CN104850820A - 一种脸部识别方法及装置 - Google Patents

Abstract

本发明适用于信息识别领域，提供了一种脸部识别方法和装置，所述方法包括：获取脸部图像，确定所述脸部图像上的脸部特征的关键点；根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离；从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值；将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。本发明利用了脸部特征之间的距离的同一缩放性，减少了脸部图像中脸部的姿势变化对脸部识别结果的干扰，使得脸部识别结果不会随着脸部图像中脸部的姿势变化而产生较大的波动，增加了脸部识别方法的鲁棒性。

Description

一种脸部识别方法及装置

技术领域

本发明属于信息识别领域，尤其涉及一种脸部识别方法及装置

背景技术

脸部识别技术是指基于脸部特征，对输入的脸部图像或者视频流进行识别的技术。脸部识别技术在各种领域，特别是需要身份验证等领域，应用的非常广泛。

现有的脸部识别技术一般是根据脸部特征的位置，计算各脸部特征的大小以及各脸部特征之间的距离，采用脸部特征的大小以及各脸部特征之间的距离作为脸部识别结果，来表征脸部。其中脸部识别结果如图1所示。由于采用脸部特征的大小以及各脸部特征之间的距离作为脸部识别结果来表征脸部，从而导致脸部识别结果会随着脸部图像中脸部的姿势变化而产生较大的波动，因此，这种方式对于脸部图像中脸部的位置和姿势要求苛刻，当脸部图像中脸部的位置和姿势发生变化时，脸部识别结果与真实的脸部存在较大的差异，导致识别准确性低。

发明内容

本发明实施例提供一种脸部的识别方法和装置，旨在解决现有的脸部识别方法的脸部识别结果准确性低的问题。

第一方面，提供一种脸部识别方法，所述方法包括：

获取脸部图像，确定所述脸部图像上的脸部特征的关键点；

根据各脸部特征的关键点的位置确定各选定的各脸部特征组中的两个脸部特征之间的距离；

从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值，其中每组距离组中包含两个距离，N为大于或者等于4的整数；

将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。

第二方面，提供一种脸部识别的方法，所述方法包括：

获取脸部图像，确定所述脸部图像上的脸部特征的关键点；

根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离；

根据选定的各脸部特征组中的两个脸部特征之间的距离确定所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果，N为大于或者等于4的整数。

第三方面，提供一种脸部识别装置，所述装置包括：

图像处理单元，用于获取脸部图像，确定所述脸部图像上的脸部特征的关键点；

距离确定单元，用于根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离；

距离比值获取单元，用于从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值，其中每组距离组中包含两个距离，N为大于或者等于4的整数；

脸部识别单元，用于将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。

在本发明实施例中，在获取到脸部图像后，确定该脸部图像上的脸部特征的关键点，并根据各脸部特征的关键点位置确定选定的各脸部特征组中的两个脸部特征之间的距离，再将各脸部特征之间的距离比值作为该脸部图像中脸部的N维空间坐标，采用N维空间坐标作为该脸部图像中脸部的识别结果，由于利用了各脸部特征之间的距离比值得到的N维空间坐标来表示脸部图像中的脸部，从而利用了各脸部特征之间的距离的同一缩放性，减少了脸部图像中脸部的姿势对脸部识别结果的影响，使得脸部识别结果更客观、更真实、更准确，提高了脸部识别的鲁棒性。

附图说明

图1是现有技术提供的脸部识别结果的示例图；

图2是本发明实施例提供的脸部特征识别方法所适用的电子设备的结构示例图；

图3是本发明实施例提供的脸部识别方法的实现流程图；

图4是本发明实施例提供的标注有各脸部特征的关键点的脸部图像的示例图；

图5是本发明实施例提供的部分脸部特征之间的距离示例图；

图6是本发明另一实施例提供的脸部识别方法的实现流程图；

图7是本发明另一实施例提供的脸部识别方法的实现流程图；

图8是本发明实施例提供的脸部识别装置的结构框图；

图9是本发明另一实施例提供的脸部识别装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中，通过确定脸部图像中选定的各脸部特征组中的两个脸部特征之间的距离，并将选定的各脸部特征组中的两个脸部特征之间的距离的比值作为该脸部图像中脸部的N维空间坐标，采用N维空间坐标作为该脸部图像中脸部的识别结果，由于利用了各脸部特征之间的距离比值得到的N维空间坐标来表示脸部图像中的脸部，从而利用了各脸部特征之间的距离的同一缩放性，减少了脸部图像中脸部的姿势对脸部识别结果的影响，使得脸部识别结果更客观、更真实、更准确，提高了脸部识别的鲁棒性。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图2示出了本发明实施例提供的脸部识别方法所适用的电子设备的部分结构示例图。该电子设备可能是包含计算能力的计算机，如主机服务器、个人计算机PC或者可携带的便携式计算机，也可能是移动设备，如手机等等，本发明具体实施例并不对电子设备的具体实现做限定。该电子设备200包括：

处理器(processor)210，通信接口(Communications Interface)220，存储器(memory)230，总线240。

处理器210，通信接口220，存储器230通过总线240完成相互间的通信。

通信接口220，用于与网元通信。

处理器210，用于执行程序232。

具体地，程序232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210可能是一个中央处理器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230，用于存放程序232。存储器230可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。程序232具体可以为根据本发明实施例提供的脸部特征识别方法而编制的程序。

程序232中各单元的具体实现参见图8-图9所示实施例中的相应单元，在此不赘述。

图3示出了本发明实施例提供的脸部识别方法的实现流程，详述如下：

S101，获取脸部图像，确定所述脸部图像上的脸部特征的关键点。

在本实施例中，在需要对脸部图像中的脸部进行识别时，可以先在脸部图像上标注出各脸部特征的关键点。其中标注的方式可以为人工标注方式，也可以采用各种标注工具。在脸部图像上标注了各脸部特征的关键点之后，即可确定脸部图像上的各脸部特征的关键点的位置。

其中脸部特征包括但不限于眼睛、鼻子、嘴巴、下巴等。其中眼睛包括左眼和右眼。鼻子可以为鼻翼或者鼻尖。其中鼻翼包括左鼻翼和右鼻翼。在本发明另一实施例中，该脸部特征还可以包括脸颊、下颌等。其中脸颊包括左脸颊、右脸颊。下颌包括左下颌、右下颌。可以理解，该脸部特征还可以为脸部的其余特征，在此不做任何限定。

为了更精确的表示出脸部特征的位置，在本实施例中，采用脸部特征的关键点来代表每个脸部特征。其中脸部特征的关键点可以为该脸部特征中的任意一个点，如对于眼睛，可以将眼球中心点或者眼角等作为眼睛的关键点。脸部特征的关键点的位置是指用于代表该脸部特征的关键点所在的位置，在屏幕的平面坐标系中，该脸部特征的关键点的位置可以采用坐标点（x，y）来表示。其中坐标点（x，y）是指该脸部特征的关键点在脸部图像的平面坐标系中的坐标点。

在本实施例中，由于采用脸部特征的关键点来表示脸部图像中的脸部特征，从而使得脸部图像中脸部特征的定位更简单、更准确，且由于脸部特征的关键点的位置很精确，如可具体到屏幕的平面坐标系中的坐标点，从而减小了由于对脸部特征的定位不精确导致的脸部识别结果的误差。

请参阅图4，为本发明实施例提供的标注有各脸部特征的关键点的脸部图像的示例图。在图4所示的脸部图像中，脸部特征包括左眼1，右眼2，左鼻翼3，右鼻翼4，嘴巴6，左脸颊5，右脸颊7，左下颌8，右下颌9，以及下巴10。

S102，根据脸部图像中各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离。

具体的，在确定选定的各脸部特征组中的两个脸部特征之间的距离时，计算这两个脸部特征的关键点之间线段的长度，将两个脸部特征的关键点之间线段的长度作为这两个脸部特征之间的距离。

其中脸部特征组是指将两个脸部特征作为一组脸部特征组。其中选定的脸部特征组可以为包括各脸部特征中任意两个脸部特征的所有脸部特征组，也可以为包括各脸部特征中任意两个脸部特征的所有脸部特征组中的一部分。如当脸部图像中标注有N个脸部特征的关键点时，则可以构成个脸部特征组，此时该选定的脸部特征组可以为该个脸部特征组，也可以为该个脸部特征组中的一部分。

在计算两个脸部特征的关键点之间线段的长度时，可以根据这两个脸部特征的关键点的位置来计算，举例说明如下：

假设右眼的关键点的位置为（x1，y1），嘴巴的关键点的位置为（x2，y2），则右眼与嘴巴之间的距离 $L1=\sqrt{{(x2-x1)}^2+{(y2-y1)}^2}$

以图4所示的标注有各脸部特征的关键点的脸部图像为例，可以根据图4中各脸部特征的关键点的位置确定各脸部特征之间的距离，如图5所示，为根据图4中各脸部特征的关键点的位置得到的部分脸部特征之间的距离示例图，如右眼2与嘴巴6之间的距离为L1，左脸颊5与右下颌10之间的距离为L2，左眼1与下巴8之间的距离为L3，左下颌9与右脸颊7之间的距离为L4，鼻翼之间的距离为L5，左眼1和嘴巴6之间的距离为L6，脸颊之间的距离为L7。

S103，从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值，其中每组距离组中包含两个距离，N为大于或者等于4的整数。

具体的，在根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离后，将每两个距离划分为一组距离组，如对于标注有10个脸部特征的关键点的脸部图像，若选定的脸部特征组为个，每个脸部特征组均对应有一距离，通过将每两个距离作为一组距离组，则可以划分出组距离组。从划分得到的所有距离组中选择N组距离组，获取选取的N组距离组中每组距离组的距离比值，其中N为大于或者等于4的整数。其中每组距离组的距离比值是指每组距离组中的两个距离的比值。

为了进一步减少脸部图像中脸部的姿势变化（如歪斜等）对脸部识别结果的影响，提高脸部识别的鲁棒性，在本发明另一实施例中，从各脸部特征之间的距离中选择N组距离组的具体过程如下：

A1、获取经过每组脸部特征组中的两个脸部特征的关键点之间的直线，分别将具有交点的两条直线所对应的距离划分为一组距离组。

具体的，将每组脸部特征组中的两个脸部特征的关键点用直线连接起来，将具有交点的两条直线所对应的距离作为一组距离组。其中具有交点的两条直线所对应的距离是指具有交点的两条直线中每条直线上的两个脸部特征的关键点之间的距离。举例说明如下：

请参阅图5，将右眼的关键点2和嘴巴的关键点6用直线连接后得到直线l1，将左脸颊的关键点5和右下颌的关键点10用直线连接后得到直线l2，其中直线l1和l2之间具有交点，因此，将直线l1上的右眼的关键点2和嘴巴的关键点6之间的距离，以及直线l2上的左脸颊的关键点5和右下颌的关键点10之间的距离，划分为一组距离组。

将左眼的关键点1和下巴的关键点8用直线连接后得到直线l3，将左下颌的关键点9和右脸颊的关键点7用直线连接后得到直线l4，其中线段l3和l4之间具有交点，因此，将直线l3上的左眼的关键点1和下巴的关键点8之间的距离，以及直线l4上的左下颌的关键点9和右脸颊的关键点7之间的距离，划分为一组距离组。

将右眼的关键点2和嘴巴的关键点6用直线连接后得到直线l1，将左鼻翼的关键点3和右鼻翼的关键点4用直线连接后得到直线l5，其中直线l1和l5之间具有交点，因此，将直线l1上的右眼的关键点2和嘴巴的关键点6之间的距离，以及直线l5上的左鼻翼的关键点3和右鼻翼的关键点4之间的距离，划分为一组距离组。

将左眼的关键点1和嘴巴的关键点6用直线连接后得到直线l6，将左脸颊的关键点5和右脸颊的关键点7用直线连接后得到直线l7，其中直线l6和l7之间具有交点，因此，将直线l6上的左眼的关键点1和嘴巴的关键点6之间的距离，以及直线l7上的左脸颊的关键点5和右脸颊的关键点7之间的距离，划分为一组距离组。

经上述划分后，可以得到如下四组距离组：第一距离组为由右眼的关键点2和嘴巴的关键点6之间的距离以及左脸颊的关键点5和右下颌的关键点10之间的距离构成的距离组；第二距离组为由左眼的关键点1和下巴的关键点8之间的距离以及左下颌的关键点9和右脸颊的关键点7之间的距离构成的距离组；第三距离组为由右眼的关键点2和嘴巴的关键点6之间的距离以及左鼻翼的关键点3和右鼻翼的关键点4之间的距离构成的距离组；第四距离组为由左眼的关键点1和嘴巴的关键点6之间的距离以及左脸颊的关键点5和右脸颊的关键点7之间的距离构成的距离组。

对于其他的各脸部特征的关键点可以采用上述相同的原理进行距离组的划分，在此不再赘述。

A2、计算每组距离组的覆盖比例，其中距离组的覆盖比例是指该距离组中的各脸部特征的关键点所围成的图形覆盖脸部图像中的脸部的比例。具体的，在划分得到距离组之后，计算每组距离组的覆盖比例。其中计算距离组的覆盖比例的具体过程如下：

获取该距离组中包含的脸部的关键点，将距离组中包含的脸部的关键点首尾相连，以得到该距离组中包含的脸部的关键点所围成的图形，计算该图形的面积，并将该图形的面积与脸部图像中脸部的面积的比值作为该距离组的覆盖比例。

举例说明如下：

以上述四组距离组为例，对于第一距离组，在将右眼的关键点2、嘴巴的关键点6、左脸颊的关键点5和右下颌的关键点10首尾相连，以围成以右眼的关键点2、嘴巴的关键点6、左脸颊的关键点5和右下颌的关键点10为顶点的四边形，计算该四边形的面积，并将该四边形的面积与脸部图像中脸部的面积的比值作为第一距离组的覆盖比例。对于其他距离组，其原理与第一距离组相同，在此不再赘述。

A3、按照距离组的覆盖比例由大到小的顺序，从各组距离组中选择N组距离组。

具体的，可以先根据距离组的覆盖比例按照由大到小的顺序对各距离组进行排序，得到距离组序列，从距离组序列中选择前N组距离组。

在本实施例中，通过将经过两个脸部特征的关键点的直线中具有交点的两条直线所对应的距离划分为一个距离组，并从划分得到的距离组中选取覆盖比例较大的前N个距离组作为脸部识别的依据，从而使得脸部识别结果可以更客观、更真实的反应脸部图像中的脸部。

为了再进一步减少脸部图像中脸部的姿势变化（如歪斜等）对脸部识别结果的影响，提高脸部识别的鲁棒性，在本发明另一实施例中，从各脸部特征之间的距离中选择N组距离组的具体过程如下：

B1、获取经过每两个脸部特征的关键点之间的直线，分别将具有交点的两条直线所对应的距离划分为一组距离组。其具体过程与A1一样，在此不再赘述。

B2、计算每组距离组的覆盖比例，其中距离组的覆盖比例是指该距离组中的各脸部特征的关键点所围成的图形覆盖脸部图像中的脸部的比例。其具体过程与A2一样，在此不再赘述。

B3、从所有距离组中选择覆盖比例大于预设比例阈值的距离组。

B4，从选择出的距离组中，根据每个距离组中的顶点的覆盖率按照从大到小的顺序选择N组距离组。其中距离组中的顶点的覆盖率是指该距离组包含的脸部特征关键点与所有脸部特征关键点比值。

在本实施例中，通过选择具有交点、且所围成的图形覆盖脸部图像中的脸部的比例大于预设比例阈值、且所包含的脸部特征关键点较多的N组距离组来计算脸部图像中脸部的N维坐标，并采用N维坐标来作为脸部的识别结果，从而进一步降低了脸部姿势变化对脸部识别结果的影响，进一步使得脸部识别结果与真实的脸部更接近。

S104，将N组距离组的距离比值作为该脸部图像中脸部的N维空间坐标，采用该N维空间坐标作为该脸部图像中脸部的识别结果。

举例说明如下：

假设选择的距离组为上述的第一距离组、第二距离组、第三距离组、第四距离组，则先获取选择的各距离组的距离比值，若第一距离组的距离比值为L1/L2，第二距离组的距离比值为L3/L4，第三距离组的距离比值为L5/L1，第四距离组的距离比值为L6/L7。再将选择的四组距离组的距离比值作为该脸部图像中脸部的四维空间坐标P=（R1，R2，R3，R4），其中：

R1=L1/L2；

R2=L3/L4；

R3=L5/L1；

R4=L6/L7；

在本实施例中，采用脸部的N维坐标作为脸部图像中脸部的识别结果，即采用脸部的N维坐标来表达脸部，而脸部的N维坐标是根据各脸部特征之间的距离比值得到的，从而利用了脸部特征之间的距离的同一缩放性，减少了脸部图像中脸部的姿势变化对脸部识别结果的干扰，使得脸部识别结果不会随着脸部图像中脸部的姿势变化而产生较大的波动，增加了脸部识别方法的鲁棒性。

图6示出了本发明另一实施例提供的脸部识别方法的实现流程，其中步骤S201至S204分别与图1中的S101至S104相同，不同之处在于，该方法在S203之后还包括：

S205，计算脸部图像中脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离。

在本实施例中，需要预先存储完美脸部的N维空间坐标P0。其中完美脸部的N维空间坐标P0=（R1’，R2’，R3’，R4’，…RN’）。其中R1’，R2’，R3’，R4’，…RN’的取值，可以根据不同的脸部类型，可能相同或者不同。

其中，可以采用如下公式来计算从脸部图像中识别出的脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离：

$d=\sqrt{{(R1-{R1}^{\′})}^2+{(R2-{R2}^{\′})}^2+......+{(\mathrm{RN}-{\mathrm{RN}}^{\′})}^2}$

其中d为从脸部图像中识别出的脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离，R1’，R2’，……，RN’为完美脸部的N维空间坐标值，R1，R2，……，RN为从脸部图像中识别出的脸部的N维空间坐标值。

以N为4为例，P0=（R1’，R2’，R3’，R4’），其中R1’，R2’，R3’，R4’的取值可以如下：R1’=0.820198，R2’=1.248298，R3’=0.481802，R4’=0.704493。可以理解，根据不同的脸部类型，如针对人脸、动物脸、不同人种的人脸、不同种类的动物脸等，R1’，R2’，R3’，R4’的取值可能均不同。

其中，可以采用如下公式来计算从脸部图像中识别出的脸部的四维空间坐标与完美脸部的四维空间坐标之间的欧氏距离：

$d=\sqrt{{(R1-{R1}^{\′})}^2+{(R2-{R2}^{\′})}^2+{(R3-{R3}^{\′})}^2+{(R4-{R4}^{\′})}^2}$

其中d为从脸部图像中识别出的脸部的四维空间坐标与完美脸部的四维空间坐标之间的欧氏距离，R1’，R2’，R3’，R4’为完美脸部的四维空间坐标值，R1，R2，R3，R4为从脸部图像中识别出的脸部的四维空间坐标值。

S206，根据欧氏距离采用预设的美观度评分函数确定脸部图像中脸部的美观度评分。

其中预设的美观度评分函数为满足如下条件的函数：欧式距离越大，美观度评分越低的。如预设的美观度评分函数为高斯分布函数、三角余弦函数、线性映射函数、自然对数函数等。

在根据欧式距离采用高斯分布函数确定脸部图像中脸部的美观度评分时，可以采用如下公式：

$S=S0*e^{-\frac{d^2}{{\mathrm{\σ}}^2}}$

其中S为脸部图像中脸部的美观度评分值。S0为完美脸部的美观度评分系数值，一般S0的取值为100分，当然还可以为其他分值，在此不做限定。σ为高斯分布函数的标准差。其中高斯分布函数的标准差可以取经验值，如σ=0.2236。

在本发明实施例中，通过计算脸部图像中脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离，并根据所述欧氏距离采用预设的美观度评分函数确定所述脸部图像中脸部的美观度评分，从而可以得到脸部图像中脸部的完美度评分，由于脸部的N维空间坐标可以更客观、更真实的反应出脸部图像中的脸部，从而使得根据脸部的N维空间坐标得到的脸部完美度评分不会随着脸部图像中脸部的姿势变化产生较大的波动，使得脸部的完美度评分更客观、更准确，具有更高的可信度。

图7示出了本发明另一实施例提供的脸部识别方法的实现流程，详述如下：

S301，获取脸部图像，确定所述脸部图像上的脸部特征的关键点。其具体过程如上所述，在此不再赘述。

S302，根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离。其具体过程如上所述，在此不再赘述。

S303，根据选定的各脸部特征组中的两个脸部特征之间的距离确定所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。其中N为大于或者等于4的整数。

其中根据选定的各脸部特征组中的两个脸部特征之间的距离确定所述脸部图像中脸部的N维空间坐标的过程具体如下：

C1，从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，其中每组距离组中包含两个距离。其具体过程如上所述，在此不再赘述。

C2，采用预设的计算规则分别对N组距离组中的两个距离进行计算，将各组距离组中两个距离的计算结果作为所述脸部图像中脸部的N维空间坐标。其中预设的计算规则可以为相除等，如针对N组距离组，获取每组距离组中的两个距离之间的比值。当然预设的计算规则还可以为其他规则，在此不做任何限定。

图8示出了本发明实施例提供的脸部识别装置的结构，为了便于说明仅示出了与本发明实施例相关的部分。

该脸部识别装置可以用于移动设备，例如智能手机、平板电脑等，也可以用于计算机等，可以是运行于这些设备内的软件单元、硬件单元或者软硬件相结合的单元，也可以作为独立的挂件集成到这些设备中或者运行于这些设备的应用系统中。

该脸部识别装置包括图像处理单元61，距离确定单元62、距离比值获取单元63以及脸部识别单元64。其中：

图像处理单元61用于获取脸部图像，确定所述脸部图像上的脸部特征的关键点。

其中脸部特征包括但不限于眼睛、鼻子、嘴巴、下巴等。其中眼睛包括左眼和右眼。鼻子可以为鼻翼或者鼻尖。其中鼻翼包括左鼻翼和右鼻翼。在本发明另一实施例中，该脸部特征还可以包括脸颊、下颌等。其中脸颊包括左脸颊、右脸颊。下颌包括左下颌、右下颌。可以理解，该脸部特征还可以为脸部的其余特征，在此不做任何限定。

其中脸部特征的关键点可以为该脸部特征中的任意一个点，如对于眼睛，可以将眼球中心点或者眼角等作为眼睛的关键点。脸部特征的关键点的位置是指用于代表该脸部特征的关键点所在的位置，在屏幕的平面坐标系中，该脸部特征的关键点的位置可以采用坐标点（x，y）来表示。

距离确定单元62用于根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离。

具体的，在确定各脸部特征之间的距离时，计算每两个脸部特征的关键点之间线段的长度，将两个脸部特征的关键点之间线段的长度作为这两个脸部特征之间的距离。

距离比值获取单元63用于从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值，其中每组距离组中包含两个距离，N为大于或者等于4的整数。

具体的，在根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离后，将每两个距离划分为一组距离组，如对于标注有10个脸部特征的关键点的脸部图像，可以确定出个距离，通过将每两个脸部特征之间的距离作为一组距离组，则可以划分出组距离组。从划分得到的所有距离组中选择N组距离组，获取选取的N组距离组中每组距离组的距离比值，其中N为大于或者等于4的整数。其中每组距离组的距离比值是指每组距离组中的两个距离的比值。

在本发明另一实施例中，该距离比值获取单元63包括距离组划分模块631、覆盖比例计算模块632以及距离组选择模块633。其中：

距离组划分模块631用于获取经过每组脸部特征组中的两个脸部特征的关键点之间的直线，分别将具有交点的两条直线所对应的距离划分为一组距离组。

具体的，将选定的每组脸部特征组中的两个脸部特征的关键点用直线连接起来，将具有交点的两条直线所对应的距离作为一组距离组。其中具有交点的两条直线所对应的距离是指具有交点的两条直线中每条直线上的两个脸部特征的关键点之间的距离。

覆盖比例计算模块632用于计算每组距离组的覆盖比例，其中所述距离组的覆盖比例是指所述距离组中的各脸部特征的关键点所围成的图形覆盖所述脸部图像中的脸部的比例。

具体的，在划分得到距离组之后，计算每组距离组的覆盖比例。其中计算距离组的覆盖比例的具体过程如下：

获取该距离组中包含的脸部的关键点，将距离组中包含的脸部的关键点首尾相连，以得到该距离组中包含的脸部的关键点所围成的图形，计算该图形的面积，并将该图形的面积与脸部图像中脸部的面积的比值作为该距离组的覆盖比例。

距离组选择模块633用于按照所述距离组的覆盖比例由大到小的顺序，从各组距离组中选择N组距离组。

具体的，可以先根据距离组的覆盖比例按照由大到小的顺序对各距离组进行排序，得到距离组序列，从距离组序列中选择前N组距离组。

在本发明另一实施例中，该距离组选择模块633还用于从所有距离组中选择覆盖比例大于预设比例阈值的距离组，从选择出的距离组中，根据每个距离组中的顶点的覆盖率按照从大到小的顺序选择N组距离组。其中距离组中的顶点的覆盖率是指该距离组包含的脸部特征关键点与所有脸部特征关键点比值。

脸部识别单元64用于将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。

图9示出了本发明另一实施例提供的脸部识别装置的结构，其在图8所示的基础上增加了欧式距离计算单元65以及美观度评分单元66。其中：

欧式距离计算单元65用于计算所述脸部图像中脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离。

其中，可以采用如下公式来计算从脸部图像中识别出的脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离：

$d=\sqrt{{(R1-{R1}^{\′})}^2+{(R2-{R2}^{\′})}^2+......+{(\mathrm{RN}-{\mathrm{RN}}^{\′})}^2}$

其中d为从脸部图像中识别出的脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离，R1’，R2’，……，RN’为完美脸部的N维空间坐标值，R1，R2，……，RN为从脸部图像中识别出的脸部的N维空间坐标值。

美观度评分单元66用于根据所述欧氏距离采用预设的美观度评分函数确定所述脸部图像中脸部的美观度评分。

其中预设的美观度评分函数为满足如下条件的函数：欧式距离越大，美观度评分越低的。如预设的美观度评分函数为高斯分布函数、三角余弦函数、线性映射函数、自然对数函数等。

在根据欧式距离采用高斯分布函数确定脸部图像中脸部的美观度评分时，可以采用如下公式：

$S=S0*e^{-\frac{d^2}{{\mathrm{\σ}}^2}}$

其中S为脸部图像中脸部的美观度评分值。S0为完美脸部的美观度评分值，一般S0的取值为100分，当然还可以为其他分值，在此不做限定。σ为高斯分布函数的标准差。其中高斯分布函数的标准差可以取经验值，如σ=0.2236。

值得注意的是，上述系统，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

在本发明实施例中，采用脸部的N维坐标作为脸部图像中脸部的识别结果，即采用脸部的N维坐标来表达脸部，而脸部的N维坐标是根据各脸部特征之间的距离比值得到的，从而利用了脸部特征之间的距离的同一缩放性，减少了脸部图像中脸部的姿势变化对脸部识别结果的干扰，使得脸部识别结果不会随着脸部图像中脸部的姿势变化而产生较大的波动，增加了脸部识别方法的鲁棒性。通过计算脸部图像中脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离，并根据所述欧氏距离采用预设的美观度评分函数确定所述脸部图像中脸部的美观度评分，从而可以得到脸部图像中脸部的完美度评分，由于脸部的N维空间坐标可以更客观、更真实的反应出脸部图像中的脸部，从而使得根据脸部的N维空间坐标得到的脸部完美度评分不会随着脸部图像中脸部的姿势变化产生较大的波动，使得脸部的完美度评分更客观、更准确，具有更高的可信度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种脸部识别方法，其特征在于，所述方法包括：

获取脸部图像；确定所述脸部图像上的脸部特征的关键点；

根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离；

从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值，其中每组距离组中包含两个距离，N为大于或者等于4的整数；

将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。

2.如权利要求1所述的方法，其特征在于，所述从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，包括：

获取经过每组脸部特征组中的两个脸部特征的关键点之间的直线，分别将具有交点的两条直线所对应的距离划分为一组距离组；

计算每组距离组的覆盖比例，其中所述距离组的覆盖比例是指所述距离组中的各脸部特征的关键点所围成的图形覆盖所述脸部图像中的脸部的比例；

按照所述距离组的覆盖比例由大到小的顺序，从各组距离组中选择N组距离组。

3.如权利要求2所述的方法，其特征在于，所述按照所述距离组的覆盖比例由大到小的顺序，从各组距离组中选择N组距离组，包括：

从所有距离组中选择覆盖比例大于预设比例阈值的距离组;

从选择出的距离组中，根据每个距离组中的顶点的覆盖率按照从大到小的顺序选择N组距离组，其中距离组中的顶点的覆盖率是指所述距离组包含的脸部特征关键点与所有脸部特征关键点比值。

4.如权利要求1至3任一权利要求所述的方法，其特征在于，在所述将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标之后，所述方法还包括：

计算所述脸部图像中脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离；

根据所述欧氏距离采用预设的美观度评分函数确定所述脸部图像中脸部的美观度评分。

5.如权利要求4所述的方法，其特征在于，所述美观度评分函数包括高斯分布函数、三角余弦函数、线性映射函数、自然对数函数中的至少一种。

6.如权利要求1至3任一权利要求所述的方法，其特征在于，所述脸部特征包括眼睛、鼻子、嘴巴、下巴。

7.一种脸部识别的方法，其特征在于，所述方法包括：

获取脸部图像，确定所述脸部图像上的脸部特征的关键点；

根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离；

根据选定的各脸部特征组中的两个脸部特征之间的距离确定所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果，N为大于或者等于4的整数。

8.如权利要求7所述的方法，其特征在于，所述根据选定的各脸部特征组中的两个脸部特征之间的距离确定所述脸部图像中脸部的N维空间坐标，具体为：

从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，其中每组距离组中包含两个距离；

采用预设的计算规则分别对N组距离组中的两个距离进行计算，将各组距离组中两个距离的计算结果作为所述脸部图像中脸部的N维空间坐标。

9.一种脸部识别装置，其特征在于，所述装置包括：

图像处理单元，用于获取脸部图像，确定所述脸部图像上的脸部特征的关键点；

距离确定单元，用于根据各脸部特征的关键点的位置确定选定的各脸部特征组中的两个脸部特征之间的距离；

距离比值获取单元，用于从选定的各脸部特征组中的两个脸部特征之间的距离中选择N组距离组，获取每组距离组的距离比值，其中每组距离组中包含两个距离，N为大于或者等于4的整数；

脸部识别单元，用于将N组距离组的距离比值作为所述脸部图像中脸部的N维空间坐标，采用所述N维空间坐标作为所述脸部图像中脸部的识别结果。

10.如权利要求9所述的装置，其特征在于，所述距离比值获取单元包括：

距离组划分模块，用于获取经过每组脸部特征组中的两个脸部特征的关键点之间的直线，分别将具有交点的两条直线所对应的距离划分为一组距离组；

覆盖比例计算模块，用于计算每组距离组的覆盖比例，其中所述距离组的覆盖比例是指所述距离组中的各脸部特征的关键点所围成的图形覆盖所述脸部图像中的脸部的比例；

距离组选择模块，用于按照所述距离组的覆盖比例由大到小的顺序，从各组距离组中选择N组距离组。

11.如权利要求10所述的装置，其特征在于，所述距离组选择模块还用于从所有距离组中选择覆盖比例大于预设比例阈值的距离组，从选择出的距离组中，根据每个距离组中的顶点的覆盖率按照从大到小的顺序选择N组距离组，其中距离组中的顶点的覆盖率是指所述距离组包含的脸部特征关键点与所有脸部特征关键点比值。

12.如权利要求9至11任一权利要求所述的装置，其特征在于，所述装置还包括：

欧式距离计算单元，用于计算所述脸部图像中脸部的N维空间坐标与完美脸部的N维空间坐标之间的欧氏距离；

美观度评分单元，用于根据所述欧氏距离采用预设的美观度评分函数确定所述脸部图像中脸部的美观度评分。

13.如权利要求12所述的装置，其特征在于，所述美观度评分函数为高斯分布函数、三角余弦函数、线性映射函数、自然对数函数中的至少一种。

14.如权利要求9至11任一权利要求所述的方法，其特征在于，所述脸部特征包括眼睛、鼻子、嘴巴、下巴。