其中Dt(i)表示在第t次循环中第i个样本的权值，m和l分别是正样本和负样本的数量；

3)归一化权重：

4)每个Haar特征都会有一个弱分类器h与其对应，hj代表第j个Haar特征所对应的弱分类器，计算每个分类器对于有效样本的加权错误率：ξt＝∑iqt(i)|h(xi)－yi|，找到加权错误率最小的分类器ht，并把该分类器加入到强分类器中；

5)更新权重：经过T轮循环后会有T个加权误率最小的弱分类器生成，将这些弱分类器进行级联得到强分类器：

其中

通过上述算法获得多层迭加分类器，构造眨眼正样本图像集和眨眼负样本图像集来训练所述分类器，所述眨眼正样本图像集为睁开眼睛的图像，眨眼负样本图像集为非睁开眼睛的图像；

实际检测时，通过人脸图像中的人眼区域与眨眼正样本图像集以及眨眼负样本图像集进行对照比对，通过摄像头获得连续图像流来确定人脸图像的眨眼动作。

2.如权利要求1所述的一种人脸识别方法，其特征在于，所述S3步骤中采用Viola-Jones检测器包括多级级联的分类器，其进行人脸关键点追踪的具体算法如下：

a.设定每级分类器最大误报率f，每级分类器最小通过率d和整个Viola-Jones检测器的目标误报率Ftarget，已知正样本集合Pos和负样本集合Neg，所述正样本集合Pos是指符合预期结果的图像，反之为负样本集合Neg；

b.初始化F₁＝1，b；

c.While F_i>F_target；

d.用Pos和Neg训练第i层并设定阈值b，使得误报率f_i小于f，通过率大于d

e.F_i+1←F_i，i←i+1，Neg←，表示i层误报率赋值给i+1层，当前层i赋值为i+1即开始下一层训练，负样本集合Neg初始赋空值；

若F_i+1>F_target则用当前级联检测器扫描非人脸图像收集所有负样本集合Neg。