CN108647640A - 人脸识别的方法及电子设备 - Google Patents

人脸识别的方法及电子设备 Download PDF

Info

Publication number
CN108647640A
CN108647640A CN201810443318.5A CN201810443318A CN108647640A CN 108647640 A CN108647640 A CN 108647640A CN 201810443318 A CN201810443318 A CN 201810443318A CN 108647640 A CN108647640 A CN 108647640A
Authority
CN
China
Prior art keywords
subgraph
image
dimensionality reduction
mentioned
facial image
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
Application number
CN201810443318.5A
Other languages
English (en)
Inventor
王逸人
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810443318.5A priority Critical patent/CN108647640A/zh
Publication of CN108647640A publication Critical patent/CN108647640A/zh
Pending legal-status Critical Current

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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Abstract

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别的方法及电子设备，其中，所述方法包括：划分待识别人脸图像为N个子图像；根据所述子图像的姿态类型，加权相应的主成分特征相位矩阵；使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。优点：解决现有技术中存在的人脸图像识别精度不高的问题。

Description

人脸识别的方法及电子设备
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的方法及电子设备。
背景技术
人脸识别是利用分析比较人脸的面部特征信息进行身份识别的计算机技术。人脸识别由于其非接触式、基本无须配合、操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术。
现有技术中，人脸识别的方法步骤主要包括：图像采集及检测、图像预处理、图像特征提取、匹配与识别。图像特征提取可分为全局特征与局部特征两类：全局特征方法反映的是人脸的整体属性，主流的全局特征方法包括主成分分析法(PCA)，线性判别分析法(LDA)及独立分量分析法(ICA)等；局部特征方法侧重于提取人脸的细节特征，基于局部特征的识别方法包括局部特征表示(LFA)、局部二值模式(LBP)及局部方向模式(LDP)等。
然而，上述人脸识别的方法在实际使用时，只用某一张人脸样本进行一次性比对，比对的结果有很大的不确定性，上述人脸识别方法的识别精度不高。
发明内容
针对现有技术的不足，本发明提供了一种人脸识别的方法及电子设备，用以解决现有技术中存在的人脸图像识别精度不高的问题。
第一方面，本发明提供了一种人脸识别的方法，包括：
划分待识别人脸图像为N个子图像，其中，所述N为正整数；
根据所述子图像的姿态类型，加权相应的主成分特征相位矩阵；
使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；
遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。
优选地，在所述划分待识别人脸图像为N个子图像之后，还包括：对所述子图像对齐、归一化及格式变换。
优选地，所述划分待识别人脸图像为N个子图像，包括：
划分待识别人脸图像为N个相同大小、在水平方向彼此重叠的子图像；或，
划分待识别人脸图像为N个相同大小、在垂直方向彼此重叠的子图像。
优选地，所述遍历降维的所述子图像数据与降维的所述样本数据匹配识别所述人脸图像，包括：
遍历降维的所述子图像数据与降维的所述样本数据欧氏距离匹配度识别所述子图像；
将匹配的N个所述子图像与所述待识别人脸图像匹配识别。
优选地，所述根据所述子图像姿态类型，包括：识别所述子图像的人脸姿态角，并根据所述人脸姿态角确定所述子图像的姿态类型。
优选地，所述根据所述子图像姿态类型，加权相应的主成分特征相位矩阵，包括：
当所述子图像的姿态类型为上仰时，则增大所述子图像相应的主成分特征相位矩阵的权重值。
优选地，所述根据所述子图像姿态类型，加权相应的主成分特征相位矩阵，包括：
当所述子图像的姿态类型为下俯时，则减小所述子图像相应的主成分特征相位矩阵的权重值。
第二方面，本发明提供了一种人脸识别的系统，包括：
图像划分模块，用于划分待识别人脸图像为N个子图像，其中，所述N为正整数；
图像加权模块，用于根据所述子图像的姿态类型加权相应的主成分特征相位矩阵；
图像降维模块，用于使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；
图像识别模块，用于遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。
第三方面，本发明提供了一种人脸识别的电子设备，包括：
通信总线，用于实现处理器与存储器间的连接通信；
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如下步骤：
划分待识别人脸图像为N个子图像，其中，所述N为正整数；
根据所述子图像的姿态类型，加权相应的主成分特征相位矩阵；
使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；
遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的方法。
本发明的有益效果：本发明的人脸识别的方法及电子设备，通过根据图像分块实现了多个子图像与样本图像的识别、多个初步筛选的子图像与待识别人脸图像再识别，原避免了单一样本的一次性比对的弊端，提高了识别精度；根据不同的姿态类型加权相应的图像，区分了关键与非关键图像，提高了识别率及精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，附图中的实施例不构成对本发明的任何限制，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是本发明人脸识别方法一实施例流程示意图。
图2是本发明人脸识别系统一实施例结构示意图。
图3是本发明人脸识别电子设备一实施例结构示意图。
具体实施方式
下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，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；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。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。
实施例一
本发明一实施例提供了一种人脸识别的方法，如图1所示，以下方法实施例中各步骤的执行主体具体可以为具有人脸识别功能的各种设备，例如：手机、个人电脑，PAD，门禁设备等，该方法具体可以包括如下步骤：
步骤S101，划分待识别人脸图像为N个子图像，其中，上述N为正整数；
上述待识别的人脸图像可通过有线连接方式或无线连接方式从用户利用其进行身份验证的终端设备获得待检测人脸的人脸图像。
在一个可选实施例中，可把待识别人脸图像划分为N个相同大小、在水平方向彼此重叠的子图像；
在另一可选实施例中，可把待识别人脸图像划分为N个相同大小、在垂直方向彼此重叠的子图像。
步骤S102，根据上述子图像的姿态类型，加权相应的主成分特征相位矩阵；
首先，识别上述子图像的人脸姿态角，并根据上述人脸姿态角确定上述子图像的姿态类型；然后，根据上述子图像姿态类型，加权相应的主成分特征相位矩阵。
具体地，当上述子图像的姿态类型为上仰时，则增大上述子图像相应的主成分特征相位矩阵的权重值；当上述子图像的姿态类型为下俯时，则减小上述子图像相应的主成分特征相位矩阵的权重值。
需要说明的是，上述的姿态可以首先获取上述人脸图像，并根据所获得人脸图像的像素、肤色等判断上述姿态角为水平偏航角或上下俯仰角，根据上述人脸图像的姿态角确定出上述人脸图像所属的姿态类别。
在再一可选实施例中，上述待检测人脸的人脸图像为多脸图像，分别计算上述各个姿态的待测图像的面部特征以及各上述待测图像的姿态角，根据各上述姿态角的大小和方向确定出各姿态的待测图像所属的姿态类别。
人脸的姿态角可以通过人脸对齐的方法算出，例如通过ASM(Active ShapeModels)算法、AAM(Active Appreance Model)算法；还可以是预先制作的三维正面的“标准模型”，旋转三维标准模型一定角度，直到模型上“三维特征点”的“二维投影”与上述人脸图像的特征点重合。由上述旋转角度确定出上述人脸图像所示的人脸姿态角。
步骤S103，使用加权的上述主成分特征相位矩阵对样本数据及上述子图像数据降维；
上述主成分特征相位矩阵可通过以下方式获得：首先，计算训练样本协方差矩阵特征值及其对应的特征向量，然后，选择其中较大的若干个特征值对应的特征向量构成主成分特征矩阵。
可采用现有的各种方法对分块处理后得到的每个图像块进行主成分特征相位矩阵提取。例如：可以采用局部二值模式LBP描述子提取方法得到每个图像块的LBP直方图，进一步的，还可以根据每个图像块的LBP直方图提取每个图像块的特征向量。或者，求出子图像的均值，将每个子图像减去平均值得到标准化的子图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的若干个特征值对应的特征向量，根据每个子图像的特点求出每个子图像的权重向量。
对主成分特征相位矩阵加权后，用该加权的主成分特征矩阵对样本数据及上述子图像实行矩阵变换达到降维的目的。
步骤S104，遍历降维的上述子图像数据与降维的样本数据上述匹配识别上述人脸图像。
首先，遍历降维的上述子图像数据与降维的上述样本数据欧氏距离匹配度识别上述子图像，更具体地，搜索与上述降维的子人脸图像的距离最小的上述降维的子样本图像，判断上述降维的子人脸图像和所有上述降维的子样本图像距离的最小值是否大于设定阈值，若为是，则降维的上述子图像数据的识别结果为匹配对象，若为否，则判为无识别结果。
计算上述降维的子人脸图像和所有上述降维的子样本图像的距离，可以是先分别提取待识别的上述降维的子人脸图像和所有上述降维的子样本图像的比如gabor特征或LBP(Local binary patterns，局部二值模式)等纹理特征，再计算待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的距离，比如欧式距离。距离越大，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越小，距离越小，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越大；另外，待识别的上述降维的子人脸图像和所有上述降维的子样本图像的距离还可以通过余弦相似度来表征，余弦相似度越大，待识别的上述降维的子人脸图像和所有降维的上述子样本图像之间的相似性越大，余弦相似度越小，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越小。
然后，将上述初步筛选的匹配的N个上述子图像与上述待识别人脸图像匹配再识别，具体是，根据待识别人脸图像的主信息矩阵和所有匹配的子图像的平均主信息矩阵计算待识别图像和所有匹配的子图像的最小矩阵距离，根据得到的最终相似度是否超过设定阈值，成功识别的结果即为待识别人脸图像。
本实施例中，在上述划分待识别人脸图像为N个子图像之后，还可以包括：对上述子图像对齐、归一化及格式变换。
需要说明的是，本实施例提供的人脸识别方法，同样适用于其他基于生物特征(指纹、虹膜、掌纹等)的图像的识别。
实施例二
本发明一实施例提供了一种人脸识别的系统，如图2所示，本实施例中的人脸识别的系统为执行上述人脸识别方法的特定主体，该系统具体可以包括如下模块：
图像划分模块，用于划分待识别人脸图像为N个子图像，其中，上述N为正整数；
上述待识别的人脸图像可通过有线连接方式或无线连接方式从用户利用其进行身份验证的终端设备获得待检测人脸的人脸图像。
在一个可选实施例中，可把待识别人脸图像划分为N个相同大小、在水平方向彼此重叠的子图像；
在另一可选实施例中，可把待识别人脸图像划分为N个相同大小、在垂直方向彼此重叠的子图像。
图像加权模块，用于根据上述子图像的姿态类型加权相应的主成分特征相位矩阵；
首先，识别上述子图像的人脸姿态角，并根据上述人脸姿态角确定上述子图像的姿态类型；然后，根据上述子图像姿态类型，加权相应的主成分特征相位矩阵。
具体地，当上述子图像的姿态类型为上仰时，则增大上述子图像相应的主成分特征相位矩阵的权重值；当上述子图像的姿态类型为下俯时，则减小上述子图像相应的主成分特征相位矩阵的权重值。
需要说明的是，上述的姿态可以首先获取上述人脸图像，并根据所获得人脸图像的像素、肤色等判断上述姿态角为水平偏航角或上下俯仰角，根据上述人脸图像的姿态角确定出上述人脸图像所属的姿态类别。
在再一可选实施例中，上述待检测人脸的人脸图像为多脸图像，分别计算上述各个姿态的待测图像的面部特征以及各上述待测图像的姿态角，根据各上述姿态角的大小和方向确定出各姿态的待测图像所属的姿态类别。
人脸的姿态角可以通过人脸对齐的方法算出，例如通过ASM(Active ShapeModels)算法、AAM(Active Appreance Model)算法；还可以是预先制作的三维正面的“标准模型”，旋转三维标准模型一定角度，直到模型上“三维特征点”的“二维投影”与上述人脸图像的特征点重合。由上述旋转角度确定出上述人脸图像所示的人脸姿态角。
图像降维模块，用于使用加权的上述主成分特征相位矩阵对样本数据及上述子图像数据降维；
上述主成分特征相位矩阵可通过以下方式获得：首先，计算训练样本协方差矩阵特征值及其对应的特征向量，然后，选择其中较大的若干个特征值对应的特征向量构成主成分特征矩阵。
可采用现有的各种方法对分块处理后得到的每个图像块进行主成分特征相位矩阵提取。例如：可以采用局部二值模式LBP描述子提取方法得到每个图像块的LBP直方图，进一步的，还可以根据每个图像块的LBP直方图提取每个图像块的特征向量。或者，求出子图像的均值，将每个子图像减去平均值得到标准化的子图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的若干个特征值对应的特征向量，根据每个子图像的特点求出每个子图像的权重向量。
对主成分特征相位矩阵加权后，用该加权的主成分特征矩阵对样本数据及上述子图像实行矩阵变换达到降维的目的。
图像识别模块，用于遍历降维的上述子图像数据与降维的样本数据上述匹配识别上述人脸图像。
首先，遍历降维的上述子图像数据与降维的上述样本数据欧氏距离匹配度识别上述子图像，更具体地，搜索与上述降维的子人脸图像的距离最小的上述降维的子样本图像，判断上述降维的子人脸图像和所有上述降维的子样本图像距离的最小值是否大于设定阈值，若为是，则降维的上述子图像数据的识别结果为匹配对象，若为否，则判为无识别结果。
计算上述降维的子人脸图像和所有上述降维的子样本图像的距离，可以是先分别提取待识别的上述降维的子人脸图像和所有上述降维的子样本图像的比如gabor特征或LBP(Local binary patterns，局部二值模式)等纹理特征，再计算待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的距离，比如欧式距离。距离越大，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越小，距离越小，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越大；另外，待识别的上述降维的子人脸图像和所有上述降维的子样本图像的距离还可以通过余弦相似度来表征，余弦相似度越大，待识别的上述降维的子人脸图像和所有降维的上述子样本图像之间的相似性越大，余弦相似度越小，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越小。
然后，将上述初步筛选的匹配的N个上述子图像与上述待识别人脸图像匹配再识别，具体是，根据待识别人脸图像的主信息矩阵和所有匹配的子图像的平均主信息矩阵计算待识别图像和所有匹配的子图像的最小矩阵距离，根据得到的最终相似度是否超过设定阈值，成功识别的结果即为待识别人脸图像。
需要说明的是，本实施例提供的人脸识别系统，同样适用于其他基于生物特征(指纹、虹膜、掌纹等)的图像的识别。
实施例三
本发明一实施例提供了一种人脸识别的电子设备，如图3所示，该人脸识别设备可选的还可以包括摄像头等模块以获取原始人脸图像，该用户终端具体可以包括如下模块：
通信总线，用于实现处理器与存储器间的连接通信；
存储器，用于存储计算机程序；存储器可能包含高速RAM存储器，也可能还包含非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器可选的可以包含至少一个存储装置。
处理器，用于执行上述计算机程序以实现如下步骤：
步骤S201，划分待识别人脸图像为N个子图像，其中，上述N为正整数；
上述待识别的人脸图像可通过有线连接方式或无线连接方式从用户利用其进行身份验证的终端设备获得待检测人脸的人脸图像。
在一个可选实施例中，可把待识别人脸图像划分为N个相同大小、在水平方向彼此重叠的子图像；
在另一可选实施例中，可把待识别人脸图像划分为N个相同大小、在垂直方向彼此重叠的子图像。
步骤S202，根据上述子图像的姿态类型，加权相应的主成分特征相位矩阵；
首先，识别上述子图像的人脸姿态角，并根据上述人脸姿态角确定上述子图像的姿态类型；然后，根据上述子图像姿态类型，加权相应的主成分特征相位矩阵。
具体地，当上述子图像的姿态类型为上仰时，则增大上述子图像相应的主成分特征相位矩阵的权重值；当上述子图像的姿态类型为下俯时，则减小上述子图像相应的主成分特征相位矩阵的权重值。
需要说明的是，上述的姿态可以首先获取上述人脸图像，并根据所获得人脸图像的像素、肤色等判断上述姿态角为水平偏航角或上下俯仰角，根据上述人脸图像的姿态角确定出上述人脸图像所属的姿态类别。
在再一可选实施例中，上述待检测人脸的人脸图像为多脸图像，分别计算上述各个姿态的待测图像的面部特征以及各上述待测图像的姿态角，根据各上述姿态角的大小和方向确定出各姿态的待测图像所属的姿态类别。
人脸的姿态角可以通过人脸对齐的方法算出，例如通过ASM(Active ShapeModels)算法、AAM(Active Appreance Model)算法；还可以是预先制作的三维正面的“标准模型”，旋转三维标准模型一定角度，直到模型上“三维特征点”的“二维投影”与上述人脸图像的特征点重合。由上述旋转角度确定出上述人脸图像所示的人脸姿态角。
步骤S203，使用加权的上述主成分特征相位矩阵对样本数据及上述子图像数据降维；
上述主成分特征相位矩阵可通过以下方式获得：首先，计算训练样本协方差矩阵特征值及其对应的特征向量，然后，选择其中较大的若干个特征值对应的特征向量构成主成分特征矩阵。
可采用现有的各种方法对分块处理后得到的每个图像块进行主成分特征相位矩阵提取。例如：可以采用局部二值模式LBP描述子提取方法得到每个图像块的LBP直方图，进一步的，还可以根据每个图像块的LBP直方图提取每个图像块的特征向量。或者，求出子图像的均值，将每个子图像减去平均值得到标准化的子图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的若干个特征值对应的特征向量，根据每个子图像的特点求出每个子图像的权重向量。
对主成分特征相位矩阵加权后，用该加权的主成分特征矩阵对样本数据及上述子图像实行矩阵变换达到降维的目的。
步骤S204，遍历降维的上述子图像数据与降维的样本数据上述匹配识别上述人脸图像。
首先，遍历降维的上述子图像数据与降维的上述样本数据欧氏距离匹配度识别上述子图像，更具体地，搜索与上述降维的子人脸图像的距离最小的上述降维的子样本图像，判断上述降维的子人脸图像和所有上述降维的子样本图像距离的最小值是否大于设定阈值，若为是，则降维的上述子图像数据的识别结果为匹配对象，若为否，则判为无识别结果。
计算上述降维的子人脸图像和所有上述降维的子样本图像的距离，可以是先分别提取待识别的上述降维的子人脸图像和所有上述降维的子样本图像的比如gabor特征或LBP(Local binary patterns，局部二值模式)等纹理特征，再计算待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的距离，比如欧式距离。距离越大，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越小，距离越小，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越大；另外，待识别的上述降维的子人脸图像和所有上述降维的子样本图像的距离还可以通过余弦相似度来表征，余弦相似度越大，待识别的上述降维的子人脸图像和所有降维的上述子样本图像之间的相似性越大，余弦相似度越小，待识别的上述降维的子人脸图像和所有上述降维的子样本图像之间的相似性越小。
然后，将上述初步筛选的匹配的N个上述子图像与上述待识别人脸图像匹配再识别，具体是，根据待识别人脸图像的主信息矩阵和所有匹配的子图像的平均主信息矩阵计算待识别图像和所有匹配的子图像的最小矩阵距离，根据得到的最终相似度是否超过设定阈值，成功识别的结果即为待识别人脸图像。
本实施例中的处理器可能是一种集成电路芯片，具有信号处理能力。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。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。上述处理器可以是微处理器或者上述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处理器执行完成，或者用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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
需要说明的是，本实施例提供的人脸识别电子设备，同样适用于其他基于生物特征(指纹、虹膜、掌纹等)的图像的识别。
实施例四
本发明一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述人脸识别的方法。
综上所述，本发明实施例提供的一种人脸识别的方法及用户终端，通过根据图像分块实现了多个子图像与样本图像的识别、多个初步筛选的子图像与待识别人脸图像再识别，原避免了单一样本的一次性比对的弊端，提高了识别精度；根据不同的姿态类型加权相应的图像，区分了关键与非关键图像，提高了识别率及精度。所以，本发明实施例达到了以下技术效果：解决现有技术中存在的人脸图像识别精度不高的问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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。所述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种人脸识别的方法，其特征在于，包括：
划分待识别人脸图像为N个子图像，其中，所述N为正整数；
根据所述子图像的姿态类型，加权相应的主成分特征相位矩阵；
使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；
遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。
2.根据权利要求1所述的方法，其特征在于，在所述划分待识别人脸图像为N个子图像之后，还包括：对所述子图像对齐、归一化及格式变换。
3.根据权利要求2所述的方法，其特征在于，所述划分待识别人脸图像为N个子图像，包括：
划分待识别人脸图像为N个相同大小、在水平方向彼此重叠的子图像；或，
划分待识别人脸图像为N个相同大小、在垂直方向彼此重叠的子图像。
4.根据权利要求1所述的方法，其特征在于，所述遍历降维的所述子图像数据与降维的所述样本数据匹配识别所述人脸图像，包括：
遍历降维的所述子图像数据与降维的所述样本数据欧氏距离匹配度识别所述子图像；
将匹配的N个所述子图像与所述待识别人脸图像匹配识别。
5.根据权利要求1所述的方法，其特征在于，所述根据所述子图像姿态类型，包括：识别所述子图像的人脸姿态角，并根据所述人脸姿态角确定所述子图像的姿态类型。
6.根据权利要求1-5任一所述的方法，其特征在于，所述根据所述子图像姿态类型，加权相应的主成分特征相位矩阵，包括：
当所述子图像的姿态类型为上仰时，则增大所述子图像相应的主成分特征相位矩阵的权重值。
7.根据权利要求1-5任一所述的方法，其特征在于，所述根据所述子图像姿态类型，加权相应的主成分特征相位矩阵，包括：
当所述子图像的姿态类型为下俯时，则减小所述子图像相应的主成分特征相位矩阵的权重值。
8.一种人脸识别的系统，其特征在于，包括：
图像划分模块，用于划分待识别人脸图像为N个子图像，其中，所述N为正整数；
图像加权模块，用于根据所述子图像的姿态类型加权相应的主成分特征相位矩阵；
图像降维模块，用于使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；
图像识别模块，用于遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。
9.一种人脸识别的电子设备，其特征在于，包括：
通信总线，用于实现处理器与存储器间的连接通信；
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如下步骤：
划分待识别人脸图像为N个子图像，其中，所述N为正整数；
根据所述子图像的姿态类型，加权相应的主成分特征相位矩阵；
使用加权的所述主成分特征相位矩阵对样本数据及所述子图像数据降维；
遍历降维的所述子图像数据与降维的样本数据所述匹配识别所述人脸图像。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN201810443318.5A 2018-05-10 2018-05-10 人脸识别的方法及电子设备 Pending CN108647640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810443318.5A CN108647640A (zh) 2018-05-10 2018-05-10 人脸识别的方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810443318.5A CN108647640A (zh) 2018-05-10 2018-05-10 人脸识别的方法及电子设备

Publications (1)

Publication Number Publication Date
CN108647640A true CN108647640A (zh) 2018-10-12

Family

ID=63754289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810443318.5A Pending CN108647640A (zh) 2018-05-10 2018-05-10 人脸识别的方法及电子设备

Country Status (1)

Country Link
CN (1) CN108647640A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382656A (zh) * 2019-04-02 2020-07-07 深圳市鸿合创新信息技术有限责任公司 一种图像识别方法、装置、电子设备及存储介质
CN112541460A (zh) * 2020-12-21 2021-03-23 山东师范大学 一种车辆再识别方法及系统
CN112818312A (zh) * 2021-02-02 2021-05-18 江苏欧软信息科技有限公司 基于人脸识别技术mes系统登录认证方法及mes系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6944319B1 (en) * 1999-09-13 2005-09-13 Microsoft Corporation Pose-invariant face recognition system and process
CN101048711A (zh) * 2004-11-02 2007-10-03 先进微装置公司 根据加权主成分分析的错误侦测系统与方法
CN101458763A (zh) * 2008-10-30 2009-06-17 中国人民解放军国防科学技术大学 基于图像加权平均的自动人脸识别方法
CN101739571A (zh) * 2009-12-22 2010-06-16 中国科学院长春光学精密机械与物理研究所 基于分块主成分分析的人脸确认装置
CN103839033A (zh) * 2012-11-20 2014-06-04 广东工业大学 一种基于模糊规则的人脸识别方法
CN104036546A (zh) * 2014-06-30 2014-09-10 清华大学 一种基于自适应形变模型的任意视角人脸三维重构方法
CN106650558A (zh) * 2015-11-04 2017-05-10 上海市公安局刑事侦查总队 人脸识别方法及装置
CN106886771A (zh) * 2017-03-15 2017-06-23 同济大学 基于模块化pca的图像主信息提取方法及人脸识别方法
CN107578028A (zh) * 2017-09-20 2018-01-12 广东工业大学 一种人脸识别方法、装置、设备及计算机可读存储介质
CN107798228A (zh) * 2017-09-27 2018-03-13 维沃移动通信有限公司 一种人脸识别方法及移动终端

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6944319B1 (en) * 1999-09-13 2005-09-13 Microsoft Corporation Pose-invariant face recognition system and process
CN101048711A (zh) * 2004-11-02 2007-10-03 先进微装置公司 根据加权主成分分析的错误侦测系统与方法
CN101458763A (zh) * 2008-10-30 2009-06-17 中国人民解放军国防科学技术大学 基于图像加权平均的自动人脸识别方法
CN101739571A (zh) * 2009-12-22 2010-06-16 中国科学院长春光学精密机械与物理研究所 基于分块主成分分析的人脸确认装置
CN103839033A (zh) * 2012-11-20 2014-06-04 广东工业大学 一种基于模糊规则的人脸识别方法
CN104036546A (zh) * 2014-06-30 2014-09-10 清华大学 一种基于自适应形变模型的任意视角人脸三维重构方法
CN106650558A (zh) * 2015-11-04 2017-05-10 上海市公安局刑事侦查总队 人脸识别方法及装置
CN106886771A (zh) * 2017-03-15 2017-06-23 同济大学 基于模块化pca的图像主信息提取方法及人脸识别方法
CN107578028A (zh) * 2017-09-20 2018-01-12 广东工业大学 一种人脸识别方法、装置、设备及计算机可读存储介质
CN107798228A (zh) * 2017-09-27 2018-03-13 维沃移动通信有限公司 一种人脸识别方法及移动终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李嘉頔 等: "分块CS-LBP和加权PCA的低分辨率人脸识别", 《光电子•激光》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382656A (zh) * 2019-04-02 2020-07-07 深圳市鸿合创新信息技术有限责任公司 一种图像识别方法、装置、电子设备及存储介质
CN112541460A (zh) * 2020-12-21 2021-03-23 山东师范大学 一种车辆再识别方法及系统
CN112541460B (zh) * 2020-12-21 2022-05-13 山东师范大学 一种车辆再识别方法及系统
CN112818312A (zh) * 2021-02-02 2021-05-18 江苏欧软信息科技有限公司 基于人脸识别技术mes系统登录认证方法及mes系统

Similar Documents

Publication Publication Date Title
CN110427905B (zh) 行人跟踪方法、装置以及终端
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN107679448B (zh) 眼球动作分析方法、装置及存储介质
Papazov et al. Real-time 3D head pose and facial landmark estimation from depth images using triangular surface patch features
EP3274921B1 (en) Multi-layer skin detection and fused hand pose matching
CN106803055B (zh) 人脸识别方法和装置
CN106897675A (zh) 双目视觉深度特征与表观特征相结合的人脸活体检测方法
Sarfraz et al. Head Pose Estimation in Face Recognition Across Pose Scenarios.
WO2015149534A1 (zh) 基于Gabor二值模式的人脸识别方法及装置
CN110069989B (zh) 人脸图像处理方法及装置、计算机可读存储介质
CN109934180B (zh) 指纹识别方法及相关装置
CN108416291B (zh) 人脸检测识别方法、装置和系统
CN109829448A (zh) 人脸识别方法、装置及存储介质
KR101174048B1 (ko) 객체 인식 장치 및 객체 인식 방법
CN113614731A (zh) 使用软生物特征的认证验证
CN108647640A (zh) 人脸识别的方法及电子设备
CN110751024A (zh) 基于手写签名的用户身份识别方法、装置及终端设备
CN112633084A (zh) 人脸框确定方法、装置、终端设备及存储介质
CN113490947A (zh) 检测模型训练方法、装置、检测模型使用方法及存储介质
Bąk et al. Person re-identification using deformable patch metric learning
CN113515988A (zh) 掌纹识别方法、特征提取模型训练方法、设备及介质
Jung et al. LBP-ferns-based feature extraction for robust facial recognition
Oldal et al. Hand geometry and palmprint-based authentication using image processing
CN108564067A (zh) 人脸比对的阈值确定方法及系统
CN108664925A (zh) 人脸识别的方法及用户终端

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: 20181012