CN107292275A - 一种频域划分的人脸特征识别方法及系统 - Google Patents

一种频域划分的人脸特征识别方法及系统 Download PDF

Info

Publication number
CN107292275A
CN107292275A CN201710509363.1A CN201710509363A CN107292275A CN 107292275 A CN107292275 A CN 107292275A CN 201710509363 A CN201710509363 A CN 201710509363A CN 107292275 A CN107292275 A CN 107292275A
Authority
CN
China
Prior art keywords
recognized
divided
images
frequency
face characteristic
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.)
Granted
Application number
CN201710509363.1A
Other languages
English (en)
Other versions
CN107292275B (zh
Inventor
赵钰
董远
白洪亮
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 Faceall Co
Original Assignee
Beijing Faceall Co
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 Faceall Co filed Critical Beijing Faceall Co
Priority to CN201710509363.1A priority Critical patent/CN107292275B/zh
Publication of CN107292275A publication Critical patent/CN107292275A/zh
Application granted granted Critical
Publication of CN107292275B publication Critical patent/CN107292275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种频域划分的人脸特征识别方法及系统，所述方法包括：将训练图像进行FFT变换，得到频率分布；将所述频率分布进行划分，得到多个频率成分；对每个频率成分进行IFFT变换，得到不同频率成分对应的图像成分；结合所述训练图像的标签，得到处理后的训练数据；使用处理之后的训练数据进行卷积神经网络的训练，并得到网络参数；通过模型对于输入的待识别图像进行处理，得到待识别图像的特征；通过计算所述特征的欧氏距离对所述待识别图像进行样本比对获取人脸特征，完成人脸识别。本发明中的方法，人脸识别速度快，且准确率高，鲁棒性强，抗噪声能力好。

Description

一种频域划分的人脸特征识别方法及系统
技术领域
本发明涉及人脸识别领域，特别涉及一种频域划分的人脸特征识别方法及系统。
背景技术
现有的人脸识别系统一般都是对人脸图像进行预处理，在利用卷积神经网络进行训练，得到了训练之后的网络的权重，从而完成训练。在应用中，将人脸的图片作为输入，通过训练好的卷积神经网络，得到人脸的特征表示，再通过特征的比较来实现人脸的识别。训练的图像大多来自于互联网，是质量比较高的图像，实际使用的图像，存在很多的低质量的图片，如低分辨率、模糊、噪声等，通过网络并不能提取出合适的特征，降低了识别的效果。
现有的图像预处理技术如下：
a.在训练过程中加入随机噪声和模糊
缺点：该方法只能对已知的干扰进行数据增强，无法应对现实中的复杂的噪声情况。
b.进行图像的去模糊和重建
缺点：图像的重建可能会一定程度上丢失一些图像的细节信息，影响识别效果。同时，重建的操作是耗时的。
发明内容
本发明要解决上述技术问题，提供一种能够增强系统的抗噪声能力的频域划分的人脸特征识别方法。
解决上述技术问题，本发明提供了一种频域划分的人脸特征识别方法，包括：
将训练图像X进行FFT变换，得到所述训练图像中每个通道的对应的不同的频率分布F＝FFT(X)；
将每个所述频率分布F进行划分，分别得到多个频率成分Fi；
对每个频率成分Fi进行IFFT变换，得到不同频率成分Fi对应的图像成分Xi；
结合所述训练图像X的标签y，得到处理后的训练数据Z＝(X1,X2,…,Xk,y)，k为图像成分Xi的总数；
使用处理之后的训练数据Z进行卷积神经网络的训练，并得到网络参数模型；
通过根据所述网络参数模型对于输入的待识别图像Y进行处理，得到待识别图像Y的特征；通过计算所述特征的欧氏距离l对所述待识别图像Y进行样本比对获取人脸特征，完成人脸识别。
进一步的，如前述的频域划分的人脸特征识别方法，将每个所述频率分布F进行划分，具体划分方法为：在所述频率分布F内定义k个半径为r1、r2、…rk的同心圆形，其中r1<r2<...<rk,；将所述频率分布划分为k个频率范围并得到k个频率成分Fi；且所述频率分布F与频率成分Fi关系为
更进一步的，如前述的频域划分的人脸特征识别方法，所述通过网络参数模型对于输入的待识别图像Y进行处理，得到浮点数的数组向量f1、f2作为Y的特征，具体方法为：将IFFT变换之后的图像，作为所述卷积神经网络的输入，前馈；同时，选择最后一个隐含层的数作为特征。
更进一步的，如前述的频域划分的人脸特征识别方法，所述欧氏距离l的计算方法，具体为：
其中，l为所述欧式距离，n为所述Y的特征的长度。
本发明还提供一种频域划分的人脸特征识别系统，所述系统通过模型对于输入的待识别图像进行处理，得到待识别图像的特征；通过计算所述特征的欧氏距离l对所述待识别图像进行样本比对获取人脸特征，完成人脸识别。本发明的有益效果：
采用本发明方法能够通过频域划分的去除如低分辨率、模糊、噪声高等情况的低质量图片，并且，本发明方法能够通过网络提取出合适的人脸图像的特征；具有人脸识别速度快，准确率高，鲁棒性强，抗噪声能力好的特点。
附图说明
图1是本发明一种实施例中的频域划分的人脸特征识别方法的流程示意图；
图2是本发明一种实施例中的频域划分的人脸特征识别方法中的训练过程示意图；
图3是本发明一种实施例中的频域划分的人脸特征识别方法中的应用过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
如图1所示，本发明提供一种频域划分的人脸特征识别方法，包括：
S101.将训练图像X进行FFT变换，得到频率分布F＝FFT(X)，具体的，图像X在计算机中的存储是三维的数组，分别为通道(channel)、高度(height)、宽度(width)；其中RGB格式的图像具有3个通道，分别对应的是Red、Green、Blue，针对每个通道都进行快速傅里叶变换，即FFT变换，由于FFT变化是本领域公知的技术，在此就不再赘述；
S102.将所述频率分布F进行划分，得到多个频率成分Fi；
S103.对每个频率成分Fi进行IFFT变换，得到不同频率成分Fi对应的图像成分Xi；其中IFFT为数字信号处理中的快速傅里叶逆变换，为本领域技术人员公知技术，在此就不赘述；
S104.结合所述训练图像X的标签y，得到处理后的训练数据Z＝(X1,X2,…,Xk,y)，k为图像成分Xi的总数；
S105.使用处理之后的训练数据Z进行卷积神经网络的训练，并得到卷积神经网络的参数；
S106.通过模型对于输入的待识别图像Y进行处理，得到待识别图像Y的特征，具体为，将IFFT变换之后的图像，作为所述卷积神经网络的输入，前馈；同时，选择最后一个隐含层的数作为待识别图像Y特征，所述特征是浮点数的数组向量；通过计算所述特征的欧氏距离对所述待识别图像Y进行样本比对获取人脸特征，完成人脸识别。
如图2所示，为采用本发明方法对系统进行训练的流程。记训练的图像为X。对X进行FFT变换，得到频率分布：
F＝FFT(X)
通过预定的频率的划分，将频率分布F进行划分，通过得到多个部分的频率分布：
其中Fi表示不同的频率成分。对每个频率成分进行IFFT变换，得到不同频率对应的图像：
Xi＝IFFT(Fi)
记y为该训练图像对应的标签。则一个处理后的训练数据可以表示为(X1,X2,…,Xk,y)。
使用处理后的训练数据进行卷积神经网络的训练。从而得到网络的参数。
如图3所示，为根据图2中生成的模型进行应用的过程流程图，对于输入的图像X，按图2中的处理操作，得到X1,X2,…,Xk,将k个图像成分作为卷积神经网络的输入，从而得到人脸图像的特征表示。在样本比对的时候，直接计算特征的欧氏距离即可；所述欧氏距离l的计算方法，具体为：
其中，l为所述欧式距离，n为所述Y的特征的长度。
然后使用Softmax来监督学习；Softmax的监督信号如下:
其中，In是类别，Pn是预测的类别。
本发明还提供一种频域划分的人脸特征识别系统，该系统通过模型对于输入的待识别图像Y进行处理，得到待识别图像Y的特征；通过计算所述特征的欧氏距离对所述待识别图像Y进行样本比对获取人脸特征，完成人脸识别。
所属领域的普通技术人员应当理解：以上，所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。与该发明方法或等同的技术原理都属保护范围之内。

Claims (5)

1.一种频域划分的人脸特征识别方法，其特征在于，包括：
将训练图像X进行FFT变换，得到所述训练图像中每个通道的对应的不同的频率分布F＝FFT(X)；
将每个所述频率分布F进行划分，分别得到多个频率成分Fi；
对每个频率成分Fi进行IFFT变换，得到不同频率成分Fi对应的图像成分Xi；
结合所述训练图像X的标签y，得到处理后的训练数据Z＝(X1,X2,…,Xk,y)，k为图像成分Xi的总数；
使用处理之后的训练数据Z进行卷积神经网络的训练，并得到网络参数模型；
通过根据所述网络参数模型对于输入的待识别图像Y进行处理，得到待识别图像Y的特征；通过计算所述特征的欧氏距离l对所述待识别图像Y进行样本比对获取人脸特征，完成人脸识别。
2.根据权利要求1所述的频域划分的人脸特征识别方法，其特征在于，将每个所述频率分布F进行划分，具体划分方法为：在所述频率分布F内定义k个半径为r1、r2、…rk的同心圆形，其中r1<r2<...<rk,；将所述频率分布划分为k个频率范围并得到k个频率成分Fi；且所述频率分布F与频率成分Fi关系为
3.根据权利要求1所述的频域划分的人脸特征识别方法，其特征在于，所述通过根据所述网络参数模型对于输入的待识别图像Y进行处理，得到待识别图像Y的特征；具体方法为：将IFFT变换之后的图像，作为所述卷积神经网络的输入，前馈；同时，选择最后一个隐含层的数作为待识别图像Y特征。
4.根据权利要求3所述的频域划分的人脸特征识别方法，其特征在于，所述欧氏距离l的计算方法，具体为：
<mrow> <mi>l</mi> <mo>=</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>f</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>-</mo> <msub> <mi>f</mi> <mn>2</mn> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
其中，l为所述欧式距离，n为所述Y的特征的长度。
5.一种应用权利要求1～4任一项方法所述的频域划分的人脸特征识别系统，其特征在于，所述系统通过模型对于输入的待识别图像进行处理，得到待识别图像的特征；通过计算所述特征的欧氏距离l对所述待识别图像进行样本比对获取人脸特征，完成人脸识别。
CN201710509363.1A 2017-06-28 2017-06-28 一种频域划分的人脸特征识别方法及系统 Active CN107292275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710509363.1A CN107292275B (zh) 2017-06-28 2017-06-28 一种频域划分的人脸特征识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710509363.1A CN107292275B (zh) 2017-06-28 2017-06-28 一种频域划分的人脸特征识别方法及系统

Publications (2)

Publication Number Publication Date
CN107292275A true CN107292275A (zh) 2017-10-24
CN107292275B CN107292275B (zh) 2020-04-10

Family

ID=60099948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710509363.1A Active CN107292275B (zh) 2017-06-28 2017-06-28 一种频域划分的人脸特征识别方法及系统

Country Status (1)

Country Link
CN (1) CN107292275B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2576945A (en) * 2018-09-10 2020-03-11 Imperial College Sci Tech & Medicine Image processing methods
CN111723714A (zh) * 2020-06-10 2020-09-29 上海商汤智能科技有限公司 识别人脸图像真伪的方法、装置及介质
CN113643261A (zh) * 2021-08-13 2021-11-12 江南大学 一种基于频率注意网络的胸肺部疾病诊断方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090191A (ja) * 1998-09-16 2000-03-31 Ntt Data Corp 顔認識装置及び方法
CN101710382A (zh) * 2009-12-07 2010-05-19 深圳大学 基于简化智能单粒子优化算法的Gabor人脸识别方法
CN101814136A (zh) * 2010-02-11 2010-08-25 华南理工大学 一种基于快速傅立叶变换的打盹行为检测方法
CN101916371A (zh) * 2010-09-01 2010-12-15 北京工业大学 对图像进行光照归一化处理的方法及采用其的图像识别方法
CN102592263A (zh) * 2011-01-05 2012-07-18 苏州巴米特信息科技有限公司 基于频域的图像增强方法
CN104866810A (zh) * 2015-04-10 2015-08-26 北京工业大学 一种深度卷积神经网络的人脸识别方法
CN105760833A (zh) * 2016-02-14 2016-07-13 北京飞搜科技有限公司 一种人脸特征识别方法
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106127159A (zh) * 2016-06-28 2016-11-16 电子科技大学 一种基于卷积神经网络的性别识别方法
CN106339702A (zh) * 2016-11-03 2017-01-18 北京星宇联合投资管理有限公司 一种基于多特征融合的人脸识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090191A (ja) * 1998-09-16 2000-03-31 Ntt Data Corp 顔認識装置及び方法
CN101710382A (zh) * 2009-12-07 2010-05-19 深圳大学 基于简化智能单粒子优化算法的Gabor人脸识别方法
CN101814136A (zh) * 2010-02-11 2010-08-25 华南理工大学 一种基于快速傅立叶变换的打盹行为检测方法
CN101916371A (zh) * 2010-09-01 2010-12-15 北京工业大学 对图像进行光照归一化处理的方法及采用其的图像识别方法
CN102592263A (zh) * 2011-01-05 2012-07-18 苏州巴米特信息科技有限公司 基于频域的图像增强方法
CN104866810A (zh) * 2015-04-10 2015-08-26 北京工业大学 一种深度卷积神经网络的人脸识别方法
CN105760833A (zh) * 2016-02-14 2016-07-13 北京飞搜科技有限公司 一种人脸特征识别方法
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106127159A (zh) * 2016-06-28 2016-11-16 电子科技大学 一种基于卷积神经网络的性别识别方法
CN106339702A (zh) * 2016-11-03 2017-01-18 北京星宇联合投资管理有限公司 一种基于多特征融合的人脸识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WING-PONG CHOI等: ""Simplified Gabor wavelets for human face recognition"", 《PATTERN RECOGNITION》 *
李青等: ""基于傅里叶变换的指纹图像增强算法"", 《计算机时代》 *
陈耀丹等: ""基于卷积神经网络的人脸识别方法"", 《东北师大学报（自然科学版）》 *
齐林等: ""基于多域特征提取和决策层融合的人脸识别"", 《计算机应用与软件》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2576945A (en) * 2018-09-10 2020-03-11 Imperial College Sci Tech & Medicine Image processing methods
CN111723714A (zh) * 2020-06-10 2020-09-29 上海商汤智能科技有限公司 识别人脸图像真伪的方法、装置及介质
WO2021249006A1 (zh) * 2020-06-10 2021-12-16 上海商汤智能科技有限公司 识别人脸图像真伪的方法、装置及介质和程序产品
CN111723714B (zh) * 2020-06-10 2023-11-03 上海商汤智能科技有限公司 识别人脸图像真伪的方法、装置及介质
CN113643261A (zh) * 2021-08-13 2021-11-12 江南大学 一种基于频率注意网络的胸肺部疾病诊断方法

Also Published As

Publication number Publication date
CN107292275B (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN111563841B (zh) 一种基于生成对抗网络的高分辨率图像生成方法
Shi et al. SSGAN: Secure steganography based on generative adversarial networks
CN110378844B (zh) 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
CN106875395B (zh) 基于深度神经网络的超像素级sar图像变化检测方法
CN105657402B (zh) 一种深度图恢复方法
CN107704877A (zh) 一种基于深度学习的图像隐私感知方法
CN109214990A (zh) 一种基于Inception模型的深度卷积神经网络图像去噪方法
CN107316295A (zh) 一种基于深度神经网络的织物瑕疵检测方法
CN106250931A (zh) 一种基于随机卷积神经网络的高分辨率图像场景分类方法
CN109635763B (zh) 一种人群密度估计方法
CN108564549A (zh) 一种基于多尺度稠密连接网络的图像去雾方法
CN107292275A (zh) 一种频域划分的人脸特征识别方法及系统
CN114283287A (zh) 基于自训练噪声标签纠正的鲁棒领域自适应图像学习方法
CN111914617B (zh) 一种基于平衡栈式生成式对抗网络的人脸属性编辑方法
CN110458133A (zh) 基于生成式对抗网络的轻量级人脸检测方法
CN107679453A (zh) 基于支持向量机的天气雷达电磁干扰回波识别方法
CN104182771A (zh) 基于带丢包自动编码技术的时间序列数据图形化分析方法
Yang et al. Convolutional neural network for smooth filtering detection
CN114491823B (zh) 一种基于改进生成对抗网络的列车轴承故障诊断方法
CN114330652A (zh) 一种目标检测攻击方法和装置
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN116740384A (zh) 洗地机的智能控制方法及系统
CN108090460A (zh) 基于韦伯多方向描述子的人脸表情识别特征提取算法
CN116416212B (zh) 路面破损检测神经网络训练方法及路面破损检测神经网络
CN113469984B (zh) 一种基于yolo结构的显示面板外观检测方法

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