CN102479318A - 一种人脸识别方法及系统 - Google Patents

Abstract

本发明公开了一种人脸识别方法及系统，包括在获取待识别人脸的图像后，依据肤色检测定位人脸特征区域并提取各个特征区域的特征信息，并依据所述特征信息进行识别，其中，在进行眉毛特征提取时，包括：确定所述图像的预设部位作为眉毛粗选区域；对所述粗选区域使用灰度投影法确定眉毛精细区域；对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；判断所述平均梯度值是否大于预设梯度值；如果是，则提取所述人脸的眉毛信息；否则，则忽略所述人脸的眉毛信息。本发明提供的人脸识别方法，能够更准确的提取人脸的眉毛特征，使无眉毛的人在进行人脸识别时不受影响，提高了人脸识别的准确度。

Description

一种人脸识别方法及系统

技术领域

本发明涉及智能识别技术领域，特别是涉及一种人脸识别的方法及系统。

背景技术

随着智能识别技术的发展，电子安防监控系统等智能识别系统，得到了广泛的应用。在智能识别技术中，人脸识别是其中最为关键的一环。因此，能否准确的进行人脸识别，直接决定了智能识别系统的性能。

现有技术中，进行人脸识别的方式，是先获取一张人脸的图像，然后按照人脸的各个特征区域分别提取各个特征区域的特征信息。

通过对现有技术的研究，申请人发现，现有技术的人脸识别技术至少存在以下缺陷：

现有技术的人脸识别技术，在进行人脸识别时，不论被识别的人脸是否具有某项特征，都会提取该特征区域的信息，例如一个人可能有眉毛，也可能没有眉毛，但是现有技术在进行人脸识别时，都会默认有眉毛，提取眉毛所在特征区域的特征信息，这样就会造成人脸识别的不准确。

发明内容

为解决上述技术问题，本发明实施例提供了一种人脸识别的方法及系统，以解决现有技术中，人脸识别不准确的问题，技术方案如下：

一种人脸识别的方法，在获取待识别人脸的图像后，依据肤色检测定位人脸特征区域并提取各个特征区域的特征信息，并依据所述特征信息进行识别，其中，在进行眉毛特征提取时，包括：

确定所述图像的预设部位作为眉毛粗选区域；

对所述粗选区域使用灰度投影法确定眉毛精细区域；

对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；

判断所述平均梯度值是否大于预设梯度值；

如果是，则提取所述人脸的眉毛信息；

否则，则忽略所述人脸的眉毛信息。

优选的，上述方法中，所述对粗选区域使用灰度投影法确定眉毛精细区域包括：

沿预设方向将粗选区域像素的灰度值进行累加，得到累加结果；

选取累加结果小于预设值的区域作为眉毛精细区域。

优选的，上述方法中，所述对精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值包括：

对精细区域的每个像素点，取以该像素点为中心的3×3邻域与SOBEL模板做卷积运算，得到第一卷积结果；

将所述邻域与转置后的SOBEL模板进行卷积，得到第二卷积结果；

取所述第一卷积结果的绝对值与所述第二卷积结果的绝对值之和作为该像素点的梯度值；

遍历所述精细区域，得到该区域的梯度图；

根据所述梯度图计算该区域的平均梯度值。

一种人脸识别系统，包括：

图像获取单元，用于获取被识别人脸的图像；

特征信息提取单元，用于根据肤色检测定位人脸特征区域，提取各个特征区域的特征信息，并根据所述特征信息进行人脸识别；

其中，所述特征信息提取单元包括眉毛信息提取单元，所述眉毛信息提取单元包括：

第一选择单元，用于确定所述图像的预设部位作为眉毛粗选区域；

第二选择单元，用于对所述粗选区域使用灰度投影法确定眉毛精细区域；

平均梯度值计算单元，用于对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；

判断单元，用于判断所述平均梯度值是否大于预设梯度值；

提取单元，用于当所述判断单元的判断结果为是时，提取所述人脸的眉毛信息；否则，则忽略所述人脸的眉毛信息。

优选的，上述系统中，所述第二选择单元包括以下子单元：

累加单元，用于沿预设方向将粗选区域像素的灰度值进行累加，得到累加结果；

选取单元，用于选取累加结果小于预设值的区域作为眉毛精细区域。

优选的，上述系统中，所述平均梯度值计算单元包括以下子单元：

第一卷积单元，用于对精细区域的每个像素点，取以该像素点为中心的3×3邻域与SOBEL模板做卷积运算，得到第一卷积结果；

第二卷积单元，用于将所述邻域与转置后的SOBEL模板进行卷积，得到第二卷积结果；

第一计算单元，用于取所述第一卷积结果的绝对值与所述第二卷积结果的绝对值之和作为该像素点的梯度值；

梯度图获取单元，用于遍历所述精细区域，得到该区域的梯度图；

第二计算单元，用于根据所述梯度图计算该区域的平均梯度值。

通过应用以上技术方案可以看出，本发明在进行人脸识别的过程中，通过确定图像的预设部位作为眉毛粗选区域；对所述粗选区域使用灰度投影法确定眉毛精细区域；对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；然后判断所述平均梯度值是否大于预设梯度值并根据判断结果决定是否提取人脸的眉毛信息；从而能够更准确的提取人脸的眉毛特征，使无眉毛的人在进行人脸识别时不受影响，提高了人脸识别的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种人脸识别方法的流程图；

图2为本发明提供的一种确定眉毛精细区域方法的流程图；

图3为本发明提供的一种计算眉毛精细区域平均梯度值的方法流程图；

图4为本发明提供的一种人脸识别系统的结构示意图；

图5为本发明提供的第二选择单元的结构示意图；

图6为本发明提供的平均梯度值计算单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先对本发明实施例的一种人脸识别方法进行说明：

本发明实施例提供的人脸识别方法，在获取待识别人脸的图像后，依据肤色检测定位人脸特征区域并提取各个特征区域的特征信息，并依据所述特征信息进行识别，其中，在进行眉毛特征提取时，包括：确定所述图像的预设部位作为眉毛粗选区域；对所述粗选区域使用灰度投影法确定眉毛精细区域；对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；判断所述平均梯度值是否大于预设梯度值；如果是，则提取所述人脸的眉毛信息；否则，则忽略所述人脸的眉毛信息。

本发明在进行人脸识别的过程中，使用灰度投影法确定眉毛精细区域后，对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；然后判断所述平均梯度值是否大于预设梯度值并根据判断结果决定是否提取人脸的眉毛信息；从而能够更准确的提取人脸的眉毛特征，使无眉毛的人在进行人脸识别时不受影响，提高了人脸识别的准确度。

以上是本发明的核心思想，为了使本技术领域的人员更好地理解本发明方案，下面结合附图对本发明作进一步的详细说明。

参见图1所示，本发明实施例提供的人脸识别方法可以包括以下步骤：

S101，确定所述图像的预设部位作为眉毛粗选区域。

本发明实施例提供的人脸识别方法，在获取待识别人脸的图像后，依据肤色检测定位人脸特征区域并提取各个特征区域的特征信息，并依据所述特征信息进行识别，其中，在进行眉毛特征提取时，首先确定所述图像的预设部位作为眉毛粗选区域。

实际应用中，选择图像的上2/5部位作为眉毛粗选区域，这是一种经验取值，取值的考虑是基于，在确保区域能包含眉毛的同时尽量缩小区域范围以减小后续计算量的原则，而2/5是能同时满足这两个要求的良好折衷。

S102，对所述粗选区域使用灰度投影法确定眉毛精细区域。

灰度投影法是一种数学上的积分方法，参见图2所示，本发明实施例中用于确定眉毛精细区域的具体步骤可以包括：

S102a，沿预设方向将粗选区域像素的灰度值进行累加，得到累加结果。

S102b，选取累加结果小于预设值的区域作为眉毛精细区域。

对于亚洲人种来说，眉毛灰度值低于周围皮肤灰度值，所以根据累加结果可以对二者进行区分，具体的累加公式如下：

$J\left(x\right)=\underset{y=a_1}{\overset{a_2}{\mathrm{\Σ}}}I(x,y)---\left(1\right)$

其中，I为待累加数据，J为累加结果，a₁、a₂为累加方向上的积分区间。

S103，对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值。

确定眉毛精细区域后，对精细区域进行SOBEL滤波，以获得该区域的梯度图，然后计算该区域的平均梯度值，参见图3所示，可以包括以下步骤：

S103a，对精细区域的每个像素点，取以该像素点为中心的3×3邻域与SOBEL模板做卷积运算，得到第一卷积结果。

其中，所述SOBEL模板如下：

$\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$

S103b，将所述邻域与转置后的SOBEL模板进行卷积，得到第二卷积结果。

S103c，取所述第一卷积结果的绝对值与所述第二卷积结果的绝对值之和作为该像素点的梯度值。

S103d，遍历所述精细区域，得到该区域的梯度图。

S103e，根据所述梯度图计算该区域的平均梯度值。

S104，判断所述平均梯度值是否大于预设梯度值。

S105，当S104的判断结果为是时，提取所述人脸的眉毛信息。

S106，当S104的判断结果为否时，忽略所述人脸的眉毛信息。

从上述实施例可以看出，本发明实施例在进行人脸识别的过程中，使用灰度投影法确定眉毛精细区域后，对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；然后判断所述平均梯度值是否大于预设梯度值并根据判断结果决定是否提取人脸的眉毛信息；从而能够更准确的提取人脸的眉毛特征，使无眉毛的人在进行人脸识别时不受影响，提高了人脸识别的准确度。

通过以上的方法实施例的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

相应于上面的方法实施例，本发明实施例还提供一种人脸识别系统，参见图4所示，本发明实施例提供的人脸识别系统可以包括：

图像获取单元100，用于获取被识别人脸的图像；

特征信息提取单元200，用于根据肤色检测定位人脸特征区域，提取各个特征区域的特征信息，并根据所述特征信息进行人脸识别。

其中，所述特征信息提取单元200包括眉毛信息提取单元201，所述眉毛信息提取单元201包括：

第一选择单元201a，用于确定所述图像的预设部位作为眉毛粗选区域。

第二选择单元201b，用于对所述粗选区域使用灰度投影法确定眉毛精细区域。

平均梯度值计算单元201c，用于对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值。

判断单元201d，用于判断所述平均梯度值是否大于预设梯度值。

提取单元201e，用于当所述判断单元201d的判断结果为是时，提取所述人脸的眉毛信息；否则，则忽略所述人脸的眉毛信息。

在本发明的一个实施例中，参见图5所示，所述第二选择单元201b可以包括以下子单元：

累加单元201b1，用于沿预设方向将粗选区域像素的灰度值进行累加，得到累加结果。

选取单元201b2，用于选取累加结果小于预设值的区域作为眉毛精细区域。

在本发明的一个实施例中，参见图6所示，所述平均梯度值计算单元201c包括以下子单元：

第一卷积单元201c1，用于对精细区域的每个像素点，取以该像素点为中心的3×3邻域与SOBEL模板做卷积运算，得到第一卷积结果。

第二卷积单元201c2，用于将所述邻域与转置后的SOBEL模板进行卷积，得到第二卷积结果。

第一计算单元201c3，用于取所述第一卷积结果的绝对值与所述第二卷积结果的绝对值之和作为该像素点的梯度值；

梯度图获取单元201c4，用于遍历所述精细区域，得到该区域的梯度图；

第二计算单元201c5，用于根据所述梯度图计算该区域的平均梯度值。

对于装置或系统实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

另外，所描述系统和方法以及不同实施例的示意图，在不超出本申请的范围内，可以与其它系统，模块，技术或方法结合或集成。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种人脸识别的方法，在获取待识别人脸的图像后，依据肤色检测定位人脸特征区域并提取各个特征区域的特征信息，并依据所述特征信息进行识别，其特征在于，在进行眉毛特征提取时，包括：

确定所述图像的预设部位作为眉毛粗选区域；

对所述粗选区域使用灰度投影法确定眉毛精细区域；

对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；

判断所述平均梯度值是否大于预设梯度值；

如果是，则提取所述人脸的眉毛信息；

否则，则忽略所述人脸的眉毛信息。

2.根据权利要求1所述的方法，其特征在于，所述对粗选区域使用灰度投影法确定眉毛精细区域包括：

沿预设方向将粗选区域像素的灰度值进行累加，得到累加结果；

选取累加结果小于预设值的区域作为眉毛精细区域。

3.根据权利要求1所述的方法，其特征在于，所述对精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值包括：

对精细区域的每个像素点，取以该像素点为中心的3×3邻域与SOBEL模板做卷积运算，得到第一卷积结果；

将所述邻域与转置后的SOBEL模板进行卷积，得到第二卷积结果；

取所述第一卷积结果的绝对值与所述第二卷积结果的绝对值之和作为该像素点的梯度值；

遍历所述精细区域，得到该区域的梯度图；

根据所述梯度图计算该区域的平均梯度值。

4.一种人脸识别系统，包括：

图像获取单元，用于获取被识别人脸的图像；

特征信息提取单元，用于根据肤色检测定位人脸特征区域，提取各个特征区域的特征信息，并根据所述特征信息进行人脸识别；

其特征在于，所述特征信息提取单元包括眉毛信息提取单元，所述眉毛信息提取单元包括：

第一选择单元，用于确定所述图像的预设部位作为眉毛粗选区域；

第二选择单元，用于对所述粗选区域使用灰度投影法确定眉毛精细区域；

平均梯度值计算单元，用于对所述精细区域进行SOBEL滤波，获得该区域的梯度图并计算该区域的平均梯度值；

判断单元，用于判断所述平均梯度值是否大于预设梯度值；

提取单元，用于当所述判断单元的判断结果为是时，提取所述人脸的眉毛信息；否则，则忽略所述人脸的眉毛信息。

5.根据权利要求4所述的系统，其特征在于，所述第二选择单元包括以下子单元：

累加单元，用于沿预设方向将粗选区域像素的灰度值进行累加，得到累加结果；

选取单元，用于选取累加结果小于预设值的区域作为眉毛精细区域。

6.根据权利要求4所述的系统，其特征在于，所述平均梯度值计算单元包括以下子单元：

第一卷积单元，用于对精细区域的每个像素点，取以该像素点为中心的3×3邻域与SOBEL模板做卷积运算，得到第一卷积结果；

第二卷积单元，用于将所述邻域与转置后的SOBEL模板进行卷积，得到第二卷积结果；

第一计算单元，用于取所述第一卷积结果的绝对值与所述第二卷积结果的绝对值之和作为该像素点的梯度值；

梯度图获取单元，用于遍历所述精细区域，得到该区域的梯度图；

第二计算单元，用于根据所述梯度图计算该区域的平均梯度值。

Images