发明内容
本发明实施例提供了一种人脸识别的方法以及人脸识别装置,用于通过对DCP特征的提取来有效地识别人脸,使得进行人脸识别的时候更具有鲁棒性,增加方案的实用性,提升用户体验。
有鉴于此,本发明第一方面提供一种人脸识别的方法,包括:
获取用户的人脸图像;
对所述人脸图像进行滤波处理,并得到目标人脸图像;
从所述目标人脸图像中提取同心双十字交叉模式DCP特征;
采用卡方检验计算所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的。
结合本发明实施例的第一方面,在第一种可能的实现方式中,所述对所述人脸图像进行滤波处理,并得到目标人脸图像,包括:
按照如下方式计算所述人脸图像的滤波梯度图像:
其中,FDG(θ)表示θ角度的方向上对应的所述人脸图像的滤波梯度图像,表示在滤波中的标准方向向量,G表示二维高斯滤波器,表示梯度算子符号。
结合本发明实施例的第一方面第一种可能实现方式,在第二种可能的实现方式中,所述θ角度为四个角度值,分别为0度、45度、90度以及135度。
结合本发明实施例的第一方面,在第三种可能的实现方式中,所述从所述目标人脸图像中提取同心双十字交叉模式DCP特征,包括:
以所述目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
从所述内圆上获取8个角度间隔相等的内圆采样点;
从所述外圆上获取8个角度间隔相等的外圆DCP采样点,其中,所述内圆采样点与所述外圆采样点具有对应关系;
分别对所述内圆采样点与所述外圆采样点进行编码,并得到所述DCP特征。
结合本发明实施例的第一方面第三种可能实现方式,在第四种可能的实现方式中,所述分别对所述内圆采样点与所述外圆采样点进行编码,并得到所述DCP特征,包括:
按照如下方式分别计算所述内圆采样点与所述外圆采样点上的DCP编码:
或,
其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数, 以及IO分别表示采样点Ai、Bi以及O的灰度值;
按照如下方式计算所述DCP特征:
其中,DCP表示DCP特征,i表示第i个采样点,表示水平和垂直方向采样点的所述DCP编码,表示对角方向采样点的所述DCP编码。
结合本发明实施例的第一方面第四种可能实现方式,在第五种可能的实现方式中,
按照如下方式计算所述灰度强度函数S(x)的值:
其中,所述S(x)表示灰度强度函数,b(x)表示常值函数,f1,d(x)与f0,d(x)表示为模糊隶属度函数,d为边界阈值。
本发明第二方面提供一种人脸识别装置,包括:
获取模块,用于获取用户的人脸图像;
滤波模块,用于对所述获取模块获取的所述人脸图像进行滤波处理,并得到目标人脸图像;
提取模块,用于从所述滤波模块滤波后得到的所述目标人脸图像中提取同心双十字交叉模式DCP特征;
计算模块,用于采用卡方检验计算所述提取模块提取的所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的。
结合本发明实施例的第二方面,在第一种可能的实现方式中,所述滤波模块包括:
计算单元,用于按照如下方式计算所述人脸图像的滤波梯度图像:
其中,FDG(θ)表示θ角度的方向上对应的所述人脸图像的滤波梯度图像,表示在滤波中的标准方向向量,G表示二维高斯滤波器,表示梯度算子符号。
结合本发明实施例的第二方面第一种可能实现方式,在第二种可能的实现方式中,所述θ角度为四个角度值,分别为0度、45度、90度以及135度。
结合本发明实施例的第二方面,在第三种可能的实现方式中,所述提取模块包括:
第一获取单元,用于以所述目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
第二获取单元,用于从所述第一获取单元获取的所述内圆上获取8个角度间隔相等的内圆采样点;
第三获取单元,用于从所述第一获取单元获取的所述外圆上获取8个角度间隔相等的外圆DCP采样点,其中,所述内圆采样点与所述外圆采样点具有对应关系;
编码单元,用于分别对所述第二获取单元获取的所述内圆采样点与所述第三获取单元获取的所述外圆采样点进行编码,并得到所述DCP特征。
结合本发明实施例的第二方面第三种可能实现方式,在第四种可能的实现方式中,所述编码单元包括:
计算子单元,用于按照如下方式分别计算所述内圆采样点与所述外圆采样点上的DCP编码:
或,
其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数, 以及IO分别表示采样点Ai、Bi以及O的灰度值;
按照如下方式计算所述DCP特征:
其中,DCP表示DCP特征,i表示第i个采样点,表示水平和垂直方向采样点的所述DCP编码,表示对角方向采样点的所述DCP编码。
结合本发明实施例的第二方面第四种可能实现方式,在第五种可能的实现方式中,
所述计算子单元,还用于按照如下方式计算所述灰度强度函数S(x)的值:
其中,所述S(x)表示灰度强度函数,b(x)表示常值函数,f1,d(x)与f0,d(x)表示为模糊隶属度函数,d为边界阈值。
本发明第三方面提供一种人脸识别装置,包括:
处理器以及存储器;
所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,使得所述人脸识别装置执行如本发明第一方面、第一方面第一至第五种可能实现方式中任一项所述的人脸识别的方法。
本发明第四方面提供一种存储一个或多个程序的存储介质,包括:
一个或多个程序包括指令,所述指令当被包括一个或多个处理器的所述人脸识别装置执行时,使所述人脸识别装置执行如权利要求1至6任一项所述的人脸识别的方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,提供了一种人脸识别的方法,首先获取用户的人脸图像,再对人脸图像进行滤波处理,并得到目标人脸图像,然后从目标人脸图像中提取DCP特征,最后采用卡方检验计算目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据相似性分数对目标人脸图像进行识别,其中,原始人脸图像对应的DCP特征为预先得到的。通过对DCP特征的提取来有效地识别人脸,使得进行人脸识别的时候更具有鲁棒性,增加方案的实用性,提升用户体验。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种人脸识别的方法以及人脸识别装置,用于通过对DCP特征的提取来有效地识别人脸,使得进行人脸识别的时候更具有鲁棒性,增加方案的实用性,提升用户体验。
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,本领域技术人员在没有作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。
下面对本发明中的人脸识别的方法进行详细描述,请参阅图1,本发明实施例提供的一种人脸识别的方法实施例包括:
101、获取用户的人脸图像;
本实施例中,人脸识别装置中的摄像头捕捉用户的人脸图像,其中,该人脸图像中应当至少包括眼睛、鼻子以及嘴巴。
获取用户的人脸图像主要包括以下两个步骤:
第一,人脸图像采集,不同的人脸图像都能通过摄像镜头采集下来,比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时,采集设备会自动搜索并拍摄用户的人脸图像。
第二,人脸检测,人脸检测在实际中主要用于人脸识别的预处理,即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及矩形特征(英文全称:Haar)等。人脸检测就是把这其中有用的信息挑出来,并利用这些特征实现人脸检测。
主流的人脸检测方法基于以上特征采用自适应弱分类算法(英文全称:Adaptiveboosting,英文缩写:Adaboost),Adaboost算法是一种用来分类的方法,它把一些比较弱的分类方法合在一起,组合出新的很强的分类方法。人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的Haar特征,按照加权投票的方式将弱分类器构造为一个强分类器,再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器,有效地提高分类器的检测速度。
102、对人脸图像进行滤波处理,并得到目标人脸图像;
本实施例中,需要先对获取到的人脸图像进行预处理,基于人脸图像对图像进行处理并最终服务与特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰,往往不能直接使用,必须在图像处理的早期阶段对它进行灰度校正、噪声过滤和滤波处理等图像预处理。对于人脸图像而言,其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等,最后得到可以用于提取特征的目标人脸图像。
103、从目标人脸图像中提取同心双十字交叉模式DCP特征;
本实施例中,从目标人脸图像中提取同心双十字交叉模式(英文全称:Dual-CrossPatterns,英文缩写:DCP)特征。其中,DCP特征是在局部二值模式(英文全称:Local BinaryPatterns,英文缩写:LBP)特征的基础上改进而来的,先把单元8领域变成双圆各8领域采样,再按水平、垂直和对角线方向,分别按照局部四进制编码的方式,提取2组相同维数的子DCP特征,最后连接而成,即为DCP特征。
可以理解的是,除了提取DCP特征以外,人脸识别装置还可以使用的特征有视觉特征、像素统计特征、人脸图像变换系数特征和人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取,也称人脸表征,它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类:一种是基于知识的表征方法,另外一种是基于代数特征或统计学习的表征方法。
104、采用卡方检验计算目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据相似性分数对目标人脸图像进行识别,其中,原始人脸图像对应的DCP特征为预先得到的。
本实施例中,采用卡方检验计算目标人脸图像对应的DCP特征与数据库中存储的原始人脸图像对应的DCP特征的相似性分数,通过设定一个阈值,当相似性分数超过这一阈值,则把匹配得到的结果输出。
人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较,根据相似程度对人脸的身份信息进行判断。这一过程又分为两类:一类是确认,是一对一进行图像比较的过程,另一类是辨认,是一对多进行图像匹配对比的过程,此处不对具体匹配方式做限定。
本发明实施例中,提供了一种人脸识别的方法,首先获取用户的人脸图像,再对人脸图像进行滤波处理,并得到目标人脸图像,然后从目标人脸图像中提取DCP特征,最后采用卡方检验计算目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据相似性分数对目标人脸图像进行识别,其中,原始人脸图像对应的DCP特征为预先得到的。通过对DCP特征的提取来有效地识别人脸,使得进行人脸识别的时候更具有鲁棒性,增加方案的实用性,提升用户体验。
可选地,在上述图1对应的实施例的基础上,本发明实施例提供的人脸识别的方法第一个可选实施例中,对人脸图像进行滤波处理,并得到目标人脸图像,可以包括:
按照如下方式计算人脸图像的滤波梯度图像:
其中,FDG(θ)表示θ角度的方向上对应的人脸图像的滤波梯度图像,表示在滤波中的标准方向向量,G表示二维高斯滤波器,表示梯度算子符号。
本实施例中,为了抑制噪声和光照变化的影响,需要从多个角度的方向上,对输入的人脸图像分别使用高斯一阶导数算子(英文全称:the first derivative of Gaussianoperator,英文缩写:FDG)计算得到FDG滤波梯度图像,其公式如下:
FDG(θ)表示θ角度的方向上对应的人脸图像的FDG滤波梯度图像,表示在滤波中的标准方向向量,G表示二维高斯滤波器,表示梯度算子符号。
其中,是用在滤波中的标准方向向量,它表示为:
G是二维高斯滤波器,其计算公式如下:
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数为:
其中,高斯分布参数Sigma决定了高斯函数的宽度。对于图像处理来说,常用二维零均值离散高斯函数作平滑滤波器。高斯函数具有五个重要的性质,这些性质使得它在早期图像处理中特别有用.这些性质表明,高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器,且高斯函数具有五个非常重要的性质,分别是:
(1)二维高斯函数具有旋转对称性,即滤波器在各个方向上的平滑程度是相同的。一般来说,一幅图像的边缘方向是事先不知道的,因此,在滤波前是无法确定一个方向上比另一方向上需要更多的平滑。旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向。
(2)高斯函数是单值函数,这表明,高斯滤波器用像素邻域的加权均值来代替该点的像素值,而每一邻域像素点权值是随该点与中心点的距离单调增减的。这一性质是很重要的,因为边缘是一种图像局部特征,如果平滑运算对离算子中心很远的像素点仍然有很大作用,则平滑运算会使图像失真。
(3)高斯函数的傅立叶变换频谱是单瓣的,这一性质是高斯函数傅立叶变换等于高斯函数本身这一事实的直接推论。图像常被不希望的高频信号所污染(比如噪声和细纹理),而所希望的图像特征(比如边缘),既含有低频分量,又含有高频分量.高斯函数傅里叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染,同时保留了大部分所需信号。
(4)高斯滤波器宽度(决定着平滑程度)是由参数σ表征的,而且σ和平滑程度的关系是非常简单的。σ越大,高斯滤波器的频带就越宽,平滑程度就越好.通过调节平滑程度参数σ,可在图像特征过分模糊(过于平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(不够平滑)之间取得折衷。
(5)由于高斯函数的可分离性,较大尺寸的高斯滤波器可以得以有效地实现。二维高斯函数卷积可以分两步来进行,首先将图像与一维高斯函数进行卷积,然后将卷积结果与方向垂直的相同一维高斯函数卷积.因此,二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。
其次,本发明实施例中,提供了一种通过对人脸图像进行滤波处理,得到目标人脸图像的方法,利用相关公式从四个方向分别计算得到滤波梯度图像,并相应地对滤波器进行了优化,从而可以抑制噪声和光照变化的影响,提升人脸图像的品质,有利于提取图像特征,增强方案的实用性。
可选地,在上述图1对应的第一个可选实施例的基础上,本发明实施例提供的人脸识别的方法第二个可选实施例中,θ角度为四个角度值,分别为0度、45度、90度以及135度。
本实施例中,将以θ角度分别等于0度、45度、90度以及135度时的滤波器进行介绍。
根据上述图1对应的第一个可选实施例可知,FDG滤波梯度图像,其公式如下:
在计算0度和90度的FDG梯度滤波图像时,直接将相应数值代入公式计算即可,然而,当在计算45度和135度的FDG梯度滤波图像时,则可以使用如下公式:
Fθ=FXcosθFYsinθ
其中,FX表示水平方向上的FDG梯度滤波,FY表示垂直方向上的FDG梯度滤波。
由于对FDG滤波器进行了优化,通过实验验证,滤波器的尺寸选用5×5,二维高斯滤波器中的数学期望μ=4,方差σ=1时,滤波器效果会比较好。可以得到4个方向上的滤波器,分别表示为:
水平方向:
垂直方向:
对角方向:
对角方向:
需要说明的是,上述得到4个方向上的滤波器仅仅为一个示意,在实际应用中,也可以是其他参数构成的滤波器,此处不做限定。
再次,本发明实施例中,针对人脸图像的滤波处理,具体可以涉及到四个方向的滤波,分别为0度、45度、90度以及135度,经过实验验证,从这四个角度对输入的人脸图像做滤波处理,能够达到处理效率性价比较高的效果。虽然在角度间隔更小的情况下,对多个方向分别进行滤波处理可以达到更好的抑制噪声和抑制光照变化的功能,但是会增加计算负担。不利于实际应用。然而使用角度间隔更大的方向进行滤波,可能会对噪声和光照变化的抑制变弱,不利于图像处理。因此,本发明方案提供的对人脸图像做四个方向上的滤波处理具有可操作性和实用性。
可选地,在上述图1对应的实施例的基础上,本发明实施例提供的人脸识别的方法第三个可选实施例中,从目标人脸图像中提取同心双十字交叉模式DCP特征,可以包括:
以目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
从内圆上获取8个角度间隔相等的内圆采样点;
从外圆上获取8个角度间隔相等的外圆DCP采样点,其中,内圆采样点与外圆采样点具有对应关系;
分别对内圆采样点与外圆采样点进行编码,并得到DCP特征。
本实施例中,采用双圆8个领域的采样的方法提取DCP特征,首先分别连接目标人脸图像的对角,并得到对角线的交点,即中心点。以该中心点为圆心画出两个半径不同的圆,半径较小的为内圆,半径较大的为外圆。对于内圆与外圆同时在每隔45度角的方向上,按照内圆与外圆不同的半径均与采样两个点。具体地,请参阅图2,图2为本发明实施例中DCP特征局部采样示意图,如图所示,中心点为O,内圆采样点为Ai,外圆采样点为Bi,i=0,1,…,7,分别按照8个方向对称排列,也就是内圆采样点与外圆采样点具有对应关系,例如,A0与B0具有对应关系,均对应0度角,A1与B1具有对应关系,均对应45度角,以此类推,直到得到A7与B7具有对应关系,均对应335度角。
本方案中,采样方式是双圆8个领域提取DCP特征,比起单元提取特征的优势在于增加了局部领域的上下文信息,刻画了局部强度对比。然而在改进当中,尝试了三圆8个领域的采样方式,但是测试效果一般,其原因是中心点与每个方向的3个点的编码方式没有合适的计算形式,所以影响了该采样方法的评价。
另外,尝试椭圆形的8个领域采用方法,测试结果并没有明显提高。至于16个领域与本方案研究的8个方向不一致,故不进行介绍。
可以理解的是,当内圆的半径取4,且外圆的半径取6个像素时,得出的测试结果较好。
最后,分别对内圆采样点与外圆采样点进行编码,并得到DCP特征。
其次,本发明实施例中,采用从双圆8个领域局部采样的方法来提取DCP特征,相比之下,现有技术中通过从单圆8个领域或单圆16个领域中提取LBP特征,提取DCP特征更能迎合面部纹理的走向。对于人脸而言,主要有两部分关键信息,一是面部器官结构,另一个是面部器官的形状。一般而言,面部器官的形状是规则的,而它们的末端大致收敛于对角方向,从而可以从对角方向来提取特征。此外,在前额上的皱纹是平面的,然而在面颊上是凸起或倾斜的,因此采用双圆8个领域局部采样的方法,能够较好地描述面部主要纹理信息,提升方案的可行性。
可选地,在上述图1对应的第三个可选实施例的基础上,本发明实施例提供的人脸识别的方法第四个可选实施例中,分别对内圆采样点与外圆采样点进行编码,并得到DCP特征,可以包括:
按照如下方式分别计算内圆采样点与外圆采样点上的DCP编码:
或,
其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数, 以及IO分别表示采样点Ai、Bi以及O的灰度值;
按照如下方式计算所述DCP特征:
其中,DCP表示DCP特征,i表示第i个采样点,表示水平和垂直方向采样点的DCP编码,表示对角方向采样点的DCP编码。
本实施例中,分别对内圆采样点与外圆采样点进行编码,并得到DCP特征具体可以是,分为下面两个步骤来完成,第一步,按照8个方向对内圆与外圆上的采样点各自独立编码;第二步,连接内圆上的8个方向编码,以及外圆上的8个方向编码,得到DCP编码。
在每个方向上,DCP编码的计算公式为:
或,
两个公式计算得到的相似性分数一致,其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数,以及IO分别表示采样点Ai、Bi以及O的灰度值;
灰度强度函数S(x)的计算公式如下:
根据DCP编码的计算公式,DCP的值可以取0、1、2和3,共四个值,即可四进制编码。若按照8个方向编码,则共有48=65536维,这在实际应用中困难较多。若把方向分成2组,每组4个方向,分别为水平和垂直方向(0,π/2,π,3π/2),以及对角方向(π/4,3π/4,5π/4,7π/4),共有44×2=512维,这样便可以大大降低维数。
对于上述的分组编码策略,是利用了最大联合熵理论,为了减少信息的损耗,就需要每组4个方向之间的间隔最大,即互相垂直,这样各自便具有一定的独立性。此外,对于一幅图像,像素点越稀疏分散,则它们之间的独立性越强,联合熵就可以达到最大。请参阅图3,图3为本发明实施例中DCP特征的两种采用模式示意图,如图所示,根据以上分析,DCP编码可以分为以下两组:
水平方向和垂直方向:DCP-1={DCP0,DCP2,DCP4,DCP6}
对角方向:DCP-2={DCP1,DCP3,DCP5,DCP7}
于是各自的计算公式如下:
最后组成的DCP特征为:
请参阅图4,图4为本发明实施例中DCP特征的提取过程示意图,首先获取人脸图像,通过滤波处理得到目标人脸图像。将目标人脸图像进行双圆8领域划分,得到两组4个方向的DCP编码,最后组成目标人脸图像DCP特征。通过与数据库中的DCP特征比对来进行人脸识别。
再次,本发明实施例中,分别对内圆采样点与外圆采样点进行编码,并得到DCP特征。按照8个方向对内圆与外圆上的采样点各自独立编码,连接内圆上的8个方向编码,以及外圆上的8个方向编码,得到DCP编码。通过上述方式获取DCP特征,可以大大降低计算维数,提供计算效率。虽然这种拆分编码的策略损失了部分纹理信息,但是使得DCP编码在表述人脸上更紧密,且更具有鲁棒性。
可选地,在上述图1对应的第四个可选实施例的基础上,本发明实施例提供的人脸识别的方法第五个可选实施例中,
按照如下方式计算灰度强度函数S(x)的值:
其中,S(x)表示灰度强度函数,b(x)表示常值函数,f1,d(x)与f0,d(x)表示为模糊隶属度函数,d为边界阈值。
本实施例中,在双圆8领域中,当素点与中心点的灰度值接近时,强度对比容易受到噪声影响,因此采用“软边界”编码方式对灰度强度函数进行改进,具体可以采用如下公式计算灰度强度函数S(x)的值:
其中,常值函数b(x)的计算方法如下:
模糊隶属度函数f1,d(x)与f0,d(x)的计算方法如下:
f0,d(x)=1-f1,d(x)
其中,d为边界阈值,它影响模块后隶属度,在实验中测得d为0.0005。
进一步地,本发明实施例中,当像素点与中心点的灰度值接近时,强度对比容易受到噪声影响,因此采用“软边界”编码方式对灰度强度函数进行改进,使得像素点与中心点的灰度值接近时,不容易受到噪声影响,从而使得对于DCP特征的提取过程更具有鲁棒性,并提升本发明方案的可行性,以及实用性。
为便于理解,下面将以实验过程对本发明中一种人脸识别的方法进行详细描述,具体为:
本实验主要用于验证上述各个实施例中涉及到的最优数据,在实验中,对应图像分块主要采用3×3分块,而其他的分块组合因为测试效果一般,故不采用。各个分块在特征匹配时,都相应地分配了权重,在用FDG算子之前,若先使用特征检测(英文全称:Difference of Gaussia,英文缩写:DoG)算子处理人脸图像,其识别效果会较差。在包含38225幅人脸图像的面部登记数据库上,测试后的错误拒接率(英文全称:False RejectionRate,英文缩写:FRR)以及错误接受率(英文全称:False Acceptance Rate,英文缩写:FAR)评价结果如图5所示,请参阅图5,图5是实验(1)的FAR和FRR评价指标结果示意图。其中,而FRR和FAR是用来评估指纹或面纹识别算法性能的两个主要参数。
然而在改用本发明方案中的滤波器后,请参阅图6,图6是实验(2)的FAR和FRR评价指标结果示意图,图6展示了在面部登记数据库上,得到的FAR和FRR评价结果。
在特征匹配时,优化了各个分块的权重后,得到的FAR和FRR评价结果如图7所示,图7是实验(3)的FAR和FRR评价指标结果示意图。
经过对3×3分块尺寸的调整和各个分块权重的优化后,得到图8对应的实验(4)的FAR和FRR评价指标结果示意图。
采用软边界模糊隶属函数后,请参阅图9,图9是实验(5)的FAR和FRR评价指标结果示意图。可以理解的是,如果人脸图像未经过对齐处理,则需要需要先对人脸图像使用相似变换与仿射变换,再进行图像裁剪。
下面对本发明中的人脸识别装置进行详细描述,请参阅图10,本发明实施例中的人脸识别装置200,包括:
获取模块201,用于获取用户的人脸图像;
滤波模块202,用于对所述获取模块201获取的所述人脸图像进行滤波处理,并得到目标人脸图像;
提取模块203,用于从所述滤波模块202滤波后得到的所述目标人脸图像中提取同心双十字交叉模式DCP特征;
计算模块204,用于采用卡方检验计算所述提取模块203提取的所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的。
本实施例中,获取模块201获取用户的人脸图像;滤波模块202对获取模块201获取的人脸图像进行滤波处理,并得到目标人脸图像;提取模块203从滤波模块202滤波后得到的目标人脸图像中提取同心双十字交叉模式DCP特征;计算模块204采用卡方检验计算提取模块203提取的目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据相似性分数对目标人脸图像进行识别,其中,原始人脸图像对应的DCP特征为预先得到的。
本发明实施例中,提供了一种人脸识别的方法,首先获取用户的人脸图像,再对人脸图像进行滤波处理,并得到目标人脸图像,然后从目标人脸图像中提取DCP特征,最后采用卡方检验计算目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据相似性分数对目标人脸图像进行识别,其中,原始人脸图像对应的DCP特征为预先得到的。通过对DCP特征的提取来有效地识别人脸,使得进行人脸识别的时候更具有鲁棒性,增加方案的实用性,提升用户体验。
请参阅图11,本发明人脸识别装置的另一个实施例包括:
获取模块201,用于获取用户的人脸图像;
滤波模块202,用于对所述获取模块201获取的所述人脸图像进行滤波处理,并得到目标人脸图像;
提取模块203,用于从所述滤波模块202滤波后得到的所述目标人脸图像中提取同心双十字交叉模式DCP特征;
计算模块204,用于采用卡方检验计算所述提取模块203提取的所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的;
其中,所述滤波模块202包括:
计算单元2021,用于按照如下方式计算所述人脸图像的滤波梯度图像:
其中,FDG(θ)表示θ角度的方向上对应的所述人脸图像的滤波梯度图像,表示在滤波中的标准方向向量,G表示二维高斯滤波器,表示梯度算子符号。
其次,本发明实施例中,提供了一种通过对人脸图像进行滤波处理,得到目标人脸图像的方法,利用相关公式从四个方向分别计算得到滤波梯度图像,并相应地对滤波器进行了优化,从而可以抑制噪声和光照变化的影响,提升人脸图像的品质,有利于提取图像特征,增强方案的实用性。
可选地,在上述图11对应的实施例的基础上,本发明实施例提供的人脸识别装置第一个可选实施例中,所述θ角度为四个角度值,分别为0度、45度、90度以及135度。
再次,本发明实施例中,针对人脸图像的滤波处理,具体可以涉及到四个方向的滤波,分别为0度、45度、90度以及135度,经过实验验证,从这四个角度对输入的人脸图像做滤波处理,能够达到处理效率性价比较高的效果。虽然在角度间隔更小的情况下,对多个方向分别进行滤波处理可以达到更好的抑制噪声和抑制光照变化的功能,但是会增加计算负担。不利于实际应用。然而使用角度间隔更大的方向进行滤波,可能会对噪声和光照变化的抑制变弱,不利于图像处理。因此,本发明方案提供的对人脸图像做四个方向上的滤波处理具有可操作性和实用性。
请参阅图12,本发明人脸识别装置的另一个实施例包括:
获取模块201,用于获取用户的人脸图像;
滤波模块202,用于对所述获取模块201获取的所述人脸图像进行滤波处理,并得到目标人脸图像;
提取模块203,用于从所述滤波模块202滤波后得到的所述目标人脸图像中提取同心双十字交叉模式DCP特征;
计算模块204,用于采用卡方检验计算所述提取模块203提取的所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的;
其中,所述提取模块203包括:
第一获取单元2031,用于以所述目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
第二获取单元2032,用于从所述第一获取单元2031获取的所述内圆上获取8个角度间隔相等的内圆采样点;
第三获取单元2033,用于从所述第一获取单元2031获取的所述外圆上获取8个角度间隔相等的外圆DCP采样点,其中,所述内圆采样点与所述外圆采样点具有对应关系;
编码单元2034,用于分别对所述第二获取单元2032获取的所述内圆采样点与所述第三获取单元2033获取的所述外圆采样点进行编码,并得到所述DCP特征。
其次,本发明实施例中,采用从双圆8个领域局部采样的方法来提取DCP特征,相比之下,现有技术中通过从单圆8个领域或单圆16个领域中提取LBP特征,提取DCP特征更能迎合面部纹理的走向。对于人脸而言,主要有两部分关键信息,一是面部器官结构,另一个是面部器官的形状。一般而言,面部器官的形状是规则的,而它们的末端大致收敛于对角方向,从而可以从对角方向来提取特征。此外,在前额上的皱纹是平面的,然而在面颊上是凸起或倾斜的,因此采用双圆8个领域局部采样的方法,能够较好地描述面部主要纹理信息,提升方案的可行性。
请参阅图13,本发明人脸识别装置的另一个实施例包括:
获取模块201,用于获取用户的人脸图像;
滤波模块202,用于对所述获取模块201获取的所述人脸图像进行滤波处理,并得到目标人脸图像;
提取模块203,用于从所述滤波模块202滤波后得到的所述目标人脸图像中提取同心双十字交叉模式DCP特征;
计算模块204,用于采用卡方检验计算所述提取模块203提取的所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的;
其中,所述提取模块203包括:
第一获取单元2031,用于以所述目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
第二获取单元2032,用于从所述第一获取单元2031获取的所述内圆上获取8个角度间隔相等的内圆采样点;
第三获取单元2033,用于从所述第一获取单元2031获取的所述外圆上获取8个角度间隔相等的外圆DCP采样点,其中,所述内圆采样点与所述外圆采样点具有对应关系;
编码单元2034,用于分别对所述第二获取单元2032获取的所述内圆采样点与所述第三获取单元2033获取的所述外圆采样点进行编码,并得到所述DCP特征;
其中,所述编码单元2034包括:
计算子单元20341,用于按照如下方式分别计算所述内圆采样点与所述外圆采样点上的DCP编码:
或,
其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数, 以及IO分别表示采样点Ai、Bi以及O的灰度值;
按照如下方式计算所述DCP特征:
其中,DCP表示DCP特征,i表示第i个采样点,表示水平和垂直方向采样点的所述DCP编码,表示对角方向采样点的所述DCP编码。
再次,本发明实施例中,分别对内圆采样点与外圆采样点进行编码,并得到DCP特征。按照8个方向对内圆与外圆上的采样点各自独立编码,连接内圆上的8个方向编码,以及外圆上的8个方向编码,得到DCP编码。通过上述方式获取DCP特征,可以大大降低计算维数,提供计算效率。虽然这种拆分编码的策略损失了部分纹理信息,但是使得DCP编码在表述人脸上更紧密,且更具有鲁棒性。
可选地,在上述图13对应的实施例的基础上,本发明实施例提供的人脸识别装置第二个可选实施例中,
获取模块201,用于获取用户的人脸图像;
滤波模块202,用于对所述获取模块201获取的所述人脸图像进行滤波处理,并得到目标人脸图像;
提取模块203,用于从所述滤波模块202滤波后得到的所述目标人脸图像中提取同心双十字交叉模式DCP特征;
计算模块204,用于采用卡方检验计算所述提取模块203提取的所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的;
其中,所述提取模块203包括:
第一获取单元2031,用于以所述目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
第二获取单元2032,用于从所述第一获取单元2031获取的所述内圆上获取8个角度间隔相等的内圆采样点;
第三获取单元2033,用于从所述第一获取单元2031获取的所述外圆上获取8个角度间隔相等的外圆DCP采样点,其中,所述内圆采样点与所述外圆采样点具有对应关系;
编码单元2034,用于分别对所述第二获取单元2032获取的所述内圆采样点与所述第三获取单元2033获取的所述外圆采样点进行编码,并得到所述DCP特征;
其中,所述编码单元2034包括:
计算子单元20341,用于按照如下方式分别计算所述内圆采样点与所述外圆采样点上的DCP编码:
或,
其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数, 以及IO分别表示采样点Ai、Bi以及O的灰度值;
按照如下方式计算所述DCP特征:
其中,DCP表示DCP特征,i表示第i个采样点,表示水平和垂直方向采样点的所述DCP编码,表示对角方向采样点的所述DCP编码。
所述计算子单元20341,还用于按照如下方式计算所述灰度强度函数S(x)的值:
其中,所述S(x)表示灰度强度函数,b(x)表示常值函数,f1,d(x)与f0,d(x)表示为模糊隶属度函数,d为边界阈值。
进一步地,本发明实施例中,当像素点与中心点的灰度值接近时,强度对比容易受到噪声影响,因此采用“软边界”编码方式对灰度强度函数进行改进,使得像素点与中心点的灰度值接近时,不容易受到噪声影响,从而使得对于DCP特征的提取过程更具有鲁棒性,并提升本发明方案的可行性,以及实用性。
图14是本发明实施例人脸识别装置30的结构示意图。人脸识别装置30可包括输入设备310、输出设备320、处理器330和存储器340。本发明实施例中的输出设备可以是显示设备。
存储器340可以包括只读存储器和随机存取存储器,并向处理器330提供指令和数据。存储器340的一部分还可以包括非易失性随机存取存储器(英文全称:Non-VolatileRandom Access Memory,英文缩写:NVRAM)。
存储器340存储了如下的元素,可执行模块或者数据结构,或者它们的子集,或者它们的扩展集:
操作指令:包括各种操作指令,用于实现各种操作。
操作系统:包括各种系统程序,用于实现各种基础业务以及处理基于硬件的任务。
本发明实施例中处理器330用于:
获取用户的人脸图像;
对所述人脸图像进行滤波处理,并得到目标人脸图像;
从所述目标人脸图像中提取同心双十字交叉模式DCP特征;
采用卡方检验计算所述目标人脸图像对应的DCP特征与原始人脸图像对应的DCP特征之间的相似性分数,并根据所述相似性分数对所述目标人脸图像进行识别,其中,所述原始人脸图像对应的DCP特征为预先得到的。
处理器330控制人脸识别装置30的操作,处理器330还可以称为中央处理单元(英文全称:Central Processing Unit,英文缩写:CPU)。存储器340可以包括只读存储器和随机存取存储器,并向处理器330提供指令和数据。存储器340的一部分还可以包括NVRAM。具体的应用中,人脸识别装置30的各个组件通过总线系统350耦合在一起,其中总线系统350除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线系统350。
上述本发明实施例揭示的方法可以应用于处理器330中,或者由处理器330实现。处理器330可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器330中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器330可以是通用处理器、数字信号处理器(英文全称:digital signal processing,英文缩写:DSP)、专用集成电路(英文全称:Application Specific Integrated Circuit,英文缩写:ASIC)、现成可编程门阵列(英文全称:Field-Programmable Gate Array,英文缩写:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器340,处理器330读取存储器340中的信息,结合其硬件完成上述方法的步骤。
可选地,处理器330还用于:
按照如下方式计算所述人脸图像的滤波梯度图像:
其中,FDG(θ)表示θ角度的方向上对应的所述人脸图像的滤波梯度图像,表示在滤波中的标准方向向量,G表示二维高斯滤波器,表示梯度算子符号。
可选地,处理器330还用于:
以所述目标人脸图像的中心点为圆心,分别获取半径不同的内圆与外圆;
从所述内圆上获取8个角度间隔相等的内圆采样点;
从所述外圆上获取8个角度间隔相等的外圆DCP采样点,其中,所述内圆采样点与所述外圆采样点具有对应关系;
分别对所述内圆采样点与所述外圆采样点进行编码,并得到所述DCP特征。
可选地,处理器330还用于:
按照如下方式分别计算所述内圆采样点与所述外圆采样点上的DCP编码:
或,
其中,DCPi表示第i个采样点的DCP编码,S(x)表示灰度强度函数, 以及IO分别表示采样点Ai、Bi以及O的灰度值;
按照如下方式计算所述DCP特征:
其中,DCP表示DCP特征,i表示第i个采样点,表示水平和垂直方向采样点的所述DCP编码,表示对角方向采样点的所述DCP编码。
可选地,处理器330还用于:
按照如下方式计算所述灰度强度函数S(x)的值:
其中,所述S(x)表示灰度强度函数,b(x)表示常值函数,f1,d(x)与f0,d(x)表示为模糊隶属度函数,d为边界阈值。
图14的相关描述可以参阅图1方法部分的相关描述和效果进行理解,本处不做过多赘述。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,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,在本发明各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种人脸识别的方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。