CN104346602A - 一种基于特征向量的人脸识别方法及装置 - Google Patents
一种基于特征向量的人脸识别方法及装置 Download PDFInfo
- Publication number
- CN104346602A CN104346602A CN201310342204.9A CN201310342204A CN104346602A CN 104346602 A CN104346602 A CN 104346602A CN 201310342204 A CN201310342204 A CN 201310342204A CN 104346602 A CN104346602 A CN 104346602A
- Authority
- CN
- China
- Prior art keywords
- face
- key point
- cloud server
- integrated terminal
- topography
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于特征向量的人脸识别方法及装置,其方法包括以下步骤:1)获取人脸图像;2)对人脸图像进行光线补偿及灰度化处理后,检测并提取含有人脸的局部图像;3)对局部图像进行降噪处理;4)提取局部图像的特征向量;5)将提取得到的特征向量与数据库中样本的特征向量进行对比,得到人脸识别的结果;6)输出人脸识别的结果;其装置包括采用C/S构架的一体化终端机和云端服务器,由一体化终端机进行人脸图像采集,再由云端服务器进行人脸识别。与现有技术相比,本发明具有独特性好、识别效率高等优点。
Description
技术领域
本发明涉及一种人脸识别技术,尤其是涉及一种基于特征向量的人脸识别方法及装置。
背景技术
20世纪90年代以来,随着高速高性能计算机的出现,人脸识别算法有了重大突破,发展出了多种算法并逐步形成了以下几个研究方向。
1、基于几何特征的人脸识别方法。主要代表是MIT的Brunelli和Poggio小组,他们采用改进的积分投影法提取出用欧氏距离表征的35维人脸特征矢量用于模式分类。
2、基于模板匹配的人脸识别方法。主要代表是Harvard大学Smith-Kettlewell眼睛研究中心的Yuille,他采用弹性模板来提取眼睛和嘴巴的轮廓,Chen和Huang则进一步提出用活动轮廓模板提取眉毛、下巴和鼻孔等不确定形状。
3、基于K-L变换的特征脸的方法。主要研究者是MIT媒体实验室的Pentland④基于隐马尔可夫模型的方法,主要代表有Cambridge大学的Samaria小组和Georgia技术研究所的Nefian小组。
4、神经网络识别的方法。如Poggio小组提出的HyperBF神经网络识别方法,英国Sussex大学的Buxton和Howell小组提出的RBF网络识别方法等。
5、基于动态链接结构的弹性图匹配方法。主要研究者是由C.Von derMalsburg领导的德国Bochum大学和美国Southern California大学的联合小组。
6、利用运动和颜色信息对动态图像序列进行人脸识别的方法。主要代表是Queen Mary和Westfield大学的Shaogang Gong小组。
上述方法存在的缺陷如下:
在背景简单的情形下,大部分算法都能很好的处理。但是,人脸识别的应用范围颇广,仅是简单图像测试,是远远不能满足现实需求的。在复杂背景及条件下,还有很多问题有待进一步解决,例如:
1、光照。光照问题是机器视觉中的老问题,在人脸识别中的表现尤为明显。
2、姿态。与光照问题类似,姿态问题也是目前人脸识别研究中需要解决的一个技术难点。目前多数的人脸识别算法主要是针对正面,或接近正面的人脸图像,当发生俯仰或者左右侧而比较厉害的情况下,大多数人脸识别算法的识别率将会急剧下降。
3、遮挡。对于非配合情况下的人脸图像采集,遮挡问题是一个非常严重的问题,特别是在监控环境下,往往被监控对象都会带着眼镜、帽子等饰物,使得被采集出来的人脸图像有可能不完整,从而影响了后面的特征提取与识别,甚至会导致人脸识别算法的失效。
4、年龄变化。随着年龄的变化,面部外观也在变化,特别是对于青少年,这种变化更加的明显。对于不同的年龄段,人脸识别算法的识别率也不同。
5、图像质量。人脸图像的来源可能多种多样,由于采集设备的不同,得到的人脸图像质量也不同,特别是对于那些低分辨率、噪声大、质量差的人脸图像如何进行有效的人脸识别对大多数算法来说是个艰巨问题。
6、面部毛发,化妆,整容等。随年龄,生活习惯等变化,人脸部特征会发生变化,这给人脸识别也带来一定的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征向量的人脸识别方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种基于特征向量的人脸识别方法,包括以下步骤:
1)获取人脸图像;
2)对人脸图像进行光线补偿及灰度化处理后,检测并提取含有人脸的局部图像;
3)对局部图像进行降噪处理;
4)提取局部图像的特征向量;
5)将提取得到的特征向量与数据库中样本的特征向量进行对比,得到人脸识别的结果;
6)输出人脸识别的结果。
步骤1)中通过照相机或摄像头获取人脸图像,该人脸图像包括静态图像和动态图像。
步骤4)中提取局部图像的特征向量具体包括以下步骤:
1)对局部图像进行尺度空间检测,初步确定具有局部极值的关键点的位置以及所在尺度;
2)通过拟和三维二次函数去除对比度低于阈值的关键点和不稳定的边缘响应点,最终确定关键点的位置和尺度;
3)利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使高斯差分算子具备旋转不变性;
4)将坐标轴旋转为关键点的方向,以确保旋转不变性,从而生成每个关键点处的特征向量。
一种基于特征向量的人脸识别装置,包括多个一体化终端机以及一个云端服务器,并且采用C/S构架,所述的一体化终端机通过局域网、WiFi或者3G网络与云端服务器连接,所述的一体化终端机包括高清摄像头和工控机,高清摄像头捕捉到人脸图像后,由工控机进行本地保存并进行优化处理,再将图像数据发送至云端服务器进行人脸识别。
所述的工控机采用ARM处理器。
所述的云端服务器可对每台一体化终端机的工作状态进行监控,若一体化终端机出现工作异常,则云端服务器会发出警告。
与现有技术相比,本发明具有以下优点:
1、生成的特征向量是图像的局部特征,对图像的旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变化、噪声等也保持高度的稳定性。
2、独特性好,信息量丰富,适用于在海量特征数据库中进行快速,准确的匹配。
3、多量性,即使少数几个物体也可产生大量特征向量。
4、高速性,可实现实时环境下的人脸提取与比对要求。
5、可扩展性,可很方便的与其他形式的特征向量进行联合。
附图说明
图1为本发明的流程图;
图2为本发明中对局部图像进行尺度空间检测的示意图;
图3为关键点处的领域梯度方向示意图;
图4为关键点处的特征向量示意图;
图5为本发明所采用的人脸识别装置的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于特征向量的人脸识别方法,包括以下步骤:
1)获取人脸图像
通过照相机或摄像头获取人脸图像,该人脸图像包括静态图像和动态图像。
2)人脸图像定位及检测
对人脸图像进行光线补偿及灰度化处理后,检测并定位含有人脸的局部图像,将这些含有人脸的局部图像从整幅图像中分离出来。
3)局部图像预处理
对分离出来的每一个局部图像进行降噪处理。
4)提取局部图像的特征向量;
对分离出来的局部图像进行特征提取,提取出特征向量用于进一步的比对处理。
5)特征向量比对
将提取得到的特征向量与数据库中样本的特征向量进行对比,得到人脸识别的结果。
6)输出人脸识别的结果。
其中,步骤4)中提取局部图像的特征向量具体包括以下4个步骤:
1)对局部图像进行尺度空间检测,初步确定具有局部极值的关键点的位置以及所在尺度。在检测尺度空间极值时,图2中标记为“×”的像素需要跟包括同一尺度的周围邻域8个像素和相邻尺度对应位置的周围邻域9×2个像素总共26个像素进行比较,以确保在尺度空间和二维图像空间都检测到局部极值。
2)通过拟和三维二次函数去除对比度低于阈值的关键点和不稳定的边缘响应点,最终确定关键点的位置和尺度,以增强匹配稳定性、提高抗噪声能力。
3)利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使自所在的尺度。
在实际计算时,可以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360度,其中每10度一个柱,总共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的方向。至此,每个关键点有三个信息:位置、所处尺度、方向。
4)将坐标轴旋转为关键点的方向,以确保旋转不变性,然后以关键点为中心取8×8的窗口。图3中央黑点为当前关键点的位置,每个小格代表关键点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,箭头长度代表梯度模值,图3中的圈代表高斯加权的范围(越靠近关键点的像素梯度方向信息贡献越大)。然后在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点,如图4所示,图中一个关键点由2×2共4个种子点组成,每个种子点有8个方向向量信息,从而生成每个关键点处的特征向量。
这种邻域方向性信息联合的方法增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。此时的特征向量已经去除了尺度变化、旋转等几何变形因素的影响,再继续将特征向量的长度归一化,就可进一步去除光照变化的影响。
上述方法可同通过如图5所示的人脸识别装置实施,该装置包括多个一体化终端机1以及一个云端服务器2,并且采用C/S构架,一体化终端机1通过局域网、WiFi或者3G网络与云端服务器2连接。一体化终端机1包括高清摄像头11和工控机12,其中高清摄像头11用于采集镜头前的人脸图像数据,工控机12则采用4核ARM芯片作为核心处理器。高清摄像头11捕捉到人脸图像后,由工控机12进行本地保存并进行优化处理,再将图像数据发送至云端服务器进行人脸识别。这样不仅大大减少了带宽的占用,而且使得工控机可以即时处理视频信息,并且把视频数据储存在本地硬盘中供以后查找追溯。
此外,云端服务器可对每台一体化终端机的工作状态进行监控,若一体化终端机出现工作异常,则云端服务器会发出警告。
Claims (6)
1.一种基于特征向量的人脸识别方法,其特征在于,包括以下步骤:
1)获取人脸图像;
2)对人脸图像进行光线补偿及灰度化处理后,检测并提取含有人脸的局部图像;
3)对局部图像进行降噪处理;
4)提取局部图像的特征向量;
5)将提取得到的特征向量与数据库中样本的特征向量进行对比,得到人脸识别的结果;
6)输出人脸识别的结果。
2.根据权利要求1所述的一种基于特征向量的人脸识别方法,其特征在于,步骤1)中通过照相机或摄像头获取人脸图像,该人脸图像包括静态图像和动态图像。
3.根据权利要求1所述的一种基于特征向量的人脸识别方法,其特征在于,步骤4)中提取局部图像的特征向量具体包括以下步骤:
1)对局部图像进行尺度空间检测,初步确定具有局部极值的关键点的位置以及所在尺度;
2)通过拟和三维二次函数去除对比度低于阈值的关键点和不稳定的边缘响应点,最终确定关键点的位置和尺度;
3)利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使高斯差分算子具备旋转不变性;
4)将坐标轴旋转为关键点的方向,以确保旋转不变性,从而生成每个关键点处的特征向量。
4.一种基于特征向量的人脸识别装置,其特征在于,包括多个一体化终端机以及一个云端服务器,并且采用C/S构架,所述的一体化终端机通过局域网、WiFi或者3G网络与云端服务器连接,所述的一体化终端机包括高清摄像头和工控机,高清摄像头捕捉到人脸图像后,由工控机进行本地保存并进行优化处理,然后将图像数据发送至云端服务器进行人脸识别。
5.根据权利要求4所述的一种基于特征向量的人脸识别装置,其特征在于,所述的工控机采用ARM处理器。
6.根据权利要求4所述的一种基于特征向量的人脸识别装置,其特征在于,所述的云端服务器可对每台一体化终端机的工作状态进行监控,若一体化终端机出现工作异常,则云端服务器会发出警告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310342204.9A CN104346602A (zh) | 2013-08-07 | 2013-08-07 | 一种基于特征向量的人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310342204.9A CN104346602A (zh) | 2013-08-07 | 2013-08-07 | 一种基于特征向量的人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104346602A true CN104346602A (zh) | 2015-02-11 |
Family
ID=52502178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310342204.9A Pending CN104346602A (zh) | 2013-08-07 | 2013-08-07 | 一种基于特征向量的人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346602A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106303049A (zh) * | 2016-08-22 | 2017-01-04 | 黄广明 | 一种具有人脸识别功能的智能终端 |
CN106650620A (zh) * | 2016-11-17 | 2017-05-10 | 华南理工大学 | 一种应用无人机监测的目标人员识别追踪方法 |
CN107463864A (zh) * | 2016-06-02 | 2017-12-12 | 国家计算机网络与信息安全管理中心 | 一种结合序列图像超分辨率重建的人脸识别系统 |
CN107578521A (zh) * | 2017-08-22 | 2018-01-12 | 西南交通大学 | 排队管理方法及系统、电子设备和计算机可读存储介质 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
CN109063596A (zh) * | 2018-07-13 | 2018-12-21 | 江苏慧学堂系统工程有限公司 | 一种人脸识别系统及移动终端和人脸识别辅助装置 |
CN109951637A (zh) * | 2019-03-19 | 2019-06-28 | 温州洪启信息科技有限公司 | 基于大数据的安防监控探头分析处理方法 |
CN111723612A (zh) * | 2019-03-20 | 2020-09-29 | 北京市商汤科技开发有限公司 | 人脸识别和人脸识别网络的训练方法和装置、存储介质 |
CN112733732A (zh) * | 2021-01-12 | 2021-04-30 | 深圳市飞瑞斯科技有限公司 | 一种基于特征分析的人脸检测与识别方法 |
CN113761964A (zh) * | 2020-05-18 | 2021-12-07 | 深圳云天励飞技术有限公司 | 同行人员确定方法及相关产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102811222A (zh) * | 2012-08-09 | 2012-12-05 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的身份识别安防方法 |
US20130028571A1 (en) * | 2011-07-26 | 2013-01-31 | Sony Corporation | Information processing apparatus, moving picture abstract method, and computer readable medium |
-
2013
- 2013-08-07 CN CN201310342204.9A patent/CN104346602A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130028571A1 (en) * | 2011-07-26 | 2013-01-31 | Sony Corporation | Information processing apparatus, moving picture abstract method, and computer readable medium |
CN102811222A (zh) * | 2012-08-09 | 2012-12-05 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的身份识别安防方法 |
Non-Patent Citations (2)
Title |
---|
"基于多相机的人脸识别的研究";周然;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20130215(第02期);第3章、第5-6章 * |
"基于特征点的图像匹配算法研究";唐永鹤;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20090715(第07期);第26页 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463864A (zh) * | 2016-06-02 | 2017-12-12 | 国家计算机网络与信息安全管理中心 | 一种结合序列图像超分辨率重建的人脸识别系统 |
CN106303049A (zh) * | 2016-08-22 | 2017-01-04 | 黄广明 | 一种具有人脸识别功能的智能终端 |
CN106650620A (zh) * | 2016-11-17 | 2017-05-10 | 华南理工大学 | 一种应用无人机监测的目标人员识别追踪方法 |
CN106650620B (zh) * | 2016-11-17 | 2019-05-14 | 华南理工大学 | 一种应用无人机监测的目标人员识别追踪方法 |
CN107578521A (zh) * | 2017-08-22 | 2018-01-12 | 西南交通大学 | 排队管理方法及系统、电子设备和计算机可读存储介质 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
CN109063596A (zh) * | 2018-07-13 | 2018-12-21 | 江苏慧学堂系统工程有限公司 | 一种人脸识别系统及移动终端和人脸识别辅助装置 |
CN109951637A (zh) * | 2019-03-19 | 2019-06-28 | 温州洪启信息科技有限公司 | 基于大数据的安防监控探头分析处理方法 |
CN109951637B (zh) * | 2019-03-19 | 2020-09-11 | 河北川谷信息技术有限公司 | 基于大数据的安防监控探头分析处理方法 |
CN111723612A (zh) * | 2019-03-20 | 2020-09-29 | 北京市商汤科技开发有限公司 | 人脸识别和人脸识别网络的训练方法和装置、存储介质 |
CN113761964A (zh) * | 2020-05-18 | 2021-12-07 | 深圳云天励飞技术有限公司 | 同行人员确定方法及相关产品 |
CN112733732A (zh) * | 2021-01-12 | 2021-04-30 | 深圳市飞瑞斯科技有限公司 | 一种基于特征分析的人脸检测与识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346602A (zh) | 一种基于特征向量的人脸识别方法及装置 | |
CN103632132B (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
WO2017219391A1 (zh) | 一种基于三维数据的人脸识别系统 | |
WO2016110005A1 (zh) | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 | |
CN109840565A (zh) | 一种基于眼部轮廓特征点纵横比的眨眼检测方法 | |
CN108614999B (zh) | 基于深度学习的眼睛睁闭状态检测方法 | |
JP6007682B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN107368778A (zh) | 人脸表情的捕捉方法、装置及存储装置 | |
CN110991315A (zh) | 一种基于深度学习的安全帽佩戴状态实时检测方法 | |
WO2013091370A1 (zh) | 基于三维深度图像信息的并行统计学习人体部位检测方法 | |
CN105956579A (zh) | 融合模糊模板和点特征的手指静脉快速识别方法 | |
CN105160331A (zh) | 一种基于隐马尔可夫模型的人脸几何特征识别方法 | |
CN112101208A (zh) | 高龄老人特征串联融合手势识别方法及装置 | |
Deng et al. | Detection and recognition of traffic planar objects using colorized laser scan and perspective distortion rectification | |
Chen et al. | Face deduplication in video surveillance | |
Gürel et al. | Design of a face recognition system | |
JP2014229012A (ja) | 人物属性推定装置、人物属性推定方法及びプログラム | |
Deboeverie et al. | Face analysis using curve edge maps | |
Yi et al. | Face detection method based on skin color segmentation and facial component localization | |
Li et al. | Feature fusion of triaxial acceleration signals and depth maps for human action recognition | |
Li et al. | 3D face recognition by constructing deformation invariant image | |
Paul et al. | Automatic adaptive facial feature extraction using CDF analysis | |
Zamuner et al. | A pose-adaptive constrained local model for accurate head pose tracking | |
Paul et al. | Extraction of facial feature points using cumulative distribution function by varying single threshold group | |
Nie et al. | The facial features analysis method based on human star-structured model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150211 |
|
RJ01 | Rejection of invention patent application after publication |