视频中的人脸识别方法和装置的制造方法
【技术领域】
[0001 ]本公开总体涉及图像处理及模式识别,具体涉及视频中的人脸识别方法和装置。
【背景技术】
[0002] 近年来,视频中的人脸识别已成为人脸识别领域非常活跃的一个研究方向。视频 中的人脸识别技术在安全监控、智能身份认证、家庭娱乐等很多方面都有广泛的应用前景。 一般来说,视频中的人脸识别是指对视频中的各帧图像中检测出的人脸区域进行特征提 取,随后将各帧中提取出的特征与已有的人脸数据库进行比对,最终根据比对结果识别出 人脸的身份。
[0003] 现有的视频中人脸识别方法通常是将视频中的图像逐帧取出,将各帧图像中的人 脸分别与人脸数据库进行比对识别,并且当各帧的比对识别结果满足某一预设条件时(例 如连续5帧识比对别为同一个人)认为识别出了人脸。该识别方法是一种静态的识别方法, 其依赖于各帧图像独立的比对结果,因而当视频中某些帧图像的质量不高、人脸检测结果 不准确、或其中的人脸的角度在人脸数据库中没有对应的样本时,会影响识别的准确率,从 而导致识别准确率低。
【发明内容】
[0004] 考虑到上述问题而提出了本公开。
[0005] 根据本公开的一个方面,提供了 一种视频中的人脸识别方法,包括:对所述视频中 的多帧图像中的目标人脸进行特征提取,以生成分别与所述多帧图像中的目标人脸对应的 多个特征向量;对所述多个特征向量进行时序特征提取,以将所述多个特征向量转换为一 个预定维度的特征向量;利用分类器对所述预定维度的特征向量进行判决,以识别所述目 标人脸。
[0006] 根据本公开的另一个方面,提供了一种视频中的人脸识别装置,包括:提取单元, 配置为对所述视频中的多帧图像中的目标人脸进行特征提取,以生成分别与所述多帧图像 中的目标人脸对应的多个特征向量;转换单元,配置为对所述多个特征向量进行时序特征 提取,以将所述多个特征向量转换为一个预定维度的特征向量;识别单元,配置为利用分类 器对所述预定维度的特征向量进行判决,以识别所述目标人脸。
[0007] 根据本公开的又一个方面,提供了 一种视频中的人脸识别装置,包括:处理器;存 储器;和存储在所述存储器中的计算机程序指令。所述计算机程序指令在被所述处理器运 行时执行以下步骤:对所述视频中的多帧图像中的目标人脸进行特征提取,以生成分别与 所述多帧图像中的目标人脸对应的多个特征向量;对所述多个特征向量进行时序特征提 取,以将所述多个特征向量转换为一个预定维度的特征向量;利用分类器对所述预定维度 的特征向量进行判决,以识别所述目标人脸。
[0008] 根据本公开的再一个方面,提供了一种用于视频中的人脸识别的计算机程序产 品,包括计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令可由处理 器执行以使得所述处理器:对所述视频中的多帧图像中的目标人脸进行特征提取,以生成 分别与所述多帧图像中的目标人脸对应的多个特征向量;对所述多个特征向量进行时序特 征提取,以将所述多个特征向量转换为一个预定维度的特征向量;利用分类器对所述预定 维度的特征向量进行判决,以识别所述目标人脸。
[0009] 根据本公开的视频中的人脸识别方法、装置和计算机程序产品利用视频中各帧图 像在时间维度上具有关联性的特性,提取视频中多帧图像的时序特征来表示该多帧图像, 由此对多帧图像的信息进行了互补,从而提高了人脸识别的准确性。
【附图说明】
[0010] 通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其它目的、 特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明 书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中, 相同的参考标号通常代表相同部件或步骤。
[0011] 图1示意性地示出了根据本公开实施例的视频中的人脸识别方法的流程图。
[0012] 图2示出了根据本公开实施例的视频中的人脸识别方法、在人脸图像区域的不同 子图像区域中分别进行特征提取的一个示例应用。
[0013] 图3示出了根据本公开实施例的视频中的人脸识别装置的示例性结构框图。
[0014] 图4示出了可用于实现本公开的实施例的、视频中的人脸识别装置的计算设备的 示意性框图。
【具体实施方式】
[0015] 为了使得本公开的目的、技术方案和优点更为明显,下面将参照附图详细描述根 据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公 开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。基于本公开中描述的 实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落 入本公开的保护范围之内。
[0016] 首先对根据本公开实施例的视频中的人脸识别技术的基本思想进行简单介绍。本 发明人认识到,视频中的各帧图像在时间维度上具有关联性,因此针对视频中的各帧图像, 除了提取其静态特征之外,可以进一步提取并利用其时序特征来对各帧图像的静态信息进 行互补,从而提高人脸识别的准确性。
[0017] 下面将参考图1对根据本公开实施例的视频中的人脸识别方法进行详细的描述。 图1示意性地示出了根据本公开实施例的视频中的人脸识别方法的流程图。
[0018] 如图1所示,在步骤S110,对所述视频中的多帧图像中的目标人脸进行特征提取, 以生成分别与所述多帧图像中的目标人脸对应的多个特征向量。
[0019] 所述多帧图像是通过对视频中的各帧图像进行人脸检测和人脸跟踪处理所确定 的包含有目标人脸的图像帧。具体的,可以通过诸如模板匹配、SVM(支持向量机)、神经网络 等各种本领域中常用的人脸检测方法在包含目标人脸的起始图像帧中确定该目标人脸的 大小和位置,随后基于目标人脸的颜色信息、局部特征、或运动信息等对该目标人脸进行跟 踪,从而确定视频中包含有目标人脸的各帧图像。上述通过人脸检测和人脸跟踪确定包含 有目标人脸的图像帧的处理是图像处理领域中的常见处理,此处不再对其进行详细描述。
[0020]需要说明的是,所述多帧图像并非必须是视频中所有包含有目标人脸的图像,而 可以仅是其中的部分图像帧;另一方面,所述多帧图像可以是连续的多帧图像,也可以是不 连续的、任意选定的多帧图像。
[0021 ]在该步骤中,可以采用诸如LBP(局部二值模式)、H〇G(方向梯度直方图)、PCA(主成 分分析法)或者神经网络等各种适当的人脸特征提取方法来进行特征提取并生成所述多个 特征向量。可选的,对于所述多帧图像中的每一帧图像中的目标人脸均采用相同的特征提 取方法生成特征向量。下面仅仅是为了说明的完整性,对本实施例中所采用的人脸特