CN106407916A - 分布式人脸识别方法、装置及系统 - Google Patents

分布式人脸识别方法、装置及系统 Download PDF

Info

Publication number
CN106407916A
CN106407916A CN201610800220.1A CN201610800220A CN106407916A CN 106407916 A CN106407916 A CN 106407916A CN 201610800220 A CN201610800220 A CN 201610800220A CN 106407916 A CN106407916 A CN 106407916A
Authority
CN
China
Prior art keywords
image
face
feature
gray level
identified
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.)
Pending
Application number
CN201610800220.1A
Other languages
English (en)
Inventor
徐艳霞
俞俊平
冉长江
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.)
Beijing Wei Shengshitong Science And Technology Ltd
Original Assignee
Beijing Wei Shengshitong Science And Technology 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 Beijing Wei Shengshitong Science And Technology Ltd filed Critical Beijing Wei Shengshitong Science And Technology Ltd
Priority to CN201610800220.1A priority Critical patent/CN106407916A/zh
Publication of CN106407916A publication Critical patent/CN106407916A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • 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
    • G06V40/164—Detection; Localisation; Normalisation using holistic features
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]

Abstract

本发明提供了一种分布式人脸识别方法、装置及系统，涉及人脸识别领域，上述方法包括：获取用户的原始人脸图像；将原始人脸图像处理成人脸灰度图像；对人脸灰度图像进行识别处理，提取人脸灰度图像中的预设图像特征：人脸特征和人眼特征；根据预设图像特征对人脸图像进行识别处理，得到人脸图像是否识别通过的识别结果，与现有技术中的在进行用户的人脸识别时，采集海量的样本进行人脸特征训练，成本较高相比，其通过上述人脸识别算法提取人脸灰度图像中的预设图像特征，即采用纯算法进行关键信息提取，并据此进行人脸图像进行识别处理，通过上述人脸识别算法作为依托，无需进行采样及扩充样本，整个识别过程控制简单且成本较低。

Description

分布式人脸识别方法、装置及系统
技术领域
本发明涉及人脸识别技术领域，具体而言，涉及一种分布式人脸识别方法、装置及系统。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术；其通常是基于计算机技术实现的，即通过计算机技术获取人脸特征信息，并对该人脸特征信息进行分析比较，以根据比较结果进行身份鉴别。而随着计算机技术的发展，人脸识别的科学价值越来越凸显，尤其在数字图像处理方面有着广泛的应用。
随着3D虚拟试衣技术的发展，上述人脸识别是3D虚拟试衣技术中的重要组成部分。常用的是3D虚拟试衣系统，系统在使用前，是通过获取用户的人脸图像来进行人脸识别，以完成用户的身份验证，当用户身份验证通过时，用户即可使用该3D虚拟试衣系统，通过该3D虚拟试衣系统中的人体模型对试穿服装进行展示，以供用户查看展示效果。
但是，现有技术中的3D虚拟试衣系统，在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，以进行关键信息的提取，但是这对各个种族的人脸采样需要基数较大，成本较高。
发明内容
有鉴于此，本发明实施例的目的在于提供一种分布式人脸识别方法、装置及系统，以使整个识别过程控制简单且降低整个过程的投入成本。
第一方面，本发明实施例提供了一种分布式人脸识别方法，所述方法包括：
获取用户的原始人脸图像；
将所述原始人脸图像处理成人脸灰度图像；
对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征；所述预设图像特征至少包括：人脸特征和人眼特征；
根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征，包括：
采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点；
采用小波变换的方法对所述图像特征点进行小波变换处理，得到所述预设图像特征。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果，包括：
分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值；其中，每一个注册用户对应的标准人脸图像均预先存储在对应的图像数据库中；
判断计算得到的所述相似度值是否满足标准阈值；
在所述相似度值满足所述标准阈值时，判定所述人脸图像识别通过。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点，包括：
采用Gabor滤波器提取所述人脸灰度图像中的图像特征点；其中，所述Gabor滤波器为： Key(n)＝{P1,P2,P3.......Pn}；其中，key表示人脸灰度图像中的图像特征点；n表示图像特征点的个数；v表示为Gabor核的尺度；u表示Gabor核的方向；exp()表示为包络函数，用于限定振荡函数的变化范围；补偿能量衰弱的系数；σ表示为高斯半径。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值，包括：
采用幅值度量的方法分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值：其中，Sα为匹配幅度值，取值范围是[0,1]；(J,J')表示匹配模板特征点与匹配点；(αj,α'j)表示匹配模板与匹配点同一尺度相位的特征值。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值，包括：
采用相位度量的方法分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值：其中，Sφ表示相位匹配值，取值范围是[0,1]；(J,J')表示匹配模板特征点与匹配点；(αj,α'j)表示匹配模板与匹配点同一尺度相位的特征值；(φj,φj')表示前后相位值；表示相位变化；表示原位置；表示位置变化；变换后系数。
第二方面，本发明实施例还提供了一种分布式人脸识别装置，所述装置包括：
获取模块，用于获取用户的原始人脸图像；
灰度图像处理模块，用于将所述原始人脸图像处理成人脸灰度图像；
图像特征提取模块，用于对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征；所述预设图像特征至少包括：人脸特征和人眼特征；
识别模块，用于根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述图像特征提取模块，包括：
提取单元，用于采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点；
小波变换处理单元，用于采用小波变换的方法对所述图像特征点进行小波变换处理，得到所述预设图像特征。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述识别模块，包括：
计算单元，用于分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值；其中，每一个注册用户对应的标准人脸图像均预先存储在对应的图像数据库中；
判断单元，用于判断计算得到的所述相似度值是否满足标准阈值；
判定单元，用于在所述相似度值满足所述标准阈值时，判定所述人脸图像识别通过。
第三方面，本发明实施例还提供了一种分布式人脸识别系统，包括：客户端、服务器、和中间件；其中，所述服务器为多个，且多个所述服务器构成服务器集群；所述客户端通过所述中间件与所述服务器集群进行数据交换运算；每一个所述服务器均包括上述权利要求7～9任意一项所述的分布式人脸识别装置；
所述客户端，用于采集用户的人脸图像；
所述服务器，用于将所述人脸图像处理成人脸灰度图像；提取所述人脸灰度图像中的预设图像特征；根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果；其中，所述预设图像特征至少包括：人脸特征和人眼特征。
本发明实施例提供的一种分布式人脸识别方法、装置及系统，上述方法包括：获取用户的原始人脸图像；将原始人脸图像处理成人脸灰度图像；对人脸灰度图像进行识别处理，提取人脸灰度图像中的预设图像特征：人脸特征和人眼特征；根据预设图像特征对人脸图像进行识别处理，得到人脸图像是否识别通过的识别结果，与现有技术中的在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，成本较高相比，其通过上述人脸识别算法提取人脸灰度图像中的预设图像特征，即采用纯算法进行关键信息提取，并据此进行人脸图像进行识别处理，通过上述人脸识别算法作为依托，无需进行采样及扩充样本，整个识别过程控制简单且成本较低。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种分布式人脸识别方法的流程图；
图2示出了本发明实施例所提供的建立人眼模板的示意图；
图3示出了根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果的流程图；
图4示出了本发明实施例所提供的一种分布式人脸识别装置的结构示意图；
图5示出了本发明实施例所提供的一种分布式人脸识别装置中图像特征提取模块和识别模块的结构示意图。
100、获取模块；200、灰度图像处理模块；300、图像特征提取模块；400、识别模块；3001、提取单元；3002、小波变换处理单元；4001、计算单元；4002、判断单元；4003、判定单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
每个人都有着不同的面孔，当用户登录时使用脸部对准系统中的镜头，系统获取经过特征点数据比对判定身份，有效的身份通过后将生成3D真人模型，即可选择试穿虚拟试衣间衣服。这使得通过面部特征来一一对应每个人成为了可能。
考虑到现有技术中的3D虚拟试衣系统，在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，以进行关键信息的提取，但是这对各个种族的人脸采样需要基数较大，成本较高。基于此，本发明实施例提供了一种分布式人脸识别方法、装置及系统，操作简单、结果直观且隐蔽性好下面通过实施例进行描述。
本发明实施例提供了一种分布式人脸识别方法，参考图1，所述方法包括：
S101、获取用户的原始人脸图像。
本发明实施例是通过采集用户的人脸图像对用户的身份进行识别，以验证用户的身份，在用户的有效身份验证通过后，即可生成3D真人模型，然后通过3D真人模型选择试穿虚拟试衣间衣服，以展示给用户服装的展示效果。
本步骤中的原始人脸图像，其包括人脸图像，还包括背景图像和发型图像等。
S102、将所述原始人脸图像处理成人脸灰度图像。
S103、对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征；所述预设图像特征至少包括：人脸特征和人眼特征。
本步骤中，可以提取根据人脸的对称性进行单侧脸的识别，即可以减少50％的运算量，根据测试结果验证精度能达到95％以上；也可以对两侧脸均进行识别，以进一步增加识别精度。
本发明实施例采用模板匹配的方式进行人脸判定，首先建立人脸模板和人眼模板，然后将人脸灰度图像分别与建立的人脸模板和人眼模板进行匹配，目的是提取人脸灰度图像中的预设图像特征，以对人脸灰度图像进行人脸识别。
1、人脸模板的具体建立过程如下：
提取人脸灰度图像中的脸部图像，建立脸部图像对应的椭圆模板：该椭圆模版与上述建立脸部匹配；其中，椭圆模板公式中(x0,y0)作为椭圆中心,r作为半径。令r0＝(x0,y0)r，s＝sx＝ρsy，椭圆方程可用四个参数(r0,s,ρ,θ)表示，θ为椭圆倾角。利用人脸轮廓椭圆特征的人脸定位系统进行求解，就变成了对椭圆几个参数最优匹配问题。
根据人脸椭圆形状，可将参数ρ设定为常数，则人脸椭圆就可用三个参数(r0,s,θ)表示。令vsi＝(i＝1,......,N)表示椭圆(r0，s)上的点，usi＝vsi-r0表示点vsi与椭圆中心的位移，则可定义人脸椭圆模板如下：
式中:r＝(x，y)，r为图像上点的坐标，为Delta函数(表示密度分布),hi＝[hxi,hyi]，T(i＝1,......,N)为权值因子。
2、人眼模板的具体建立过程如下：
如图2所示，人体的人眼模板由多个参数决定，这多个参数是定位人眼的关键信息。其中，(Xc，r)表示瞳孔圆心坐标和半径，Xc表示瞳孔中心，是一个二维坐标图中的上下两条抛物线，由参数(Xe，a，b，c，θ)表示；其中Xe表示眼睛模板的中心位置，也是一个二维坐标；a表示下抛物线的最大高度，b表示模板长度的一半，c表示下抛物线的最大高度，θ表示模板与水平方向的夹角，即模板的方向；眼白中心由2个参数(p1,p2)表示，其中心坐标分别为Xe+p1(cosθ，sinθ)和Xe+p2(cosθ，sinθ)。
本发明实施例中，将人眼模板与人脸灰度图像及其波谷、波峰和边缘域进行交互。其中，上述波谷、波峰和边缘分别对应着人眼的黑色区域、白色区域和眼睛的轮廓。依据上述人眼模板建立能量函数，需要考虑如下条件：
①实际图像中眼睛的特征(图像能量)；
②各参数之间的先验关系(内部约束能量)；
③不仅要保证算法收敛，还应给出模板匹配好坏的测度。
完整的能量函数Ec由波谷、波峰、边缘、图像及内部能量组成：
Ec＝Ev+Ee+Ei+Ep+Eparior
其中各项意义如下：
(1)波谷能量是衡量眼睛模板与图像波谷区域接近程度的测度，将使圆收缩到瞳孔最黑的区域，定义为：
其中，φ(x)表示位置x处的能量函数，本例中表示x位置的波谷能量；|Rc|表示瞳孔位置；表示面积积分；c1波谷系数。
(2)边缘能量在眼睛模板的圆边界和抛物线上进行，用干将模板配到瞳孔和上下眼睑的边缘，定义为：
其中，φ(x)表示位置x处的能量函数，本例中表示x位置的边缘能量；|δRc|表示瞳孔边界；∫ds表示弧长积分，本例表示瞳孔处的弧长积分；c2,c3边缘系数。
(3)波峰能量是用来给出关于眼睛模板正确方向的一个测度，它通过计算以左右眼白中心为中心的两个窗口内点的波峰强度，鼓励在眼白中心的点具有高的高度，定义为:
Ep＝c6{φ(xe+p1e1)+(xe+p2e1)}；其中，φ(x)表示位置x处的能量函数，本例中表示x位置的波峰能量；xe+p1e1,xe+p2e1表示眼白信息；c6波峰系数。
(4)图像能量包含两项，一项是关于瞳孔圆内亮度信息的能量，瞳孔圆内像素点的灰度值应较低；一项是关于眼白区域亮度信息的能量，眼白区域像素点的灰度值应较高。具体定义如下:
其中，φ(x)表示位置x处的能量函数，本例中表示x位置的图像能量；|Rc|表示瞳孔位置；表示面积积分，本例表示眼白处的面积积分；c4,c5表示图像系数。
(5)内部能量表明各参数之问的先验约束关系，定义为:
其中，k1,k2,k3,k4表示内部能量系数；||xe,xc||表示瞳孔与眼白距离。
S104、根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果。
具体的，根据用户输入的登录信息，调用该用户在图像数据库中预先存储的标准人脸图像，然后计算该标准人脸图像与采集的用户的人脸图像的各个图像特征的相似度值，并根据计算的相似度值对采集的人脸图像进行识别处理，得到上述人脸图像是否识别通过的识别结果。
本发明实施例提供的一种分布式人脸识别方法，与现有技术中的在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，成本较高相比，其通过上述人脸识别算法提取人脸灰度图像中的预设图像特征，即采用纯算法进行关键信息提取，并据此进行人脸图像进行识别处理，通过上述人脸识别算法作为依托，无需进行采样及扩充样本，整个识别过程控制简单且成本较低。
进一步的，上述分布式人脸识别方法中，步骤103中对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征，包括：
采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点；
采用小波变换的方法对所述图像特征点进行小波变换处理，得到所述预设图像特征。
具体的，上述预设图像特征即面部特征点(也可以称为人脸特征点)。
人脸模板与眼睛模板(即人眼模板)用以判定是否为一张人脸，而面部特征点就是区分不同人脸的关键信息。本发明实施例采用ASM(Active Shape Model，主动形状模型)人脸特征描述，其算法原理与人眼识别一致，以获得人脸关键位置特征点(即上述预设图像特征)。
具体的，采集获得人脸若干特征点；Key(n)＝{P1,P2,P3.......Pn}；其中，本发明实施例采集的人脸特征点为25个，即Key(n)＝{P1,P2,P3......P24,P25}。
采用Gabor滤波器提取所述人脸灰度图像中的图像特征点，其中，Gabor核心函数为：
Gabor滤波器为：
其中，波矢量为：
式中，key表示人脸灰度图像中的图像特征点；n表示图像特征点的个数；v表示为Gabor核的尺度；u表示Gabor核的方向；exp()表示为包络函数，用于限定振荡函数的变化范围；补偿能量衰弱的系数；σ表示为高斯半径。
其中，kv＝kmbx/fv，kmbx为最大频率，f称之为空间因子，滤波器方向因子。
对于不同方向及尺度的相应，Gabor滤波器可以采用kμ,ν来描述，经过参数选择来获得一系列相应的kμ,ν，从而得到一族Gabor滤波器，本设计设置尺度值为5(ν＝0,1,2,3,4)，方向值为8(μ＝0,1,2,3,4,5,6,7)，这样形成40个相关系数来描述灰度图像中点附近领域的特征，在将上述40个相关系数进行小波变换处理，得到25*40个数据，因此最终人脸特征点转化为了25*40个数据来表示。其中，上述40个相关系数进行小波变换处理，得到的数据更利于使用和存储。
进一步的，参考图3，上述分布式人脸识别方法中，步骤104中，根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果，包括：
S201、分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值；其中，每一个注册用户对应的标准人脸图像均预先存储在对应的图像数据库中。
具体的，在获得了人脸特征点以后，即进行人脸特征点匹配；具体匹配过程为：用户根据注册的信息登录系统，系统在接收到用户的登录信息后，从图像数据库中检索与该登录信息匹配的标准人脸图像，同时，获取将该标准人脸图像的标准图像特征点，然后将获得的人脸特征点与用户在图像数据库中预存的标准人脸图像的标准人脸特征点进行匹配，获得相似度值。
其中，上述人脸特征点的特征J为：
J＝{Jj} Jj＝αjexp(φj),j＝0,1,....38,39；其中，αj为复系数的幅值，φj为复系数的相位；
针对上述人脸特征点的提取，目前存在两种度量相似性的方法：幅值度量与角度度量。
第一，采用幅值度量的方法分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值：其中， 其中，Sα为匹配幅度值(即匹配结果值)，取值范围是[0,1]；(J,J')表示匹配模板特征点与匹配点；(αj,α'j)表示匹配模板与匹配点同一尺度相位的特征值；(φj,φj')表示前后相位值；表示相位变化。
第二，采用角度度量的方法分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值。具体的相似度值计算公式如下：其中，上述公式中，Sα为匹配相位值(或者相位匹配值)，取值范围是[0,1]；(J,J')表示匹配模板特征点与匹配点；(αj,α'j)表示匹配模板与匹配点同一尺度相位的特征值；(φj,φj')表示前后相位值；表示相位变化。
而在匹配过程中需调整特征点的位置以适应图形变化，因此得到相位与相对位置之间的关系：
其中，表示原位置；表示位置变化；变换后系数。
本发明实施例中，在计算相似度值时，可以根据人脸的对称性，进行单侧脸的识别计算，并据此进行人脸识别，采用该种方式，可以减少计算整个人脸特征点的50％的运算量，并测试结果验证精度能达到95％以上。
S202、判断计算得到的所述相似度值是否满足标准阈值。
S203、若所述相似度值满足所述标准阈值，则判定所述人脸图像识别通过。
S204、若所述相似度值不所述标准阈值，则判定所述人脸图像识别未通过。
结合上述步骤201～204，单个人脸信息由一系列双精度数据标识，人脸匹配主要原理为两张人脸信息对应点的比值进行加权平均(即将获得的人脸特征点与用户在图像数据库中预存的标准人脸图像的标准人脸特征点进行匹配，获得相似度值)，结果范围为(0,1)，而落在该结果范围中的比值越大，则认为两张脸来自同一单体的概率越高。
本发明实施例提供的一种分布式人脸识别方法，包括：获取用户的原始人脸图像；将原始人脸图像处理成人脸灰度图像；对人脸灰度图像进行识别处理，提取人脸灰度图像中的预设图像特征：人脸特征和人眼特征；根据预设图像特征对人脸图像进行识别处理，得到人脸图像是否识别通过的识别结果，与现有技术中的在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，成本较高相比，其通过上述人脸识别算法提取人脸灰度图像中的预设图像特征，即采用纯算法进行关键信息提取，并据此进行人脸图像进行识别处理，通过上述人脸识别算法作为依托，无需进行采样及扩充样本，整个识别过程控制简单且成本较低。
本发明实施例还提供了一种分布式人脸识别装置，所述装置用于执行上述分布式人脸识别方法，参考图4，所述装置具体包括：
获取模块100，用于获取用户的原始人脸图像。
灰度图像处理模块200，用于将所述原始人脸图像处理成人脸灰度图像。
图像特征提取模块300，用于对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征；所述预设图像特征至少包括：人脸特征和人眼特征。
识别模块400，用于根据预设图像特征对人脸图像进行识别处理，得到人脸图像是否识别通过的识别结果。
进一步的，参考图5，本发明实施例提供的分布式人脸识别装置中，图像特征提取模块300，包括：
提取单元3001，用于采用傅里叶变换的方法提取人脸灰度图像中的图像特征点；
小波变换处理单元3002，用于采用小波变换的方法对图像特征点进行小波变换处理，得到预设图像特征。
进一步的，参考图5，本发明实施例提供的分布式人脸识别装置中，识别模块400，包括：
计算单元4001，用于分别计算人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值；其中，每一个注册用户对应的标准人脸图像均预先存储在对应的图像数据库中；
判断单元4002，用于判断计算得到的相似度值是否满足标准阈值；
判定单元4003，用于在相似度值满足标准阈值时，判定人脸图像识别通过。
进一步的，本发明实施例提供的分布式人脸识别装置中，提取单元4001，具体用于采用Gabor滤波器提取所述人脸灰度图像中的图像特征点；其中，所述Gabor滤波器为： Key(n)＝{P1,P2,P3.......Pn}；其中，key表示人脸灰度图像中的图像特征点；n表示图像特征点的个数；v表示为Gabor核的尺度；u表示Gabor核的方向；exp()表示为包络函数，用于限定振荡函数的变化范围；补偿能量衰弱的系数；σ表示为高斯半径。
本发明实施例提供的一种分布式人脸识别装置，与现有技术中的在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，成本较高相比，其通过上述人脸识别算法提取人脸灰度图像中的预设图像特征，即采用纯算法进行关键信息提取，并据此进行人脸图像进行识别处理，通过上述人脸识别算法作为依托，无需进行采样及扩充样本，整个识别过程控制简单且成本较低。
本发明实施例还提供了一种分布式人脸识别系统，包括：客户端、服务器、和中间件；其中，服务器为多个，且多个服务器构成服务器集群；客户端通过中间件与服务器集群进行数据交换运算；每一个服务器均包括上述分布式人脸识别装置；
客户端，用于采集用户的人脸图像；
服务器，用于将人脸图像处理成人脸灰度图像；提取人脸灰度图像中的预设图像特征；根据预设图像特征对人脸图像进行识别处理，得到人脸图像是否识别通过的识别结果；其中，预设图像特征至少包括：人脸特征和人眼特征。
具体的，人脸识别过程需要进行海量的数据比对运算，且实时性要求较高。单个的服务器的运算已经不能满足需求，因此本发明实施例中采用大量服务器组成服务集群的方式，具体的，采用ICE技术，使ICE作为一个中间件参与客户端与服务器间的数据交换运算，且ICE中间件自身可以连接多服务器构成服务集群。
本发明实施例提供的一种分布式人脸识别系统，其进行人脸识别相对于传统的人脸识别方法特点：
1.识别过程简单，不需要大量样本训练
传统人脸识别需要海量的样本进行人脸训练，对各个种族的人脸采样需要基数较大，成本较高。本系统采用纯算法进行关键信息提取，有算法作为依托，过程控制简单。
2.效率精度较高
传统依托人脸训练做识别比对运算量大，消耗时间长，且需要不断为训练容器扩充样本。采用本系统的人脸算法识别可以根据人脸的对称性进行单侧脸的识别计算，可以减少50％的运算量。根据测试结果验证精度能达到95％以上。
本发明实施例提供的分布式人脸识别系统，由多个服务器组成的远程服务集群与终端设备共同组成。
1.人脸采集
用户的终端设备通过自带的人脸采集设备采集人脸的原始图像信息。服务器集群对上述原始图像信息进行图像处理，以识别到人脸区域，并将人脸图像处理成人脸灰度图像以获取人脸关键点(即人脸特征点)。其中，上述人脸关键点是人脸间相互区分的关键信息。然后服务器集群利用傅里叶变换与小波变换的方法将每个人脸关键点(转化成识别改点的40个双精度数据，最终采集的上述原始图像信息由若干双精度数据唯一标识。
2.人脸匹配
单个人脸信息由一系列双精度数据标识，人脸匹配主要原理为两张人脸信息对应点的比值进行加权平均，结果范围为(0,1)，比值越大则认为两张脸来自同一单体的概率越高。
3.服务集群
人脸信息匹配计算量级较大，单一服务器对实时查找运算量难以满足，因此，需要采用服务集群进行分布式计算，本发明实施例提供的系统采用开源中间组件ICE来构建服务集群，以此达到快速高效查找目的。
本发明实施例提供的一种分布式人脸识别系统，与现有技术中的在进行用户的人脸识别时，均是需要采集海量的样本并进行人脸训练，成本较高相比，其通过上述人脸识别算法提取人脸灰度图像中的预设图像特征，即采用纯算法进行关键信息提取，并据此进行人脸图像进行识别处理，通过上述人脸识别算法作为依托，无需进行采样及扩充样本，整个识别过程控制简单且成本较低，并且系统采用开源中间组件ICE来构建服务集群，以此达到快速高效查找目的。
本发明实施例所提供的分布式人脸识别装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种分布式人脸识别方法，其特征在于，所述方法包括：
获取用户的原始人脸图像；
将所述原始人脸图像处理成人脸灰度图像；
对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征；所述预设图像特征至少包括：人脸特征和人眼特征；
根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果。
2.根据权利要求1所述的分布式人脸识别方法，其特征在于，所述对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征，包括：
采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点；
采用小波变换的方法对所述图像特征点进行小波变换处理，得到所述预设图像特征。
3.根据权利要求1所述的分布式人脸识别方法，其特征在于，所述根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果，包括：
分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值；其中，每一个注册用户对应的标准人脸图像均预先存储在对应的图像数据库中；
判断计算得到的所述相似度值是否满足标准阈值；
在所述相似度值满足所述标准阈值时，判定所述人脸图像识别通过。
4.根据权利要求2所述的分布式人脸识别方法，其特征在于，所述采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点，包括：
采用Gabor滤波器提取所述人脸灰度图像中的图像特征点；其中，所述Gabor滤波器为： Key(n)＝{P1,P2,P3.......Pn}；其中，key表示人脸灰度图像中的图像特征点；n表示图像特征点的个数；v表示为Gabor核的尺度；u表示Gabor核的方向；exp()表示为包络函数，用于限定振荡函数的变化范围；补偿能量衰弱的系数；σ表示为高斯半径。
5.根据权利要求3所述的分布式人脸识别方法，其特征在于，所述分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值，包括：
采用幅值度量的方法分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值：其中，Sα为匹配幅度值，取值范围是[0,1]；(J,J')表示匹配模板特征点与匹配点；(αj,α'j)表示匹配模板与匹配点同一尺度相位的特征值。
6.根据权利要求3所述的分布式人脸识别方法，其特征在于，所述分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值，包括：
采用相位度量的方法分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值：其中，Sφ表示相位匹配值，取值范围是[0,1]；(J,J')表示匹配模板特征点与匹配点；(αj,α'j)表示匹配模板与匹配点同一尺度相位的特征值；(φj,φj')表示前后相位值；表示相位变化；表示原位置；表示位置变化；变换后系数。
7.一种分布式人脸识别装置，其特征在于，所述装置包括：
获取模块，用于获取用户的原始人脸图像；
灰度图像处理模块，用于将所述原始人脸图像处理成人脸灰度图像；
图像特征提取模块，用于对所述人脸灰度图像进行识别处理，提取所述人脸灰度图像中的预设图像特征；所述预设图像特征至少包括：人脸特征和人眼特征；
识别模块，用于根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果。
8.根据权利要求7所述的分布式人脸识别装置，其特征在于，所述图像特征提取模块，包括：
提取单元，用于采用傅里叶变换的方法提取所述人脸灰度图像中的图像特征点；
小波变换处理单元，用于采用小波变换的方法对所述图像特征点进行小波变换处理，得到所述预设图像特征。
9.根据权利要求7所述的分布式人脸识别装置，其特征在于，所述识别模块，包括：
计算单元，用于分别计算所述人脸图像中各个预设图像特征与对应的标准人脸图像的各个预设图像特征的相似度值；其中，每一个注册用户对应的标准人脸图像均预先存储在对应的图像数据库中；
判断单元，用于判断计算得到的所述相似度值是否满足标准阈值；
判定单元，用于在所述相似度值满足所述标准阈值时，判定所述人脸图像识别通过。
10.一种分布式人脸识别系统，其特征在于，包括：客户端、服务器、和中间件；其中，所述服务器为多个，且多个所述服务器构成服务器集群；所述客户端通过所述中间件与所述服务器集群进行数据交换运算；每一个所述服务器均包括上述权利要求7～9任意一项所述的分布式人脸识别装置；
所述客户端，用于采集用户的人脸图像；
所述服务器，用于将所述人脸图像处理成人脸灰度图像；提取所述人脸灰度图像中的预设图像特征；根据所述预设图像特征对所述人脸图像进行识别处理，得到所述人脸图像是否识别通过的识别结果；其中，所述预设图像特征至少包括：人脸特征和人眼特征。
CN201610800220.1A 2016-08-31 2016-08-31 分布式人脸识别方法、装置及系统 Pending CN106407916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610800220.1A CN106407916A (zh) 2016-08-31 2016-08-31 分布式人脸识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610800220.1A CN106407916A (zh) 2016-08-31 2016-08-31 分布式人脸识别方法、装置及系统

Publications (1)

Publication Number Publication Date
CN106407916A true CN106407916A (zh) 2017-02-15

Family

ID=57998425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610800220.1A Pending CN106407916A (zh) 2016-08-31 2016-08-31 分布式人脸识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN106407916A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491739A (zh) * 2017-07-27 2017-12-19 浙江工业大学 一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法
CN108564082A (zh) * 2018-04-28 2018-09-21 苏州赛腾精密电子股份有限公司 图像处理方法、装置、服务器和介质
CN109993041A (zh) * 2017-12-29 2019-07-09 国民技术股份有限公司 一种识别方法、装置及计算机可读存储介质
CN110738156A (zh) * 2019-10-10 2020-01-31 武汉普利商用机器有限公司 一种基于消息中间件的人脸识别系统及方法
CN110869937A (zh) * 2017-07-21 2020-03-06 北京市商汤科技开发有限公司 人脸图像去重方法和装置、电子设备、存储介质、程序

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339607A (zh) * 2008-08-15 2009-01-07 北京中星微电子有限公司 人脸识别方法及系统、人脸识别模型训练方法及系统
CN103136504A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 人脸识别方法及装置
CN104268601A (zh) * 2014-10-11 2015-01-07 深圳市中控生物识别技术有限公司 一种获取人体状态的方法及装置
CN104517104A (zh) * 2015-01-09 2015-04-15 苏州科达科技股份有限公司 一种基于监控场景下的人脸识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339607A (zh) * 2008-08-15 2009-01-07 北京中星微电子有限公司 人脸识别方法及系统、人脸识别模型训练方法及系统
CN103136504A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 人脸识别方法及装置
CN104268601A (zh) * 2014-10-11 2015-01-07 深圳市中控生物识别技术有限公司 一种获取人体状态的方法及装置
CN104517104A (zh) * 2015-01-09 2015-04-15 苏州科达科技股份有限公司 一种基于监控场景下的人脸识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘国永: "基于Gabor小波变换的人脸识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
汪光华: "《智能安防--视频监控全面解析与实例分析》", 31 January 2012, 北京：机械工业出版社 *
苏剑波 等: "《应用模式识别技术导论 人脸识别与语音识别》", 31 May 2001, 上海：上海交通大学出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110869937A (zh) * 2017-07-21 2020-03-06 北京市商汤科技开发有限公司 人脸图像去重方法和装置、电子设备、存储介质、程序
CN107491739A (zh) * 2017-07-27 2017-12-19 浙江工业大学 一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法
CN107491739B (zh) * 2017-07-27 2020-04-24 浙江工业大学 一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法
CN109993041A (zh) * 2017-12-29 2019-07-09 国民技术股份有限公司 一种识别方法、装置及计算机可读存储介质
CN108564082A (zh) * 2018-04-28 2018-09-21 苏州赛腾精密电子股份有限公司 图像处理方法、装置、服务器和介质
CN108564082B (zh) * 2018-04-28 2023-06-09 苏州赛腾精密电子股份有限公司 图像处理方法、装置、服务器和介质
CN110738156A (zh) * 2019-10-10 2020-01-31 武汉普利商用机器有限公司 一种基于消息中间件的人脸识别系统及方法
CN110738156B (zh) * 2019-10-10 2022-12-02 武汉普利商用机器有限公司 一种基于消息中间件的人脸识别系统及方法

Similar Documents

Publication Publication Date Title
CN106407916A (zh) 分布式人脸识别方法、装置及系统
US10082868B2 (en) Calculation method of line-of-sight direction based on analysis and match of iris contour in human eye image
US9824258B2 (en) Method and apparatus for fingerprint identification
CN111339990B (zh) 一种基于人脸特征动态更新的人脸识别系统和方法
CN105893936B (zh) 一种基于hoirm和局部特征融合的行为识别方法
US11429809B2 (en) Image processing method, image processing device, and storage medium
CN103473571B (zh) 一种人体检测方法
CN106570480B (zh) 一种基于姿势识别的人体动作分类方法
CN103295025B (zh) 一种三维模型最优视图的自动选择方法
CN105046197A (zh) 基于聚类的多模板行人检测方法
CN106778468A (zh) 3d人脸识别方法及设备
CN106778489A (zh) 人脸3d特征身份信息库的建立方法及设备
CN107066969A (zh) 一种人脸识别方法
CN108960142B (zh) 基于全局特征损失函数的行人再识别方法
CN108268814A (zh) 一种基于全局和局部特征模糊融合的人脸识别方法及装置
CN106056132B (zh) 一种基于傅里叶描述子和支持向量机的服装款式识别方法
CN106778512A (zh) 一种基于lbp和深度学校的非限制条件下人脸识别方法
CN109740417A (zh) 发票类型识别方法、装置、存储介质和计算机设备
CN106599785A (zh) 人体3d特征身份信息库的建立方法及设备
CN104134058B (zh) 一种人脸图像处理方法
CN110516533A (zh) 一种基于深度度量的行人再辨识方法
CN110135520A (zh) 基于图补全和自适应视角权重分配的不完备多视角聚类方法、装置、系统及存储介质
CN111274944A (zh) 一种基于单张图像的三维人脸重建方法
CN106778491B (zh) 人脸3d特征信息的获取方法及设备
Liu et al. A novel rock-mass point cloud registration method based on feature line extraction and feature point matching

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170215