CN104281834A - 一种人脸识别的方法及设备 - Google Patents

Abstract

本发明提供一种人脸识别的方法及设备，通过获取人脸第k个局部区域的N1个方向的每个方向的相位角，根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的个位数的二进制编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值；对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，充分利用人脸的空间局部信息以及不同个体的人脸特征分布信息，从而提高人脸识别率。

Description

一种人脸识别的方法及设备

技术领域

本发明涉及图片处理领域，尤其涉及到一种人脸识别的方法及设备。

背景技术

人脸识别技术是指的是通过人脸图像来进行身份认证的一种方法。因为移动终端拍摄的人脸照片存在对焦不准出现离焦模糊或者图像分辨率可能较低等问题，而局部相位量化(Local Phase Quantization，LPQ)以其对模糊鲁棒的特点在图片处理领域受到越来越多的关注。如图1所示，LPQ的计算过程包括计算局部方向相位、对局部方向相位进行量化、对量化后的相位角进行加权编码及对编码后的局部相位量化特征进行分块直方图统计。

在对局部方向相位进行量化的过程中，采用的是正交的坐标轴，如图2所示，并未考虑到人脸图像不同区域的局部方向相位角的分布具有明显的差异性，如图3所示，同时在量化局部方向相位时也并未考虑不同样本的类别特征，因此，可识别率有待进一步解决。

发明内容

本发明实施例提供了一种人脸识别的方法及设备，旨在解决如果利用人脸不同局部区域特征提高人脸识别率的问题。

第一方面，一种人脸识别的方法，所述方法包括：

获取人脸第k个局部区域的N1个方向的每个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

结合第一方面，在第一方面的第一种可能的实现方式中，所述N1＝4，所述N2＝4。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，包括：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第一个象限的概率分布，且th0_i,k＝0，N₀表示所述训练样本中所有的人数，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

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，所述对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，包括：

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

结合第一方面或者第一方面的第一种可能的实现方式或者第一方面的第二种可能的实现方式或者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，所述方法还包括：

根据所述人脸的每个局部区域的加权编码值、统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值高于预设阈值，则对所述移动终端进行解锁。

第二方面，一种人脸识别的设备，所述设备包括：

第一获取单元，用于获取人脸第k个局部区域的N1个方向的每个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

第二获取单元，用于根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

对比单元，用于对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

第三获取单元，用于对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

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N1＝4，所述N2＝4。

结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述第二获取单元，具体用于：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第一个象限的概率分布，N₀表示所述训练样本中所有的人数，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

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，所述对比单元，具体用于：

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

结合第二方面或者第二方面的第一种可能的实现方式或者第二方面的第二种可能的实现方式或者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，所述装置还包括：

处理单元，用于根据所述人脸的每个局部区域的加权编码值、统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值高于预设阈值，则对所述移动终端进行解锁。

本发明实施例通过获取人脸第k个局部区域的N1个方向的每个方向的相位角，根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值；对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征，从而充分利用人脸的空间局部信息以不同个体的人脸特征分布信息，提高人脸识别率。

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地介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1是现有技术提供的一种人脸识别的方法示意图；

图2是现有技术提供的一种量化局部方向相位的坐标轴；

图3是现有技术提供的一种人脸不同区域的局部方向相位分布示意图，

图4是本发明实施例提供的一种人脸识别的方法流程图；

图5是本发明实施例提供的一种人脸识别的方法示意图；

图6是本发明实施例提供的一种人脸识别的设备结构图；

图7是本发明实施例提供的一种人脸识别的设备结构图。

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作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。

参考图4，图4是本发明实施例提供的一种人脸识别的方法流程图。如图4所示，所述方法包括以下步骤：

步骤401，获取人脸第k个局部区域的N1个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

具体的，如图5所示，如图5是本发明实施例提供的一种人脸识别的方法示意图。将人脸分为N块局部区域，以下分别以第k个局部区域做详细说明。

其中，每个局部方向的相位角可以由下列公式计算得到：

$F(u,x)=\underset{y\&Element;N_x}{\mathrm{\&Sigma;}}f(x-y)e^{-j2\mathrm{\&pi;}{u}^{T}y}$

F_x＝[F(u₁,x),F(u₂,x),F(u₃,x),F(u₄,x)]

G_x＝[Re{F_x},Im{F_x}]

u₁＝[a,0]^T,u₂＝[0,a]^T

u₃＝[a,a]^T,u₄＝[a,-a]^T

其中，F(u,x)为人脸图像在以x为中心窗口大小为N_x时的短时傅利叶变换，且u为频域方向(默认为0°,45°,90°,135°，依次对应第1、2、3、4个方向)。4个方向的傅里叶变换后特征的集合我们用Fx来表示。对于Fx中的每个方向的傅里叶变换特征是都是一个复数，因此可以写成实部和虚部的形式，在这里用Gx表示。通过实部和虚部可以求得为局部方向相位角。

步骤402，根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

具体的，所述N1＝4，所述N2＝4。

其中，所述信息熵最大化原则用于根据第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取第K个局部区域最大的区域特征。

所述根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，包括：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第一个象限的概率分布，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

具体的，假设第k个局部区域有四个方向的相位角，分别为第k个局部区域在四个方向上分别有四个相位角，分别为φ_1,k,φ_2,k,φ_3,k,φ_4,k，根据上述四个相位角和信息熵最大化原则分别量化每一个相位角对应的4个方向的坐标，分别为[th1_1,k,th2_1,k,th3_1,k]，[th1_2,k,th2_2,k,th3_2,k]，[th1_3,k,th2_3,k,th3_3,k]，[th1_4,k,th2_4,k,th3_4,k]。

步骤403，对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

具体的，

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

具体的，假设 则第k个局部区域的编码为11010010，对第k个局部区域的编码求加权编码值，所述加权编码值为

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}=1\&times;2^0+1\&times;2^1+0\&times;2^2+1\&times;2^3+0\&times;2^4+0\&times;2^5+1\&times;2^6+0\&times;2^7$

步骤404，对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

具体的，假设第k个局部区域有500个像素点，每个像素点都有一个对应的加权编码值，假设100个像素点的加权编码值为50，100个像素点的加权编码值为100，100个像素点的加权编码值为150，100个像素点的加权编码值为200，100个像素点的加权编码值为250。

对两幅不同的人脸做识别时，比较第k个局部区域每个像素点的加权编码值的个数，假设x幅人脸识别图在第k个局部区域加权编码值为50的个数为60，y幅人脸识别图在第k个局部区域加权编码值为50的个数为70，则取值为60，并对每第k个局部区域的每一个加权编码值做对比，求第k个局部区域的所有的加权编码值的个数，在第k个局部区域的所有的加权编码值的个数前乘以第k个局部区域的权重，得到权重值，并依此类推求解人脸的N个区域的权重值，若score越大，则标识人脸越相似。具体的计算过程可以参考如下：

$\mathrm{score}(x,y)=\underset{k=1}{\overset{N_0}{\mathrm{\&Sigma;}}}{W}_k\&times;\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\min (h^x(t,k),h^y(t,k))$

其中，x、y分别表示两幅人脸图像来自任意一个个体的两张不同图片，函数min(,)返回两个向量对应元素的较小值，N₀为人脸的区域数，h^x(t,k)表示编码值为t在第k个局部区域的个数，W_k为第k个人脸区域的基于信息熵的局部相位量化(entroy based local phase Quantization，enLPQ)特征的权重，T为enLPQ的总的模式数(默认为256)，t为enLPQ的编码值，第k个人脸区域的第enLPQ特征的权重W_k可以由Fisher准则计算而得，其具体计算公式为：

$W\left(k\right)=\frac{{(m_w\left(k\right)-m_b\left(k\right))}^2}{S_w^2\left(k\right)+S_b^2\left(k\right)}$

$m_w\left(k\right)=\frac{1}{N_w}\mathrm{\&Sigma;}\min (h^x(t,k),h^y(t,k))$

$m_b\left(k\right)=\frac{1}{N_b}\mathrm{\&Sigma;}\min (h^x(t,k),h^y(t,k))$

$S_w^2\left(k\right)=\frac{1}{N_w}\mathrm{\&Sigma;}{\left(\min (h^x(t,k),h^y(t,k))-m_w\left(k\right)\right)}^2$

$S_b^2\left(k\right)=\frac{1}{N_b}\mathrm{\&Sigma;}{\left(\min (h^x(t,k),h^y(t,k))-m_b\left(k\right)\right)}^2$

其中，m_w(t,k)，m_b(t,k)，分别表示第k个人脸区域第t个enLPQ模式特征的类内差异的均值、类间差异的均值、类内差异的方差、类间差异的方差。当计算类内差异时，x、y分别表示两幅人脸图像来自任意一个个体的两张不同图片；反之，当计算类间差异时，x、y分别表示两幅人脸图像来自不同个体的两张不同人脸图像。

可选地，所述方法还包括：

根据所述人脸的每个局部区域的加权编码值和统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值高于预设阈值，则对所述移动终端进行解锁。

具体的，基于以上过程描述，本发明可用于移动智能终端中相册的智能管理。如利用人脸识别功能可以快速检索某一个感兴趣个体的所有人脸图片。随着带摄像头的移动智能终端的普及率越来越高，数码照片的数量会不断增加。当数码照片超过一定数目的时候，要查询某个感兴趣个体的所有照片用传统的方式将变得繁琐，本发明利用人脸识别功能，可以自动的返回跟检索照片相似的图片，具体的过程只需判断被测图片和检索图像的enLPQ特征的加权相似度，若相似度的值大于某一个阈值，则将其加入返回列表，否则直接滤除。

本发明还可用于移动智能终端的快速解锁功能。首先，需对终端的主人的人脸图像进行注册。之后再次使用的时候，则利用enLPQ人脸识别功能利用加权相似度的方法判断该次使用时是否和注册时的图片来自同一个个体，若是，则解锁进入主界面，否则拒绝登陆。

本发明提出的enLPQ在一些公知的人脸识别数据库测试结果相对原始的LPQ算法均有所提高，具体信息如下所示：

1)、在AR库的测试结果

在具体实验中，我们选取126个人中的100个人的人脸图片(50男+50女)作为实验数据(共2600张人脸图片)，设置两个子实验：1)将session1的图片用于训练enLPQ的量化坐标轴，而session2的图片用作测试，包括单张人脸图像注册，以及每人4种采集情况下的12张测试图片；2)将session1和session2的图片对调，再次测试，以验证其有效性。该库包含夸张的表情变化，比如尖叫，以及大面积的面部遮挡(围巾、墨镜)。具体的实验结果如下表所示:

Session1训练&&session2测试

Session2训练&&session1测试

2)、在FERETFERET(Facial Recognition Technology)库的测试结果

第二个实验，我们扩大数据规模选择了一个千人库来测试enLPQ特征的有效性。按标准测试协议，利用标准的训练库1002张人脸图像用于训练enLPQ的量化坐标轴，gallery作为注册集(1196个人)，4个测试子集fafb,fafc,dup1,dup2分别带有表情、光照、至少半年采集间隔、至少一年的采集间隔等变化。实验结果如下表所示：

1)在Extended YaleB的测试结果

最后，我们用了光照变化剧烈的Extended YaleB库。在实验中，将数据按序号(1-38)分为不重复的4份，每次取1份(如1-10)用作训练enLPQ量化坐标轴，其余3分用作测试。其中，session0用做注册集，其余5个session用来测试。根据选取的训练数据不同，重复4次实验。实验结果如下所示：

基于以上三个数据库的实验，enLPQ的实验结果均优于原始的LPQ方法。

本发明实施例通过获取人脸第k个局部区域的N1个方向的每个方向的相位角，根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值；对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征，从而充分利用人脸的空间局部信息以不同个体的人脸特征分布信息，提高人脸识别率。

参考图6，图6是本发明实施例提供的一种人脸识别的设备结构图。如图6所示，所述设备包括：

第一获取单元601，用于获取人脸第k个局部区域的N1个方向的每个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

具体的，参考图5的描述，在此不再赘述。

第二获取单元602，用于根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

具体的，所述N1＝4，所述N2＝4。

所述第二获取单元602，具体用于：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第一个象限的概率分布，N₀表示所述训练样本中所有的人数，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

具体的，假设第k个局部区域有四个方向的相位角，分别为第k个局部区域在四个方向上分别有四个相位角，分别为φ_1,k,φ_2,k,φ_3,k,φ_4,k，根据上述四个相位角和信息熵最大化原则分别量化每一个相位角对应的4个方向的坐标，分别为[th1_1,k,th2_1,k,th3_1,k]，[th1_2,k,th2_2,k,th3_2,k]，[th1_3,k,th2_3,k,th3_3,k]，[th1_4,k,th2_4,k,th3_4,k]。

对比单元603，用于对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

具体的，所述对比单元603，具体用于：

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

具体的，假设 则第k个局部区域的编码为11010010，对第k个局部区域的编码求加权编码值，所述加权编码值为

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

第三获取单元604，用于对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

具体的，假设第k个局部区域有500个像素点，每个像素点都有一个对应的加权编码值，假设100个像素点的加权编码值为50，100个像素点的加权编码值为100，100个像素点的加权编码值为150，100个像素点的加权编码值为200，100个像素点的加权编码值为250。

对两幅不同的人脸做识别时，比较第k个局部区域每个像素点的加权编码值的个数，假设x幅人脸识别图在第k个局部区域加权编码值为50的个数为60，y幅人脸识别图在第k个局部区域加权编码值为50的个数为70，则取值为60，并对每第k个局部区域的每一个加权编码值做对比，求第k个局部区域的所有的加权编码值的个数，在第k个局部区域的所有的加权编码值的个数前乘以第k个局部区域的权重，得到权重值，并依此类推求解人脸的N个区域的权重值，若score越大，则标识人脸越相似。具体的计算过程可以参考如下：

$\mathrm{score}(x,y)=\underset{k=1}{\overset{N_0}{\mathrm{\&Sigma;}}}{W}_k\&times;\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\min (h^x(t,k),h^y(t,k))$

其中，x、y分别表示两幅人脸图像来自任意一个个体的两张不同图片，函数min(,)返回两个向量对应元素的较小值，N₀为人脸的区域数，h^x(t,k)表示编码值为t在第k个局部区域的个数，W_k为第k个人脸区域的基于信息熵的局部相位量化(entroy based local phase Quantization，enLPQ)特征的权重，T为enLPQ的总的模式数(默认为256)，t为enLPQ的编码值，第k个人脸区域的第enLPQ特征的权重W_k可以由Fisher准则计算而得，其具体计算公式为：

$W\left(k\right)=\frac{{(m_w\left(k\right)-m_b\left(k\right))}^2}{S_w^2\left(k\right)+S_b^2\left(k\right)}$

$m_w\left(k\right)=\frac{1}{N_w}\mathrm{\&Sigma;}\min (h^x(t,k),h^y(t,k))$

$m_b\left(k\right)=\frac{1}{N_b}\mathrm{\&Sigma;}\min (h^x(t,k),h^y(t,k))$

$S_w^2\left(k\right)=\frac{1}{N_w}\mathrm{\&Sigma;}{\left(\min (h^x(t,k),h^y(t,k))-m_w\left(k\right)\right)}^2$

$S_b^2\left(k\right)=\frac{1}{N_b}\mathrm{\&Sigma;}{\left(\min (h^x(t,k),h^y(t,k))-m_b\left(k\right)\right)}^2$

其中，m_w(t,k)，m_b(t,k)，分别表示第k个人脸区域第t个enLPQ模式特征的类内差异的均值、类间差异的均值、类内差异的方差、类间差异的方差。当计算类内差异时，x、y分别表示两幅人脸图像来自任意一个个体的两张不同图片；反之，当计算类间差异时，x、y分别表示两幅人脸图像来自不同个体的两张不同人脸图像。

可选地，所述装置还包括：

处理单元，用于根据所述人脸的每个局部区域的加权编码值、统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值高于预设阈值，则对所述移动终端进行解锁。

具体的，基于以上过程描述，本发明可用于移动智能终端中相册的智能管理。如利用人脸识别功能可以快速检索某一个感兴趣个体的所有人脸图片。随着带摄像头的移动智能终端的普及率越来越高，数码照片的数量会不断增加。当数码照片超过一定数目的时候，要查询某个感兴趣个体的所有照片用传统的方式将变得繁琐，本发明利用人脸识别功能，可以自动的返回跟检索照片相似的图片，具体的过程只需判断被测图片和检索图像的enLPQ特征的加权相似度，若相似度的值大于某一个阈值，则将其加入返回列表，否则直接滤除。

本发明还可用于移动智能终端的快速解锁功能。首先，需对终端的主人的人脸图像进行注册。之后再次使用的时候，则利用enLPQ人脸识别功能利用加权相似度的方法判断该次使用时是否和注册时的图片来自同一个个体，若是，则解锁进入主界面，否则拒绝登陆。

本发明实施例通过获取人脸第k个局部区域的N1个方向的每个方向的相位角，根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值；对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征，从而充分利用人脸的空间局部信息以不同个体的人脸特征分布信息，提高人脸识别率。

图7是本发明实施例提供的一种人脸识别的设备结构图。参考图7，图7是本发明实施例提供的一种人脸识别的设备700，本发明具体实施例并不对所述设备的具体实现做限定。所述设备700包括：

处理器(processor)701，通信接口(Communications Interface)702，存储器(memory)703，总线704。

处理器701，通信接口702，存储器703通过总线704完成相互间的通信。

通信接口702，用于与其他设备进行通信；

处理器701，用于执行程序。

具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。

处理器701可能是一个中央处理器(central processing unit，CPU)，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

存储器703，用于存储程序。存储器703可以是易失性存储器(volatilememory)，例如随机存取存储器(random-access memory，RAM)，或者非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，ROM)，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-statedrive，SSD)。处理器701根据存储器703存储的程序指令，执行以下方法：

获取人脸第k个局部区域的N1个方向的每个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

所述N1＝4，所述N2＝4。

所述根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，包括：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第一个象限的概率分布，N₀表示所述训练样本中所有的人数，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

所述对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，包括：

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

所述方法还包括：

根据所述人脸的每个局部区域的加权编码值、统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值高于预设阈值，则对所述移动终端进行解锁。

本发明实施例通过获取人脸第k个局部区域的N1个方向的每个方向的相位角，根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值；对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征，从而充分利用人脸的空间局部信息以不同个体的人脸特征分布信息，提高人脸识别率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种人脸识别的方法，其特征在于，所述方法包括：

获取人脸第k个局部区域的N1个方向的每个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布，获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

2.根据权利要求1所述的方法，其特征在于，所述N1＝4，所述N2＝4。

3.根据权利要求2所述的方法，其特征在于，所述根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的相位角概率分布获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，包括：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第一个象限的概率分布,且th0_i,k＝0，N₀表示所述训练样本中所有的人数，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

4.根据权利要求3所述的方法，其特征在于，所述对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，包括：

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：

根据所述人脸的每个局部区域的加权编码值、统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值高于预设阈值，则对所述移动终端进行解锁。

6.一种人脸识别的设备，其特征在于，所述设备包括：

第一获取单元，用于获取人脸第k个局部区域的N1个方向的每个方向的相位角，所述k小于等于N，所述人脸的局部区域的总数为N，N1大于等于1；

第二获取单元，用于根据信息熵最大化原则和第k个局部区域的所述N1个方向的每个方向的相位角在N2个象限的概率分布，获取所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角；

对比单元，用于对比所述N1个方向的每个方向的相位角和所述第k个局部区域的所述N1个方向的每个方向的对应的N2-1个坐标夹角，获取所述N1个方向的每个方向的相位角的N3个位数的编码，根据N1个所述编码获取第k个局部区域每个像素点的加权编码值，所述N3为log₂N2向上取整后的整数值；

第三获取单元，用于对所述第k个局部区域的每个像素点的加权编码值进行统计，获取第k个局部区域的每个像素点的加权编码值的个数，所述第k个局部区域的每个像素点的加权编码值的个数用于标识所述人脸的第k个局部区域的特征。

7.根据权利要求6所述的设备，其特征在于，所述N1＝4，所述N2＝4。

8.根据权利要求7所述的设备，其特征在于，所述第二获取单元，具体用于：

根据信息熵最大化原则求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角；

所述求解所述N1个方向的每个方向的相位角对应的N2-1个坐标夹角的公式如下：

$\begin{array}{c}[{\mathrm{th}1}_{i,k},{\mathrm{th}2}_{i,k},{\mathrm{th}3}_{i,k}]=\arg \mathrm{Max}\underset{j=1}{\overset{N_0}{\mathrm{\&Sigma;}}}-p_k({\mathrm{th}0}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}|y_{j,k})\&CenterDot;\log \left(p_k\right(0<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}1}_{i,k}\left|y_{j,k}\right))\\ -p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}1}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}2}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}2}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;{\mathrm{th}3}_{i,k}|y_{j,k}\left)\right)\\ -p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k})\&CenterDot;\log (p_k({\mathrm{th}3}_{i,k}<{\mathrm{\&phi;}}_{i,k}\&le;2\mathrm{\&pi;}|y_{j,k}\left)\right)\end{array}$

0≤th1_i,k≤th2_i,k≤th3_i,k≤2π,1≤i≤N1

其中，p_k(th0_i,k<φ_i,k≤th1_i,k|y_j,k)表示训练样本中第j个人的第k个局部区域的第i个的方向的相位角在N2个方向空间内中的第1个象限的概率分布，且th0_i,k＝0,N₀表示所述训练样本中所有的人数，th1_i,k,th2_i,k,th3_i,k表示所述第k个局部区域的第i个方向的所述N2个方向对应的N2-1个坐标夹角，y_j,k用于指定第j个人的第k个局部区域，φ_i,k表示第j个人的第k个局部区域的第i方向的相位角。

9.根据权利要求8所述的设备，其特征在于，所述对比单元，具体用于：

根据预先设置的算法获取第k个局部区域每个像素点的加权编码值；

所述预先设置的算法如下：

${\mathrm{enLPQ}}_k=\underset{\mathrm{\&beta;}}{\mathrm{\&Sigma;}}{\mathrm{pha}}_{\mathrm{\&beta;},k}\&times;2^{\mathrm{\&beta;}}$

β∈[0,1,2...,7]

其中，enLPQ_k表示第k个局部区域每个像素点的加权编码值，Pha_i,k表示第k个局部区域的第i个局部方向的相位角的2个位数的编码，为第k个局部区域的第i个局部方向的相位角。

10.根据权利要求6-9所述的装置，其特征在于，所述装置还包括：

处理单元，用于根据所述人脸的每个局部区域的加权编码值、统计后的每个像素点的加权编码值的个数和预先设置的算法，利用人脸图片进行身份识别或者对移动终端进行解锁；

所述利用人脸进行身份识别，包括：

根据预先设置的算法获取人脸图片的相似度；

过滤人脸图片相似度低于预先设置的阈值的人脸图片；

所述对移动终端进行解锁，包括：

根据预先设置的算法获取用户注册所述移动终端的人脸图片的特征值和登录所述移动终端的人脸图片的特征值；

若登录所述移动终端的人脸图片的特征值和注册所述移动终端的人脸图片的特征值大于预设的阈值，则对所述移动终端进行解锁。