一种人脸识别优化方法及其装置制造方法及图纸

本发明专利技术提供了一种人脸识别优化方法，包括：获取所述摄像机采集到的视频数据；利用所述视频数据中的人脸关键点在图像坐标系和世界坐标系中的坐标的对应关系确定出所述视频数据中的人脸姿态；以及利用所述人脸姿态对应地调整所述摄像机的偏航角以便于在人脸识别过程中采集正面人脸图像。过程中采集正面人脸图像。过程中采集正面人脸图像。

【技术实现步骤摘要】
一种人脸识别优化方法及其装置


[0001]本专利技术涉及人脸识别领域，尤其涉及一种司机室的用于人脸识别的人脸识别优化方法及其装置。

技术介绍

[0002]电车是一种常用的公共交通客运车，包括铁轨电车、轻轨电车及有轨电车等等。现有的铁轨电车、轻轨电车及有轨电车的需要专门的电力系统和轨道配合实现运行，且基础设施建设和车辆购置成本高。为解决该问题，中车集团提出了一种能够循迹地面上的虚拟轨道的电车概念，该种新型电车取消了钢轨，通过胶轮承载和方向盘转向的方式跟随地面虚拟轨道行驶。
[0003]地面虚拟轨道可灵活布置，无需在地面上进行特别的基建建设，仅需在地面上如车道线和斑马线一般绘示出该新型电车行驶的虚拟轨道即可。此种新型电车无需再沿着固定轨道行驶，且大大降低了基建成本，相对于有轨电车而言有巨大的运营优势。同时，该种新型电车“共享路权，混行交通”的运行特点，使得交通系统在地面车道布设等方面拥有组织灵活的优势。
[0004]在2016年中车株洲所研发的该种电车已经实现了基于视觉的自动循迹功能，进一步提升了该种新型电车的智能化水平。从2017年6月智能快运系统发布面世，到2019年6月四川宜宾智能快运系统T1线开通，该种新型电车已经相继在湖南株洲、江西永修、四川宜宾等三个城市开通运营。
[0005]对电车的司机室内的人员进行身份识别是保证电车驾驶安全性的重要环节。其中，人脸识别为正在发展的较为安全的身份识别方法。
[0006]尽管已经过多年的发展，但人脸识别产品仍然受光照、姿态、表情、遮挡、年龄等因素的影响。传统的人脸识别技术可分为5大类：基于模板匹配的方法、基于几何特征的方法、基于代数特征的方法、基于人工神经网络的方法和基于稀疏表示的方法。
[0007]传统方法尽管在人脸识别技术的研巧中取得了大量成果，但由于人脸识别自身的复杂性，例如背景的多样性和姿态的变换，这些非线性因子使得传统方法都存在着很大的缺陷，因此极大地限制了这些方法在实际中的应用。另外，由于算法和计算机性能的限制，没有能力训练大规模的人脸数据集，更加深了传统方法的缺陷。
[0008]为解决现有的人脸识别方法存在的问题，本专利技术旨在提出一种人脸识别优化方法，能够调整拍摄人脸数据的摄像机的角度以采集到驾驶人员的正面人脸视频，从而提高人脸识别的准确率。

技术实现思路

[0009]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一
些概念以为稍后给出的更加详细的描述之序。
[0010]根据本专利技术的一方面，提供了一种人脸识别优化方法，包括：获取所述摄像机采集到的视频数据；利用所述视频数据中的人脸关键点在图像坐标系和世界坐标系中的坐标的对应关系确定出所述视频数据中的人脸姿态；以及利用所述人脸姿态对应地调整所述摄像机的偏航角以便于在人脸识别过程中采集正面人脸图像。
[0011]在一实施例中，所述利用所述视频数据中的人脸关键点在图像坐标系和世界坐标系中的坐标的对应关系确定出所述视频数据中的人脸姿态包括：利用回归树集面部关键点定位算法确定出至少三个人脸关键点在图像坐标系中的2D坐标；利用通用人脸3D模型确定出所述至少三个人脸关键点在世界坐标系中的3D坐标；利用所述至少三个人脸关键点的2D坐标与对应的3D坐标确定出世界坐标系至所述图像坐标系的旋转矩阵；以及基于所述旋转矩阵计算出所述人脸的欧拉角，所述欧拉角表征所述人脸姿态。
[0012]在一实施例中，所述利用所述至少三个人脸关键点的2D坐标与对应的3D坐标确定出世界坐标系至所述图像坐标系的旋转矩阵包括：将所述至少三个人脸关键点的2D坐标(x,y)与对应的3D坐标(U,V,W)代入方程组
[0013][0014]以计算出旋转矩阵其中，f
x
和f
y
是所述摄像机在图像坐标系的两个方向上的焦距长度，(c
x
,c
y
)为光学中心，为相机坐标系至图像坐标系的平移矩阵。
[0015]在一实施例中，所述基于所述旋转矩阵计算出所述人脸的欧拉角包括：利用欧拉角计算公式计算出所述人脸的欧拉角，其中，θ
x
为俯仰角、θ
y
为偏航角，θ
z
为翻滚角，旋转矩阵
[0016]在一实施例中，所述人脸识别优化方法还包括：利用调整后的摄像机采集司机室的视频数据；以及利用深度学习算法识别出所述视频数据中的人脸信息以识别出驾驶人员信息。
[0017]在一实施例中，所述人脸信息包括人脸特征向量，本地人脸特征数据库存储有若
干驾驶人员及其人脸特征向量，所述利用深度学习算法识别出所述视频数据中的人脸信息以识别出驾驶人员信息包括：利用YOLOv3 Tiny算法检测出所述视频数据中的人脸图像；利用回归树集面部关键点定位算法对所述人脸图像进行对齐以得到标准人脸图像；利用ArcFace深度人脸识别方法提取出所述标准人脸图像中的人脸特征向量；以及将所述人脸特征向量与本地人脸特征数据库中的每一驾驶人员的人脸特征向量进行比对以识别出所述人脸图像对应的驾驶人员。
[0018]在一实施例中，所述利用YOLOv3 Tiny算法检测出所述视频数据中的人脸图像包括：使用YOLOv3 Tiny算法训练人脸图像数据以得到人脸检测模型；以及将所述视频数据输入所述人脸检测模型以得到所述人脸图像。
[0019]在一实施例中，所述利用ArcFace深度人脸识别方法提取出所述标准人脸图像中的人脸特征向量包括：利用标准人脸数据集训练深度神经网络模型以得到人脸识别模型；以及利用所述人脸识别模型的深度学习图像的深度表征得到512维的人脸特征向量。
[0020]在一实施例中，所述将所述人脸特征向量与本地人脸特征数据库中的每一驾驶人员的人脸特征向量进行比对以识别出所述人脸图像对应的驾驶人员包括：将所述人脸特征向量与本地人脸特征数据库中的每一驾驶人员进行比对识别以计算出对应的余弦相似度；响应于所述人脸特征向量与任一驾驶人员的人脸特征向量的余弦相似度大于预设阈值，将所述驾驶人员确定为所述人脸图像对应的驾驶人员；以及响应于所述人脸特征向量与所有驾驶人员的人脸特征向量的余弦相似度均小于等于预设阈值，判断人脸识别失败。
[0021]根据本专利技术的另一个方面，还提供了一种人脸识别优化装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成：获取所述摄像机采集到的视频数据；利用所述视频数据中的人脸关键点在图像坐标系和世界坐标系中的坐标的对应关系确定出所述视频数据中的人脸姿态；以及利用所述人脸姿态对应地调整所述摄像机的偏航角以便于在人脸识别过程中采集正面人脸图像。
[0022]在一实施例中，所述处理器进一步被配置成：利用回归树集面部关键点定位算法确定出至少三个人脸关键点在图像坐标系中的2D坐标；利用通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别优化方法，包括：获取所述摄像机采集到的视频数据；利用所述视频数据中的人脸关键点在图像坐标系和世界坐标系中的坐标的对应关系确定出所述视频数据中的人脸姿态；以及利用所述人脸姿态对应地调整所述摄像机的偏航角以便于在人脸识别过程中采集正面人脸图像。2.如权利要求1所述的人脸识别优化方法，其特征在于，所述利用所述视频数据中的人脸关键点在图像坐标系和世界坐标系中的坐标的对应关系确定出所述视频数据中的人脸姿态包括：利用回归树集面部关键点定位算法确定出至少三个人脸关键点在图像坐标系中的2D坐标；利用通用人脸3D模型确定出所述至少三个人脸关键点在世界坐标系中的3D坐标；利用所述至少三个人脸关键点的2D坐标与对应的3D坐标确定出世界坐标系至所述图像坐标系的旋转矩阵；以及基于所述旋转矩阵计算出所述人脸的欧拉角，所述欧拉角表征所述人脸姿态。3.如权利要求2所述的人脸识别优化方法，其特征在于，所述利用所述至少三个人脸关键点的2D坐标与对应的3D坐标确定出世界坐标系至所述图像坐标系的旋转矩阵包括：将所述至少三个人脸关键点的2D坐标(x,y)与对应的3D坐标(U,V,W)代入方程组以计算出旋转矩阵其中，f
x
和f
y
是所述摄像机在图像坐标系的两个方向上的焦距长度，(c
x
,c
y
)为光学中心，为相机坐标系至图像坐标系的平移矩阵。4.如权利要求2所述的人脸识别优化方法，其特征在于，所述基于所述旋转矩阵计算出所述人脸的欧拉角包括：利用欧拉角计算公式计算出所述人脸的欧拉角，其中，θ
x
为俯仰角、θ
y
为偏航角，θ
z
为翻滚角，旋转矩阵
5.如权利要求1所述的人脸识别优化方法，其特征在于，还包括：利用调整后的摄像机采集司机室的视频数据；利用深度学习算法识别出所述视频数据中的人脸信息以识别出驾驶人员信息。6.如权利要求5所述的人脸识别优化方法，其特征在于，所述人脸信息包括人脸特征向量，本地人脸特征数据库存储有若干驾驶人员及其人脸特征向量，所述利用深度学习算法识别出所述视频数据中的人脸信息以识别出驾驶人员信息包括：利用YOLOv3 Tiny算法检测出所述视频数据中的人脸图像；利用回归树集面部关键点定位算法对所述人脸图像进行对齐以得到标准人脸图像；利用ArcFace深度人脸识别方法提取出所述标准人脸图像中的人脸特征向量；以及将所述人脸特征向量与本地人脸特征数据库中的每一驾驶人员的人脸特征向量进行比对以识别出所述人脸图像对应的驾驶人员。7.如权利要求6所述的人脸识别优化方法，其特征在于，所述利用YOLOv3 Tiny算法检测出所述视频数据中的人脸图像包括：使用YOLOv3 Tiny算法训练人脸图像数据以得到人脸检测模型；以及将所述视频数据输入所述人脸检测模型以得到所述人脸图像。8.如权利要求6所述的人脸识别优化方法，其特征在于，所述利用ArcFace深度人脸识别方法提取出所述标准人脸图像中的人脸特征向量包括：利用标准人脸数据集训练深度神经网络模型以得到人脸识别模型；以及利用所述人脸识别模型的深度学习图像的深度表征得到512维的人脸特征向量。9.如权利要求6所述的人脸识别优化方法，其特征在于，所述将所述人脸特征向量与本地人脸特征数据库中的每一驾驶人员的人脸特征向量进行比对以识别出所述人脸图像对应的驾驶人员包括：将所述人脸特征向量与本地人脸特征数据库中的每一驾驶人员进行比对识别以计算出对应的余弦相似度；响应于所述人脸特征向量与任一驾驶人员的人脸特征向量的余弦相似度大于预设阈值，将所述驾驶人员确定为所述人脸图像对应的驾驶人员；以及响应于所述人脸特征向量...

【专利技术属性】
技术研发人员：岳伟，胡云卿，林军，刘悦，熊群芳，袁浩，游俊，丁驰，
申请(专利权)人：中车株洲电力机车研究所有限公司，
类型：发明
国别省市：