CN109784275A - 多点位人脸识别智能化辨识方法 - Google Patents

Abstract

本发明公开了一种多点位人脸识别智能化辨识方法，涉及图像识别领域。本发明包括如下步骤S01：智能终端采集人脸面部图像；步骤S02：分别采用两步处理的方法将面部图像转化成类手绘面部图像；步骤S03：对类手绘面部图像进行特征提取；步骤S04：手绘面部图像与数据库中录入图像进行相似度识别；步骤S05:输出相识度最高的图像。本发明通过将智能终端采集的人脸面部图像进行面部轮廓提取和面部五官点位提取，将两种提取的图片相互结合生成类手绘的面部图像，对常规图像数据库建立索引，进行类手绘图像相似度判断输出相似度最高的面部图像，提高了人脸面部识别的准确率和识别效率。

Description

多点位人脸识别智能化辨识方法

技术领域

本发明属于图像识别领域，特别是涉及一种多点位人脸识别智能化辨识方法。

背景技术

随着手机、数码相机的普及，以及互联网技术的发展，数字图像在过去几十年间呈爆炸增长趋势。如何有效进行图像查找识别已经成为学术界和工业界的热点研究对象，许多图像检索系统也由此应运而生。早期的图像检索技术根据输入类型不同主要分为两类，第一种是基于文本的图像检索技术(Text-based Image Retrieval，TBIR)，第二种是基于内容的图像检索(Content-based Image Retrieval，CBIR)。

如今，人脸识别技术作为一种新的识别技术，目前已被应用在智能终端中，以实现对智能终端的保护和人员身份的认定。然而，人脸识别技术对智能终端所捕获的人脸有一点的要求，这使得人脸解锁的失败率较高、解锁效率缓慢，而且这往往给客户造成了不少的困扰。

发明内容

本发明的目的在于提供一种多点位人脸识别智能化辨识方法，通过将智能终端采集的人脸面部图像进行面部轮廓提取和面部五官点位提取，将两种提取的图片相互结合生成类手绘的面部图像，对常规图像数据库建立索引，进行类手绘图像相似度判断输出相似度最高的面部图像，解决了现有的面部识别准确率不高、效率低的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种多点位人脸识别智能化辨识方法，包括如下步骤：

步骤S01：智能终端采集人脸面部图像；

步骤S02：分别采用两步处理的方法将面部图像转化成类手绘面部图像；

步骤S03：对类手绘面部图像进行特征提取；

步骤S04：手绘面部图像与数据库中录入图像进行相似度识别；

步骤S05:输出相识度最高的图像；

其中，步骤S02中，将面部图像转化成类手绘图像的具体步骤如下：

A、获取面部边缘轮廓图：计算人脸面部图像的边缘轮廓盖概率图，将得到的边缘轮廓概率图输入的深度神经网络中并提取输出向量，联合输出向量构建二值边缘轮廓图；

B、获取面部五官点位图：根据三庭五眼的比例获取面部轮廓图中五官的大致区域，利用Haar特征分类器定位五官的点位图像；

C、将得到的面部边缘轮廓图和面部五官点位图融合获取类手绘面部图像。

优选地，所述步骤S01之前需要向系统录入大量人脸常规图像，并利用上述方法转换成类手绘图像；将成类手绘图像进行特征向量提取，并将面部边缘轮廓图和面部五官点位图分类划分，创建索引通过Adaboost算法训练基于Haar特征的面部轮廓和面部五官分类检测器。

优选地，所述步骤S02中，面部边缘轮廓图根据图像的实际大小，度量尺度ε的单位1取为16像素，分别采用单位1的1、1/2、1/4、1/8倍，即16、8、4、2像素四种尺度来计算面部轮廓的边缘，对应个尺度量得到的边缘段数用N表示。

优选地，所述步骤S04中，对手绘面部图像和数据库中录入图像提取的特征图拼接到一起，用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数。

优选地，所述Sigmoid函数表示为：

其中，S(x)的度量值在0到1之间；相似值越接近1，则表示两张图片越相似。

本发明具有以下有益效果：

本发明通过将智能终端采集的人脸面部图像进行面部轮廓提取和面部五官点位提取，将两种提取的图片相互结合生成类手绘的面部图像，对常规图像数据库建立索引，进行类手绘图像相似度判断输出相似度最高的面部图像，提高了人脸面部识别的准确率和识别效率。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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，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为本发明的一种多点位人脸识别智能化辨识方法步骤图；

图2为面部图像转化成类手绘图像的步骤图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种多点位人脸识别智能化辨识方法，包括如下步骤：

步骤S01：智能终端采集人脸面部图像，智能终端内部设有照相机或摄像机；

步骤S02：分别采用两步处理的方法将面部图像转化成类手绘面部图像；

步骤S03：对类手绘面部图像进行特征提取；

步骤S04：手绘面部图像与数据库中录入图像进行相似度识别；

步骤S05:输出相识度最高的图像；

请参阅图2所示，步骤S02中，将面部图像转化成类手绘图像的具体步骤如下：

A、获取面部边缘轮廓图：计算人脸面部图像的边缘轮廓盖概率图，将得到的边缘轮廓概率图输入的深度神经网络中并提取输出向量，联合输出向量构建二值边缘轮廓图；

计算人脸面部图像的边缘轮廓盖概率图，将一幅边缘概率图按阈值划分为3个等级的二值边缘图，再将得到的二值边缘图输入到深度神经网络中并提取不同面部层的输出向量，联合不同面部层的输出向量构建二值边缘图的特征描述子(即：联合深度特征描述子)，这样一幅常规图最终由3个联合深度特征描述子表示，特征描述子分别对应常规图像的一个抽象层级；特征描述子通常是一维向量，可以理解为图像的编码表示；

B、获取面部五官点位图：根据三庭五眼的比例获取面部轮廓图中五官的大致区域，利用Haar特征分类器定位五官的点位图像，五官的点位包括眼睛的点位、鼻子的点位、嘴巴的点位、耳朵的点位和眉毛的点位，三庭五眼的比例是指人的面部长度大致等于三个鼻子的长度，人的面部宽度大致等于五个眼睛的长度；

C、将得到的面部边缘轮廓图和面部五官点位图融合获取类手绘面部图像；类手绘的面部图像类似于使用铅笔进行简单面人物面目和轮廓的描绘，能够直接的将人的面部五官通过点的具体位置表现出来，同时面部轮廓通过线条直接的表现出来，实现面部图像的快速匹配识别。

其中，步骤S01之前需要向系统录入大量人脸常规图像，并利用上述方法转换成类手绘图像；将成类手绘图像进行特征向量提取，并将面部边缘轮廓图和面部五官点位图分类划分，创建索引通过Adaboost算法训练基于Haar特征的面部轮廓和面部五官分类检测器；面部边缘轮廓可以粗略的划分成国字脸、瓜子脸、锥子脸、圆脸等等；而面部五官可以根据五官在面部边缘轮廓的相对位置以及五官之间的距离来创建索引，方面对类手绘图像进行分类，加快图片查找匹配效率。

其中，步骤S02中，面部边缘轮廓图根据图像的实际大小，度量尺度ε的单位1取为16像素，分别采用单位1的1、1/2、1/4、1/8倍，即16、8、4、2像素四种尺度来计算面部轮廓的边缘，对应个尺度量得到的边缘段数用N表示。

其中，步骤S04中，对手绘面部图像和数据库中录入图像提取的特征图拼接到一起，用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数。

其中，Sigmoid函数表示为：

其中，S(x)的度量值在0到1之间；相似值越接近1，则表示两张图片越相似，智能终端会根据相似度由高到低的低的顺序依次展示多张相似图片，并默认相似度最高图片为人脸识别的结果。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例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，相应的程序可以存储于一计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种多点位人脸识别智能化辨识方法，其特征在于，包括如下步骤：

步骤S01：智能终端采集人脸面部图像；

步骤S02：分别采用两步处理的方法将面部图像转化成类手绘面部图像；

步骤S03：对类手绘面部图像进行特征提取；

步骤S04：手绘面部图像与数据库中录入图像进行相似度识别；

步骤S05:输出相识度最高的图像；

其中，步骤S02中，将面部图像转化成类手绘图像的具体步骤如下：

A、获取面部边缘轮廓图：计算人脸面部图像的边缘轮廓盖概率图，将得到的边缘轮廓概率图输入的深度神经网络中并提取输出向量，联合输出向量构建二值边缘轮廓图；

B、获取面部五官点位图：根据三庭五眼的比例获取面部轮廓图中五官的大致区域，利用Haar特征分类器定位五官的点位图像；

C、将得到的面部边缘轮廓图和面部五官点位图融合获取类手绘面部图像。

2.根据权利要求1所述的一种多点位人脸识别智能化辨识方法，其特征在于，所述步骤S01之前需要向系统录入大量人脸常规图像，并利用上述方法转换成类手绘图像；将成类手绘图像进行特征向量提取，并将面部边缘轮廓图和面部五官点位图分类划分，创建索引通过Adaboost算法训练基于Haar特征的面部轮廓和面部五官分类检测器。

3.根据权利要求1所述的一种多点位人脸识别智能化辨识方法，其特征在于，所述步骤S02中，面部边缘轮廓图根据图像的实际大小，度量尺度ε的单位1取为16像素，分别采用单位1的1、1/2、1/4、1/8倍，即16、8、4、2像素四种尺度来计算面部轮廓的边缘，对应个尺度量得到的边缘段数用N表示。

4.根据权利要求1所述的一种多点位人脸识别智能化辨识方法，其特征在于，所述步骤S04中，对手绘面部图像和数据库中录入图像提取的特征图拼接到一起，用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数。

5.根据权利要求4所述的一种多点位人脸识别智能化辨识方法，其特征在于，所述Sigmoid函数表示为：

其中，S(x)的度量值在0到1之间；相似值越接近1，则表示两张图片越相似。