CN106295571B - 光照自适应的人脸识别方法及系统 - Google Patents

光照自适应的人脸识别方法及系统 Download PDF

Info

Publication number
CN106295571B
CN106295571B CN201610658765.3A CN201610658765A CN106295571B CN 106295571 B CN106295571 B CN 106295571B CN 201610658765 A CN201610658765 A CN 201610658765A CN 106295571 B CN106295571 B CN 106295571B
Authority
CN
China
Prior art keywords
illumination intensity
test sample
optimal threshold
face
similarity
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.)
Active
Application number
CN201610658765.3A
Other languages
English (en)
Other versions
CN106295571A (zh
Inventor
陈雁
严蕤
徐勇
朱方志
姜安刘
封其国
崔华
刘松滔
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.)
Shenzhen Graduate School Harbin Institute of Technology
Shenzhen Sunwin Intelligent Co Ltd
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Shenzhen Sunwin Intelligent Co Ltd
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 Shenzhen Graduate School Harbin Institute of Technology, Shenzhen Sunwin Intelligent Co Ltd filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201610658765.3A priority Critical patent/CN106295571B/zh
Publication of CN106295571A publication Critical patent/CN106295571A/zh
Application granted granted Critical
Publication of CN106295571B publication Critical patent/CN106295571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种光照自适应的人脸识别方法，所述光照自适应的人脸识别方法包括以下步骤：采集多张人脸图片，并将获取的人脸图片按照光照强度的等级保存至相应的数据库；根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；测算当前光照强度时测试样本的图像特征最优阈值；比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。本发明还公开了一种光照自适应的人脸识别系统。本发明实现了光照自适应的调整最优阈值，提高了人脸识别分类结果的准确性，因此增加了人脸识别系统的稳定性。

Description

光照自适应的人脸识别方法及系统
技术领域
本发明涉及人脸识别技术领域，尤其涉及光照自适应的人脸识别方法及系统。
背景技术
人脸具有特征丰富，采集方便等优点，相比其他生物特征更是唯一且不可复制性；人脸识别作为身份识别技术之一广泛应用于公共安全、网上支付和员工出勤等方面。目前人脸识别技术中经常通过设定阈值来排除未注册的用户，但在实际应用场景中人脸识别系统的实际阈值常会随着光照场景的变化而变化，从而导致识别结果不准确，因此影响了人脸识别系统的稳定性。
发明内容
本发明的主要目的在于提供一种光照自适应的人脸识别方法及系统，旨在实现光照自适应的调整最优阈值，提高人脸识别分类结果的准确性，增加人脸识别系统的稳定性。
为实现上述目的，本发明提供的一种光照自适应的人脸识别方法包括以下步骤：
采集多张人脸图片，并将获取的人脸图片按照光照强度的等级保存至相应的数据库；
根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；
测算当前光照强度时测试样本的图像特征最优阈值；
比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。
优选地，所述测试样本的自相似度用于表示通过算法比较当前拍摄的测试样本与当前光照强度等级对应数据库中的人脸图片之间的相似程度。
优选地，所述根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度包括：
根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度。
优选地，所述测算当前光照强度时测试样本的图像特征最优阈值包括：
计算每个光照强度等级的数据库中人脸图片的光照强度平均值；
测试每个光照强度等级的数据库中人脸图片的图像特征的最优阈值；
根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系；
根据光照强度与图像特征最优阈值间的对应关系，计算当前光照强度时测试样本的图像特征最优阈值。
优选地，所述根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系包括：
根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值的曲线，得到光照强度与图像特征最优阈值间的函数关系。
此外，为实现上述目的，本发明还提供一种光照自适应的人脸识别系统包括：
采集模块，用于采集多张人脸图片；
保存模块，用于将获取的人脸图片按照光照强度的等级保存至相应的数据库；
获取模块，用于根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；
测算模块，用于测算当前光照强度时测试样本的图像特征最优阈值；
比较模块，用于比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。
优选地，所述测试样本的自相似度用于表示通过算法比较当前拍摄的测试样本与当前光照强度等级对应数据库中的人脸图片之间的相似程度。
优选地，所述获取模块包括：
算法单元，用于根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度。
优选地，所述测算模块包括：
计算单元，用于计算每个光照强度等级的数据库中人脸图片的光照强度平均值；
测试单元，用于测试每个光照强度等级的数据库中人脸图片的图像特征最优阈值；
获取单元，用于根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系；
所述计算单元还用于根据光照强度与图像特征最优阈值间的对应关系，计算当前光照强度时测试样本的图像特征最优阈值。
优选地，所述获取单元用于根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值的曲线，得到光照强度与最优阈值间的函数关系。
本发明通过采集多张人脸图片，并将获取的人脸图片按照光照强度的等级保存至相应的数据库；根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；测算当前光照强度时测试样本的图像特征最优阈值；比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。实现了光照自适应的调整最优阈值，提高了人脸识别分类结果的准确性，因此增加了人脸识别系统的稳定性。
附图说明
图1为本发明光照自适应的人脸识别方法一实施例的流程示意图；
图2为图1中步骤S20的细化流程示意图；
图3为图1中步骤S30的细化流程示意图；
图4为图3中步骤S33的细化流程示意图；
图5为本发明光照自适应的人脸识别系统一实施例的功能模块示意图；
图6为图5中获取模块的细化功能模块示意图；
图7为图5中测算模块的细化功能模块示意图。
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。
本发明提供一种光照自适应的人脸识别方法，参照图1，在一实施例中，该光照自适应的人脸识别方法包括：
步骤S10，采集多张人脸图片，并将获取的人脸图片按照光照强度的等级保存至相应的数据库；
本发明实施例提供的光照自适应的人脸识别方法应用在人脸识别系统中，用于识别当前拍摄的人脸图片。具体地，在一实施例中，可以通过摄像机或相机等摄像设备拍摄多张人脸图片以形成训练样本，接着识别训练样本中人脸的基本五官轮廓和因光照、表情、姿态等不同存在的变化值，并将识别的内容以训练样本为单位，按照不同光照强度等级保存至相应的数据库中。例如：
将光照强度分成5个不同的等级，采集在不同光照等级环境下的人脸图片，每个已注册用户每个光照强度等级采集10张图片，将采集到的所有人脸图片信息存至对应光照强度的数据库中。
步骤S20，根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；
需要说明的是，由当前拍摄的人脸图片构成的所述测试样本的自相似度用于表示通过算法比较当前拍摄的测试样本与当前光照强度等级对应数据库中的人脸图片之间的相似程度。从理论上说，对于任何人脸图片构成的测试样本，其自相似度为100％。
具体地，在一实施例中，可以识别测试样本的基本五官轮廓及因光照、表情、姿态等不同存在的变化值，并匹配对应的光照强度等级，然后将测试样本与对应光照强度等级数据库中的人脸图片进行比对，以此得到测试样本的自相似度。
步骤S30，测算当前光照强度时测试样本的图像特征最优阈值；
需要说明的是，在实际应用场景中，由于光照环境的变化，某一固定的阈值无法作为当前光照强度下的最优阈值，存在较大的误差。因此测算不同光照强度时测试样本的图像特征最优阈值，使人脸识别系统的图像特征阈值随着光照强度变化而变化，从而有效提高人脸识别的准确性。
步骤S40，比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。
可以理解地，比较当前光照强度时测试样本的自相似度和图像特征最优阈值的方式可以根据实际需要进行设置，可以是比较上述两个变量的差值，也可以获取自相似度与图像特征最优阈值的商。具体地，在本实施例中，在当前光照强度下，当测试样本的自相似度大于图像特征最优阈值时，人脸识别系统识别成功；当测试样本的自相似度小于或等于图像特征最优阈值时，人脸识别系统拒绝识别，排除未注册的用户。
本发明实施例通过采集多张人脸图片，并将获取的人脸图片按照光照强度的等级保存至相应的数据库；根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；测算当前光照强度时测试样本的图像特征最优阈值；比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。实现了光照自适应的调整最优阈值，提高了人脸识别分类结果的准确性，因此增加了人脸识别系统的稳定性。
进一步地，参照图2，基于本发明光照自适应的人脸识别方法第一实施例，在本发明光照自适应的人脸识别方法第二实施例中，上述步骤S20包括：
步骤S21，根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度。
上述根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人 脸图片的相似度，进一步得到测试样本x与第i类第j个训练样本的相似度函数，所述测试样 本x与第i类第j个训练样本的相似度函数为
Figure GDA0001133051750000061
其中所述第i类的第j个训练样本表示为：
Figure GDA0001133051750000062
n为训练样本数；第i类的第j个训练样本的自相似度为：
Figure GDA0001133051750000063
需要说明的是，利用联合贝叶斯分类算法可以将人脸表示x＝μ+ε，其中μ表示人脸的定义，ε表示人脸的变化；所述人脸的变化可以是光照变化或表情变化或姿态变化等。所述μ～N(0,Sμ)，即μ服从均值为0，标准差为Sμ的正态分布，Sμ＝cov(μ)，Sμ为未知的协方差矩阵；所述ε～N(0,Sε)，即ε服从均值为0，标准差为Sε的正态分布，Sε＝cov(ε)，Sε为未知的协方差矩阵。
进一步地，根据联合贝叶斯人脸识别算法，得到识别两张人脸图片x1与x2相似度的 标准，所述识别两张人脸图片x1与x2相似度的标准是
Figure GDA0001133051750000064
随机初始化未知的协方差矩阵Sμ与Sε，根据最大期望算法得到概率分布参数Sμ'与Sε'。
联合贝叶斯人脸识别算法中衡量两张人脸图片x1与x2相似度的标准为：
Figure GDA0001133051750000065
其中，A＝(Sμ'+Sε')-1-(F+G)
Figure GDA0001133051750000066
若设第i类的第j个训练样本表示为：
Figure GDA0001133051750000067
其中n为训练样本数；第i类 的第j个训练样本的自相似度为：由人脸图片x1与x2相似度的标准可知，
又因为A≠G，可知s(xj (i))不是常数，而对于任何人脸图片x，其自相似度为100％，所以需要改进人脸图片x1与x2相似度r(x1,x2)，为满足自相似度为常数的条件，重新定义人脸图片x1与x2相似度t(x1,x2)：
Figure GDA00011330517500000610
即对于测试样本x，其与第i类的第j个训练样本的相似度
Figure GDA00011330517500000611
进一步地，参照图3，基于本发明光照自适应的人脸识别方法第一实施例，在本发明光照自适应的人脸识别方法第三实施例中，上述步骤S30包括：
步骤S31，计算每个光照强度等级的数据库中人脸图片的光照强度平均值；
步骤S32，测试每个光照强度等级的数据库中人脸图片的图像特征最优阈值；
步骤S33，根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系；
步骤S34，根据光照强度与图像特征最优阈值间的对应关系，计算当前光照强度时测试样本的图像特征最优阈值。
需要说明的是，在本实施例中具体是通过计算每个数据库对应的光照强度等级中所有光照图片的光照强度平均值，接着测试每个光照强度等级的数据库对应的图像特征最优阈值，然后通过所有光照数据库的光照强度平均值和图像特征最优阈值，拟合光照强度与图像特征最优阈值间的函数关系，以此确定在当前光照环境时，对应的图像特征最优阈值。例如：
上述5个数据库的光照强度平均值分别为y1,y2,y3,y4,y5；
通过测试得到对应光照强度等级的数据库的图像特征最优阈值为T1,T2,T3,T4,T5；
利用不同光照等级的光照强度平均值和图像特征最优阈值，拟合光照强度y与图像特征最优阈值T之间的函数关系，以此计算在当前光照条件下的图像特征最优阈值。
进一步地，参照图4，基于本发明光照自适应的人脸识别方法第三实施例，在本发明光照自适应的人脸识别方法第四实施例中，上述步骤S33包括：
步骤S331，根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值的曲线，得到光照强度与图像特征最优阈值间的函数关系。
需要说明的是，根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值间的曲线，得到光照强度与图像特征最优阈值间的函数关系具体是通过将不同光照强度等级的数据库中人脸图片的光照强度平均值与图像特征最优阈值按照二维坐标的形式标注后，连接形成曲线，然后设定T＝f(y)＝a0+a1y+a2y2，其中T为图像特征最优阈值，y为光照强度。当
Figure GDA0001133051750000081
最小时，可求解a0,a1,a2的具体数值，其中b为光照强度等级的个数；最后带入设定的T＝f(y)＝a0+a1y+a2y2函数中，可获得光照强度与图像特征最优阈值间的对应关系。
本发明还提供一种光照自适应的人脸识别系统，参照图5，在一实施例中，本发明提供的光照自适应的人脸识别系统包括：
采集模块10，用于采集多张人脸图片；
保存模块20，用于将获取的人脸图片按照光照强度的等级保存至相应的数据库；
获取模块30，用于根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；
测算模块40，用于测算当前光照强度时测试样本的图像特征最优阈值；
比较模块50，用于比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果。
本发明实施例提供的光照自适应的人脸识别系统用于识别当前拍摄的人脸图片。具体地，在一实施例中，采集模块10可以通过摄像机或相机等摄像设备拍摄多张人脸图片以形成训练样本，保存模块20将拍摄的人脸图片以训练样本为单位按照不同光照强度等级保存至相应的数据库中；获取模块30识别测试样本的基本五官轮廓及因光照、表情、姿态等不同存在的变化值，并匹配对应的光照强度等级，然后将测试样本与对应光照强度等级数据库中的人脸图片进行比对，以此得到测试样本的自相似度；测算模块40测算当前光照条件时测试样本的图像特征最优阈值；最后，比较模块50比较当前光照强度时测试样本的自相似度与对应的图像特征最优阈值，从而确定测试样本的分类结果。
可以理解的是，在实际应用场景中，由于光照环境的变化，某一固定的图像特征阈值无法作为当前光照强度下的图像特征最优阈值，存在较大的误差，因此测算不同光照强度时对应的图像特征最优阈值，使人脸识别系统的图像特征阈值随着光照强度变化而变化，从而有效提高人脸识别的准确性。
需要说明的是，所述测试样本的自相似度用于表示通过算法比较当前拍摄的测试样本与当前光照强度等级对应数据库中的人脸图片之间的相似程度。从理论上说，对于任何人脸图片构成的测试样本，其自相似度为100％。
进一步地，参照图6，基于本发明光照自适应的人脸识别系统的第一实施例，本发明光照自适应的人脸识别系统的第二实施例中，上述获取模块30包括：
算法单元31，用于根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度。
上述算术单元31根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度，进一步得到测试样本x与第i类第j个训练样本的相似度函数。所述测试样本x与第i类第j个训练样本的相似度函数为
Figure GDA0001133051750000091
其中所述第i类的第j个训练样本表示为：
Figure GDA0001133051750000092
n为训练样本数；第i类的第j个训练样本的自相似度为：
Figure GDA0001133051750000093
进一步地，参照图7，基于本发明光照自适应的人脸识别系统的第一实施例，本发明光照自适应的人脸识别系统的第三实施例中，上述测算模块40包括：
计算单元41，用于计算每个光照强度等级的数据库中人脸图片的的光照强度平均值；
测试单元42，用于测试每个光照强度等级的数据库中人脸图片的图像特征最优阈值；
获取单元43，用于根据所有数据库中人脸图片的光照强度平均值及最优阈值，获取光照强度与图像特征最优阈值间的对应关系；
所述计算单元41还用于根据光照强度与图像特征最优阈值间的对应关系，计算当前光照强度时测试样本的图像特征最优阈值。
需要说明的是，在本实施例中具体是通过计算单元41计算每个数据库对应的光照强度等级中所有光照图片的光照强度平均值，接着测试模块42测试每个光照强度等级的数据库对应的最优阈值，然后获取单元43通过每个光照数据库中人脸图片的光照强度平均值和图像特征最优阈值，拟合光照强度与图像特征最优阈值间的函数关系，最终计算单元41确定在当前光照环境时，图像特征最优阈值。例如：
上述5个数据库中人脸图片的光照强度平均值分别为y1,y2,y3,y4,y5；
通过测试得到对应光照强度等级的数据库的人脸图片的图像特征最优阈值为T1,T2,T3,T4,T5；
利用不同光照等级的光照强度平均值和图像特征最优阈值，拟合光照强度y与图像特征最优阈值T之间的函数关系，以此计算在当前光照条件下测试样本的图像特征最优阈值。
需要说明的是，上述获取单元43具体根据光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系的方式可以根据实际需要进行设置。优选地，在本实施例中，所述获取单元43通过根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值的曲线，得到光照强度与图像特征最优阈值间的函数关系。
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 (8)

1.一种光照自适应的人脸识别方法，其特征在于，所述光照自适应的人脸识别方法包括以下步骤：
采集多张人脸图片，并将获取的人脸图片按照光照强度的等级保存至相应的数据库；
根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；
测算当前光照强度时测试样本的图像特征最优阈值；
比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果；
其中，所述测算当前光照强度时测试样本的图像特征最优阈值包括：
计算每个光照强度等级的数据库中人脸图片的光照强度平均值；
测试每个光照强度等级的数据库中人脸图片的图像特征最优阈值；
根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系；
根据光照强度与图像特征最优阈值间的对应关系，计算当前光照强度时测试样本的图像特征最优阈值。
2.如权利要求1所述的光照自适应的人脸识别方法，其特征在于，所述测试样本的自相似度用于表示通过算法比较当前拍摄的测试样本与当前光照强度等级对应数据库中的人脸图片之间的相似程度。
3.如权利要求1所述的光照自适应的人脸识别方法，其特征在于，所述根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度包括：
根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度。
4.如权利要求1所述的光照自适应的人脸识别方法，其特征在于，所述根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系包括：
根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值的曲线，得到光照强度与图像特征最优阈值间的函数关系。
5.一种光照自适应的人脸识别系统，其特征在于，所述光照自适应的人脸识别系统包括：
采集模块，用于采集多张人脸图片；
保存模块，用于将获取的人脸图片按照光照强度的等级保存至相应的数据库；
获取模块，用于根据当前光照强度等级对应数据库中的人脸图片与当前拍摄的测试样本，获取当前光照强度时的测试样本的自相似度；
测算模块，用于测算当前光照强度时测试样本的图像特征最优阈值；
比较模块，用于比较当前光照强度时测试样本的自相似度与图像特征最优阈值，从而确定测试样本的分类结果；
计算单元，用于计算每个光照强度等级的数据库中人脸图片的光照强度平均值；
测试单元，用于测试每个光照强度等级的数据库中人脸图片的图像特征最优阈值；
获取单元，用于根据所有数据库中人脸图片的光照强度平均值及图像特征最优阈值，获取光照强度与图像特征最优阈值间的对应关系；
所述计算单元还用于根据光照强度与图像特征最优阈值间的对应关系，计算当前光照强度时测试样本的图像特征最优阈值。
6.如权利要求5所述的光照自适应的人脸识别系统，其特征在于，所述测试样本的自相似度用于表示通过算法比较当前拍摄的测试样本与当前光照强度等级对应数据库中的人脸图片之间的相似程度。
7.如权利要求5所述的光照自适应的人脸识别系统，其特征在于，所述获取模块包括：
算法单元，用于根据联合贝叶斯算法，得到测试样本与当前光照强度等级对应数据库中的人脸图片的相似度。
8.如权利要求5所述的光照自适应的人脸识别系统，其特征在于，所述获取单元用于根据最小二乘法拟合所有数据库中人脸图片的光照强度平均值与图像特征最优阈值的曲线，得到光照强度与图像特征最优阈值间的函数关系。
CN201610658765.3A 2016-08-11 2016-08-11 光照自适应的人脸识别方法及系统 Active CN106295571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610658765.3A CN106295571B (zh) 2016-08-11 2016-08-11 光照自适应的人脸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610658765.3A CN106295571B (zh) 2016-08-11 2016-08-11 光照自适应的人脸识别方法及系统

Publications (2)

Publication Number Publication Date
CN106295571A CN106295571A (zh) 2017-01-04
CN106295571B true CN106295571B (zh) 2020-03-24

Family

ID=57668372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610658765.3A Active CN106295571B (zh) 2016-08-11 2016-08-11 光照自适应的人脸识别方法及系统

Country Status (1)

Country Link
CN (1) CN106295571B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921055A (zh) * 2018-06-15 2018-11-30 北京蜂盒科技有限公司 身份识别方法、装置、存储介质及电子设备
CN110610117A (zh) * 2018-06-15 2019-12-24 中兴通讯股份有限公司 一种人脸识别方法、装置及存储介质
CN109635664A (zh) * 2018-11-15 2019-04-16 珠海研果科技有限公司 一种基于光照检测的疲劳驾驶检测方法
CN109688372A (zh) * 2018-11-16 2019-04-26 万翼科技有限公司 一种智能穿戴设备的管理方法
CN109684945A (zh) * 2018-12-10 2019-04-26 平安科技（深圳）有限公司 基于瞳孔的活体检测方法、装置、服务器及存储介质
CN109640476A (zh) * 2018-12-14 2019-04-16 福建鸿博光电科技有限公司 一种调节光照的方法及设备
CN110084016B (zh) * 2019-04-23 2024-07-26 努比亚技术有限公司 一种人脸识别解锁的方法、装置、移动终端及存储介质
CN112241666A (zh) * 2019-07-18 2021-01-19 佳能株式会社 目标识别方法、装置及存储介质
CN113807144A (zh) * 2020-06-15 2021-12-17 福建新大陆支付技术有限公司 一种活体检测设备的测试方法
CN111814690B (zh) * 2020-07-09 2023-09-01 浙江大华技术股份有限公司 一种目标重识别方法、装置和计算机可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2007102021A (ru) * 2007-01-19 2008-07-27 Корпораци "Самсунг Электроникс Ко., Лтд." (KR) Способ и система распознавания личности
CN101587543B (zh) * 2009-06-19 2012-12-05 电子科技大学 一种人脸识别方法
CN103136533B (zh) * 2011-11-28 2015-11-25 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN104424483A (zh) * 2013-08-21 2015-03-18 中移电子商务有限公司 一种人脸图像的光照预处理方法、装置及终端
CN105184238A (zh) * 2015-08-26 2015-12-23 广西小草信息产业有限责任公司 一种人脸识别方法及系统
CN105631430A (zh) * 2015-12-30 2016-06-01 浙江宇视科技有限公司 一种人脸图像的匹配方法和装置

Also Published As

Publication number Publication date
CN106295571A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN106295571B (zh) 光照自适应的人脸识别方法及系统
US9639769B2 (en) Liveness detection
US9818023B2 (en) Enhanced face detection using depth information
US20060171571A1 (en) Systems and methods for quality-based fusion of multiple biometrics for authentication
Gourier et al. Head pose estimation on low resolution images
JP5010905B2 (ja) 顔認証装置
US7848548B1 (en) Method and system for robust demographic classification using pose independent model from sequence of face images
US7925093B2 (en) Image recognition apparatus
CN105740781B (zh) 一种三维人脸活体检测的方法和装置
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN105279772B (zh) 一种红外序列图像的可跟踪性判别方法
CN110084258A (zh) 基于视频人脸识别的人脸优选方法、设备及存储介质
JP2004348674A (ja) 領域検出方法及びその装置
JPWO2005038716A1 (ja) 画像照合システム及び画像照合方法
CN111191655A (zh) 对象识别方法和装置
CN107292299B (zh) 基于内核规范相关分析的侧面人脸识别方法
US20200210687A1 (en) Face recognition device, face recognition method, and computer readable storage medium
JP2011210126A (ja) パターン認識装置及びパターン認識方法
CN108710841A (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
Betta et al. Face-based recognition techniques: proposals for the metrological characterization of global and feature-based approaches
CN111860196A (zh) 手部作业动作评分装置、方法及计算机可读存储介质
Rahman et al. Person to camera distance measurement based on eye-distance
Zappa et al. Stereoscopy based 3D face recognition system
CN114612934A (zh) 一种基于质量维度的步态序列评估方法及系统
WO2008018459A1 (fr) Procédé de traitement d'image, appareil de traitement d'image, programme de traitement d'image, et appareil de prise d'image

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