CN106650568B - 一种人脸识别方法及装置 - Google Patents
一种人脸识别方法及装置 Download PDFInfo
- Publication number
- CN106650568B CN106650568B CN201610798091.7A CN201610798091A CN106650568B CN 106650568 B CN106650568 B CN 106650568B CN 201610798091 A CN201610798091 A CN 201610798091A CN 106650568 B CN106650568 B CN 106650568B
- Authority
- CN
- China
- Prior art keywords
- feature
- face
- image
- gabor
- lpq
- 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
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
- G06V40/168—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
- 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
- G06V40/172—Classification, 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)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸识别方法和装置,用以解决现有技术中存在的在特征提取阶段通过将多种不同的特征提取方式按照并行的方式来提取特征,容易带来冗余信息的问题。所述人脸识别方法包括:获取人脸图像;对人脸图像进行Gabor变换得到Gabor特征图,并通过LBP算法对得到的Gabor特征图进行处理得到第一LBP直方图特征;通过LPQ算法对人脸图像进行处理,得到第一LPQ直方图特征;将第一LBP直方图特征以及第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征,相比于现有技术,Gabor‑LBP、LPQ串行‑并行融合的人脸识别方式,在充分利用互补信息的同时降低了冗余信息。
Description
技术领域
本发明涉及模式识别、数字图像处理技术领域,特别涉及一种人脸识别的方法及装置。
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。
目前典型的人脸识别系统的处理过程为:获取待处理图像中的人脸位置,并对获取到的人脸进行光照处理、几何归一化等操作处理;从处理后的图像中通过多种不同的特征提取方式来提取多种不同类型的人脸特征向量,然后分别对提取到的多种不同类型的人脸特征向量进行降维;分别计算降维后多种不同类型的人脸特征向量与待比较的人脸特征向量之间的相似度,然后对得到的多种不同类型对应的相似度进行融合。
现有技术在特征提取阶段通过将多种不同的特征提取方式按照并行的方式来提取特征,这种并行的提取方式容易带来冗余信息。
发明内容
本发明实施例提供一种人脸识别的方法及装置,用以解决现有技术中存在的在特征提取阶段通过将多种不同的特征提取方式按照并行的方式来提取特征,这种并行的提取方式容易带来冗余信息的问题。
第一方面,本发明实施例提供了一种人脸识别的方法,包括:
获取待检测图像中的人脸图像;
对所述人脸图像进行加窗傅立叶Gabor函数变换得到Gabor特征图,并通过局部二进制(英文:Local Binary Pattern,简称:LBP)算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征;以及通过局部相位量化(英文:Local Phase Quantization,简称:LPQ)对所述人脸图像进行处理,得到第一LPQ直方图特征;
将得到的所述第一LBP直方图特征以及所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征。
本发明将Gabor特征提取方式与LBP特征提取方式按照串行的组合方式获取Gabor-LBP特征;再将Gabor-LBP特征提取方式与LPQ特征提取方式按照并行的组合方式获取最终的人脸特征,不仅有效降低了特征间的冗余信息同时充分利用时域、频率的互补保证信息的完整性。
结合第一方面,在第一方面的第一种可能的实施方式中,在获取待检测图像中的人脸图像之后,在对所述人脸图像进行Gabor函数变换得到Gabor特征图之前,包括:
构造所述人脸图像的图像金字塔;
对所述人脸图像进行Gabor函数变换得到Gabor特征图,包括:
按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor变换得到Gabor特征图。
基于金字塔图像上的人脸关键点进行特征提取,可以获得人脸关键位置的全局与细节信息,具备更强的鉴别能力,从而提升人脸识别的准确率,有效降低人脸姿态等因素导致的位置、尺度变化带来的不利影响。
结合第一方面,在第一方面的第二种可能的实施方式中,在通过LPQ对所述人脸图像进行处理,得到第一LPQ直方图特征时,包括:
针对图像金字塔中包括的P个尺度的金字塔图像分别通过LPQ进行处理得到P个尺度的第二LPQ直方图特征,并将P个尺度的LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征;其中,P为大于等于2的正整数。
结合第一方面,在第一方面的第三种可能的实施方式中,在对所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过LBP算法对得到的所述Gabor特征图进行处理得到LBP直方图特征时,包括:
对所述人脸图像进行Gabor函数变换得到M个尺度的Gabor特征图;并
通过LBP算法对所述M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征,将所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征;其中,M为大于等于2的正整数。
结合第一方面,在第一方面的第四种可能的实施方式中,在将得到的所述LBP直方图特征以及所述LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征之后,还包括:
对所述识别得到的人脸特征进行降维处理,得到降维后的人脸特征向量。
结合第一方面的第四种可能的实施方式,在第一方面的第五种可能的实施方式中,在对所述识别得到的人脸特征进行降维处理,得到降维后的人脸特征向量时,包括:
通过主元分析(英文:Principal Component Analysis,简称:PCA)算法将所述识别得到人脸特征进行降维处理,并通过线性判别式分析(英文:Linear DiscriminantAnalysis,简称:LDA)算法对降维处理后得到的人脸特征进行处理,得到降维后的人脸特征向量。
通过对融合后的人脸特征进行降维处理,而不是对通过每一种特征提取算法提取得到的特征进行降维处理,降低了存储与计算资源的开销。
第二方面,本发明实施例提供了一种人脸图像匹配方法,包括:
采用第一方面和第一方面的第一种可能的实施方式至第五种可能的实施方式中的任一种可能的实施方式所述的人脸识别方法分别针对两个待匹配图像进行处理,得到两个待匹配图像中每个待匹配图像的人脸特征;
确定两个待匹配图像的人脸特征的相似度;
基于所述相似度获取匹配结果。
第三方面,本发明实施例提供了一种人脸识别的装置,包括:
获取模块,用于获取待检测图像中的人脸图像;
第一特征提取模块,用于对所述获取模块获取到的所述人脸图像进行加窗傅立叶Gabor函数变换得到Gabor特征图,并通过LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征;
第二特征提取模块,用于通过LPQ对所述获取模块获取到的所述人脸图像进行处理,得到第一LPQ直方图特征;
特征融合模块,用于将所述第一特征提取模块得到的所述第一LBP直方图特征以及所述第二特征提取模块得到的所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征。
结合第三方面,在第三方面的第一种可能的实施方式中,所述人脸识别装置还包括图像处理模块,用于在所述获取模块获取待检测图像中的人脸图像之后,在所述第一特征提取模块对所述人脸图像进行Gabor函数变换得到Gabor特征图之前,构造所述人脸图像的图像金字塔;
所述第一特征提取模块,在对所述人脸图像进行Gabor函数变换得到Gabor特征图时,具体用于按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor变换得到Gabor特征图。
结合第三方面,在第三方面的第二种可能的实施方式中,所述第二特征提取模块,在通过LPQ对所述获取模块获取到的所述人脸图像进行处理,得到第一LPQ直方图特征时,具体用于针对图像金字塔中包括的P个尺度的金字塔图像分别通过LPQ进行处理得到P个尺度的第二LPQ直方图特征,并将P个尺度的LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征;其中,P为大于等于2的正整数。
结合第三方面,在第三方面的第三种可能的实施方式中,所述第一特征提取模块,在对所述获取模块获取到的所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过LBP算法对得到的所述Gabor特征图进行处理得到LBP直方图特征时,具体用于对所述获取模块获取到的所述人脸图像进行Gabor函数变换得到M个尺度的Gabor特征图;并
通过LBP算法对所述M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征,将所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征;其中,M为大于等于2的正整数。
结合第三方面,在第三方面的第四种可能的实施方式中,所述装置还包括特征处理模块,用于对所述特征融合模块融合得到的人脸特征进行降维处理,得到降维后的人脸特征向量。
结合第三方面的第四种可能的实施方式,在第三方面的第五种可能的实施方式中,所述特征处理模块,在对所述特征融合模块融合得到的人脸特征进行降维处理,得到降维后的人脸特征向量时,具体用于通过PCA算法将所述特征融合模块融合得到人脸特征进行降维处理,并通过LDA算法对降维处理后得到的人脸特征进行处理,得到降维后的人脸特征向量。
第四方面,本发明实施例提供了一种人脸图像匹配装置,包括:
采用第三方面和第三方面的第一种可能的实施方式至第五种可能的实施方式中的任一种可能的实施方式所述的人脸识别装置,所述人脸图像匹配装置还包括确定模块以及匹配模块;
所述人脸识别装置,用于分别针对两个待匹配图像进行处理,得到两个待匹配图像中每个待匹配图像的人脸特征;
所述确定模块,用于确定两个待匹配图像的人脸特征的相似度;
所述匹配模块,用于基于所述相似度获取匹配结果。
本发明有益效果如下:
本发明实施例通过将Gabor特征提取方式与LBP特征提取方式按照串行的组合方式获取Gabor-LBP特征,并将Gabor-LBP特征提取方式与LPQ特征提取方式按照并行的组合方式获取最终的人脸特征,相比于现有技术中在特征提取阶段通过将多种不同的特征提取方式按照并行的方式来提取特征的方式,Gabor-LBP、LPQ串行-并行融合的人脸识别方式,在充分利用互补信息的同时降低了冗余信息。
附图说明
图1为本发明实施例提供的一种人脸识别方法的流程图;
图2为本发明实施例提供的经过人脸检测后的人脸图像示意图;
图3为本发明实施例提供的经过人脸特征点定位人脸定位特征示意图;
图4为本发明实施例提供的人脸归一化后的人脸图像示意图;
图5为本发明实施例提供的4尺度图像金字塔;
图6为本发明实施例提供的5尺度8方向的Gabor特征图;
图7为本发明实施例提供的LBP特征计算方式示意图;
图8为本发明实施例提供的基于特征点的LBP直方图特征图;
图9为本发明实施例提供的基于图像s1的LPQ直方图特征图;
图10为本发明实施例提供的一种人脸识别装置;
图11为本发明实施例提供的一种人脸图像匹配装置。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
本发明实施例提供一种人脸识别的方法及装置,用以解决现有技术中存在的在特征提取阶段通过将多种不同的特征提取方式按照并行的方式来提取特征,这种并行的提取方式容易带来冗余信息的问题。其中,方法和装置是基于同一发明构思的,由于方法及装置解决问题的原理相似,因此装置与方法的实施可以相互参见,重复之处不再赘述。
下面结合附图对本发明优选的实施方式进行详细说明。
参阅图1所示,为本发明实施例提供的人脸识别的方法示意图,人脸识别的方法可以通过电子设备实现,比如终端、系统、摄像设备等。所述方法具体可以包括如下:
S101:获取待检测图像中的人脸图像。
可选地,S101获取待检测图像中的人脸图像,可以通过如下方式实现:
A1,通过人脸检测算法,获取人脸的位置。例如图2所示的白色矩形框的内部区域。
具体的,人脸检测算法可以是基于一种迭代算法AdaBoost算法的人脸检测算法、基于卷积神经网络(Convolutional Neural Network,CNN)的人脸检测算法、基于支持向量机(Support Vector Machine,SVM)的人脸检测算法等。
A2,在获取的人脸的位置中,通过人脸特征点定位算法,获得人脸N个特征点的位置。比如眼角、鼻尖、嘴角等。例如,图3所示为15个人脸特征点,记为p1~p15。其中,N为大于等于2的正整数。
A3,根据人脸特征点的位置,将人脸归一化到固定的大小与位置。例如:图4所示的经过归一化处理后的人脸图像。
S102:对所述人脸图像进行加窗傅立叶Gabor函数变换得到Gabor特征图,并通过局部二进制(英文:Local Binary Pattern,简称:LBP)算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征;以及通过局部相位量化(英文:Local Phase Quantization,简称:LPQ)对所述人脸图像进行处理,得到第一LPQ直方图特征。
其中,Gabor变换属于加窗傅立叶变换,Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。
可选地,对所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过LBP算法对得到的所述Gabor特征图进行处理得到LBP直方图特征,可以通过如下方式实现:
B1,对所述人脸图像进行Gabor函数变换得到M个尺度Gabor特征图。其中,M为大于等于2的正整数。
B2,通过LBP算法对所述M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征,将所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征。
S103,将得到的所述第一LBP直方图特征以及所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征。
在一种可能实现方式中,在将得到的所述第一LBP直方图特征以及所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征时,可以将第一LBP直方图特征以及第一LPQ直方图特征按照如下顺序连接作为识别得到的人脸特征:
第一种实现方式:
flow-level=[Gabor-LBPHS LPQHS] (1.1)
第二种实现方式:
flow-level=[LPQHS Gabor-LBPHS] (2.1)
其中,flow-level表示识别得到的人脸特征,Gabor-LBPHS表示第一LBP直方图特征,LPQHS表示第一LPQ直方图特征。
可选的,在将得到的所述LBP直方图特征以及所述LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征之后,所述方法还可以包括:
对所述识别得到的人脸特征进行降维处理,得到降维后的人脸特征向量。
在对所述识别得到的人脸特征进行降维处理时,具体可以通过主元分析(英文:Principal Component Analysis,简称:PCA)将所述识别得到人脸特征进行降维处理,并通过线性判别式分析(英文:Linear Discriminant Analysis,简称:LDA)算法对降维处理后得到的人脸特征进行处理,得到降维后的人脸特征向量。通过对融合后的人脸特征进行降维处理,而不是对通过每一种特征提取算法提取得到的特征进行降维处理,降低了存储与计算资源的开销。
具体的,首先通过PCA算法将所述识别得到人脸特征flow-level进行降维处理,得到pca特征:
其中,fpca表示PCA特征,Wpca表示PCA投影矩阵。
其次,通过LDA算法对fpca进行投影,使得投影之后的特征类间类内方差比最大化:
其中,Wlda为LDA投影矩阵,flda为最终的人脸特征向量。
可选地,在步骤S101获取待检测图像中的人脸图像之后,步骤S102对所述人脸图像进行Gabor函数变换得到Gabor特征图之前,构造所述人脸图像的图像金字塔,然后对所述人脸图像进行Gabor函数变换得到Gabor特征图时,可以通过如下方式实现:
按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor变换得到Gabor特征图。
具体的,构造所述人脸图像的图像金字塔,包括:
通过图像缩放算法,将人脸图像缩放到不同的尺度大小,得到P个尺度的图像金字塔。其中,P为大于等于2的正整数。例如,将归一化处理后的人脸图像缩放到4个尺寸,得到如图5所示的4尺度图像金字塔,图像金字塔中包括4个金字塔图像,分别标记为s1~s4。
可选的,对所述人脸图像进行Gabor函数变换得到Gabor特征图,包括:
按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor变换得到Gabor特征图。
具体的,按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor变换得到Gabor特征图,包括:
按照预设规则从图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor函数变换,得到M个尺度K个方向的Gabor特征图。Gabor特征本身包含多尺度滤波器。其中,K为大于等于2的正整数。例如,在Gabor特征本身所包含多尺度滤波器中设置M取值为5,K取值为8,得到5尺度8方向的Gabor幅值特征如图6所示。
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,在实际应用中,还可以选择多个图像乃至所有图像进行Gabor函数变换,在此不再进行一一详述。
其中,Gabor变换的计算方式如下:
其中,表示滤波器的中心频率,表示滤波器的方向,表示图像中的像素点坐标向量,σ表示方差。式中用来补偿能量谱衰减,表示约束平面波的高斯包络函数,表示复数平面波,表示直流成分,表示复数平面波减去直流成分,使得二维Gabor变换不受灰度绝对数值的影响。
可选的,通过LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征,可以通过如下方式实现:
通过LBP算法对M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征。
其中,LBP是一种常用的纹理特征,通过对比中心像素与其周围像素的大小,获得2值编码并串联所有的编码值,得到LBP特征。提取LBP特征的方式为:对图像中的每一像素,与设定半径的邻域像素灰度进行对比,根据大小进行0-1编码,大于等于中心点像素灰度值的,则标记为1,小于的则标记为0。最后将2进制编码转换为10进制,得到LBP值。
例如,如图7所示为半径为1的8邻域LBP特征描述子。方格中像素点灰度值经阈值化处理得到中心像素点周围的二进制数10001101,将其转化为十进制为141,即为LBP值。
需要说明的是,二进制数110001101的顺序并无硬性要求,只要在同一处理中保持相同的顺序即可。
具体的,通过LBP算法对M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征。包括:
在第m尺度的LBP特征图上,对于第n1个特征点,取半径为r1的矩形区域,统计区域内的LBP直方图特征(英文:Local Binary Pattern Histograms,简称:LBPHS),记为其中,m={1,2,3……,M-1,M};n1={1,2,3……,N-1,N}。如图8所示为基于特征点的LBP直方特征图。
LBP直方图的计算方式为:
其中LBP(x,y)表示LBP特征图中(x,y)处的LBP特征值。
可选的,所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征,即所有M个尺度的所有N个特征点的特征按照第二预定顺序连接组成第一LBP直方图特征,第二预定顺序为:
第二预定顺序还可以为:
或者,
或者,
需要说明的是,本发明实施例中的第二预定顺序不限定为以上4种。还可以是其它顺序,本发明实施例中对第二预定顺序不作具体限定。
可选的,在构造所述人脸图像的图像金字塔基础上,所述通过LPQ对所述人脸图像进行处理,得到第一LPQ直方图特征,可以通过如下方式实现:
针对图像金字塔中包括的P个尺度的金字塔图像分别通过LPQ进行处理得到P个尺度的第二LPQ直方图特征,并将P个尺度的LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征。
基于金字塔图像上的人脸关键点进行特征提取,可以获得人脸关键位置的全局与细节信息,具备更强的鉴别能力,从而提升人脸识别的准确率,有效降低人脸姿态等因素导致的位置、尺度变化带来的不利影响。
其中,基于傅里叶相位谱的模糊不变特性,LPQ特征对于图像模糊更加稳定。LPQ提取图像二维离散傅里叶变换(英文:2-DIMENSIONAL-Discrete Fourier Transform,简称:2D-DFT)的局部相位信息的计算方式为:
其中f(x)表示一幅图像,x代表点坐标,Nx表示x的邻域Q*Q矩形区域,y代表Nx中的点坐标,u表示频域图像对应的频率,F(u,x)表示图像f(x)的每一个位置x处的Q*Q矩形区域Nx的短时傅里叶变换(英文:short-term Fourier transform,简称:STFT),wu表示2D-DFT在频率u处的基向量,fx表示包含了Nx中所有的Q2个矩形区域的向量。其中,Q为选定的矩形边长值。
在第p尺度的LPQ特征图上,对于第n2个特征点,取半径为r2的的矩形区域,统计区域内的LPQ直方图特征(英文:Local Phase Quantization Histograms,简称:LPQHS),记为其中,p={1,2,3……,M-1,M};n2={1,2,3……,N-1,N}。例如,针对图5中s1~s4的每一幅图像,分别提取LPQ特征,其中图像s1的LPQ特征图如图9所示。
LPQ直方图特征的计算方式为:
其中LPQ(x,y)表示LPQ特征图中(x,y)处的LPQ特征值。
可选的,将P个尺度的LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征,即将所有P个尺度的所有N个特征点处获取的特征按照第三预定顺序连接组成第一LPQ直方图特征,第三预定顺序为:
第三预定顺序还可以为:
或者,
或者,
需要说明的是,本发明实施例中的第三预定顺序不限定为以上4种。还可以是其它顺序,本发明实施例中对第三预定顺序不作具体限定。
本发明实施例还提供了一种人脸图像匹配方法,该方法包括:
C1,通过上述图1对应的实施例提供的人脸识别方法分别针对两个待匹配图像进行处理,得到两个待匹配图像中每个待匹配图像的人脸特征f1、f2。
C2,确定两个待匹配图像的人脸特征f1、f2的相似度;
可选的,一种计算相似度的实现方式为采用余弦夹角计算相似度:
sim(f1,f2)表示f1、f2之间的相似度。
C3,基于所述相似度获取匹配结果。
当相似度大于预定阈值时,则两个待匹配图像匹配成功,当相似度小于等于预定阈值时,则两个待匹配图像匹配失败。
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,在实际应用中,还可以应用其它方式计算相似度,在此不再进行一一详述。并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明实施例基于金字塔图像上的人脸关键点进行特征提取;将Gabor特征提取方式与LBP特征提取方式按照串行的组合方式获取Gabor-LBP特征;再将Gabor-LBP特征提取方式与LPQ特征提取方式按照并行的组合方式获取最终的人脸特征;并直接对最终的人脸特征进行降维与匹配。相比于现有技术在进行人脸特征提取阶段,将人脸归一化到固定的大小,然后通过将多种不同的特征提取方式按照并行的方式来提取特征,最后分别对提取到的多种不同类型的人脸特征向量进行降维和匹配。基于金字塔图像上的人脸关键点进行特征提取可以获得人脸关键位置的全局与细节信息,具备更强的鉴别能力,从而提升人脸识别的准确率,有效降低人脸姿态等因素导致的位置、尺度变化带来的不利影响,而且将Gabor特征与LBP特征按照串行的组合方式获取Gabor-LBP特征并将Gabor-LBP特征提取方式与LPQ特征提取方式按照并行的组合方式获取最终的人脸特征,不仅有效降低了特征间的冗余信息同时充分利用时域、频率的互补保证信息的完整性,最后直接对融合后的特征的进行降维与匹配,而不是对每种特征单独的进行降维、匹配,可以大大降低存储与计算资源的开销。
基于与图1对应的方法实施例的同一发明构思,本发明实施例提供一种人脸识别装置10,该装置的结构如图10所示,包括获取模块11、第一特征提取模块12、第二特征提取模块13和特征融合模块14,其中:
获取模块11,用于获取待检测图像中的人脸图像。
第一特征提取模块12,用于对所述获取模块获取到的所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征。
第二特征提取模块13,用于通过LPQ对所述获取模块获取到的所述人脸图像进行处理,得到第一LPQ直方图特征。
特征融合模块14,用于将所述第一特征提取模块得到的所述第一LBP直方图特征以及所述第二特征提取模块得到的所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征。
具体的,获取待检测图像中的人脸图像可以通过人脸检测算法,具体的可以是基于一种迭代算法AdaBoost算法的人脸检测算法、基于CNN的人脸检测算法、基于SVM的人脸检测算法等。
可选的,上述人脸识别装置10还包括图像处理模块15,用于在所述获取模块11获取待检测图像中的人脸图像之后,在所述第一特征提取模块12对所述人脸图像进行Gabor函数变换得到Gabor特征图之前,构造所述人脸图像的图像金字塔。
具体的,上述第一特征提取模块12,在对所述人脸图像进行Gabor函数变换得到Gabor特征图时,具体用于按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行Gabor变换得到Gabor特征图。
具体地,上述第二特征提取模块13,在通过LPQ对所述人脸图像进行处理,得到第一LPQ直方图特征时,具体用于针对图像金字塔中包括的P个尺度的金字塔图像分别通过LPQ进行处理得到P个尺度的第二LPQ直方图特征,并将P个尺度的LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征。其中,P为大于等于2的正整数。
具体地,上述第一特征提取模块12,在对所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过LBP算法对得到的所述Gabor特征图进行处理得到LBP直方图特征时,具体用于对所述人脸图像进行Gabor函数变换得到M个尺度的Gabor特征图。
并通过LBP算法对所述M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征,将所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征;其中,M为大于等于2的正整数。
可选的,上述人脸识别装置10还包括特征处理模块16,用于对所述特征融合模块融合得到的人脸特征进行降维处理,得到降维后的人脸特征向量。
具体地,上述特征处理模块16,在对所述特征融合模块融合得到的人脸特征进行降维处理,得到降维后的人脸特征向量时,具体用于通过PCA算法将所述识别得到的人脸特征进行降维处理,并通过LDA算法对降维处理后得到的人脸特征进行处理,得到降维后的人脸特征向量。
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,并且在不冲突的情况下,本申请中的实施例及实施例中的功能模块可以相互组合。
本发明实施例中图像处理模块基于金字塔图像上的人脸关键点进行特征提取;第一特征提取模块将Gabor特征提取方式与LBP特征提取方式按照串行的组合方式获取Gabor-LBP特征;特征融合模块再将第一特征提取模块采用的Gabor-LBP特征提取方式与第二特征提取模块采用的LPQ特征提取方式按照并行的组合方式获取最终的人脸特征;并特征处理模块直接对最终的人脸特征进行降维与匹配。相比于现有技术在进行人脸特征提取阶段,将人脸归一化到固定的大小,然后通过将多种不同的特征提取方式按照并行的方式来提取特征,最后分别对提取到的多种不同类型的人脸特征向量进行降维和匹配。图像处理模块基于金字塔图像上的人脸关键点进行特征提取可以获得人脸关键位置的全局与细节信息,具备更强的鉴别能力,从而提升人脸识别的准确率,有效降低人脸姿态等因素导致的位置、尺度变化带来的不利影响,而且;第一特征提取模块将Gabor特征与LBP特征按照串行的组合方式获取Gabor-LBP特征并且特征融合模块将第一特征提取模块采用的Gabor-LBP特征提取方式与第二特征提取模块采用的LPQ特征提取方式按照并行的组合方式获取最终的人脸特征,不仅有效降低了特征间的冗余信息同时充分利用时域、频率的互补保证信息的完整性,最后特征处理模块直接对融合后的特征的进行降维与匹配,而不是对每种特征单独的进行降维、匹配,可以大大降低存储与计算资源的开销。
本申请实施例中对模块的划分是示意性的,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,另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
其中,集成的模块既可以采用硬件的形式实现时,获取模块11对应的功能可以通过通信接口实现,图像处理模块15、第一特征提取模块12、第二特征提取模块13、特征融合模块14和特征处理模块16对应的功能可以通过处理器实现。所述装置还可以包括存储器。
所述存储器,用于存储所述处理器执行的程序代码。
处理器,可以是一个中央处理单元(英文:central processing unit,简称CPU),或者为数字处理单元等等。
本发明实施例中通信接口、处理器和存储器之间可以通过总线连接。所述总线可以分为地址总线、数据总线、控制总线等。
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,本发明实施例中不限定上述通信接口、处理器和存储器之间的具体连接介质。
存储器可以是易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以是非易失性存储器(英文:non-volatile memory),例如只读存储器(英文:read-only memory,缩写:ROM),快闪存储器(英文:flash memory),硬盘(英文:hard disk drive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD)、或者存储器603是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是上述存储器的组合。
本发明实施例还提供一种人脸图像匹配装置20,如图11所示,包括上述人脸识别装置10,还包括确定模块21以及匹配模块22,其中:
上述人脸识别装置10,用于分别针对两个待匹配图像进行处理,得到两个待匹配图像中每个待匹配图像的人脸特征;
上述确定模块21,用于确定两个待匹配图像的人脸特征的相似度;
上述匹配模块22,用于基于所述相似度获取匹配结果。
本发明实施例中对模块的划分是示意性的,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,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
其中,集成的模块既可以采用硬件的形式实现时,确定模块21以及匹配模块22对应的功能可以通过处理器实现。所述装置还可以包括存储器。
所述存储器,用于存储所述处理器执行的程序代码。
处理器,可以是一个CPU,或者为数字处理单元等等。
可选的,本发明实施例中人脸识别装置10、处理器和存储器之间可以通过总线连接。所述总线可以分为地址总线、数据总线、控制总线等。
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,本申请实施例中不限定上述人脸识别装置10、处理器以及存储器之间的具体连接介质。
存储器可以是volatile memory,例如RAM;存储器也可以是non-volatilememory,例如ROM,flash memory,HDD或SSD、或者存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是上述存储器的组合。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取待检测图像中的人脸图像;
构造所述人脸图像的图像金字塔,按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行加窗傅立叶Gabor变换得到Gabor特征图,并通过局部二进制LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征;以及通过局部相位量化LPQ对所述人脸图像进行处理,得到第一LPQ直方图特征;
将得到的所述第一LBP直方图特征以及所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征;
对所述识别得到的人脸特征进行降维处理,得到降维后的人脸特征向量。
2.如权利要求1所述的方法,其特征在于,所述通过局部相位量化LPQ对所述人脸图像进行处理,得到第一LPQ直方图特征,包括:
针对图像金字塔中包括的P个尺度的金字塔图像分别通过局部相位量化LPQ进行处理得到P个尺度的第二LPQ直方图特征,并将P个尺度的第二LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征;其中,P为大于等于2的正整数。
3.如权利要求1所述的方法,其特征在于,对所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过局部二进制LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征,包括:
对所述人脸图像进行Gabor函数变换得到M个尺度的Gabor特征图;并
通过LBP算法对所述M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征,将所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征;其中,M为大于等于2的正整数。
4.如权利要求1所述的方法,其特征在于,对所述识别得到的人脸特征进行降维处理,得到降维后的人脸特征向量,包括:
通过主元分析PCA算法将所述识别得到人脸特征进行降维处理,并通过线性判别式分析LDA算法对降维处理后得到的人脸特征进行处理,得到降维后的人脸特征向量。
5.一种人脸图像匹配方法,其特征在于,包括:
通过如权利要求1~4任一项所述的人脸识别方法分别针对两个待匹配图像进行处理,得到两个待匹配图像中每个待匹配图像的人脸特征;
确定两个待匹配图像的人脸特征的相似度;
基于所述相似度获取匹配结果。
6.一种人脸识别装置,其特征在于,包括:
获取模块,用于获取待检测图像中的人脸图像;
图像处理模块,用于构造所述人脸图像的图像金字塔;
第一特征提取模块,用于按照预设规则从所述图像金字塔包括的P个尺度的金字塔图像中选择一个图像进行加窗傅立叶Gabor变换得到Gabor特征图,并通过局部二进制LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征;
第二特征提取模块,用于通过局部相位量化LPQ对所述获取模块获取到的所述人脸图像进行处理,得到第一LPQ直方图特征;
特征融合模块,用于将所述第一特征提取模块得到的所述第一LBP直方图特征以及所述第二特征提取模块得到的所述第一LPQ直方图特征按照第一预定顺序融合作为识别得到的人脸特征;
特征处理模块,用于对所述特征融合模块融合得到的人脸特征进行降维处理,得到降维后的人脸特征向量。
7.如权利要求6所述的装置,其特征在于,所述第二特征提取模块,在通过局部相位量化LPQ对所述人脸图像进行处理,得到第一LPQ直方图特征时,具体用于:
针对图像金字塔中包括的P个尺度的金字塔图像分别通过局部相位量化LPQ进行处理得到P个尺度的第二LPQ直方图特征,并将P个尺度的第二LPQ直方图特征按照第三预定顺序融合得到所述第一LPQ直方图特征;其中,P为大于等于2的正整数。
8.如权利要求6所述的装置,其特征在于,所述第一特征提取模块,在对所述人脸图像进行Gabor函数变换得到Gabor特征图,并通过局部二进制LBP算法对得到的所述Gabor特征图进行处理得到第一LBP直方图特征时,具体用于:
对所述人脸图像进行Gabor函数变换得到M个尺度的Gabor特征图;并
通过LBP算法对所述M个尺度的Gabor特征图分别进行处理得到M个尺度的第二LBP直方图特征,将所述M个尺度的第二LBP直方图特征按照第二预定顺序融合得到第一LBP直方图特征;其中,M为大于等于2的正整数。
9.如权利要求6所述的装置,其特征在于,所述特征处理模块,在对所述特征融合模块融合得到的人脸特征进行降维处理,得到降维后的人脸特征向量时,具体用于:
通过主元分析PCA算法将所述识别得到人脸特征进行降维处理,并通过线性判别式分析LDA算法对降维处理后得到的人脸特征进行处理,得到降维后的人脸特征向量。
10.一种人脸图像匹配装置,其特征在于,包括如权利要求6~9任一项所述的人脸识别装置,所述人脸图像匹配装置还包括确定模块以及匹配模块;
所述人脸识别装置,用于分别针对两个待匹配图像进行处理,得到两个待匹配图像中每个待匹配图像的人脸特征;
所述确定模块,用于确定两个待匹配图像的人脸特征的相似度;
所述匹配模块,用于基于所述相似度获取匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798091.7A CN106650568B (zh) | 2016-08-31 | 2016-08-31 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798091.7A CN106650568B (zh) | 2016-08-31 | 2016-08-31 | 一种人脸识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650568A CN106650568A (zh) | 2017-05-10 |
CN106650568B true CN106650568B (zh) | 2020-05-26 |
Family
ID=58852067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610798091.7A Active CN106650568B (zh) | 2016-08-31 | 2016-08-31 | 一种人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650568B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280474A (zh) * | 2018-01-19 | 2018-07-13 | 广州市派客朴食信息科技有限责任公司 | 一种基于神经网络的食物识别方法 |
CN109685029B (zh) * | 2018-12-28 | 2023-07-11 | 东莞中国科学院云计算产业技术创新与育成中心 | 复杂空间结构的柔性物体识别方法、装置、设备和介质 |
CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
CN110222700A (zh) * | 2019-05-30 | 2019-09-10 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
CN110807464B (zh) * | 2019-10-21 | 2022-09-20 | 华中科技大学 | 一种获得图像模糊不变纹理特征描述子的方法和系统 |
CN110889373B (zh) * | 2019-11-27 | 2022-04-08 | 中国农业银行股份有限公司 | 基于区块链的身份识别方法、信息保存方法及相关装置 |
CN113343955B (zh) * | 2021-08-06 | 2022-04-08 | 北京惠朗时代科技有限公司 | 一种基于深度金字塔的人脸识别智能尾箱应用方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732601A (zh) * | 2014-11-19 | 2015-06-24 | 东北大学 | 一种基于人脸识别技术的高识别率自动考勤装置及方法 |
CN105138972A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
-
2016
- 2016-08-31 CN CN201610798091.7A patent/CN106650568B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732601A (zh) * | 2014-11-19 | 2015-06-24 | 东北大学 | 一种基于人脸识别技术的高识别率自动考勤装置及方法 |
CN105138972A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106650568A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650568B (zh) | 一种人脸识别方法及装置 | |
US20200184187A1 (en) | Feature extraction and matching for biometric authentication | |
CN108764195B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
WO2015149534A1 (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
Lu et al. | Finger vein identification using polydirectional local line binary pattern | |
WO2022127112A1 (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
Sandbach et al. | Binary pattern analysis for 3D facial action unit detection | |
Malgheet et al. | Iris recognition development techniques: a comprehensive review | |
CN111400528B (zh) | 一种图像压缩方法、装置、服务器及存储介质 | |
CN112651380A (zh) | 人脸识别方法、人脸识别装置、终端设备及存储介质 | |
Ilankumaran et al. | Multi-biometric authentication system using finger vein and iris in cloud computing | |
CN114445904A (zh) | 基于全卷积神经网络的虹膜分割方法和装置、介质和设备 | |
Ismail et al. | Efficient enhancement and matching for iris recognition using SURF | |
Xu et al. | Multi‐pyramid image spatial structure based on coarse‐to‐fine pyramid and scale space | |
Fan et al. | Sparse projections matrix binary descriptors for face recognition | |
Wicht et al. | Mixed handwritten and printed digit recognition in Sudoku with Convolutional Deep Belief Network | |
CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
Raffei et al. | Fusion iris and periocular recognitions in non-cooperative environment | |
CN111612063A (zh) | 一种图像匹配方法、装置、设备及计算机可读存储介质 | |
Ramesh et al. | Multiple object cues for high performance vector quantization | |
WO2015061972A1 (en) | High-dimensional feature extraction and mapping | |
Liu et al. | Finger-vein recognition with modified binary tree model | |
CN108629264B (zh) | 用于图像处理的方法和装置 | |
CN112419249A (zh) | 一种特殊服饰图片转化方法、终端设备及存储介质 | |
CN106874824B (zh) | 一种用于掌纹识别的频段选择方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |