一種基于人臉識別的門鏡系統及其人臉識別方法與流程

本發明涉及人臉識別技術領域，具體涉及一種基于人臉識別的門鏡系統及其人臉識別方法。

背景技術：

隨著視頻監控技術的發展，基于視頻的人臉識別已經取得良好的發展，并且在智能交通、門禁、信息安全等安保和安防領域中具有十分重要的作用。現有的視頻人臉識別方法是一種視頻對靜態圖像的識別，采用人臉視頻作為輸入，通過和靜態圖像的人臉數據庫進行對比來實現識別或者驗證。

傳統的視頻對靜態圖像識別的一種方法是對每一幀人臉圖像采用靜態人臉識別的方法來識別，最后按照概率、距離判斷等方式，綜合所有識別結果；另一種方法是利用視頻序列生成人臉模型或者基于運動時序信息生成人臉模型的方法；上述兩種方法沒有有效地過濾和補償視頻里的各種人臉變化，因而視頻人臉識別的魯棒性有待提高。

將人臉識別系統應用在智能家居系統中，是現代智能家居發展的需要。在智能家居的室外機上添加人臉檢測和人臉識別功能，當室外機的傳感器檢測到有人靠近或者有人訪問時，通過室外機的攝像頭獲取視頻流，對它持續進行人臉檢測。判斷人臉識別方法是否適應于智能家居系統的標準，是系統檢測速度和準確度，因此，如何提高人臉識別系統的檢測速度和準確度是其發展的關鍵。

技術實現要素：

本發明的目的在于克服現有技術存在的以上問題，提供一種基于人臉識別的門鏡系統及其人臉識別方法，本發明是基于人臉識別的門鏡系統，用統計的方法對人臉進行建模，比較所有可能的待檢測區域與人臉模型的匹配度，從而得到可能存在的人臉區域，基于haar分類器的方法，計算速度較快，能夠提高識別效率。

為實現上述技術目的，達到上述技術效果，本發明通過以下技術方案實現：

一種基于人臉識別的門鏡系統，其包括：室外機、室內機、云服務器、移動終端，所述室外機為人臉識別裝置，所述室外機安裝在門鏡系統的入戶處，所述室內機安裝在室內，且與所述室外機信息交互，所述室外機獲取人臉圖像，并進行檢測和識別，然后將識別結果輸出至所述室內機，所述室內機獲取的信息傳輸至所述云服務器，所述云服務器將信息傳輸至所述移動終端，

還包括入戶燈，所述入戶燈受所述室外機控制，所述室外機檢測到人臉時，所述入戶燈自動亮起；

所述室外機包括：輸入圖像模塊、人臉檢測模塊、特征提取模塊、人臉識別模塊、結果輸出模塊，所述輸入圖像模塊獲取人臉視頻圖像，并將人臉圖像傳輸給所述人臉檢測模塊；

所述人臉檢測模塊對人臉進行建模，比較所有待檢測區域與人臉模型的匹配度，得到可能存在的人臉區域，所述人臉檢測模塊利用haar分類器對人臉和非人臉進行分類，在對人臉和非人臉進行分類過程中，針對不同訓練集來訓練弱分類器，然后將這些在不同訓練集中得到的弱分類器集合起來，構造一個強分類器，其中，每一層adaboost算法訓練得到一個強分類器，經過閾值調整，使得每一層能讓全部人臉樣本通過，每一層都拒絕非人臉樣本，靠近前面的層拒絕了大部分非人臉樣本，經過所述人臉檢測模塊檢測后得到是否屬于人臉的信號，并將信號傳輸給所述特征提取模塊，所述特征提取模塊提取矩形特征，然后將提取的矩形特征輸送至所述人臉識別模塊；

所述人臉識別模塊將所述人臉檢測模塊檢測到的人臉與人臉數據庫中的人臉數據進行相似度比較，預先設置相似度閾值，當檢測到的人臉與人臉數據庫中的人臉數據相似度大于閾值時，識別成功；當檢測到的人臉與人臉數據庫中的人臉數據相似度小于閾值時，識別失敗；

所述結果輸出模塊將所述人臉識別模塊的識別結果輸出至所述室內機，所述室內機根據識別結果來顯示被識別的人臉是否屬于人臉數據庫中的人臉，自動或者人為確定是否開門。

進一步優選地，所述人臉檢測模塊利用haar分類器建模的方法包括：

所述特征提取模塊提取人臉特征集和非人臉特征集，構造haar特征，計算人臉特征值，再提取人臉特征值，構造弱分類器；利用弱分類器和adaboost算法訓練得到一個強分類器，得到人臉和非人臉的強分類器；重復訓練過程，得到多個強分類器，再將多個強分類器組成級聯結構。

進一步優選地，所述人臉檢測模塊與人臉識別模塊在人臉檢測和人臉識別過程中，所述人臉檢測模塊將檢測到的人臉圖像傳輸給所述人臉識別模塊，如果所述人臉識別模塊識別到人臉與人臉數據庫中的人臉匹配，則將匹配正確的信號傳輸至所述人臉檢測模塊，所述人臉檢測模塊在未獲得新的人臉圖像之前，停止對人臉檢測；如果所述人臉識別模塊識別到人臉與人臉數據庫中的人臉不匹配，則將匹配錯誤的信號傳輸至所述人臉檢測模塊，所述人臉檢測模塊循環檢測。

進一步優選地，當所述室外機檢測到人臉時，所述室內機沒有應答，通過所述云服務器將信息發送至移動終端，同時所述云服務器將相關人臉數據記錄保存。

進一步優選地，所述特征提取模塊提取人臉的特征包括：低層特征、組群特征、變形模型。

進一步優選地，所述低層特征包括：灰度、紋理、顏色、運動，所述組群特征包括：特征搜索、星群分析，所述變形模塊包括：彈性模板、點頒布模型、活動輪廓模型。

進一步優選地，一種人臉識別方法，包括以下步驟：

s101室外機的傳感器檢測到有人靠近，通過攝像頭獲取人臉圖像的視頻流；

s102室外機根據人臉的特征值，人臉檢測模塊在檢測過程中，已經訓練好的分類器用不同的尺度遍歷輸入的人臉圖像的每一個像素，來檢測不同大小的人臉，當檢測到的人臉與人臉數據庫里面的人臉相似度高于閾值，識別出是否是在數據庫中登記記錄的成員；

s103將識別結果傳輸至室內機；

s104當室內機沒有應答時，室內機將接收到的人臉圖像發送至云服務器，云服務器發送到遠程的移動終端上。

本發明的有益效果是:

本發明是基于人臉識別的門鏡系統，用統計的方法對人臉進行建模，比較所有可能的待檢測區域與人臉模型的匹配度，從而得到可能存在的人臉區域，基于haar分類器的方法，計算速度較快，能夠提高識別效率。

本發明的人臉識別系統主要用于小場景，比如家用的人臉識別系統一般人臉數據庫中的人臉照片都是家庭成員，數據量比較小，通過室外機的攝像頭檢測人臉并進行人臉識別，很容易區別是否是家庭成員還是陌生人，能夠起到很好的安防作用，而且當家里沒人時，有陌生人來訪，會主動把檢測到的陌生人臉圖像發送到遠程移動終端(例如智能手機)上；本發明的人臉識別系統與照明系統聯網，門鏡系統可以感應家庭的入戶燈，當檢測到有人臉時，入戶燈自動亮起，更加智能化，在門鏡系統中設置安防報警時間，設置好一段時間之后，若此段時間內室外機的攝像頭有檢測到人臉，就會報警，移動終端和室內機都會收到相關信息，起到安防和監控作用。

上述說明僅是本發明技術方案的概述，為了能夠更清楚了解本發明的技術手段，并可依照說明書的內容予以實施，以下以本發明的較佳實施例并配合附圖詳細說明如后。本發明的具體實施方式由以下實施例及其附圖詳細給出。

附圖說明

為了更清楚地說明本發明實施例技術中的技術方案，下面將對實施例技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明的系統原理圖；

圖2是本發明的室外機的原理圖；

圖3是本發明的級聯結構的原理圖；

圖4是本發明的特征提取模塊提取人臉的特征分類圖；

圖5是本發明的方法流程圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

實施例1

本實施例公開了一種基于人臉識別的門鏡系統，門鏡系統主要應用在智能家居系統中，在智能家居的室外機上添加人臉檢測、人臉識別功能，當室外機的傳感器檢測到有人訪問時，通過室外機的攝像頭獲取視頻流，對其進行持續的人臉檢測。

具體的，如圖1中所示，該門鏡系統主要包括：入戶燈、室外機、室內機、云服務器、移動終端，上述室外機為人臉識別裝置，上述室外機安裝在門鏡系統的入戶處，上述室內機安裝在室內，且與上述室外機信息交互，上述室外機獲取人臉圖像，并進行檢測和識別，然后將識別結果輸出至上述室內機，上述室內機獲取的信息傳輸至上述云服務器，上述云服務器將信息傳輸至上述移動終端，入戶燈受上述室外機控制，上述室外機檢測到人臉時，上述入戶燈自動亮起，入戶燈可以根據室內機的設置閃爍警告，或者變化不同的顏色。

當上述室外機檢測到人臉時，上述室內機沒有應答，通過上述云服務器將信息發送至移動終端，同時上述云服務器將相關人臉數據記錄保存。

在本實施例中，上述移動終端可以是智能手機，可以是平板。

在人臉識別門鏡系統中，室外機是實現人臉檢測和人臉識別的主要裝置，其中人臉檢測的基本思想是用統計的方法對人臉進行建模，比較所有可能的待檢測區域與人臉模型的匹配度，從而得到可能存在的人臉區域。人臉識別的基本思想是對當前檢測到的人臉與之前記錄在人臉數據庫中的人臉數據進行相似度比較。

具體的，如圖2中所示，上述室外機包括：輸入圖像模塊、人臉檢測模塊、特征提取模塊、人臉識別模塊、結果輸出模塊，上述輸入圖像模塊獲取人臉視頻圖像，并將人臉圖像傳輸給上述人臉檢測模塊。

上述人臉檢測模塊對人臉進行建模，比較所有待檢測區域與人臉模型的匹配度，得到可能存在的人臉區域，上述人臉檢測模塊利用haar分類器對人臉和非人臉進行分類，在對人臉和非人臉進行分類過程中，針對不同訓練集來訓練弱分類器，然后將這些在不同訓練集中得到的弱分類器集合起來，構造一個強分類器，其中，每一層adaboost算法訓練得到一個強分類器，經過閾值調整，使得每一層能讓全部人臉樣本通過，每一層都拒絕非人臉樣本，靠近前面的層拒絕了大部分非人臉樣本，經過上述人臉檢測模塊檢測后得到是否屬于人臉的信號，并將信號傳輸給上述特征提取模塊，上述特征提取模塊提取矩形特征，然后將提取的矩形特征輸送至上述人臉識別模塊。

上述人臉識別模塊將上述人臉檢測模塊檢測到的人臉與人臉數據庫中的人臉數據進行相似度比較，預先設置相似度閾值，當檢測到的人臉與人臉數據庫中的人臉數據相似度大于閾值時，識別成功；當檢測到的人臉與人臉數據庫中的人臉數據相似度小于閾值時，識別失敗。

上述結果輸出模塊將上述人臉識別模塊的識別結果輸出至上述室內機，上述室內機根據識別結果來顯示被識別的人臉是否屬于人臉數據庫中的人臉，自動或者人為確定是否開門。

adaboost針對不同的訓練集訓練同一個分類器，即弱分類器，然后把這些不同訓練集上得到的分類器集合起來，構造一個更強的最終算法，得到一個強分類器。是一種由粗到細的結構，其中每一層adaboost算法訓練得到一個強分類器，都經過閾值調整，使得每一層都能讓全部正確的樣本通過，而拒絕很大一部分非人臉樣本。這樣，靠前的層，拒絕了大部分非人臉樣本。而且，由于前面的層使用的矩形特征數較少，計算速度較快，越往后面的層，通過候選窗口越少，盡管由于矩形特征增多，單個窗口的計算時間加長，但是由于實際檢測時，在輸入圖像中對應著人臉的窗口非常少，所以真正引起所有層到到計算的窗口數非常少。

如圖3所示，上述人臉檢測模塊利用haar分類器建模的方法包括：上述特征提取模塊提取人臉特征集和非人臉特征集，構造haar特征，計算人臉特征值，再提取人臉特征值，構造弱分類器；利用弱分類器和adaboost算法訓練得到一個強分類器，得到人臉和非人臉的強分類器；重復訓練過程，得到多個強分類器，再將多個強分類器組成級聯結構。

上述人臉檢測模塊與人臉識別模塊在人臉檢測和人臉識別過程中，上述人臉檢測模塊將檢測到的人臉圖像傳輸給上述人臉識別模塊，如果上述人臉識別模塊識別到人臉與人臉數據庫中的人臉匹配，則將匹配正確的信號傳輸至上述人臉檢測模塊，上述人臉檢測模塊在未獲得新的人臉圖像之前，停止對人臉檢測；如果上述人臉識別模塊識別到人臉與人臉數據庫中的人臉不匹配，則將匹配錯誤的信號傳輸至上述人臉檢測模塊，上述人臉檢測模塊循環檢測。

在人臉識別過程中，一般會設置一個比較結果范圍，例如(0-100)，比較結果越接近100，說明相似度越高，相反說明相似度月底，一般設置閾值為80左右，當檢測到的人臉與人臉數據庫里面的人臉進行比較，比較結果大于80的，說明相似度比較高，可以識別出是否是家庭成員。

如圖4所示，特征提取模塊提取人臉的特征包括：低層特征、組群特征、變形模型。上述低層特征包括：灰度、紋理、顏色、運動，上述組群特征包括：特征搜索、星群分析，上述變形模塊包括：彈性模板、點頒布模型、活動輪廓模型。

實施例2

實施例2中公開了一種人臉識別方法，包括以下步驟：

s101室外機的傳感器檢測到有人靠近，通過攝像頭獲取人臉圖像的視頻流；

s102室外機根據人臉的特征值，人臉檢測模塊在檢測過程中，已經訓練好的分類器用不同的尺度遍歷輸入的人臉圖像的每一個像素，來檢測不同大小的人臉，當檢測到的人臉與人臉數據庫里面的人臉相似度高于閾值，識別出是否是在數據庫中登記記錄的成員；

s103將識別結果傳輸至室內機；

s104當室內機沒有應答時，室內機將接收到的人臉圖像發送至云服務器，云服務器發送到遠程的移動終端上。

上述實施例中基于人臉識別的門鏡系統，用統計的方法對人臉進行建模，比較所有可能的待檢測區域與人臉模型的匹配度，從而得到可能存在的人臉區域，基于haar分類器的方法，計算速度較快，能夠提高識別效率。人臉識別系統主要用于小場景，比如家用的人臉識別系統一般人臉數據庫中的人臉照片都是家庭成員，數據量比較小，通過室外機的攝像頭檢測人臉并進行人臉識別，很容易區別是否是家庭成員還是陌生人，能夠起到很好的安防作用，而且當家里沒人時，有陌生人來訪，會主動把檢測到的陌生人臉圖像發送到遠程移動終端(例如智能手機)上；本發明的人臉識別系統與照明系統聯網，門鏡系統可以感應家庭的入戶燈，當檢測到有人臉時，入戶燈自動亮起，更加智能化，在門鏡系統中設置安防報警時間，設置好一段時間之后，若此段時間內室外機的攝像頭有檢測到人臉，就會報警，移動終端和室內機都會收到相關信息，起到安防和監控作用。

對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其它實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。