CN108664925A - 人脸识别的方法及用户终端 - Google Patents
人脸识别的方法及用户终端 Download PDFInfo
- Publication number
- CN108664925A CN108664925A CN201810444021.0A CN201810444021A CN108664925A CN 108664925 A CN108664925 A CN 108664925A CN 201810444021 A CN201810444021 A CN 201810444021A CN 108664925 A CN108664925 A CN 108664925A
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- facial image
- face
- mentioned
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
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用户终端，其中，所述方法包括：使用主成分特征矩阵对待识别的人脸图像进行降维；逐个匹配降维的所述人脸图像与预存的样本图像，当识别失败时将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像再进一步识别。优点：解决现有技术中存在的人脸图像处理速度较慢、识别精度不高的问题。
Description
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用户终端。
背景技术
人脸识别是生物特征识别技术中的重要研究领域，它涵盖了图像处理、神经网络、心理学、生理学、人工智能、模式识别、计算机视觉以及人工智能等各方面的知识内容，对推动各个学科领域的发展无论在理论上还是在实践中都有具有重要的意义。
现有技术中，比较常见的人脸识别方法有PCA，LDA，流形学习等。为了减少由于拍摄角度、光照以及表情在人脸识别过程中造成的影响，有学者提出了分块PCA的方法，首先将人脸图像分割成若干子块，然后对这些子块使用传统PCA算法进行识别，由于拍摄角度、光照以及表情对人脸的局部特征影响不大，因此模块化的PCA算法在处理这些问题上有较大的容错性，实验证明，相比较于传统的PCA算法，该方法能够取得更高的准确性。
然而，随着摄影及图像技术的提高，上述人脸识别的方法在实际使用时，对于像素较高的人脸图片，由于采用了取样分割的方法，再进行PCA或者2D-PCA人脸识别方法时，处理速度较慢、识别精度不高，不能满足实际需求。
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用户终端，用以解决现有技术中存在的人脸图像处理速度较慢、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：
使用主成分特征矩阵对待识别的人脸图像进行降维；
逐个匹配降维的所述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
逐个匹配所述子人脸图像与所述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
优选地，当匹配系数大于第三预设阈值时，还包括：将匹配的N个所述子图像组合更新所述预存的样本图像。
优选地，所述将所述样本图像分割为N个子样本图像，包括：将所述样本图像分割为N个相同大小、互不重叠的子样本图像。
优选地，所述将所述人脸图像分割为N个子人脸图像，包括：
对所述人脸图像进行欠采样，获得一个稀疏的、等间隔的欠采样图像；
将所述欠采样图像分割为N个相同大小、彼此重叠的所述子人脸图像。
优选地，所述将所述人脸图像分割为N个子人脸图像，包括：
对所述人脸图像进行欠采样，获得一个稀疏的、等间隔的欠采样图像；
将所述欠采样图像分割为N个相同大小、互不重叠的所述子人脸图像。
优选地，所述使用主成分特征矩阵对待识别的人脸图像进行降维，包括：
当所述待识别的人脸图像的姿态为左偏时，增加主成分特征矩阵的权重值；
用增加权重值的主成分特征矩阵对待识别的人脸图像进行降维。
优选地，所述使用主成分特征矩阵对待识别的人脸图像进行降维，包括：
当所述待识别的人脸图像的姿态为右偏时，减小主成分特征矩阵的权重值；
用减少权重值的主成分特征矩阵对待识别的人脸图像进行降维。
第二方面，本发明提供了一种人脸识别的系统，包括：
图像降维模块，用于使用主成分特征矩阵对待识别的人脸图像进行降维；
图像划分模块，用于逐个匹配降维的所述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
图像识别模块，用于逐个匹配所述子人脸图像与所述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
第三方面，本发明提供了一种人脸识别的用户终端，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：
使用主成分特征矩阵对待识别的人脸图像进行降维；
逐个匹配降维的所述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
逐个匹配所述子人脸图像与所述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
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用户终端，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，并根据加权组合的整体图像更新数据库的样本图像；对图像进行欠采样，可降低数据维数，减少计算量；通过先识别整体图像，当整体图像的识别率较低时，再利用分块子图像来识别，既节省了宝贵的识别时间，又提高了识别率。
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是本发明人脸识别用户终端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，使用主成分特征矩阵对待识别的人脸图像进行降维；
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，最后，用该主成分特征矩对阵待识别的人脸图像实行矩阵变换达到降维的目的。
其中，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，上述使用主成分特征矩阵对待识别的人脸图像进行降维，包括：
当上述待识别的人脸图像的姿态为右偏时，减小主成分特征矩阵的权重值；进一步，用减少权重值的主成分特征矩阵对待识别的人脸图像进行降维。
在另一可选实施例中，上述使用主成分特征矩阵对待识别的人脸图像进行降维，包括：
当上述待识别的人脸图像的姿态为左偏时，增加主成分特征矩阵的权重值；进一步，用增加权重值的主成分特征矩阵对待识别的人脸图像进行降维。
值得说明的是，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、肤色等计算出上述人脸图像的面部特征以及上述人脸图像的姿态角，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。
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S102，逐个匹配降维的上述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将上述人脸图像与上述样本图像分割为N个子人脸图像与N个子样本图像，其中，上述N为正整数；
搜索与待识别的人脸图像的距离最小的预存的样本图像，判断待识别的人脸图像和所有预存的样本图像距离的最小值是否大于设定阈值，若为是，则待识别的人脸图像的识别结果为匹配对象，若为否，则进入下一个识别环节，即：当判断待识别的人脸图像和所有预存的样本图像距离的最小值小于设定阈值时，并不立刻判为无识别结果，而是还要判断待识别的人脸图像和所有预存的样本图像距离的最小值是否小于另一个设定阈值，若为是，则判为无识别结果，若为否，则将上述人脸图像与上述样本图像分割为N个子人脸图像与N个子样本图像。
计算待识别的人脸图像和所有预存的样本图像的距离，可以是先分别提取待识别的人脸图像和所有预存的样本图像的比如gabor特征或LBP(Local binary patterns，局部二值模式)等纹理特征，再计算待识别的人脸图像和所有预存的样本图像的距离，比如欧式距离。距离越大，待识别的人脸图像和所有预存的样本图像之间的相似性越小，距离越小，待识别的人脸图像和所有预存的样本图像之间的相似性越大；另外，待识别的人脸图像和所有预存的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，待识别的人脸图像和所有预存的样本图像之间的相似性越大，余弦相似度越小，待识别的人脸图像和所有预存的样本图像之间的相似性越小。
在一个可选实施例中，上述将上述样本图像分割为N个子样本图像，包括：将上述样本图像分割为N个相同大小、互不重叠的子样本图像。
在另一可选实施例中，上述将上述人脸图像分割为N个子人脸图像，包括：
对上述人脸图像进行欠采样，获得一个稀疏的、等间隔的欠采样图像；进一步，将上述欠采样图像分割为N个相同大小、彼此重叠的上述子人脸图像。
在再一可选实施例中，上述将上述人脸图像分割为N个子人脸图像，包括：
对上述人脸图像进行欠采样，获得一个稀疏的、等间隔的欠采样图像；进一步，将上述欠采样图像分割为N个相同大小、互不重叠的上述子人脸图像。
步骤S103，逐个匹配上述子人脸图像与上述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
搜索与上述子人脸图像的距离最小的上述子样本图像，判断上述子人脸图像和所有上述子样本图像距离的最小值是否大于设定阈值，若为是，则待识别的人脸图像的识别结果为匹配对象，若为否，则判为无识别结果。
同理，计算上述子人脸图像和所有上述子样本图像的距离，可以是先分别提取待识别的上述子人脸图像和所有上述子样本图像的比如gabor特征或LBP(Local binarypatterns，局部二值模式)等纹理特征，再计算待识别的上述子人脸图像和所有上述子样本图像之间的距离，比如欧式距离。距离越大，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越小，距离越小，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越大；另外，待识别的上述子人脸图像和所有上述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，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越大，余弦相似度越小，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越小。
本实施例中，当匹配系数大于第三预设阈值时，还包括：将匹配的N个上述子图像组合更新上述预存的样本图像。
首先，可以对得到的全部子人脸图像的相似度进行加权融合计算，得到最终相似度最大的待识别的人脸图像的识别结果。
具体地，将得到的待识别人脸图像中各个子人脸图像的相似度进行加权融合，即为每个子人脸图像分配一个权值，将每个子人脸图像的相似度与对应权值的乘积相加，得到待识别人脸图像与预存的样本图像的最终相似度。其中，权值分配具体可以为人脸关键部分的子人脸图像分配较大的权值，人脸非重点部分的子人脸图像分配较小的权值，所有图像块对应的权值之和等于1。
最后，将加权融合的人脸图像更新原保存在数据库中的上述预存的样本图像
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：
图像降维模块，用于使用主成分特征矩阵对待识别的人脸图像与预存的样本图像降维；
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，最后，用该主成分特征矩对阵待识别的人脸图像实行矩阵变换达到降维的目的。
其中，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。
图像划分模块，用于逐个匹配降维的上述人脸图像与降维的上述样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将上述人脸图像与上述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
搜索与待识别的人脸图像的距离最小的预存的样本图像，判断待识别的人脸图像和所有预存的样本图像距离的最小值是否大于设定阈值，若为是，则待识别的人脸图像的识别结果为匹配对象，若为否，则进入下一个识别环节，即：当判断待识别的人脸图像和所有预存的样本图像距离的最小值小于设定阈值时，并不立刻判为无识别结果，而是还要判断待识别的人脸图像和所有预存的样本图像距离的最小值是否小于另一个设定阈值，若为是，则判为无识别结果，若为否，则将上述人脸图像与上述样本图像分割为N个子人脸图像与N个子样本图像。
计算待识别的人脸图像和所有预存的样本图像的距离，可以是先分别提取待识别的人脸图像和所有预存的样本图像的比如gabor特征或LBP(Local binary patterns，局部二值模式)等纹理特征，再计算待识别的人脸图像和所有预存的样本图像的距离，比如欧式距离。距离越大，待识别的人脸图像和所有预存的样本图像之间的相似性越小，距离越小，待识别的人脸图像和所有预存的样本图像之间的相似性越大；另外，待识别的人脸图像和所有预存的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，待识别的人脸图像和所有预存的样本图像之间的相似性越大，余弦相似度越小，待识别的人脸图像和所有预存的样本图像之间的相似性越小。
图像识别模块，用于逐个匹配上述子人脸图像与上述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
搜索与上述子人脸图像的距离最小的上述子样本图像，判断上述子人脸图像和所有上述子样本图像距离的最小值是否大于设定阈值，若为是，则待识别的人脸图像的识别结果为匹配对象，若为否，则判为无识别结果。
同理，计算上述子人脸图像和所有上述子样本图像的距离，可以是先分别提取待识别的上述子人脸图像和所有上述子样本图像的比如gabor特征或LBP(Local binarypatterns，局部二值模式)等纹理特征，再计算待识别的上述子人脸图像和所有上述子样本图像之间的距离，比如欧式距离。距离越大，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越小，距离越小，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越大；另外，待识别的上述子人脸图像和所有上述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，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越大，余弦相似度越小，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越小。
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用户终端，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，使用主成分特征矩阵对待识别的人脸图像进行降维；
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，最后，用该主成分特征矩对阵待识别的人脸图像实行矩阵变换达到降维的目的。
其中，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。
步骤S202，逐个匹配降维的上述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将上述人脸图像与上述样本图像分割为N个子人脸图像与N个子样本图像，其中，上述N为正整数；
搜索与待识别的人脸图像的距离最小的预存的样本图像，判断待识别的人脸图像和所有预存的样本图像距离的最小值是否大于设定阈值，若为是，则待识别的人脸图像的识别结果为匹配对象，若为否，则进入下一个识别环节，即：当判断待识别的人脸图像和所有预存的样本图像距离的最小值小于设定阈值时，并不立刻判为无识别结果，而是还要判断待识别的人脸图像和所有预存的样本图像距离的最小值是否小于另一个设定阈值，若为是，则判为无识别结果，若为否，则将上述人脸图像与上述样本图像分割为N个子人脸图像与N个子样本图像。
计算待识别的人脸图像和所有预存的样本图像的距离，可以是先分别提取待识别的人脸图像和所有预存的样本图像的比如gabor特征或LBP(Local binary patterns，局部二值模式)等纹理特征，再计算待识别的人脸图像和所有预存的样本图像的距离，比如欧式距离。距离越大，待识别的人脸图像和所有预存的样本图像之间的相似性越小，距离越小，待识别的人脸图像和所有预存的样本图像之间的相似性越大；另外，待识别的人脸图像和所有预存的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，待识别的人脸图像和所有预存的样本图像之间的相似性越大，余弦相似度越小，待识别的人脸图像和所有预存的样本图像之间的相似性越小。
步骤S203，逐个匹配上述子人脸图像与上述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
搜索与上述子人脸图像的距离最小的上述子样本图像，判断上述子人脸图像和所有上述子样本图像距离的最小值是否大于设定阈值，若为是，则待识别的人脸图像的识别结果为匹配对象，若为否，则判为无识别结果。
同理，计算上述子人脸图像和所有上述子样本图像的距离，可以是先分别提取待识别的上述子人脸图像和所有上述子样本图像的比如gabor特征或LBP(Local binarypatterns，局部二值模式)等纹理特征，再计算待识别的上述子人脸图像和所有上述子样本图像之间的距离，比如欧式距离。距离越大，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越小，距离越小，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越大；另外，待识别的上述子人脸图像和所有上述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，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越大，余弦相似度越小，待识别的上述子人脸图像和所有上述子样本图像之间的相似性越小。
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用户终端，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，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，并根据加权组合的整体图像更新数据库的样本图像；对图像进行欠采样，可降低数据维数，减少计算量；通过先识别整体图像，当整体图像的识别率较低时，再利用分块子图像来识别，既节省了宝贵的识别时间，又提高了识别率。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处理速度较慢、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。上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所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：
使用主成分特征矩阵对待识别的人脸图像进行降维；
逐个匹配降维的所述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
逐个匹配所述子人脸图像与所述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
2.根据权利要求1所述的方法，其特征在于，当匹配系数大于第三预设阈值时，还包括：将匹配的N个所述子图像组合更新所述预存的样本图像。
3.根据权利要求2所述的方法，其特征在于，所述将所述样本图像分割为N个子样本图像，包括：将所述样本图像分割为N个相同大小、互不重叠的子样本图像。
4.根据权利要求3所述的方法，其特征在于，所述将所述人脸图像分割为N个子人脸图像，包括：
对所述人脸图像进行欠采样，获得一个稀疏的、等间隔的欠采样图像；
将所述欠采样图像分割为N个相同大小、彼此重叠的所述子人脸图像。
5.根据权利要求3所述的方法，其特征在于，所述将所述人脸图像分割为N个子人脸图像，包括：
对所述人脸图像进行欠采样，获得一个稀疏的、等间隔的欠采样图像；
将所述欠采样图像分割为N个相同大小、互不重叠的所述子人脸图像。
6.根据权利要求1-5任一所述的方法，其特征在于，所述使用主成分特征矩阵对待识别的人脸图像进行降维，包括：
当所述待识别的人脸图像的姿态为左偏时，增加主成分特征矩阵的权重值；
用增加权重值的主成分特征矩阵对待识别的人脸图像进行降维。
7.根据权利要求1-5任一所述的方法，其特征在于，所述所述使用主成分特征矩阵对待识别的人脸图像进行降维，包括：
当所述待识别的人脸图像的姿态为右偏时，减小主成分特征矩阵的权重值；
用减少权重值的主成分特征矩阵对待识别的人脸图像进行降维。
8.一种人脸识别的系统，其特征在于，包括：
图像降维模块，用于所述使用主成分特征矩阵对待识别的人脸图像进行降维；
图像划分模块，用于逐个匹配降维的所述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
图像识别模块，用于逐个匹配所述子人脸图像与所述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
9.一种人脸识别的用户终端，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：
使用主成分特征矩阵对待识别的人脸图像进行降维；
逐个匹配降维的所述人脸图像与预存的样本图像，当匹配系数大于第一预设阈值时则识别成功，否则当匹配系数小于第二预设阈值时则识别失败，否则分别将所述人脸图像与所述样本图像分割为N个子人脸图像与N个子样本图像，其中，所述N为正整数；
逐个匹配所述子人脸图像与所述子样本图像，当匹配系数大于第三预设阈值时则识别成功，否则识别失败。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810444021.0A CN108664925A (zh) | 2018-05-10 | 2018-05-10 | 人脸识别的方法及用户终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810444021.0A CN108664925A (zh) | 2018-05-10 | 2018-05-10 | 人脸识别的方法及用户终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108664925A true CN108664925A (zh) | 2018-10-16 |
Family
ID=63778263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810444021.0A Pending CN108664925A (zh) | 2018-05-10 | 2018-05-10 | 人脸识别的方法及用户终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108664925A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543547A (zh) * | 2018-10-26 | 2019-03-29 | 平安科技（深圳）有限公司 | 人脸图像识别方法、装置、设备及存储介质 |
| CN109685029A (zh) * | 2018-12-28 | 2019-04-26 | 东莞中国科学院云计算产业技术创新与育成中心 | 复杂空间结构的柔性物体识别方法、装置、设备和介质 |
| CN109949903A (zh) * | 2019-03-26 | 2019-06-28 | 南京长城智慧医疗科技有限公司 | 医学影像静止画面捕捉方法及系统 |
| CN110426505A (zh) * | 2019-08-22 | 2019-11-08 | 重庆壤科农业数据服务有限公司 | 紫色土壤指纹图谱库及其建立方法 |
| CN111985271A (zh) * | 2019-05-22 | 2020-11-24 | 北京京东尚科信息技术有限公司 | 一种嘴型识别方法和装置、人机交互方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| CN104008375A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 基于特征融合的集成人脸识别方法 |
| CN105117712A (zh) * | 2015-09-15 | 2015-12-02 | 北京天创征腾信息科技有限公司 | 兼容人脸老化识别的单样本人脸识别方法 |
| CN105809125A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于多核心arm平台的人脸识别系统 |
| CN107273824A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于多尺度多方向局部二值模式的人脸识别方法 |
| 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 |
-
2018
- 2018-05-10 CN CN201810444021.0A patent/CN108664925A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| CN104008375A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 基于特征融合的集成人脸识别方法 |
| CN105117712A (zh) * | 2015-09-15 | 2015-12-02 | 北京天创征腾信息科技有限公司 | 兼容人脸老化识别的单样本人脸识别方法 |
| CN105809125A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于多核心arm平台的人脸识别系统 |
| CN107273824A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于多尺度多方向局部二值模式的人脸识别方法 |
| 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 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543547A (zh) * | 2018-10-26 | 2019-03-29 | 平安科技（深圳）有限公司 | 人脸图像识别方法、装置、设备及存储介质 |
| CN109685029A (zh) * | 2018-12-28 | 2019-04-26 | 东莞中国科学院云计算产业技术创新与育成中心 | 复杂空间结构的柔性物体识别方法、装置、设备和介质 |
| CN109949903A (zh) * | 2019-03-26 | 2019-06-28 | 南京长城智慧医疗科技有限公司 | 医学影像静止画面捕捉方法及系统 |
| CN109949903B (zh) * | 2019-03-26 | 2023-05-16 | 南京长城智慧医疗科技有限公司 | 医学影像静止画面捕捉方法及系统 |
| CN111985271A (zh) * | 2019-05-22 | 2020-11-24 | 北京京东尚科信息技术有限公司 | 一种嘴型识别方法和装置、人机交互方法及系统 |
| CN110426505A (zh) * | 2019-08-22 | 2019-11-08 | 重庆壤科农业数据服务有限公司 | 紫色土壤指纹图谱库及其建立方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108664925A (zh) | 人脸识别的方法及用户终端 | |
| Paisitkriangkrai et al. | Pedestrian detection with spatially pooled features and structured ensemble learning | |
| CN109829448B (zh) | 人脸识别方法、装置及存储介质 | |
| Taigman et al. | Deepface: Closing the gap to human-level performance in face verification | |
| CN110569756B (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
| CN108197532A (zh) | 人脸识别的方法、装置及计算机装置 | |
| 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 | |
| Nelson et al. | Large-scale tests of a keyed, appearance-based 3-D object recognition system | |
| CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
| CN109460774B (zh) | 一种基于改进的卷积神经网络的鸟类识别方法 | |
| CN109948397A (zh) | 一种人脸图像校正方法、系统及终端设备 | |
| CN106803054B (zh) | 人脸模型矩阵训练方法和装置 | |
| CN107273824B (zh) | 基于多尺度多方向局部二值模式的人脸识别方法 | |
| CN106650568B (zh) | 一种人脸识别方法及装置 | |
| CN110659589A (zh) | 基于姿态和注意力机制的行人再识别方法、系统、装置 | |
| Kim et al. | Eye detection in a facial image under pose variation based on multi-scale iris shape feature | |
| CN107871143B (zh) | 图像识别方法及装置、计算机装置和计算机可读存储介质 | |
| US20200193117A1 (en) | Method and system for neural fingerprint enhancement for fingerprint recognition | |
| WO2021169257A1 (zh) | 人脸识别 | |
| CN108647640A (zh) | 人脸识别的方法及电子设备 | |
| KR101174048B1 (ko) | 객체 인식 장치 및 객체 인식 방법 | |
| CN110751057A (zh) | 基于长短时记忆循环神经网络的手指静脉验证方法及装置 | |
| Kamboj et al. | CED-Net: context-aware ear detection network for unconstrained images | |
| CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
| Zhang et al. | Landmark‐Guided Local Deep Neural Networks for Age and Gender Classification |
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 |
Application publication date: 20181016 |
|
| RJ01 | Rejection of invention patent application after publication |