CN109859112A - 一种实现人脸补全的方法及系统 - Google Patents
一种实现人脸补全的方法及系统 Download PDFInfo
- Publication number
- CN109859112A CN109859112A CN201811572922.4A CN201811572922A CN109859112A CN 109859112 A CN109859112 A CN 109859112A CN 201811572922 A CN201811572922 A CN 201811572922A CN 109859112 A CN109859112 A CN 109859112A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- facial image
- completion
- facial
- 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.)
- Granted
Links
Abstract
本发明公开了一种实现人脸补全的方法及系统，包括：提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型；获取图像采集设备根据预设的图像采集规则采集的人脸图像；当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件；当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。本发明通过从统计的观点寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，并通过建立人脸补全模型对采集的人脸图像进行人脸补全，以进行人脸识别，为金融、公安、教育、医疗等多种行业提供了便利，具有重要的意义。
Description
技术领域
本发明涉及人脸识别技术领域，并且更具体地，涉及一种实现人脸补全的方法及系统。
背景技术
随着科学技术的发展，人工智能正越来越多地进入并改变着我们的日常生活。人脸补全系统以人脸识别技术为核心。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。
人脸识别在生活中普遍应用，但人脸识别技术面前有很多问题难以解决，例如：
1)光线问题，光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败。由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。尤其是在夜晚，由于光线不足造成的面部阴影会导致识别率的急剧下降，使得系统难以满足实用要求。
2)面部表情，面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率。
3)遮挡问题，对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题。特别是在监控环境下，往往被监控对象都会带着眼镜、帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸检测算法的失效。
4)人脸相似性，不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。
5)样本缺乏，基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法，但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。此外，现在参与训练的人脸图像库基本都是外国人的图像，有关中国人、亚洲人的人脸图像库少之又少，给训练人脸识别模型增加了难度。
发明内容
本发明提出了一种实现人脸补全的方法及系统，以解决如何补全人脸以准确地进行人脸识别的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种实现人脸补全的方法，其特征在于，所述方法包括：
提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型；
获取图像采集设备根据预设的图像采集规则采集的人脸图像；
当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件；
当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。
优选地，其中所述方法还包括：
对所述人脸图像的图像质量进行检测，以获取图像质量检测结果。
优选地，其中所述方法还包括：
判断所述图像质量检测结果是否大于等于预设图像质量阈值；若是，则确定所述人脸图像满足采集要求；反之，则确定所述人脸图像不满足采集要求，并返回图像不满足采集要求消息至图像采集终端。
优选地，其中判断所述人脸图像是否为真人图像包括：
计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；其中，所述特征子脸包括：五官的样本集协方差矩阵的特征向量；
判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
优选地，其中当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件，包括：
当所述人脸图像为真人图像时，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；
将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；
判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；
若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
优选地，其中所述利用所述人脸补全模型补全所述人脸图像，包括：
对所述人脸补全模型中的与人脸识别相关的函数进行初始化处理，并对经过预处理的人脸图像进行元组形式校对，以生成图像样本矩阵；其中，所述图像样本矩阵的行属性为组织形式，列属性为样本函数；
对所述图像样本矩阵进行标签化和降维处理，以获取变换矩阵，并对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值；
人脸补全模型中的预测函数利用所述矩阵维度平均值基于已知学习深度补全所述人脸图像。
优选地，其中所述预处理包括：对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理。
根据本发明的另一个方面，提供了一种实现人脸补全的系统，其特征在于，所述系统包括：
人脸补全模型建立单元，用于提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型；
人脸图像获取单元，用于获取图像采集设备根据预设的图像采集规则采集的人脸图像；
补全条件判断单元，用于当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件；
人脸补全单元，用于当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。
优选地，其中所述系统还包括：
图像质量检测单元，用于对所述人脸图像的图像质量进行检测，以获取图像质量检测结果。
优选地，其中所述系统还包括：
采集要求判断单元，用于判断所述图像质量检测结果是否大于等于预设图像质量阈值；若是，则确定所述人脸图像满足采集要求；反之，则确定所述人脸图像不满足采集要求，并返回图像不满足采集要求消息至图像采集终端。
优选地，其中所述系统还包括：真人图像判断单元，包括：
计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；其中，所述特征子脸包括：五官的样本集协方差矩阵的特征向量；
判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
优选地，其中所述补全条件判断单元，当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件，包括：
当所述人脸图像为真人图像时，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；
将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；
判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；
若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
优选地，其中所述人脸补全单元，利用所述人脸补全模型补全所述人脸图像，包括：
对所述人脸补全模型中的与人脸识别相关的函数进行初始化处理，并对经过预处理的人脸图像进行元组形式校对，以生成图像样本矩阵；其中，所述图像样本矩阵的行属性为组织形式，列属性为样本函数；
对所述图像样本矩阵进行标签化和降维处理，以获取变换矩阵，并对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值；
人脸补全模型中的预测函数利用所述矩阵维度平均值基于已知学习深度补全所述人脸图像。
优选地，其中所述预处理包括：对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理。
本发明提供了一种实现人脸补全的方法及系统，包括：提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型；获取图像采集设备根据预设的图像采集规则采集的人脸图像；当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件；当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。本发明通过从统计的观点寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像，并通过建立人脸补全模型对采集的人脸图像进行人脸补全，以进行人脸识别，为金融、公安、教育、医疗等多种行业提供了便利，具有重要的意义。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的实现人脸补全的方法100的流程图；以及
图2为根据本发明实施方式的实现人脸补全的系统200的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的实现人脸补全的方法100的流程图。如图1所示，本发明的实施方式提供的实现人脸补全的方法，通过从统计的观点寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像，并通过建立人脸补全模型对采集的人脸图像进行人脸补全，以进行人脸识别，为金融、公安、教育、医疗等多种行业提供了便利，具有重要的意义。如图1所示，本发明的实施方式提供的实现人脸补全的方法100从步骤101开始，在步骤101提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型。
优选地，在步骤102获取图像采集设备根据预设的图像采集规则采集的人脸图像。
优选地，其中所述方法还包括：
对所述人脸图像的图像质量进行检测，以获取图像质量检测结果。
优选地，其中所述方法还包括：
判断所述图像质量检测结果是否大于等于预设图像质量阈值；若是，则确定所述人脸图像满足采集要求；反之，则确定所述人脸图像不满足采集要求，并返回图像不满足采集要求消息至图像采集终端。
在本发明的实施方式中，人脸图像的采集包括：在一幅图像或视频流的一帧中检测出人像并将人脸图像从背景中分离出来，并自动地将其保存。
图像质量的好坏直接影响到识别的效果，图像质量的检测功能能对即将进行比对的照片进行图像质量评估，并给出相应的建议值来辅助识别。因此，在本发明的实施方式中需要对保存的人脸图像的图像质量进行检测。若图像质量检测结果大于等于预设图像质量阈值，则确定所述人脸图像满足采集要求。若图像质量检测结果小于预设图像质量阈值，则确定所述人脸图像不满足采集要求，并返回提示消息至图像采集终端，提示获取的人脸图像不满足采集要求。
优选地，在步骤103当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件。
优选地，其中判断所述人脸图像是否为真人图像包括：
计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；其中，所述特征子脸包括：五官的样本集协方差矩阵的特征向量；
判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
优选地，其中当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件，包括：
当所述人脸图像为真人图像时，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；
将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；
判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；
若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
在本发明的实施方式中，利用python作为编程语言，引入opencv，numpy等第三方库，基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸。特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将五官的样本集协方差矩阵的特征向量等统称为特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。
在获取了采集的人脸图像后，计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
光线问题、面部表情、遮挡问题等非配合情况下的人脸图像采集，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸检测算法的失效。因此，在确定所述人脸图像为真人图像后，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
优选地，在步骤104当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。
优选地，其中所述利用所述人脸补全模型补全所述人脸图像，包括：
对所述人脸补全模型中的与人脸识别相关的函数进行初始化处理，并对经过预处理的人脸图像进行元组形式校对，以生成图像样本矩阵；其中，所述图像样本矩阵的行属性为组织形式，列属性为样本函数；
对所述图像样本矩阵进行标签化和降维处理，以获取变换矩阵，并对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值；
人脸补全模型中的预测函数利用所述矩阵维度平均值基于已知学习深度补全所述人脸图像。
优选地，其中所述预处理包括：对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理。
在本发明的实施方式中，在机器学习完成，建立了人脸补全模型后，人脸补全过程包括：.建立人脸识别阈值等相关函数，并对函数进行初始化；.载入采集的人脸图像，对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理；对所述人脸图像进行元组形式校对，以.生成图像样本矩阵，其中，组织形式为行为属性，列为样本函数；.对所述图像样本矩阵进行标签化和降维处理，记录降维过程中的维度及目标维度，记录降维后的样本矩阵和变换矩阵；对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值，由于样本维度远远大于样本数目，所以不直接求协方差矩阵，而采用自创的方法计算，具体方法统称为归一化处理。其中比较函数中使用了最简单的欧克距离比较；最后，9.将所述人脸图像对应的变换后的矩阵维度平均值载入预测函数，预测函数会根据已知学习深度进行智能人脸补全。
本发明的实施方式基于python的OpenCV开源库，OpenCV中包含了大量关于计算机视觉、模式识别和图像处理的API函数库，借助OpenCV可以实现更多更全面的功能，包括：人脸图像获取、人脸识别比对、人脸补全建模、真人鉴别和图像质量检测等多个功能，涵盖人脸补全的各个重要部分。python作为极易上手的开发语言，很大程度上降低了系统开发难度和开发成本，有益于产品的推广，加上OpenCV拥有广大的专业技术社区，为系统的可维护性和可持续性提供了保障。本发明的实施方式可服务于多个行业，为金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位提供了技术支撑。
图2为根据本发明实施方式的实现人脸补全的系统200的结构示意图。如图2所示，本发明的实施方式提供的实现人脸补全的系统200，包括：人脸补全模型建立单元201、人脸图像获取单元202、补全条件判断单元203和人脸补全单元204。优选地，所述人脸补全模型建立单元201，用于提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型。
优选地，所述人脸图像获取单元202，用于获取图像采集设备根据预设的图像采集规则采集的人脸图像。
优选地，其中所述系统还包括：图像质量检测单元，用于对所述人脸图像的图像质量进行检测，以获取图像质量检测结果。
优选地，其中所述系统还包括：采集要求判断单元，用于判断所述图像质量检测结果是否大于等于预设图像质量阈值；若是，则确定所述人脸图像满足采集要求；反之，则确定所述人脸图像不满足采集要求，并返回图像不满足采集要求消息至图像采集终端。
优选地，所述补全条件判断单元203，用于当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件。
优选地，其中所述补全条件判断单元，当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件，包括：
当所述人脸图像为真人图像时，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；
将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；
判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；
若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
优选地，其中所述系统还包括：真人图像判断单元，包括：计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；其中，所述特征子脸包括：五官的样本集协方差矩阵的特征向量；判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
优选地，所述人脸补全单元204，用于当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。
优选地，其中所述人脸补全单元，利用所述人脸补全模型补全所述人脸图像，包括：对所述人脸补全模型中的与人脸识别相关的函数进行初始化处理，并对经过预处理的人脸图像进行元组形式校对，以生成图像样本矩阵；其中，所述图像样本矩阵的行属性为组织形式，列属性为样本函数；对所述图像样本矩阵进行标签化和降维处理，以获取变换矩阵，并对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值；人脸补全模型中的预测函数利用所述矩阵维度平均值基于已知学习深度补全所述人脸图像。
优选地，其中所述预处理包括：对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理。
本发明的实施例的实现人脸补全的系统200与本发明的另一个实施例的实现人脸补全的方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (14)
1.一种实现人脸补全的方法，其特征在于，所述方法包括：
提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型；
获取图像采集设备根据预设的图像采集规则采集的人脸图像；
当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件；
当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述人脸图像的图像质量进行检测，以获取图像质量检测结果。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
判断所述图像质量检测结果是否大于等于预设图像质量阈值；若是，则确定所述人脸图像满足采集要求；反之，则确定所述人脸图像不满足采集要求，并返回图像不满足采集要求消息至图像采集终端。
4.根据权利要求1所述的方法，其特征在于，判断所述人脸图像是否为真人图像包括：
计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；其中，所述特征子脸包括：五官的样本集协方差矩阵的特征向量；
判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
5.根据权利要求1所述的方法，其特征在于，当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件，包括：
当所述人脸图像为真人图像时，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；
将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；
判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；
若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
6.根据权利要求1所述的方法，其特征在于，所述利用所述人脸补全模型补全所述人脸图像，包括：
对所述人脸补全模型中的与人脸识别相关的函数进行初始化处理，并对经过预处理的人脸图像进行元组形式校对，以生成图像样本矩阵；其中，所述图像样本矩阵的行属性为组织形式，列属性为样本函数；
对所述图像样本矩阵进行标签化和降维处理，以获取变换矩阵，并对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值；
人脸补全模型中的预测函数利用所述矩阵维度平均值基于已知学习深度补全所述人脸图像。
7.根据权利要求6所述的方法，其特征在于，所述预处理包括：对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理。
8.一种实现人脸补全的系统，其特征在于，所述系统包括：
人脸补全模型建立单元，用于提取数据库中保存的人像数据中的人脸特征，并进行机器学习以建立人脸补全模型；
人脸图像获取单元，用于获取图像采集设备根据预设的图像采集规则采集的人脸图像；
补全条件判断单元，用于当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件；
人脸补全单元，用于当所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件时，利用所述人脸补全模型补全所述人脸图像。
9.根据权利要求8所述的系统，其特征在于，所述系统还包括：
图像质量检测单元，用于对所述人脸图像的图像质量进行检测，以获取图像质量检测结果。
10.根据权利要求9所述的系统，其特征在于，所述系统还包括：
采集要求判断单元，用于判断所述图像质量检测结果是否大于等于预设图像质量阈值；若是，则确定所述人脸图像满足采集要求；反之，则确定所述人脸图像不满足采集要求，并返回图像不满足采集要求消息至图像采集终端。
11.根据权利要求8所述的系统，其特征在于，所述系统还包括：真人图像判断单元，包括：
计算图像采集设备的采集窗口在采集的人脸图像的每个特征子脸对应的子脸空间的投影距离；其中，所述特征子脸包括：五官的样本集协方差矩阵的特征向量；
判断每个特征子脸对应的投影距离是否满足预设判断阈值；若满足，则确定所述人脸图像为真人图像；反之，则确定所述人脸图像为非真人图像。
12.根据权利要求8所述的系统，其特征在于，所述补全条件判断单元，当所述人脸图像为真人图像时，判断所述人脸图像的关键特征点和图像完整度是否满足预设的人脸补全条件，包括：
当所述人脸图像为真人图像时，对所述人脸图像进行分析，提取所述人脸图像所包含的关键特征点，并计算所述所述人脸图像的图像完整度；
将所述人脸图像所包含的关键特征点和预设的关键特征点集合进行比较，以判断所述人脸图像所包含的关键特征点是否齐全；
判断所述人脸图像的图像完整度是否大于等于预设完整度阈值；
若所述人脸图像所包含的关键特征点齐全，并且图像完整度大于等于预设完整度阈值，则确定所述人脸图像的关键特征点和图像完整度满足预设的人脸补全条件；反之，则确定所述人脸图像的关键特征点和图像完整度不满足预设的人脸补全条件。
13.根据权利要求8所述的系统，其特征在于，所述人脸补全单元，利用所述人脸补全模型补全所述人脸图像，包括：
对所述人脸补全模型中的与人脸识别相关的函数进行初始化处理，并对经过预处理的人脸图像进行元组形式校对，以生成图像样本矩阵；其中，所述图像样本矩阵的行属性为组织形式，列属性为样本函数；
对所述图像样本矩阵进行标签化和降维处理，以获取变换矩阵，并对所述图像样本矩阵和变换矩阵的维度进行平均值处理，以获取矩阵维度平均值；
人脸补全模型中的预测函数利用所述矩阵维度平均值基于已知学习深度补全所述人脸图像。
14.根据权利要求13所述的系统，其特征在于，所述预处理包括：对所述人脸图像依次进行灰度化处理、尺寸统一处理和直方图均衡化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572922.4A CN109859112B (zh) | 2018-12-21 | 2018-12-21 | 一种实现人脸补全的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572922.4A CN109859112B (zh) | 2018-12-21 | 2018-12-21 | 一种实现人脸补全的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109859112A true CN109859112A (zh) | 2019-06-07 |
| CN109859112B CN109859112B (zh) | 2023-09-26 |
Family
ID=66891869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811572922.4A Active CN109859112B (zh) | 2018-12-21 | 2018-12-21 | 一种实现人脸补全的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859112B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932266A (zh) * | 2020-07-24 | 2020-11-13 | 深圳市富途网络科技有限公司 | 信息处理方法、装置、电子设备及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007087234A (ja) * | 2005-09-26 | 2007-04-05 | Fujifilm Corp | 画像処理方法および装置ならびにプログラム |
| CN101388074A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于个人ica基图像重构误差的人脸识别方法 |
| US20090220127A1 (en) * | 2008-02-28 | 2009-09-03 | Honeywell International Inc. | Covariance based face association |
| KR20120123993A (ko) * | 2011-05-02 | 2012-11-12 | (주)베타 | 표준 얼굴 그래프 생성 방법 |
| KR20130048088A (ko) * | 2011-11-01 | 2013-05-09 | 주식회사 에스원 | 얼굴 인식 장치 및 방법 |
| US20130243274A1 (en) * | 2012-03-15 | 2013-09-19 | Hiroshi Sukegawa | Person Image Processing Apparatus and Person Image Processing Method |
| CN103942545A (zh) * | 2014-05-07 | 2014-07-23 | 中国标准化研究院 | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 |
| CN104318202A (zh) * | 2014-09-12 | 2015-01-28 | 上海明穆电子科技有限公司 | 通过人脸照片识别五官点的方法及系统 |
| US20160132720A1 (en) * | 2014-11-07 | 2016-05-12 | Noblis, Inc. | Vector-based face recognition algorithm and image search system |
| CN107609476A (zh) * | 2017-08-09 | 2018-01-19 | 浙江工商大学 | 基于人脸识别的无人值守门店客户数据整合方法 |
| CN107657218A (zh) * | 2017-09-12 | 2018-02-02 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
| CN107679514A (zh) * | 2017-10-20 | 2018-02-09 | 维沃移动通信有限公司 | 一种人脸识别方法及电子设备 |
| CN108280399A (zh) * | 2017-12-27 | 2018-07-13 | 武汉普利商用机器有限公司 | 一种场景自适应人脸识别方法 |
| CN108615228A (zh) * | 2018-05-09 | 2018-10-02 | 上海理工大学 | 基于混合神经网络的人脸图像补全方法 |
| CN108932693A (zh) * | 2018-06-15 | 2018-12-04 | 中国科学院自动化研究所 | 基于人脸几何信息的人脸编辑补全方法及装置 |
-
2018
- 2018-12-21 CN CN201811572922.4A patent/CN109859112B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007087234A (ja) * | 2005-09-26 | 2007-04-05 | Fujifilm Corp | 画像処理方法および装置ならびにプログラム |
| US20090220127A1 (en) * | 2008-02-28 | 2009-09-03 | Honeywell International Inc. | Covariance based face association |
| CN101388074A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于个人ica基图像重构误差的人脸识别方法 |
| KR20120123993A (ko) * | 2011-05-02 | 2012-11-12 | (주)베타 | 표준 얼굴 그래프 생성 방법 |
| KR20130048088A (ko) * | 2011-11-01 | 2013-05-09 | 주식회사 에스원 | 얼굴 인식 장치 및 방법 |
| US20130243274A1 (en) * | 2012-03-15 | 2013-09-19 | Hiroshi Sukegawa | Person Image Processing Apparatus and Person Image Processing Method |
| CN103942545A (zh) * | 2014-05-07 | 2014-07-23 | 中国标准化研究院 | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 |
| CN104318202A (zh) * | 2014-09-12 | 2015-01-28 | 上海明穆电子科技有限公司 | 通过人脸照片识别五官点的方法及系统 |
| US20160132720A1 (en) * | 2014-11-07 | 2016-05-12 | Noblis, Inc. | Vector-based face recognition algorithm and image search system |
| CN107609476A (zh) * | 2017-08-09 | 2018-01-19 | 浙江工商大学 | 基于人脸识别的无人值守门店客户数据整合方法 |
| CN107657218A (zh) * | 2017-09-12 | 2018-02-02 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
| CN107679514A (zh) * | 2017-10-20 | 2018-02-09 | 维沃移动通信有限公司 | 一种人脸识别方法及电子设备 |
| CN108280399A (zh) * | 2017-12-27 | 2018-07-13 | 武汉普利商用机器有限公司 | 一种场景自适应人脸识别方法 |
| CN108615228A (zh) * | 2018-05-09 | 2018-10-02 | 上海理工大学 | 基于混合神经网络的人脸图像补全方法 |
| CN108932693A (zh) * | 2018-06-15 | 2018-12-04 | 中国科学院自动化研究所 | 基于人脸几何信息的人脸编辑补全方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| ZE LU，ET AL: "Feature fusion with covariance matrix regularization in face recognition", SIGNAL PROCESSING, vol. 144, pages 296 - 305 * |
| 叶长明，等: "不同姿态人脸深度图识别的研究", no. 10, pages 48 - 56 * |
| 宇雪垠，等: "基于特征脸的人脸识别及实现", 河北工业科技, no. 05, pages 148 - 150 * |
| 李伟生，等: "基于局部线性嵌入和Haar小波的人脸识别方法", 计算机工程与应用, no. 04, pages 185 - 188 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932266A (zh) * | 2020-07-24 | 2020-11-13 | 深圳市富途网络科技有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| CN111932266B (zh) * | 2020-07-24 | 2023-11-17 | 深圳市富途网络科技有限公司 | 信息处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109859112B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200285896A1 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
| CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
| CN110598535B (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
| CN109214373B (zh) | 一种用于考勤的人脸识别系统及方法 | |
| CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
| CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
| Wang et al. | Face live detection method based on physiological motion analysis | |
| Puthea et al. | A review paper on attendance marking system based on face recognition | |
| CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
| CN103593648B (zh) | 一个面向开放环境的人脸识别方法 | |
| CN110858276A (zh) | 一种识别模型与验证模型相结合的行人重识别方法 | |
| CN113205002B (zh) | 非受限视频监控的低清人脸识别方法、装置、设备及介质 | |
| Song et al. | Feature extraction and target recognition of moving image sequences | |
| JP7141518B2 (ja) | 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 | |
| CN113221655B (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
| CN109859112A (zh) | 一种实现人脸补全的方法及系统 | |
| Pathak et al. | Entropy based CNN for segmentation of noisy color eye images using color, texture and brightness contour features | |
| Méndez-Llanes et al. | On the use of local fixations and quality measures for deep face recognition | |
| CN108647662A (zh) | 一种自动检测人脸的方法及系统 | |
| CN111353443A (zh) | 一种基于跨视图核协同表示的行人再识别方法 | |
| KR100711223B1 (ko) | 저니키(Ｚｅｒｎｉｋｅ)/선형 판별 분석(ＬＤＡ)을 이용한얼굴 인식 방법 및 그 방법을 기록한 기록매체 | |
| Prasanna et al. | A new approach for face recognition from video sequence | |
| Chun-Rong | Research on face recognition technology based on deep learning | |
| Happold | Structured forest edge detectors for improved eyelid and Iris segmentation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |