CN106096597B - 一种人脸识别方法和装置 - Google Patents

一种人脸识别方法和装置 Download PDF

Info

Publication number
CN106096597B
CN106096597B CN201610682314.3A CN201610682314A CN106096597B CN 106096597 B CN106096597 B CN 106096597B CN 201610682314 A CN201610682314 A CN 201610682314A CN 106096597 B CN106096597 B CN 106096597B
Authority
CN
China
Prior art keywords
matrix
facial image
class
binary features
training characteristics
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.)
Expired - Fee Related
Application number
CN201610682314.3A
Other languages
English (en)
Other versions
CN106096597A (zh
Inventor
章云
梁健
曾宪贤
李东
王晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201610682314.3A priority Critical patent/CN106096597B/zh
Publication of CN106096597A publication Critical patent/CN106096597A/zh
Application granted granted Critical
Publication of CN106096597B publication Critical patent/CN106096597B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168Feature extraction; Face representation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, 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 Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请提供了一种人脸识别方法和装置,所述方法包括:提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像的第二类特征点矩阵;基于哈希算法对第一类特征点矩阵和多个第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;基于第一类特征点矩阵和第一类训练特征点矩阵计算第一类二进制特征矩阵,以及分别基于多个第二类特征点矩阵和多个第二类训练特征点矩阵计算多个第二类二进制特征矩阵;计算第一类二进制特征矩阵分别和所述第二类二进制特征矩阵之间的匹配度值,基于最大的匹配度值对应的第二类二进制特征矩阵确定待识别人脸图像的识别结果,以实现提高人脸识别效率的目的。

Description

一种人脸识别方法和装置
技术领域
本发明涉及人脸识别技术领域,更具体地说,涉及一种人脸识别方法和装置。
背景技术
随着人脸识别技术的不断发展,该技术逐渐被运用到各个领域。例如:人脸识别考勤逐步代替打卡考勤和指纹识别考勤。但是,随着高清数据采集器的普及,采集到的人脸图片的质量越来越高,相应的,人脸识别需要处理的数据量也随之增加。
现有技术中,人脸识别的数据处理过程都是基于浮点数的,在进行大数据量的人脸图像的处理和匹配时,不利于计算机的快速识别、计算,会导致人脸识别的效率下降。
因此,如何提高人脸识别的效率,是本领域技术人员亟待解决的技术问题。
发明内容
为解决上述技术问题,本发明提供一种人脸识别方法和装置,以实现提高人脸识别效率的目的。
为实现上述目的,本发明提供如下技术方案:
一种人脸识别方法,包括:
提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
优选的,所述提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵,包括:
利用尺度不变特征变换算法提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵。
优选的,所述基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的多个第二类二进制特征矩阵,包括:
计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到待识别人脸图像对应的第一类二进制特征矩阵,以及分别计算多个所述第二类特征点矩阵和一一对应的所述第二类训练特征点矩阵的乘积,得到人脸图像样本集中各个图像一一对应的第二类二进制特征矩阵。
优选的,所述基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵之后,还包括:
对所述第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理,得到裁剪后的第一类特征点矩阵和多个裁剪后的第二类特征点矩阵,以及对所述第一类训练特征点矩阵和多个所述第二类训练特征点矩阵进行裁剪处理,得到裁剪后的第一类训练特征点矩阵和多个裁剪后的第二类训练特征点矩阵;
基于所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵,并执行所述一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值这一步骤。
优选的,所述基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵之后,还包括:
分别对所述第一类二进制特征矩阵和多个所述第二类二进制特征矩阵进行裁剪处理,得到裁剪后的第一类二进制特征矩阵和多个裁剪后的第二类二进制特征矩阵;
一一计算所述裁剪后的第一类二进制特征矩阵分别和多个所述裁剪后的第二类二进制特征矩阵之间的匹配度值,并执行所述确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵这一步骤。
优选的,所述一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,具体包括:
分别计算所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间的汉明距离,分别对应得到汉明距离矩阵;
分别确定各个所述汉明距离矩阵每一行向量中的最小值和次小值,并计算所述最小值和所述次小值的比值;
判断所述比值是否小于预设的阈值,如果是,则确定所述行向量为匹配向量;
确定每个所述汉明距离矩阵对应的匹配向量的数量,分别得到所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间一一对应的所述匹配度值。
一种人脸识别的装置,包括:
提取模块,用于提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
训练模块,用于基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
第一计算模块,用于基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
第二计算模块,用于一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值;所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
第一确定模块,用于确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
第二确定模块,用于基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
优选的,所述提取模块,用于利用尺度不变特征变换算法提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵。
优选的,所述第一计算模块,用于计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到待识别人脸图像对应的第一类二进制特征矩阵,以及分别计算多个所述第二类特征点矩阵和一一对应的所述第二类训练特征点矩阵的乘积,得到人脸图像样本集中各个图像一一对应的第二类二进制特征矩阵。
优选的,还包括:第一裁剪模块和所述第三计算模块;
所述第一裁剪模块,用于对所述第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理,得到裁剪后的第一类特征点矩阵和多个裁剪后的第二类特征点矩阵,以及对所述第一类训练特征点矩阵和多个所述第二类训练特征点矩阵进行裁剪处理,得到裁剪后的第一类训练特征点矩阵和多个裁剪后的第二类训练特征点矩阵;
所述第三计算模块,用于基于所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵,并返回执行所述第二计算模块。
优选的,还包括:第二裁剪模块和第四计算模块;
所述第二裁剪模块,用于分别对所述第一类二进制特征矩阵和多个所述第二类二进制特征矩阵进行裁剪处理,得到裁剪后的第一类二进制特征矩阵和多个裁剪后的第二类二进制特征矩阵;
所述第四计算模块,用于一一计算所述裁剪后的第一类二进制特征矩阵分别和多个所述裁剪后的第二类二进制特征矩阵之间的匹配度值,并返回执行所述第一确定模块。
优选的,所述第二计算模块,包括:第五计算模块、第六计算模块、判断模块和第三确定模块;
所述第五计算模块,用于分别计算所述第一类二进制特征矩阵和所述第二类二进制特征矩阵的汉明距离,分别得到对应的汉明距离矩阵;
所述第六计算模块,用于分别确定所述汉明距离矩阵每一行向量中的最小值和次小值,并计算所述最小值和所述次小值的比值;
所述判断模块,用于判断所述比值是否小于预设的阈值,如果是,则确定所述行向量为匹配向量;
所述第三确定模块,用于确定每个所述汉明距离矩阵对应的匹配向量的数量,分别得到所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间一一对应的所述匹配度值。
从上述技术方案可以看出,本发明所提供的人脸识别方法和装置,所述方法包括:提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。与现有技术相比,本方案采用将特征矩阵二进制化的方法,更有利于计算机的快速计算,从而提高人脸识别的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一提供的一种人脸识别方法的流程图;
图2为本发明实施例二提供的一种人脸识别方法的流程图;
图3为本发明实施例三提供的一种人脸识别方法的流程图;
图4为本发明实施例四提供的计算第一类二进制特征矩阵分别和第二类二进制特征矩阵之间的匹配度值的方法的流程图;
图5为本发明实施例五提供的一种人脸识别装置的示意图;
图6为本发明实施例六提供的一种人脸识别装置的示意图;
图7为本发明实施例七提供的一种人脸识别装置的示意图;
图8为本发明实施例八提供的第二计算模块的示意图。
具体实施方式
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。
本发明提供一种人脸识别方法和装置,以实现提高人脸识别的效率的目的。
实施例一
本发明实施例一公开了一种人脸识别方法,如附图1所示为本发明实施例一公开的一种人脸识别方法的流程图,所述人脸识别方法,包括:
S101:提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
S102:基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
其中,需要进行说明的是,哈希算法包括但不限于主成分分析哈希算法、迭代量化主成分分析算法、循环二进制嵌入算法、谱哈希、球哈希、局部敏感哈希、以线性不变为核心的局部敏感哈希、密集敏感哈希或基于随机正交矩阵的主成分分析算法中的一种,也可以是其他哈希算法,这里不一一列举。
此外,在具体应用过程中,可以挑选戴帽子的人脸图像、不戴帽子的人脸图像、胡子浓的人脸图像、胡子浅的人脸图像、脸部光滑的人脸图像,或者其他特点的人脸图像作为哈希算法的训练图片,以提高哈希算法的准确度。
S103:基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
S104:一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
其中,需要进行说明的是,计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值可以采用计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的汉明距离的方法,也可以采用计算第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的欧氏距离的方法,还可以采用其他计算矩阵之间距离的方法。
S105:确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
S106:基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
其中,需要进行说明的是,计算所述第一类二进制特征矩阵分别和多个所述第二类二进制矩阵之间的匹配度值是为了得到待识别人脸图像分别和人脸图像样本集中的人脸图像的相似程度,从中选择相似程度最大的人脸图像作为最终的识别结果。
在本发明实施例公开的技术方案中,优选的,步骤S101包括:利用尺度不变特征变换算法提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵。
其中,需要进行说明的是,可以利用尺度不变特征变换算法提取特征点矩阵,也可以采用其他算法进行特征点矩阵的提取,例如采用线性判别式分析法(LinearDiscriminant Analysis,LDA)、主成分分析法(Principal Component Analysis,PCA)。
在本发明实施例公开的技术方案中,优选的,步骤S103,包括:计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到待识别人脸图像对应的第一类二进制特征矩阵,以及分别计算多个所述第二类特征点矩阵和一一对应的所述第二类训练特征点矩阵的乘积,得到人脸图像样本集中各个图像一一对应的第二类二进制特征矩阵。
由上述本发明实施例可以看出,本发明实施例一通过提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。与现有技术相比,本方案采用将特征矩阵二进制化的方法,更有利于计算机的快速计算,从而提高人脸识别的效率。
实施例二
本发明实施例二公开了一种人脸识别方法,如附图2所示为本发明实施例二提供的一种人脸识别方法的流程图,所述人脸识别方法包括:
S201:提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
S202:基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
其中,需要进行说明的是,所述哈希算法包括但不限于主成分分析哈希算法、迭代量化主成分分析算法、循环二进制嵌入算法、谱哈希、球哈希、局部敏感哈希、以线性不变为核心的局部敏感哈希、密集敏感哈希或基于随机正交矩阵的主成分分析算法中的一种,也可以是其他哈希算法。
S203:对所述第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理,得到裁剪后的第一类特征点矩阵和多个裁剪后的第二类特征点矩阵,以及对所述第一类训练特征点矩阵和多个所述第二类训练特征点矩阵进行裁剪处理,得到裁剪后的第一类训练特征点矩阵和多个裁剪后的第二类训练特征点矩阵;
其中,需要进行说明的是,对第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理是相对应的,比如:对第一类特征点矩阵进行裁剪得到的是人脸图像眉毛以上区域的特征点矩阵,则相对应的,多个所述第二类特征点矩阵进行裁剪后得到的也是眉毛以上区域的特征点矩阵。同样的,对第一类训练特征点矩阵和多个第二类训练特征点矩阵的裁剪也是相对应的,且和前述的第一类特征点矩阵和多个第二类特征点矩阵的裁剪也是对应的。
S204:基于所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
其中,需要说明的是,具体的计算过程可以参照本发明实施例一中提供的计算第一类二进制特征矩阵和多个第二类二进制特征矩阵的过程。即:计算所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵的乘积,得到所述待识别人脸图像的第一类二进制特征矩阵;分别计算多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵的乘积,得到所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵。
S205:一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
S206:确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
S207:基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
由上述本发明实施例可以看出,本发明实施例二通过对提取到特征点矩阵进行裁剪,将裁剪后的特征点矩阵进行二进制化,进一步减小了人脸识别过程中的计算量,提高了人脸识别的效率。
实施例三
本发明实施例三公开了一种人脸识别方法,如附图3所示为本发明实施例三提供的一种人脸识别方法的流程图,所述人脸识别方法,包括:
S301:提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
S302:基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
同样的,所述哈希算法包括但不限于主成分分析哈希算法、迭代量化主成分分析算法、循环二进制嵌入算法、谱哈希、球哈希、局部敏感哈希、以线性不变为核心的局部敏感哈希、密集敏感哈希或基于随机正交矩阵的主成分分析算法中的一种,也可以是其他哈希算法。
S303:基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
其中,需要说明的是,具体的计算过程可以参照本发明实施例一中提供的计算第一类二进制特征矩阵和多个第二类二进制特征矩阵的过程。即:计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到所述待识别人脸图像的第一类二进制特征矩阵;分别计算多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵的乘积,得到所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵。
S304:分别对所述第一类二进制特征矩阵和多个所述第二类二进制特征矩阵进行裁剪处理,得到裁剪后的第一类二进制特征矩阵和多个裁剪后的第二类二进制特征矩阵;
其中,需要进行说明的是,对第一类二进制特征矩阵和多个第二类二进制特征矩阵进行裁剪处理是相对应的,比如:对第一类二进制特征矩阵进行裁剪得到的是人脸图像眉毛以上区域的特征点矩阵,则相对应的,多个第二类二进制特征矩阵进行裁剪后得到的也是眉毛以上区域的特征点矩阵。
S305:一一计算所述裁剪后的第一类二进制特征矩阵分别和多个所述裁剪后的第二类二进制特征矩阵之间的匹配度值;所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
S306:确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
S307:基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
由上述本发明实施例可以看出,本发明实施例三通过将二进制化后的特征矩阵进行裁剪,进一步减小了人脸识别过程中的计算量,提高了人脸识别的效率。
实施例四
本发明实施例四公开了计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值的具体方法,具体方法的流程图参见附图4,所述方法,包括:
S401:分别计算所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间的汉明距离,分别对应得到汉明距离矩阵;
S402:分别确定各个所述汉明距离矩阵每一行向量中的最小值和次小值,并计算所述最小值和所述次小值的比值;
S403:判断所述比值是否小于预设的阈值,如果是,则确定所述行向量为匹配向量;
S404:确定每个所述汉明距离矩阵对应的匹配向量的数量,分别得到所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间一一对应的所述匹配度值。
其中,还需要进行说明的是,计算第一类二进制特征矩阵分别和多个第二类二进制特征矩阵之间的匹配度值的具体方法并不仅仅局限于计算第一类二进制特征矩阵和分别和多个第二类二进制特征矩阵之间的匹配度值的汉明距离这一种方式,还可以采用计算二者之间的欧式距离的方法来计算匹配度值。但是,相对于其他方法,计算汉明距离的方法速度更快,更适合经过二进制化后求解匹配度值。
由上述本发明实施例可以看出,本发明实施例四通过求解第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间的汉明距离来计算匹配度值,运算速度更快,进一步提高了人脸识别算法的效率。
实施例五
本发明实施例五公开了一种人脸识别装置,如附图5所示为本发明实施例五提供的一种人脸识别装置的示意图,所述人脸识别装置,包括:
提取模块101,用于提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
训练模块102,用于基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
同样的,哈希算法包括但不限于主成分分析哈希算法、迭代量化主成分分析算法、循环二进制嵌入算法、谱哈希、球哈希、局部敏感哈希、以线性不变为核心的局部敏感哈希、密集敏感哈希或基于随机正交矩阵的主成分分析算法中的一种,也可以是其他哈希算法,这里不一一列举。
此外,在具体应用过程中,可以挑选戴帽子的人脸图像、不戴帽子的人脸图像、胡子浓的人脸图像、胡子浅的人脸图像、脸部光滑的人脸图像,或者其他特点的人脸图像作为哈希算法的训练图片,以提高哈希算法的准确度。
第一计算模块103,用于基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
第二计算模块104,用于一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值;所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
第一确定模块105,用于确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
第二确定模块106,用于基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
其中,需要进行说明的是,计算所述第一类二进制特征矩阵分别和多个所述第二类二进制矩阵之间的匹配度值是为了得到待识别人脸图像分别和人脸图像样本集中的人脸图像的相似程度,从中选择相似程度最大的人脸图像作为最终的识别结果。
在本发明实施例提供的技术方案中,优选的,所述提取模块101,用于利用尺度不变特征变换算法提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
优选的,所述第一计算模块103,用于计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到待识别人脸图像对应的第一类二进制特征矩阵,以及分别计算多个所述第二类特征点矩阵和一一对应的所述第二类训练特征点矩阵的乘积,得到人脸图像样本集中各个图像一一对应的第二类二进制特征矩阵。
由上述本发明实施例可以看出,本发明实施例五基于训练前后提取到的特征点矩阵进行二进制化,得到待识别人脸图像的第一类二进制特征矩阵和人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵,计算第一类二进制特征矩阵和各个第二类二进制特征矩阵匹配度值,基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。与现有技术相比,本方案采用将特征矩阵二进制化的方法,更有利于计算机的快速计算,从而提高人脸识别的效率。
实施例六
本发明实施例六公开了一种人脸识别装置,如附图6所示为本发明实施例六提供的一种人脸识别装置的示意图,所述人脸识别装置包括:
提取模块101,用于提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
训练模块102,用于基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
同样的,哈希算法包括但不限于主成分分析哈希算法、迭代量化主成分分析算法、循环二进制嵌入算法、谱哈希、球哈希、局部敏感哈希、以线性不变为核心的局部敏感哈希、密集敏感哈希或基于随机正交矩阵的主成分分析算法中的一种,也可以是其他哈希算法,这里不一一列举。
第一裁剪模块107,用于对所述第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理,得到裁剪后的第一类特征点矩阵和多个裁剪后的第二类特征点矩阵,以及对所述第一类训练特征点矩阵和多个所述第二类训练特征点矩阵进行裁剪处理,得到裁剪后的第一类训练特征点矩阵和多个裁剪后的第二类训练特征点矩阵;
其中,需要进行说明的是,对第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理是相对应的,比如:对第一类特征点矩阵进行裁剪得到的是人脸图像眉毛以上区域的特征点矩阵,则相对应的,多个所述第二类特征点矩阵进行裁剪后得到的也是眉毛以上区域的特征点矩阵。同样的,对第一类训练特征点矩阵和多个第二类训练特征点矩阵的裁剪也是相对应的,且和前述的第一类特征点矩阵和多个第二类特征点矩阵的裁剪也是对应的。
第三计算模块108,用于基于所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
其中,需要说明的是,具体的计算过程可以参照本发明实施例一中提供的计算第一类二进制特征矩阵和多个第二类二进制特征矩阵的过程。即:计算所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵的乘积,得到所述待识别人脸图像的第一类二进制特征矩阵;分别计算多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵的乘积,得到所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵。
第二计算模块104,用于一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值;所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
第一确定模块105,用于确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
第二确定模块106,用于基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
由上述本发明实施例可以看出,本发明实施例六通过对提取到的特征点矩阵和训练后的特征点矩阵进行裁剪,进一步减小了人脸识别过程中的计算量,提高了人脸识别效率。
实施例七
本发明实施例七公开了一种人脸识别装置,如附图7所示为本发明实施例七提供的一种人脸识别装置的示意图,所示人脸识别装置,包括:
提取模块101,用于提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
训练模块102,用于基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
同样的,哈希算法包括但不限于主成分分析哈希算法、迭代量化主成分分析算法、循环二进制嵌入算法、谱哈希、球哈希、局部敏感哈希、以线性不变为核心的局部敏感哈希、密集敏感哈希或基于随机正交矩阵的主成分分析算法中的一种,也可以是其他哈希算法,这里不一一列举。
第一计算模块103,用于基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
其中,需要说明的是,具体的计算过程可以参照本发明实施例一中提供的计算第一类二进制特征矩阵和多个第二类二进制特征矩阵的过程。即:计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到所述待识别人脸图像的第一类二进制特征矩阵;分别计算多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵的乘积,得到所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵。
第二裁剪模块109,用于分别对所述第一类二进制特征矩阵和多个所述第二类二进制特征矩阵进行裁剪处理,得到裁剪后的第一类二进制特征矩阵和多个裁剪后的第二类二进制特征矩阵;
其中,需要进行说明的是,对第一类二进制特征矩阵和多个第二类二进制特征矩阵进行裁剪处理是相对应的,比如:对第一类二进制特征矩阵进行裁剪得到的是人脸图像眉毛以上区域的特征点矩阵,则相对应的,多个第二类二进制特征矩阵进行裁剪后得到的也是眉毛以上区域的特征点矩阵。
第四计算模块110,用于一一计算所述裁剪后的第一类二进制特征矩阵分别和多个所述裁剪后的第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
第一确定模块105,用于确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
第二确定模块106,用于基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果。
由上述本发明实施例可以看出,本发明实施例七通过将二进制化后的特征矩阵进行裁剪,进一步减小了人脸识别过程中的计算量,提高了人脸识别的效率。
实施例八
基于上述本发明实施例五提供的一种人脸识别装置,本发明实施例八具体公开了第二计算模块的结构,如附图8所示为本发明实施例八提供的第二计算模块的示意图,所述第二计算模块104,包括:第五计算模块1041、第六计算模块1042、判断模块1043和第三确定模块1044;
所述第五计算模块1041,用于分别计算所述第一类二进制特征矩阵和所述第二类二进制特征矩阵的汉明距离,分别得到对应的汉明距离矩阵;
所述第六计算模块1042,用于分别确定所述汉明距离矩阵每一行向量中的最小值和次小值,并计算所述最小值和所述次小值的比值;
所述判断模块1043,用于判断所述比值是否小于预设的阈值,如果是,则确定所述行向量为匹配向量;
所述第三确定模块1044,用于确定每个所述汉明距离矩阵对应的匹配向量的数量,分别得到所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间一一对应的所述匹配度值。
其中,还需要进行说明的是,计算第一类二进制特征矩阵分别和多个第二类二进制特征矩阵之间的匹配度值的具体方法并不仅仅局限于计算第一类二进制特征矩阵和分别和多个第二类二进制特征矩阵之间的匹配度值的汉明距离这一种方式,还可以采用计算二者之间的欧式距离的方法来计算匹配度值。但是,相对于其他方法,计算汉明距离的方法速度更快,更适合经过二进制化后求解匹配度值。
由上述本发明实施例可以看出,本发明实施例具体公开了第二计算模块的构成,通过求解第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间的汉明距离来计算匹配度值,进一步加快了人脸识别的匹配速度,从而进一步提高了人脸识别算法的效率。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种人脸识别方法,其特征在于,包括:
提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,所述匹配度值用于表征所述第一类二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果;
所述一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值,具体包括:
分别计算所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间的汉明距离,分别对应得到汉明距离矩阵;
分别确定各个所述汉明距离矩阵每一行向量中的最小值和次小值,并计算所述最小值和所述次小值的比值;
判断所述比值是否小于预设的阈值,如果是,则确定所述行向量为匹配向量;
确定每个所述汉明距离矩阵对应的匹配向量的数量,分别得到所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间一一对应的所述匹配度值。
2.根据权利要求1所述的方法,其特征在于,所述提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵,包括:
利用尺度不变特征变换算法提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的多个第二类二进制特征矩阵,包括:
计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到待识别人脸图像对应的第一类二进制特征矩阵,以及分别计算多个所述第二类特征点矩阵和一一对应的所述第二类训练特征点矩阵的乘积,得到人脸图像样本集中各个图像一一对应的第二类二进制特征矩阵。
4.根据权利要求1所述的方法,其特征在于,所述基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵之后,还包括:
对所述第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理,得到裁剪后的第一类特征点矩阵和多个裁剪后的第二类特征点矩阵,以及对所述第一类训练特征点矩阵和多个所述第二类训练特征点矩阵进行裁剪处理,得到裁剪后的第一类训练特征点矩阵和多个裁剪后的第二类训练特征点矩阵;
基于所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵,并执行所述一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值这一步骤。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵之后,还包括:
分别对所述第一类二进制特征矩阵和多个所述第二类二进制特征矩阵进行裁剪处理,得到裁剪后的第一类二进制特征矩阵和多个裁剪后的第二类二进制特征矩阵;
一一计算所述裁剪后的第一类二进制特征矩阵分别和多个所述裁剪后的第二类二进制特征矩阵之间的匹配度值,并执行所述确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵这一步骤。
6.一种人脸识别的装置,其特征在于,包括:
提取模块,用于提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵;
训练模块,用于基于预设的哈希算法对所述第一类特征点矩阵和多个所述第二类特征点矩阵分别进行特征训练,得到第一类训练特征点矩阵和多个第二类训练特征点矩阵;
第一计算模块,用于基于所述第一类特征点矩阵和所述第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述第二类特征点矩阵和多个所述第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵;
第二计算模块,用于一一计算所述第一类二进制特征矩阵分别和多个所述第二类二进制特征矩阵之间的匹配度值;所述匹配度值用于表征所述第一类二进制特征矩阵与第二类二进制特征矩阵之间的相似程度;
第一确定模块,用于确定所述匹配度值中最大的匹配度值对应的第二类二进制特征矩阵;
第二确定模块,用于基于所述最大的匹配度值对应的第二类二进制特征矩阵确定所述人脸图像样本集中对应的人脸图像作为所述待识别人脸图像的识别结果;
所述第二计算模块,包括:第五计算模块、第六计算模块、判断模块和第三确定模块;
所述第五计算模块,用于分别计算所述第一类二进制特征矩阵和所述第二类二进制特征矩阵的汉明距离,分别得到对应的汉明距离矩阵;
所述第六计算模块,用于分别确定所述汉明距离矩阵每一行向量中的最小值和次小值,并计算所述最小值和所述次小值的比值;
所述判断模块,用于判断所述比值是否小于预设的阈值,如果是,则确定所述行向量为匹配向量;
所述第三确定模块,用于确定每个所述汉明距离矩阵对应的匹配向量的数量,分别得到所述第一类二进制特征矩阵与多个所述第二类二进制特征矩阵之间一一对应的所述匹配度值。
7.根据权利要求6所述的装置,其特征在于,所述提取模块,用于利用尺度不变特征变换算法提取待识别人脸图像的第一类特征点矩阵和人脸图像样本集中各个人脸图像一一对应的第二类特征点矩阵。
8.根据权利要求6所述的装置,其特征在于,所述第一计算模块,用于计算所述第一类特征点矩阵和所述第一类训练特征点矩阵的乘积,得到待识别人脸图像对应的第一类二进制特征矩阵,以及分别计算多个所述第二类特征点矩阵和一一对应的所述第二类训练特征点矩阵的乘积,得到人脸图像样本集中各个图像一一对应的第二类二进制特征矩阵。
9.根据权利要求6所述的装置,其特征在于,还包括:第一裁剪模块和第三计算模块;
所述第一裁剪模块,用于对所述第一类特征点矩阵和多个所述第二类特征点矩阵进行裁剪处理,得到裁剪后的第一类特征点矩阵和多个裁剪后的第二类特征点矩阵,以及对所述第一类训练特征点矩阵和多个所述第二类训练特征点矩阵进行裁剪处理,得到裁剪后的第一类训练特征点矩阵和多个裁剪后的第二类训练特征点矩阵;
所述第三计算模块,用于基于所述裁剪后的第一类特征点矩阵和所述裁剪后的第一类训练特征点矩阵计算所述待识别人脸图像对应的第一类二进制特征矩阵,以及分别基于多个所述裁剪后的第二类特征点矩阵和多个所述裁剪后的第二类训练特征点矩阵计算所述人脸图像样本集中各个人脸图像对应的第二类二进制特征矩阵,并返回执行所述第二计算模块。
10.根据权利要求6所述的装置,其特征在于,还包括:第二裁剪模块和第四计算模块;
所述第二裁剪模块,用于分别对所述第一类二进制特征矩阵和多个所述第二类二进制特征矩阵进行裁剪处理,得到裁剪后的第一类二进制特征矩阵和多个裁剪后的第二类二进制特征矩阵;
所述第四计算模块,用于一一计算所述裁剪后的第一类二进制特征矩阵分别和多个所述裁剪后的第二类二进制特征矩阵之间的匹配度值,并返回执行所述第一确定模块。
CN201610682314.3A 2016-08-17 2016-08-17 一种人脸识别方法和装置 Expired - Fee Related CN106096597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610682314.3A CN106096597B (zh) 2016-08-17 2016-08-17 一种人脸识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610682314.3A CN106096597B (zh) 2016-08-17 2016-08-17 一种人脸识别方法和装置

Publications (2)

Publication Number Publication Date
CN106096597A CN106096597A (zh) 2016-11-09
CN106096597B true CN106096597B (zh) 2019-09-13

Family

ID=58070031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610682314.3A Expired - Fee Related CN106096597B (zh) 2016-08-17 2016-08-17 一种人脸识别方法和装置

Country Status (1)

Country Link
CN (1) CN106096597B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107240149A (zh) * 2017-06-14 2017-10-10 广东工业大学 基于图像处理的物体三维模型构建方法
CN111080241A (zh) * 2019-12-04 2020-04-28 贵州非你莫属人才大数据有限公司 一种基于互联网平台的数据化人才管理分析系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332086A (zh) * 2011-06-15 2012-01-25 夏东 一种基于双阈值局部二进制模式的人脸识别方法
CN104463148A (zh) * 2014-12-31 2015-03-25 南京信息工程大学 基于图像重构和哈希算法的人脸识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332086A (zh) * 2011-06-15 2012-01-25 夏东 一种基于双阈值局部二进制模式的人脸识别方法
CN104463148A (zh) * 2014-12-31 2015-03-25 南京信息工程大学 基于图像重构和哈希算法的人脸识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Learning compact binary face descriptor for face recognition;Jiwen Lu et al;《IEEE TRANSACTIONS ON PATTERN ANAL丫SIS AND MACHINE INTELLIGENCE》;20151031;第37卷(第10期);2041-2056 *
基于二进制特征描述器的图像匹配算法;姜枫等;《计算机工程与科学》;20150831;第37卷(第8期);1551-1557 *
基于改进的SIFT特征匹配方法在目标识别中的应用研究;李文凤;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20160215;全文 *
基于特征点描述的人脸识别算法研究;陶冶;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20140115;第2章 *
基于特征点描述的人脸识别算法研究;陶冶;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20140115;第4章 *

Also Published As

Publication number Publication date
CN106096597A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
US11361585B2 (en) Method and system for face recognition via deep learning
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
US10635890B2 (en) Facial recognition method and apparatus, electronic device, and storage medium
CN107563385B (zh) 基于深度卷积生成式对抗网络的车牌字符识别方法
CN103065134B (zh) 一种具有提示信息的指纹识别装置和方法
CN111553406A (zh) 基于改进yolo-v3的目标检测系统、方法及终端
CN103218605B (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
EP4047509A1 (en) Facial parsing method and related devices
CN110543822A (zh) 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
CN103258157B (zh) 一种基于手指信息的在线笔迹认证方法及系统
CN105139000B (zh) 一种去除眼镜痕迹的人脸识别方法及装置
CN107067006A (zh) 一种服务于数据采集的验证码识别方法及系统
CN103810490A (zh) 一种确定人脸图像的属性的方法和设备
CN103996195A (zh) 一种图像显著性检测方法
CN101593272A (zh) 一种基于asm算法的人脸特征定位方法
CN113255561B (zh) 头发信息识别方法、装置、设备及存储介质
CN102254188A (zh) 掌纹识别方法及装置
CN109598235B (zh) 一种指静脉图像认证方法及装置
CN111553241B (zh) 掌纹的误匹配点剔除方法、装置、设备及存储介质
CN108875559B (zh) 基于证件照与现场照的人脸识别方法及系统
CN106096597B (zh) 一种人脸识别方法和装置
CN110414431B (zh) 基于弹性上下文关系损失函数的人脸识别方法及系统
CN104361339B (zh) 掌形图形提取及识别方法
CN108564067A (zh) 人脸比对的阈值确定方法及系统
CN104318224A (zh) 一种人脸识别方法及监控设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Zhang Yun

Inventor after: Liang Jian

Inventor after: Zeng Xianxian

Inventor after: Li Dong

Inventor after: Wang Xiaodong

Inventor before: Liang Jian

Inventor before: Zhang Yun

COR Change of bibliographic data
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190913

Termination date: 20200817