CN108647600B - 人脸识别方法、设备及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种人脸识别方法，所述方法包括以下步骤：采集人脸图像，从所述人脸图像中抽取图像帧；计算抽取到的图像帧的每一像素点的梯度值；计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；根据计算得到的皱纹值将人脸图像进行区域划分；根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。本发明还公开了一种人脸识别设备及计算机可读存储介质。本发明能够弱化皱纹对人脸识别的影响，提高人脸识别的准确性。

Description

人脸识别方法、设备及计算机可读存储介质

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法、设备及计算机可读存储介质。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

目前，随着其技术的成熟和社会认同度的提高，人脸识别被应用在很多领域，例如，人脸识别门禁考勤系统，人脸识别防盗门，人脸识别手机解锁，人脸识别来运行的机器人等，但识别人脸图像存在纹理而模板图像无纹理时，会由于图像之间特征的差异而降低识别率。

发明内容

本发明的主要目的在于提出一种人脸识别方法、设备及计算机可读存储介质，旨在解决由于识别人脸图像存在纹理而模板图像无纹理时，会由于图像之间特征的差异而降低识别率的技术问题。

为实现上述目的，本发明提供一种人脸识别方法，所述方法包括：

采集人脸图像，从所述人脸图像中抽取图像帧；

计算抽取到的图像帧的每一像素点的梯度值；

计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；

根据计算得到的皱纹值将人脸图像进行区域划分；

根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。

可选地，所述计算抽取到的图像帧的每一像素点的梯度值的步骤包括：

通过sobel算子计算抽取到的图像帧的每一像素点的sobel值，并将所述sobel值作为每一像素点的梯度值。

可选地，所述计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值的步骤包括：

计算各个像素点梯度值的平方的均值与均值的平方；

将所述平方的均值与均值的平方相减，获得各个像素点梯度值的方差；

将所述方差作为对应的图像帧对应的像素点的皱纹值。

可选地，所述根据所述对应计算权值对人脸图像进行识别的步骤包括：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的匹配值；

将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

可选地，所述将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度的步骤包括：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和数据库中预存的人脸图像脸部图像特征，分别计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

可选地，所述提取所述采集到的人脸图像特征的步骤包括：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

此外，为实现上述目的，本发明还提供一种人脸识别设备，所述人脸识别设备包括处理器、网络接口、用户接口及存储器，所述存储器中存储有人脸识别程序；所述处理器用于执行所述人脸识别程序，以实现如上所述的人脸识别方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有人脸识别程序，所述人脸识别程序被处理器执行时实现如上所述的人脸识别方法的步骤。

本发明提出的人脸识别方法、设备及计算机可读存储介质，通过采集人脸图像，从所述人脸图像中抽取图像帧；然后计算抽取到的图像帧的每一像素点的梯度值；并计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；再根据计算得到的皱纹值将人脸图像进行区域划分；根据划分的区域，赋予不同的区域对应的计算权值，即可根据所述对应计算权值对人脸图像进行识别，通过上述方式，从而弱化用户人脸皱纹对人脸识别的影响，提高人脸识别的准确性。

附图说明

图1为本发明人脸识别方法第一实施例的流程示意图；

图2为计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值的步骤的细化流程示意图；

图3为本发明人脸识别方法第二实施例中根据所述对应计算权值对人脸图像进行识别的步骤的细化流程示意图；

图4为本发明人脸识别方法第三实施例中将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度的步骤的细化流程示意图；

图5为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：通过采集人脸图像，从所述人脸图像中抽取图像帧；然后计算抽取到的图像帧的每一像素点的梯度值；并计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；再根据计算得到的皱纹值将人脸图像进行区域划分；根据划分的区域，赋予不同的区域对应的计算权值，即可根据所述对应计算权值对人脸图像进行识别，通过上述方式，从而弱化用户人脸皱纹对人脸识别的影响，提高人脸识别的准确性。

本发明实施例考虑到，目前，随着其技术的成熟和社会认同度的提高，人脸识别被应用在很多领域，例如，人脸识别门禁考勤系统，人脸识别防盗门，人脸识别手机解锁，人脸识别来运行的机器人等，但识别人脸图像存在纹理而模板图像无纹理时，会由于图像之间特征的差异而降低识别率。

为此，本发明实施例提出一种人脸识别方法，通过采集人脸图像，从所述人脸图像中抽取图像帧；然后计算抽取到的图像帧的每一像素点的梯度值；并计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；再根据计算得到的皱纹值将人脸图像进行区域划分；根据划分的区域，赋予不同的区域对应的计算权值，即可根据所述对应计算权值对人脸图像进行识别，通过上述方式，从而弱化用户人脸皱纹对人脸识别的影响，提高人脸识别的准确性。

本发明提供一种人脸识别方法。

参照图1，图1为本发明人脸识别方法第一实施例的流程示意图。

在本实施例中，该方法包括：

步骤S100，采集人脸图像，从所述人脸图像中抽取图像帧；

在本实施例中，当需要通过人脸图像识别，进行门禁考勤系统，或通过人脸图像识别，进行手机解锁，或通过人脸图像识别，进行机器人运行时，首先需要对人脸图像进行采集，具体地，用户可以站在图像采集设备前，图像采集设备配备有摄像头，通过摄像头采集用户的人脸图像，然后触发采集人脸图像指令，具体地，用户点击图像采集设备中的采集人脸图像按键即可，在用户触发采集人脸图像指令之后，图像采集设备即对用户的人脸图像进行采集，具体实施过程中，在图像采集设备检测到活体出现在镜头前的时间超过预设时间时，此时也可以对活体的人脸图像进行采集。在采集到用户人脸图像之后，首先从所述人脸图像中抽取图像帧，图像采集设备可以是PC，也可以是智能手机、平板电脑、便携计算机等终端设备。

步骤S200，计算抽取到的图像帧的每一像素点的梯度值；

在抽取得到图像帧之后即可计算抽取到的图像帧的每一像素点的梯度值，具体可以通过采用边缘检测算子来计算抽取的每一图像帧的每一像素点的梯度值，此处，所采用的边缘检测算予优选为sobel算子，sobel算子的中文名为索贝尔算子。

进一步地，所述步骤S200包括：

通过sobel算子计算抽取到的图像帧的每一像素点的sobel值，并将所述sobel值作为每一像素点的梯度值。

具体地，通过sobel算子计算抽取到的图像帧的每一像素点的sobel值，Sobel算法是像素图像边缘检测中最重要的算子之一，在机器学习、数字媒体、计算机视觉等信息科技领域起着举足轻重的作用。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值，该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:

图像的每一个像素的横向及纵向的sobel值，即梯度近似值可用以下的公式结合，来计算梯度值的大小。

步骤S300，计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；

在计算得到图像帧的每一像素点的sobel值，即每一像素点的梯度值之后，进一步计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值。

进一步地，参照图2，所述步骤S300包括：

步骤S310，计算各个像素点梯度值的平方的均值与均值的平方；

步骤S320，将所述平方的均值与均值的平方相减，获得各个像素点梯度值的方差；

步骤S330，将所述方差作为对应的图像帧对应的像素点的皱纹值。

具体地，首先计算各个像素点梯度值的平方的均值与均值的平方，然后将所述平方的均值与均值的平方相减，即可获得各个像素点梯度值的方差；具体公式为：D(X)＝E(X²)-[E(X)]²，其中，D(X)为方差，E(X²)为梯度值的平方的均值，[E(X)]²为梯度值的均值的平方，将所述方差作为对应的图像帧对应的像素点的皱纹值。通过各个像素点的皱纹值，即可获知图像中各个区域是否存在皱纹。

步骤S400，根据计算得到的皱纹值将人脸图像进行区域划分；

在获得各个像素点的皱纹值之后，通常在人脸图像中，没有皱纹的区域图像比较光滑，颜色变化不大，对应的皱纹值较小；而有皱纹的图像区域的像素值变化程度较大，波动较大，对应的皱纹值较大，基于该现象可以区分图像中哪些区域有皱纹，因此可以根据计算得到的皱纹值将人脸图像进行区域划分，比如首先将计算得到皱纹值与第一预设值进行对比，将大于或等于第一预设值的区域划分为存在皱纹的区域，将小于第一预设值的区域划分为不存在皱纹的区域。

步骤S500，根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。

在划分区域之后，根据划分的区域，赋予不同的区域对应的计算权值，比如赋予不存在皱纹的区域第一计算权值，赋予存在皱纹的区域第二计算权值，并根据所述对应计算权值对人脸图像进行识别，具体地，首先将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度；然后将所述第一计算权值以及第二计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的通过值；将所述通过值与预设通过值进行对比，即可获得人脸识别的识别结果。

本实施例提出的人脸识别方法，通过采集人脸图像，从所述人脸图像中抽取图像帧；然后计算抽取到的图像帧的每一像素点的梯度值；并计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；再根据计算得到的皱纹值将人脸图像进行区域划分；根据划分的区域，赋予不同的区域对应的计算权值，即可根据所述对应计算权值对人脸图像进行识别，通过上述方式，从而弱化用户人脸皱纹对人脸识别的影响，提高人脸识别的准确性。

进一步地，参照图3，基于本发明人脸识别方法第一实施例提出本发明人脸识别方法第二实施例。

在本实施例中，所述步骤S500中的根据所述对应计算权值对人脸图像进行识别步骤包括：

步骤S510，将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

步骤S520，将所述计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的匹配值；

步骤S530，将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

在本实施例中，首先将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度，比如将人脸图像中的鼻子与数据库中的人脸图像的鼻子进行匹配，然后计算分析两张图像的鼻子之间的匹配度，同理，计算分析采集到的人脸图像与数据库中的人脸图像之间的嘴巴等人脸特征之间的匹配度。然后将区域对应赋予的计算权值与对应的人脸特征的匹配度相乘，比如，将不存在皱纹区域中的人脸特征与不存在皱纹区域对应赋予的第一计算权值进行相乘，即可获得赋予权值后的人脸特征匹配的匹配值；然后获取预设的将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果，具体地，若所述匹配值大于或等于预设匹配值，即可确定人脸识别通过，否则，即为人脸识别失败。

进一步地，参照图4，基于本发明人脸识别方法第二实施例提出本发明人脸识别方法第三实施例。

在本实施例中，所述步骤S510包括：

步骤S511，提取所述采集到的人脸图像特征；

步骤S512，根据所述采集到的人脸图像特征和数据库中预存的人脸图像脸部图像特征，分别计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

在本实施例中，具体可以通过联合贝叶斯算法提取用户的人脸图像的图像特征，及预存的人脸图像特征，然后将提取到的用户的人脸图像的图像特征与数据库中预存的人脸图像特征进行匹配，分别计算用户的人脸图像和预存的人脸图像之间的匹配度。

进一步地，所述步骤S511包括：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

具体地，首先对人脸图像进行关键特征点定位，根据关键特征点定位结果将人脸图像分割成若干个人脸区域，对于每一个人脸区域，采用该人脸区域对应的深度网络模型对该人脸区域进行特征提取，然后将从人脸区域提取的特征进行重组，即可得到签到用户的人脸图像的图像特征。人脸图像中的关键特征点是指人脸中诸如双眼的中心、鼻尖、两侧嘴角之类的特征点。对于不同的人脸图像中的图像区域，预先分别训练相应的深度网络模型。深度网络模型用于从人脸图像中提取图像特征，深度网络模型可采用深度卷积神经网络Convolutional Neural Networks，CNNs)。在本发明实施例中，采用基于深度学习的人脸识别算法获取人脸图像的图像特征，相较于其它人脸识别算法，识别准确度更高。另外，针对不同的人脸图像中的图像区域(如眼部区域、鼻子区域、嘴部区域等)，分别训练各自对应的深度网络，并采用各自对应的深度网络进行特征提取，充分确保特征提取的准确度。

本发明进一步提供一种人脸识别设备。

参照图5，图5为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

如图5所示，该人脸识别设备可以包括：处理器1001，例如CPU，网络接口1002，用户接口1003，存储器1004。这些组件之间的连接通信可以通过通信总线实现。网络接口1002可选的可以包括标准的有线接口(用于连接有线网络)、无线接口(如WI-FI接口、蓝牙接口、红外线接口等，用于连接无线网络)。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口(例如用于连接有线键盘、有线鼠标等)和/或无线接口(例如用于连接无线键盘、无线鼠标)。存储器1004可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储装置。

可选地，该人脸识别设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。

本领域技术人员可以理解，图中示出的人脸识别设备结构并不构成对人脸识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图5所示，作为一种计算机存储介质的存储器1004中可以包括操作系统、网络通信模块、用户接口模块以及人脸识别程序。其中，操作系统是管理和控制人脸识别设备硬件与软件资源的程序，支持网络通信模块、用户接口模块、人脸识别程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。

在图5所示的人脸识别设备中，网络接口1002主要用于连接数据库，与数据库进行数据通信；用户接口1003主要用于连接客户端(可以理解为用户端)，与客户端进行数据通信，如通过窗口展示信息给客户端，或者接收客户端发送的操作信息；而处理器1001可以用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

采集人脸图像，从所述人脸图像中抽取图像帧；

计算抽取到的图像帧的每一像素点的梯度值；

计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；

根据计算得到的皱纹值将人脸图像进行区域划分；

根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

通过sobel算子计算抽取到的图像帧的每一像素点的sobel值，并将所述sobel值作为每一像素点的梯度值。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

计算各个像素点梯度值的平方的均值与均值的平方；

将所述平方的均值与均值的平方相减，获得各个像素点梯度值的方差；

将所述方差作为对应的图像帧对应的像素点的皱纹值。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的匹配值；

将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和数据库中预存的人脸图像脸部图像特征，分别计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸图像的人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

本发明人脸识别设备的具体实施例与上述人脸识别方法各实施例基本相同，在此不作赘述。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

采集人脸图像，从所述人脸图像中抽取图像帧；

计算抽取到的图像帧的每一像素点的梯度值；

计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值；

根据计算得到的皱纹值将人脸图像进行区域划分；

根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

通过sobel算子计算抽取到的图像帧的每一像素点的sobel值，并将所述sobel值作为每一像素点的梯度值。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

计算各个像素点梯度值的平方的均值与均值的平方；

将所述平方的均值与均值的平方相减，获得各个像素点梯度值的方差；

将所述方差作为对应的图像帧对应的像素点的皱纹值。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的匹配值；

将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和数据库中预存的人脸图像脸部图像特征，分别计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸图像的人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

本发明计算机可读存储介质的具体实施例与上述人脸识别方法和人脸识别设备各实施例基本相同，在此不作赘述。

还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括以下步骤：

采集人脸图像，从所述人脸图像中抽取图像帧；

计算抽取到的图像帧的每一像素点的梯度值；

计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值，包括将所述各个像素点梯度值的方差作为对应的图像帧对应的像素点的皱纹值；

根据计算得到的皱纹值将人脸图像进行区域划分；

根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。

2.如权利要求1所述的人脸识别方法，其特征在于，所述计算抽取到的图像帧的每一像素点的梯度值的步骤包括：

通过sobel算子计算抽取到的图像帧的每一像素点的sobel值，并将所述sobel值作为每一像素点的梯度值。

3.如权利要求1所述的人脸识别方法，其特征在于，所述计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值的步骤包括：

计算各个像素点梯度值的平方的均值与均值的平方；

将所述平方的均值与均值的平方相减，获得各个像素点梯度值的方差；

将所述方差作为对应的图像帧对应的像素点的皱纹值。

4.如权利要求1所述的人脸识别方法，其特征在于，所述根据所述对应计算权值对人脸图像进行识别的步骤包括：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的匹配值；

将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

5.如权利要求4所述的人脸识别方法，其特征在于，所述将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度的步骤包括：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和数据库中预存的人脸图像特征，分别计算所述采集到的人脸图像和预存的人脸图像之间的匹配度。

6.如权利要求5所述的人脸识别方法，其特征在于，所述提取所述采集到的人脸图像特征的步骤包括：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

7.一种人脸识别设备，其特征在于，所述人脸识别设备包括处理器、网络接口、用户接口及存储器，所述存储器中存储有人脸识别程序；所述处理器用于执行所述人脸识别程序，以实现如下步骤：

采集人脸图像，从所述人脸图像中抽取图像帧；

计算抽取到的图像帧的每一像素点的梯度值；

计算各个像素点梯度值的方差，并根据所述方差计算对应的图像帧的皱纹值，包括将所述各个像素点梯度值的方差作为对应的图像帧对应的像素点的皱纹值；

根据计算得到的皱纹值将人脸图像进行区域划分；

根据划分的区域，赋予不同的区域对应的计算权值，并根据所述对应计算权值对人脸图像进行识别。

8.如权利要求7所述的人脸识别设备，其特征在于，所述处理器还用于执行所述人脸识别程序，以实现如下步骤：

计算各个像素点梯度值的平方的均值与均值的平方；

将所述平方的均值与均值的平方相减，获得各个像素点梯度值的方差；

将所述方差作为对应的图像帧对应的像素点的皱纹值。

9.如权利要求7所述的人脸识别设备，其特征在于，所述处理器还用于执行所述人脸识别程序，以实现如下步骤：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的匹配值；

将所述匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有人脸识别程序，所述人脸识别程序被处理器执行时实现如权利要求1至6中任一项所述的人脸识别方法的步骤。

Images