一種基于人臉識別的視頻檢測方法及其檢測裝置制造方法
【專利摘要】本發(fā)明公開了一種基于人臉識別的視頻檢測方法，包括感應(yīng)器檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域且光強(qiáng)是否低于預(yù)設(shè)閾值；根據(jù)檢測結(jié)果啟動攝像裝置或照明裝置；檢測初始圖像中的運(yùn)動目標(biāo)；利用“基于表示的距離”的由粗到細(xì)K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉識別。與現(xiàn)有技術(shù)相比，該方法提高了準(zhǔn)確率及人臉識別效果，還提高了視頻檢測的準(zhǔn)確性。且該方法采用先動態(tài)后靜態(tài)相結(jié)合的檢測方式，提高了檢測效率，避免了背景中有人臉照片或類似人臉的區(qū)域的誤報。本發(fā)明同時公開了一種視頻檢測裝置。該檢測裝置將視頻檢測裝置與照明裝置結(jié)合為一體，以保障了視頻檢測部分的正常工作，從而彌補(bǔ)了現(xiàn)有技術(shù)的缺陷，使得該檢測裝置更加地智能化。
【專利說明】-種基于人臉識別的視頻檢測方法及其檢測裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視頻檢測【技術(shù)領(lǐng)域】，更具體地涉及一種基于人臉識別的視頻檢測方法 及其檢測裝置。

【背景技術(shù)】
[0002] 現(xiàn)階段，一般將視頻檢測的攝像頭和補(bǔ)光照明裝置安裝于不同的裝置上，例如通 常照明燈（LED燈）只是用來執(zhí)行照明功能，不能自動按照視頻檢測的需要照度提供相應(yīng)的 照明。同時，由于視頻檢測技術(shù)的快速普及，眾多的視頻檢測應(yīng)用迫切需要一種遠(yuǎn)距離、用 戶非配合狀態(tài)下的快速身份識別技術(shù)，以求遠(yuǎn)距離快速確認(rèn)人員身份，實現(xiàn)智能預(yù)警。而 人臉識別技術(shù)無疑是最佳的選擇，采用快速人臉檢測技術(shù)可以從監(jiān)控視頻像中實時查找人 臉，并與人臉數(shù)據(jù)庫進(jìn)行實時比對，從而實現(xiàn)快速身份識別。
[0003] 從所周知，K近鄰分類算法已經(jīng)被廣泛地用于模式識別領(lǐng)域和機(jī)器學(xué)習(xí)領(lǐng)域。例 如，K近鄰分類算法已經(jīng)被應(yīng)用于特征選擇和降維。正如我們所知，傳統(tǒng)的K近鄰分類算法 簡單地使用最接近于測試樣本的K個訓(xùn)練樣本來對其進(jìn)行分類。由于傳統(tǒng)的K近鄰分類算 法原理簡單，迄今為止已經(jīng)有很多改進(jìn)的方法，使其能達(dá)到更高的準(zhǔn)確率。而由粗到細(xì)的分 類方法已經(jīng)在很多方面得到了大家的很大關(guān)注。因為由粗到細(xì)的分類方法取得了很令人滿 意的分類效果。例如，由粗到細(xì)分類方法已經(jīng)在圖像分類和人臉識別上取得了很高的準(zhǔn)確 率。由粗到細(xì)策略也已經(jīng)被應(yīng)用去解決其他的問題，比如形狀匹配和紋理檢索。
[0004] 但，傳統(tǒng)的K近鄰分類算法是基于歐氏距離的，采用該算法所得到的最近鄰包中 包含了過多的冗余信息，準(zhǔn)確率較低，因此將其應(yīng)用于人臉識別時，會對人臉識別效果造成 較大地影響。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：提供一種基于人臉識別的視頻檢測方法及其檢測 裝置，該方法中采用了 "基于表示的距離"的由粗到細(xì)的K近鄰分類算法進(jìn)行人臉識別，使 得所得到的最近鄰包中包含較少的冗余信息，從而提高準(zhǔn)確率，進(jìn)而提高人臉識別效果，進(jìn) 一步地提1?視頻檢測的準(zhǔn)確性。
[0006] 為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：
[0007] 提供一種基于人臉識別的視頻檢測方法，包括：
[0008] 感應(yīng)器檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域且檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù)設(shè)閾 值；
[0009] 根據(jù)檢測結(jié)果啟動攝像裝置拍攝初始圖像或啟動照明裝置；
[0010] 檢測初始圖像中的運(yùn)動目標(biāo)；
[0011] 利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉 識別。
[0012] 與現(xiàn)有技術(shù)相比，本發(fā)明的檢測方法先通過感應(yīng)器檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測 區(qū)域且檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù)設(shè)閾值，當(dāng)有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域時，將啟動攝像 裝置拍攝初始圖像，而檢測區(qū)域內(nèi)的光強(qiáng)低于預(yù)設(shè)閾值時，則會啟動照明裝置以進(jìn)行補(bǔ)光， 之后檢測初始圖像中的運(yùn)動目標(biāo)，最后利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法 及人臉特征數(shù)據(jù)庫進(jìn)行人臉識別。由于采用了利用"基于表示的距離"的由粗到細(xì)K近鄰 分類算法進(jìn)行人臉識別，與傳統(tǒng)的由粗到細(xì)K近鄰分類算法相比，該算法所得到的最近鄰 包中包含了較少的冗余信息，從而提高了準(zhǔn)確率，進(jìn)而提高了人臉識別效果，進(jìn)一步地提高 了視頻檢測的準(zhǔn)確性。且，從上述描述可以看出，該方法是在檢測到有運(yùn)動目標(biāo)后再進(jìn)行人 臉識別，即采用先動態(tài)后靜態(tài)相結(jié)合的檢測方式，提高了檢測效率，也能較好地避免背景中 有人臉照片或類似人臉的區(qū)域的誤報。
[0013] 相應(yīng)地，本發(fā)明還提供了一種基于人臉識別的視頻檢測裝置，包括：
[0014] 拍攝裝置，用于拍攝初始圖像；
[0015] 照明裝置；
[0016] 感應(yīng)器，與拍攝裝置及照明裝置連接，用于檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域及 檢測檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù)設(shè)閾值；
[0017] 存儲模塊，用于存儲人臉特征數(shù)據(jù)庫；以及
[0018] 圖像處理模塊，與拍攝裝置及存儲模塊連接，用于檢測初始圖像中的運(yùn)動目標(biāo)，并 利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉識別。
[0019] 與現(xiàn)有技術(shù)相比，本發(fā)明的檢測裝置先通過感應(yīng)器檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測 區(qū)域且檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù)設(shè)閾值，當(dāng)有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域時，將啟動攝像 裝置拍攝初始圖像，而檢測區(qū)域內(nèi)的光強(qiáng)低于預(yù)設(shè)閾值時，則會啟動照明裝置以進(jìn)行補(bǔ)光， 之后通過圖像處理模塊檢測初始圖像中的運(yùn)動目標(biāo)，并利用"基于表示的距離"的由粗到細(xì) K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉識別。由于采用了利用"基于表示的距離"的由 粗到細(xì)K近鄰分類算法進(jìn)行人臉識別，與傳統(tǒng)的由粗到細(xì)K近鄰分類算法相比，該算法所得 到的最近鄰包中包含了較少的冗余信息，從而提高了準(zhǔn)確率，進(jìn)而提高了人臉識別效果，進(jìn) 一步地提高了視頻檢測的準(zhǔn)確性。且，從上述描述可以看出，該裝置是在檢測到有運(yùn)動目標(biāo) 后再進(jìn)行人臉識別，即采用先動態(tài)后靜態(tài)相結(jié)合的檢測方式，提高了檢測效率，也能較好地 避免背景中有人臉照片或類似人臉的區(qū)域的誤報。此外，該檢測裝置將視頻檢測裝置（如 上所述的拍攝裝置）與照明裝置結(jié)合為一體，以保障了視頻檢測部分的正常工作，從而彌 補(bǔ)了現(xiàn)有的視頻裝置與照明裝置相互獨(dú)立設(shè)置、照明裝置不能自動按照視頻檢測所需照度 提供照明的缺陷，使得該檢測裝置更加地智能化。
[0020] 通過以下的描述并結(jié)合附圖，本發(fā)明將變得更加清晰，這些附圖用于解釋本發(fā)明 的實施例。

【專利附圖】

【附圖說明】
[0021] 圖1為本發(fā)明基于人臉識別的視頻檢測方法的流程圖。
[0022] 圖2a為傳統(tǒng)的K近鄰分類算法的流程圖。
[0023] 圖2b為本發(fā)明"基于表示距離"的K近鄰分類算法的流程圖。
[0024] 圖3為本發(fā)明基于人臉識別的視頻檢測裝置的安裝示意圖。
[0025] 圖4為圖3所示檢測裝置的外觀側(cè)面圖。
[0026] 圖5為圖4的正面圖。
[0027] 圖6為圖4的結(jié)構(gòu)框圖。

【具體實施方式】
[0028] 現(xiàn)在參考附圖描述本發(fā)明的實施例，附圖中類似的元件標(biāo)號代表類似的元件。
[0029] 請參考圖1，本發(fā)明基于人臉識別的視頻檢測方法主要包括：
[0030] S101，感應(yīng)器檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域且檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù) 設(shè)閾值。
[0031] S102,根據(jù)檢測結(jié)果啟動攝像裝置拍攝初始圖像或啟動照明裝置；具體地，當(dāng)感應(yīng) 器檢測到有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域時，啟動拍攝裝置（如攝像頭）拍攝包含有該運(yùn)動目標(biāo) 的初始圖像，同時，感應(yīng)器會檢測檢測區(qū)域內(nèi)的光強(qiáng)，并判斷光強(qiáng)是否低于預(yù)設(shè)閾值，當(dāng)?shù)?于時（如夜間或光線不足時），則會啟動照明裝置（如LED燈）進(jìn)行補(bǔ)光照射，以保證所拍 攝的圖像的效果。
[0032] S103,檢測初始圖像中的運(yùn)動目標(biāo)；具體地，是利用目標(biāo)相對于場景的運(yùn)動，將運(yùn) 動目標(biāo)從序列圖像背景中分離出來。由于室內(nèi)場景較為固定和穩(wěn)定，采用背景剪除進(jìn)行運(yùn) 動目標(biāo)檢測，主要包括預(yù)處理、背景建模、目標(biāo)檢測及濾波處理四個過程，其中所述背景建 模包括模型初始化、模型保持與更新。
[0033] S104,利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行 人臉識別。
[0034] 具體地，步驟S104具體包括：
[0035] 利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法建立被檢測目標(biāo)的特征模型；
[0036] 根據(jù)特征模型設(shè)計分類器；
[0037] 采用分類器從具有運(yùn)動目標(biāo)的圖像中分離出目標(biāo)人臉，以得到人臉圖像；
[0038] 對人臉圖像進(jìn)行預(yù)處理和特征提取；
[0039] 將所提取的特征與人臉特征數(shù)據(jù)庫中所存儲的特征進(jìn)行對比以完成人臉識別。
[0040] S105,根據(jù)識別結(jié)果進(jìn)行報警；具體地，人臉識別的結(jié)果包括預(yù)定人員、非預(yù)定人 員及人臉檢測失敗人員，當(dāng)為非預(yù)定人員時，即不是人臉特征數(shù)據(jù)庫中所存儲的預(yù)定人員， 則將其定位非法入侵人員，將包含該非預(yù)定人員的監(jiān)控視頻進(jìn)行預(yù)處理和圖像壓縮，并啟 動無線傳輸將其發(fā)送給指定用戶并鳴響報警器。
[0041] 具體地，"基于表示的距離"的由粗到細(xì)K近鄰分類算法具體包括：
[0042] 從原始訓(xùn)練樣本中集中挑選出少量測試樣本"較相似"的K個訓(xùn)練樣本；
[0043] 計算出"基于表示的距離"以確定出K個與所述測試樣本最"相似"的K個訓(xùn)練樣 本；
[0044] 將測試樣本分到產(chǎn)生K個訓(xùn)練樣本最多的類別中。
[0045] 實際上，該算法有如下原理：第一步忽略那些遠(yuǎn)離測試樣本的訓(xùn)練樣本對分類的 邊界影響，所以它可以更容易地將測試樣本最終分到真正與其近的類別中。第二步允許競 爭地估計測試樣本和每個K近鄰的距離，不是獨(dú)立地評估，而是競爭地評估距離，因此會更 加可靠。
[0046] 進(jìn)一步地，該算法利用"基于表示的距離"來分類，對此距離設(shè)定一個閾值，對大于 該閾值的人臉圖像拒識，說明該人不屬于已經(jīng)保存在人臉數(shù)據(jù)庫中的預(yù)定人員，為非法入 侵的人員；對小于等于該閾值的人臉圖像進(jìn)行分類，說明該人屬于已經(jīng)保存在人臉圖像數(shù) 據(jù)庫中的預(yù)定人員，為用戶設(shè)定的家庭成員，并對其歸類。
[0047] 此外，用"基于表示的距離"的分類結(jié)果將保存在入侵檢測日志中，無論結(jié)果是 預(yù)定人員、非預(yù)定人員還是人臉檢測失敗的人員，用戶都可以在入侵檢測日志中查找到 入侵記錄信息。需要說明的是，檢測日志記錄的是預(yù)定用戶、非預(yù)定用戶以及對人臉檢測 失敗的信息進(jìn)入檢測區(qū)域的日期、時間以及其所屬類別三個屬性信息，例如"2014-2-25， 14:51:39,001(張三）進(jìn)入"。如果檢測到人員被判識為預(yù)定用戶，則類別記錄的是預(yù)定用 戶的所屬類別編號或者姓名；如果檢測到人員被判識為非預(yù)定用戶，則用符號"！"表示記 錄到日志的類別屬性當(dāng)中；如果對人臉檢測失敗信息，則用符號" X "表示記錄到日志的類 別屬性當(dāng)中。
[0048] 為了更好地理解本發(fā)明，下面對由粗到細(xì)的K近鄰分類算法做如下說明：
[0049] 由粗到細(xì)K近鄰分類算法用列向量Xp . . .，XN表示全部N個訓(xùn)練樣本。該算法首 先粗略地確定出離測試樣本近的η個訓(xùn)練樣本。然后，從這η個訓(xùn)練樣本中細(xì)分出測試樣 本的Κ(Κ彡η)個最近鄰。最后，利用這Κ個最近鄰來對測試樣本進(jìn)行分類。如果Xi，...，X N 和測試樣本Y不是長度為1的單位向量，由粗到細(xì)K近鄰分類算法會提前將它們轉(zhuǎn)換成單 位向量。由粗到細(xì)K近鄰分類算法將測試樣本Y表示成所有訓(xùn)練樣本的一個線性組合。換 言之，該算法設(shè)滿足下列式子：

【權(quán)利要求】
1. 一種基于人臉識別的視頻檢測方法，其特征在于，包括： 感應(yīng)器檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域且所述檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù)設(shè)閾 值； 根據(jù)檢測結(jié)果啟動攝像裝置拍攝初始圖像或啟動照明裝置； 檢測所述初始圖像中的運(yùn)動目標(biāo)； 利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉識別。
2. 如權(quán)利要求1所述的檢測方法，其特征在于，檢測所述初始圖像中的運(yùn)動目標(biāo)具體 包括： 對所述初始圖像進(jìn)行預(yù)處理、背景建模、目標(biāo)檢測及濾波處理。
3. 如權(quán)利要求1所述的檢測方法，其特征在于，利用"基于表示的距離"的由粗到細(xì)K 近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉識別具體包括： 利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法建立被檢測目標(biāo)的特征模型； 根據(jù)所述特征模型設(shè)計分類器； 采用所述分類器從具有運(yùn)動目標(biāo)的圖像中分離出目標(biāo)人臉，以得到人臉圖像； 對所述人臉圖像進(jìn)行預(yù)處理和特征提取； 將所提取的特征與所述人臉特征數(shù)據(jù)庫中所存儲的特征進(jìn)行對比以完成人臉識別。
4. 如權(quán)利要求3所述的檢測方法，其特征在于，"基于表示的距離"的由粗到細(xì)K近鄰 分類算法具體包括： 從原始訓(xùn)練樣本中集中挑選出少量測試樣本"較相似"的K個訓(xùn)練樣本； 計算出"基于表示的距離"以確定出K個與所述測試樣本最"相似"的K個所述訓(xùn)練樣 本； 將所述測試樣本分到產(chǎn)生K個所述訓(xùn)練樣本最多的類別中。
5. 如權(quán)利要求1至4任一項所述的檢測方法，其特征在于，進(jìn)行人臉識別之后還包括： 根據(jù)識別結(jié)果進(jìn)行報警。
6. 如權(quán)利要求1至4任一項所述的檢測方法，其特征在于，所述人臉識別的結(jié)果包括預(yù) 定人員、非預(yù)定人員及人臉檢測失敗人員。
7. -種基于人臉識別的視頻檢測裝置，其特征在于，包括： 拍攝裝置，用于拍攝初始圖像； 照明裝置； 感應(yīng)器，與所述拍攝裝置及照明裝置連接，用于檢測是否有運(yùn)動目標(biāo)進(jìn)入檢測區(qū)域及 檢測所述檢測區(qū)域內(nèi)的光強(qiáng)是否低于預(yù)設(shè)閾值； 存儲模塊，用于存儲人臉特征數(shù)據(jù)庫；以及 圖像處理模塊，與所述拍攝裝置及存儲模塊連接，用于檢測所述初始圖像中的運(yùn)動目 標(biāo)，并利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法及人臉特征數(shù)據(jù)庫進(jìn)行人臉識 別。
8. 如權(quán)利要求7所述的檢測裝置，其特征在于，所述圖像處理模塊具體包括： 運(yùn)動目標(biāo)檢測單元，用于對所述初始圖像進(jìn)行預(yù)處理、背景建模、目標(biāo)檢測及濾波處理 以確定運(yùn)動目標(biāo)；以及 人臉識別單元，用于利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法并調(diào)用所述存 儲模塊所存儲的人臉特征數(shù)據(jù)庫進(jìn)行人臉識別。
9. 如權(quán)利要求8所述的檢測裝置，其特征在于，所述檢測裝置還包括： 報警模塊，用于根據(jù)所述人臉識別單元的識別結(jié)果進(jìn)行報警。
10. 如權(quán)利要求8所述的檢測裝置，其特征在于，利用"基于表示的距離"的由粗到細(xì)K 近鄰分類算法并調(diào)用所述存儲模塊所存儲的人臉特征數(shù)據(jù)庫進(jìn)行人臉識別具體包括： 利用"基于表示的距離"的由粗到細(xì)K近鄰分類算法建立被檢測目標(biāo)的特征模型； 根據(jù)所述特征模型設(shè)計分類器； 采用所述分類器從具有運(yùn)動目標(biāo)的圖像中分離出目標(biāo)人臉，以得到人臉圖像； 對所述人臉圖像進(jìn)行預(yù)處理和特征提?。? 將所提取的特征與所述人臉特征數(shù)據(jù)庫中所存儲的特征進(jìn)行對比以完成人臉識別。
11. 如權(quán)利要求10所述的檢測裝置，其特征在于，"基于表示的距離"的由粗到細(xì)K近 鄰分類算法具體包括： 從原始訓(xùn)練樣本中集中挑選出少量測試樣本"較相似"的K個訓(xùn)練樣本； 計算出"基于表示的距離"以確定出K個與所述測試樣本最"相似"的K個所述訓(xùn)練樣 本； 將所述測試樣本分到產(chǎn)生K個所述訓(xùn)練樣本最多的類別中。
12. 如權(quán)利要求7至9任一項所述的檢測裝置，其特征在于，所述人臉識別的結(jié)果包括 預(yù)定人員、非預(yù)定人員及人臉檢測失敗人員。
【文檔編號】G06K9/62GK104102921SQ201410336715
【公開日】2014年10月15日 申請日期:2014年7月15日 優(yōu)先權(quán)日:2014年7月15日
【發(fā)明者】葉全豐, 李靜, 徐勇, 徐亞國 申請人:廣州市番禺奧萊照明電器有限公司, 哈爾濱工業(yè)大學(xué)深圳研究生院