一种伪装人脸分层识别方法及系统

1.一种伪装人脸分层识别方法，其特征在于:采用两层分类器对识别对象脸部进行分层识别，其中第一层分类器为用于区分人脸有无伪装的通用伪装特征识别分类器，第二层分类器为用于识别对象身份的个体人脸特征识别分类器，所述第二层分类器进一步包括针对无伪装人脸的人脸识别分类器以及针对有伪装人脸的伪装人脸识别分类器，所述方法包含以下步骤：
1）通过可见光传感器采集识别对象的人脸图像特征数据；
2）在第一层分类器中进行通用伪装特征识别，使用可见光传感器所采集的人脸图像特征数据与数据库中伪装人脸的通用特征数据进行比较，判断对象人脸有无伪装，并对伪装类型进行分类；
3）在第二层分类器中对人脸进行个体特征识别，对于无伪装人脸直接调用人脸识别分类器对可见光传感器所采集的人脸图像特征数据进行识别，判断对象身份并输出结果，识别结束；对于有伪装人脸则进入下一步骤；
4）根据步骤2）对伪装类型的分类，使用红外线传感器对识别对象人脸有伪装部分进行进一步图像特征采集，并结合可见光传感器所采集的人脸的无伪装部分的图像特征数据，调用伪装人脸识别分类器进行识别，判断对象身份并输出结果，识别结束。
2.根据权利要求1所述的一种伪装人脸分层识别方法，其特征在于：所述第一层分类器采用前向神经网络实现对人脸是否有伪装的识别判断以及伪装类型的分类。
3.根据权利要求1所述的一种伪装人脸分层识别方法，其特征在于：第一层分类器中采用的人脸图像特征数据包括：用于区分有无眼镜、胡须的区域水平投影特征，用于区分有无墨镜、胡须的区域平均灰度特征，用于判断有无局部遮挡的对称相关性系数和不变矩特征，以及用于判断有无化妆的眼睛和嘴部的局部特征。
4.根据权利要求1所述的一种伪装人脸分层识别方法，其特征在于：所述第二层分类器中的人脸识别分类器采用的识别方法包括神经网络、小波分析和支持向量机算法。
5.根据权利要求1所述的一种伪装人脸分层识别方法，其特征在于：第二层分类器中的伪装人脸识别分类器采用神经网络集成算法。
6.一种应用权利要求1所述的一种伪装人脸分层识别方法的伪装人脸分层识别系统，其特征在于：其包括用于采集对象脸部图像特征的图像采集单元（1），以及储存并运行所述分层识别分类器和数据库以对所采集特征数据进行分析识别的计算机主机（2），其中所述图像采集单元（1）包括并行的可见光传感器（11）和红外传感器（12），在主机上（2）运行的分类器包括两层分类器，其中第一层分类器为用于区分人脸有无伪装的伪装识别分类器，其使用可见光传感器（11）所采集的人脸图像特征数据与数据库中伪装人脸的通用特征数据进行比较匹配，判断对象人脸有无伪装，并对伪装类型进行分类；第二层分类器为用于识别对象身份的个体人脸特征识别分类器，其进一步包括针对无伪装人脸的人脸识别分类器以及针对有伪装人脸的伪装人脸识别分类器，对于无伪装人脸直接调用人脸识别分类器对可见光传感器（11）所采集的人脸图像特征数据进行识别，对于有伪装人脸则调用伪装人脸识别分类器对红外线传感器（12）结合可见光传感器（11）采集的人脸图像特征数据进行识别以判断对象身份。
7.根据权利要求6所述的一种伪装人脸分层识别系统，其特征在于：所述可见光传感器（11）为CCD或CMOS图像传感器。

一种伪装人脸分层识别方法及系统\n技术领域\n[0001] 本发明涉及一种生物特征识别技术，特别是一种伪装人脸分层识别方法及系统。\n背景技术\n[0002] 人脸识别是根据识别对象的人脸图像特征判断该对象是否与数据库中记录的某人为同一人，这是一种新兴的生物特征识别技术，人脸识别因具有采集方便以及不需要识别对象配合的优点而具有广泛的应用前景，比如用于在机场中识别记录在案的恐怖或者犯罪分子。然而，识别对象通常会在脸部进行伪装来遮蔽人脸某些区域的本来特征，这就对人脸识别系统提出很高的要求。伪装人脸通常指戴上眼镜或有胡须、化妆、过长遮挡了部分面部的头发、或遮挡了部分面部的围巾等故意或非故意的改变后的人脸。现有人脸识别系统对于此类带有伪装的人脸识别效率非常低，不能满足实际使用的需要。\n发明内容\n[0003] 针对以上情况，本发明提供了一种能有效地识别伪装人脸的方法，并连带提出了一种应用此方法的系统。\n[0004] 本发明采用的技术方案可以描述为：\n[0005] 一种伪装人脸分层识别方法，其特征在于:采用两层分类器对识别对象脸部进行分层识别，其中第一层分类器为用于区分人脸有无伪装的通用伪装特征识别分类器，第二层分类器为用于识别对象身份的个体人脸特征识别分类器，所述第二层分类器进一步包括针对无伪装人脸的传统人脸识别分类器以及针对有伪装人脸的伪装人脸识别分类器，所述方法包含以下步骤：\n[0006] 1.通过可见光传感器采集识别对象的人脸图像特征数据；\n[0007] 2.在第一层分类器中进行通用伪装特征识别，使用可见光传感器所采集的人脸图像特征数据与数据库中伪装人脸的通用特征数据进行比较，判断对象人脸有无伪装，并对伪装类型进行分类；\n[0008] 3.在第二层分类器中对人脸进行个体特征识别，对于无伪装人脸直接调用传统人脸识别分类器对可见光传感器所采集的人脸特征数据进行识别，判断对象身份并输出结果，识别结束；对于有伪装人脸则进入步骤4；\n[0009] 4.根据步骤2对伪装类型的分类，使用红外线传感器对识别对象人脸有伪装部分进行进一步图像特征采集，并结合可见光传感器所采集的人脸的无伪装部分的图像特征数据，调用伪装人脸识别分类器进行识别，判断对象身份并输出结果，识别结束。\n[0010] 作为以上技术方案的一种改进，所述第一层分类器采用前向神经网络实现对人脸是否有伪装的识别判断以及伪装类型的分类。\n[0011] 作为以上技术方案的一种改进，第一层分类器中采用的人脸图像特征包括：用于区分有无眼镜、胡须的区域水平投影特征，用于区分有无墨镜、胡须的区域平均灰度特征，用于判断有无局部遮挡的对称相关性系数和不变矩特征，以及用于判断有无化妆的眼睛和嘴部的局部特征。\n[0012] 作为以上技术方案的一种改进，所述第二层分类器中的传统人脸识别分类器采用的识别方法包括主特征分析法、神经网络、小波分析和支持向量机算法。\n[0013] 作为以上技术方案的一种改进，第二层分类器中的伪装人脸识别分类器采用神经网络集成算法。\n[0014] 本发明还提出了一种伪装人脸分层识别系统，其包括用于采集对象脸部图像特征的图像采集单元，以及储存并运行所述分层识别分类器和数据库以对所采集特征数据进行分析识别的计算机主机，其中所述图像采集单元包括并行的可见光传感器和红外传感器，在主机上运行的分类器包括两层分类器，其中第一层分类器为用于区分人脸有无伪装的伪装识别分类器，其使用可见光传感器所采集的人脸特征数据与数据库中伪装人脸的通用特征数据进行比较匹配，判断对象人脸有无伪装，并对伪装类型进行分类；第二层分类器为用于识别对象身份的个体人脸特征识别分类器，其进一步包括针对无伪装人脸的传统人脸识别分类器以及针对有伪装人脸的伪装人脸识别分类器，对于无伪装人脸直接调用传统人脸识别分类器对可见光传感器所采集的人脸图像特征数据进行识别，对于有伪装人脸则调用伪装人脸识别分类器对红外线传感器结合可见光传感器采集的人脸图像特征数据进行识别以判断对象身份。\n[0015] 作为以上技术方案的一种改进，所述可见光传感器（11）为CCD或CMOS图像传感器。\n[0016] 本发明的有益效果是：\n[0017] 本发明所提出的技术包括两层分类器，通过对大量伪装人脸样本的学习，建立了可识别是否化伪装的第一层分类器，再在第二层两个分类器分别识别无伪装的人脸和伪装人脸；其结合可见光传感器和红外传感器分别获取识别对象的人脸可见光图像和红外图像，传送到计算机进行分层识别，得出对象是否是数据库中的某人或不在数据库中的结论。\n此技术有效地解决了传统人脸识别技术无法识别伪装人脸或者识别率低的问题，具有广泛的应用前景。\n附图说明\n[0018] 图1为伪装人脸分层识别算法逻辑框图；\n[0019] 图2为第一层分类器逻辑框图；\n[0020] 图3为单层感知器神经网络结构示意图；\n[0021] 图4为神经网络集成的结构示意图；\n[0022] 图5为伪装人脸识别系统结构框图。\n具体实施方式\n[0023] 一种伪装人脸分层识别方法，如图1伪装人脸分层识别算法逻辑框图所示，采用两层分类器对识别对象脸部进行分层识别，其中第一层分类器为用于区分人脸有无伪装的通用伪装特征识别分类器，第二层分类器为用于识别对象身份的个体人脸特征识别分类器，所述第二层分类器进一步包括针对无伪装人脸的传统人脸识别分类器以及针对有伪装人脸的伪装人脸识别分类器，所述方法包含以下步骤：\n[0024] 1.通过可见光传感器采集识别对象的人脸图像特征数据；\n[0025] 2.在第一层分类器中进行通用伪装特征识别，使用可见光传感器所采集的人脸图像特征数据与数据库中伪装人脸的通用特征数据进行比较，判断对象人脸有无伪装，并对伪装类型进行分类；\n[0026] 3.在第二层分类器中对人脸进行个体特征识别，对于无伪装人脸直接调用传统人脸识别分类器对可见光传感器所采集的人脸特征数据进行识别，判断对象身份并输出结果，识别结束；对于有伪装人脸则进入步骤4；\n[0027] 4.根据步骤2对伪装类型的分类，使用红外线传感器对识别对象人脸有伪装部分进行进一步图像特征采集，并结合可见光传感器所采集的人脸的无伪装部分的图像特征数据，调用伪装人脸识别分类器进行识别，判断对象身份并输出结果，识别结束。\n[0028] 第一层分类器采用前向神经网络实现对人脸是否有伪装及伪装类型的分类，其结构如图2所示。其建立过程是通过对大量的人脸图像、伪装人脸图像进行机器学习。伪装人脸包括戴眼镜、有胡须、化妆和部分遮挡面部等。建立起与具体人无关的能区分人脸有无伪装的分类器，分类器目标是区分人脸有无伪装。采用的人脸图像特征包括：区域水平投影特征用于区分有无眼镜、胡须，区域平均灰度特征用于区分有无墨镜、胡须，对称相关性系数和不变矩特征用于判断有无局部遮挡，眼睛和嘴部的局部特征用于判断有无化妆。第一层分类器的具体实现通过三层前向神经网络来实现，在图2中x为输入的人脸图像特征，选取9个特征（x1-x9）：眼部区域水平投影特征、嘴部区域水平投影特征、眼部区域平均灰度、嘴部区域平均灰度、对称相关性系数、不变矩特征、主特征、眼部局部不变矩特征和和嘴部局部不变矩特征。神经网络的连接权重wij和偏置bij通过机器学习得到。第一层节点的激发函数Φ1i采用Sigmoid函数，第二层节点的激发函数Φ2j采用阈值函数。\n[0029] 第二层中对无伪装人脸的识别的分类器采用主特征分析的特征脸方法来进行识别，也可采用其它各种传统的识别方法，如神经网络、小波分析、支持向量机等。\n[0030] 第二层中对伪装人脸识别的分类器采用未受伪装影响的人脸特征结合插值恢复受伪装影响的小面积人脸特征，对于较大面积遮挡的人脸特征则结合红外图像特征进行识别。可见光传感器分辨率高，采集的图像信息量大，但是受伪装影响大。红外传感器受伪装影响很小，是基于人脸的温度差异产生不同强度的红外线成像，但是分辨率比较低，图像信息量较小。将二者结合可以较好地识别伪装人脸。\n[0031] 第二层中的伪装人脸分类器采用神经网络集成的方法来实现。神经网络集成是将多个解决同一问题的单个神经网络，按设计的方式组合成为一个新的整体，称为神经网络集成。单个神经网络均采用单层感知器网络，其结构如图3所示。根据伪装类型的不同选择不同人脸图像的特征，包括可见光传感器采集的图像特征和红外传感器采集的特征。\n[0032] 神 经 网 络 集 成 的 结 构 如 图 4 所 示，其 中 x 为 各 神 经 网络 的 输 入 特 征 矢 量，αi 为 各 神 经 网 络 线 性 组 合 构 成 神 经 网 络集 成 的 连 接 权 重，参 与 神 经 网 络 集 成 的 各 神 经 网 络 的 输 出 为 hi， 。神经网络集成的最后总体输出为H，集成的激\n发 函 数 F 为： , 其 中\n表示各类别， ，\n表示取使S 为最大的Ct值。这实际上是各神经网络输出的加权多数表决结果。\n[0033] 神经网络集成的核心包括神经网络的训练和分类权重两部分：\n[0034] （1）参与集成的各神经网络依次进行训练，后面训练的神经网络利用前面已经训练的神经网络的训练结果：给各训练样本以权重，前面神经网络训练中分类错误的样本权重加大，而已被分类正确的样本权重减小。各神经网络的训练优化目标是使分类错误的样本权重和为最小，这样后面的神经网络将更加关注被分类错误的困难样本，从而使总体分类错误减少；\n[0035] （2）集成的权重系数αi与各神经网络的分类能力相关，对训练样本分类错误的样本权重和越小的神经网络，其集成权重系数αi越大。\n[0036] 这样的神经网络集成通过多个结构简单、精度较低的神经网络加权组合得到了分类精度的提高。更重要的是这种组合还可以抵消过多神经网络集成的过拟合问题。\n[0037] 神经网络集成从结构形式上看类似于一个有一隐层多隐层节点的复杂神经网络，但两者有本质上的不同：两层神经网络是作为一个神经网络整体进行机器学习的，因此在结构设计上要复杂、机器学习需要的学习样本数量多、学习收敛慢、易陷于局部最优。神经网络集成的各个神经网络都是独立设计和训练的，各神经网络结构相对简单，因此训练也相对容易。然后对结构简单的多个神经网络进行合适的集成后可以使整体性能大大提升。\n而且可以理论证明其泛化误差只与单个神经网络的结构复杂度有关而与参与集成的神经网络数量无关，是有界的。\n[0038] 神经网络集成的权重系数αi的计算和训练样本权重 的调整算法如下表：\n[0039] 表1：神经网络集成的多分类器训练优化算法\n[0040] \n[0041] 基本思想是各神经网络依次训练，后面训练的神经网络的训练样本权重根据已训练的神经网络的训练结果进行调整：加大被错误分类的样本权重、减小已被正确分类的样本权重。这样更多关注被错误分类的困难样本。而各神经网络在最后集成中的权重系数则与各自神经网络的分类正确率有关：分类正确率高的权重系数大。\n[0042] 设训练集为：m个训练样本， 为样本i的输入特征， 为样本i的标签， 为样本i在第t个神经网络进行训练时的权重， 为第t个神经网络的输出， 为第t个神经网络对样本i的输出， 为第t个神经网络在最后神经网络集成中的权重系数， 为第t个神经网络在训练中分类错误的训练样本的权重和， 、 为第t个神经网络的内部神经元间的连接权重系数和神经元的阈值参数。 为样本权重规范化因子，以使对每个神经网络的样本权重均和为1。\n[0043] 本发明还在上述方法的基础上提出了一种伪装人脸识别系统，由用于采集对象脸部图像特征的图像采集单元1以及承载并运行所述分层识别分类器和数据库对所采集特征数据进行分析识别的计算机主机2两部分构成，如图5所示。其中图像采集单元包括并行的可见光传感器11和红外传感器12，在主机上2运行的分类器包括两层分类器，其中第一层分类器为用于区分人脸有无伪装的伪装识别分类器，在此层中进行通用伪装特征识别，使用可见光传感器11所采集的人脸特征数据与数据库中伪装人脸的通用特征数据进行比较匹配，判断对象人脸有无伪装，并对伪装类型进行分类；第二层分类器为用于识别对象身份的个体人脸特征识别分类器，其包括针对无伪装人脸的传统人脸识别分类器以及针对有伪装人脸的伪装人脸识别分类器，对于无伪装人脸直接调用传统人脸识别分类器对可见光传感器11所采集的人脸特征数据进行识别。对于在第一层分类器被判断为有伪装的人脸，则使用红外线传感器12对识别对象人脸有伪装部分进行进一步图像特征采集，并结合可见光传感器所采集的人脸的无伪装部分的图像特征数据，调用伪装人脸识别分类器进行识别，判断对象身份并输出结果。\n[0044] 其中可见光传感器11可以是CCD或CMOS图像传感器。