[发明专利]一种基于立体视频流的动态人脸识别系统及识别方法

说明书

本发明公开了一种基于立体视频流的动态人脸识别系统及识别方法，包括视频流、人脸检测模块、人脸跟踪模块、人脸聚类模块、人脸识别模块，所述视频流的输出端分别与人脸检测模块和人脸跟踪模块的输入端电性连接，且人脸检测模块的输出端与人脸跟踪模块的输入端电性连接，所述人脸跟踪模块的输出端与人脸聚类模块的输入端电性连接。本发明中，采用多标签分类和多任务识别方法，在检测出人脸的同时识别出人脸的关键点信息以及人脸属性信息，在人脸检测的同时识别出人脸属性的相关信息，节省了属性识别的计算时间，提出基于跟踪结果的聚类分析方法，剔除跟踪结果中非当前id的人脸图片，减少了人工删选工作，有利于后期人脸数据的收集工作。

技术领域

本发明涉及会人脸识别技术领域，尤其涉及一种基于立体视频流的动态人脸识别系统。

背景技术

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。

现有的视频流人脸动态识别系统主要包括人脸检测，人脸跟踪，图像质量判定，特征提取，特征比对等模块，目前人脸检测算法只提取图片中的人脸位置信息，对于人脸属性信息(是否模糊、是否带墨镜、是否遮挡等)在检测过程中并无识别，而是采用单独的质量判定算法来识别人脸信息，这样会造成重复计算，增加算法耗时，当人脸出现遮挡、交替时，跟踪算法会失效，导致跟踪的结果中同一个id出现不同的人，在进行特征提取前，采用质量判定算法找出人脸跟踪结果中图片质量最好的一张图片进行特征提取，但该图片没有融合前后帧的信息，对识别的准确率会有影响。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于立体视频流的动态人脸识别系统。

为了实现上述目的，本发明采用了如下技术方案：一种基于立体视频流的动态人脸识别系统，包括视频流、人脸检测模块、人脸跟踪模块、人脸聚类模块、人脸识别模块；

所述视频流的输出端分别与人脸检测模块和人脸跟踪模块的输入端电性连接，且人脸检测模块的输出端与人脸跟踪模块的输入端电性连接，所述人脸跟踪模块的输出端与人脸聚类模块的输入端电性连接，所述人脸聚类模块的输出端与人脸识别模块的输入端电性连接。

作为上述技术方案的进一步描述：

人脸识别模块由人脸位置信息模块、人脸关键点信息模块和人脸属性信息模块组成。

作为上述技术方案的进一步描述：

人脸检测模块由卷积残差网络、分离通道卷积构成，用于提取图像特征，该网络的支路部分作为输出，主要有三部分的输出：人脸的位置信息、人脸的关键点信息和人脸的其他属性信息。

一种基于立体视频流的动态人脸识别方法，包括以下步骤：

S1：对视频流中的图像传输到人脸检测模块进行识别，如果存在人脸则对人脸进行对齐和识别，如果不存在则重新开始检测；

S2：完成人脸识别后，若存在已知人脸，则对视频流中的人脸进行追踪，若不存在已知人脸，则截取人脸图像进行保存并重新开始检测。

S3：人脸类聚：对于人脸跟踪模块采集的图像，用深度学习网络提取跟踪结果中人脸图像的特征，采用聚类算法判断当前跟踪结果中的类别数目，如果类别数目大于1，则删除图像数目较少的类别，保证当前结果只有一个类别，并保存类别中心用于识别比对。

作为上述技术方案的进一步描述：