CN106886744A - 人脸验证方法及系统 - Google Patents

人脸验证方法及系统 Download PDF

Info

Publication number
CN106886744A
CN106886744A CN201611139035.9A CN201611139035A CN106886744A CN 106886744 A CN106886744 A CN 106886744A CN 201611139035 A CN201611139035 A CN 201611139035A CN 106886744 A CN106886744 A CN 106886744A
Authority
CN
China
Prior art keywords
facial image
information
cosmetic
cosmetic facial
global 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.)
Pending
Application number
CN201611139035.9A
Other languages
English (en)
Inventor
付小雁
孙晓宇
尚媛园
刘梦飞
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.)
Capital Normal University
Original Assignee
Capital Normal University
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 Capital Normal University filed Critical Capital Normal University
Priority to CN201611139035.9A priority Critical patent/CN106886744A/zh
Publication of CN106886744A publication Critical patent/CN106886744A/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06V40/168—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种人脸验证方法及系统，该人脸验证方法，包括以下步骤：获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到所述待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息；根据参考特征空间，将所述待测特征信息进行PLS特征投影得到第一特征空间；根据所述第一特征空间，验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人。本发明实施例的人脸验证方法通过获取人脸图像的局部和全局特征信息，并将两种特征信息进行投影处理，在得到的新的特征空间中验证化妆人脸图像和应对的非化妆人脸图像，提高了人脸验证的效率。

Description

人脸验证方法及系统
技术领域
本发明涉及人脸识别技术领域，特别涉及一种人脸验证方法及系统。
背景技术
随着大众审美的提高和化妆品成本的下降，越来越多的人将化妆列为每天的必备事项。化妆在一定程度上改变了人脸的颜色、轮廓以及纹理等特征，特别是在眼睛、嘴唇和眉毛等位置，化妆前后变化明显，致使同一个人的不同照片存在很大差异。
人脸识别方法大多仅采用局部或全局的单一的提取方式，使得在一定程度上造成有效信息缺失或者同一信息多次提取的信息冗余问题，导致错误率的上升。在相关技术中，基于典型相关分析的化妆人脸识别的方法，但识别效果较差，识别率仅为62.4％；或者，将人脸分成12块，提取PCA特征并与偏最小二乘法相结合，在识别率上有了一定的提高。但是，单一的局部块的特征并不能够代表全局特征，容易损失更多有效信息；或者，引入集成学习的方法，对化妆和非化妆人脸的整体区域提取局部Gabor梯度模式(LGGP)、Gabor有序比率直方图(HGORM)和密集采样局部二值模式(DS-LBP)三种特征，将特征投影到子空间中进行分类，这种方法的缺点是两次利用Gabor特征，造成信息大量冗余。
发明内容
本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种人脸验证方法。该人脸验证方法提高了人脸验证的效率。
本发明的另一个目的在于提供一种人脸验证系统。
为了实现上述目的，本发明第一方面实施例公开了一种人脸验证方法，包括以下步骤：获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到所述待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息；根据参考特征空间，将所述待测特征信息进行PLS特征投影得到第一特征空间；根据所述第一特征空间，验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人。
根据本发明实施例的人脸验证方法，通过获取人脸图像的局部和全局特征信息，并将两种特征信息进行投影处理，在得到的新的特征空间中验证化妆人脸图像和应对的非化妆人脸图像，提高了人脸验证的效率。
另外，根据本发明上述实施例的人脸验证方法还可以具有如下附加的技术特征：
进一步地，还包括：获取参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息和全局特征信息，得到所述参考化妆人脸图像和对应的参考非化妆人脸图像的参考特征信息；对所述参考特征信息进行PLS特征投影处理，得到所述参考特征空间。
进一步地，所述获取局部特征信息包括：对所述人脸图像进行分块处理形成多个子块；在所述子块的基础上提取局部二值模式特征；求取所述局部二值模式特征的权重，得到所述局部特征信息。
进一步地，所述全局特征信息包括第一至三全局特征信息，其中，获取方法包括：根据人脸图像，利用多尺度局部二值模式提取所述第一全局特征信息；根据人脸图像，利用多尺度局部相位量化提取所述第二全局特征信息；根据人脸图像，利用区域的Gabor提取所述第三全局特征信息。
进一步地，所述验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人包括：求取余弦相似度量，得到所述局部特征信息和全局特征信息的相似得分，并对所述相似得分加权求和，获得验证结果。
本发明第二方面实施例公开了一种人脸验证系统，包括：第一获取模块，用于获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到所述待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息，根据参考特征空间，将所述待测特征信息进行PLS特征投影得到第一特征空间；验证模块，用于根据所述第一特征空间，验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人。
根据本发明实施例的人脸验证系统，通过获取人脸图像的局部和全局特征信息，并将两种特征信息进行投影处理，在得到的新的特征空间中验证化妆人脸图像和应对的非化妆人脸图像，提高了人脸验证的效率。
另外，根据本发明上述实施例的人脸验证系统还可以具有如下附加的技术特征：
进一步地，还包括：第二获取模块，用于获取参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息和全局特征信息，得到所述参考化妆人脸图像和对应的参考非化妆人脸图像的参考特征信息，对所述参考特征信息进行PLS特征投影处理，得到所述参考特征空间。
进一步地，所述获取局部特征信息包括：对所述人脸图像进行分块处理形成多个子块；在所述子块的基础上提取局部二值模式特征；求取所述局部二值模式特征的权重，得到所述局部特征信息。
进一步地，所述全局特征信息包括第一至三全局特征信息，其中，获取方法包括：根据人脸图像，利用多尺度局部二值模式提取所述第一全局特征信息；根据人脸图像，利用多尺度局部相位量化提取所述第二全局特征信息；根据人脸图像，利用区域的Gabor提取所述第三全局特征信息。
进一步地，所述验证模块还包括：求取余弦相似度量，得到所述局部特征信息和全局特征信息的相似得分，并对所述相似得分加权求和，获得验证结果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的人脸验证方法的流程图；
图2是根据本发明另一个实施例的人脸验证方法的流程图；以及
图3是根据本发明一个实施例的人脸验证系统的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
以下结合附图描述根据本发明的实施例的人脸验证方法及系统。
图1是根据本发明一个实施例的人脸验证方法的流程图。
如图1所示，根据本发明一个实施例的人脸验证方法，包括以下步骤：
S110：获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息。
该人脸验证方法，还包括：获取参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息和全局特征信息，得到参考化妆人脸图像和对应的参考非化妆人脸图像的参考特征信息；对参考特征信息进行PLS特征投影处理，得到参考特征空间。
其中，S111：获取待测化妆人脸图像和对应的待验非化妆人脸图像和参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息，包括：对人脸图像进行分块处理形成多个子块；在子块的基础上提取局部二值模式(LBP)特征；求取局部二值模式特征的权重，得到所述局部特征信息。具体而言，将化妆人脸图像或者非化妆人脸图像大小为128*160，利用现有检测算法自动检测83个点，根据点的位置将人脸分为12块，将每一块以名称和大小标记，对每一块进行局部二值模式特征提取，得到一个向量hi＝(i＝1,2,...,12)，将一张人脸的特征向量串联起来，得到图像的局部二值模式特征向量Hlbp＝[h1,h2,...,h12]，维度为3072，即命名化妆人脸特征向量表示为HA lbp，非化妆人脸特征向量表示为HB lbp。利用fisher准则求取12块的权重，保留权重较大的块，剔除权重较小的块，权重的计算方法如下：
其中，m1(p)为类内均值，m2(p)为类间均值，var1(p)为类内方差，var2(p)为类间方差。并将特征向量重新组合得到H’lbp＝[h1,h2,…,hk]，k为提取的块的个数,同样地，化妆人脸特征表示为HA’ lbp，非化妆人脸特征为HB’ lbp，得到如图2所示的结果。
S112：获取待测化妆人脸图像和对应的待验非化妆人脸图像和参考化妆人脸图像和对应的参数非化妆人脸图像的全局特征信息，包括第一至三全局特征信息，其中，获取方法包括：根据人脸图像，利用多尺度局部二值模式提取第一全局特征信息；根据人脸图像，利用多尺度局部相位量化提取第二全局特征信息；根据人脸图像，利用区域的Gabor提取第三全局特征信息。具体而言，提取这对化妆人脸和非化妆人脸图像的全局特征，分别是自商图像滤波的多尺度局部二值模式(MLBP)，多尺度局部相位量化(MLPQ)，以及基于区域的Gabor特征，步骤如下：将化妆人脸和非化妆人脸进行自商图像滤波，并提取MLBP和MLPQ特征。自商图像定义为：
其中，I(x,y)表示人脸图像，ρ(x,y)表示反照率，Gk表示高斯滤波器，s为光的反射系数。
第一全局特征信息,在自商图像的基础上，进行MLBP特征提取，即LBP的窗口大小分别选择S＝[3,5,7,9]，得到四幅LBP图像Is1,Is2,Is3,Is4，对每一幅LBP图像分成不重叠的9块，分别提取特征直方图，即Ps1＝{P1 s1,P2 s1,…,P9 s1},…,Ps4＝{P1 s4,P2 s4,…,P9 s4}，将相同位置的块的直方图串联起来，最终得到基于自商图像的多尺度LBP特征，即Hmlbp＝[P1 s1,P1 s2,P1 s3,P1 s4,…,P9 s1,P9 s2,P9 s3,P9 s4]，维度为9216,得到化妆人脸的特征为HA mlbp，非化妆人脸的特征为HB mlbp。
第二全局特征信息,在自商图像的基础上，进行MLPQ特征提取，即LPQ的窗口大小分别选择S＝[3,5,7,9]，得到四幅LPQ图像Is1,Is2,Is3,Is4，对每一幅LPQ图像分成不重叠的9块，分别提取特征直方图，即Ps1＝{P1 s1,P2 s1,…,P9 s1},…,Ps4＝{P1 s4,P2 s4,…,P9 s4}，将相同位置的块的直方图串联起来，最终得到基于自商图像的多尺度LPQ特征，即Hmlpq＝[P1 s1,P1 s2,P1 s3,P1 s4,…,P9 s1,P9 s2,P9 s3,P9 s4]，维度为9216，我们用HA mlpq表示化妆人脸的MLPQ特征，用HB mlpq表示非化妆人脸的特征。
第三全局特征信息,将化妆人脸和非化妆人脸图像灰度化，并提取基于区域的Gabor特征。将灰度化后的图像均匀划分为不重叠的9个区域，Region1,Region2,…,Region9,在每个区域内进行Gabor滤波，得到Gabor特征向量，Ri，i＝1,2,…,9。将9个区域的特征向量串联起来，得到一张图像的基于区域的Gabor特征，即Hrgabor＝[R1,R2,…,R9]，维度为40960。我们用HA rgabor表示化妆人脸的Region-Gabor特征，用HB rgabor表示非化妆人脸的特征。
其中，在参考化妆人脸和非化妆人脸图像提取到的四种特征，得到其特征矩阵，表示{Train_MatrixA lbp,Train_MatrixB lbp},{Train_MatrixA mlbp,Train_MatrixB mlbp},{Train_MatrixA mlpq,Train_MatrixB mlpq},{Train_MatrixA rgabor,Train_MatrixB rgabor}。将每个特征矩阵分别进行PLS投影，得到不同的特征投影矩阵。值得注意的是，在局部块的LBP特征部分，我们将经过筛选后的每个块特征分别进行PLS特征投影。投影矩阵如下：Wlbp＝[W1 lbp,W2 lbp,…,Wk lbp](k为局部块的个数),Wmlbp,Wmlpq,以及Wrgabor，即得到了参考特征空间。
S120：根据参考特征空间，将待测特征信息进行PLS特征投影得到第一特征空间。
在进行S120之前，将待测化妆人脸和非化妆人脸图像提取到的四种特征组成特征矩阵，表示{Test_MatrixA lbp,Test_MatrixB lbp},{Test_MatrixA mlbp,Test_MatrixB mlbp},{Test_MatrixA mlpq,Test_MatrixB mlpq},{Test_MatrixA rgabor,Test_MatrixB rgabor}。
具体而言，根据参考特征空间，将待测的特征矩阵进行PLS特征投影获得一个新的特征空间，即第一特征空间。
S130：根据第一特征空间，验证待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人。
具体而言，在第一特征空间中，对待测的化妆人脸和非化妆人脸的图像求相似度，方法为求取余弦相似度量，得到所述局部特征信息和全局特征信息的相似得分，即[similarity1,similarity2,similarity3,similarity4]，并对所述相似得分加权求和，获得验证结果。
根据本发明实施例的人脸验证方法，通过获取人脸图像的局部和全局特征信息，并将两种特征信息进行投影处理，在得到的新的特征空间中验证化妆人脸图像和应对的非化妆人脸图像，提高了人脸验证的效率。
图3是根据本发明一个实施例的人脸验证系统的结构框图。
如图3所示，根据本发明一个实施例的人脸验证系统300，包括：第一获取模块310和验证模块320。
其中，第一获取模块310，用于获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息，根据参考特征空间，将待测特征信息进行PLS特征投影得到第一特征空间。验证模块320，用于根据第一特征空间，验证待测化妆人脸图像和待测非化妆人脸图像的是否为同一个人。
根据本发明实施例的人脸验证系统，通过获取人脸图像的局部和全局特征信息，并将两种特征信息进行投影处理，在得到的新的特征空间中验证化妆人脸图像和应对的非化妆人脸图像，提高了人脸验证的效率。
进一步地，还包括：第二获取模块，用于获取参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息和全局特征信息，得到参考化妆人脸图像和对应的参考非化妆人脸图像的参考特征信息，对参考特征信息进行PLS特征投影处理，得到参考特征空间。
进一步地，获取局部特征信息包括：对人脸图像进行分块处理形成多个子块；在所述子块的基础上提取局部二值模式特征；求取所述局部二值模式特征的权重，得到所述局部特征信息。
进一步地，全局特征信息包括第一至三全局特征信息，其中，包括：根据人脸图像，利用多尺度局部二值模式提取第一全局特征信息；根据人脸图像，利用多尺度局部相位量化提取第二全局特征信息；根据人脸图像，利用区域的Gabor提取第三全局特征信息。
进一步地，验证模块还包括：求取余弦相似度量，得到所述局部特征信息和全局特征信息的相似得分，并对所述相似得分加权求和，获得验证结果。
需要说明的是，本发明实施例的人脸验证系统的具体实现方式与本发明实施例的人脸验证方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种人脸验证方法，其特征在于，包括以下步骤：
获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到所述待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息；
根据参考特征空间，将所述待测特征信息进行PLS特征投影得到第一特征空间；
根据所述第一特征空间，验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人。
2.根据权利要求1所述人脸验证方法，其特征在于，还包括：
获取参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息和全局特征信息，得到所述参考化妆人脸图像和对应的参考非化妆人脸图像的参考特征信息；
对所述参考特征信息进行PLS特征投影处理，得到所述参考特征空间。
3.根据权利要求1或者2所述人脸验证方法，其特征在于，所述获取局部特征信息包括：
对所述人脸图像进行分块处理形成多个子块；
在所述子块的基础上提取局部二值模式特征；
求取所述局部二值模式特征的权重，得到所述局部特征信息。
4.根据权利要求1或者2所述的人脸验证方法，其特征在于，所述全局特征信息包括第一至三全局特征信息，其中，获取方法包括：
根据人脸图像，利用多尺度局部二值模式提取所述第一全局特征信息；
根据人脸图像，利用多尺度局部相位量化提取所述第二全局特征信息；
根据人脸图像，利用区域的Gabor提取所述第三全局特征信息。
5.根据权利要求1所述人脸验证方法，其特征在于，所述验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人包括：求取余弦相似度量，得到所述局部特征信息和全局特征信息的相似得分，并对所述相似得分加权求和，获得验证结果。
6.一种人脸验证系统，其特征在于，包括：
第一获取模块，用于获取待验化妆人脸图像和对应的待验非化妆人脸图像的局部特征信息和全局特征信息，得到所述待测化妆人脸图像和对应的待验非化妆人脸图像的待测特征信息，根据参考特征空间，将所述待测特征信息进行PLS特征投影得到第一特征空间；
验证模块，用于根据所述第一特征空间，验证所述待测化妆人脸图像和应对的待测非化妆人脸图像的是否为同一个人。
7.根据权利要求6所述人脸验证系统，其特征在于，还包括：
第二获取模块，用于获取参考化妆人脸图像和对应的参数非化妆人脸图像的局部特征信息和全局特征信息，得到所述参考化妆人脸图像和对应的参考非化妆人脸图像的参考特征信息，对所述参考特征信息进行PLS特征投影处理，得到所述参考特征空间。
8.根据权利要求6或者7所述人脸验证系统，其特征在于，所述获取局部特征信息包括：
对所述人脸图像进行分块处理形成多个子块；
在所述子块的基础上提取局部二值模式特征；
求取所述局部二值模式特征的权重，得到所述局部特征信息。
9.根据权利要求6或者7所述的人脸验证系统，其特征在于，所述全局特征信息包括第一至三全局特征信息，其中，包括：
根据人脸图像，利用多尺度局部二值模式提取所述第一全局特征信息；
根据人脸图像，利用多尺度局部相位量化提取所述第二全局特征信息；
根据人脸图像，利用区域的Gabor提取所述第三全局特征信息。
10.根据权利要求6所述人脸验证系统，其特征在于，所述验证模块还包括：求取余弦相似度量，得到所述局部特征信息和全局特征信息的相似得分，并对所述相似得分加权求和，获得验证结果。
CN201611139035.9A 2016-12-12 2016-12-12 人脸验证方法及系统 Pending CN106886744A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611139035.9A CN106886744A (zh) 2016-12-12 2016-12-12 人脸验证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611139035.9A CN106886744A (zh) 2016-12-12 2016-12-12 人脸验证方法及系统

Publications (1)

Publication Number Publication Date
CN106886744A true CN106886744A (zh) 2017-06-23

Family

ID=59176747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611139035.9A Pending CN106886744A (zh) 2016-12-12 2016-12-12 人脸验证方法及系统

Country Status (1)

Country Link
CN (1) CN106886744A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108200043A (zh) * 2017-12-28 2018-06-22 中国联合网络通信集团有限公司 图片验证码验证方法和图片验证码验证装置
CN109165546A (zh) * 2018-07-06 2019-01-08 深圳市科脉技术股份有限公司 人脸识别方法及装置
CN109858392A (zh) * 2019-01-11 2019-06-07 复旦大学 一种用于化妆前后人脸图像自动识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200709075A (en) * 2005-08-17 2007-03-01 Chunghwa Telecom Co Ltd Method and device for human face detection and recognition applied in configuration environment
CN101620669A (zh) * 2008-07-01 2010-01-06 邹采荣 一种人脸身份和表情的同步识别方法
CN103914693A (zh) * 2014-04-22 2014-07-09 江西科技师范大学 远红外人脸识别方法
CN106203387A (zh) * 2016-07-21 2016-12-07 乐视控股（北京）有限公司 人脸验证方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200709075A (en) * 2005-08-17 2007-03-01 Chunghwa Telecom Co Ltd Method and device for human face detection and recognition applied in configuration environment
CN101620669A (zh) * 2008-07-01 2010-01-06 邹采荣 一种人脸身份和表情的同步识别方法
CN103914693A (zh) * 2014-04-22 2014-07-09 江西科技师范大学 远红外人脸识别方法
CN106203387A (zh) * 2016-07-21 2016-12-07 乐视控股（北京）有限公司 人脸验证方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHI-HO CHAN 等: "Kernel Fusion of Multiple Histogram Descriptors for Robust Face recognition", 《SSPR/SPR 2010》 *
CUNJIAN CHEN 等: "An ensemble of patch-based subspaces for makeup-robust face recognition", 《INFORMATION FUSION》 *
GUODONG GUO 等: "Face Authentication With Makeup Changes", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 *
JUNLIN HU 等: "MAKEUP-ROBUST FACE VERIFICATION", 《ICASSP 2013》 *
XIAOLONG WANG 等: "A New Approach for Face Recognition Under Makeup Changes", 《2015 IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108200043A (zh) * 2017-12-28 2018-06-22 中国联合网络通信集团有限公司 图片验证码验证方法和图片验证码验证装置
CN109165546A (zh) * 2018-07-06 2019-01-08 深圳市科脉技术股份有限公司 人脸识别方法及装置
CN109165546B (zh) * 2018-07-06 2021-04-02 深圳市科脉技术股份有限公司 人脸识别方法及装置
CN109858392A (zh) * 2019-01-11 2019-06-07 复旦大学 一种用于化妆前后人脸图像自动识别方法
CN109858392B (zh) * 2019-01-11 2021-02-02 复旦大学 一种用于化妆前后人脸图像自动识别方法

Similar Documents

Publication Publication Date Title
Vittayakorn et al. Runway to realway: Visual analysis of fashion
CN105518709B (zh) 用于识别人脸的方法、系统和计算机程序产品
Liu et al. Exploring features in a bayesian framework for material recognition
Arulkumar et al. Multi-feature based automatic face identification on kernel eigen spaces (KES) under unstable lighting conditions
Woodard et al. Finger surface as a biometric identifier
CN103942577B (zh) 视频监控中基于自建立样本库及混合特征的身份识别方法
CN106778468B (zh) 3d人脸识别方法及设备
CN104751108B (zh) 人脸图像识别装置和人脸图像识别方法
AU2004271639B2 (en) Systems and methods for biometric identification using handwriting recognition
Kashem et al. Face recognition system based on principal component analysis (PCA) with back propagation neural networks (BPNN)
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN102799872B (zh) 基于面部图像特征的图像处理方法
CN106529377A (zh) 一种基于图像的年龄估计方法、装置及系统
CN109977887A (zh) 一种抗年龄干扰的人脸识别方法
CN106886744A (zh) 人脸验证方法及系统
CN109145716B (zh) 基于脸部识别的登机口检验平台
CN102663443B (zh) 基于图像扰动和相关滤波的生物特征识别方法
Gornale Fingerprint based gender classification for biometric security: A state-of-the-art technique
Duth et al. Fingerprint based gender classification using ann
Gehrig et al. Action unit intensity estimation using hierarchical partial least squares
Leszczyński Image preprocessing for illumination invariant face verification
Basavaraj et al. An Improved Face Recognition Using Neighborhood Defined Modular Phase Congruency Based Kernel PCA
Christabel et al. Facial feature extraction based on local color and texture for face recognition using neural network
Buchala et al. The role of global and feature based information in gender classification of faces: a comparison of human performance and computational models
Khan et al. Dorsal hand vein biometric using Independent Component Analysis (ICA)

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170623

RJ01 Rejection of invention patent application after publication