CN103745235A - 人脸识别方法、装置及终端设备 - Google Patents

Abstract

本发明实施例公开了一种人脸识别方法、装置及终端设备，所述人脸识别方法首先获取待识别的人脸图像中的各个关键器官的局部模块图像，然后对所述局部模块图像进行光照归一化处理，以及采样和编码后，得到第一特征向量；再根据预先对样本图像训练得到的投影方向，对第一特征向量进行特征空间降维转换，得到维数比第一特征向量小的第二特征向量，最后，对待识别的人脸图像的第二特征向量及人脸模板图像对应的特征向量进行距离度量，得到人脸识别结果。由于第二特征向量具有类内离散度最小且类间离散度最大的特点，即同一个人的特征向量的离散度最小，不同人的特征向量的离散度最大，因此，提高了人脸识别的识别率。

Description

人脸识别方法、装置及终端设备

技术领域

本公开涉及人脸识别技术领域，特别是涉及一种人脸识别方法、装置及终端设备。

背景技术

随着人脸识别技术和智能终端技术的发展，人脸识别技术被广泛应用到智能终端设备上，实现身份验证、屏幕解锁等多种功能。智能终端设备通过摄像装置实时采集人脸图像，并与预先存储的模板图像进行匹配，若匹配成功，则验证通过。

人脸识别技术通过采集人脸关键部位的特征（例如，眼睛、鼻子、嘴等器官点），并提取关键部位的局部模块，然后提取对应的关键部位特征，最后度量采集到的图像的特征与模板图像的特征之间的距离，从而识别两个图像是否是同一个人，在提取对应的关键部位特征时，采用了无间断学习的方法，丢失了同一个人的类内信息，因此，此种人脸识别方式的识别率较低，尤其是采集到的人脸图像具有一定的姿态（例如，侧脸）时，进一步降低了识别率。

发明内容

本公开实施例中提供了一种人脸识别方法、装置及终端设备，以解决人脸识别的识别率低的问题。

为了解决上述技术问题，本公开实施例公开了如下技术方案：

第一方面，本公开提供一种人脸识别方法，包括：对获得的待识别人脸图像进行器官点定位；根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；对所述第二局部模块图像进行采样及编码，得到第一特征向量；根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数；对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果得到人脸识别结果。

结合第一方面，在第一方面的第一种可能的实现方式中，对所述各个器官的局部模块进行光照归一化处理，得到第二局部模块图像，采用如下方式：利用差分高斯算法对第一局部模块图像进行预处理，得到高斯图像；对所述高斯图像进行图像直方图均衡处理，得到灰度值均匀的第二局部模块图像。

结合第一方面，在第一方面的第二种可能的实现方式中，对所述第二局部模块图像进行采样及编码，得到第一特征向量，采用如下方式：对所述第二局部模块图像的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；对所述特征矩阵中的每行元素与预先训练得到的K-means层级树中的各个节点进行匹配，对匹配成功的节点进行编码，得到第一特征向量。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，预先训练得到K-means层级树的过程，采用如下方式：采集多个人脸图像作为样本图像；对每个所述样本图像中的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；将所述特征矩阵中的每一行元素作为一个训练向量，进行K-means聚类算法训练，得到K-means层级树中各个节点对应的向量。

结合第一方面、第一方面的第一种可能的实现方式、第一方面的第二种可能的实现方式或第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，预先对样本图像进行训练得到投影方向，采用如下方式：获取样本图像对应的类间离散度矩阵和类内离散度矩阵；按照Fisher线性鉴别分析算法，根据所述类间离散度矩阵和所述类内离散度矩阵，得到投影方向，所述投影方向使投影后得到的特征向量具有最大的类间离散度和最小的类内离散度。

第二方面，本公开提供一种人脸识别装置，包括：器官定位单元，用于对获得的待识别人脸图像进行器官点定位；局部模块图像获取单元，用于根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；光照归一化处理单元，用于对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；第一编码单元，用于对所述第二局部模块图像进行采样及编码，得到第一特征向量；空间转换单元，用于根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数；距离度量单元，用于对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果得到人脸识别结果。

结合第二方面，在第二方面的第一种可能的实现方式中，所述光照归一化处理单元包括：高斯预处理子单元，用于利用差分高斯算法对第一局部模块图像进行预处理，得到高斯图像；直方图均衡处理子单元，用于对所述高斯图像进行图像直方图均衡处理，得到灰度值均匀的第二局部模块图像。

结合第二方面，在第二方面的第二种可能的实现方式中，所述第一编码单元包括：第一特征采样子单元，用于对所述第二局部模块图像的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；编码子单元，用于对所述特征矩阵中的每行元素与预先训练得到的K-means层级树中的各个节点进行匹配，对匹配成功的节点进行编码，得到第一特征向量。

结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，还包括：样本采集单元，用于采集多个人脸图像作为样本图像；第二特征采样单元，用于对每个所述样本图像中的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；聚类算法训练单元，用于将所述特征矩阵中的每一行元素作为一个训练向量，进行K-means聚类算法训练，得到K-means层级树中各个节点对应的向量。

结合第二方面、第二方面的第一种可能的实现方式、第二方面的第二种可能的实现方式或第二方面的第三种可能的实现方式，在第二方面的第四种可能的实现方式中，还包括：第一获取单元，用于获取样本图像对应的类间离散度矩阵和类内离散度矩阵；投影方向获取单元，用于按照Fisher线性鉴别分析算法，根据所述类间离散度矩阵和所述类内离散度矩阵，得到投影方向，所述投影方向使得投影后得到的特征向量具有最大的类间离散度和最小的类内离散度。

第三方面，本公开提供一种终端设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上指令所包含用于进行以下操作的指令：对获得的待识别人脸图像进行器官点定位；根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；对所述第二局部模块图像进行采样及编码，得到第一特征向量；根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数；对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果判断待识别人脸图像与人脸模板图像之间的相似度，得到人脸识别结果。

本公开的有益效果包括：所述人脸识别方法首先对待识别人脸图像进行器官点定位，然后，提取各个器官对应的第一局部模块图像；对第一局部模块图像光照归一化处理得到第二局部模块图像；对第二局部模块图像进行采样、编码，得到第一特征向量，并以类内离散度最小化及类间离散度最大化为优化目标，根据预先对样本图像进行空间转换训练得到的投影方向，将第一特征向量进行特征空间降维转换得到第二特征向量，最后，对采集到的待识别人脸图像的第二特征向量及人脸模板图像对应的第二特征向量进行距离度量，判断两个图像的相似度，最终得到人脸识别结果。由于第二特征向量具有类内离散度最小且类间离散度最大的特点，即同一个人的特征向量的离散度最小，不同人之间的特征向量的离散度最大，因此，提高了人脸识别的识别率。而且，本公开的人脸识别方法是基于人脸器官的局部模块，相对于基于整个人脸的特征，能够降低姿态变化带来的配准问题，因此，能够适应人脸的各种姿态所带来的差异，使得本公开的人脸识别方法对姿态具有更好的鲁棒性。

附图说明

为了更清楚地说明本公开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地介绍，显而易见地，对于本领域普通技术人员而言，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为本公开实施例提供的一种人脸识别方法的流程示意图；

图2为本公开实施例人脸部位器官点定位标定示意图；

图3为本公开实施例一种图像光照处理的效果示意图；

图4为本公开实施例对局部模块图像进行采样的采样点获取示意图；

图5为本公开实施例一种K-means层级树的实例示意图；

图6为本公开实施例提供的一种训练K-means层级树的流程示意图；

图7为本公开实施例提供的一种空间转换的训练方法流程示意图；

图8为基于训练得到的投影方向进行特征空间转换后的样本点分布示意图；

图9为本公开实施例提供的一种人脸识别装置的结构示意图；

图10为本公开实施例提供的光照归一化处理单元的结构示意图；

图11为本公开实施例提供的第一编码单元的结构示意图；

图12为本公开实施例提供的实现空间转换训练过程的结构示意图；

图13为本公开实施例终端设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开中的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。

请参见图1，示出了本公开实施例提供的一种人脸识别方法的流程示意图，所述方法应用于终端设备，例如，智能手机、平板电脑或掌上电脑PDA等。所述方法可以包括以下步骤：

S110，对获得的待识别人脸图像进行器官定位。

在进行人脸识别之前，首先利用终端设备采集包含人脸的图像得到待识别人脸图像，然后，利用人脸检测方法检测图像中的人脸图像，例如，利用Adaboost方法检测图像中的人脸部分，通过Adaboost方法能够检测任何一张包含人脸的图片中的各个人脸部分图像，并用提示框框出人脸部分。

然后，采用人脸轮廓特征点的定位方法（例如，Active Shape Model，ASM）对所述待识别人脸图像中器官轮廓进行定位，从而确定出待识别人脸图像中的各个器官，例如，眉毛、左眼、右眼、鼻子、嘴、脸型等特征器官。

如图2所示，对人脸面部图像的关键特征点进行标定，图2对人脸面部的眼睛、眉毛、嘴及脸部轮廓标定了68个关键点。然后，根据标定的关键点对多个含有人脸面部区域的样本图片的面部关键区域进行ASM训练得到ASM模型；利用训练得到的ASM模型对待识别人脸图像进行ASM搜索，从中搜索目标形状，使搜索到的最终形状中的特征点和相对应的真正特征点最为接近，从而确定所述待识别人脸图像中的器官定位点信息，以便后续提取包含关键器官的局部模块图像。

S120，根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像。利用步骤S110定位出的待识别人脸图像中各个器官的位置点，从待识别人脸图像中提取各个器官的局部模块，例如，左眼的局部模块图像、右眼的局部模块图像、鼻子的局部模块图像、嘴的局部模块图像。

S130，对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像。

在本公开的一个实施例中，光照归一化处理的过程可以采用如下方式：

首先，利用差分高斯算法对某一器官的第一局部模块图像进行光照预处理，滤除图像的低频信号（光照反射量），保留图像的高频信息（如角点、边缘等信息），即保留局部模块的细节信息，得到高斯图像；

然后，对高斯图像进行图像直方图均衡化（Histogram Equalization，HE）处理，得到灰度值均匀的第二局部模块图像。其中，图像直方图均衡化处理是把第一局部模块图像的灰度直方图从在某个灰度区间比较集中的形式，变成在全部灰度范围内的均匀分布的形式，从而增加图像的局部对比度，即图像的局部更清晰。

如图3所示，为对人脸图像整图进行光照归一化处理的处理效果示意图，图3中的处于第一排的7个图像是同一个人的样本图像，对第一排的样本图像进行高斯处理，滤除低频信号（光照反射量），保留图像的高频信息（如角点、边缘等信息）得到的高斯预处理后图像，即该样本图像正下方的图像。图像1是原始图像，进行高斯处理后得到图像2，由图3可知，处理后的图像是与光照信息无关的图像。然后，再对高斯处理后得到的图像进行直方图均衡处理，提高图像中高频信息的清晰度。

S140，对所述第二局部模块图像进行采样及编码，得到第一特征向量。

在本公开的一个实施例中，对图像的采样过程可以采用如下方式：

对完成光照归一化处理得到的第二局部模块图像进行采样，首先，以图像中的每个像素点为中心，半径为R的圆周上的像素点进行均匀采样，半径R的取值可以小于第二局部模块图像边长的任意值，且可以取多个R值进行采样。

如图4所示，图片1为某个器官的第二局部模块图像，假设以图像中的像素点O为中心，在半径为R1的圆周上均匀采集4个采样点；以及，在像素点O为中心，半径为R2的圆周上均匀采集4个采样点。

以第二局部模块图像中的每个采样点对应的灰度值为一个矩阵中的元素，得到一张低维的特征矩阵。该矩阵的每一行元素为以一个像素点为中心的所有采样点的灰度值，该矩阵的行数描述了该局部图像的所有像素点的数目。假设该局部图像大小为15*15，每个像素点周围采样200个采样点，则得到一个225*200的特征矩阵。

对图4所示的实例进行说明，其中，假设，图片1的大小为15*15，则图片1包含225个像素点，每个像素点周围采样8个采样点，则得到一个225*8的特征矩阵，假设式1所示的矩阵为225*8的特征矩阵，矩阵中的列数w取值为8，行数h取值为225。其中，矩阵中的

表示图片1中的第一像素点的第一个采样点的灰度值。

$\left\{\begin{array}{cccc}{\stackrel{\→}{d}}_{\mathrm{1,1}}& {\stackrel{\→}{d}}_{\mathrm{1,2}}& \·\·\·& {\stackrel{\→}{d}}_{1,w}\\ {\stackrel{\→}{d}}_{\mathrm{2,1}}& {\stackrel{\→}{d}}_{\mathrm{2,2}}& \·\·\·& {\stackrel{\→}{d}}_{2,w}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\stackrel{\→}{d}}_{h,1}& {\stackrel{\→}{d}}_{h,2}& \·\·\·& {\stackrel{\→}{d}}_{h,w}\end{array}\right\}$    （式1）

然后，对所述特征矩阵中的每行元素与预先训练得到的K-means层级树中的各个叶子节点进行匹配，对匹配成功的节点进行重新编码，得到第一特征向量。采样及编码过程是一个降维的过程，即降低特征向量维数的过程。

线下根据采集到的样本图像进行K-means聚类算法训练，得到K-means层级树的节点向量。假设训练得到图5所示的2层2叉K-means层级树，再将采样得到的特征矩阵中的每一行元素作为一个样本与K-means层级树的各个叶子节点进行匹配，然后对匹配成功的节点进行重新编码，最终得到第一特征向量。假设，式1所示的矩阵向量中的第一行元素为样本与K-means层级树的最底层的4个叶子节点进行匹配后，该样本与节点3匹配成功，则利用二进制数对样本进行编码，匹配不成功的节点用“0”表示，匹配成功的节点用“1”表示，则第一行元素对应的编码为“0010”，直到完成矩阵中每一行元素的编码。

K-means聚类算法是典型的基于距离的聚类方法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：以空间中K个点为中心进行聚类，对最靠近中心的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直到得到最好的聚类结果。K-means层级树是利用K-means聚类算法不断对样本进行聚类，采用多层聚类的方式，得到的层级树。

请参见图6，示出了本公开实施例一种训练K-means层级树的流程示意图，可以包括以下步骤：

S210，线下采集多个人脸图像作为样本图像。线下搜集多个包含人脸面部区域的样本图片，然后，利用Adaboost方法检测样本图片中的人脸，作为多个样本图像。

S220，对每个样本图像中的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵。按照步骤S140的采样方法，进行采样，得到样本图像的特征矩阵。

S230，将所述特征矩阵中的每一行元素作为一个训练向量，进行K-means聚类算法训练，得到K-means层级树中各个节点对应的向量。每层选取对应的聚类中心，并对特征矩阵中的其他元素进行聚类训练，每层保留训练得到的聚类中心，即每层K-means层级树中各个节点对应的向量。

首先，选取k个对象作为初始的聚类中心，然后，对剩余的对象测量其到聚类中心的距离，并把相应对象归到最近的聚类中心对应的类中，得到新的类，并重新计算得到的各个类的聚类中心，迭代运算多次，直到新的聚类中心与前一次迭代的聚类中心相同或者两者的差值小于预设阈值。

在步骤S140中得到第一特征向量之后，在步骤S150，根据样本降维训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量。其中，所述投影方向使得投影后的特征向量具有最大的类间离散度和最小的类内离散度；所述第二特征向量的维数小于所述第一特征向量的维数。

该步骤利用有监督学习的方法，例如，利用LDA（Linear Discriminant Analysis,线性判别式分析）方法，对第一特征向量进行重新编码得到学习后的特征，即第二特征向量。基于LDA方法的人脸识别过程，将一个人作为一个类，同一个人的人脸样本图像属于同一个类，不同人的人脸样本图像属于不同类。LDA方法就是通过对大量样本进行训练学习得到一个低维子空间，使得人脸特征点从高维特征空间投影到该低维子空间中，属于同一个人的人脸特征点更加聚集，属于不同人的人脸特征点更加分开。

如图7所示，利用所述LDA方法训练样本的过程可以包括以下子步骤：

S310，获取样本图像对应的类间离散度矩阵和类内离散度矩阵。

首先，计算第i类样本的均值u_i及总体样本的均值u，并根据第i类的样本均值u_i及总体样本均值u计算类间离散度矩阵Sb和类内离散度矩阵Sw。

S320，按照Fisher线性鉴别分析算法，根据所述类间离散度矩阵和所述类内离散度矩阵，得到投影方向。所述投影方向使得投影后的特征向量具有最大的类间离散度和最小的类内离散度。

假设，训练得到的投影方向对应的向量为某一投影前的特征向量

则投影后的特征向量

如图8所示，是利用LDA线性分析方法转换后的样本点的分布示意图，图8中的○表示A类的多个样本点，□表示B类的多个样本点，由图8可以看出，属于A类的样本点聚集在一起，属于B类的样本点聚集在一起，而且A类和B类的样本点距离较远。

下面以一个具体实例进行说明LDA方法训练过程，假设有200个人脸样本图像，包含10个不同的人的，其中每个人均有20张人脸图像，即200个样本图像包含20个类，每个类内包含10个样本图像，每个样本图像对应一个矩阵。首先，计算第i类样本的均值及总体样本的均值，并根据第i类的样本均值及总体样本均值计算类间离散度矩阵Sb和类内离散度矩阵Sw。然后，根据Fisher线性鉴别分析法计算Sb及Sw对应的投影方向，该投影方向能够使投影后的样本具有最大的类间离散度和最小的类内离散度。使不同人之间的人脸图像更容易区分开。

在得到第二特征向量之后，在步骤S160，对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果得到人脸识别结果。根据度量结果判断待识别人脸图像与人脸模板图像之间的相似度，最终得到人脸识别结果。

在本公开的一个实施例中，可以将待识别人脸图像的各个局部模块图像对应的第二特征向量融合成一个向量，与人脸模板对应的向量进行特征距离度量，再根据距离度量结果判断两个人脸图像的相似度，得到人脸识别结果。

假设采样得到的待识别人脸图像对应的第二特征向量为向量b，另一个样本图像对应的第二特征向量为向量c，利用式2计算向量b和向量c的余弦距离。

$\cos A=\frac{<b,c>}{\left|c\right|\left|b\right|}$    （式2）

式2中的分子表示向量b和向量c的内积，分母表示向量b和向量c的距离。

向量b和向量c的余弦距是-1到1之间的数值，然后采用一个阈值T进行度量，若两个向量间的距离大于阈值T，则表示向量b和向量c对应的人脸图像为同一个人，否则，两个人脸图像不是同一个人。

在本公开的另一个实施例中，可以将待识别人脸图像中的局部模块图像与人脸模板图像中相对应的局部模块图像，这两个局部模块图像对应的第二特征向量进行距离度量，得到度量结果，判断两个局部模块图像的相似度，直到待识别人脸图像的全部局部模块图像全部度量完，综合考虑全部局部模块图像的识别结果，两个人脸图像的相似度，得到人脸识别结果。

本实施例提供的人脸识别方法，首先提取待识别的待识别人脸图像的各个器官的第一局部模块图像，然后，对第一局部模块图像进行光照归一化预处理后得到第二局部模块图像。再获取第二局部模块图像的第一特征向量，然后，根据预先对样本图像进行空间转换训练得到的投影方向，对第一特征向量进行特征空间转换得到第二特征向量，然后，采用距离度量的方式，判断两个人脸图像的相似度，得到人脸识别结果。由于第二特征向量具有类内离散度最小且类间离散度最大的特点，即同一个人的特征向量的离散度最小，不同人之间的特征向量的离散度最大，因此，提高了人脸识别的识别率。而且，本公开的人脸识别方法是基于人脸器官的局部模块，相对于基于整个人脸的特征，能够降低姿态变化带来的配准问题，因此，能够适应人脸的各种姿态所带来的差异，使得本公开的人脸识别方法对姿态具有更好的鲁棒性。

与上述的人脸识别方法实施例相对应，本公开还提供了人脸识别装置的实施例。

请参见图9，示出了本公开实施例一种人脸识别装置的结构示意图，如图9所示，所述人脸识别装置包括：器官定位单元100、局部模块图像获取单元200、光照归一化处理单元300、第一编码单元400、空间转换单元500和距离度量单元600。

器官定位单元100，用于对获得的待识别人脸图像进行器官点定位。器官定位单元100可以采用人脸轮廓特征点的定位方法对人脸图像关键器官点进行定位，从而确定出人脸图像的各个器官的位置。

局部模块图像获取单元200，用于根据器官定位单元的结果，区分各个器官，获取各个器官的第一局部模块图像。局部模块图像获取单元200根据器官定位单元100的器官定位结果获取各个器官的局部图像，如包含左眼的局部图像、包含右眼的局部图像、包含鼻子的局部图像和包含嘴的局部图像等。

光照归一化处理单元300，用于对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像。

在本公开的一个实施例中，如图10所示，光照归一化处理单元300可以包括高斯预处理子单元301和直方图均衡处理子单元302。

高斯预处理子单元，用于利用差分高斯算法对第一局部模块图像进行预处理，得到高斯图像。所述高斯预处理子单元利用差分高斯算法对某一器官的第一局部模块图像进行预处理，滤除图像的低频信号（光照反射量），保留图像的高频信息（如角点、边缘等信息），即保留局部模块的细节信息，得到高斯图像。

直方图均衡处理子单元，用于对所述高斯图像进行图像直方图均衡处理，得到灰度值均匀的第二局部模块图像。图像直方图均衡化处理是把第一局部模块图像的灰度直方图从在某个灰度区间比较集中的形式，变成在全部灰度范围内的均匀分布的形式，从而增加图像的局部对比度，即图像的局部更清晰。

第一编码单元400，用于对所述第二局部模块图像进行采样及编码，得到第一特征向量。

在本公开的一个实施例中，如图11所示，所述第一编码单元400可以包括：第一特征采样子单元401和编码子单元402。

第一特征采样子单元401，用于对所述第二局部模块图像的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵。

编码子单元402，用于对所述特征矩阵中的每行元素与预先训练得到的K-means层级树中的各个节点进行匹配，对匹配成功的节点进行编码，得到第一特征向量。

预先训练K-means层级树的过程与图6所示的训练方法流程相同，此处不再赘述。

空间转换单元500，用于根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数。

在本公开的一个实施例中，对样本图像进行空间转换训练的过程可以通过图12所示的单元实现：

第一获取单元501，用于获取样本图像对应的类间离散度矩阵和类内离散度矩阵。

投影方向获取单元502，用于按照Fisher线性鉴别分析算法，根据所述类间离散度矩阵和所述类内离散度矩阵，得到投影方向，所述投影方向使得投影后得到的特征向量具有最大的类间离散度和最小的类内离散度。其中，所述投影方向使得投影后的第二特征向量之间具有最大的类间离散度和最小的类内离散度。

距离度量单元600，用于对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果判断待识别人脸图像与人脸模板图像之间的相似度，得到人脸识别结果。

本实施例提供的人脸识别装置，首先利用器官定位单元确定待识别人脸图像中的关键器官点。接着通过局部模块图像获取单元获取各个器官的局部图像，然后对局部图像进行光照归一化处理，再由第一编码单元对光照归一化处理后的局部图像进行采样及编码得到第一特征向量；利用空间转换单元对第一特征向量进行特征空间降维转换得到第二特征向量。最后由距离度量单元对待识别人脸图像的第二特征向量及人脸模板图像对应的进行距离度量，判断两个人脸图像的相似度，得到人脸识别结果。由于第二特征向量具有类内离散度最小且类间离散度最大的特点，即同一个人的特征向量的离散度最小，不同人之间的特征向量的离散度最大，因此，提高了人脸识别的识别率。而且，本公开的人脸识别基于人脸器官的局部模块，相对于基于整个人脸的特征，能够降低姿态变化带来的配准问题，因此，能够适应人脸的各种姿态所带来的差异，使得本公开的人脸识别装置对姿态具有更好的鲁棒性。

另一方面，本公开还提供一种终端设备的实施例，请参见图13，示出了本公开涉及的终端设备的结构示意图，该终端设备可以用于实施上述实施例提供的人脸识别方法，所述终端设备可以包括：RF（Radio Frequency，射频）电路110、包括有一个或一个以上计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、WiFi模块170、包括有一个或者一个以上处理核心的处理器180、以及电源190等部件。本领域技术人员可以理解，图13中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器180处理；另外，将涉及上行的数据发送给基站。通常，RF电路110包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、LNA（Low Noise Amplifier，低噪声放大器）、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System ofMobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(Code Division Multiple Access，码分多址)、WCDMA(WidebandCode Division Multiple Access,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(Short Messaging Service，短消息服务)等。

存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端设备的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180和输入单元130对存储器120的访问。

输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元130可以包括触敏表面131以及其他输入设备132。触敏表面131，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图13中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。

终端设备还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端设备移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等;至于终端设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路160、扬声器161，传声器162可提供用户与终端设备之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端设备，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端设备的通信。

WiFi属于短距离无线传输技术，终端设备通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图13示出了WiFi模块170，但是可以理解的是，其并不属于终端设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器180是终端设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端设备的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

终端设备还包括给各个部件供电的电源190（比如电池），优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，终端设备还可以包括摄像头、蓝牙模块等，在此不再赘述。在本实施例中，终端设备的显示单元时触摸屏显示器。

终端设备还包括一个或者一个以上的指令，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，该一个或者一个以上指令包含用于进行以下操作的指令：

对获得的待识别人脸图像进行器官点定位；

根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；

对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；

对所述第二局部模块图像进行采样及编码，得到第一特征向量；

以类内离散度最小化及类间离散度最大化为优化目标，对所述第一特征向量进行特征空间降维转换，得到第二特征向量，其中，第二特征向量的维数小于所述第一特征向量的维数；

对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果判断待识别人脸图像与人脸模板图像之间的相似度，得到人脸识别结果。

作为另一方面，本公开还提供一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序被一个或者一个以上的处理器用来执行图1、图6和图7所示实施例所提供的人脸识别方法。

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公开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，本公开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）执行本公开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。

为了描述的方便，描述以上装置实施例时以功能分为各种单元分别描述。当然，在实施本公开时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置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。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种人脸识别方法，其特征在于，包括：

对获得的待识别人脸图像进行器官点定位；

根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；

对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；

对所述第二局部模块图像进行采样及编码，得到第一特征向量；

根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征向量具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数；

对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果得到人脸识别结果。

2.根据权利要求1所述的方法，其特征在于，对所述各个器官的局部模块进行光照归一化处理，得到第二局部模块图像，采用如下方式：

利用差分高斯算法对第一局部模块图像进行预处理，得到高斯图像；

对所述高斯图像进行图像直方图均衡处理，得到灰度值均匀的第二局部模块图像。

3.根据权利要求1所述的方法，其特征在于，对所述第二局部模块图像进行采样及编码，得到第一特征向量，采用如下方式：

对所述第二局部模块图像的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；

对所述特征矩阵中的每行元素与预先训练得到的K-means层级树中的各个节点进行匹配，对匹配成功的节点进行编码，得到第一特征向量。

4.根据权利要求3所述的方法，其特征在于，预先训练得到K-means层级树的过程，采用如下方式：

采集多个人脸图像作为样本图像；

对每个所述样本图像中的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；

将所述特征矩阵中的每一行元素作为一个训练向量，进行K-means聚类算法训练，得到K-means层级树中各个节点对应的向量。

5.根据权利要求1-4任一项所述的方法，其特征在于，预先对样本图像进行训练得到投影方向，采用如下方式：

获取样本图像对应的类间离散度矩阵和类内离散度矩阵；

按照Fisher线性鉴别分析算法，根据所述类间离散度矩阵和所述类内离散度矩阵，得到投影方向，所述投影方向使投影后得到的特征向量具有最大的类间离散度和最小的类内离散度。

6.一种人脸识别装置，其特征在于，包括：

器官定位单元，用于对获得的待识别人脸图像进行器官点定位；

局部模块图像获取单元，用于根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；

光照归一化处理单元，用于对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；

第一编码单元，用于对所述第二局部模块图像进行采样及编码，得到第一特征向量；

空间转换单元，用于根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数；

距离度量单元，用于对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果得到人脸识别结果。

7.根据权利要求6所述的装置，其特征在于，所述光照归一化处理单元包括：

高斯预处理子单元，用于利用差分高斯算法对第一局部模块图像进行预处理，得到高斯图像；

直方图均衡处理子单元，用于对所述高斯图像进行图像直方图均衡处理，得到灰度值均匀的第二局部模块图像。

8.根据权利要求6所述的装置，其特征在于，所述第一编码单元包括：

第一特征采样子单元，用于对所述第二局部模块图像的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；

编码子单元，用于对所述特征矩阵中的每行元素与预先训练得到的K-means层级树中的各个节点进行匹配，对匹配成功的节点进行编码，得到第一特征向量。

9.根据权利要求8所述的装置，其特征在于，还包括：

样本采集单元，用于采集多个人脸图像作为样本图像；

第二特征采样单元，用于对每个所述样本图像中的像素点进行均匀采样，得到采样点的灰度值构成的特征矩阵；

聚类算法训练单元，用于将所述特征矩阵中的每一行元素作为一个训练向量，进行K-means聚类算法训练，得到K-means层级树中各个节点对应的向量。

10.根据权利要求6-9任一项所述的装置，其特征在于，还包括：

第一获取单元，用于获取样本图像对应的类间离散度矩阵和类内离散度矩阵；

投影方向获取单元，用于按照Fisher线性鉴别分析算法，根据所述类间离散度矩阵和所述类内离散度矩阵，得到投影方向，所述投影方向使得投影后得到的特征向量具有最大的类间离散度和最小的类内离散度。

11.一种终端设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上指令所包含用于进行以下操作的指令：

对获得的待识别人脸图像进行器官点定位；

根据器官点定位的结果，区分各个器官，获取各个器官的第一局部模块图像；

对各个器官的第一局部模块图像进行光照归一化处理，得到第二局部模块图像；

对所述第二局部模块图像进行采样及编码，得到第一特征向量；

根据预先对样本图像训练得到的投影方向，对所述第一特征向量进行特征空间降维转换得到第二特征向量，其中，所述投影方向满足投影后的特征具有最小的类内离散度及最大的类间离散度；且第二特征向量的维数小于所述第一特征向量的维数；

对待识别人脸图像的第二特征向量及预先得到的人脸模板图像对应第二特征向量进行距离度量，根据度量结果判断待识别人脸图像与人脸模板图像之间的相似度，得到人脸识别结果。

Images