CN108256405A - 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
- CN108256405A CN108256405A CN201611250054.9A CN201611250054A CN108256405A CN 108256405 A CN108256405 A CN 108256405A CN 201611250054 A CN201611250054 A CN 201611250054A CN 108256405 A CN108256405 A CN 108256405A
- Authority
- CN
- China
- Prior art keywords
- facial image
- feature vector
- identified
- vector
- feature
- 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
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
- G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
- G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理技术领域,尤其涉及一种人脸识别方法及装置,用以供一种将可见光条件下采集的人脸图像与近红光条件下采集的人脸图像像进行匹配识别的方案;本申请实施例提供的人脸识别方法包括:在近红外光条件下采集待识别人脸图像;确定待识别人脸图像的第一特征向量;基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量;根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的;第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。这样,可以将待识别人脸图像和目标人脸图像映射到同一个公共子空间中对它们进行匹配识别。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种人脸识别方法及装置。
背景技术
目前,人脸识别技术在图像处理技术领域占据了重要的位置,基于人脸的身份识别技术也受到越来越多的重视。
比如,公安部门可以将采集的人脸图像与数据库中嫌疑人的人脸图像进行匹配,如果能够准确地识别出嫌疑人,将极大地便利对嫌疑人的追捕工作。在此过程中,数据库中嫌疑人的人脸图像通常是在可见光条件采集的,而进行匹配的人脸图像可能是在近红外光条件下采集的,此时,采集人脸图像的工具不同、图片质量也不同,很难使用计算机直接进行匹配,因此会给身份识别带来极大的困难。
可见,目前需要一种可以将可见光条件下采集的人脸图像与近红光条件下采集的人脸图像像进行匹配识别的方案。
发明内容
本申请实施例提供一种人脸识别方法及装置,用以提供一种可以将可见光条件下采集的人脸图像与近红光条件下采集的人脸图像像进行匹配识别的方案。
本申请实施例提供的一种人脸识别的方法,包括:
在近红外光条件下采集待识别人脸图像;
确定待识别人脸图像的第一特征向量;
基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量;
根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的;第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。
可选地,确定待识别人脸图像的第一特征向量,包括:
对待识别人脸图像,分别提取与预先选择的多种算子中的每一种算子对应的图像特征;
基于与每一种算子对应的图像特征和该图像特征的权重,确定第一特征向量。
可选地,基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量,包括:
基于第一特征向量,和预先训练的第一映射向量,确定待识别人脸图像在公共子空间中的第二特征向量;
其中,第一映射向量为根据以下步骤训练得到的:
对每一个人脸样本,分别在近红外光条件和可见光条件下采集该人脸样本的第一人脸图像和第二人脸图像;
分别确定第一人脸图像的第四特征向量和第二人脸图像的第五特征向量;
基于每个人脸样本的第四特征向量和第五特征向量,训练得到第一映射向量和第二映射向量;第二映射向量用于确定目标人脸图像在公共子空间中的第三特征向量。
可选地,基于每个人脸样本的所述第四特征向量和第五特征向量,训练得到第一映射向量和第二映射向量,包括:
根据每个人脸样本的第四特征向量和第五特征向量,确定类间散布矩阵和类内散布矩阵;
将使类间散布矩阵的迹与类内散布矩阵的迹的比值取得极大值的矩阵确定为目标矩阵;
根据目标矩阵,确定第一映射向量和第二映射向量。
可选地,确定待识别人脸图像的第一特征向量之后,基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量之前,所述方法还包括:
对待识别人脸图像的第一特征向量进行降维处理。
本申请实施例提供的一种人脸识别的装置,包括:
采集模块,用于在近红外光条件下采集待识别人脸图像;
第一确定模块,用于确定待识别人脸图像的第一特征向量;
第二确定模块,用于基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量;
识别结果确定模块,用于根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的;第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。
可选地,第一确定模块具体用于:
对待识别人脸图像,分别提取与预先选择的多种算子中的每一种算子对应的图像特征;
基于与每一种算子对应的图像特征和该图像特征的权重,确定第一特征向量。
可选地,第二确定模块具体用于:
基于第一特征向量,和预先训练的第一映射向量,确定待识别人脸图像在公共子空间中的第二特征向量;
其中,第一映射向量为根据以下步骤训练得到的:
对每一个人脸样本,分别在近红外光条件和可见光条件下采集该人脸样本的第一人脸图像和第二人脸图像;
分别确定第一人脸图像的第四特征向量和第二人脸图像的第五特征向量;
基于每个人脸样本的第四特征向量和第五特征向量,训练得到第一映射向量和第二映射向量;第二映射向量用于确定目标人脸图像在所述公共子空间中的第三特征向量。
可选地,第二确定模块具体用于:
根据每个人脸样本的第四特征向量和第五特征向量,确定类间散布矩阵和类内散布矩阵;
将使类间散布矩阵的迹与类内散布矩阵的迹的比值取得极大值的矩阵确定为目标矩阵;
根据目标矩阵,确定第一映射向量和第二映射向量。
可选地,第一确定模块还用于:
对待识别人脸图像的第一特征向量进行降维处理。
本申请实施例中,在近红外光条件下采集待识别人脸图像之后,确定待识别人脸图像的第一特征向量,基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量,进一步地,根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的,第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。这样,虽然待识别人脸图像和目标人脸图像分别是在近红外光条件和可见光条件下采集的,采集人脸图像的工具不同、图片质量也不同,却可以将待识别人脸图像和目标人脸图像映射到同一个公共子空间中,在该公共子空间中分别以第二特征向量和第三特征向量表示在近红外光条件下采集的待识别人脸图像和在可见光条件下采集的目标人脸图像,之后,基于第二特征向量和第三特征向量对待识别人脸图像和目标人脸图像进行匹配识别。
附图说明
图1为本申请实施例提供的人脸识别方法流程图;
图2为本申请实施例提供的训练第一映射向量的流程图;
图3为本申请实施例提供的又一人脸识别方法流程图;
图4为本申请实施例提供的人脸识别装置结构图。
具体实施方式
本申请实施例中,在近红外光条件下采集待识别人脸图像之后,确定待识别人脸图像的第一特征向量,基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量,进一步地,根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的,第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。这样,虽然待识别人脸图像和目标人脸图像分别是在近红外光条件和可见光条件下采集的,采集人脸图像的工具不同、图片质量也不同,却可以将待识别人脸图像和目标人脸图像映射到同一个公共子空间中,在该公共子空间中分别以第二特征向量和第三特征向量表示在近红外光条件下采集的待识别人脸图像和在可见光条件下采集的目标人脸图像,之后,基于第二特征向量和第三特征向量对待识别人脸图像和目标人脸图像进行匹配识别。
下面结合说明书附图对本申请实施例作进一步详细描述。
实施例一
如图1所示,为本申请实施例提供的人脸识别方法流程图,包括以下步骤:
S101:在近红外光条件下采集待识别人脸图像。
S102:确定待识别人脸图像的第一特征向量。
现有技术中对人脸图像进行不变特征提取的算子,如尺度不变特征变换(Scaleinvariant feature transform,SIFT)算子、方向梯度直方图(Histogram of OrientedGradient,HOG)算子等,只能提取一种图像不变特征,这样,在对图像进行匹配识别时无法利用不同图像不变特征之间的相关信息。因此,在本申请实施例中,对待识别人脸图像,分别提取与预先选择的多种算子中的每一种算子对应的图像特征,进一步地,基于与每一种算子对应的图像特征和该图像特征的权重确定第一特征向量。
比如,可以预先选择SIFT、LTP和局部三值模式(Local Triplet Pattern,LTP)三种算子,根据实验效果将SIFT算子提取的待识别人脸图像的SIFT特征的权重确定为0.47,将LTP算子提取的待识别人脸图像的LTP特征的权重确定为0.21,将HOG算子提取的待识别人脸图像的HOG特征的权重确定为0.32。假设FSIFT,FLTP,FHOG分别表示提取的待识别人脸图像的SIFT特征、LTP特征和HOG特征,则通过特征融合得到的待识别人脸图像的第一特征向量为:[0.47·FSIFT;0.21·FLTP;0.32·FHOG]。
可选地,在具体实施过程中,还可以使用主分量分析(Principal ComponentAnalysis,PCA)算法对待识别人脸图像的第一特征向量进行降维处理。
S103:基于第一特征向量确定待识别人脸图像在公共子空间中的第二特征向量。
这里,可以预先训练将近红外光条件下采集的待识别人脸图像映射到公共子空间的第一映射向量,进一步地,基于该第一映射向量和待识别人脸图像的第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量。
在具体实施过程中,可以按照图2所示的流程训练第一映射向量。
S201a:对每一个人脸样本,分别在近红外光条件和可见光条件下采集该人脸样本的第一人脸图像和第二人脸图像。
这里,对于一个人脸样本在近红外光条件和可见光条件下可以采集该人脸样本的多张第一人脸图像和多张第二人脸图像,并且,通常情况下采集的第一人脸图像和第二人脸图像的图像总数目相等。
此外,在采集人脸样本的第一人脸图像和第二人脸图像时,可以从同一角度采集人脸图像,比如,均从人脸样本的正面采集人脸图像,或者,均从人脸样本的左侧面采集人脸图像。
S202a:分别确定第一人脸图像的第四特征向量和第二人脸图像的第五特征向量。
这里,可以按照S102中的特征融合方法分别确定第一人脸图像的第四特征向量和第二人脸图像的第五特征向量,在此不再赘述。较佳地,在具体实施过程中,还可以使用PCA算法对第一人脸图像的第四特征向量和第二人脸图像的第五特征向量进行降维处理。
S203a:基于每个人脸样本的第四特征向量和第五特征向量,训练得到第一映射向量和第二映射向量;其中,第二映射向量用于确定目标人脸图像在公共子空间中的第三特征向量。
这里,可以根据每个人脸样本的第四特征向量和第五特征向量,确定类间散布矩阵和类内散布矩阵,将使类间散布矩阵的迹与类内散布矩阵的迹的比值取得极大值的矩阵确定为目标矩阵,进一步地,根据该目标矩阵,确定第一映射向量和第二映射向量。
具体地,1)按照以下公式确定类内散布矩阵:
其中,表示由第一映射向量w1和第二映射向量w2组成的矩阵;
xijk-表示第i类中第j个模态第k张人脸图像的特征向量,其中,一个人脸样本为一类;j=2,分别代表可见光和近红外光两种模态;c-表示类的数目,可见光和近红外光条件下人脸图像中类的数目相同;nij-表示第i类中第j个模态采集的人脸样本的人脸图像数目;nir-表示第i类中第r个模态采集的人脸样本的人脸图像数目;
2)按照以下公式确定类间散布矩阵:
其中,
nij-表示第i类中第j个模态采集的人脸样本的人脸图像数目;nir-表示第i类中第r个模态采集的人脸样本的人脸图像数目;n-表示采集的总人脸图像数目;
3)根据以下公式将使类间散布矩阵的迹与类内散布矩阵的迹的比确定为目标函数:
其中,分别表示对w1,w2的最优估计,并且在具体实施过程中,可以使用以下公式对上述目标函数进行近似估计:
进一步地,将使上述近似估计后的目标函数取得最大值的矩阵确定为目标矩阵W,进而确定第一映射向量w1和第二映射向量w2。
S104:根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的;第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。
这里,可以根据上述第二映射向量w2,预先将多张在可见光条件下采集的目标人脸图像映射到公共子空间,确定每一张目标人脸图像在公共子空间中的第三特征向量。
在具体实施过程中,确定待识别人脸图像的第二特征向量之后,可以使用NN分类器确定与该第二特征向量匹配的第三特征向量,进而确定与待识别人脸图像相匹配的目标人脸图像,并输出预先存储的目标人脸图像的信息。
比如,可以分别计算第二特征向量与预先保存的每一个第三特征向量之间的欧式距离,将距离最小的第三特征向量确定为与第二特征向量匹配的第三特征向量。
本申请实施例中,在近红外光条件下采集待识别人脸图像之后,确定待识别人脸图像的第一特征向量,基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量,进一步地,根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的,第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。这样,虽然待识别人脸图像和目标人脸图像分别是在近红外光条件和可见光条件下采集的,采集人脸图像的工具不同、图片质量也不同,却可以将待识别人脸图像和目标人脸图像映射到同一个公共子空间中,在该公共子空间中分别以第二特征向量和第三特征向量表示在近红外光条件下采集的待识别人脸图像和在可见光条件下采集的目标人脸图像,之后,基于第二特征向量和第三特征向量对待识别人脸图像和目标人脸图像进行匹配识别。
实施例二
如图3所示,为本申请实施例提供的又一人脸识别方法流程图,包括以下步骤:
S301:分别在近红外光条件和可见光条件下采集人脸样本中每个人脸样本的第一人脸图像和第二人脸图像。
这里,对于每个人脸样本在近红外光条件和可见光条件下可以分别采集多张第一人脸图像和多张第二人脸图像,并且,通常情况下采集的第一人脸图像和第二人脸图像的图像总数目相等。
S302:分别确定第一人脸图像的第四特征向量和第二人脸图像的第五特征向量。
这里,可以分别提取第一人脸图像和第二人脸图像的SIFT特征,然后对提取的SIFT特征进行归一化处理,得到归一化处理后的SIFT特征;再分别提取第一人脸图像和第二人脸图像的LTP特征;最后,分别提取第一人脸图像和第二人脸图像的HOG特征,具体地,对于第一人脸图像,可以首先将第一人脸图像划分成多个图像块,并且这多个图像块之间有重合,重合部分的大小为图像块大小的一半,之后对各图像块分别提取HOG特征,进一步地,将各图像块提取的HOG特征相连得到第一人脸图像的HOG特征。
在具体实施过程中,可以根据实验效果将SIFT算子提取的人脸图像的SIFT特征的权重确定为0.47,将LTP算子提取的人脸图像的LTP特征的权重确定为0.21,将HOG算子提取的人脸图像的HOG特征的权重确定为0.32。假设FSIFT1,FLTP1,FHOG1分别表示将提取的第一人脸图像的SIFT特征、LTP特征和HOG特征,则通过特征融合得到的第一人脸图像的第四特征向量为:[0.47·FSIFT1;0.21·FLTP1;0.32·FHOG1]。这里,确定第二人脸图像的第五特征向量的方式,与上述确定第一人脸图像的第四特征向量的方式相同,在此不再赘述。
S303:使用PCA算法为第四特征向量和第五特征向量进行降维处理。
S304:基于每个人脸样本降维处理后的第四特征向量和第五特征向量,训练得到第一映射向量和第二映射向量。
这里,将目标函数使用广义瑞利商表示(generalized Rayleigh quotient):
其中,w1表示将近红外人脸图像映射到公共子空间的第一映射向量,w2表示将可见光人脸图像映射到公共子空间的第二映射向量,表示映射到公共子空间后的类间散布矩阵,表示映射到公共子空间后的类内散布矩阵。
这里,需要使类间差异最大化,类内差异最小化,因此要实现目标函数最大化。
在具体实施过程中,映射到公共子空间后的类间散布矩阵可以表示成如下形式:
其中,c表示类的数目,可见光和近红外光条件下人脸图像中类的数目可以相同;ni表示第i类人脸图像的数目;
表示第i类人脸图像映射到公共子空间后特征向量的均值;
表示所有人脸图像映射到公共子空间之后特征向量的均值;
这里,n-表示采集的总人脸图像数目;j=2,分别代表可见光和近红外光两种模态;yijk-表示第j个模态中第i类的第k个人脸图像映射到子空间中的特征向量;nij-表示第i类中第j个模态中人脸图像的数目,并且
在具体实施过程中,映射到公共子空间之后的类内散布矩阵可以表示成如下形式:
其中,c表示类的数目,可见光和近红外人脸图像中类的数目相同;nij-表示第i类中第j个模态中人脸图像的数目,并且yijk-表示第j个模态中第i类的第k个人脸图像映射到子空间中的特征向量;
表示第i类人脸图像映射到公共子空间后特征向量的均值。
在具体实施过程中,可以将上述映射到公共子空间之后的类内散布矩阵和类间散布矩阵转换为如下映射到公共子空间之前的形式:
其中,各个变量的含义与实施例一中各个变量的含义相同,在此不再赘述。
进一步地,目标函数可以表示为:
在具体实施过程中,可以使用以下公式对上述目标函数进行近似估计:
进一步地,将使上述近似估计后的目标函数取得最大值的的矩阵确定为目标矩阵W,进而确定第一映射向量w1和第二映射向量w2。
S305:对预先在可见光条件下采集的目标人脸图像,通过S301~S303处理后,利用第二映射向量得到目标人脸图像在公共子空间中的第三特征向量。
这里,目标人脸图像通过S301~S303处理后可以得到目标人脸图像映射到公共子空间之前的特征向量,该特征向量与第二映射向量左乘,得到目标人脸图像在公共子空间中的第三特征向量。
S306:在近红外光条件下采集待识别人脸图像,通过S301~S303处理后,利用第二映射向量得到目标人脸图像在公共子空间中的第二特征向量。
这里,待识别人脸图像通过S301~S303处理后可以得到第一特征向量,该第一特征向量与第一映射向量左乘,得到待识别人脸图像在公共子空间中的第二特征向量。
S307:在公共子空间中,基于第二特征向量和第三特征向量,利用NN分类器确定与待识别人脸图像对应的可见光人脸图像,输出该可见光人脸图像的信息。
比如,可以分别计算第二特征向量与预先保存的每一个第三特征向量之间的欧式距离,将距离最小的第三特征向量确定为与第二特征向量匹配的第三特征向量。
本申请实施例中,在近红外光条件下采集待识别人脸图像之后,确定待识别人脸图像的第一特征向量,基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量,进一步地,根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的,第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。这样,虽然待识别人脸图像和目标人脸图像分别是在近红外光条件和可见光条件下采集的,采集人脸图像的工具不同、图片质量也不同,却可以将待识别人脸图像和目标人脸图像映射到同一个公共子空间中,在该公共子空间中分别以第二特征向量和第三特征向量表示在近红外光条件下采集的待识别人脸图像和在可见光条件下采集的目标人脸图像,之后,基于第二特征向量和第三特征向量对待识别人脸图像和目标人脸图像进行匹配识别。
实施例三
基于同一发明构思,本申请实施例中还提供了一种与人脸识别的方法对应的人脸识别的装置,由于该装置解决问题的原理与本申请实施例人脸识别的方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,为本申请实施例提供的人脸识别装置40结构图,包括:
采集模块401,用于在近红外光条件下采集待识别人脸图像;
第一确定模块402,用于确定待识别人脸图像的第一特征向量;
第二确定模块403,用于基于第一特征向量,确定待识别人脸图像在公共子空间中的第二特征向量;
识别结果确定模块404,用于根据第二特征向量和预先确定的第三特征向量,确定待识别人脸图像与目标人脸图像的匹配识别结果;其中,目标人脸图像是预先在可见光条件下采集的;第三特征向量为采集的目标人脸图像的在公共子空间中的特征向量。
可选地,第一确定模块402具体用于:
对待识别人脸图像,分别提取与预先选择的多种算子中的每一种算子对应的图像特征;
基于与每一种算子对应的图像特征和该图像特征的权重,确定第一特征向量。
可选地,第二确定模块403具体用于:
基于第一特征向量,和预先训练的第一映射向量,确定待识别人脸图像在公共子空间中的第二特征向量;
其中,第一映射向量为根据以下步骤训练得到的:
对每一个人脸样本,分别在近红外光条件和可见光条件下采集该人脸样本的第一人脸图像和第二人脸图像;
分别确定第一人脸图像的第四特征向量和第二人脸图像的第五特征向量;
基于每个人脸样本的第四特征向量和第五特征向量,训练得到第一映射向量和第二映射向量;第二映射向量用于确定目标人脸图像在所述公共子空间中的第三特征向量。
可选地,第二确定模块403具体用于:
根据每个人脸样本的第四特征向量和第五特征向量,确定类间散布矩阵和类内散布矩阵;
将使类间散布矩阵的迹与类内散布矩阵的迹的比值取得极大值的矩阵确定为目标矩阵;
根据目标矩阵,确定第一映射向量和第二映射向量。
可选地,第一确定模块402还用于:
对待识别人脸图像的第一特征向量进行降维处理。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,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申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请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,该方法包括:
在近红外光条件下采集待识别人脸图像;
确定所述待识别人脸图像的第一特征向量;
基于所述第一特征向量,确定所述待识别人脸图像在公共子空间中的第二特征向量;
根据所述第二特征向量和预先确定的第三特征向量,确定所述待识别人脸图像与目标人脸图像的匹配识别结果;其中,所述目标人脸图像是预先在可见光条件下采集的;所述第三特征向量为采集的所述目标人脸图像的在公共子空间中的特征向量。
2.如权利要求1所述的方法,其特征在于,确定所述待识别人脸图像的第一特征向量,包括:
对所述待识别人脸图像,分别提取与预先选择的多种算子中的每一种算子对应的图像特征;
基于所述与每一种算子对应的图像特征和该图像特征的权重,确定所述第一特征向量。
3.如权利要求1所述的方法,其特征在于,基于所述第一特征向量,确定所述待识别人脸图像在公共子空间中的第二特征向量,包括:
基于所述第一特征向量,和预先训练的第一映射向量,确定所述待识别人脸图像在公共子空间中的第二特征向量;
其中,所述第一映射向量为根据以下步骤训练得到的:
对每一个人脸样本,分别在近红外光条件和可见光条件下采集该人脸样本的第一人脸图像和第二人脸图像;
分别确定所述第一人脸图像的第四特征向量和所述第二人脸图像的第五特征向量;
基于每个人脸样本的所述第四特征向量和第五特征向量,训练得到所述第一映射向量和第二映射向量;所述第二映射向量用于确定所述目标人脸图像在所述公共子空间中的所述第三特征向量。
4.如权利要求3所述的方法,其特征在于,基于每个人脸样本的所述第四特征向量和第五特征向量,训练得到所述第一映射向量和第二映射向量,包括:
根据所述每个人脸样本的第四特征向量和第五特征向量,确定类间散布矩阵和类内散布矩阵;
将使所述类间散布矩阵的迹与类内散布矩阵的迹的比值取得极大值的矩阵确定为目标矩阵;
根据所述目标矩阵,确定所述第一映射向量和第二映射向量。
5.如权利要求1所述的方法,其特征在于,确定所述待识别人脸图像的第一特征向量之后,基于所述第一特征向量,确定所述待识别人脸图像在公共子空间中的第二特征向量之前,所述方法还包括:
对所述待识别人脸图像的第一特征向量进行降维处理。
6.一种人脸识别装置,其特征在于,该装置包括:
采集模块,用于在近红外光条件下采集待识别人脸图像;
第一确定模块,用于确定所述待识别人脸图像的第一特征向量;
第二确定模块,用于基于所述第一特征向量,确定所述待识别人脸图像在公共子空间中的第二特征向量;
识别结果确定模块,用于根据所述第二特征向量和预先确定的第三特征向量,确定所述待识别人脸图像与目标人脸图像的匹配识别结果;其中,所述目标人脸图像是预先在可见光条件下采集的;所述第三特征向量为采集的所述目标人脸图像的在公共子空间中的特征向量。
7.如权利要求6所述的装置,其特征在于,所述第一确定模块具体用于:
对所述待识别人脸图像,分别提取与预先选择的多种算子中的每一种算子对应的图像特征;
基于所述与每一种算子对应的图像特征和该图像特征的权重,确定所述第一特征向量。
8.如权利要求6所述的装置,其特征在于,所述第二确定模块具体用于:
基于所述第一特征向量,和预先训练的第一映射向量,确定所述待识别人脸图像在公共子空间中的第二特征向量;
其中,所述第一映射向量为根据以下步骤训练得到的:
对每一个人脸样本,分别在近红外光条件和可见光条件下采集该人脸样本的第一人脸图像和第二人脸图像;
分别确定所述第一人脸图像的第四特征向量和所述第二人脸图像的第五特征向量;
基于每个人脸样本的所述第四特征向量和第五特征向量,训练得到所述第一映射向量和第二映射向量;所述第二映射向量用于确定所述目标人脸图像在所述公共子空间中的所述第三特征向量。
9.如权利要求8所述的装置,其特征在于,所述第二确定模块具体用于:
根据所述每个人脸样本的第四特征向量和第五特征向量,确定类间散布矩阵和类内散布矩阵;
将使所述类间散布矩阵的迹与类内散布矩阵的迹的比值取得极大值的矩阵确定为目标矩阵;
根据所述目标矩阵,确定所述第一映射向量和第二映射向量。
10.如权利要求6所述的装置,其特征在于,所述第一确定模块还用于:
对所述待识别人脸图像的第一特征向量进行降维处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611250054.9A CN108256405A (zh) | 2016-12-29 | 2016-12-29 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611250054.9A CN108256405A (zh) | 2016-12-29 | 2016-12-29 | 一种人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256405A true CN108256405A (zh) | 2018-07-06 |
Family
ID=62721552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611250054.9A Pending CN108256405A (zh) | 2016-12-29 | 2016-12-29 | 一种人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256405A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684965A (zh) * | 2018-12-17 | 2019-04-26 | 上海资汇信息科技有限公司 | 一种基于近红外成像与深度学习的人脸识别系统 |
CN110909582A (zh) * | 2018-09-18 | 2020-03-24 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136516A (zh) * | 2013-02-08 | 2013-06-05 | 上海交通大学 | 可见光与近红外信息融合的人脸识别方法及系统 |
CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
CN104318224B (zh) * | 2014-11-18 | 2018-03-23 | 深圳市中控生物识别技术有限公司 | 一种人脸识别方法及监控设备 |
-
2016
- 2016-12-29 CN CN201611250054.9A patent/CN108256405A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136516A (zh) * | 2013-02-08 | 2013-06-05 | 上海交通大学 | 可见光与近红外信息融合的人脸识别方法及系统 |
CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
CN104318224B (zh) * | 2014-11-18 | 2018-03-23 | 深圳市中控生物识别技术有限公司 | 一种人脸识别方法及监控设备 |
Non-Patent Citations (2)
Title |
---|
MEINA KAN ET AL.: "Multi-View Discriminant Analysis", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
李杰: "可见光/近红外人脸识别方法的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909582A (zh) * | 2018-09-18 | 2020-03-24 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
WO2020057509A1 (zh) * | 2018-09-18 | 2020-03-26 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
KR20210058882A (ko) * | 2018-09-18 | 2021-05-24 | 후아웨이 테크놀러지 컴퍼니 리미티드 | 안면 인식 방법 및 디바이스 |
EP3842990A4 (en) * | 2018-09-18 | 2021-11-17 | Huawei Technologies Co., Ltd. | FACIAL RECOGNITION PROCESS AND DEVICE |
CN110909582B (zh) * | 2018-09-18 | 2023-09-22 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
KR102592668B1 (ko) * | 2018-09-18 | 2023-10-24 | 후아웨이 테크놀러지 컴퍼니 리미티드 | 안면 인식 방법 및 디바이스 |
CN109684965A (zh) * | 2018-12-17 | 2019-04-26 | 上海资汇信息科技有限公司 | 一种基于近红外成像与深度学习的人脸识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574550B (zh) | 一种车辆识别方法及装置 | |
CN104766063B (zh) | 一种活体人脸识别方法 | |
CN110751098B (zh) | 一种基于光照、姿态生成对抗网络的人脸识别方法 | |
CN108235770A (zh) | 图像识别方法及云端系统 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN105138954A (zh) | 一种图像自动筛选查询识别系统 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN105528584B (zh) | 一种正脸图像的检测方法和装置 | |
JP6409433B2 (ja) | 画像生成装置、画像検出システム及び画像生成方法 | |
CN105813548A (zh) | 用于评估至少一个面部临床体征的方法 | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
CN109255319A (zh) | 针对静态照片的人脸识别支付信息防伪方法 | |
CN107886110A (zh) | 人脸检测方法、装置及电子设备 | |
CN107918773A (zh) | 一种人脸活体检测方法、装置及电子设备 | |
CN108509925A (zh) | 一种基于视觉词袋模型的行人重识别方法 | |
CN108921064B (zh) | 基于多特征融合的行人重识别方法 | |
Ghoualmi et al. | A SIFT-based feature level fusion of iris and ear biometrics | |
CN107392191A (zh) | 身份判定方法、装置及电子设备 | |
KR20130059212A (ko) | 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
CN108256405A (zh) | 一种人脸识别方法及装置 | |
CN109583452A (zh) | 一种基于赤足足迹的人身同一认定方法和系统 | |
CN104331412A (zh) | 一种在规格化三维人脸库中进行人脸检索的方法 | |
CN112102928B (zh) | 病理图像染色风格归一化方法及装置 | |
Mráček et al. | 3D face recognition on low-cost depth sensors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |