CN104463237A - 一种基于多姿态识别的人脸验证方法及装置 - Google Patents
一种基于多姿态识别的人脸验证方法及装置 Download PDFInfo
- Publication number
- CN104463237A CN104463237A CN201410795404.4A CN201410795404A CN104463237A CN 104463237 A CN104463237 A CN 104463237A CN 201410795404 A CN201410795404 A CN 201410795404A CN 104463237 A CN104463237 A CN 104463237A
- Authority
- CN
- China
- Prior art keywords
- facial image
- verified
- feature
- degree
- attitude
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于多姿态识别的人脸验证方法及装置,其中基于多姿态识别的人脸验证方法包括:获取同一张人脸在至少两种不同姿态下的待验证人脸图像;对每个待验证人脸图像进行特征提取,得到每个待验证人脸图像的特征;依据每个待验证人脸图像的特征,对每个待验证人脸图像进行姿态识别,得到每个待验证人脸图像的姿态类别;将每个待验证人脸图像的特征与人脸图像库中具有相同姿态类别的人脸图像的特征进行匹配,得到匹配结果;当匹配结果表明匹配时,获取待验证人脸图像的身份信息,这样通过对不同姿态下的待验证人脸图像的验证来获取待验证人脸图像的身份信息,降低姿态因素对人脸验证的影响,提高人脸验证的准确度。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种基于多姿态识别的人脸验证方法及装置。
背景技术
人脸验证技术是计算机识别领域非常活跃的研究课题,主要包括三个技术环节:预处理、人脸特征提取和分类器设计。由于人脸验证技术在人脸识别中的优势,人脸验证技术在安全领域得到较为广泛的应用,但仍然存在许多不确定的因素制约着人脸验证技术的应用和发展。
例如,姿态因素:在不同姿态下人脸图像会发生变化,部分面部特征会被遮挡;光照因素:不同强度和方向的光照下人脸图像也会发生很大的变化;情绪因素:由于人在不同的情绪下表现出来的不同的表情也会引起人脸表面轮廓和纹理的变化等,这些因素都影响着人脸验证的准确度。
其中上述姿态因素严重影响多姿态下人脸验证的准确度,为此本发明提供一种基于多姿态识别的人脸验证方法及装置,用于提高多姿态下人脸验证的准确度。
发明内容
有鉴于此,本发明提供一种基于多姿态识别的人脸验证方法及装置,用于提高多姿态下人脸验证的准确度。技术方案:
本发明提供一种基于多姿态识别的人脸验证方法,包括:
获取同一张人脸在至少两种不同姿态下的待验证人脸图像;
对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征;
依据每个所述待验证人脸图像的特征,对每个所述待验证人脸图像进行姿态识别,得到每个所述待验证人脸图像的姿态类别;
将每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征进行匹配,得到匹配结果;
当所述匹配结果表明至少一个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征匹配时,获取所述待验证人脸图像的身份信息;
当所述匹配结果表明每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征都不匹配时,指示人脸验证失败。
优选地,所述方法还包括:
获取多种姿态的人脸图像;
对每个所述人脸图像进行特征提取,得到每个所述人脸图像的特征;
将所述人脸图像的姿态类别和所述特征记录在所述人脸图像库中,得到所述人脸图像库。
优选地,所述获取人脸面部向右旋转、向左旋转、正面、正面抬头和正面低头的人脸图像,其中向右旋转包括:向右旋转90度、70度、50度、30度、10度,向左旋转包括向左旋转90度、70度、50度、30度、10度。
优选地,所述对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征包括:
采用局部线性嵌入方法对所述待验证人脸图像进行维数约减,以得到所述待验证人脸图像的特征。
优选地,所述依据每个所述待验证人脸图像的特征,对每个所述待验证人脸图像进行姿态识别,得到每个所述待验证人脸图像的姿态类别包括:
利用所述待验证人脸图像的特征、待确定的所述待验证人脸图像的姿态类别、所述人脸图像库的特征和所述人脸图像库的姿态类别建立含有缺失项的低秩矩阵;
对所述低秩矩阵求解,以确定所述待验证人脸图像的姿态类别。
本发明还提供一种基于多姿态识别的人脸验证装置,包括:
第一获取单元,用于获取同一张人脸在至少两种不同姿态下的待验证人脸图像;
特征提取单元,用于对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征;
识别单元,用于依据每个所述待验证人脸图像的特征,对每个所述待验证人脸图像进行姿态识别,得到每个所述待验证人脸图像的姿态类别;
匹配单元,用于将每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征进行匹配,得到匹配结果;
第二获取单元,用于当所述匹配结果表明至少一个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征匹配时,获取所述待验证人脸图像的身份信息;
指示单元,用于当所述匹配结果表明每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征都不匹配时,指示人脸验证失败。
优选地,所述装置还包括:
第三获取单元,用于获取多种姿态的人脸图像;
提取单元,用于对每个所述人脸图像进行特征提取,得到每个所述人脸图像的特征;
记录单元,用于将所述人脸图像的姿态类别和所述特征记录在所述人脸图像库中,得到所述人脸图像库。
优选地,所述第三获取单元获取的人脸图像包括:人脸面部向右旋转、向左旋转、正面、正面抬头和正面低头的人脸图像,其中向右旋转包括:向右旋转90度、70度、50度、30度、10度,向左旋转包括向左旋转90度、70度、50度、30度、10度。
优选地,所述特征提取单元对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征包括:采用局部线性嵌入装置对所述待验证人脸图像进行维数约减,以得到所述待验证人脸图像的特征。
优选地,所述识别单元包括:矩阵建立子单元和处理子单元;
所述矩阵建立子单元,用于利用所述待验证人脸图像的特征、待确定的所述待验证人脸图像的姿态类别、所述人脸图像库的特征和所述人脸图像库的姿态类别建立含有缺失项的低秩矩阵;
所述处理子单元,用于对所述低秩矩阵求解,以确定所述待验证人脸图像的姿态类别。
与现有技术相比,本发明包括以下优点:
从上述技术方案可以看出,本发明提供的基于多姿态识别的人脸验证方法,通过对不同姿态下的待验证人脸图像的验证来获取待验证人脸图像的身份信息,降低姿态因素对人脸验证的影响,提高人脸验证的准确度。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于多姿态识别的人脸验证方法的一种流程图;
图2是本发明实施例与待验证人脸图像具有相同姿态类别的人脸图像;
图3是本发明实施例提供的基于多姿态识别的人脸验证方法的另一种流程图;
图4是本发明实施例提供的基于多姿态识别的人脸验证装置的一种结构示意图;
图5是本发明实施例提供的基于多姿态识别的人脸验证装置的另一种结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明,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,都属于本发明保护的范围。
请参阅图1,其示出了本发明实施例提供的一种基于多姿态识别的人脸验证方法的一种流程图,可以包括以下步骤:
101:获取同一张人脸在至少两种不同姿态下的待验证人脸图像。在本发明实施例中,不同姿态可以根据人脸的相对于正面时的旋转角度来确定,在本发明实施例中可以首先获取一种姿态下的待验证人脸图像,再对其进行镜像处理来生成多种姿态下的待验证人脸图像,这样可以提供更多的验证信息,提高验证准确度。
102:对每个待验证人脸图像进行特征提取,得到每个待验证人脸图像的特征。
其中特征提取是计算机视觉和图像处理中的一个关键步骤,用于使用计算机提取图像信息来决定每个图像的点是否属于一个图像特征。特征提取的最终结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。
目前特征提取的方式有多种,如局部特征提取,基于算子的特征提取等。本发明实施例提供一种特征提取的可行方式:采用局部线性嵌入(Locally Linear Embedding,LLE)方法对待验证人脸图像进行维数约减,以得到待验证人脸图像的特征。
LLE方法是一种局部流行学习算法,其主要思想是通过保持数据的局部领域结果来获取高维数据的低维数据,所述低维数据即通过LLE方法得到的特征,下面简单介绍下LLE方法的流程:
首先,将待验证人脸图像转换成样本X=[x1,x2,…,xn],计算样本xi的邻域,样本点xi的邻域由样本点xi和距离样本点xi的最近的K个邻域构成,其中n是样本的总个数,K为一个经验值,是选取最相近的邻域的个数;
其次,在样本xi的邻域中计算重构权Wij使得重构误差最小:重构权Wij的计算公式其中W为权值矩阵,通过对的求解可以得到重构权Wij,j=1,2,…,K;
最后,根据权值矩阵W构造样本xi的低维嵌入向量yi并使得重构误差最小,低维嵌入样本点yi的计算公式j=1,2,…,K。
低维嵌入样本yi即是样本点xi经过维数降低后的样本,低维嵌入样本[y1,y2,…,yn]构成的矩阵即是待验证人脸图像的特征。
103:依据每个待验证人脸图像的特征,对每个待验证人脸图像进行姿态识别,得到每个待验证人脸图像的姿态类别。
其中姿态类别用于指示人脸处于何种姿态,为了对不同姿态进行区分,本发明实施例中可以采用不同标识符来表示姿态类别,如数值或者图形标记等。
在本发明实施例中,得到姿态类别的一种可行方式是:利用待验证人脸图像的特征、待确定的待验证人脸图像的姿态类别、人脸图像库的特征和人脸图像库的姿态类别建立含有缺失项的低秩矩阵,其中人脸图像库中存储有已知身份和姿态的人脸图像;对低秩矩阵求解,以确定待验证人脸图像的姿态类别。具体过程如下:
将上述待验证人脸图像的特征、待确定的待验证人脸图像的姿态类别、人脸图像库的特征和人脸图像库的姿态类别以向量来表示,假设待验证人脸图像的特征的向量为S=[s1,s2,…,sm],其姿态类别的向量为t=(t1,t2,…,tm),姿态类别的向量为未知向量,为最终要计算的数值,人脸图像库的特征的向量为P=[p1,p2,…,pn],其姿态类别的向量为k=(k1,k2,…,kn),利用这四个向量得到含有缺失项的低秩矩阵B:
利用低秩矩阵填充理论求解,求解过程因此可以转换为如下秩最小化问题:
则上述秩最小化问题可以转变为:
又由于这一问题为NP(完全问题),因此可以将转变后的秩最小化问题松弛到核范数最小化问题:
至此可以采用奇异值阈值算法进行求解,得到未知向量t的取值,即可以确定待验证人脸图像的姿态类别。
104:将每个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征进行匹配,得到匹配结果。
在得到待验证人脸图像的姿态类别后,依据所得到的姿态类别从预先建立的人脸图像库中获取该姿态类别的人脸图像的特征,将所获取的人脸图像的特征与待验证人脸图像的特征进行匹配,即将具有相同姿态类别的人脸图像的待验证人脸图像的特征进行匹配。如待验证人脸图像的姿态类别为人脸正对前方(人脸正面),则从人脸图库中获取人脸正面的人脸图像的特征进行匹配。
在本发明实施例中姿态类别可以采用数值或者图形标记等进行标识,那么在获取人脸图像库中的人脸图像时可以采用表示姿态类别的数值或者图形标记进行查找。例如表示待验证人脸图像的姿态类别的数值为1,则从人脸图像库中查找数值1对应的人脸图像的特征进行匹配。
如图2所示,待验证人脸图像通过上述低秩矩阵的求解过程,得到待验证人脸图像的姿态类别,并从人脸图像库中获取到具有相同姿态类别的人脸图像。
在这里需要注意的一点是,所谓相同姿态类别并不要求待验证人脸图像和人脸图像的人脸旋转角度完全相同,而是当待验证人脸图像和人脸图像的人脸旋转角度之差在预设角度范围内时,则可以认为待验证人脸图像和人脸图像具有相同姿态。
其中预设角度范围与在建立人脸图像库时所选取的人脸图像的姿态数量有关,当姿态数量较多时,预设角度范围较小;当姿态数量较少时,预设角度范围较大。
105:当匹配结果表明至少一个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征匹配时,获取待验证人脸图像的身份信息。
当匹配结果表明至少一个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征匹配时,表明人脸验证成功,且待验证人脸图像与某一张人脸图像指向同一张人脸,相应的待验证人脸图像的身份信息则是指向同一张人脸的人脸图像所对应的身份信息。
106:当匹配结果表明每个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征都不匹配时,指示人脸验证失败。
从上述技术方案可以看出,本发明提供的基于多姿态识别的人脸验证方法,通过对不同姿态下的待验证人脸图像的验证来获取待验证人脸图像的身份信息,降低姿态因素对人脸验证的影响,提高人脸验证的准确度。
请参阅图3,其示出了本发明实施例提供的一种基于多姿态识别的人脸验证方法的另一种流程图,在图1所示的实施例基础上还包括有人脸图像库的建立过程,可以包括以下步骤:
107:获取多种姿态的人脸图像。在本发明实施例中人脸图像是用于与待验证人脸图像进行匹配的基准图像,因此在建立人脸图像库时可以选取多种姿态的人脸图像。
例如获取人脸面部向右旋转、向左旋转、正面、正面抬头和正面低头的人脸图像,其中向右旋转包括:向右旋转90度、70度、50度、30度、10度,向左旋转包括向左旋转90度、70度、50度、30度、10度。
108:对每个人脸图像进行特征提取,得到每个人脸图像的特征。在本发明实施例中为了提高后续人脸验证的准确度,人脸图像采用的特征提取方式与待验证人脸图像的特征提取方式相同,这样对于同一张人脸在同一姿态类别下的两幅图像提取到的特征可以尽可能相同。
109:将人脸图像的姿态类别和特征记录在人脸图像库中,得到人脸图像库。
在本发明实施例中,人脸图像库还可以记录每副人脸图像对应的身份信息,这样在待验证人脸图像与人脸图像匹配时,可以从人脸图像库中获取身份信息,从而提高信息获取速度。当然人脸图像库中也可以仅记录人脸图像的姿态类别和特征,相对于人脸图像库中还记录其他信息的方式来说可以降低人脸图像库占用的容量。但是当待验证人脸图像与人脸图像匹配时,人脸图像库需要和另一个存储有身份信息的数据库通信以获取待验证人脸图像的身份信息,从而在降低占用容量的同时降低信息获取速度。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
与上述方法实施例相对应,本发明实施例还提供一种基于多姿态识别的人脸验证装置,其结构示意图如图4所示,可以包括:第一获取单元11、特征提取单元12、识别单元13、匹配单元14、第二获取单元15和指示单元16。其中,
第一获取单元11,用于获取同一张人脸在至少两种不同姿态下的待验证人脸图像。在本发明实施例中,不同姿态可以根据人脸的相对于正面时的旋转角度来确定,在本发明实施例中可以首先获取一种姿态下的待验证人脸图像,再对其进行镜像处理来生成多种姿态下的待验证人脸图像,这样可以提供更多的验证信息,提高验证准确度。
特征提取单元12,用于对每个待验证人脸图像进行特征提取,得到每个待验证人脸图像的特征。目前特征提取的方式有多种,如局部特征提取,基于算子的特征提取等。本发明实施例特征提取单元12可以采用LLE方法对待验证人脸图像进行维数约减,以得到待验证人脸图像的特征,LLE方法的具体过程可以参阅方法实施例中的相关说明,对此本发明实施例不再阐述。
识别单元13,用于依据每个待验证人脸图像的特征,对每个待验证人脸图像进行姿态识别,得到每个待验证人脸图像的姿态类别。其中姿态类别用于指示人脸处于何种姿态,为了对不同姿态进行区分,本发明实施例中可以采用不同标识符来表示姿态类别,如数值或者图形标记等。
在本发明实施例中,识别单元13可以包括:矩阵建立子单元和处理子单元,其中矩阵建立子单元用于利用待验证人脸图像的特征、待确定的待验证人脸图像的姿态类别、人脸图像库的特征和人脸图像库的姿态类别建立含有缺失项的低秩矩阵,其中人脸图像库中存储有已知身份和姿态的人脸图像;处理子单元用于对低秩矩阵求解,以确定待验证人脸图像的姿态类别,这两个子单元的具体实施过程可以参阅方法实施例中的相关说明,对此本发明实施例不再阐述。
匹配单元14,用于将每个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征进行匹配,得到匹配结果。
在得到待验证人脸图像的姿态类别后,依据所得到的姿态类别从预先建立的人脸图像库中获取该姿态类别的人脸图像的特征,将所获取的人脸图像的特征与待验证人脸图像的特征进行匹配,即将具有相同姿态类别的人脸图像的待验证人脸图像的特征进行匹配。如待验证人脸图像的姿态类别为人脸正对前方(人脸正面),则从人脸图库中获取人脸正面的人脸图像的特征进行匹配。
在本发明实施例中姿态类别可以采用数值或者图形标记等进行标识,那么在获取人脸图像库中的人脸图像时可以采用表示姿态类别的数值或者图形标记进行查找。例如表示待验证人脸图像的姿态类别的数值为1,则从人脸图像库中查找数值1对应的人脸图像的特征进行匹配。
在这里需要注意的一点是,所谓相同姿态类别并不要求待验证人脸图像和人脸图像的人脸旋转角度完全相同,而是当待验证人脸图像和人脸图像的人脸旋转角度之差在预设角度范围内时,则可以认为待验证人脸图像和人脸图像具有相同姿态。
其中预设角度范围与在建立人脸图像库时所选取的人脸图像的姿态数量有关,当姿态数量较多时,预设角度范围较小;当姿态数量较少时,预设角度范围较大。
第二获取单元15,用于当匹配结果表明至少一个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征匹配时,获取待验证人脸图像的身份信息。
当匹配结果表明至少一个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征匹配时,表明人脸验证成功,且待验证人脸图像与某一张人脸图像指向同一张人脸,相应的待验证人脸图像的身份信息则是指向同一张人脸的人脸图像所对应的身份信息。
指示单元16,用于当匹配结果表明每个待验证人脸图像的特征与预先建立的人脸图像库中具有相同姿态类别的人脸图像的特征都不匹配时,指示人脸验证失败。
从上述技术方案可以看出,本发明提供的基于多姿态识别的人脸验证装置,通过对不同姿态下的待验证人脸图像的验证来获取待验证人脸图像的身份信息,降低姿态因素对人脸验证的影响,提高人脸验证的准确度。
请参阅图5,其示出了本发明实施例提供的基于多姿态识别的人脸验证装置的另一种结构示意图,在图4基础上还包括:第三获取单元17、提取单元18和记录单元19。其中,
第三获取单元17,用于获取多种姿态的人脸图像。在本发明实施例中人脸图像是用于与待验证人脸图像进行匹配的基准图像,因此在建立人脸图像库时可以选取多种姿态的人脸图像。
例如获取人脸面部向右旋转、向左旋转、正面、正面抬头和正面低头的人脸图像,其中向右旋转包括:向右旋转90度、70度、50度、30度、10度,向左旋转包括向左旋转90度、70度、50度、30度、10度。
提取单元18,用于对每个人脸图像进行特征提取,得到每个人脸图像的特征。在本发明实施例中为了提高后续人脸验证的准确度,提取单元18在提取人脸图像特征所采用的特征提取方式与待验证人脸图像的特征提取方式相同,这样对于同一张人脸在同一姿态类别下的两幅图像提取到的特征可以尽可能相同。
记录单元19,用于将人脸图像的姿态类别和特征记录在人脸图像库中,得到人脸图像库。在本发明实施例中,人脸图像库还可以记录每副人脸图像对应的身份信息,这样在待验证人脸图像与人脸图像匹配时,可以从人脸图像库中获取身份信息,从而提高信息获取速度。当然人脸图像库中也可以仅记录人脸图像的姿态类别和特征,相对于人脸图像库中还记录其他信息的方式来说可以降低人脸图像库占用的容量。但是当待验证人脸图像与人脸图像匹配时,人脸图像库需要和另一个存储有身份信息的数据库通信以获取待验证人脸图像的身份信息,从而在降低占用容量的同时降低信息获取速度。
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。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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基于多姿态识别的人脸验证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发明的限制。
Claims (10)
1.一种基于多姿态识别的人脸验证方法,其特征在于,包括:
获取同一张人脸在至少两种不同姿态下的待验证人脸图像;
对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征;
依据每个所述待验证人脸图像的特征,对每个所述待验证人脸图像进行姿态识别,得到每个所述待验证人脸图像的姿态类别;
将每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征进行匹配,得到匹配结果;
当所述匹配结果表明至少一个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征匹配时,获取所述待验证人脸图像的身份信息;
当所述匹配结果表明每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征都不匹配时,指示人脸验证失败。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多种姿态的人脸图像;
对每个所述人脸图像进行特征提取,得到每个所述人脸图像的特征;
将所述人脸图像的姿态类别和所述特征记录在所述人脸图像库中,得到所述人脸图像库。
3.根据权利要求2所述的方法,其特征在于,所述获取人脸面部向右旋转、向左旋转、正面、正面抬头和正面低头的人脸图像,其中向右旋转包括:向右旋转90度、70度、50度、30度、10度,向左旋转包括向左旋转90度、70度、50度、30度、10度。
4.根据权利要求1所述的方法,其特征在于,所述对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征包括:
采用局部线性嵌入方法对所述待验证人脸图像进行维数约减,以得到所述待验证人脸图像的特征。
5.根据权利要求1所述的方法,其特征在于,所述依据每个所述待验证人脸图像的特征,对每个所述待验证人脸图像进行姿态识别,得到每个所述待验证人脸图像的姿态类别包括:
利用所述待验证人脸图像的特征、待确定的所述待验证人脸图像的姿态类别、所述人脸图像库的特征和所述人脸图像库的姿态类别建立含有缺失项的低秩矩阵;
对所述低秩矩阵求解,以确定所述待验证人脸图像的姿态类别。
6.一种基于多姿态识别的人脸验证装置,其特征在于,包括:
第一获取单元,用于获取同一张人脸在至少两种不同姿态下的待验证人脸图像;
特征提取单元,用于对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征;
识别单元,用于依据每个所述待验证人脸图像的特征,对每个所述待验证人脸图像进行姿态识别,得到每个所述待验证人脸图像的姿态类别;
匹配单元,用于将每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征进行匹配,得到匹配结果;
第二获取单元,用于当所述匹配结果表明至少一个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征匹配时,获取所述待验证人脸图像的身份信息;
指示单元,用于当所述匹配结果表明每个所述待验证人脸图像的特征与预先建立的人脸图像库中具有相同所述姿态类别的人脸图像的特征都不匹配时,指示人脸验证失败。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第三获取单元,用于获取多种姿态的人脸图像;
提取单元,用于对每个所述人脸图像进行特征提取,得到每个所述人脸图像的特征;
记录单元,用于将所述人脸图像的姿态类别和所述特征记录在所述人脸图像库中,得到所述人脸图像库。
8.根据权利要求7所述的装置,其特征在于,所述第三获取单元获取的人脸图像包括:人脸面部向右旋转、向左旋转、正面、正面抬头和正面低头的人脸图像,其中向右旋转包括:向右旋转90度、70度、50度、30度、10度,向左旋转包括向左旋转90度、70度、50度、30度、10度。
9.根据权利要求6所述的装置,其特征在于,所述特征提取单元对每个所述待验证人脸图像进行特征提取,得到每个所述待验证人脸图像的特征包括:采用局部线性嵌入装置对所述待验证人脸图像进行维数约减,以得到所述待验证人脸图像的特征。
10.根据权利要求6所述的装置,其特征在于,所述识别单元包括:矩阵建立子单元和处理子单元;
所述矩阵建立子单元,用于利用所述待验证人脸图像的特征、待确定的所述待验证人脸图像的姿态类别、所述人脸图像库的特征和所述人脸图像库的姿态类别建立含有缺失项的低秩矩阵;
所述处理子单元,用于对所述低秩矩阵求解,以确定所述待验证人脸图像的姿态类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410795404.4A CN104463237B (zh) | 2014-12-18 | 2014-12-18 | 一种基于多姿态识别的人脸验证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410795404.4A CN104463237B (zh) | 2014-12-18 | 2014-12-18 | 一种基于多姿态识别的人脸验证方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463237A true CN104463237A (zh) | 2015-03-25 |
CN104463237B CN104463237B (zh) | 2018-03-06 |
Family
ID=52909251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410795404.4A Active CN104463237B (zh) | 2014-12-18 | 2014-12-18 | 一种基于多姿态识别的人脸验证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463237B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468760A (zh) * | 2015-12-01 | 2016-04-06 | 北京奇虎科技有限公司 | 对人脸图片进行标注的方法和装置 |
CN105654033A (zh) * | 2015-12-21 | 2016-06-08 | 小米科技有限责任公司 | 人脸图像验证方法和装置 |
CN106228133A (zh) * | 2016-07-21 | 2016-12-14 | 北京旷视科技有限公司 | 用户验证方法及装置 |
CN106355066A (zh) * | 2016-08-28 | 2017-01-25 | 乐视控股(北京)有限公司 | 人脸验证方法及人脸验证装置 |
CN107545252A (zh) * | 2017-08-31 | 2018-01-05 | 北京图铭视界科技有限公司 | 基于多姿态人脸模型的视频中人脸识别方法及装置 |
CN107736874A (zh) * | 2017-08-25 | 2018-02-27 | 百度在线网络技术(北京)有限公司 | 一种活体检测的方法、装置、设备和计算机存储介质 |
CN108090415A (zh) * | 2017-11-24 | 2018-05-29 | 江西智梦圆电子商务有限公司 | 一种基于人脸和掌静脉识别的身份比对方法 |
CN109376686A (zh) * | 2018-11-14 | 2019-02-22 | 睿云联(厦门)网络通讯技术有限公司 | 一种多维度人脸数据采集方案、采集系统及采集方法 |
CN109697389A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 身份识别方法与装置 |
WO2021036436A1 (zh) * | 2019-08-26 | 2021-03-04 | 苏宁易购集团股份有限公司 | 一种人脸识别方法及装置 |
CN113553888A (zh) * | 2020-04-26 | 2021-10-26 | 浙江宇视科技有限公司 | 人员身份验证方法、装置、设备及存储介质 |
CN113762227A (zh) * | 2021-11-09 | 2021-12-07 | 环球数科集团有限公司 | 一种多姿态人脸识别算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040223630A1 (en) * | 2003-05-05 | 2004-11-11 | Roman Waupotitsch | Imaging of biometric information based on three-dimensional shapes |
CN1776712A (zh) * | 2005-12-15 | 2006-05-24 | 复旦大学 | 一种基于人脸统计知识的人脸识别方法 |
CN101515324A (zh) * | 2009-01-21 | 2009-08-26 | 上海银晨智能识别科技有限公司 | 适用于多种姿态的人脸识别布控系统及方法 |
CN102693418A (zh) * | 2012-05-17 | 2012-09-26 | 上海中原电子技术工程有限公司 | 多姿态人脸识别方法及系统 |
CN103605965A (zh) * | 2013-11-25 | 2014-02-26 | 苏州大学 | 一种多姿态人脸识别方法和装置 |
-
2014
- 2014-12-18 CN CN201410795404.4A patent/CN104463237B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040223630A1 (en) * | 2003-05-05 | 2004-11-11 | Roman Waupotitsch | Imaging of biometric information based on three-dimensional shapes |
CN1776712A (zh) * | 2005-12-15 | 2006-05-24 | 复旦大学 | 一种基于人脸统计知识的人脸识别方法 |
CN101515324A (zh) * | 2009-01-21 | 2009-08-26 | 上海银晨智能识别科技有限公司 | 适用于多种姿态的人脸识别布控系统及方法 |
CN102693418A (zh) * | 2012-05-17 | 2012-09-26 | 上海中原电子技术工程有限公司 | 多姿态人脸识别方法及系统 |
CN103605965A (zh) * | 2013-11-25 | 2014-02-26 | 苏州大学 | 一种多姿态人脸识别方法和装置 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468760B (zh) * | 2015-12-01 | 2018-09-11 | 北京奇虎科技有限公司 | 对人脸图片进行标注的方法和装置 |
CN105468760A (zh) * | 2015-12-01 | 2016-04-06 | 北京奇虎科技有限公司 | 对人脸图片进行标注的方法和装置 |
CN105654033A (zh) * | 2015-12-21 | 2016-06-08 | 小米科技有限责任公司 | 人脸图像验证方法和装置 |
CN105654033B (zh) * | 2015-12-21 | 2020-08-04 | 北京小米移动软件有限公司 | 人脸图像验证方法和装置 |
CN106228133B (zh) * | 2016-07-21 | 2020-04-10 | 北京旷视科技有限公司 | 用户验证方法及装置 |
CN106228133A (zh) * | 2016-07-21 | 2016-12-14 | 北京旷视科技有限公司 | 用户验证方法及装置 |
CN106355066A (zh) * | 2016-08-28 | 2017-01-25 | 乐视控股(北京)有限公司 | 人脸验证方法及人脸验证装置 |
CN107736874A (zh) * | 2017-08-25 | 2018-02-27 | 百度在线网络技术(北京)有限公司 | 一种活体检测的方法、装置、设备和计算机存储介质 |
US11147474B2 (en) | 2017-08-25 | 2021-10-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Living body detecting method and apparatus, device and computer storage medium |
CN107545252A (zh) * | 2017-08-31 | 2018-01-05 | 北京图铭视界科技有限公司 | 基于多姿态人脸模型的视频中人脸识别方法及装置 |
CN109697389A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 身份识别方法与装置 |
CN109697389B (zh) * | 2017-10-23 | 2021-10-01 | 北京京东尚科信息技术有限公司 | 身份识别方法与装置 |
CN108090415A (zh) * | 2017-11-24 | 2018-05-29 | 江西智梦圆电子商务有限公司 | 一种基于人脸和掌静脉识别的身份比对方法 |
CN109376686A (zh) * | 2018-11-14 | 2019-02-22 | 睿云联(厦门)网络通讯技术有限公司 | 一种多维度人脸数据采集方案、采集系统及采集方法 |
WO2021036436A1 (zh) * | 2019-08-26 | 2021-03-04 | 苏宁易购集团股份有限公司 | 一种人脸识别方法及装置 |
CN113553888A (zh) * | 2020-04-26 | 2021-10-26 | 浙江宇视科技有限公司 | 人员身份验证方法、装置、设备及存储介质 |
CN113553888B (zh) * | 2020-04-26 | 2024-03-08 | 浙江宇视科技有限公司 | 人员身份验证方法、装置、设备及存储介质 |
CN113762227A (zh) * | 2021-11-09 | 2021-12-07 | 环球数科集团有限公司 | 一种多姿态人脸识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN104463237B (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463237A (zh) | 一种基于多姿态识别的人脸验证方法及装置 | |
Yang et al. | A performance evaluation of correspondence grouping methods for 3D rigid data matching | |
Zeng et al. | 3dmatch: Learning the matching of local 3d geometry in range scans | |
Smeets et al. | A comparative study of 3-D face recognition under expression variations | |
Vemulapalli et al. | R3DG features: Relative 3D geometry-based skeletal representations for human action recognition | |
CN103218609B (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
Falco et al. | A transfer learning approach to cross-modal object recognition: from visual observation to robotic haptic exploration | |
Michel et al. | Scale invariant and deformation tolerant partial shape matching | |
Al-Osaimi et al. | Integration of local and global geometrical cues for 3D face recognition | |
WO2011105134A1 (en) | Position and orientation estimation method and apparatus therefor | |
CN105512674B (zh) | 基于密集匹配子自适应相似性度量的rgb-d物体识别方法和装置 | |
Soltanpour et al. | Multimodal 2D–3D face recognition using local descriptors: pyramidal shape map and structural context | |
Sang et al. | Pose‐invariant face recognition via RGB‐D images | |
CN105787428A (zh) | 基于稀疏编码的唇语特征身份认证方法 | |
Lian et al. | Rotation-invariant nonrigid point set matching in cluttered scenes | |
Tihonkih et al. | The Iterative Closest Points Algorithm and Affine Transformations. | |
Yin et al. | Estimation of the fundamental matrix from uncalibrated stereo hand images for 3D hand gesture recognition | |
KR101528757B1 (ko) | 이분된 로컬 영역을 가지는 윤곽선 분할 기반 특징을 이용한 물체 인식 방법 | |
Ofir | Classic versus deep learning approaches to address computer vision challenges: a study of faint edge detection and multispectral image registration | |
Nurhaida et al. | Determining the Number of Batik Motif Object based on Hierarchical Symmetry Detection Approach | |
CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 | |
Zhang et al. | 3D assisted face recognition via progressive pose estimation | |
Memon et al. | Invariant Loop Closure Detection Using Step-Wise Learning With Controlling Embeddings of Landmarks | |
Chong et al. | Range image derivatives for GRCM on 2.5 D face recognition | |
Yakushiji et al. | Shape space estimation by higher-rank of SOM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 101-105, floor 1, Chuangda building, No. 9, Qinghua East Road, Haidian District, Beijing 100083 (Dongsheng District) Patentee after: Thunder Software Technology Co., Ltd. Address before: 100191 Beijing Haidian District Lung Cheung Road No. 1 Tai Xiang business building 4 layer 401-409 Patentee before: Thunder Software Technology Co., Ltd. |