法律状态公告日
法律状态信息
法律状态
2014-12-31
未缴年费专利权终止 IPC(主分类):G06K9/00 授权公告日:20100811 终止日期:20131106 申请日:20071106
专利权的终止
2010-12-22
专利权人的姓名或者名称、地址的变更 IPC(主分类):G06K9/00 变更前: 变更后: 变更前: 变更后: 申请日:20071106
专利权人的姓名或者名称、地址的变更
2010-08-11
授权
授权
2010-01-06
专利申请权、专利权的转移(专利申请权的转移) 变更前: 变更后:
专利申请权、专利权的转移(专利申请权的转移)
2008-08-13
实质审查的生效
实质审查的生效
2008-06-18
公开
公开
查看全部
技术领域
本发明属于网格计算和模式识别技术领域，具体涉及一种基于网格计算技术的大规模人脸数据库人脸识别方法。
背景技术
人脸识别的研究工作自20世纪60年代开始以来，经历了近半个世纪的发展，已经成为图像分析和理解领域最热门的研究内容之一。特别是20世纪90年代以来，人脸识别技术得到了迅猛的发展，大量高性能识别算法的出现为其在实际中的应用作了充分的准备；进入21世纪，人脸识别技术开始从实验室的原型系统走向了商用。然而，到目前为止，人脸识别技术在实际应用中仍然面临着极大的挑战：(1)人脸图像中姿态、光照、表情、饰物、背景、时间跨度等因素的变化对人脸识别算法的鲁棒性有着负面的影响，利用单一的识别算法获得的识别结果不够准确，往往需要进行多算法的融合；(2)集中在一台或者几台计算机上对大规模人脸数据库进行人脸识别，其识别过程是非常耗时的。这两方面的原因，极大地限制了人脸识别技术的广泛应用。
大规模人脸数据库一般是指数据库中人脸图像的数量非常庞大，可能含有几百万或几千万幅人脸图像甚至更多，如中国公安部门采集并建立的居民身份证数据库的图像数据就是非常庞大的，其中包含的人脸图像至少上亿幅。若根据一般模式识别的思路，直接在如此庞大的人脸数据库上进行人脸建模与识别，计算量非常巨大。假设数据库中含有1亿幅人脸图像，若对每幅人脸进行建模和匹配历时10毫秒，则完成一次人脸识别需要106秒(约11天)的时间。另外，为了获得更准确的人脸识别结果，往往需要融合多种人脸识别算法，这将使人脸识别的时间成倍增长，根本无法满足人脸识别在实际应用中的需求。
网格计算技术的出现，为进行大规模人脸数据库的人脸识别提供了条件。网格计算是伴随着互联网技术而迅速发展起来的，专门针对复杂科学计算的新型计算模式。网格技术通过互联网或专用网络将地理上广泛分布的、异构的、动态的资源互联起来，实现资源高度共享与集成，为用户提供高性能的计算、管理和服务等功能。利用网格的资源互联和资源高度共享与集成的特点，可以将大规模人脸数据库的分类数据分散地存储于不同地点的物理存储介质上，很好地解决大规模人脸数据库的存储问题；同时，网格的高性能计算功能，为实现多种识别算法融合，进行快速、精确的人脸识别提供了新的途径。
发明内容
本发明的目的是提出一种基于网格计算技术的大规模人脸数据库人脸识别方法，利用网格计算技术解决大规模人脸数据库人脸识别中计算耗时，以及由于姿态、光照、表情、饰物、背景、时间跨度等因素的变化而使识别精度降低等问题。
本发明是一种基于网格计算技术的大规模人脸数据库人脸识别方法，它是按照一定的分类准则对大规模人脸数据库进行划分，将其划分为一系列中小型人脸数据库，分别存储到网格计算机系统的各计算机中心；利用数据网格的分布处理策略，构成一个分层树形结构的人脸识别网格，进行人脸识别，通过融合多种人脸识别算法，提高人脸识别的准确率。
本方法提出的分层树形结构的人脸识别网格由三层结构构成，包括最高层、中间层和最低层。最高层由网格门户和任务管理中心组成，网格门户用于接收人脸识别任务，任务管理中心负责任务分解；中间层由子任务管理中心和数据管理中心组成，子任务管理中心负责子任务的分解，数据管理中心负责数据的管理和传送；最低层由计算中心、物理数据缓存和计算节点组成，计算中心用于计算资源和数据资源的管理，物理数据缓存用于临时存放人脸图像数据，计算节点则用于进行人脸识别计算。
该基于网格计算技术的大规模人脸数据库人脸识别方法包括以下步骤：
(1)最高层的网格门户接收到用户提交的人脸识别任务(包括待识别的人脸图像、性别、年龄段等信息)时，任务管理中心利用专利(中国专利文献公开号：CN1529278，名称：基于多类别的人脸识别方法)中提出的人脸分类方法，根据人脸图像的几何特征将人脸识别任务分解到中间层的各子任务管理中心；
(2)中间层的子任务管理中心进一步根据所属地区、性别、年龄等信息将人脸识别任务分解到最低层的计算中心，同时，数据管理中心根据大规模人脸数据库的划分准则产生符合条件的中小型人脸数据库，并将数据发送到最低层的物理数据缓存；
(3)最低层计算中心将不同的人脸识别算法分配到网格中可用的计算节点上进行计算；
(4)最低层的各计算节点将计算结果返回给计算中心，由计算中心对识别结果进行融合，得出最终识别结果并返回给用户。
该方法的特点是：大规模人脸数据库被划分为中、小型人脸数据库后，通过网格的任务管理技术将人脸识别任务分配到每个最低层的计算节点上，并在每个最低层计算节点上独立运行；在进行人脸识别匹配时，各最低层计算节点无需访问整个大规模人脸数据库，仅访问存储于物理数据缓存的中型或小型数据库即可，大大节省了计算时间。另外，在最低层计算中心对多种人脸识别算法进行了融合，可以有效解决光照、姿态、表情、饰物、背景、时间跨度等因素的变化而使识别精度降低的问题，提高人脸识别精度。
附图说明
图1：分层树形结构的人脸识别网格示意图
图2：基于网格计算技术的人脸识别流程图
图3：多算法融合人脸识别框图
具体实施方式
本发明提出一种基于网格计算技术的大规模人脸数据库人脸识别方法，现结合附图，以大规模的中国人人脸数据库为例，详细说明其实施方式：
如图1所示，为本发明提出的分层树形结构的人脸识别网格。该人脸识别网格包括最高层、中间层和最低层三层。其中，最高层由网格门户和任务管理中心组成；中间层由按照中国行政区划共分为东北地区、华北地区、华东地区、中南地区、西北地区、西南地区和港澳台地区共七大区域的七个子任务管理中心和数据管理中心组成；最低层由计算中心、物理数据缓存和计算节点组成。
大规模人脸数据库是由中间层的数据管理中心按照所属地区、年龄段、性别、人脸的几何特征等实时地、动态地划分为一系列的中、小型数据库并发送到最低层的物理数据缓存中暂存起来，供人脸识别使用。
结合图2所示，为本发明方法的人脸识别流程图。首先用户将待识别的人脸图像及与其有关的信息以任务的形式提交给图1所示的人脸识别网格，网格对所提交的任务进行逐级分解到最低层的计算中心和计算节点上，计算中心通过融合各计算节点上的多种算法的识别结果即可获得最终的识别结果。具体实施过程如下：
1.网格最高层任务的接收与分解
用户通过客户端计算机向人脸识别网格提交人脸识别任务，包括待识别的人脸图像以及和该人脸图像相关的已知信息，如：年龄段、性别等。网格门户将用户提交的任务转化为XML文件并将任务提交给任务管理中心，由任务管理中心的计算机按照专利(中国专利文献公开号：CN1529278，名称：基于多类别的人脸识别方法)中提出的人脸分类方法，根据人脸图像的几何特征将任务分解到各大行政区域的子任务管理中心。
2.网格中间层子任务的分解与大规模人脸数据库的划分
子任务管理中心接收到人脸识别任务时，首先通知数据管理中心按照行政区域及识别任务中包含的已知信息从大规模人脸数据库中划分出一系列的中小型人脸数据库，如：在西南地区的子任务管理中心，可以按照年龄段从大规模数据库中划分出十六岁至十八岁、十八岁至二十岁、二十岁至三十岁、......中小型数据库，并将划分好的人脸数据库发送到最低层的物理数据缓存，以备使用；然后子任务管理中心根据最低层的各计算中心资源的利用情况将识别任务分配到各计算中心1-N。
3.网格最低层多种算法识别与识别结果融合
网格最低层计算中心1-N接收到识别任务后，调用网格中可用的计算资源进行多算法融合的人脸识别，如图3所示为多算法融合人脸识别框图，具体的识别过程如下：
设划分后得到的一个小型人脸数据库中共有J个人，网格中共调用了M种相互独立的人 脸识别算法进行人脸识别
(1)计算中心将M种相互独立的人脸识别算法分别分配到M个计算节点1-M上独立运行，各计算节点上运行的人脸识别算法可以是基于主成分分析的人脸识别算法、基于线性鉴别分析的人脸识别算法以及由它们推广产生的一系列基于子空间的人脸识别算法；
(2)各计算节点上的人脸识别算法分别将待识别人脸与数据库中的J个人进行匹配，得到待识别人脸与数据库中的每个人的相似度序列{Sj(m)}，(j＝1，…，J；m＝1，…M)，并将该相似度序列返回计算中心；
(3)计算中心对各种识别算法的结果进行决策融合，可以采用的决策融合方法主要有：
●平均决策：
●加权平均决策：
●最大决策：
(4)按照相似度最大原则得到最终的识别结果：
(5)将识别得到的N个结果返回给用户。
由于N远小于数据库中人脸的类别数，因此，该方法可以在大规模的人脸数据库中完成人脸识别工作，为用户提供和待识别人脸最相似的N个结果，可以极大地降低人工搜索的工作量。
机译： 基于人脸特征信息的能够进行人员认证的人脸识别装置及其人脸识别方法
机译： 基于人脸元素的人脸识别器的人脸识别方法及其装置
机译： 基于特征的人脸识别家庭网络系统和基于人脸的面孔识别方法
