CN103544488A - 一种人脸识别方法及装置 - Google Patents

Abstract

本申请公开了一种人脸识别方法及装置，所述方法包括获取待测人脸图像中每个像素点的梯度数据，依据梯度数据中的梯度幅度值，获取每个像素点的邻域内每个梯度方向值对应的累加幅度值；依据每个累加幅度值，获取待测人脸图像在每个梯度方向值上各自对应的累加幅度图；依据累加幅度图，获取待测人脸图像的纹理匹配特征；对纹理匹配特征进行分类，得到待测人脸图像的人脸类别信息。相对于现有方案中仅将局部方向信息作为识别计算基础导致人脸识别准确率低的情况，本申请提取的定向幅值特征充分通过像素点在不同梯度方向上的幅度值与周围邻域幅度值进行计算获得，进而进行人脸识别得到人脸类别信息，提高了人脸识别的准确率。

Description

一种人脸识别方法及装置

技术领域

本申请涉及计算机应用技术领域，特别涉及一种人脸识别方法及装置。

背景技术

人脸识别是指，对待测图片中的人脸进行识别得到该人脸类别或标识，即为，通过将待测图片的人脸图像与具有已知人脸类别或标识的目标人脸图像进行特征匹配，得到待测人脸图像的类别或标识。

目前，常见的基于梯度信息的人脸识别方法，主要是基于HOG（梯度直方图）的人脸识别方法，即为：将待测人脸图像分成无重叠的若干个网格Block，每个Block分成若干个小块Cell，然后在每个Block上以Cell为单位计算梯度方向和幅值，在每个Block内再对每一个Cell统计梯度方向直方图，然后将Block内各Cell的直方图连成一个向量，再对每一个块的直方图向量进行归一化，之后，将所有归一化后的直方图向量串联用于表示人脸HOG特征，进而测量不同人脸特征间的距离，并用最近邻分类器识别人脸，最终得到待测人脸的类别信息。

但是，上述基于HOG的方案中仅仅将局部的方向信息作为识别计算基础，且用于匹配分类的HOG特征仅仅是对局部区域内分布在不同方向上像素点个数的简单统计，因此，该方案进行人脸识别的准确率较低。

发明内容

本申请所要解决的技术问题是提供一种人脸识别方法及装置，用以解决现有技术中基于HOG的人脸识别方案中，仅将局部的方向信息作为识别计算基础，且其进行匹配分类的HOG特征仅仅是对局部区域内分布在不同方向上像素点个数的简单统计，使得该方案进行人脸识别准确率较低的技术问题。

本申请提供了一种人脸识别方法，包括：

获取待测人脸图像中每个像素点的梯度数据，所述梯度数据包括梯度方向值和梯度幅度值；

依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值；

依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图；

依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征；

对所述纹理匹配特征进行分类，得到所述待测人脸图像的人脸类别信息。

上述方法，优选的，在所述获取待测人脸图像中每个像素点的梯度数据之后，在所述获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值之前，所述方法还包括：

对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值，其中，N大于或等于2；

其中，所述依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值，包括：

在每个所述像素点的邻域内，对具有相同方向量化区间值的像素点的梯度幅度值进行累加，得到每个所述像素点的邻域内N个所述方向量化区间值各自对应的累加幅度值。

上述方法，优选的，所述依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图，包括：

在所述待测人脸图像中，对每个所述像素点对应的N个累加幅度值依据其各自的方向量化区间值进行分解；

将同一方向量化区间值对应的每个所述像素点的累加幅度值进行组合，得到每个所述方向量化区间值各自对应的累加幅度图。

上述方法，优选的，所述依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征，包括：

利用局部二值模式LBP，获取每幅所述累加幅度图各自对应的LBP纹理图；

分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征。

上述方法，优选的，所述分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征，包括：

分别将每幅所述LBP纹理图划分为至少一个纹理图块；

提取每个所述纹理图块的直方图特征；

将每个所述纹理图块对应的直方图特征进行串联组合，得到所述待测人脸图像的纹理匹配特征。

本申请还提供了一种人脸识别装置，包括：

梯度数据获取单元，用于获取待测人脸图像中每个像素点的梯度数据，所述梯度数据包括梯度方向值和梯度幅度值；

累加幅度值获取单元，用于依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值；

累加幅度图获取单元，用于依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图；

匹配特征获取单元，用于依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征；

类别信息获取单元，用于对所述纹理匹配特征进行分类，得到所述待测人脸图像的人脸类别信息。

上述装置，优选的，还包括：

梯度方向量化单元，用于在所述梯度数据获取单元获取待测人脸图像中每个像素点的梯度数据之后，在所述累加幅度值获取单元获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值之前，对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值，其中，N大于或等于2；

其中，所述累加幅度值获取单元具体用于：

对每个所述像素点的邻域内，对具有相同方向量化区间值的像素点的梯度幅度值进行累加，得到每个所述像素点的邻域内N个所述方向量化区间值各自对应的累加幅度值。

上述装置，优选的，所述累加幅度图获取单元，包括：

累加幅度值分解子单元，用于在所述待测人脸图像中，对每个所述像素点对应的N个累加幅度值依据其各自的方向量化区间值进行分解；

累加幅度图组合子单元，用于将同一方向量化区间值对应的每个所述像素点的累加幅度值进行组合，得到每个所述方向量化区间值各自对应的累加幅度图。

上述装置，优选的，所述匹配特征获取单元，包括：

纹理图获取子单元，用于利用局部二值模式LBP，获取每幅所述累加幅度图各自对应的LBP纹理图；

纹理图操作获取子单元，用于分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征。

上述装置，优选的，所述纹理图操作获取子单元，包括：

纹理图分块模块，用于分别将每幅所述LBP纹理图划分为至少一个纹理图块；

特征提取模块，用于提取每个所述纹理图块的直方图特征；

特征组合模块，用于将每个所述纹理图块对应的直方图特征进行串联组合，得到所述待测人脸图像的纹理匹配特征。

由上述方案可知，本申请提供的一种人脸识别方法及装置，通过获取待测人脸图像中每个像素点的梯度方向值和梯度幅度值，在利用梯度方向值和梯度幅度值获取待测人脸图像中每个像素点邻域内每个梯度方向值对应的累加幅度值，进而获取到所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图，进而获取到待测人脸图像的纹理匹配特征，从而对纹理匹配特征进行分类，得到人脸类别信息。相对于现有的HOG方案中仅将局部方向信息作为识别计算基础，且用于匹配分类的HOG特征仅仅是对局部区域内分布在不同方向上像素点个数的简单统计，导致人脸识别准确率低的情况，本申请提取的定向幅值特征充分通过像素点在不同梯度方向上的幅度值与周围邻域幅度值进行计算获得，进而进行人脸图像的识别，得到人脸类别信息，提高了人脸识别的准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请提供的一种人脸识别方法实施例一的流程图；

图2为本申请实施例一的应用示例图；

图3为本申请提供的一种人脸识别方法实施例二的流程图；

图4为本申请实施例二的应用示例图；

图5为本申请提供的一种人脸识别方法实施例二的部分流程图；

图6为本申请提供的一种人脸识别方法实施例三的部分流程图；

图7为本申请的应用流程图；

图8为本申请提供的一种人脸识别装置实施例四的结构示意图；

图9为本申请提供的一种人脸识别装置实施例五的结构示意图；

图10为本申请提供的一种人脸识别装置实施例五的部分结构示意图；

图11为本申请提供的一种人脸识别装置实施例六的部分结构示意图；

图12为本申请实施例六的另一部分结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

目前，大多数识别效果较好的人脸识别系统均需要在识别前对待测人脸图像进行各种预处理操作，例如，需要首先对待测人脸图像进行各种形式的滤波处理，然后进行特征提取，或者需要预先对提取特征进行进一步学习，但是，对图像进行滤波处理时不仅会增加系统的计算复杂度，同时会使得系统识别速度较慢，效率较低，而基于学习的人脸识别方案中，往往需要大量的训练数据且最终的识别结果往往依赖于训练数据的分布情况，因而子实际应用中往往遇到推广型的问题。

如前文背景技术部分所提及，利用梯度信息进行人脸识别的方法如鲫鱼HOG的人脸识别方法仅考虑了图像的局部梯度直方图信息，因而识别准确率较低，识别效果不够理想。

以下为基于HOG的人脸识别方案的具体实现步骤：

1、将人脸分成无重叠的若干个网格，此时的每个网格称为Block。

2、将每个Block分成若干个小块，每一个小块称为一个Cell，之后在每个Block上以Cell为单位计算梯度方向和幅值。其中，为了避免边缘问题，实际做法往往是先对整个人脸求一次梯度方向和幅值。

3、在每个Block内对每一个Cell统计梯度方向直方图。需要说明的是，HOG算法中没有计算高斯加权范围，因而Cell内相同的梯度幅值都按照权值为1相加。之后，将Block内各Cell的直方图连成一个向量。

4、对每一个块的直方图向量进行归一化。

5、将所有归一化后的直方图向量串联用于表示人脸HOG特征。

6、测量不同人脸特征间的距离，并用最近邻分类器识别人脸。

上述基于HOG的方案仅仅考虑了局部的梯度方向信息，而并未对梯度的幅度信息加以利用计算，而且用于匹配分类的HOG特征仅仅是对局部区域内分布在不同方向区间的像素点个数的简单统计，忽略了像素点的幅度或与其周围邻域内像素点的幅度或方向之间的联系，因而基于HOG特征的人脸识别方案对人脸的区分能力有限，准确率较低。

参考图1，为本申请提供的一种人脸识别方法实施例一的流程图，所述方法可以包括以下步骤：

步骤101：获取待测人脸图像中每个像素点的梯度数据。

其中，所述梯度数据包括其所属像素点的梯度方向值和梯度幅度值。所述待测人脸图像中每个像素点的梯度方向值组成该待测人脸图像的梯度方向图，每个所述像素点的梯度幅度值组成该待测人脸图像的梯度幅度图。

在具体实现中，所述步骤101可以通过以下方式具体实现：

利用以下公式（1）获取待测人脸图像中每个所述像素点的梯度方向值，并利用以下公式（2）获取待测人脸图像中每个所述像素点的梯度幅度值。

$T(x,y)=\frac{{\tan }^{-1}(I(x,y+1)-I(x,y-1))}{I(x,y+1)-I(x,y-1)}---\left(1\right)$

$A(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y+1)-I(x,y-1))}^2}---\left(2\right)$

其中，I(x,y)是所述待测人脸图像上坐标为(x,y)的像素点的像素值，T(x,y)是所述待测人脸图像上坐标为(x,y)的像素点的梯度方向值；A(x,y)是所述待测人脸图像上坐标为(x,y)的像素点的梯度幅度值。

步骤102：依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值。

其中，所述像素点的邻域是指，以所述像素点为中心，选定一个若干像素点的方块区域，也可以称为“单元格”。如图2a中所示，为以梯度幅度值为8.4的像素点为中心，选定该像素点相邻的8个像素点组成该像素点的邻域，如图2b中所示，为该像素点的邻域中各个像素点各自的梯度方向值，其中，在本申请中，所述梯度方向值以0至180度之间的角度值进行表示。

在所述步骤102的具体实现中，对每个像素点的邻域均进行如下操作：对所述邻域内具有同一梯度方向值的像素点的梯度幅度值进行加计算，得到该邻域内每个梯度方向值对应的累加幅度值。以如图2中梯度幅度值为8.4的像素点的邻域为例，在获取该像素点的邻域内每个梯度方向值对应的累加幅度值时，首先确定该邻域内所有出现的梯度方向值，如图2b中的20、35、60、70、120、160，提取每个出现的梯度方向值的像素点对应的梯度幅度值，如梯度方向值20对应的梯度幅度值为8.2，梯度方向值35对应的梯度幅度值为9.3，梯度方向值60对应的梯度幅度值为5.2和9.2，梯度方向值70对应的梯度幅度值为3.1，梯度方向值120对应的梯度幅度值为9.3和8.4，梯度方向值160对应的梯度幅度值为7.2和5.4，此时，将同一梯度方向值对应的梯度幅度值进行加计算，得到该梯度方向值对应的累加幅度值，如梯度方向值20对应的累加幅度值为8.2，梯度方向值35对应的累加幅度值为9.3，梯度方向值60对应的累加幅度值为13.4，梯度方向值70对应的累加幅度值为3.1，梯度方向值120对应的累加幅度值为17.7，梯度方向值160对应的累加幅度值为12.6，同时对在该邻域中未出现的梯度方向值对应的累加幅度值置为0，实现对该邻域内每个梯度方向值对应的累加幅度值。

步骤103：依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图。

其中，在所述步骤102执行完成之后，所述待测人脸图像中每个像素点均对应多个累加幅度值，该累加幅度值的个数为所述待测人脸图像中梯度方向值的个数，如0至180度之间的多个累加幅度值。因此，所述步骤103可以通过以下方式具体实现：

在所述待测试人脸图像中，对每个所述像素点的多个累加幅度值依据其各自的梯度方向值进行分解，例如，将所述待测人脸图像内，对图2中像素点对应梯度方向值为60度的累加幅度值13.4及其他像素点中梯度方向值为60度的累加幅度值进行提取，即为分解得到所述待测人脸图像内所有像素点的每个梯度方向值对应的累加幅度值，之后，将每个梯度方向值对应的累加幅度值进行组合拼图，得到每个所述梯度方向值各自对应的累加幅度图。

步骤104：依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征。

其中，所述步骤104中的累加幅度图是指所述步骤103中得到的所述待测人脸图像中，在每个所述梯度方向值上各自对应的累加幅度图。

需要说明的是，所述步骤104中可以利用局部二值模式算子LBP实现，即为所述待测人脸图像的纹理匹配特征即为该待测人脸图像的直方图特征。

步骤105：对所述纹理匹配特征进行分类，得到所述待测试人脸图像的人脸类别信息。

其中，所述步骤105可以通过以下方式具体实现：

利用最近邻分类法对所述纹理匹配特征进行分类及匹配等操作，得到人脸类别信息，具体的：

将所述纹理匹配特征对应的直方图特征与目标图像的直方图特征进行匹配，计算所述纹理匹配特征对应的直方图特征与该目标图像的直方图特征之间的距离，进而确定距离最短的目标图像，该距离最短的目标图像的人脸类别即作为所述待测人脸图像的人脸类别信息。

其中，上述计算两个直方图特征之间的距离可以通过以下公式（3）得到：

D(H₁,H₂)=∑min(H₁,H₂)                （3）

其中，H₁、H₂分别为待测人脸图像的直方图特征及目标图像的直方图特征，D(H₁,H₂)即为H₁、H₂之间的距离。

由上述方案可知，本申请提供的一种人脸识别方法实施例一，通过获取待测人脸图像中每个像素点的梯度方向值和梯度幅度值，在利用梯度方向值和梯度幅度值获取待测人脸图像中每个像素点邻域内每个梯度方向值对应的累加幅度值，进而获取到所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图，进而获取到待测人脸图像的纹理匹配特征，从而对纹理匹配特征进行分类，得到人脸类别信息。相对于现有的HOG方案中仅将局部方向信息作为识别计算基础，且用于匹配分类的HOG特征仅仅是对局部区域内分布在不同方向上像素点个数的简单统计，导致人脸识别准确率低的情况，本申请实施例提取的定向幅值特征充分通过像素点在不同梯度方向上的幅度值与周围邻域幅度值进行计算获得，进而进行人脸图像的识别，得到人脸类别信息，提高了人脸识别的准确率。

在本申请的具体实现中，为了在保证人脸识别准确率的基础上，能够减小本申请计算的复杂度，提高人脸识别的效率，参考图3，为本申请提供的一种人脸识别方法实施例二的流程图，其中，在所述步骤101之后，在所述步骤102之前，所述方法还可以包括以下步骤：

步骤106：对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值，其中，N大于或等于2。

其中，所述步骤106可以通过以下方式具体实现：

利用以下公式（4）实现对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值：

q(φ)=i;

$\mathrm{if}\frac{180*(i-1)}{N}\&le;\mathrm{\&phi;}<\frac{180*i}{N},i=1,2...N---\left(4\right)$

其中，φ为当前像素点的梯度方向值，q(□)为量化算子，i为当前像素点的梯度方向值对应的方向量化区间值，N为量化区间的个数。

例如，将所述待测人脸图像中的梯度方向值进行区间划分，将每个像素点的梯度方向值进行4个区间的量化操作，即为：将0～180度平均量化为4个区间：[0，45]、[46，90]、[91，135]、[136，180]，以图2b中的某个像素点邻域为例，N为4，量化后的该邻域的梯度方向值如图4中所示。

此时，所述步骤102可以通过以下方式具体实现：

在每个所述像素点的邻域内，对具有相同方向量化区间值的像素点的梯度幅度值进行累加，得到每个所述像素点的邻域内N个所述方向量化区间值各自对应的累加幅度值。

以图2及图4中的像素点邻域为例，每个方向量化区间值1、2、3、4各自对应的累加幅度值AT₁、AT₂、AT₃、AT₄分别为：

AT₁=9.3+8.2=17.5；

AT₂=5.2+3.1+9.2=17.5；

AT₃=9.3+8.4=17.7；

AT₄=7.2+5.4=12.6；

即为，该邻域的累加幅度值为AM（P）=[17.5、17.5、17.7、12.6]。

由上述方案可知，本申请提供的一种人脸识别方法实施例二，通过将像素点的梯度方向值进行量化操作，进而减少对人脸进行识别的计算复杂度，例如，以现有基于Gabor滤波器组的LGBP方案为例，该滤波器组由40个小波核组成时，利用该滤波器组对一幅待测人脸图像进行人脸识别时，其完成滤波的时间为0.43S，本申请中无须对图像进行率操作，且对一幅待测人脸图像进行一次特征提取只需0.02S，明显效率高于现有方案。

另外，现有LGBP方案中提取的特征长度为59×40×K（K为每张图片分成的子区域数目），本申请中由于对梯度方向值进行了量化操作，因此其提取的特征维数较低，仅为59×3×K（梯度角量化区间N取3），相对于现有方案，本申请的计算复杂度明显较低，其计算量明显低于现有技术方案，由此，本申请实施例进行人脸识别时的效率明显高于现有技术。

基于上述实施例，参考图5，为本申请提供的一种人脸识别方法实施例二中所述步骤103的流程图，所述步骤103可以包括以下实现步骤：

步骤501：在所述待测人脸图像中，对每个所述像素点对应的N个累加幅度值依据其各自的方向量化区间值进行分解。

其中，由上述步骤102的具体实现方案可知，在所述步骤102执行完成之后，所述待测人脸图像中每个像素点均对应多个累加幅度值，该累加幅度值的个数为所述待测人脸图像中方向量化区间值的个数N。因此，所述步骤501可以理解为：

在所述待测试人脸图像中，对每个所述像素点的多个累加幅度值依据其各自的方向量化区间值进行分解，例如，将所述待测人脸图像内，对图4中像素点对应方向量化区间值为2的累加幅度值17.5及其他像素点中方向量化区间值为2的累加幅度值进行提取，即为分解都所述待测人脸图像内所有像素点的每个方向量化区间值对应的累加幅度值。

步骤502：将同一方向量化区间值对应的每个所述像素点的累加幅度值进行组合，得到每个所述方向量化区间值各自对应的累加幅度图。

其中，所述步骤502中可以理解为：

将同一方向量化区间值对应的累加幅度值进行组合拼图，得到每个方向量化区间值各自对应的累加幅度图。

参考图6，为本申请提供的一种人脸识别方法实施例三中所述步骤104的流程图，所述步骤104可以通过以下步骤实现：

步骤601：利用局部二值模式LBP，获取每幅所述累加幅度图各自对应的LBP纹理图。

需要说明的是，所述LBP算子用来获取图像的纹理信息（纹理图）。以下对利用LBP对3×3像素的邻域图像进行操作为例，以该3×3邻域图像的中心像素点的灰度值为阈值，将中心像素点与其他周边8个像素点的像素灰度值进行比较，其值大于该中心像素点灰度值的像素点标记为1，否则标记为0，即可得到一个8位的二进制数据，将这个二进制数据转换为十进制数据即为该邻域图像的LBP值。其中，上述LBP算子定义如以下公式（5）所示：

${\mathrm{LBP}}_{P,R}=\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}S(g_i-g_c)2^i---\left(5\right)$

其中，g_i和g_c分别为上述邻域图像中中心像素点的第i个采样值和局部区域的中心像素点的灰度值，P为采样点数。S(□)为量化算子，其数学表达式如以下公式（6）所示：

$S\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.---\left(6\right)$

其中，x为所述中心像素点的周边像素点的像素灰度值与该中心像素点灰度值的差值。

据此，在所述步骤601中，依据上述LBP算子对每幅所述累加幅度图进行操作，得到每幅所述累加幅度图各自对应的LBP纹理图。

步骤602：分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征。

其中。所述步骤602是指，分别对每幅所述LBP纹理图进行特征提取操作之后，依据每幅所述LBP纹理图的操作结果生成所述待测人脸图像的纹理匹配特征。

具体的，所述步骤602可以通过以下方式具体实现：

将每幅所述LBP纹理图分别划分为至少一个纹理图块，再分别提取每个所述纹理图块的直方图特征，具体的，可以通过对每个所述纹理图块进行统计计算得到其直方图特征，之后，将所有所述LBP纹理图的每个所述纹理图块对应的直方图特征进行串联组合，得到的直方图特征组作为最终的所述待测人脸图像的纹理匹配特征。

如图7所示，为本申请的应用流程图，在需要进行人脸识别时，首先确定待测人脸图像，进而由本申请对该待测人脸图像中每个像素点的梯度方向值和梯度幅度值进行获取，进而得到该待测人脸图像的梯度方向图和梯度幅度图；其中，本申请实现对梯度方向值和梯度幅度值获取的实现方式可以参考权利要求1及上述实施例一中所述内容；

其次，本申请根据每个像素点的梯度方向值和梯度幅度值定位待测人脸图像在每个梯度方向值或每个方向量化区间值各自对应的累加幅度图；其中，该定位过程及方式可以参考权利要求1、2、3及上述实施例一和实施例二中所述内容；

再次，依据累加幅度图获取该待测人脸图像对应的LBP纹理图，进而得到直方图特征作为最终的纹理匹配特征，其中，LBP纹理图及直方图特征的获取过程及方式可以参考权利要求1、4、5及上述实施例三中所述内容；

最后，依据所述纹理匹配特征对待测人脸图像中的人脸进行匹配识别，得到人脸类别信息，其中，该匹配识别过程及方式可以参考权利要求1及上述实施例一中所述内容。

参考图8，为本申请提供的一种人脸识别装置实施例四的结构示意图，所述装置可以包括：

梯度数据获取单元801，用于获取待测人脸图像中每个像素点的梯度数据。

其中，所述梯度数据包括其所属像素点的梯度方向值和梯度幅度值。所述待测人脸图像中每个像素点的梯度方向值组成该待测人脸图像的梯度方向图，每个所述像素点的梯度幅度值组成该待测人脸图像的梯度幅度图。

在具体实现中，所述梯度数据获取单元801可以利用上述公式（1）获取待测人脸图像中每个所述像素点的梯度方向值，并利用上述公式（2）获取待测人脸图像中每个所述像素点的梯度幅度值。

累加幅度值获取单元802，用于依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值。

其中，所述像素点的邻域是指，以所述像素点为中心，选定一个若干像素点的方块区域，也可以称为“单元格”。如图2a中所示，为以梯度幅度值为8.4的像素点为中心，选定该像素点相邻的8个像素点组成该像素点的邻域，如图2b中所示，为该像素点的邻域中各个像素点各自的梯度方向值，其中，在本申请中，所述梯度方向值以0至180度之间的角度值进行表示。

在所述累加幅度值获取单元802的具体实现中，对每个像素点的邻域均进行如下操作：对所述邻域内具有同一梯度方向值的像素点的梯度幅度值进行加计算，得到该邻域内每个梯度方向值对应的累加幅度值。以如图2中梯度幅度值为8.4的像素点的邻域为例，在获取该像素点的邻域内每个梯度方向值对应的累加幅度值时，首先确定该邻域内所有出现的梯度方向值，如图2b中的20、35、60、70、120、160，提取每个出现的梯度方向值的像素点对应的梯度幅度值，如梯度方向值20对应的梯度幅度值为8.2，梯度方向值35对应的梯度幅度值为9.3，梯度方向值60对应的梯度幅度值为5.2和9.2，梯度方向值70对应的梯度幅度值为3.1，梯度方向值120对应的梯度幅度值为9.3和8.4，梯度方向值160对应的梯度幅度值为7.2和5.4，此时，将同一梯度方向值对应的梯度幅度值进行加计算，得到该梯度方向值对应的累加幅度值，如梯度方向值20对应的累加幅度值为8.2，梯度方向值35对应的累加幅度值为9.3，梯度方向值60对应的累加幅度值为13.4，梯度方向值70对应的累加幅度值为3.1，梯度方向值120对应的累加幅度值为17.7，梯度方向值160对应的累加幅度值为12.6，同时对在该邻域中未出现的梯度方向值对应的累加幅度值置为0，实现对该邻域内每个梯度方向值对应的累加幅度值。

累加幅度图获取单元803，用于依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图。

其中，在所述累加幅度值获取单元802运行完成之后，所述待测人脸图像中每个像素点均对应多个累加幅度值，该累加幅度值的个数为所述待测人脸图像中梯度方向值的个数，如0至180度之间的多个累加幅度值。因此，所述累加幅度图获取单元803可以通过以下方式具体实现：

在所述待测试人脸图像中，对每个所述像素点的多个累加幅度值依据其各自的梯度方向值进行分解，例如，将所述待测人脸图像内，对图2中像素点对应梯度方向值为60度的累加幅度值13.4及其他像素点中梯度方向值为60度的累加幅度值进行提取，即为，分解得到所述待测人脸图像内所有像素点的每个梯度方向值对应的累加幅度值，之后，将每个梯度方向值对应的累加幅度值进行组合拼图，得到每个所述梯度方向值各自对应的累加幅度图。

匹配特征获取单元804，用于依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征。

其中，所述匹配特征获取单元804中的累加幅度图是指所述累加幅度图获取单元803中得到的所述待测人脸图像中，在每个所述梯度方向值上各自对应的累加幅度图。

需要说明的是，所述匹配特征获取单元804中可以利用局部二值模式算子LBP实现，即为，所述待测人脸图像的纹理匹配特征即为该待测人脸图像的直方图特征。

类别信息获取单元805，用于对所述纹理匹配特征进行分类，得到所述待测人脸图像的人脸类别信息。

其中，所述类别信息获取单元805可以通过以下方式具体实现：

利用最近邻分类法对所述纹理匹配特征进行分类及匹配等操作，得到人脸类别信息，具体的：

将所述纹理匹配特征对应的直方图特征与目标图像的直方图特征进行匹配，计算所述纹理匹配特征对应的直方图特征与该目标图像的直方图特征之间的距离，进而确定距离最短的目标图像，该距离最短的目标图像的人脸类别即作为所述待测人脸图像的人脸类别信息。

其中，上述计算两个直方图特征之间的距离可以通过上述公式（3）得到。

由上述方案可知，本申请提供的一种人脸识别装置实施例四，通过获取待测人脸图像中每个像素点的梯度方向值和梯度幅度值，在利用梯度方向值和梯度幅度值获取待测人脸图像中每个像素点邻域内每个梯度方向值对应的累加幅度值，进而获取到所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图，进而获取到待测人脸图像的纹理匹配特征，从而对纹理匹配特征进行分类，得到人脸类别信息。相对于现有的HOG方案中仅将局部方向信息作为识别计算基础，且用于匹配分类的HOG特征仅仅是对局部区域内分布在不同方向上像素点个数的简单统计，导致人脸识别准确率低的情况，本申请实施例提取的定向幅值特征充分通过像素点在不同梯度方向上的幅度值与周围邻域幅度值进行计算获得，进而进行人脸图像的识别，得到人脸类别信息，提高了人脸识别的准确率。

在本申请的具体实现中，为了在保证人脸识别准确率的基础上，能够减小本申请计算的复杂度，提高人脸识别的效率，参考图9，为本申请提供的一种人脸识别装置实施例五的结构示意图，所述装置还可以包括：

梯度方向量化单元806，用于在所述梯度数据获取单元801获取待测人脸图像中每个像素点的梯度数据之后，在所述累加幅度值获取单元802获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值之前，对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值，其中，N大于或等于2。

其中，所述梯度方向量化单元806可以通过以下方式具体实现：

利用上述公式（4）实现对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值：

例如，将所述待测人脸图像中的梯度方向值进行区间划分，将每个像素点的梯度方向值进行4个区间的量化操作，即为：将0～180度平均量化为4个区间：[0，45]、[46，90]、[91，135]、[136，180]，以图2b中的某个像素点邻域为例，N为4，，量化后的该邻域的梯度方向值如图4中所示。

此时，所述累加幅度值获取单元802具体用于：

对每个所述像素点的邻域内，对具有相同方向量化区间值的像素点的梯度幅度值进行累加，得到每个所述像素点的邻域内N个所述方向量化区间值各自对应的累加幅度值。

以图2及图4中的像素点邻域为例，每个方向量化区间值1、2、3、4各自对应的累加幅度值AT₁、AT₂、AT₃、AT₄分别为：

AT₁=9.3+8.2=17.5；

AT₂=5.2+3.1+9.2=17.5；

AT₃=9.3+8.4=17.7；

AT₄=7.2+5.4=12.6；

即为，该邻域的累加幅度值为AM（P）=[17.5、17.5、17.7、12.6]。

由上述方案可知，本申请提供的一种人脸识别装置实施例五，通过将像素点的梯度方向值进行量化操作，进而减少对人脸进行识别的计算复杂度，例如，以现有基于Gabor滤波器组的LGBP方案为例，该滤波器组由40个小波核组成时，利用该滤波器组对一幅待测人脸图像进行人脸识别时，其完成滤波的时间为0.43S，本申请中无须对图像进行率操作，且对一幅待测人脸图像进行一次特征提取只需0.02S，明显效率高于现有方案。

另外，现有LGBP方案中提取的特征长度为59×40×K（K为每张图片分成的子区域数目），本申请中由于对梯度方向值进行了量化操作，因此其提取的特征维数较低，仅为59×3×K（梯度角量化区间N取3），相对于现有方案，本申请的计算复杂度明显较低，其计算量明显低于现有技术方案，由此，本申请实施例进行人脸识别时的效率明显高于现有技术。

基于上述实施例，参考图10，为本申请提供的一种人脸识别装置实施例五中所述累加幅度图获取单元803的结构示意图，其中，所述累加幅度图获取单元803可以包括：

累加幅度值分解子单元831，用于在所述待测人脸图像中，对每个所述像素点对应的N个累加幅度值依据其各自的方向量化区间值进行分解。

其中，由上述累加幅度值获取单元802的具体实现方案可知，在所述累加幅度值获取单元802运行完成之后，所述待测人脸图像中每个像素点均对应多个累加幅度值，该累加幅度值的个数为所述待测人脸图像中方向量化区间值的个数N。因此，所述累加幅度值分解子单元831可以理解为：

在所述待测试人脸图像中，对每个所述像素点的多个累加幅度值依据其各自的方向量化区间值进行分解，例如，将所述待测人脸图像内，对图4中像素点对应方向量化区间值为2的累加幅度值17.5及其他像素点中方向量化区间值为2的累加幅度值进行提取，即为分解都所述待测人脸图像内所有像素点的每个方向量化区间值对应的累加幅度值。

累加幅度图组合子单元832，用于将同一方向量化区间值对应的每个所述像素点的累加幅度值进行组合，得到每个所述方向量化区间值各自对应的累加幅度图。

其中，所述累加幅度图组合子单元832的实现方式可以理解为：

将同一方向量化区间值对应的累加幅度值进行组合拼图，得到每个方向量化区间值各自对应的累加幅度图。

参考图11，为本申请提供的一种人脸识别装置实施例六中所述匹配特征获取单元804的结构示意图，其中，所述匹配特征获取单元804可以包括：

纹理图获取子单元841，用于利用局部二值模式LBP，获取每幅所述累加幅度图各自对应的LBP纹理图。

需要说明的是，所述LBP算子用来获取图像的纹理信息（纹理图）。以下对利用LBP对3×3像素的邻域图像进行操作为例，以该3×3邻域图像的中心像素点的灰度值为阈值，将中心像素点与其他周边8个像素点的像素灰度值进行比较，其值大于该中心像素点灰度值的像素点标记为1，否则标记为0，即可得到一个8位的二进制数据，将这个二进制数据转换为十进制数据即为该邻域图像的LBP值。其中，上述LBP算子定义如上述公式（5）所示：

${\mathrm{LBP}}_{P,R}=\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}S(g_i-g_c)2^i---\left(5\right)$

其中，g_i和g_c分别为上述邻域图像中中心像素点的第i个采样值和局部区域的中心像素点的灰度值，P为采样点数。S(□)为量化算子，其数学表达式如以下公式（6）所示：

$S\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.---\left(6\right)$

其中，x为所述中心像素点的周边像素点的像素灰度值与该中心像素点灰度值的差值。

据此，在所述纹理图获取子单元841中，依据上述LBP算子对每幅所述累加幅度图进行操作，得到每幅所述累加幅度图各自对应的LBP纹理图。

纹理图操作获取子单元842，用于分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征。

其中，所述纹理图操作获取子单元842的运行方式可以理解为：

分别对每幅所述LBP纹理图进行特征提取操作之后，依据每幅所述LBP纹理图的操作结果生成所述待测人脸图像的纹理匹配特征。

具体的，参考图12，为本申请实施例六中所述纹理图操作获取子单元842的结构示意图，其中，所述纹理图操作获取子单元842可以包括：

纹理图分块模块8421，用于分别将每幅所述LBP纹理图划分为至少一个纹理图块。

特征提取模块8422，用于提取每个所述纹理图块的直方图特征。

具体的，可以通过对每个所述纹理图块进行统计计算得到其直方图特征。

特征组合模块8423，用于将每个所述纹理图块对应的直方图特征进行串联组合，得到所述待测人脸图像的纹理匹配特征。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

最后，还需要说明的是，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。

以上对本发明所提供的一种人脸识别方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：

获取待测人脸图像中每个像素点的梯度数据，所述梯度数据包括梯度方向值和梯度幅度值；

依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值；

依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图；

依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征；

对所述纹理匹配特征进行分类，得到所述待测人脸图像的人脸类别信息。

2.根据权利要求1所述的方法，其特征在于，在所述获取待测人脸图像中每个像素点的梯度数据之后，在所述获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值之前，所述方法还包括：

对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值，其中，N大于或等于2；

其中，所述依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值，包括：

在每个所述像素点的邻域内，对具有相同方向量化区间值的像素点的梯度幅度值进行累加，得到每个所述像素点的邻域内N个所述方向量化区间值各自对应的累加幅度值。

3.根据权利要求2所述的方法，其特征在于，所述依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图，包括：

在所述待测人脸图像中，对每个所述像素点对应的N个累加幅度值依据其各自的方向量化区间值进行分解；

将同一方向量化区间值对应的每个所述像素点的累加幅度值进行组合，得到每个所述方向量化区间值各自对应的累加幅度图。

4.根据权利要求1或3所述的方法，其特征在于，所述依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征，包括：

利用局部二值模式LBP，获取每幅所述累加幅度图各自对应的LBP纹理图；

分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征。

5.根据权利要求4所述的方法，其特征在于，所述分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征，包括：

分别将每幅所述LBP纹理图划分为至少一个纹理图块；

提取每个所述纹理图块的直方图特征；

将每个所述纹理图块对应的直方图特征进行串联组合，得到所述待测人脸图像的纹理匹配特征。

6.一种人脸识别装置，其特征在于，包括：

梯度数据获取单元，用于获取待测人脸图像中每个像素点的梯度数据，所述梯度数据包括梯度方向值和梯度幅度值；

累加幅度值获取单元，用于依据所述梯度幅度值，获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值；

累加幅度图获取单元，用于依据每个所述累加幅度值，获取所述待测人脸图像在每个所述梯度方向值上各自对应的累加幅度图；

匹配特征获取单元，用于依据所述累加幅度图，获取所述待测人脸图像的纹理匹配特征；

类别信息获取单元，用于对所述纹理匹配特征进行分类，得到所述待测人脸图像的人脸类别信息。

7.根据权利要求6所述的装置，其特征在于，还包括：

梯度方向量化单元，用于在所述梯度数据获取单元获取待测人脸图像中每个像素点的梯度数据之后，在所述累加幅度值获取单元获取每个所述像素点的邻域内每个所述梯度方向值对应的累加幅度值之前，对每个所述像素点的梯度方向值进行N区间的量化操作，得到每个所述像素点的梯度方向值对应的方向量化区间值，其中，N大于或等于2；

其中，所述累加幅度值获取单元具体用于：

对每个所述像素点的邻域内，对具有相同方向量化区间值的像素点的梯度幅度值进行累加，得到每个所述像素点的邻域内N个所述方向量化区间值各自对应的累加幅度值。

8.根据权利要求7所述的装置，其特征在于，所述累加幅度图获取单元，包括：

累加幅度值分解子单元，用于在所述待测人脸图像中，对每个所述像素点对应的N个累加幅度值依据其各自的方向量化区间值进行分解；

累加幅度图组合子单元，用于将同一方向量化区间值对应的每个所述像素点的累加幅度值进行组合，得到每个所述方向量化区间值各自对应的累加幅度图。

9.根据权利要求6或8所述的装置，其特征在于，所述匹配特征获取单元，包括：

纹理图获取子单元，用于利用局部二值模式LBP，获取每幅所述累加幅度图各自对应的LBP纹理图；

纹理图操作获取子单元，用于分别对每幅所述LBP纹理图进行特征提取操作，生成所述待测人脸图像的纹理匹配特征。

10.根据权利要求9所述的装置，其特征在于，所述纹理图操作获取子单元，包括：

纹理图分块模块，用于分别将每幅所述LBP纹理图划分为至少一个纹理图块；

特征提取模块，用于提取每个所述纹理图块的直方图特征；

特征组合模块，用于将每个所述纹理图块对应的直方图特征进行串联组合，得到所述待测人脸图像的纹理匹配特征。

Images