基于智能移動終端視頻抖動分析的人臉識別系統的制作方法
【技術領域】
[0001] 本發明涉及視頻檢測領域，尤其涉及一種基于智能移動終端視頻抖動分析的人臉 識別系統。
【背景技術】
[0002] 隨著社會的發展和科技的進步，尤其是近年來計算機軟硬件性能的提升和計算機 視覺、模式識別和人工智能等技術的發展，社會對身份識別技術需求與日倶增，人臉識別技 術已經成為研究人員關注的又一研究方向。
[0003] 隨著近年來社會信息化和自動化的發展，各種智能化的移動終端相繼出現。智能 移動終端的CPU計算速度、存儲能力和攝像頭采集高清圖像的能力等硬件水平也在一直上 升，基于智能移動終端平臺上的人臉識別應用不斷增加。
[0004] 然而，由于智能移動終端具有移動的特性，在利用智能移動終端采集人臉視頻并 識別時，則由于智能移動終端上的攝像頭會因發生抖動而生成含人臉的抖動視頻，抖動的 視頻則會干擾智能移動終端對人臉的正確識別。
【發明內容】
[0005] 本發明所要解決的技術問題是針對上述現有技術提供一種既能夠對人臉視頻進 行準確識別，又能夠避免視頻抖動干擾正常識別的基于智能移動終端視頻抖動分析的人臉 識別系統。
[0006] 本發明解決上述技術問題所采用的技術方案為：基于智能移動終端視頻抖動分析 的人臉識別系統，其特征在于，包括視頻采集模塊、存儲模塊、視頻提取模塊、視頻預處理模 塊、視頻抖動運動補償模塊、視頻運動目標提取模塊、人臉特征目標提取模塊、匹配模塊和 識別結果顯示模塊；所述存儲模塊分別連接視頻采集模塊和視頻提取模塊，所述視頻預處 理模塊分別連接視頻提取模塊和視頻抖動運動補償模塊，所述視頻運動目標提取模塊分別 連接視頻抖動運動補償模塊和人臉特征目標提取模塊，所述匹配模塊分別連接人臉特征目 標提取模塊和識別結果顯示模塊；其中，
[0007] 所述視頻采集模塊，用以采集智能移動終端外的含有人臉的視頻，并對采集的外 部視頻自動編號，存儲至存儲模塊中；
[0008] 所述存儲模塊，一方面保存視頻采集模塊采集的編號外部視頻，一方面保存系統 預先已登記存儲的人臉面部圖像或人臉視頻；
[0009] 所述視頻提取模塊，用于提取存儲模塊中編號的視頻，并發送給視頻預處理模 塊；
[0010] 所述視頻預處理模塊，用以濾除編號視頻中的噪聲，將濾噪后的視頻分割成預設 數目的幀圖像，并將濾噪后的各幀圖像發送給視頻運動目標提取模塊，其中，視頻預處理模 塊對視頻的預處理的方法過程依次包括如下步驟：
[0011] (1)利用高斯濾波對編號視頻中的噪聲濾除，將濾噪后的視頻按照預設數目分割 成若干獨立編號的原始幀圖像St (i，j)，并由已分割數目的各原始幀圖像St (i，j)構成原始 圖像s(i，j);其中，te[Ι，τ]，τ表示視頻被分割的幀圖像數目；
[0012] (2)對原始圖像S(i，j)中的各原始幀圖像St(i，j)以預設倍數放大其像素值，并 對放大后的各原始幀圖像St(i，j)做灰度化處理，得到對應的灰度幀圖像Yt(i，j)，其中，原 始圖像s(i，j)對應的灰度圖像為Y(i，j);
[0013] Y(i,j) = 0. 257Xr(i,j)+0. 504Xg(i,j)+0. 239Xb(i,j)；
[0014] 其中，r(i，j)、g(i，j)、b(i，j)分別對應原始幀圖像St(i，j)的顏色空間三維坐標 中的紅、綠、藍顏色分量，Yt(i，j)是該像素點對應的灰度值；
[0015] (3)對灰度圖像Y(i，j)中的各灰度幀圖像Yt(i，j)進行預處理，得到對應的預處 理幀圖像It(i，j)和預處理圖像I(i，j)，并采用高斯濾波分別對各預處理幀圖像It(i，j)進 行處理；其中，高斯函數為均值是零的二維高斯函數g(i，j)，其中，
[0016]
[0017] 所述視頻運動目標提取模塊，用于提取預處理圖像中的運動目標，其中，運動目標 的提取方法過程依次包括如下步驟：
[0018] (a)建立背景像素模型M(i,j)，M(i,j) = {v^v2,…，vN};其中，vk(i,j)表示圖像 (i，j)位置上的像素值，k是背景像素樣本中的序號，M(i，j)表示背景圖像（i，j)位置上的 N個樣本觀察值；
[0019] (b)根據背景像素模型M(i，j)進行分類，建立以v(i，j)為中心，以R為半徑的球 SR(v(i，j))，進行比較并分類；其中，比較分類過程如下：當處在球SR(v(i，j))以內的樣本 觀察值的數量K不小于基數K_，即K彡K_時，則判定當前像素v(i，j)為背景點；其中，K 表示為K= {SR(V(i，j))Π{￥"￥2，...^}};
[0020] (c)對背景像素模型M(i，j)進行初始化，在第一幀圖像中隨機選擇相鄰像素值與 目標像素的樣本進行混合，Mi(i，j) = {力(7|7^乂(1，」)）}，每一個相鄰位置7上的像素通 過同樣的方式被隨機的選取，Mi(i，j)表示第一幀圖像序號的背景模型，Nji，」）表示與像 素位置（i，j)相鄰的像素；
[0021] (d)更新背景像素模型M(i，j)，并采用保守更新策略，配合著向被前景區域遮擋 的像素注入空間相鄰像素信息實現更新，使用v(i，j)更新背景模型M(i，j)，隨機的選擇樣 本數量為6中的一個像素值進行更新；每次對背景模型進行更新時，以隨機的更新判定為 背景的像素位置上的模型，依然保留在模型中的概率P(t，t+dt)為：
[0022] _ =eW"N為樣本數量；
[0023] 所述視頻抖動運動補償模塊，用以對接收到的提取結果進行補償，其中，運動補償 的方法過程依次包括如下步驟：
[0024]步驟1，根據背景模型M、當前幀圖像I以及鄰域窗口內的像素對比計算結果，得到 偏移量ε⑷；其中，偏移量ε⑷計算公式如下：
[0025]
[0026] 其中，wx、wy是與鄰域窗口相關的參數，窗口的尺寸表示為2(wx+l)X2(wy+1)， (ux，uy)為背景圖像中的特征角點，Μ表示背景模型，I表示當前幀圖像，d= [dxdy]T;
[0027] 步驟2,考察當前幀圖像I中特征角點（ux，uy)周圍的像素點，計算得到具有最小偏 移量ε(d)的像素點（uxl，uyl)，并把該像素點（uxl，uyl)當作對應背景點（ux，uy)的像素點， 得到像素（ux，uy)在當前幀圖像I中的偏移量d，其中，偏移量d計算如下：
[0028]d= (uxl-ux,uyl-uy)；
[0029] 步驟3，計算多個背景圖像上特征角點的位移均值Si以及位移中值S2，并以所得位 移均值和位移中值的平均值作為整個背景圖像的偏移量S;其中，位移均值Si、位移中值S2 和偏移量S的計算公式如下：
[0030]
N 為樣本數量；
[0031] 步驟4,利用偏移量S修正背景模型，并提取運動目標F，其中，運動目標F提取公 式如下：
[0032]F{SR(v(i,j))ΠM(i+dx,j+dy)}；
[0033] 所述匹配模塊，將將視頻運動目標提取模塊提取的且經運動補償的運動目標結果 與存儲模塊中的原有人臉圖像進行匹配，得到匹配識別后的結果；所述識別結果顯示模塊， 顯示人臉識別結果。
[0034]與現有技術相比，本發明的優點在于：含有人臉的視頻經視頻預處理模塊濾除噪 聲后，將濾噪后的視頻分割成預設數目的幀圖像，并按照預處理方法對這些幀圖像預處理； 經預處理后的圖像發送給視頻運動目標提取模塊來提取預處理圖像中的運動目標，并由視 頻抖動運動補償模塊對接