[发明专利]一种基于视频流的动态人脸识别方法和装置

权利要求书

1.一种基于视频流的动态人脸识别方法，其特征在于，包括：

S1、对训练视频流进行样本采集，得到人脸图像训练样本；

S2、将人脸图像训练样本送入神经网络中进行训练，每个人脸图像训练样本训练得到一个多维特征向量，将所述多维特征向量进行归一化，并将属于同一个人的K个多维特征向量聚合为一个特征向量；

S3、利用聚合得到的特征向量，对未知视频流进行人脸识别。

2.根据权利要求1所述的方法，其特征在于，步骤S1还包括：

对得到的人脸图像训练样本进行分类清洗，使得属于同一个人的人脸图像训练样本被置于同一子集。

3.根据权利要求1所述的方法，其特征在于，步骤S2之前还包括：

对人脸图像训练样本进行人脸检测、人脸关键点检测和人脸对齐矫正。

4.根据权利要求1所述的方法，其特征在于，所述将属于同一个人的K个多维特征向量聚合为一个特征向量，包括：

通过对属于同一个人的K个多维特征向量按照不同权重向量分配进行线性组合，将K个多维特征向量聚合为一个特征向量。

5.根据权利要求4所述的方法，其特征在于，步骤S2具体包括：

针对每个人脸图像训练样本获得一个512维的特征向量Fⁱ_k，i＝1,2,…,n，n为总人数，i表示其中第i个人，k＝1,2,…,K_i，K_i为第i个人的人脸图像训练样本的总个数，k表示其中第k个人脸图像训练样本；

经过L2范数对得到的特征向量进行归一化；

将归一化后的、同一个人的K个特征向量聚合为一个特征向量，表示为：

其中，是线性权值因子。

6.根据权利要求5所述的方法，其特征在于，

线性权值因子通过以下公式计算获得：

其中，是每个特征向量与核滤波器q点积所产生的权重因子，q是一个通过神经网络学习所得到的512*512的矩阵。

7.根据权利要求1所述的方法，其特征在于，所述对未知视频流进行人脸识别之前，还包括：

对未知视频流进行样本采集，样本采集过程包括：从未知视频流包含的P帧图像中随机采集K帧图像，PK，得到P-K+1个图像集合，每个图像集合包括同一人脸的K个人脸图像测试样本；

对人脸图像测试样本进行预处理；

将样本采集的所有ID的人脸数据集合输入神经网络中进行训练，每一个ID图像集合经过特征融合都会得到对应的一个特征向量。

8.根据权利要求7所述的方法，其特征在于，步骤S3具体包括：

建立人脸注册数据库：通过将分别属于m个人的m个聚合得到的特征向量作为注册特征向量，建立人脸注册数据库；

通过计算测试特征向量与注册特征向量的相似度，进行人脸识别。

9.根据权利要求8所述的方法，其特征在于，所述通过计算测试特征向量与注册特征向量的相似度，进行人脸识别，包括：

将P-K+1个测试特征向量分别与人脸注册数据库中的目标注册特征向量进行余弦相似度计算，获得对应的相似度集合，如果该相似度集合中的最大值大于阈值，则表示识别正确；

或者，

将P-K+1个测试特征向量分别与m个注册特征向量依次进行余弦相似度计算，对获得的所有相似度进行排序，如果所有相似度中的最大值是某个测试特征向量与目标注册特征向量计算的相似度，且该最大值大于阈值，则表示识别正确。

10.一种基于视频流的动态人脸识别装置，其特征在于，包括：

样本采集模块，用于对训练视频流进行样本采集，得到人脸图像训练样本；

人脸识别特征融合训练模块，用于将人脸图像训练样本送入神经网络中进行训练，每个人脸图像训练样本训练得到一个多维特征向量，将所述多维特征向量进行归一化，并将属于同一个人的K个多维特征向量聚合为一个特征向量；

识别模块，用于利用聚合得到的特征向量，对未知视频流进行人脸识别。