CN107729879A - 人脸识别方法和系统 - Google Patents

Abstract

本发明提供了人脸识别方法和系统，涉及人脸识别技术领域，方法包括：获取人脸图像，并对人脸图像进行关键点检测，得到第一人脸关键点；根据第一人脸关键点对人脸图像进行归一化处理，得到标准人脸图像，其中，标准人脸图像中包括第二人脸关键点；根据第二人脸关键点判断人脸图像是否为虚假人脸；如果否，则对标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；对抗光照人脸图像进行特征提取，得到人脸LBP特征；将人脸LBP特征与人脸特征库进行比对，并根据比对结果对人脸图像进行识别。可以在光照变化极大、人脸姿态随意的情况下，提高人脸识别率。

Description

人脸识别方法和系统

技术领域

本发明涉及人脸识别技术领域，尤其是人脸识别方法和系统。

背景技术

人脸识别技术是目前生物识别技术的一个热点，在安防、考勤、机器人应用等方面有重要应用，是一种公认的最不具侵犯性和最方便的生物特征识别技术。目前主要方法包括基于PCA(Principal Component Analysis，主成分分析法)/LDA(Linear Discriminantmethod，线性判别法)等子空间的方法以及基于特征点特征描述子的方法，其原理均是通过对原人脸图像提取出有代表性的低维表达，以进行分类识别。

但是基于PCA/LDA等子空间的方法和特征点特征描述子的方法，对人脸姿态和光照变化都不够鲁棒，尤其是应用于机器人时，导致在光照变化极大、人脸姿态随意的情况下，识别率较低。

发明内容

有鉴于此，本发明的目的在于提供人脸识别方法和系统，可以在光照变化极大、人脸姿态随意的情况下，提高人脸识别率。

第一方面，本发明实施例提供了人脸识别方法，所述方法包括：

获取人脸图像，并对所述人脸图像进行关键点检测，得到第一人脸关键点；

根据所述第一人脸关键点对所述人脸图像进行归一化处理，得到标准人脸图像，其中，所述标准人脸图像中包括第二人脸关键点；

根据所述第二人脸关键点判断所述人脸图像是否为虚假人脸；

如果否，则对所述标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；

对所述抗光照人脸图像进行特征提取，得到人脸LBP特征；

将所述人脸LBP特征与人脸特征库进行比对，并根据比对结果对所述人脸图像进行识别。

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，所述第一人脸关键点包括两眼，所述根据所述第一人脸关键点对所述人脸图像进行归一化处理，得到标准人脸图像包括：

检测所述人脸图像的两眼之间的距离，得到两眼距离；

将所述人脸图像进行缩放，直至将所述两眼距离归一化为预设距离，得到缩放后的人脸图像；

将所述缩放后的人脸图像旋转为两眼水平状态，得到所述标准人脸图像。

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二种可能的实施方式，其中，所述将所述缩放后的人脸图像旋转为两眼水平状态，得到所述标准人脸图像包括：

检测所述缩放后的人脸图像的两眼连线矢量；

根据所述两眼连线矢量计算两眼连线与水平线的夹角角度；

将所述缩放后的人脸图像反向旋转所述夹角角度，得到所述标准人脸图像。

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，所述检测所述人脸图像的两眼之间的距离，得到两眼距离包括：

分别检测两眼的中心坐标值；

根据所述中心坐标值得到所述两眼距离。

结合第一方面，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，所述根据所述第二人脸关键点判断所述人脸图像是否为虚假人脸包括：

判断所述第二人脸关键点的灰度值差异是否满足预设条件；

如果不满足所述预设条件，则判定所述人脸图像为所述虚假人脸。

结合第一方面，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，所述如果否，则对所述标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像包括：

计算所述标准人脸图像的亮度差感知梯度图；

通过所述亮度差感知梯度图对所述标准人脸图像进行扩散滤波，得到光照因子图；

根据所述标准人脸图像和所述光照因子图得到所述抗光照人脸图像。

结合第一方面第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述计算所述标准人脸图像的亮度差感知梯度图包括：

对所述标准人脸图像进行均值滤波，得到均值图像；

根据所述均值图像计算Weber亮度差感知系数图；

计算所述标准人脸图像的各向同性梯度图；

根据所述各向同性梯度图以及所述Weber亮度差感知系数图得到所述标准人脸图像的亮度差感知梯度图。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，还包括：

将所述人脸LBP特征保存到所述人脸特征库。

结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述获取人脸图像包括：

获取待识别图像；

对所述待识别图像进行检测，得到所述人脸图像。

第二方面，本发明实施例还提供人脸识别系统，包括：

获取单元，用于获取人脸图像，并对所述人脸图像进行关键点检测，得到第一人脸关键点；

归一化单元，用于根据所述第一人脸关键点对所述人脸图像进行归一化处理，得到标准人脸图像，其中，所述标准人脸图像中包括第二人脸关键点；

判断单元，用于根据所述第二人脸关键点判断所述人脸图像是否为虚假人脸；

抗光照滤波单元，用于如果否，则对所述标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；

特征提取单元，用于对所述抗光照人脸图像进行特征提取，得到人脸LBP特征；

识别单元，用于将所述人脸LBP特征与人脸特征库进行比对，并根据比对结果对所述人脸图像进行识别。

本发明实施例带来了以下有益效果：

本发明提供了人脸识别方法和系统，方法包括：获取人脸图像，并对人脸图像进行关键点检测，得到第一人脸关键点；根据第一人脸关键点对人脸图像进行归一化处理，得到标准人脸图像，其中，标准人脸图像中包括第二人脸关键点；根据第二人脸关键点判断人脸图像是否为虚假人脸；如果否，则对标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；对抗光照人脸图像进行特征提取，得到人脸LBP特征；将人脸LBP特征与人脸特征库进行比对，并根据比对结果对人脸图像进行识别。可以在光照变化极大、人脸姿态随意的情况下，提高人脸识别率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

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具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例一提供的人脸识别方法流程图；

图2为本发明实施例一提供的人脸识别方法的步骤S102的方法流程图；

图3为本发明实施例一提供的人脸识别方法的步骤S203的方法流程图；

图4为本发明实施例二提供的人脸识别系统示意图。

图标：

10-获取单元；20-归一化单元；30-判断单元；40-抗光照滤波单元；50-特征提取单元；60-识别单元。

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，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。

目前的人脸识别方法对人脸姿态和光照变化都不够鲁棒，尤其是应用于机器人时，导致在光照变化极大、人脸姿态随意的情况下，识别率较低。，基于此，本发明实施例提供的人脸识别方法和系统，可以在光照变化极大、人脸姿态随意的情况下，提高人脸识别率。

为便于对本实施例进行理解，首先对本发明实施例所公开的人脸识别方法进行详细介绍。

实施例一：

图1为本发明实施例一提供的人脸识别方法流程图。

参照图1，本发明实施例提供了人脸识别方法，方法包括：

步骤S101，获取人脸图像，并对人脸图像进行关键点检测，得到第一人脸关键点；

具体地，获取待识别图像，对待识别图像进行检测，得到人脸图像；当检测到人脸图像后进行人脸的关键点检测，即得到第一人脸关键点，关键点包括人脸的关键部位。

这里，首先将待识别图像转化为灰度图像，使用人脸检测器进行人脸检测，当检测到人脸后，对人脸按面积由大到小排列，优先处理面积大的即距离近的人脸。在人脸区域内由训练好的关键点检测器进行关键点检测，得到该人脸的关键点。

步骤S102，根据第一人脸关键点对人脸图像进行归一化处理，得到标准人脸图像，其中，标准人脸图像中包括第二人脸关键点；

具体地，人脸归一化的原因是检测到的人脸大小不一方向不固定，需要进行归一化，包括缩放和旋转。这里的第二人脸关键点是将人脸图像进行归一化处理以后的标准人脸图像上的关键点，与第一人脸关键点相对应。

进一步地，第一人脸关键点包括两眼，如图2所示，步骤S102包括如下步骤：

步骤S201，检测人脸图像的两眼之间的距离，得到两眼距离；

具体地，步骤S201包括：分别检测两眼的中心坐标值；根据中心坐标值得到两眼距离。

由于人脸有表情变化，关键点也随之移动，但是两眼相对位置不随表情变化，是人脸上的稳定点，可用来进行归一化。由于瞳孔在眼内活动位置不固定，而眼角的检测比较准确，所以用两眼角的均值作为单眼的中心，得到两只眼睛的中心坐标后，计算两眼之间的距离d。

步骤S202，将人脸图像进行缩放，直至将两眼距离归一化为预设距离，得到缩放后的人脸图像；

具体地，以两眼距离的预设值为标准将人脸图像进行缩放，首先将两眼距离归一化到一个固定值EYE_STANDARD_DIST，例如为40pix，求当前人脸需要的缩放倍数fRatio＝EYE_STANDARD_DIST/d，将当前人脸图像乘以fRatio即得到标准大小的人脸，即缩放后的人脸图像。

步骤S203，将缩放后的人脸图像旋转为两眼水平状态，得到标准人脸图像。

进一步地，如图3所示，步骤S203包括如下步骤：

步骤S301，检测缩放后的人脸图像的两眼连线矢量；

步骤S302，根据两眼连线矢量计算两眼连线与水平线的夹角角度；

步骤S303，将缩放后的人脸图像反向旋转夹角角度，得到标准人脸图像。

具体地，双眼连线矢量为右眼坐标减去左眼坐标b＝(x,y)，则与水平线夹角tanθ＝y/x，从而计算得两眼连线与水平线的夹角θ，将人脸图像反向旋转θ角，即可转至两眼水平。这样，所有人脸都统一到两眼水平且两眼等距的状态，得到标准人脸图像。

步骤S103，根据第二人脸关键点判断人脸图像是否为虚假人脸；

进一步地，步骤S103包括如下步骤：

判断第二人脸关键点的灰度值差异是否满足预设条件；

如果不满足预设条件，则判定人脸图像为虚假人脸。

为了剔除虚假人脸，这里进行了虚假人脸判断，在人脸检测和关键点定位并归一化转正的基础上，对脸轮廓、眼睛、嘴角部位进行块差判断。对于脸轮廓，在侧面中间部分耳朵以下一段，统计脸轮廓两侧灰度差异，要满足一定阈值。对于眼睛，其瞳孔部位，因为中间是黑色瞳孔上下是皮肤，必定是中间比上下两侧暗，其比例要满足一定阈值。对于嘴角，横向从外嘴角到内嘴角，纵向以嘴角为中心高H像素，分成三段上中下，上下都不能低于中部，上下与中部的灰度值比要大于一定阈值。因此，对面部6个部位进行判断，当不满足阈值时，判为特征不明显，累计有两个部位特征不明显的即判为虚假人脸，阈值可经过实验确定。

步骤S104，如果否，则对标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；

由于光照变化尤其是非线性不均匀光照变化，导致面部LBP特征变化，不利于匹配识别。需要提取出面部光照不变图像特征，去除光照影响。

进一步地，步骤S104包括：

第一，计算标准人脸图像的亮度差感知梯度图；

具体地，对标准人脸图像进行均值滤波，得到均值图像，根据均值图像计算Weber亮度差感知系数图；计算标准人脸图像的各向同性梯度图；将各向同性梯度图以及Weber亮度差感知系数图相乘再乘以调和因子α，得到标准人脸图像的亮度差感知梯度图。具体步骤如下：

首先，对标准人脸图像u进行3*3的均值滤波，得到均值图像(即邻域平均值)，这里3*3的均值滤波仅为示例性的，并不做为限制，再根据Weber亮度差感知函数得到图像上每点的亮度差感知系数w，得到Weber亮度差感知系数图，Weber亮度差感知函数如式(1)所示：

其次，计算标准人脸图像的各向同性梯度图g＝▽u，当使用各向异性扩散滤波时，计算四个方向的梯度图，即4幅梯度图，本发明实施例简化为各向同性时使用一张梯度图即只用梯度幅值，各向同性梯度图▽u为：

其中，u_x+1,y，u_x,y，u_x,y+1为标准人脸图像u上的点。

由于w的取值范围为[8，20]，可乘一个调和因子α(α∈(0,1)，取值可选)，则最终得到标准人脸图像的亮度差感知梯度图

第二，通过亮度差感知梯度图对标准人脸图像进行扩散滤波，得到光照因子图；

具体地，扩散滤波的传导系数为：其中，当n<1/2时，增量f(x)*x是近似线性的，经过模拟，该参数下，扩散函数在图像取值范围内单调近似线性，受参数K影响小，这样避免了随着扩散迭代图像锐化的问题。

本发明为了节约计算时间，在效果不降低的情况下，将每次计算亮度差感知梯度图变为只在第一次计算，之后继续使用这同一梯度图，将各向异性扩散滤波变为各向同性，即

其中，t为迭代次数，u为图像灰度值，D(u)为亮度差感知梯度值，λ为调节因子，通常取值在0～1/4，优选地，λ＝0.25。设定总迭代次数T，根据扩散效果确定，优选地，T＝5。经过T次扩散滤波后的u^t+1即为光照因子图像S。

上述对标准人脸图像u进行3*3的均值滤波，得到均值图像式(3)用8邻域均值代替4邻域各向异性值，其中u的平均值可用均值滤波快速得到。这样可以大大减少计算量，节约时间，平均耗时由56.18ms减少为8.87ms，有利于人脸识别实时进行。

第三，根据标准人脸图像和光照因子图得到抗光照人脸图像。

具体地，根据朗伯辐照度模型U＝RS，其中R为抗光照人脸图像，S为光照因子，U为标准人脸图像。则有log(U)＝log(RS)＝log(R)+log(S)，可得

log(R)＝log(U)-log(S) (4)

因此，利用扩散滤波方法得到光照因子图S，然后根据式(4)可以计算得到抗光照人脸图像R。

步骤S105，对抗光照人脸图像进行特征提取，得到人脸LBP特征；

在抗光照滤波之后，在抗光照人脸图像的区域计算其ULBP图(共58种模式)。例如以左眼、右眼、鼻尖、左嘴角、右嘴角5个关键点为中心，截取边长60pix的正方形区域为一个块，块逐层变小，共4层，即一共有5×4＝20个特征区域块。每块内分为7×7＝49个小块，统计时每个点的ULBP模式按距离权重分配到邻近四个小块相应的ULBP模式中，这样即统计出每个小块中心的ULBP特征，首尾相连为49*58＝2842维特征向量，共有20个。

需要说明的是，在本实施例示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

步骤S106，将人脸LBP特征与人脸特征库进行比对，并根据比对结果对人脸图像进行识别。

具体地，将待识别的人脸图像的人脸LBP特征中的特征向量与人脸特征库中的所有人脸图像中的相同关键点的特征向量进行最近邻搜索，例如共得到20个最匹配的特征向量，统计其归属人类别，得到最匹配人脸图像的ID。最后以匹配度(最匹配人脸图像个数比20)结合匹配距离来判定是否识别。

进一步地，还包括：

将人脸LBP特征保存到人脸特征库，从而则将每个人每张人脸图像的特征向量保存起来。

本发明实施例提供了人脸识别方法，方法包括：获取人脸图像，并对人脸图像进行关键点检测，得到第一人脸关键点；根据第一人脸关键点对人脸图像进行归一化处理，得到标准人脸图像，其中，标准人脸图像中包括第二人脸关键点；根据第二人脸关键点判断人脸图像是否为虚假人脸；如果否，则对标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；对抗光照人脸图像进行特征提取，得到人脸LBP特征；将人脸LBP特征与人脸特征库进行比对，并根据比对结果对人脸图像进行识别。可以在光照变化极大、人脸姿态随意的情况下，提高人脸识别率。

实施例二：

图4为本发明实施例一提供的人脸识别系统示意图。

参照图4，本发明实施例提供了人脸识别系统，包括：

获取单元10，用于获取人脸图像，并对人脸图像进行关键点检测，得到第一人脸关键点；

归一化单元20，用于根据第一人脸关键点对人脸图像进行归一化处理，得到标准人脸图像，其中，标准人脸图像中包括第二人脸关键点；

判断单元30，用于根据第二人脸关键点判断人脸图像是否为虚假人脸；

抗光照滤波单元40，用于如果否，则对标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；

特征提取单元50，用于对抗光照人脸图像进行特征提取，得到人脸LBP特征；

识别单元60，用于将人脸LBP特征与人脸特征库进行比对，并根据比对结果对人脸图像进行识别。

本发明实施例提供的人脸识别系统，与上述实施例提供的人脸识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的人脸识别方法的步骤。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的人脸识别方法的步骤。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明实施例所提供的进行人脸识别方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

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。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。

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，可以存储在一个处理器可执行的非易失的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。

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)

1.一种人脸识别方法，其特征在于，所述方法包括：

获取人脸图像，并对所述人脸图像进行关键点检测，得到第一人脸关键点；

根据所述第一人脸关键点对所述人脸图像进行归一化处理，得到标准人脸图像，其中，所述标准人脸图像中包括第二人脸关键点；

根据所述第二人脸关键点判断所述人脸图像是否为虚假人脸；

如果否，则对所述标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；

对所述抗光照人脸图像进行特征提取，得到人脸LBP特征；

将所述人脸LBP特征与人脸特征库进行比对，并根据比对结果对所述人脸图像进行识别。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述第一人脸关键点包括两眼，所述根据所述第一人脸关键点对所述人脸图像进行归一化处理，得到标准人脸图像包括：

检测所述人脸图像的两眼之间的距离，得到两眼距离；

将所述人脸图像进行缩放，直至将所述两眼距离归一化为预设距离，得到缩放后的人脸图像；

将所述缩放后的人脸图像旋转为两眼水平状态，得到所述标准人脸图像。

3.根据权利要求2所述的人脸识别方法，其特征在于，所述将所述缩放后的人脸图像旋转为两眼水平状态，得到所述标准人脸图像包括：

检测所述缩放后的人脸图像的两眼连线矢量；

根据所述两眼连线矢量计算两眼连线与水平线的夹角角度；

将所述缩放后的人脸图像反向旋转所述夹角角度，得到所述标准人脸图像。

4.根据权利要求2所述的人脸识别方法，其特征在于，所述检测所述人脸图像的两眼之间的距离，得到两眼距离包括：

分别检测两眼的中心坐标值；

根据所述中心坐标值得到所述两眼距离。

5.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述第二人脸关键点判断所述人脸图像是否为虚假人脸包括：

判断所述第二人脸关键点的灰度值差异是否满足预设条件；

如果不满足所述预设条件，则判定所述人脸图像为所述虚假人脸。

6.根据权利要求1所述的人脸识别方法，其特征在于，所述如果否，则对所述标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像包括：

计算所述标准人脸图像的亮度差感知梯度图；

通过所述亮度差感知梯度图对所述标准人脸图像进行扩散滤波，得到光照因子图；

根据所述标准人脸图像和所述光照因子图得到所述抗光照人脸图像。

7.根据权利要求6所述的人脸识别方法，其特征在于，所述计算所述标准人脸图像的亮度差感知梯度图包括：

对所述标准人脸图像进行均值滤波，得到均值图像；

根据所述均值图像计算Weber亮度差感知系数图；

计算所述标准人脸图像的各向同性梯度图；

根据所述各向同性梯度图以及所述Weber亮度差感知系数图得到所述标准人脸图像的亮度差感知梯度图。

8.根据权利要求1所述的人脸识别方法，其特征在于，还包括：

将所述人脸LBP特征保存到所述人脸特征库。

9.根据权利要求1所述的人脸识别方法，其特征在于，所述获取人脸图像包括：

获取待识别图像；

对所述待识别图像进行检测，得到所述人脸图像。

10.一种人脸识别系统，其特征在于，包括：

获取单元，用于获取人脸图像，并对所述人脸图像进行关键点检测，得到第一人脸关键点；

归一化单元，用于根据所述第一人脸关键点对所述人脸图像进行归一化处理，得到标准人脸图像，其中，所述标准人脸图像中包括第二人脸关键点；

判断单元，用于根据所述第二人脸关键点判断所述人脸图像是否为虚假人脸；

抗光照滤波单元，用于如果否，则对所述标准人脸图像进行抗光照滤波处理，得到抗光照人脸图像；

特征提取单元，用于对所述抗光照人脸图像进行特征提取，得到人脸LBP特征；

识别单元，用于将所述人脸LBP特征与人脸特征库进行比对，并根据比对结果对所述人脸图像进行识别。