CN104008364A - 人脸识别方法 - Google Patents
人脸识别方法 Download PDFInfo
- Publication number
- CN104008364A CN104008364A CN201310748379.XA CN201310748379A CN104008364A CN 104008364 A CN104008364 A CN 104008364A CN 201310748379 A CN201310748379 A CN 201310748379A CN 104008364 A CN104008364 A CN 104008364A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- facial image
- face
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种人脸识别方法,本方法将拍摄到的人脸图像输入计算机中,先采用Retinex算法计算人脸图像受光照影响的程度,并根据影响程度调整人脸图像的明暗值,然后用主动表观模型提取人脸特征属性,再采用自组织神经网络和粗糙集约简算法将人脸特征属性约简,用约简后的属性数据训练支持向量机分类器,最后使用训练好的支持向量机分类器分析待识别的人脸图像。本方法排除了主观性干扰,对人脸图像识别率较高。
Description
技术领域
本发明涉及计算机应用技术领域,具体是一种计算机识别人脸图像的方法。
背景技术
人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题,它被广泛应用于娱乐,信息安全,法律实施和监控等方面。一般来说,人脸识别主要是指在数字图像或视频图像中,通过人体面部视觉信息,进行人类身份鉴别的计算机技术。与指纹识别和掌纹识别等相比,人脸识别具有方便、快捷,易接受等特点。近年来,人们对人脸识别方法的研究处在发展阶段,并不断有新的技术和方法出现,但是仍存在对人脸图像识别率较低的问题。
发明内容
本发明的目的是提供一种人脸识别方法,与现有技术相比较,本发明可以解决计算机对人脸图像识别率低的问题。
为了解决上述问题,本发明采用的技术方案包括以下步骤:
一种人脸识别方法,包括以下步骤:
(1)拍摄多张人脸图像,并将所述人脸图像输入到计算机中;
(2)采用Retinex算法计算光照对步骤(1)所述的人脸图像的影响程度,并根据所述人脸图像受光照影响的程度,调整人脸图像的明暗值,步骤如下:
① 利用以下公式分析光照对人脸图像影响的程度:
其中,S为图像左边框的中点,D为图像右边框的中点,S点到D点间的连线上有n个像素点,第n个像素点的灰度值用d n 表示,表示S点到D点的灰度的变化值,当时,;反之,,其中,,;
② 当人脸图像S点到D点的灰度的变化值时,根据全局非线性对比度增强算法,调整所述人脸图像各点的明暗值:
图像各点的明暗值为,图像的明暗值的平均值,其中,图像的大小为,,;
若;则保持不变;
若;则调整;
若;则调整;
其中,;
(3)采用主动表观模型对调整后的人脸图像定位,然后在定位的人脸图像上标定38个点,选取所述的38个点互相之间的距离的前20个最大的距离,主动表观模型对所述的38个点和所述的20个距离提取得到特征属性;其中,所述的38个点包括面部轮廓9个点,眉毛6个点,眼睛10个点,嘴巴7个点,鼻子轮廓6个点,所述的38个点的选取规则为:面部轮廓选取下巴2个点,额头均匀分布3个点,左脸颊的轮廓上按照三等分选择2个点,右脸颊的轮廓上按照三等分方式选择2个点,眉毛的眉头、眉中和眉尾各1个点,眼睛的内、外侧顶点各1个点,眼睛外轮廓上部选取均匀分布的2个点,眼睛外轮廓下部的中点,左、右嘴角各1个点,嘴巴上轮廓均匀分布的3个点,嘴巴下轮廓均匀分布的2个点,鼻子轮廓最上端左、右各1个点,最下端左、右各1个点,鼻子轮廓两侧的2个中点;
(4)采用自组织神经网络进行聚类分析,将提取得到的特征属性数据投影到聚类分析所获得的各区间中,以实现数据的离散化;
(5)采用粗糙集约简算法对离散化的人脸特征属性进行约简,步骤如下:
① 求出决策表中重复对象,并且从决策表中去除重复对象;
② 求出约简集;
③ 计算约简集的核;
④ 确定一个最佳的约简集,获得关键属性;
(6)训练支持向量机分类器,包括以下步骤:
① 输入两类训练样本向量,类别为,。如果,则,则;
② 选择合适的核函数类型;
③ 训练支持向量机分类器;
(7)使用训练后的支持向量机分类器识别待测的人脸图像。
由于采用了上述技术方案,本发明的有益效果如下:
1、本发明采用Retinex算法对人脸图像进行预处理,改善了图像的视觉效果,使计算机更容易识别,从而提高图像的可识别度。
2、本发明采用粗糙集理论的属性约简方法,提取出与人脸识别密切相关的特征,去除不相关的特征,然后将提取的特征作为支持向量机分类器的输入向量,提高了支持向量机的分类效率,识别率较高。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合图1对本发明作进一步详述:
一种人脸识别方法,包括以下步骤:
(1)拍摄多张人脸图像,并将所述人脸图像输入到计算机中;
(2)采用Retinex算法计算光照对步骤(1)所述的人脸图像的影响程度,并根据所述人脸图像受光照影响的程度,调整人脸图像的明暗值,步骤如下:
① 利用以下公式分析光照对人脸图像影响的程度:
其中,S为图像左边框的中点,D为图像右边框的中点,S点到D点间的连线上有n个像素点,第n个像素点的灰度值用d n 表示,表示S点到D点的灰度的变化值,当时,;反之,,其中,,;
② 当人脸图像S点到D点的灰度的变化值时,根据全局非线性对比度增强算法,调整所述人脸图像各点的明暗值:
图像各点的明暗值为,图像的明暗值的平均值,其中,图像的大小为,,;
若;则保持不变;
若;则调整;
若;则调整;
其中,;
(3)采用主动表观模型对调整后的人脸图像定位,然后在定位的人脸图像上标定38个点,选取所述的38个点互相之间的距离的前20个最大的距离,主动表观模型对所述的38个点和所述的20个距离提取得到特征属性;其中,所述的38个点包括面部轮廓9个点,眉毛6个点,眼睛10个点,嘴巴7个点,鼻子轮廓6个点,所述的38个点的选取规则为:面部轮廓选取下巴2个点,额头均匀分布3个点,左脸颊的轮廓上按照三等分选择2个点,右脸颊的轮廓上按照三等分方式选择2个点,眉毛的眉头、眉中和眉尾各1个点,眼睛的内、外侧顶点各1个点,眼睛外轮廓上部选取均匀分布的2个点,眼睛外轮廓下部的中点,左、右嘴角各1个点,嘴巴上轮廓均匀分布的3个点,嘴巴下轮廓均匀分布的2个点,鼻子轮廓最上端左、右各1个点,最下端左、右各1个点,鼻子轮廓两侧的2个中点;
(4)采用自组织神经网络进行聚类分析,将提取得到的特征属性数据投影到聚类分析所获得的各区间中,以实现数据的离散化;
(5)采用粗糙集约简算法对离散化的人脸特征属性进行约简,步骤如下:
① 求出决策表中重复对象,并且从决策表中去除重复对象;
② 求出约简集;
③ 计算约简集的核;
④ 确定一个最佳的约简集,获得关键属性;
(6)训练支持向量机分类器,包括以下步骤:
① 输入两类训练样本向量,类别为,。如果,则,则;
② 选择合适的核函数类型;
③ 训练支持向量机分类器;
(7)使用训练后的支持向量机分类器识别待测的人脸图像。
Claims (1)
1.一种人脸识别方法,其特征在于,包括以下步骤:
(1)拍摄多张人脸图像,并将所述人脸图像输入到计算机中;
(2)采用Retinex算法计算光照对步骤(1)所述的人脸图像的影响程度,并根据所述人脸图像受光照影响的程度,调整人脸图像的明暗值,步骤如下:
① 利用以下公式分析光照对人脸图像影响的程度:
其中,S为图像左边框的中点,D为图像右边框的中点,S点到D点间的连线上有n个像素点,第n个像素点的灰度值用d n 表示,表示S点到D点的灰度的变化值,当时,;反之,,其中,,;
② 当人脸图像S点到D点的灰度的变化值时,根据全局非线性对比度增强算法,调整所述人脸图像各点的明暗值:
图像各点的明暗值为,图像的明暗值的平均值,其中,图像的大小为,,;
若;则保持不变;
若;则调整;
若;则调整;
其中,;
(3)采用主动表观模型对调整后的人脸图像定位,然后在定位的人脸图像上标定38个点,选取所述的38个点互相之间的距离的前20个最大的距离,主动表观模型对所述的38个点和所述的20个距离提取得到特征属性;其中,所述的38个点包括面部轮廓9个点,眉毛6个点,眼睛10个点,嘴巴7个点,鼻子轮廓6个点,所述的38个点的选取规则为:面部轮廓选取下巴2个点,额头均匀分布3个点,左脸颊的轮廓上按照三等分选择2个点,右脸颊的轮廓上按照三等分方式选择2个点,眉毛的眉头、眉中和眉尾各1个点,眼睛的内、外侧顶点各1个点,眼睛外轮廓上部选取均匀分布的2个点,眼睛外轮廓下部的中点,左、右嘴角各1个点,嘴巴上轮廓均匀分布的3个点,嘴巴下轮廓均匀分布的2个点,鼻子轮廓最上端左、右各1个点,最下端左、右各1个点,鼻子轮廓两侧的2个中点;
(4)采用自组织神经网络进行聚类分析,将提取得到的特征属性数据投影到聚类分析所获得的各区间中,以实现数据的离散化;
(5)采用粗糙集约简算法对离散化的人脸特征属性进行约简,步骤如下:
① 求出决策表中重复对象,并且从决策表中去除重复对象;
② 求出约简集;
③ 计算约简集的核;
④ 确定一个最佳的约简集,获得关键属性;
(6)训练支持向量机分类器,包括以下步骤:
① 输入两类训练样本向量,类别为,,如果,则,则;
② 选择合适的核函数类型;
③ 训练支持向量机分类器;
(7)使用训练后的支持向量机分类器识别待测的人脸图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310748379.XA CN104008364B (zh) | 2013-12-31 | 2013-12-31 | 人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310748379.XA CN104008364B (zh) | 2013-12-31 | 2013-12-31 | 人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008364A true CN104008364A (zh) | 2014-08-27 |
CN104008364B CN104008364B (zh) | 2018-09-25 |
Family
ID=51369013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310748379.XA Expired - Fee Related CN104008364B (zh) | 2013-12-31 | 2013-12-31 | 人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008364B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408468A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于粗糙集和集成学习的人脸识别方法 |
CN105447446A (zh) * | 2015-11-12 | 2016-03-30 | 易程(苏州)电子科技股份有限公司 | 一种基于粗糙集主分量人脸识别方法及系统 |
CN105809113A (zh) * | 2016-03-01 | 2016-07-27 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法及应用其的数据处理装置 |
CN106339699A (zh) * | 2016-10-10 | 2017-01-18 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法和系统 |
CN107045618A (zh) * | 2016-02-05 | 2017-08-15 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN107909011A (zh) * | 2017-10-30 | 2018-04-13 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
CN111414858A (zh) * | 2020-03-19 | 2020-07-14 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN111476725A (zh) * | 2020-03-24 | 2020-07-31 | 广西科技大学 | 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663370A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种人脸识别的方法及系统 |
CN103164689A (zh) * | 2011-12-16 | 2013-06-19 | 上海移远通信技术有限公司 | 人脸识别方法及系统 |
CN103279746A (zh) * | 2013-05-30 | 2013-09-04 | 苏州大学 | 一种基于支持向量机的人脸识别方法及系统 |
-
2013
- 2013-12-31 CN CN201310748379.XA patent/CN104008364B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164689A (zh) * | 2011-12-16 | 2013-06-19 | 上海移远通信技术有限公司 | 人脸识别方法及系统 |
CN102663370A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种人脸识别的方法及系统 |
CN103279746A (zh) * | 2013-05-30 | 2013-09-04 | 苏州大学 | 一种基于支持向量机的人脸识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
王李东 等: ""基于AAM模型和RS-SVM的人脸识别研究"", 《计算机工程与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408468A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于粗糙集和集成学习的人脸识别方法 |
CN105447446A (zh) * | 2015-11-12 | 2016-03-30 | 易程(苏州)电子科技股份有限公司 | 一种基于粗糙集主分量人脸识别方法及系统 |
CN107045618A (zh) * | 2016-02-05 | 2017-08-15 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN107045618B (zh) * | 2016-02-05 | 2020-07-03 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN105809113B (zh) * | 2016-03-01 | 2019-05-21 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法及应用其的数据处理装置 |
CN105809113A (zh) * | 2016-03-01 | 2016-07-27 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法及应用其的数据处理装置 |
CN106339699A (zh) * | 2016-10-10 | 2017-01-18 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法和系统 |
CN106339699B (zh) * | 2016-10-10 | 2020-01-14 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法和系统 |
CN107909011A (zh) * | 2017-10-30 | 2018-04-13 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
CN107909011B (zh) * | 2017-10-30 | 2021-08-24 | Oppo广东移动通信有限公司 | 人脸识别方法及相关产品 |
CN111414858A (zh) * | 2020-03-19 | 2020-07-14 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN111414858B (zh) * | 2020-03-19 | 2023-12-19 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN111476725A (zh) * | 2020-03-24 | 2020-07-31 | 广西科技大学 | 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法 |
Also Published As
Publication number | Publication date |
---|---|
CN104008364B (zh) | 2018-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008364A (zh) | 人脸识别方法 | |
KR102174595B1 (ko) | 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법 | |
WO2017107957A9 (zh) | 人脸图像的检索方法及装置 | |
CN104680121B (zh) | 一种人脸图像的处理方法及装置 | |
CN102375970B (zh) | 一种基于人脸的身份认证方法和认证装置 | |
CN108829900A (zh) | 一种基于深度学习的人脸图像检索方法、装置及终端 | |
CN104794693B (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
CN106056064A (zh) | 一种人脸识别方法及人脸识别装置 | |
JP6351243B2 (ja) | 画像処理装置、画像処理方法 | |
CN108197534A (zh) | 一种人头部姿态检测方法、电子设备及存储介质 | |
CN106650574A (zh) | 基于PCANet的人脸识别方法 | |
Zhao et al. | Applying contrast-limited adaptive histogram equalization and integral projection for facial feature enhancement and detection | |
CN104021384A (zh) | 一种人脸识别方法及装置 | |
Mady et al. | Efficient real time attendance system based on face detection case study “MEDIU staff” | |
Azzopardi et al. | Fast gender recognition in videos using a novel descriptor based on the gradient magnitudes of facial landmarks | |
CN103544478A (zh) | 一种全方位人脸检测的方法及系统 | |
CN107862298B (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
Özbudak et al. | Effects of the facial and racial features on gender classification | |
Tin | Perceived gender classification from face images | |
CN107292218A (zh) | 一种表情识别方法及装置 | |
CN103034840A (zh) | 一种性别识别方法 | |
CN105809085B (zh) | 人眼定位方法及装置 | |
Rahman et al. | A gender recognition approach with an embedded preprocessing | |
Shen et al. | Image based hair segmentation algorithm for the application of automatic facial caricature synthesis | |
Li et al. | Disguised face detection and recognition under the complex background |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180925 Termination date: 20191231 |