[发明专利]一种基于无人机的多帧联合人脸识别算法

摘要

无人机具有良好的飞行优势和广阔的飞行范围，能够轻松地一些特殊任务，在诸多领域内有着广泛应用，目前深度学习又掀起了一股浪潮。本发明提出一种基于无人机的多帧联合人脸识别算法，主要步骤：地面接收端获取无人机拍摄的视频流后对视频流切分，通过相邻帧对比，将所有帧相聚合来实现人脸识别和追踪效果。其中主要用到了密连卷积神经网络来对人脸的关键位置定位，采用高维LBP算法提取特征，最后采用余弦距离判断人脸之间相似性。一种基于无人机的多帧联合人脸识别算法实现了无人机对行人进行拍摄时能够自动按照输入图片特征来对行人进行定位并达到跟踪效果，在现有特定图片识别的技术下扩展为视频的识别和跟踪，算法速度有明显的提升。

主权项

1.一种基于无人机的多帧联合人脸识别算法，通过获取无人机拍摄的视频流并分离成帧，将每帧照片进行人脸检测、特征提取和人脸识别。采用密集连接神经网络来提取人的全部特征，其特征突出的是不同人脸之间的差异程度而不是曝光、表情等方向上的变化，采用监督下降法来对人脸的关键部位进行定位，考虑到实际图片中会出现光线不均匀的情况，所以在这些关键点周围提取出多尺度的高维LBP特征。采用主成分分析法进行特征降维。最后通过余弦距离来计算人脸之间的相似性，完成在多帧方面的人脸识别，主要包括以下步骤：a.基于高维LBP算法的设计虽然在深度学习未出现在图像领域之前，LBP(局部二值模式)算法占主要的地位，但是由于LBP算法中光线不均匀就会出现特征计算错误的情况，采用高维的LBP算法得出的结果可比LBP算法具有更好的鲁棒性，即使受光照方面的影响，也可以得到很高的准确率。具体的实现方式如下所示：这代表在一个以某一像素点(这里以50为例)为中心选取一个3×3的大小窗口，将该像素点与周围的八个像素比较大小，大于中心像素点的记为1，反之记为0，得到了8位二进制01001011，转化为十进制之后为75，将其作为中心像素的LBP值。采用监督下降算法来对人脸的关键部位进行定位，采用以下公式来得到LBP特征的维度：d＝n*s*k*size²  (1)其中d代表最终求出的LBP特征的维度，n表示选取关键点的个数，size为选择窗口的大小，即size²表示该窗口内含有像素点的个数，s为对原图像进行缩放的次数，k表示LBP值的位数。获取LBP算法维度后，还需要对其进行降维，因为到目前提取出来的特征有噪声和其他冗余信息影响识别的准确性。本发明采用主成分分析(PCA)方法来进行特征降维，将原来的一组n维向量降成小于n维线性无关的向量，同时还不会影响识别的正确性。b.基于多帧图像联合识别设计本发明利用密集连接神经网络作为深度学习的基础，第一层通过对图像的输入，对回归向量组进行估计，选出一些候选区域，利用非极大化抑制对这些区域进行合并，得出概率最大的一些值，将以上工作在神经网络中传递三次后，进入到第四层网络，来进行关键点的定位，最终将得到一个n维的向量，同时再次返回第一层读取后一帧的图片，经过四次筛选后得到另外一组n向量，对两个关键点进行对比，通过设置阈值，利用余弦距离对两组特征进行比较，即对两个n维向量作如下操作：t表示算出两个特征向量之间的相似度，当t的结果趋向于1的时候表示两个特征越相似，反之表示这两个向量越独立，初始阈值设置为0.8，在相似度达到0.8以上则认为是同一个人，将特征保存。然后对下一帧图像开始识别。c.基于反向传播调节的设计反向传播可以对识别出的结果进行纠错处理，如果通过高维LBP算法和余弦距离得出了错误的结果，利用反向传播来对参数进行改变，记录下每个样本想怎样修改权重和偏置，最后再去一个平均值。再次进行训练以达到高准确率的结果。