CN105528616A - 人脸识别方法和装置 - Google Patents
人脸识别方法和装置 Download PDFInfo
- Publication number
- CN105528616A CN105528616A CN201510875482.XA CN201510875482A CN105528616A CN 105528616 A CN105528616 A CN 105528616A CN 201510875482 A CN201510875482 A CN 201510875482A CN 105528616 A CN105528616 A CN 105528616A
- Authority
- CN
- China
- Prior art keywords
- facial image
- identified
- sample
- image
- histogram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 42
- 230000001815 facial effect Effects 0.000 claims description 704
- 230000009466 transformation Effects 0.000 claims description 120
- 238000001914 filtration Methods 0.000 claims description 99
- 239000000284 extract Substances 0.000 claims description 46
- 238000010030 laminating Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 51
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002386 leaching Methods 0.000 description 2
- 238000011551 log transformation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法,该方法为:获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换、叠加、区域能量提取和进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和包含所述待识别人脸图像的纹理信息的待识别直方图;将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。本发明还公开了一种人脸识别装置。本发明降低人脸识别过程中的计算量,缩短了计算时间,提高了人脸识别的效率。
Description
技术领域
本发明涉及多媒体领域,尤其涉及一种人脸识别方法和装置。
背景技术
在人脸识别过程中,需要对人脸图像进行人脸纹理信息的提取。传统的人脸纹理信息提取方法采用的是GT(GaborTransform,Gabor变换)和LBP(LocalBinaryPattern,局部二值模式)变换进行叠加,从而提取出人脸纹理信息。具体过程为:首先将人脸图像经过Gabor滤波,再将滤波后的图像采用LBP直方图变换表示出人脸的纹理信息,则人脸图像需要经过5个尺度8个方向的变换,生成40幅滤波图像,然后再对这40幅滤波图像进行LBP变换处理,最后进行人脸识别。在使用Gabor变换和LBP变换相结合的方法提取人脸图像纹理信息对人脸进行识别的过程中,需要处理的图像的维数过高,计算量较大,人脸识别的时间长,效率低。
发明内容
本发明的主要目的在于提供一种人脸识别方法和装置,旨在解决现有技术在人脸识别过程中计算量大,计算时间长的技术问题。
为实现上述目的,本发明提供一种人脸识别方法,包括步骤:
获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;
对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;
将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;
对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;
对所述经过区域能量提取的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和包含所述待识别人脸图像的纹理信息的待识别直方图;
将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
优选地,所述将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加的公式为:
其中,所述a_max为经过环形对称Gabor变换后所得人脸图像的滤波图像中第a幅滤波图像中的像素最大值;所述a为第a幅滤波图像中每一像素点的像素值;所述255表示的是图像像素的最大值;所述uint8是将计算所得的人脸图像转化为可以输出成图像的数据格式a_temp。
优选地,所述对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像的步骤包括:
对所述经过叠加后的样本人脸图像和待识别人脸图像对应的a_temp图像分别进行归一化处理,得到归一化处理后的样本人脸图像和待识别人脸图像对应的b_temp图像,其中b_temp=a_temp/255;
根据区域能量提取公式计算经区域能量提取后的样本人脸图像和待识别人脸图像,其中区域能量提取公式为:
其中,所述i为经过叠加后的所述样本人脸图像或待识别人脸图像的中心点,且所述i的初始值为0,所述d为大于0的预设值,所述i以初始值为中心、以d为单位进行递增直至不满足递增条件,所述sum为以所述中心点为中心、宽和高的取值均为所述i的区域内所有像素的像素叠加值;
将不满足递增条件时的i值记为I,以所述中心点为中心、以I值为宽和高从经过叠加后的所述样本人脸图像或待识别人脸图像中截取图像,截取的图像作为区域能量提取后的输出图像。
优选地,所述将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像的步骤包括:
通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离;
对比所述样本直方图与所述待识别直方图之间的距离;
当所述样本直方图与所述待识别直方图之间的距离最小时,判定所述距离最小的所对应人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
优选地,所述获取人脸图像,得到样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像的步骤之后,还包括:
对所述样本人脸图像和所述待识别人脸图像进行预处理,其中,所述预处理包括灰度处理和直方图均衡化处理。
此外,为实现上述目的,本发明还提供一种人脸识别装置,所述装置包括:
获取模块,用于获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;
第一变换模块,用于对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;
叠加模块,用于将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;
提取模块,用于对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;
第二变换模块,用于对所述经过区域能量提取的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和所述待识别人脸图像的纹理信息的待识别直方图;
对比模块,用于将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
优选地,所述所述将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加的公式为:
其中,所述a_max为经过环形对称Gabor变换后所得人脸图像的滤波图像中第a幅滤波图像中的像素最大值;所述a为第a幅滤波图像中每一像素点的像素值;所述255表示的是图像像素的最大值;所述uint8是将计算所得的人脸图像转化为可以输出成图像的数据格式a_temp。
优选地,所述叠加模块包括:
归一化处理单元,用于对所述经过叠加后的样本人脸图像和待识别人脸图像对应的a_temp图像分别进行归一化处理,得到归一化处理后的样本人脸图像和待识别人脸图像对应的b_temp图像,其中b_temp=a_temp/255;
提取单元,用于根据区域能量提取公式计算经区域能量提取后的样本人脸图像和待识别人脸图像,其中区域能量提取公式为:
其中,所述i为经过叠加后的所述样本人脸图像或待识别人脸图像的中心点,且所述i的初始值为0,所述d为大于0的预设值,所述i以初始值为中心、以d为单位进行递增直至不满足递增条件,所述sum为以所述中心点为中心、宽和高的取值均为所述i的区域内所有像素的像素叠加值;
截取单元,用于将不满足递增条件时的i值记为I,以所述中心点为中心、以I值为宽和高从经过叠加后的所述样本人脸图像或待识别人脸图像中截取图像,截取的图像作为区域能量提取后的输出图像。
优选地,所述对比模块包括:
计算单元,用于通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离;
对比单元,用于对比所述样本直方图与所述待识别直方图之间的距离;
第二判定单元,用于当所述样本直方图与所述待识别直方图之间的距离最小时,判定所述距离最小的所对应人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
优选地,所述人脸识别装置还包括预处理模块,用于对所述样本人脸图像和所述待识别人脸图像进行预处理,其中,所述预处理包括灰度处理和直方图均衡化处理。
与现有技术相比,本发明通过以下步骤:获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;对所述经过区域能量提取的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和包含所述待识别人脸图像的纹理信息的待识别直方图;将所述样本直方图和所述待识别直方图进行对比,得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像;实现了通过环形对称Gabor变换和局部二值模式变换相结合的方法提取人脸图像的纹理信息,进而确定样本人脸图像中与待识别人脸图像相同的人脸图像,降低了人脸识别过程中的计算量,缩短了计算时间,提高了人脸识别的效率。
附图说明
图1为本发明人脸识别方法第一实施例的流程示意图;
图2为本发明人脸识别方法第二实施例的流程示意图;
图3为本发明实施例中对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像的一种流程示意图;
图4为本发明实施例中将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像的一种流程示意图;
图5为本发明人脸识别装置第一实施例的功能模块示意图;
图6为本发明人脸识别装置第二实施例的功能模块示意图;
图7为本发明实施例中提取模块的一种功能模块示意图;
图8为本发明实施例中对比模块的一种功能模块示意图;
图9为本发明中样本人脸图像中的人脸图像经过预处理后的人脸图像的示意图;
图10为本发明中某一人脸图像经过环形对称Gabor变换后的人脸图像示意图;
图11为本发明中某一人脸图像经过预处理后的人脸图像的示意图;
图12为图11中的人脸图像经过环形对称Gabor变换后的图像示意图;
图13为图12中对经过环形对称Gabor变换的人脸图像进行叠加和区域能量提取后的人脸图像的示意图;
图14为图12和图13中的第4幅人脸图像进行对比的示意图;
图15为图12中5幅人脸图像叠加到一起的人脸图像直方图的示意图;
图16为图9中的样本人脸图像的第8幅人脸图像是与待识别人脸图像相同的人脸图像的人脸图像直方图的示意图;
图17为本发明实施例中对经过叠加后的人脸图像进行区域能量提取的示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本发明提供一种人脸识别方法。
参照图1,图1为本发明人脸识别方法第一实施例的流程示意图。
在本实施例中,所述人脸识别方法包括:
步骤S10,获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;
终端通过摄像头获取人脸图像,所述终端获取的人脸图像包括了样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像,所述待识别人脸图像中只存在一幅人脸图像。在本实施例中,所述样本人脸图像中包括了11幅人脸图像。所述终端为了能够获取较为清晰的人脸图像,通过像素高的摄像头获取所述样本人脸图像和所述待识别人脸图像。所述终端包括但不限于智能手机和平板电脑。
步骤S20,对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;
所述终端分别对所述样本人脸图像和所述待识别人脸图像进行环形对称Gabor变换,得到经过环形对称Gabor变换的所述样本人脸图像和经过环形对称Gabor变换的所述待识别人脸图像。所述环形对称Gabor变换是5个尺度多个方向的一种小波变换,它将一幅图像变换为5个尺度多个方向上的图像。即所述终端对所述样本人脸图像和所述待识别人脸图像进行所述环形对称Gabor变换后,一幅人脸图像将会变换成5幅滤波图像。具体地,参照图10,图10为本发明中某一人脸图像经过环形对称Gabor变换后的人脸图像示意图。
步骤S30,将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;
步骤S40,对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;
步骤S50,对所述经过区域能量提取后的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和包含所述待识别人脸图像的纹理信息的待识别直方图;
所述终端对所述经过环形对称Gabor变换的样本人脸图像进行叠加处理,得到经过叠加的样本人脸图像,再对所述经过叠加的样本人脸图像进行区域能量提取,得到经过区域能量提取的样本人脸图像,然后对所述经过区域能量提取的样本人脸图像进行局部二值模式变换,得到包含所述样本人脸图像的纹理信息的样本直方图;所述终端对所述经过环形对称Gabor变换的待识别人脸图像进行叠加处理,得到经过叠加的待识别人脸图像,再对所述经过叠加的待识别人脸图像进行区域能量提取,得到经过区域能量提取的待识别人脸图像,然后对所述经过区域能量提取的待识别人脸图像进行局部二值模式变换,得到包含所述待识别人脸图像的纹理信息的待识别直方图。所述样本人脸图像和所述待识别人脸图像中的任一幅人脸图像对应着5幅直方图,即每一幅滤波图像对应着一幅直方图;所述终端对经过所述环形对称Gabor变换的所述待识别人脸图像进行局部二值模式变换,得到包含所述待识别人脸图像的纹理信息的5幅待识别直方图,对所述经过环形对称Gabor变换的每一样本人脸图像进行局部二值模式变换,得到包含所述样本人脸图像的纹理信息的5幅样本直方图。
步骤S60,将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
所述终端将所述样本直方图和所述待识别直方图进行对比,当所述终端判定所述样本直方图中的某个人脸的直方图与所述待识别直方图时,所述样本直方图中与所述待识别直方图匹配的直方图所对应的人脸图像,为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。即所述样本人脸图像中某个人脸图像的直方图与所述待识别人脸图像的直方图匹配时,所述样本人脸图像中与所述待识别人脸图像的直方图匹配的直方图所对应的人脸图像,为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
提取人脸图像的纹理信息的传统方法为GT(GaborTransform,Gabor变换)和所述局部二值模式相结合的算法,在利用所述GT进行人脸图像的纹理信息的滤波提取过程中,首先将所述人脸图像经过所述GT变换,得到滤波后的人脸图像,所述GT变换是针对5个尺度8个方向的变换,即生成40幅滤波图像,然后再对所述40幅滤波图像进行所述局部二值模式变换,最后进行人脸图像的识别。该方法计算复杂度过高,且计算时间过长,导致视频的读取分析时间长,效率低。而本实施例是通过将所述环形对称Gabor变换和所述局部二值模式变换相结合的算法提取人脸图像的纹理信息,所述人脸图像经过所述环形对称Gabor变换后生成5幅滤波图像进行叠加,重组成新的5幅滤波图像,然后对重组后的滤波图像进行区域能量提取,以提取出最能描述所述人脸图像的纹理信息的图像,再对所述纹理图像信息进行所述局部二值模式变换。相对于采用所述GT和所述局部二值模式相结合的人脸识别算法,只需要计算5幅滤波图像,相对比计算40幅滤波图像,降低了计算量,减少了计算时间。
本实施例通过对样本人脸图像和待识别人脸图像进行环形对称Gabor变换、叠加、区域能量提取和局部二值模式变换,得到所述样本直方图和所述待识别直方图,并将所述样本直方图与所述待识别直方图进行对比,得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。实现了通过环形对称Gabor变换和局部二值模式变换相结合的方法提取人脸图像的直方图,进而确定样本人脸图像中与待识别人脸图像相同的人脸图像,降低了人脸识别过程中的计算量,缩短了计算时间,提高了人脸识别的效率。
参照图2,图2为本发明人脸识别方法第二实施例的流程示意图,基于本发明的第一实施例提出本发明人脸识别方法的第二实施例。
在本实施例中,所述人脸识别方法还包括:
步骤S70,对所述样本人脸图像和所述待识别人脸图像进行预处理,其中,所述预处理包括灰度处理和直方图均衡化处理。
当所述终端获取所述样本人脸图像和所述待识别人脸图像时,对所述样本人脸图像和所述待识别人脸图像进行预处理,其中所述预处理包括灰度处理和直方图均衡化处理。具体地,参照图9和图11,图9为本发明中样本人脸图像中的所有人脸图像经过预处理后的人脸图像的示意图,图11为本发明中某一人脸图像经过预处理后的人脸图像的示意图。其中,图9中的样本人脸图像一共包括了11幅人脸图像,图11表示对样本人脸图像中的第8幅人脸图像进行预处理后的人脸图像的示意图。当所述待识别人脸图像与所述样本人脸图像中的第8幅人脸图像相同时,所述图11也表示对所述待识别人脸图像进行预处理后的人脸图像的示意图。
对所述样本人脸图像和所述待识别人脸图像进行灰度变换;
所述终端对所述样本人脸图像和所述待识别人脸图像进行灰度变换,对应得到所述样本人脸图像和所述待识别人脸图像中进行灰度变换后的人脸图像。所述灰度变换又称为灰度拉伸和对比度拉伸,它是最基本的一种点操作,根据原始图像中每个像素的灰度值,按照某种映射规则,将其变换为另一种灰度值,通过对原始图像中每个像素赋一个新的灰度值来达到增强图像的目的。
对所述灰度变换后的人脸图像进行人脸图像直方图的均衡化处理。
所述终端对所述灰度变换后的人脸图像进行人脸图像直方图的均衡化处理,对应得到所述样本人脸图像和所述待识别人脸图像进行直方图均衡化处理的人脸图像,即对应得到预处理后的人脸图像。所述人脸图像直方图的均衡化的步骤为:①统计所述灰度变换后的人脸图像直方图;②根据统计出的人脸图像直方图采用累积分布函数做变换,求得变换后的新灰度;③用所述新灰度代替旧灰度,这一步是近似的过程,应根据合理的目的尽量做到合理,同时把灰度值相等或近似的合并在一起。
进一步地,所述终端分别对所述样本人脸图像和所述待识别人脸图像进行中值滤波,所述中值滤波是把局部区域的像素按灰度等级进行排序,取该领域中灰度的中值作为当前像素的灰度值。所述中值滤波的步骤为:①将滤波模板在图像中漫游,并将模板中心与图中某个像素位置重合;②读取模板中各对应像素的灰度值;③将这些灰度值从小到大排列;④取这一列数据的中间数据赋给对应模板中心位置的像素。所述终端对所述样本帧中的人脸图像和待分类帧中的人脸图像进行同态滤波。所述同态滤波是将图像乘积形式的亮度模型(非可加性)变成可加形式,以便进行滤波增强处理。所述同态滤波的步骤为:①对亮度函数两边作对数变换,再取傅氏变换;②通过统一滤波器;③对滤波器的输出取傅氏反变换,再取指数变换。选取合适的滤波器,可以适当压缩照度分量的动态范围,同时适当提升反射度分量,可以改善图像对比度,突出物体轮廓。
本实施例通过对获取的样本人脸图像和待识别人脸图像进行灰度变换和直方图均衡化等处理,使所获取的样本人脸图像和待识别人脸图像不受光照和肤色等因素的影响,提高了人脸识别的准确率。
具体的,图1和图2所示实施例中,当所述终端对所述样本人脸图像和所述待识别人脸图像进行所述环形对称Gabor变换后,得到经过所述环形对称Gabor变换后的所述样本人脸图像的滤波图像,和经过所述环形对称Gabor变换后的所述待识别人脸图像的滤波图像。其中,每一幅人脸图像在经过所述环形对称Gabor变换后,会生成对应的5幅滤波图像。所述终端分别对所述样本人脸图像中每一人脸图像的滤波图像和所述待识别人脸图像的滤波图像进行叠加,对应得到经过叠加后的滤波图像,即将所述样本人脸图像中每一人脸图像的5幅滤波图像重组成新的5幅滤波图像,将所述待识别人脸图像的5幅滤波图像重组成新的5幅滤波图像,得到经过叠加后的样本人脸图像和待识别人脸图像。所述终端对经过所述环形对称Gabor变换的所述样本人脸图像进行叠加,和对经过所述环形对称Gabor变换的所述待识别人脸图像进行叠加,所述叠加过程的公式为:
其中,所述a_max为经过环形对称Gabor变换后所得人脸图像的滤波图像中第a幅滤波图像中的像素最大值;所述a为第a幅滤波图像中每一像素点的像素值;所述255表示的是图像像素的最大值;所述uint8是将计算所得的人脸图像转化为可以输出成图像的数据格式a_temp。如:所述终端需要进行叠加的人脸图像为test,其大小为w*h,所述test经过环形对称Gabor变换后,得到的某一滤波图像为A,则所述A的大小也为w*h,且每幅人脸图像经过环形对称Gabor变换后,会得到5幅滤波图像,5幅滤波图像的大小都为w*h。所述a为这5幅滤波图像中其中一幅滤波图像,a_max为a滤波图像中像素最大值,则a_test=a/a_max表示将所述a滤波图像中每一像素点的像素值都与像素最大值相除,得到的a_test的大小同样为w*h,最后得到a_temp=uint8(a_test*255)。所述终端对人脸图像经过所述CSGT变换后所得的5幅滤波图像的叠加处理的过程是类似的,因此,在本实施例中只对一幅滤波图像的叠加过程进行说明。具体地,参照图12,所述图12为图11中的人脸图像经过环形对称Gabor变换后的图像示意图,即所述图12为所述样本人脸图像中的第8幅人脸图像经过环形对称Gabor变换后的图像示意图,当所述待识别人脸图像与所述样本人脸图像中的第8幅人脸图像相同时,所述图12也可以表示所述待识别人脸图像经过环形对称Gabor变换后的图像示意图。
参照图3,图3为本发明实施例中对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像的一种流程示意图。
在本实施例中,所述步骤S40包括:
步骤S41,对所述经过叠加后的样本人脸图像和待识别人脸图像对应的a_temp图像分别进行归一化处理,得到归一化处理后的样本人脸图像和待识别人脸图像对应的b_temp图像,其中b_temp=a_temp/255;
步骤S42,根据区域能量提取公式计算经区域能量提取后的样本人脸图像和待识别人脸图像,其中区域能量提取公式为:
其中,所述i为经过叠加后的所述样本人脸图像或待识别人脸图像的中心点,且所述i的初始值为0,所述d为大于0的预设值,所述i以初始值为中心、以d为单位进行递增直至不满足递增条件,递增条件为:
其中所述sum为以所述中心点为中心、宽和高的取值均为所述i的区域内所有像素的像素叠加值,0.9是一个设置值,还可以设置为0.8、0.85、0.95等数值,经该递增条件进行的能量提取表示提取90%的能量,在此时能够提取出最能描述第a幅滤波图片中人脸图像的纹理信息;同理当设置为0.95时,表示提取95%的能量,依此类推。
步骤S43,将不满足递增条件时的i值记为I,以所述中心点为中心、以I值为宽和高从经过叠加后的所述样本人脸图像或待识别人脸图像中截取图像,截取的图像作为区域能量提取后的输出图像。
所述终端对所述经过叠加的待识别人脸图像进行区域能量提取的过程和对所述经过叠加的样本人脸图像进行区域能量提取的过程一致,在此不再赘述。具体地,参照图17,图17为本发明实施例中对经过叠加后的人脸图像进行区域能量提取的示意图。由所述图17可知,I点为所述b_temp图像的中心点,所述I的初始值为0,当sum/10小于或等于0.9时,以所述b_temp图像的中心点作为待截取图像的中心点,将所要截取的图像区域的宽和高都扩大10个单位,即i=i+10,其中,所述sum为以所述中心点为中心、宽和高的取值均为i的区域内所有像素点对应像素值的叠加。在所述图17中,C为I扩大后的图像区域;当sum/10大于0.9时,则以所述b_temp图像的中心点为中心进行图像截取,截取所得的b_temp图像的宽和高为I,I为不满足递增条件时的i的取值,即图17中的C为所需截取的图像的大小,其宽和高的大小都为I,截取所得的图像即为经过区域能量提取的人脸图像,最终得到经过区域能量提取的人脸图像为test_end=uint8(I*255)。
具体地,参照图13和14,所述图13为图12中对经过环形对称Gabor变换的人脸图像进行叠加和区域能量提取后的人脸图像的示意图。即所述图13表示对经过所述环形对称Gabor变换的所述样本人脸图像的第8幅人脸图像进行叠加和区域能量提取后的人脸图像的示意图,也可以表示对经过所述环形对称Gabor变换待识别人脸图像进行叠加和区域能量提取后的人脸图像的示意图。所述图14为图12和图13中的第4幅人脸图像进行对比的示意图,由所述图14中的标注可知,在经过叠加和区域能量提取后的人脸图像更加清晰,更有利于人脸图像的纹理信息的提取。具体地,参照图15,图15为图12中5幅人脸图像叠加到一起的人脸图像直方图的示意图,所述图15表示将经过所述环形对称Gabor变换所得的5幅滤波图像进行所述局部二值模式变换后,所得的5幅人脸图像直方图叠加到一起的示意图。
参照图4,图4为本发明实施例中将所述样本直方图和所述待识别直方图进行对比,得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像的一种流程示意图。
在本实施例中,所述步骤S60包括:
步骤S61,通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离;
所述终端通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离。其中,所述欧氏距离公式也称欧几里得距离公式,它是在m维空间中两个点之间的真实距离。在二维空间中,所述欧氏距离公式为:
其中,(xi,yi)为待识别直方图中人脸图像的位置坐标,(xj,yj)为样本直方图中第j个人脸图像的位置坐标,Di,j为所述样本直方图与所述待识别直方图之间的距离。
步骤S62,对比所述样本直方图与所述待识别直方图之间的距离;
步骤S63,当所述样本直方图与所述待识别直方图之间的距离最小时,判定所述距离最小的所对应人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
所述终端对比所述样本人脸图像中所有人脸图像的直方图与所述待识别直方图之间的距离,当所述样本人脸图像中的某个人脸图像的直方图与所述待识别直方图之间的距离在所计算得到的距离中最小时,所述终端判定所述距离最小的人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。具体地,参照图16,图16为图9中的样本人脸图像的第8幅人脸图像是与待识别人脸图像相同的人脸图像的人脸图像直方图的示意图,在所述图16中可知,所述横坐标为8时,纵坐标的值最大,表示所述待识别人脸图像与所述样本人脸图像中的第8幅人脸图像的相似度最高,即所述样本人脸图像的第8幅人脸图像的直方图与所述待识别直方图之间的距离最小,即所述图16表示所述样本人脸图像中第8幅人脸图像与所述待识别人脸图像相同的示意图。
本发明进一步提供一种人脸识别装置。
参照图5,图5为本发明人脸识别装置第一实施例的功能模块示意图。
在本实施例中,所述人脸识别装置包括:
获取模块10,用于获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;
终端通过摄像头获取人脸图像,所述终端获取的人脸图像包括了样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像,所述待识别人脸图像中只存在一幅人脸图像。在本实施例中,所述样本人脸图像中包括了11幅人脸图像。所述终端为了能够获取较为清晰的人脸图像,通过像素高的摄像头获取所述样本人脸图像和所述待识别人脸图像。所述终端包括但不限于智能手机和平板电脑。
第一变换模块20,用于对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;
所述终端分别对所述样本人脸图像和所述待识别人脸图像进行环形对称Gabor变换,得到经过环形对称Gabor变换的所述样本人脸图像和经过环形对称Gabor变换的所述待识别人脸图像。所述环形对称Gabor变换是5个尺度多个方向的一种小波变换,它将一幅图像变换为5个尺度多个方向上的图像。即所述终端对所述样本人脸图像和所述待识别人脸图像进行所述环形对称Gabor变换后,一幅人脸图像将会变换成5幅滤波图像。具体地,参照图10,图10为本发明中某一人脸图像经过环形对称Gabor变换后的人脸图像示意图。
叠加模块30,用于将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;
提取模块40,用于对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;
第二变换模块50,用于对所述经过区域能量提取后的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和包含所述待识别人脸图像的纹理信息的待识别直方图;
所述终端对所述经过环形对称Gabor变换的样本人脸图像进行叠加处理,得到经过叠加的样本人脸图像,再对所述经过叠加的样本人脸图像进行区域能量提取,得到经过区域能量提取的样本人脸图像,然后对所述经过区域能量提取的样本人脸图像进行局部二值模式变换,得到包含所述样本人脸图像的纹理信息的样本直方图;所述终端对所述经过环形对称Gabor变换的待识别人脸图像进行叠加处理,得到经过叠加的待识别人脸图像,再对所述经过叠加的待识别人脸图像进行区域能量提取,得到经过区域能量提取的待识别人脸图像,然后对所述经过区域能量提取的待识别人脸图像进行局部二值模式变换,得到包含所述待识别人脸图像的纹理信息的待识别直方图。所述样本人脸图像和所述待识别人脸图像中的任一幅人脸图像对应着5幅直方图,即每一幅滤波图像对应着一幅直方图;所述终端对经过所述环形对称Gabor变换的所述待识别人脸图像进行局部二值模式变换,得到包含所述待识别人脸图像的纹理信息的5幅待识别直方图,对所述经过环形对称Gabor变换的每一样本人脸图像进行局部二值模式变换,得到包含所述样本人脸图像的纹理信息的5幅样本直方图。
对比模块60,用于将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
所述终端将所述样本直方图和所述待识别直方图进行对比,当所述终端判定所述样本直方图中的某个人脸的直方图与所述待识别直方图时,所述样本直方图中与所述待识别直方图匹配的直方图所对应的人脸图像,为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。即所述样本人脸图像中某个人脸图像的直方图与所述待识别人脸图像的直方图匹配时,所述样本人脸图像中与所述待识别人脸图像的直方图匹配的直方图所对应的人脸图像,为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
提取人脸图像的纹理信息的传统方法为GT(GaborTransform,Gabor变换)和所述局部二值模式相结合的算法,在利用所述GT进行人脸图像的纹理信息的滤波提取过程中,首先将所述人脸图像经过所述GT变换,得到滤波后的人脸图像,所述GT变换是针对5个尺度8个方向的变换,即生成40幅滤波图像,然后再对所述40幅滤波图像进行所述局部二值模式变换,最后进行人脸图像的识别。该方法计算复杂度过高,且计算时间过长,导致视频的读取分析时间长,效率低。而本实施例是通过将所述环形对称Gabor变换和所述局部二值模式变换相结合的算法提取人脸图像的纹理信息,所述人脸图像经过所述环形对称Gabor变换后生成5幅滤波图像进行叠加,重组成新的5幅滤波图像,然后对重组后的滤波图像进行区域能量提取,以提取出最能描述所述人脸图像的纹理信息的图像,再对所述纹理图像信息进行所述局部二值模式变换。相对于采用所述GT和所述局部二值模式相结合的人脸识别算法,只需要计算5幅滤波图像,相对比计算40幅滤波图像,降低了计算量,减少了计算时间。
本实施例通过对样本人脸图像和待识别人脸图像进行环形对称Gabor变换、叠加、区域能量提取和局部二值模式变换,得到所述样本直方图和所述待识别直方图,并将所述样本直方图与所述待识别直方图进行对比,得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。实现了通过环形对称Gabor变换和局部二值模式变换相结合的方法提取人脸图像的直方图,进而确定样本人脸图像中与待识别人脸图像相同的人脸图像,降低了人脸识别过程中的计算量,缩短了计算时间,提高了人脸识别的效率。
参照图6,图6为本发明人脸识别装置第二实施例的功能模块示意图,基于本发明的第一实施例提出本发明人脸识别装置的第二实施例。
在本实施例中,所述人脸识别装置还包括:
预处理模块70,用于对所述样本人脸图像和所述待识别人脸图像进行预处理,其中,所述预处理包括灰度处理和直方图均衡化处理。
当所述终端获取所述样本人脸图像和所述待识别人脸图像时,对所述样本人脸图像和所述待识别人脸图像进行预处理,其中所述预处理包括灰度处理和直方图均衡化处理。具体地,参照图9和图11,图9为本发明中样本人脸图像中的所有人脸图像经过预处理后的人脸图像的示意图,图11为本发明中某一人脸图像经过预处理后的人脸图像的示意图。其中,图9中的样本人脸图像一共包括了11幅人脸图像,图11表示对样本人脸图像中的第8幅人脸图像进行预处理后的人脸图像的示意图。当所述待识别人脸图像与所述样本人脸图像中的第8幅人脸图像相同时,所述图11也表示对所述待识别人脸图像进行预处理后的人脸图像的示意图。
对所述样本人脸图像和所述待识别人脸图像进行灰度变换;
所述终端对所述样本人脸图像和所述待识别人脸图像进行灰度变换,对应得到所述样本人脸图像和所述待识别人脸图像中进行灰度变换后的人脸图像。所述灰度变换又称为灰度拉伸和对比度拉伸,它是最基本的一种点操作,根据原始图像中每个像素的灰度值,按照某种映射规则,将其变换为另一种灰度值,通过对原始图像中每个像素赋一个新的灰度值来达到增强图像的目的。
对所述灰度变换后的人脸图像进行人脸图像直方图的均衡化处理。
所述终端对所述灰度变换后的人脸图像进行人脸图像直方图的均衡化处理,对应得到所述样本人脸图像和所述待识别人脸图像进行直方图均衡化处理的人脸图像,即对应得到预处理后的人脸图像。所述人脸图像直方图的均衡化的步骤为:①统计所述灰度变换后的人脸图像直方图;②根据统计出的人脸图像直方图采用累积分布函数做变换,求得变换后的新灰度;③用所述新灰度代替旧灰度,这一步是近似的过程,应根据合理的目的尽量做到合理,同时把灰度值相等或近似的合并在一起。
进一步地,所述终端分别对所述样本人脸图像和所述待识别人脸图像进行中值滤波,所述中值滤波是把局部区域的像素按灰度等级进行排序,取该领域中灰度的中值作为当前像素的灰度值。所述中值滤波的步骤为:①将滤波模板在图像中漫游,并将模板中心与图中某个像素位置重合;②读取模板中各对应像素的灰度值;③将这些灰度值从小到大排列;④取这一列数据的中间数据赋给对应模板中心位置的像素。所述终端对所述样本帧中的人脸图像和待分类帧中的人脸图像进行同态滤波。所述同态滤波是将图像乘积形式的亮度模型(非可加性)变成可加形式,以便进行滤波增强处理。所述同态滤波的步骤为:①对亮度函数两边作对数变换,再取傅氏变换;②通过统一滤波器;③对滤波器的输出取傅氏反变换,再取指数变换。选取合适的滤波器,可以适当压缩照度分量的动态范围,同时适当提升反射度分量,可以改善图像对比度,突出物体轮廓。
本实施例通过对获取的样本人脸图像和待识别人脸图像进行灰度变换和直方图均衡化等处理,使所获取的样本人脸图像和待识别人脸图像不受光照和肤色等因素的影响,提高了人脸识别的准确率。
具体的,图1和图2所示实施例中,当所述终端对所述样本人脸图像和所述待识别人脸图像进行所述环形对称Gabor变换后,得到经过所述环形对称Gabor变换后的所述样本人脸图像的滤波图像,和经过所述环形对称Gabor变换后的所述待识别人脸图像的滤波图像。其中,每一幅人脸图像在经过所述环形对称Gabor变换后,会生成对应的5幅滤波图像。所述终端分别对所述样本人脸图像中每一人脸图像的滤波图像和所述待识别人脸图像的滤波图像进行叠加,对应得到经过叠加后的滤波图像,即将所述样本人脸图像中每一人脸图像的5幅滤波图像重组成新的5幅滤波图像,将所述待识别人脸图像的5幅滤波图像重组成新的5幅滤波图像,得到经过叠加后的样本人脸图像和待识别人脸图像。所述终端对经过所述环形对称Gabor变换的所述样本人脸图像进行叠加,和对经过所述环形对称Gabor变换的所述待识别人脸图像进行叠加,所述叠加过程的公式为:
其中,所述a_max为经过环形对称Gabor变换后所得人脸图像的滤波图像中第a幅滤波图像中的像素最大值;所述a为第a幅滤波图像中每一像素点的像素值;所述255表示的是图像像素的最大值;所述uint8是将计算所得的人脸图像转化为可以输出成图像的数据格式a_temp。如:所述终端需要进行叠加的人脸图像为test,其大小为w*h,所述test经过环形对称Gabor变换后,得到的某一滤波图像为A,则所述A的大小也为w*h,且每幅人脸图像经过环形对称Gabor变换后,会得到5幅滤波图像,5幅滤波图像的大小都为w*h。所述a为这5幅滤波图像中其中一幅滤波图像,a_max为a滤波图像中像素最大值,则a_test=a/a_max表示将所述a滤波图像中每一像素点的像素值都与像素最大值相除,得到的a_test的大小同样为w*h,最后得到a_temp=uint8(a_test*255)。所述终端对人脸图像经过所述CSGT变换后所得的5幅滤波图像的叠加处理的过程是类似的,因此,在本实施例中只对一幅滤波图像的叠加过程进行说明。具体地,参照图12,所述图12为图11中的人脸图像经过环形对称Gabor变换后的图像示意图,即所述图12为所述样本人脸图像中的第8幅人脸图像经过环形对称Gabor变换后的图像示意图,当所述待识别人脸图像与所述样本人脸图像中的第8幅人脸图像相同时,所述图12也可以表示所述待识别人脸图像经过环形对称Gabor变换后的图像示意图。
参照图7,图7为本发明实施例中叠加模块的一种功能模块示意图。
在本实施例中,所述叠加模块40包括:
归一化处理单元41,用于对所述经过叠加后的样本人脸图像和待识别人脸图像对应的a_temp图像分别进行归一化处理,得到归一化处理后的样本人脸图像和待识别人脸图像对应的b_temp图像,其中b_temp=a_temp/255;
提取单元42,用于根据区域能量提取公式计算经区域能量提取后的样本人脸图像和待识别人脸图像,其中区域能量提取公式为:
其中,所述i为经过叠加后的所述样本人脸图像或待识别人脸图像的中心点,且所述i的初始值为0,所述d为大于0的预设值,所述i以初始值为中心、以d为单位进行递增直至不满足递增条件,递增条件为:
其中所述sum为以所述中心点为中心、宽和高的取值均为所述i的区域内所有像素的像素叠加值,0.9是一个设置值,还可以设置为0.8、0.85、0.95等数值,经该递增条件进行的能量提取表示提取90%的能量,在此时能够提取出最能描述第a幅滤波图片中人脸图像的纹理信息;同理当设置为0.95时,表示提取95%的能量,依此类推;
截取单元43,用于将不满足递增条件时的i值记为I,以所述中心点为中心、以I值为宽和高从经过叠加后的所述样本人脸图像或待识别人脸图像中截取图像,截取的图像作为区域能量提取后的输出图像;
所述终端对所述经过叠加的待识别人脸图像进行区域能量提取的过程和对所述经过叠加的样本人脸图像进行区域能量提取的过程一致,在此不再赘述。具体地,参照图17,图17为本发明实施例中对经过叠加后的人脸图像进行区域能量提取的示意图。由所述图17可知,I点为所述b_temp图像的中心点,所述I的初始值为0,当sum/10小于或等于0.9时,以所述b_temp图像的中心点作为待截取图像的中心点,将所要截取的图像区域的宽和高都扩大10个单位,即i=i+10,其中,所述sum为以所述中心点为中心、宽和高的取值均为i的区域内所有像素点对应像素值的叠加。在所述图17中,C为I扩大后的图像区域;当sum/10大于0.9时,则以所述b_temp图像的中心点为中心进行图像截取,截取所得的b_temp图像的宽和高为I,I为不满足递增条件时的i的取值,即图17中的C为所需截取的图像的大小,其宽和高的大小都为I,截取所得的图像即为经过区域能量提取的人脸图像,最终得到经过区域能量提取的人脸图像为test_end=uint8(I*255)。
具体地,参照图13和14,所述图13为图12中对经过环形对称Gabor变换的人脸图像进行叠加和区域能量提取后的人脸图像的示意图。即所述图13表示对经过所述环形对称Gabor变换的所述样本人脸图像的第8幅人脸图像进行叠加和区域能量提取后的人脸图像的示意图,也可以表示对经过所述环形对称Gabor变换待识别人脸图像进行叠加和区域能量提取后的人脸图像的示意图。所述图14为图12和图13中的第4幅人脸图像进行对比的示意图,由所述图14中的标注可知,在经过叠加和区域能量提取后的人脸图像更加清晰,更有利于人脸图像的纹理信息的提取。具体地,参照图15,图15为图12中5幅人脸图像叠加到一起的人脸图像直方图的示意图,所述图15表示将经过所述环形对称Gabor变换所得的5幅滤波图像进行所述局部二值模式变换后,所得的5幅人脸图像直方图叠加到一起的示意图。
参照图8,图8为本发明实施例中对比模块的一种功能模块示意图。
在本实施例中,所述对比模块60包括:
计算单元61,用于通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离;
所述终端通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离。其中,所述欧氏距离公式也称欧几里得距离公式,它是在m维空间中两个点之间的真实距离。在二维空间中,所述欧氏距离公式为:
其中,(xi,yi)为待识别直方图中人脸图像的位置坐标,(xj,yj)为样本直方图中第j个人脸图像的位置坐标,Di,j为所述样本直方图与所述待识别直方图之间的距离。
对比单元62,用于对比所述样本直方图与所述待识别直方图之间的距离;
第二判定单元63,用于当所述样本直方图与所述待识别直方图之间的距离最小时,判定所述距离最小的所对应人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
所述终端对比所述样本人脸图像中所有人脸图像的直方图与所述待识别直方图之间的距离,当所述样本人脸图像中的某个人脸图像的直方图与所述待识别直方图之间的距离在所计算得到的距离中最小时,所述终端判定所述距离最小的人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。具体地,参照图16,图16为图9中的样本人脸图像的第8幅人脸图像是与待识别人脸图像相同的人脸图像的人脸图像直方图的示意图,在所述图16中可知,所述横坐标为8时,纵坐标的值最大,表示所述待识别人脸图像与所述样本人脸图像中的第8幅人脸图像的相似度最高,即所述样本人脸图像的第8幅人脸图像的直方图与所述待识别直方图之间的距离最小,即所述图16表示所述样本人脸图像中第8幅人脸图像与所述待识别人脸图像相同的示意图。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种人脸识别方法,其特征在于,所述人脸识别方法包括以下步骤:
获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;
对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;
将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;
对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;
对所述经过区域能量提取的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和包含所述待识别人脸图像的纹理信息的待识别直方图;
将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
2.如权利要求1所述的人脸识别方法,其特征在于,所述将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加的公式为:
其中,所述a_max为经过环形对称Gabor变换后所得人脸图像的滤波图像中第a幅滤波图像中的像素最大值;所述a为第a幅滤波图像中每一像素点的像素值;所述255表示的是图像像素的最大值;所述uint8是将计算所得的人脸图像转化为可以输出成图像的数据格式a_temp。
3.如权利要求1所述的的人脸识别方法,其特征在于,所述对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像的步骤包括:
对所述经过叠加后的样本人脸图像和待识别人脸图像对应的a_temp图像分别进行归一化处理,得到归一化处理后的样本人脸图像和待识别人脸图像对应的b_temp图像,其中b_temp=a_temp/255;
根据区域能量提取公式计算经区域能量提取后的样本人脸图像和待识别人脸图像,其中区域能量提取公式为:
其中,所述i为经过叠加后的所述样本人脸图像或待识别人脸图像的中心点,且所述i的初始值为0,所述d为大于0的预设值,所述i以初始值为中心、以d为单位进行递增直至不满足递增条件,所述sum为以所述中心点为中心、宽和高的取值均为所述i的区域内所有像素的像素叠加值;
将不满足递增条件时的i值记为I,以所述中心点为中心、以I值为宽和高从经过叠加后的所述样本人脸图像或待识别人脸图像中截取图像,截取的图像作为区域能量提取后的输出图像。
4.如权利要求1所述的人脸识别方法,其特征在于,所述将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像的步骤包括:
通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离;
对比所述样本直方图与所述待识别直方图之间的距离;
当所述样本直方图与所述待识别直方图之间的距离最小时,判定所述距离最小的所对应人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
5.如权利要求1至4任一项所述的人脸识别方法,其特征在于,所述获取人脸图像,得到样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像的步骤之后,还包括:
对所述样本人脸图像和所述待识别人脸图像进行预处理,其中,所述预处理包括灰度处理和直方图均衡化处理。
6.一种人脸识别装置,其特征在于,所述人脸识别装置包括:
获取模块,用于获取样本人脸图像和待识别人脸图像,其中,所述样本人脸图像中存在至少两幅人脸图像;
第一变换模块,用于对所述样本人脸图像和所述待识别人脸图像分别进行环形对称Gabor变换,对应得到经过环形对称Gabor变换的样本人脸图像和待识别人脸图像;
叠加模块,用于将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加,对应得到经过叠加的样本人脸图像和待识别人脸图像;
提取模块,用于对所述经过叠加的样本人脸图像和待识别人脸图像分别进行区域能量提取,对应得到经过区域能量提取的样本人脸图像和待识别人脸图像;
第二变换模块,用于对所述经过区域能量提取的样本人脸图像和待识别人脸图像分别进行局部二值模式变换,对应得到包含所述样本人脸图像的纹理信息的样本直方图和所述待识别人脸图像的纹理信息的待识别直方图;
对比模块,用于将所述样本直方图和所述待识别直方图进行对比,以得到所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
7.如权利要求6所述的人脸识别装置,其特征在于,所述将所述经过环形对称Gabor变换的样本人脸图像和待识别人脸图像分别进行叠加的公式为:
其中,所述a_max为经过环形对称Gabor变换后所得人脸图像的滤波图像中第a幅滤波图像中的像素最大值;所述a为第a幅滤波图像中每一像素点的像素值;所述255表示的是图像像素的最大值;所述uint8是将计算所得的人脸图像转化为可以输出成图像的数据格式a_temp。
8.如权利要求6所述的人脸识别装置,其特征在于,所述提取模块包括:
归一化处理单元,用于对所述经过叠加后的样本人脸图像和待识别人脸图像对应的a_temp图像分别进行归一化处理,得到归一化处理后的样本人脸图像和待识别人脸图像对应的b_temp图像,其中b_temp=a_temp/255;
提取单元,用于根据区域能量提取公式计算经区域能量提取后的样本人脸图像和待识别人脸图像,其中区域能量提取公式为:
其中,所述i为经过叠加后的所述样本人脸图像或待识别人脸图像的中心点,且所述i的初始值为0,所述d为大于0的预设值,所述i以初始值为中心、以d为单位进行递增直至不满足递增条件,所述sum为以所述中心点为中心、宽和高的取值均为所述i的区域内所有像素的像素叠加值;
截取单元,用于将不满足递增条件时的i值记为I,以所述中心点为中心、以I值为宽和高从经过叠加后的所述样本人脸图像或待识别人脸图像中截取图像,截取的图像作为区域能量提取后的输出图像。
9.如权利要求6所述的人脸识别装置,其特征在于,所述对比模块包括:
计算单元,用于通过欧氏距离公式计算所述样本直方图与所述待识别直方图之间的距离;
对比单元,用于对比所述样本直方图与所述待识别直方图之间的距离;
第二判定单元,用于当所述样本直方图与所述待识别直方图之间的距离最小时,判定所述距离最小的所对应人脸图像为所述样本人脸图像中与所述待识别人脸图像相同的人脸图像。
10.如权利要求6至9任一项所述的人脸识别装置,其特征在于,所述人脸识别装置还包括预处理模块,用于对所述样本人脸图像和所述待识别人脸图像进行预处理,其中,所述预处理包括灰度处理和直方图均衡化处理。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510875482.XA CN105528616B (zh) | 2015-12-02 | 2015-12-02 | 人脸识别方法和装置 |
PCT/CN2016/084618 WO2017092272A1 (zh) | 2015-12-02 | 2016-06-03 | 人脸识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510875482.XA CN105528616B (zh) | 2015-12-02 | 2015-12-02 | 人脸识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528616A true CN105528616A (zh) | 2016-04-27 |
CN105528616B CN105528616B (zh) | 2019-03-12 |
Family
ID=55770830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510875482.XA Active CN105528616B (zh) | 2015-12-02 | 2015-12-02 | 人脸识别方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105528616B (zh) |
WO (1) | WO2017092272A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956554A (zh) * | 2016-04-29 | 2016-09-21 | 广西科技大学 | 一种人脸识别方法 |
CN106384406A (zh) * | 2016-08-26 | 2017-02-08 | 合肥若涵信智能工程有限公司 | 带保护装置的互联网安防系统 |
WO2017092272A1 (zh) * | 2015-12-02 | 2017-06-08 | 深圳Tcl新技术有限公司 | 人脸识别方法和装置 |
CN110309838A (zh) * | 2019-07-08 | 2019-10-08 | 上海天诚比集科技有限公司 | 基于指数变换的视频检测区物体轮廓检测预处理方法 |
CN110782419A (zh) * | 2019-10-18 | 2020-02-11 | 杭州趣维科技有限公司 | 一种基于图形处理器的三维人脸融合方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101089874A (zh) * | 2006-06-12 | 2007-12-19 | 华为技术有限公司 | 一种远程人脸图像的身份识别方法 |
CN102306290A (zh) * | 2011-10-14 | 2012-01-04 | 刘伟华 | 一种基于视频的人脸跟踪识别技术 |
US20130163829A1 (en) * | 2011-12-21 | 2013-06-27 | Electronics And Telecommunications Research Institute | System for recognizing disguised face using gabor feature and svm classifier and method thereof |
CN103729625A (zh) * | 2013-12-31 | 2014-04-16 | 青岛高校信息产业有限公司 | 一种人脸识别的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
CN102750523B (zh) * | 2012-06-19 | 2016-04-06 | Tcl集团股份有限公司 | 一种人脸识别的方法及装置 |
CN102819731A (zh) * | 2012-07-23 | 2012-12-12 | 常州蓝城信息科技有限公司 | 基于Gabor特征和Fisherface的人脸识别 |
CN105426829B (zh) * | 2015-11-10 | 2018-11-16 | 深圳Tcl新技术有限公司 | 基于人脸图像的视频分类方法和装置 |
CN105528616B (zh) * | 2015-12-02 | 2019-03-12 | 深圳Tcl新技术有限公司 | 人脸识别方法和装置 |
-
2015
- 2015-12-02 CN CN201510875482.XA patent/CN105528616B/zh active Active
-
2016
- 2016-06-03 WO PCT/CN2016/084618 patent/WO2017092272A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101089874A (zh) * | 2006-06-12 | 2007-12-19 | 华为技术有限公司 | 一种远程人脸图像的身份识别方法 |
CN102306290A (zh) * | 2011-10-14 | 2012-01-04 | 刘伟华 | 一种基于视频的人脸跟踪识别技术 |
US20130163829A1 (en) * | 2011-12-21 | 2013-06-27 | Electronics And Telecommunications Research Institute | System for recognizing disguised face using gabor feature and svm classifier and method thereof |
CN103729625A (zh) * | 2013-12-31 | 2014-04-16 | 青岛高校信息产业有限公司 | 一种人脸识别的方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017092272A1 (zh) * | 2015-12-02 | 2017-06-08 | 深圳Tcl新技术有限公司 | 人脸识别方法和装置 |
CN105956554A (zh) * | 2016-04-29 | 2016-09-21 | 广西科技大学 | 一种人脸识别方法 |
CN106384406A (zh) * | 2016-08-26 | 2017-02-08 | 合肥若涵信智能工程有限公司 | 带保护装置的互联网安防系统 |
CN110309838A (zh) * | 2019-07-08 | 2019-10-08 | 上海天诚比集科技有限公司 | 基于指数变换的视频检测区物体轮廓检测预处理方法 |
CN110782419A (zh) * | 2019-10-18 | 2020-02-11 | 杭州趣维科技有限公司 | 一种基于图形处理器的三维人脸融合方法及系统 |
CN110782419B (zh) * | 2019-10-18 | 2022-06-21 | 杭州小影创新科技股份有限公司 | 一种基于图形处理器的三维人脸融合方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105528616B (zh) | 2019-03-12 |
WO2017092272A1 (zh) | 2017-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426829B (zh) | 基于人脸图像的视频分类方法和装置 | |
Krisshna et al. | Face recognition using transform domain feature extraction and PSO-based feature selection | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
CN105528616A (zh) | 人脸识别方法和装置 | |
US7567715B1 (en) | System and method for representing and encoding images | |
US11216652B1 (en) | Expression recognition method under natural scene | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
Bristow et al. | Why do linear SVMs trained on HOG features perform so well? | |
CN110838119B (zh) | 人脸图像质量评估方法、计算机装置及计算机可读存储介质 | |
CN101299267A (zh) | 一种人脸图像处理方法及装置 | |
CN105046272B (zh) | 一种基于简洁非监督式卷积网络的图像分类方法 | |
CN104463795A (zh) | 一种点阵式dm二维码图像处理方法及装置 | |
CN104933414A (zh) | 一种基于wld-top的活体人脸检测方法 | |
CN102855468A (zh) | 一种相片识别中的单样本人脸识别方法 | |
CN108154133B (zh) | 基于非对称联合学习的人脸画像-照片识别方法 | |
CN106096547A (zh) | 一种面向识别的低分辨率人脸图像特征超分辨率重建方法 | |
CN104143091B (zh) | 基于改进mLBP的单样本人脸识别方法 | |
CN102254188A (zh) | 掌纹识别方法及装置 | |
CN104834909B (zh) | 一种基于Gabor综合特征的图像特征描述方法 | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
Abaza et al. | Ear recognition: a complete system | |
CN104463091A (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 | |
EP2070010A1 (de) | Verfahren und vorrichtung zum erkennen eines gesichts sowie ein gesichtserkennungsmodul |
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 |