[发明专利]一种可提高视频实时人脸识别精度的方法

说明书

本发明提供了一种可提高视频实时人脸识别精度的方法，先搭建人脸检测模型和人脸识别模型，随后通过人脸检测模型对实时获取的监控图像进行人脸检测，检测到人脸后，创建相应的人脸模板并对其后续k帧图像进行人脸跟踪，在此基础上，计算检测到人脸的图像及后续k帧人脸跟踪图像的人脸质量分和瞳距，最后通过人脸识别模型对高于人脸质量分阈值和瞳距阈值的人脸图像进行人脸识别，获得最终人脸识别结果。本发明适用于视频监控识别场景，可有效提高视频实时人脸识别精度。

【技术领域】

本发明涉及人脸图像处理技术领域，更具体地涉及一种可提高视频实时人脸识别精度的方法。

【背景技术】

生物特征识别技术是利用人体所固有的生理特征或行为特征来进行个人身份鉴定，其中人脸识别是基于人的脸部特征信息进行身份识别的一种生物特征识别技术。近年来，随着视频监控系统的普及，人脸识别以其非强制性、非接触性、并发性及操作简单、结果直观、隐蔽性好等优势受到市场的广泛青睐。然而，采用传统的基于单帧图像的人脸识别方法识别人脸时，一旦用于识别的单帧人脸图像出错，则会造成人员身份误判，从而导致识别精度降低。

【发明内容】

为了解决上述问题，本发明提供了一种可提高视频实时人脸识别精度的方法，以解决采用传统的基于单帧图像的人脸识别方法导致的人员身份误判、人脸识别准确率较低的技术问题。

本发明采用以下技术方案来解决上述问题：

一种可提高视频实时人脸识别精度的方法，包括以下步骤：

步骤1：搭建人脸检测模型和人脸识别模型；

步骤2：实时获取监控图像；

步骤3：通过人脸检测模型对步骤2中实时获取的图像进行人脸检测，检测到人脸后，创建相应的人脸模板并对其后续k帧图像进行人脸跟踪；

步骤4：对步骤3中检测到人脸的图像及后续k帧人脸跟踪图像进行人脸质量评价，根据评价指标及所占权重加权计算得出人脸质量分；

步骤5：计算步骤3中人脸图像的瞳距；

步骤6：在步骤4、步骤5的基础上，取若干满足要求的人脸图像进行人脸识别。

进一步的，步骤1包括以下步骤：

步骤1.1：构建卷积神经网络对标记好的人脸图像进行训练，训练完成后，得到人脸检测模型；

步骤1.2：构建卷积神经网络对分类好的人脸图像进行训练，训练完成后，得到人脸识别模型；

作为一种技术方案，步骤2中的实时监控图像是通过函数回调获取摄像头拍摄得到的。

作为一种技术方案，步骤3中，检测到人脸的图像为人脸检测帧，其后k帧图像为人脸跟踪帧。为保证识别过程的流畅性，k值根据人脸检测与人脸跟踪所需时间由人工赋予。

作为一种技术方案，步骤4中，评价指标为正脸分、人脸光照分、人脸光照对称分、清晰度分、睁眼分和闭嘴分，每项指标所占的权重由人工赋予。

作为一种技术方案，步骤5中，采用获取的人脸图像的瞳距来表征人脸与摄像头之间的距离。

进一步的，步骤6包括以下步骤：

步骤6.1：设定人脸质量分阈值为s1，瞳距阈值为s2，根据步骤3中创建的人脸模板收集人脸质量分高于s1且瞳距大于s2的人脸图像n张，对此n张人脸图像采用训练好的人脸识别模型进行人脸识别，与人脸识别库中的所有人进行一一比对，每幅人脸图像均获得人脸比对库中最大的相似率，因此获得n个相似率数值。n值根据选用的摄像机帧数由人工赋予。