CN105956554A - 一种人脸识别方法 - Google Patents

Abstract

本发明公开了一种人脸识别方法,自从上个世纪七十年代以来，随着人工智能技术的兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域。如今，人脸识别在安全验证系统（电脑登陆和手机解锁）、档案管理、视频会议、公安系统(罪犯识别等)等方面的巨大应用前景，更令其成为一个研究热点。本发明利实现了一个集多种预处理方法于一体的人脸识别方法，利用灰度图像的直方图比对来实现人脸图像的识别判定。

Description

一种人脸识别方法

技术领域

本发明涉及识别方法，具体地，涉及一种人脸识别方法。

背景技术

目前，远程身份认证已成为一个热门应用，在很多领域都存在强烈需求，例如门禁系统，各种账户身份认证等，为了加快认证效率，机器化系统化智能认证已是大势所趋，随之产生了各种不同的验证方式，比如指纹、虹膜和人脸识别等，其中人脸识别是最近比较受重视的验证方式，但是由于人脸识别时都需采用预存目标人面部图像然后比的方式进行，而图像比对的精度则很难得到保证。

发明内容

本发明的目的在于，针对上述问题，提出一种人脸识别方法，以实现准确识别的优点。

为实现上述目的，本发明采用的技术方案是：一种人脸识别方法，包括以下步骤：

101.预存储目标对象面部图像信息；

102.对预存储的图像进行数字化处理；

103.采用人脸比对方法对目标对象与上述102步骤形成的图像进行比对。

进一步的，步骤102中所述的数字化处理方法为直方图均衡化方法或直方图规定化方法。

其中直方图均衡化方法具体过程如下：

假设源图在坐标(a，b)处的灰度为s，通过映射转换为图像p，在灰度直方图均衡化的处理过程中，假定图像的映射函数定义为:p＝EQ(s)；

直方图均衡化映射函数为：

p_k＝EQ(s_k s_k),(k＝0,1,...,K-1)其中K为图像的灰度级数；

直方图规定化方法具体过程如下：

假设A为原始图的灰度级数，B为规定图的灰度级数，在B≤A的情况下：

第一步，完成对原图像直方图的灰度均衡化；

第二步，规定直方图，并对规定的直方图进行均衡化；

第三步，逆转第一个步骤的变换，即将原始直方图一一对应到规定的直方图，将所有函数P_r(r)映射到函数P_Z(Z)上，其中原始图像的概率密度函数为P_r(r)，期望获得的图像概率密度函数为P_Z(Z)，r表示源图的灰度级，z表示期望获得图像的灰度级。

本发明的技术方案具有以下有益效果：

本发明各实施例的人脸识别方法，由于对预存的图像进行一次预处理，可以增加对比的有效性；从而可以克服现有技术中比对准确性不高的缺陷，以实现准确比对。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为人脸识别方法的基本流程图。

具体实施方式

以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种人脸识别方法，包括以下步骤：

101.预存储目标对象面部图像信息；

102.对预存储的图像进行数字化处理；

103.采用人脸比对方法对目标对象与上述102步骤形成的图像进行比对。

进一步的，步骤102中所述的数字化处理方法为直方图均衡化方法或直方图规定化方法。

其中直方图均衡化方法具体过程如下：

假设源图在坐标(a，b)处的灰度为s，通过映射转换为图像p，在灰度直方图均衡化的处理过程中，假定图像的映射函数定义为:p＝EQ(s)；

直方图均衡化映射函数为：

p_k＝EQ(s_k s_k),(k＝0,1,...,K-1)其中K为图像的灰度级数；

直方图规定化方法具体过程如下：

假设A为原始图的灰度级数，B为规定图的灰度级数，在B≤A的情况下：

第一步，完成对原图像直方图的灰度均衡化；

第二步，规定直方图，并对规定的直方图进行均衡化；

第三步，逆转第一个步骤的变换，即将原始直方图一一对应到规定的直方图，将所有函数P_r(r)映射到函数P_Z(Z)上，其中原始图像的概率密度函数为P_r(r)，期望获得的图像概率密度函数为P_Z(Z)，r表示源图的灰度级，z表示期望获得图像的灰度级。

人们把计算机的“眼睛”——照相机等图像采集设备(相应的机器发现的目标“影像”就是数字图像)——所“看到”的人脸图像，用来鉴别某人身份的能力，称作“人脸识别”。让机器拥有类似的，甚至达到人类特有的人脸识别能力，正是诸多专家学者们现在所追求的东西。

一般来说，人脸识别系统如图1所示。

本发明是基于直方图的差值比较的方法，以此完成人脸识别系统设计和实现。

以概率论为基础，运用灰度直方图来增强图像之间的对比度，通过直方图均衡化和直方图规定化来实现人脸识别。

直接对比度增强和间接对比度增强是两种增强图像对比度的方法。两种最常见的间接增强法分别是直方图拉伸和直方图均衡化。前者是借由对比度拉伸调节直方图，实现放大前、背景的灰度差，最终达到增强对比度；后者则通过运用累积函数来调整灰度值来实现最终目的。

在图像处理领域中，直方图均衡化——运用图像的直方图用以调节图像对比度的方法。在进行加强图像的局部对比度，特别是图像的有效数据相似度较接近时，通过直方图均衡化，能够做到局部的对比度的增强而不影响整体。

这种方法对于前后景色颜色太深或是太浅的图像非常有效。直观以及其可逆性就是这种方法的一大优势，比方说已知一个均衡化函数，那么恢复成原始的直方图也可以办到，而且其计算量也比较小。

把源图的直方图转换成均匀分布的形式是直方图均衡化的基本思想，这样就可以实现增强图像整体对比度。设源图在坐标(a，b)处的灰度为s，改变后的图像是p，那么在(a，b)处的灰度s映射为p可表示图像增强方法。在灰度直方图均衡化的处理过程中，可以把它对图像的映射函数定义为:p＝EQ(s)，而EQ(s)必须得满足下面的两个条件:

第一，为确保增强处理没有打乱源图的灰度排列顺序，函数EQ(s)在0≤s≤K-1范围内是一个单值单增函数(K为图像的灰度级数)。

第二，对于0≤s≤K-1有0≤p≤K-1，此约束条件可确保转换前后灰度值动态范围一致(K为图像的灰度级数)。

累积分布函数CDF(Cumulative distribution function)，能够满足上面的两个前提条件，且该CDF能够把原图像映射函数s的分布彻底转换成映射函数p的均匀分布。由此可以得到下面的直方图均衡化映射函数：

p_k＝EQ(s_k s_k),(k＝0,1,...,K-1) (1.0)

函数求和区间从0到k，通过上述方程可以直接获得直方图均衡化后各个像素的灰度值。转换实现过程中，先要对源图的灰度进行统计分析，同时取得原始直方图的分布，通过累计直方图分布获取s_k到p_k的灰度映射关系。然后不断重复以上的步骤，获取全部的源图灰度级到所需的目标图像灰度级的映射关系之后，利用这个映射关系，计算机对源图中各个像素实行灰度转换，最后彻底完成对源图的直方图均衡化处理。

另外，如果正确地选择规定化的函数，能够获得比直方图均衡化更好的效果。修正直方图的关键在于灰度映像函数的使用，而通过一个灰度映像函数，把原灰度直方图转换成所需要的直方图的方法，就是直方图规定化。在实际应用中，有时候比较灵活的直方图规定化比直方图均衡化更加实用。

假设A为原始图的灰度级数，B为规定图的灰度级数，直方图匹配方法有下面3个主要的步骤(只在B≤A的情况下)：

第一，完成对原图像直方图的灰度均衡化，为后面步骤做准备；

第二，规定所需的直方图，并对规定的直方图进行均衡化；

第三，逆转第一个步骤的变换，也就是把原始直方图一一对应到规定的直方图，将所有函数P_r(r)映射到函数P_Z(Z)上。

假设原始图像的概率密度函数为P_r(r)，期望获得的图像概率密度函数为P_Z(Z)(r表示源图的灰度级和z表示期望获得图像的灰度级)。对原始图像实行直方图均衡化，即求变换函数

$S=T\left(r\right)={\∫}_0^r{P}_r\left(r\right)dr---\left(1.1\right)$

假定已得到了所希望的图像，对它进行直方图均衡化处理，即

$V=G\left(Z\right)={\∫}_0^x{P}_z\left(z\right)dz---\left(1.2\right)$

它的逆变换为

Z＝G^-1(V) (1.3)

由于均为均衡化处理，所以经过处理的原图像概率密度函数P_r(r)及期望图像概率密度函数P_Z(Z)相等。因此，能够使用变换之后的原始图像灰度级S代替(1.2)式中的V。即

Z＝G^-1(S) (1.4)

此时的灰度级Z正是期望的图像的灰度级。此外，利用(1.1)与(1.3)得到下面的组合变换函数

Z＝G^-1(T(r)) (1.5)

式(1.3)的离散公式为

$\begin{array}{cc}{S}_K=T\left(r_k\right)=\underset{j=0}{\overset{k}{\Σ}}{P}_r\left(r_j\right)=\underset{j=0}{\overset{K}{\Σ}}\frac{n_j}{n}& k=0,1,\mathrm{...}L-1\end{array}---\left(1.6\right)$

其中n为图像中像素总和，n_j为灰度级为r_j的像素数量，L为离散灰度级的数量。类似的离散表达式由给定的直方图P_z(z_i)(i＝0,1,2,...L-1)得到，且有形式

$\begin{array}{cc}{v}_k=G\left(z_K\right)=\underset{i=0}{\overset{K}{\Σ}}{P}_Z\left(Z_i\right)=s_k& k=0,1,2,\mathrm{...}L-1\end{array}---\left(1.7\right)$

式(1.4)到(1.7)是数字图像直方图规定化的基本公式。式(1.6)是可由原始图像的像素计算得到式(1.7)可从给定的直方图P_Z(Z)计算变换函数G式(1.4)或(1.5)亦可直接实现，但需作如下说明，由v_K＝s_k可知，所找的z值必须满足等式G(z_k)＝s_k因此要找s_k所对应的z_k只需在z值上迭代，以满足等式。因为处理的是整数，所能得到的满足等式G(z_k)-s_k＝0最接近的整数即可。

统计好源图像直方图灰度级上的概率密度，将源图像的直方图概率密度实行直方图均衡化，与此同时均衡化规定的直方图概率密度，最后确定源图像直方图与规定直方图的对应映射关系，原则是针对源图像均衡化后的直方图的每一个灰度级概率密度，查找最接近的规定直方图灰度概率密度数值，组建起灰度映射表，并根据映射表一一处理各像素点。

综上所述，本发明通过直方图预处理，增强了人脸识别的准确率。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种人脸识别方法，其特征在于，包括以下步骤：

101．预存储目标对象面部图像信息；

102．对预存储的图像进行数字化处理；

103．采用人脸比对方法对目标对象与上述102步骤形成的图像进行比对。

2.根据权利要求1所述的人脸识别方法，其特征在于， 步骤102中所述的数字化处理方法为直方图均衡化方法，具体过程如下：

假设源图在坐标(a，b)处的灰度为s，通过映射转换为图像p，在灰度直方图均衡化的处理过程中，假定图像的映射函数定义为:p = EQ (s)；

直方图均衡化映射函数为：

其中K为图像的灰度级数。

3.根据权利要求1所述的人脸识别方法，其特征在于， 步骤102中所述的数字化处理方法为直方图规定化方法，具体过程为：

假设A为原始图的灰度级数，B为规定图的灰度级数，且B≤A；

第一步，完成对原图像直方图的灰度均衡化；

第二步，规定直方图，并对规定的直方图进行均衡化；

第三步，逆转第一个步骤的变换，即将原始直方图一一对应到规定的直方图，将所有函数映射到函数上，其中原始图像的概率密度函数为，期望获得的图像概率密度函数为，r表示源图的灰度级，z表示期望获得图像的灰度级。