CN109960970A - 基于asm算法的人脸识别方法、系统、设备和存储介质 - Google Patents

基于asm算法的人脸识别方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN109960970A
CN109960970A CN201711405393.4A CN201711405393A CN109960970A CN 109960970 A CN109960970 A CN 109960970A CN 201711405393 A CN201711405393 A CN 201711405393A CN 109960970 A CN109960970 A CN 109960970A
Authority
CN
China
Prior art keywords
face
point
structure feature
distance
feature point
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
CN201711405393.4A
Other languages
English (en)
Inventor
冯玉娜
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201711405393.4A priority Critical patent/CN109960970A/zh
Publication of CN109960970A publication Critical patent/CN109960970A/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于ASM算法的人脸识别方法、系统、设备和存储介质，所述人脸识别方法包括：获取人脸；根据ASM算法提取人脸的结构特征点；获取第一点间距离，并选取目标点间距离；获取人脸的结构特征点的点间距离比例；计算测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值，根据所述差值获取与所述测试人脸最接近的所述训练人脸；本发明克服了现有技术中的人脸识别技术存在的缺陷，提高了现有技术中的人脸识别算法的识别准确度。

Description

基于ASM算法的人脸识别方法、系统、设备和存储介质
技术领域
本发明涉及人脸识别技术领域，特别涉及一种基于ASM(Active Shape Model，主动形状模型)算法的人脸识别方法、系统、设备和存储介质。
背景技术
目前，随着人脸识别技术逐渐发展成熟，人脸特征提取算法已广泛应用于各种生活及工作场所的人脸识别系统中。现有的人脸识别技术大部分是基于人脸的灰度特征提取，但是，该人脸特征提取方法存在受光照和姿态等变化的影响，从而易带来较大的识别误差；因此，提取人脸的结构不变特征点对提升人脸识别准确率有着重要的意义。
现有的人脸特征提取算法中，基于人脸结构不变特征提取方法较少，主要包括两种：一、人脸建模方法；二、结合图像预处理、边缘检测及积分投影的几何特征信息提取方法。
现有的人脸结构特征提取算法中，人脸建模方法是利用人脸库中的所有人脸图，构建一个通用的三维人脸模型，再基于该人脸模型对测试人脸进行建模合成不同姿态和不同光照条件的人脸图，进而进行人脸特征提取，这种特征提取方法能够同时解决光照及姿态问题，但是，该人脸特征提取方法存在前期需要大量的训练人脸图来保证所建立的三维人脸模型的准确性，且该建模算法复杂度较高，并不适用于大部分的人脸识别系统等缺点；而结合图像预处理、边缘检测及积分投影的几何特征信息提取方法，存在前期需要获取人脸特征点的位置信息，图像处理步骤繁琐且定位的特征点准确度不高等缺点。
发明内容
本发明要解决的技术问题是为了克服现有技术的人脸识别技术中的人脸结构特征提取算法存在需要大量的训练人脸图来保证所建立的三维人脸模型的准确性、建模算法复杂度较高、不适用于大部分的人脸识别系统、图像处理步骤繁琐且定位的特征点准确度不高等缺陷，目的在于提供一种基于ASM算法的人脸识别方法、系统、设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种基于ASM算法的人脸识别方法，所述人脸识别方法包括：
获取人脸；
其中，所述人脸包括测试人脸和人脸库中的训练人脸；
根据ASM算法提取所述人脸的结构特征点；
获取所述人脸的结构特征点之间的第一点间距离，并从所述第一点间距离中选取目标点间距离；
计算每个所述第一点间距离与所述目标点间距离的比值，得到所述人脸的点间距离比例；
计算所述测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值，根据所述差值获取与所述测试人脸最接近的训练人脸。
较佳地，所述获取所述人脸的结构特征点之间的第一点间距离的步骤之前还包括：
对提取的所述人脸的结构特征点进行坐标变换处理，将所述人脸的结构特征点的坐标值全部变换为正值或负值，得到坐标变换处理后的所述人脸的结构特征点。
较佳地，所述对提取的所述人脸的结构特征点进行坐标变换处理的步骤对应的坐标变换公式为：
其中，(x，y)表示坐标变换前的人脸的结构特征点的坐标值；(x′，y′)表示坐标变换后的人脸的结构特征点的坐标值；ImageWidth、ImageHeight分别表示人脸图像的宽度和高度。
较佳地，所述获取所述人脸的结构特征点之间的第一点间距离的步骤之前还包括：
对坐标变换处理后的所述人脸的结构特征点进行水平校正处理，获取水平校正处理后的所述人脸的结构特征点。
较佳地，所述对坐标变换处理后的所述人脸的结构特征点进行水平校正处理的步骤包括：
计算所述人脸两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度，计算公式如下：
其中，(x1，y1)和(x2，y2)表示所述人脸左右两侧的任意两个相对应的结构特征点的坐标值；α表示所述夹角角度；
对经过所述坐标变换处理的所述人脸的结构特征点进行水平校正处理的水平校正公式如下：
其中，(x″，y″)表示水平校正后的所述人脸的结构特征点的坐标值。
较佳地，所述计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值，根据所述差值获取与所述测试人脸最接近的训练人脸的步骤具体包括：
计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值，计算公式如下：
Dij＝|b1-(b1)ij|+|b2-(b2)ij|+…+|bn-(bn)ij|
其中，
dn表示所述第一点间距离，da表示所述目标点间距离，a＝1，2，…，n；n表示自然数；Dij表示测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值；i＝1，2，…，M，j＝1，2，…，N，M表示训练人脸库中的训练样本类别数，N表示每类训练样本的样本个数；
获取与所述测试人脸最接近的所述训练人脸，所述最接近的训练人脸的点间距离比例与所述测试人脸的点间距离比例差值最小。
较佳地，所述人脸的结构特征点包括：左眉头点、右眉头点、左眉顶点、右眉顶点、左眉尾点、右眉尾点、左眼内眼角点、右眼内眼角点、左眼外眼角点、右眼外眼角点、左脸宽点、右脸宽点、左鼻顶点、右鼻顶点、左鼻翼点、右鼻翼点、左鼻侧点、右鼻侧点、左鼻孔点、右鼻孔点、鼻顶点、鼻下点、左嘴角点、右嘴角点、眉心点和下巴点。
较佳地，所述目标点间距离为所述左鼻孔点和所述右鼻孔点之间的点间距离。
较佳地，所述获取人脸的步骤包括：
获取包含所述测试人脸的图像；
采用Adaboost(一种迭代算法)算法对图像中的所述测试人脸进行检测，获取测试人脸图像；
提取所述测试人脸图像中的人脸。
本发明还提供一种基于ASM算法的人脸识别系统，所述人脸识别系统包括人脸获取模块、特征点提取模块、点间距离获取模块、点间距离选取模块、第一计算模块、第二计算模块和人脸识别模块；
所述人脸获取模块用于获取人脸；
其中，所述人脸包括测试人脸和人脸库中的训练人脸；
所述特征点提取模块用于根据ASM算法提取所述人脸的结构特征点；
所述点间距离获取模块用于获取所述人脸的结构特征点之间的第一点间距离，并调用所述点间距离选取模块；
所述点间距离选取模块用于从所述第一点间距离中选取目标点间距离；
所述第一计算模块用于计算每个所述第一点间距离与所述目标点间距离的比值，得到所述人脸的结构特征点的点间距离比例；
所述第二计算模块用于计算所述测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值；
所述人脸识别模块用于根据所述差值获取与所述测试人脸最接近的所述训练人脸。
较佳地，所述人脸识别系统还包括坐标变换处理模块；
所述坐标变换处理模块用于对提取的所述人脸的结构特征点进行坐标变换处理，将所述人脸的结构特征点的坐标值全部变换为正值或负值，得到坐标变换处理后的所述人脸的结构特征点。
较佳地，所述坐标变换处理模块进行坐标变换处理时的坐标变换公式为：
其中，(x,y)表示坐标变换前的人脸的结构特征点的坐标值；(x',y')表示坐标变换后的人脸的结构特征点的坐标值；ImageWidth、ImageHeight分别表示人脸图像的宽度和高度。
较佳地，所述人脸识别系统还包括水平校正处理模块；
所述水平校正处理模块用于对坐标变换处理后的所述人脸的结构特征点进行水平校正处理，获取水平校正处理后的所述人脸的结构特征点。
较佳地，所述水平校正处理模块用于计算所述人脸两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度，计算公式如下：
其中，(xl，y1)和(x2，y2)表示所述人脸左右两侧的任意两个相对应的结构特征点的坐标值；α表示所述人脸左右两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度；
所述水平校正处理模块还用于对经过所述坐标变换处理的所述人脸的结构特征点进行水平校正处理，水平校正公式如下：
其中，(x"，y")表示水平校正后的所述人脸的结构特征点的坐标值。
较佳地，所述第二计算模块计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值的计算公式如下：
Dij＝|b1-(b1)ij|+|b2-(b2)ij|+…+|bn-(bn)ij|
其中，
dn表示所述第一点间距离，da表示所述目标点间距离，a＝1，2，…，n；n表示自然数；Dij表示测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值；i＝1，2，…，M，j＝1，2，…，N，M表示训练人脸库中的训练样本类别数，N表示每类训练样本的样本个数；
所述人脸识别模块用于获取与所述测试人脸最接近的所述训练人脸，所述最接近的训练人脸的点间距离比例与所述测试人脸的点间距离比例差值最小。
较佳地，所述人脸的结构特征点包括：左眉头点、右眉头点、左眉顶点、右眉顶点、左眉尾点、右眉尾点、左眼内眼角点、右眼内眼角点、左眼外眼角点、右眼外眼角点、左脸宽点、右脸宽点、左鼻顶点、右鼻顶点、左鼻翼点、右鼻翼点、左鼻侧点、右鼻侧点、左鼻孔点、右鼻孔点、鼻顶点、鼻下点、左嘴角点、右嘴角点、眉心点和下巴点。
较佳地，所述目标点间距离为所述左鼻孔点和所述右鼻孔点之间的点间距离。
较佳地，所述人脸获取模块包括图像获取单元、人脸图像检测单元和人脸提取单元；
所述图像获取单元用于获取包含所述测试人脸的图像；
所述人脸图像检测单元用于采用Adaboost算法对图像中的所述测试人脸进行检测，获取测试人脸图像；
所述人脸提取单元用于提取所述测试人脸图像中的人脸。
本发明还提供一种基于ASM算法的人脸识别的设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的所述的基于ASM算法的人脸识别方法。
本发明还提供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的所述的基于ASM算法的人脸识别方法的步骤。
本发明的积极进步效果在于：
本发明通过采用ASM算法提取人脸的结构特征点；获取人脸的结构特征点之间的第一点间距离，并从第一点间距离中选取目标点间距离；计算每个第一点间距离与目标点间距离的比值，得到人脸的点间距离比例；计算测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值，根据差值获取与测试人脸最接近的训练人脸，从而克服了现有技术中的人脸识别技术存在的缺陷，提高了现有技术中的人脸识别算法的识别准确度。
附图说明
图1为本发明实施例1的基于ASM算法的人脸识别方法的流程图；
图2为本发明实施例2的基于ASM算法的人脸识别系统的模块结构图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例的基于ASM算法的人脸识别方法包括：
S101、获取人脸；
其中，所述人脸包括测试人脸和人脸库中的训练人脸；
具体地，获取测试人脸的步骤具体包括：
S1011、获取包含所述测试人脸的图像；
采用摄像头拍摄获取包含测试人脸的图像PicImage；
S1012、采用Adaboost算法对图像中的所述测试人脸进行检测，获取测试人脸图像；
具体地，采用Adaboost算法对图像PicImage进行人脸检测，得到人脸矩形FaceRect，设其中心点为0_FaceRect，宽和高分别为width_FaceRect和height_FaceRect；
S1013、提取所述测试人脸图像中的人脸。
以人脸矩形FaceRect的中心点0_FaceRect为中心，提取宽和高分别为width_FaceRect*(1+0.2)和height_FaceRect*(1+0.15)，从图像PicImage中提取测试人脸大图，标记为人脸图像FaceImage；
S102、根据ASM算法提取所述人脸的结构特征点；
其中，采用已训练好的ASM算法，提取人脸结构中不会因为表情、姿态的变化而剧烈变化的26个结构特征点，该26个结构特征点的点位置及其坐标依次记为左眉头点(xBLB,yBLB)、右眉头点(xBRB,yBRB)、左眉顶点(xBLT,yBLT)、右眉顶点(xBRT,yBRT)、左眉尾点(xBLE,yBLE)、右眉尾点(xBRE,yBRE)、左眼内眼角点(xELI,yELI)、右眼内眼角点(xERI,yERI)、左眼外眼角点(xELO,yELO)、右眼外眼角点(xERO,yERO)、左脸宽点(xFL,yFL)、右脸宽点(xFR,yFR)、左鼻顶点(xNLT,yNLT)、右鼻顶点(xNRT,yNRT)、左鼻翼点(xNLM,yNLM)、右鼻翼点(xNRM,yNRM)、左鼻侧点(xNLS,yNLS)、右鼻侧点(xNRS,yNRS)、左鼻孔点(xNL,yNL)、右鼻孔点(xNR,yNR)、鼻顶点(xNT,yNT)、鼻下点(xNB,yNB)、左嘴角点(xML,yML)、右嘴角点(xMR,yMR)、眉心点(xBM，yBM)、下巴点(xC，yC)等。
S103、对提取的所述人脸的结构特征点进行坐标变换处理，将所述人脸的结构特征点的坐标值全部变换为正值或负值，得到坐标变换处理后的所述人脸的结构特征点；其中，坐标变换公式为：
其中，(x，y)表示坐标变换前的人脸的结构特征点的坐标值；(x′，y′)表示坐标变换后的人脸的结构特征点的坐标值；ImageWidth、ImageHeight分别表示人脸图像FaceImage的宽度和高度。
S104、对坐标变换处理后的所述人脸的结构特征点进行水平校正处理，获取水平校正处理后的所述人脸的结构特征点。
具体地，S1041、计算所述人脸两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度，计算公式如下：
其中，(x1，y1)和(x2，y2)表示所述人脸左右两侧的任意两个相对应的结构特征点的坐标值；α表示所述夹角角度；
S1042、对经过所述坐标变换处理的所述人脸的结构特征点进行水平校正处理，水平校正公式如下：
其中，(x″，y″)表示水平校正后的所述人脸的结构特征点的坐标值。
S105、获取所述人脸的结构特征点之间的第一点间距离，并从所述第一点间距离中选取目标点间距离；
具体地，计算经过水平校正后的26个结构特征点之间的24个第一点间距离，依次即为d1、d2、...、d24，计算公式如下：
d1＝|xBLB-xBRB| d13＝|xML-xMR|
d2＝|yBLT-yELO| d14＝|yBLB-yELI|
d3＝|yBRT-yERO| d15＝|yBRB-yERI|
d4＝|xNLT-xNRT| d16＝|xNLM-xNRM|
d5＝|xELI-xERI| d17＝|yELI-yML|
d6＝|xELI-xELO| d18＝|yERI-yMR|
d7＝|xERI-xERO| d19＝|xFL-xFR|
d8＝|yELI-yNL| d20＝|xFL-xELO|｀
d9＝|yERI-yNR| d21＝|xFR-xERO|
d10＝|xNLS-xNRS| d22＝|xBLB-xBLE|
d11＝|xNL-xNR| d23＝|xBRB-xBRE|
d12＝|yNT-yNB| d24＝|yBM-yC|
其中，所述目标点间距离为所述左鼻孔点和所述右鼻孔点之间的点间距离d11。
S106、计算每个所述第一点间距离与所述目标点间距离的比值，得到所述人脸的结构特征点的点间距离比例；
计算每个所述第一点间距离与所述目标点间距离的比值依次b1、b2、...、b24，计算公式如下：
b1＝d1/d11 b13＝d13/d11
b2＝d2/d11 b14＝d14/d11
b3＝d3/d11 b15＝d15/d11
b4＝d4/d11 b16＝d16/d11
b5＝d5/d11 b17＝d17/d11
b6＝d6/d11 b18＝d18/d11
b7＝d7/d11 b19＝d19/d11
b8＝d8/d11 b20＝d20/d11
b9＝d9/d11 b21＝d21/d11
b10＝d10/d11 b22＝d22/d11
b11＝d11/d11 b23＝d23/d11
b12＝d12/d11 b24＝d24/d11
S107、计算所述测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值，根据所述差值获取与所述测试人脸最接近的所述训练人脸。
具体地，S1071、计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值，计算公式如下：
Dij＝|b1-(b1)ij|+|b2-(b2)ij|+…+|bn-(bn)ij|
其中，
dn表示所述第一点间距离，da表示所述目标点间距离，a＝1，2，…，n；n表示自然数；Dij表示测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值；i＝1，2，…，M，j＝1，2，…，N，M表示训练人脸库中的训练样本类别数，N表示每类训练样本的样本个数；
S1072、判断所述差值是否小于或等于设定阈值，若是，则获取与所述测试人脸最接近的所述训练人脸，所述最接近的训练人脸的点间距离比例与所述测试人脸的点间距离比例差值最小；若否，所述人脸库中没有与所述测试人脸相匹配的训练人脸。
本实施例通过采用ASM算法提取人脸的结构特征点；获取人脸的结构特征点之间的第一点间距离，并从第一点间距离中选取目标点间距离；计算每个第一点间距离与目标点间距离的比值，得到人脸的点间距离比例；计算测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值，根据差值获取与测试人脸最接近的训练人脸，从而克服了现有技术中的人脸识别技术存在的缺陷，提高了现有技术中的人脸识别算法的识别准确度。
实施例2
如图2所示，本实施例的基于ASM算法的人脸识别系统包括人脸获取模块1、特征点提取模块2、点间距离获取模块3、点间距离选取模块4、第一计算模块5、第二计算模块6、人脸识别模块7、坐标变换处理模块8和水平校正处理模块9。
所述人脸获取模块1包括图像获取单元11、人脸图像检测单元12和人脸提取单元13。
所述人脸获取模块1用于获取人脸；
其中，所述人脸包括测试人脸和人脸库中的训练人脸；
所述图像获取单元11用于获取包含所述测试人脸的图像；
采用摄像头拍摄获取包含测试人脸的图像PicImage；
所述人脸图像检测单元12用于采用Adaboost算法对图像中的所述测试人脸进行检测，获取测试人脸图像；
具体地，采用Adaboost算法对图像PicImage进行人脸检测，得到人脸矩形FaceRect，设其中心点为0_FaceRect，宽和高分别为width_FaceRect和height_FaceRect；
所述人脸提取单元13用于提取所述测试人脸图像中的人脸。
以人脸矩形FaceRect的中心点0_FaceRect为中心，提取宽和高分别为width_FaceRect*(1+0.2)和height_FaceRect*(1+0.15)，从图像PicImage中提取测试人脸大图，标记为FaceImage；
所述特征点提取模块2用于根据ASM算法提取所述人脸的结构特征点；
其中，采用已训练好的ASM算法，提取人脸结构中不会因为表情、姿态的变化而剧烈变化的26个结构特征点，该26个结构特征点的点位置及其坐标依次记为左眉头点(xBLB,yBLB)、右眉头点(xBRB,yBRB)、左眉顶点(xBLT,yBLT)、右眉顶点(xBRT,yBRT)、左眉尾点(xBLE,yBLE)、右眉尾点(xBRE,yBRE)、左眼内眼角点(xELI,yELI)、右眼内眼角点(xERI,yERI)、左眼外眼角点(xELO,yELO)、右眼外眼角点(xERO,yERO)、左脸宽点(xFL,yFL)、右脸宽点(xFR，yFR)、左鼻顶点(xNLT，yNLT)、右鼻顶点(xNRT，yNRT)、左鼻翼点(xNLM，yNLM)、右鼻翼点(xNRM，yNRM)、左鼻侧点(xNLS，yNLS)、右鼻侧点(xNRS，yNRS)、左鼻孔点(xNL，yNL)、右鼻孔点(xNR，yNR)、鼻顶点(xNT，yNT)、鼻下点(xNB，yNB)、左嘴角点(xML，yML)、右嘴角点(xMR，yMR)、眉心点(xBM，yBM)、下巴点(xC，yC)等。
所述坐标变换处理模块8用于对提取的所述人脸的结构特征点进行坐标变换处理，将所述人脸的结构特征点的坐标值全部变换为正值或负值，得到坐标变换处理后的所述人脸的结构特征点；其中，坐标变换公式为：
其中，(x，y)表示坐标变换前的人脸的结构特征点的坐标值；(x′，y′)表示坐标变换后的人脸的结构特征点的坐标值；ImageWidth、ImageHeight分别表示人脸图像的宽度和高度。
所述水平校正处理模块9用于对坐标变换处理后的所述人脸的结构特征点进行水平校正处理，获取水平校正处理后的所述人脸的结构特征点。
所述水平校正处理模块9用于计算所述人脸两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度，计算公式如下：
其中，(x1，y1)和(x2，y2)表示所述人脸左右两侧的任意两个相对应的结构特征点的坐标值；α表示所述人脸左右两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度；
所述水平校正处理模块9还用于对经过所述坐标变换处理的所述人脸的结构特征点进行水平校正处理，其中，水平校正公式如下：
其中，(x″，y″)表示水平校正后的所述人脸的结构特征点的坐标值。
所述点间距离获取模块3用于获取所述人脸的结构特征点之间的点间距离，并调用所述点间距离选取模块；
具体地，计算经过水平校正后的26个结构特征点之间的24个第一点间距离，依次即为d1、d2、...、d24，计算公式如下：
d1＝|xBLB-xBRB| d13＝|xML-xMR|
d2＝|yBLT-yELO| d14＝|yBLB-yELI|
d2＝|yBLT-yELO| d14＝|yBLB-yELI|
d4＝|xNLT-xNRT| d16＝|xNLM-xNRM|
d5＝|xELI-xERI| d17＝|yELI-yML|
d6＝|xELI-xELO| d18＝|yERI-yMR|
d7＝|xERI-xERO| d19＝|xFL-xFR|
d8＝|yELI-yNL| d20＝|xFL-xELO|｀
d9＝|yERI-yNR| d21＝|xFR-xERO|
d10＝|xNLS-xNRS| d22＝|xBLB-xBLE|
d11＝|xNL-xNR| d23＝|xBRB-xBRE|
d12＝|yNT-yNB| d24＝|yBM-yC|
所述点间距离选取模块4用于从所述第一点间距离中选取目标点间距离；
其中，所述目标点间距离为所述左鼻孔点和所述右鼻孔点之间的点间距离d11。
所述第一计算模块5用于计算每个所述第一点间距离与所述目标点间距离的比值，得到所述人脸的结构特征点的点间距离比例；
计算每个所述第一点间距离与所述目标点间距离的比值依次b1、b2、...、b24，计算公式如下：
b1＝d1/d11 b13＝d13/d11
b2＝d2/d11 b14＝d14/d11
b3＝d3/d11 b15＝d15/d11
b4＝d4/d11 b16＝d16/d11
b5＝d5/d11 b17＝d17/d11
b6＝d6/d11 b18＝d18/d11
b7＝d7/d11 b19＝d19/d11
b8＝d8/d11 b20＝d20/d11
b9＝d9/d11 b21＝d21/d11
b10＝d10/d11 b22＝d22/d11
b11＝d11/d11 b23＝d23/d11
b12＝d12/d11 b24＝d24/d11
所述第二计算模块6用于计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值；
计算公式如下：
Dij＝|b1-(b1)ij|+|b2-(b2)ij|+…+|bn-(bn)ij|
其中，
dn表示所述第一点间距离，da表示所述目标点间距离，a＝1，2，…，n；n表示自然数；Dij表示测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值；i＝1，2，…，M，j＝1，2，…，N，M表示训练人脸库中的训练样本类别数，N表示每类训练样本的样本个数；
所述人脸识别模块7用于根据所述差值获取与所述测试人脸最接近的所述训练人脸。
具体地，所述人脸识别模块7用于判断所述差值是否小于或等于设定阈值，若是，则获取与所述测试人脸最接近的所述训练人脸，所述最接近的训练人脸的点间距离比例与所述测试人脸的点间距离比例差值最小；若否，所述人脸库中没有与所述测试人脸相匹配的训练人脸。
本实施例通过采用ASM算法提人脸的结构特征点；获取人脸的结构特征点之间的第一点间距离，并从第一点间距离中选取目标点间距离；计算每个第一点间距离与目标点间距离的比值，得到人脸的点间距离比例；计算测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值，根据差值获取与测试人脸最接近的训练人脸，从而克服了现有技术中的人脸识别技术存在的缺陷，提高了现有技术中的人脸识别算法的识别准确度。。
实施例3
本实施例的基于ASM算法的人脸识别的设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1中的基于ASM算法的人脸识别方法。
实施例4
本实施例的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实施例1中的基于ASM算法的人脸识别方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1中的基于ASM算法的人脸识别方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (20)

1.一种基于ASM算法的人脸识别方法，其特征在于，所述人脸识别方法包括：
获取人脸；
其中，所述人脸包括测试人脸和人脸库中的训练人脸；
根据ASM算法提取所述人脸的结构特征点；
获取所述人脸的结构特征点之间的第一点间距离，并从所述第一点间距离中选取目标点间距离；
计算每个所述第一点间距离与所述目标点间距离的比值，得到所述人脸的点间距离比例；
计算所述测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值，根据所述差值获取与所述测试人脸最接近的训练人脸。
2.如权利要求1所述的基于ASM算法的人脸识别方法，其特征在于，所述获取所述人脸的结构特征点之间的第一点间距离的步骤之前还包括：
对提取的所述人脸的结构特征点进行坐标变换处理，将所述人脸的结构特征点的坐标值全部变换为正值或负值，得到坐标变换处理后的所述人脸的结构特征点。
3.如权利要求2所述的基于ASM算法的人脸识别方法，其特征在于，所述对提取的所述人脸的结构特征点进行坐标变换处理的步骤对应的坐标变换公式为：
其中，(x，y)表示坐标变换前的人脸的结构特征点的坐标值；(x′，y′)表示坐标变换后的人脸的结构特征点的坐标值；ImageWidth、ImageHeight分别表示人脸图像的宽度和高度。
4.如权利要求2所述的基于ASM算法的人脸识别方法，其特征在于，所述获取所述人脸的结构特征点之间的第一点间距离的步骤之前还包括：
对坐标变换处理后的所述人脸的结构特征点进行水平校正处理，获取水平校正处理后的所述人脸的结构特征点。
5.如权利要求4所述的基于ASM算法的人脸识别方法，其特征在于，所述对坐标变换处理后的所述人脸的结构特征点进行水平校正处理的步骤包括：
计算所述人脸两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度，计算公式如下：
其中，(x1，y1)和(x2，y2)表示人脸左右两侧的任意两个相对应的结构特征点的坐标值；α表示所述夹角角度；
对经过所述坐标变换处理的所述人脸的结构特征点进行水平校正处理的水平校正公式如下：
其中，(x″，y″)表示水平校正后的所述人脸的结构特征点的坐标值。
6.如权利要求1所述的基于ASM算法的人脸识别方法，其特征在于，所述计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值，根据所述差值获取与所述测试人脸最接近的训练人脸的步骤具体包括：
计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值，计算公式如下：
Dij＝|b1-(b1)ij|+|b2-(b2)ij|+…+|bn-(bn)ij|
其中，
dn表示所述第一点间距离，da表示所述目标点间距离，a＝1，2，…，n；n表示自然数；Dij表示测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值；i＝1，2，…，M，j＝1，2，…，N，M表示训练人脸库中的训练样本类别数，N表示每类训练样本的样本个数；
获取与所述测试人脸最接近的所述训练人脸，所述最接近的训练人脸的点间距离比例与所述测试人脸的点间距离比例差值最小。
7.如权利要求1所述的基于ASM算法的人脸识别方法，其特征在于，所述人脸的结构特征点包括：左眉头点、右眉头点、左眉顶点、右眉顶点、左眉尾点、右眉尾点、左眼内眼角点、右眼内眼角点、左眼外眼角点、右眼外眼角点、左脸宽点、右脸宽点、左鼻顶点、右鼻顶点、左鼻翼点、右鼻翼点、左鼻侧点、右鼻侧点、左鼻孔点、右鼻孔点、鼻顶点、鼻下点、左嘴角点、右嘴角点、眉心点和下巴点。
8.如权利要求7所述的基于ASM算法的人脸识别方法，其特征在于，所述目标点间距离为所述左鼻孔点和所述右鼻孔点之间的点间距离。
9.如权利要求1所述的基于ASM算法的人脸识别方法，其特征在于，所述获取人脸的步骤包括：
获取包含所述测试人脸的图像；
采用Adaboost算法对图像中的所述测试人脸进行检测，获取测试人脸图像；
提取所述测试人脸图像中的人脸。
10.一种基于ASM算法的人脸识别系统，其特征在于，所述人脸识别系统包括人脸获取模块、特征点提取模块、点间距离获取模块、点间距离选取模块、第一计算模块、第二计算模块和人脸识别模块；
所述人脸获取模块用于获取人脸；
其中，所述人脸包括测试人脸和人脸库中的训练人脸；
所述特征点提取模块用于根据ASM算法提取所述人脸的结构特征点；
所述点间距离获取模块用于获取所述人脸的结构特征点之间的第一点间距离，并调用所述点间距离选取模块；
所述点间距离选取模块用于从所述第一点间距离中选取目标点间距离；
所述第一计算模块用于计算每个所述第一点间距离与所述目标点间距离的比值，得到所述人脸的结构特征点的点间距离比例；
所述第二计算模块用于计算所述测试人脸的点间距离比例与每个所述训练人脸的点间距离比例之间的差值；
所述人脸识别模块用于根据所述差值获取与所述测试人脸最接近的所述训练人脸。
11.如权利要求10所述的基于ASM算法的人脸识别系统，其特征在于，所述人脸识别系统还包括坐标变换处理模块；
所述坐标变换处理模块用于对提取的所述人脸的结构特征点进行坐标变换处理，将所述人脸的结构特征点的坐标值全部变换为正值或负值，得到坐标变换处理后的所述人脸的结构特征点。
12.如权利要求11所述的基于ASM算法的人脸识别系统，其特征在于，所述坐标变换处理模块进行坐标变换处理时的坐标变换公式为：
其中，(x，y)表示坐标变换前的人脸的结构特征点的坐标值；(x′，y′)表示坐标变换后的人脸的结构特征点的坐标值；ImageWidtg、ImageHeight分别表示人脸图像的宽度和高度。
13.如权利要求11所述的基于ASM算法的人脸识别系统，其特征在于，所述人脸识别系统还包括水平校正处理模块；
所述水平校正处理模块用于对坐标变换处理后的所述人脸的结构特征点进行水平校正处理，获取水平校正处理后的所述人脸的结构特征点。
14.如权利要求13所述的基于ASM算法的人脸识别系统，其特征在于，所述水平校正处理模块用于计算所述人脸两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度，计算公式如下：
其中，(x1，y1)和(x2，y2)表示所述人脸左右两侧的任意两个相对应的结构特征点的坐标值；α表示所述人脸左右两侧的任意两个相对应的结构特征点的连线与水平方向的夹角角度；
所述水平校正处理模块还用于对经过所述坐标变换处理的所述人脸的结构特征点进行水平校正处理，水平校正公式如下：
其中，(x″，y″)表示水平校正后的所述人脸的结构特征点的坐标值。
15.如权利要求10所述的基于ASM算法的人脸识别系统，其特征在于，所述第二计算模块计算所述测试人脸的结构特征点的点间距离比例与每个所述训练人脸的结构特征点的点间距离比例之间的差值的计算公式如下：
Dij＝|b1-(b1)ij|+|b2-(b2)ij|+…+|bn-(bn)ij|
其中，
dn表示所述第一点间距离，da表示所述目标点间距离，a＝1，2，…，n；n表示自然数；Dij表示测试人脸的结构特征点的点间距离比例与每个训练人脸的结构特征点的点间距离比例之间的差值；i＝1，2，…，M，j＝1，2，…，N，M表示训练人脸库中的训练样本类别数，N表示每类训练样本的样本个数；
所述人脸识别模块用于获取与所述测试人脸最接近的所述训练人脸，所述最接近的训练人脸的点间距离比例与所述测试人脸的点间距离比例差值最小。
16.如权利要求10所述的基于ASM算法的人脸识别系统，其特征在于，所述人脸的结构特征点包括：左眉头点、右眉头点、左眉顶点、右眉顶点、左眉尾点、右眉尾点、左眼内眼角点、右眼内眼角点、左眼外眼角点、右眼外眼角点、左脸宽点、右脸宽点、左鼻顶点、右鼻顶点、左鼻翼点、右鼻翼点、左鼻侧点、右鼻侧点、左鼻孔点、右鼻孔点、鼻顶点、鼻下点、左嘴角点、右嘴角点、眉心点和下巴点。
17.如权利要求16所述的基于ASM算法的人脸识别系统，其特征在于，所述目标点间距离为所述左鼻孔点和所述右鼻孔点之间的点间距离。
18.如权利要求10所述的基于ASM算法的人脸识别系统，其特征在于，所述人脸获取模块包括图像获取单元、人脸图像检测单元和人脸提取单元；
所述图像获取单元用于获取包含所述测试人脸的图像；
所述人脸图像检测单元用于采用Adaboost算法对图像中的所述测试人脸进行检测，获取测试人脸图像；
所述人脸提取单元用于提取所述测试人脸图像中的人脸。
19.一种基于ASM算法的人脸识别的设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-9中任一项所述的基于ASM算法的人脸识别方法。
20.一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权利要求1-9中任一项所述的基于ASM算法的人脸识别方法的步骤。
CN201711405393.4A 2017-12-22 2017-12-22 基于asm算法的人脸识别方法、系统、设备和存储介质 Pending CN109960970A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711405393.4A CN109960970A (zh) 2017-12-22 2017-12-22 基于asm算法的人脸识别方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711405393.4A CN109960970A (zh) 2017-12-22 2017-12-22 基于asm算法的人脸识别方法、系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN109960970A true CN109960970A (zh) 2019-07-02

Family

ID=67019348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711405393.4A Pending CN109960970A (zh) 2017-12-22 2017-12-22 基于asm算法的人脸识别方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN109960970A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731416A (zh) * 2005-08-04 2006-02-08 上海交通大学 快速且精确的人脸特征点定位方法
CN101167087A (zh) * 2005-04-28 2008-04-23 伊斯曼柯达公司 在对图像中的人的识别过程中使用时间
CN101300588A (zh) * 2005-10-31 2008-11-05 伊斯曼柯达公司 确定收集中的特定人的方法
CN101377814A (zh) * 2007-08-27 2009-03-04 索尼株式会社 人脸图像处理设备、人脸图像处理方法以及计算机程序
CN102254154A (zh) * 2011-07-05 2011-11-23 南京大学 一种基于三维模型重建的人脸身份认证方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101167087A (zh) * 2005-04-28 2008-04-23 伊斯曼柯达公司 在对图像中的人的识别过程中使用时间
CN1731416A (zh) * 2005-08-04 2006-02-08 上海交通大学 快速且精确的人脸特征点定位方法
CN101300588A (zh) * 2005-10-31 2008-11-05 伊斯曼柯达公司 确定收集中的特定人的方法
CN101377814A (zh) * 2007-08-27 2009-03-04 索尼株式会社 人脸图像处理设备、人脸图像处理方法以及计算机程序
CN102254154A (zh) * 2011-07-05 2011-11-23 南京大学 一种基于三维模型重建的人脸身份认证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张淑军、王高峰、石峰: "《基于 AAM 提取几何特征的人脸识别算法》", 《系统仿真学报》 *

Similar Documents

Publication Publication Date Title
JP6900516B2 (ja) 注視点判定方法および装置、電子機器ならびにコンピュータ記憶媒体
CN108229330A (zh) 人脸融合识别方法及装置、电子设备和存储介质
US10509985B2 (en) Method and apparatus for security inspection
CN108701216B (zh) 一种人脸脸型识别方法、装置和智能终端
CN106295522B (zh) 一种基于多角度人脸和环境信息的两级防欺骗检测方法
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
CN104978548B (zh) 一种基于三维主动形状模型的视线估计方法与装置
CN106068514B (zh) 用于在不受约束的媒体中识别面孔的系统和方法
US9262671B2 (en) Systems, methods, and software for detecting an object in an image
CN106796449A (zh) 视线追踪方法及装置
CN107169455B (zh) 基于深度局部特征的人脸属性识别方法
US20150302240A1 (en) Method and device for locating feature points on human face and storage medium
WO2016011834A1 (zh) 一种图像处理方法及系统
TW201137768A (en) Face recognition apparatus and methods
CN105989331B (zh) 脸部特征提取装置、脸部特征提取方法、图像处理设备和图像处理方法
CN105118023B (zh) 基于人脸特征点的实时视频人脸卡通化生成方法
WO2009067958A1 (fr) Système de génération de portrait et procédé de génération de portrait selon une image
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
CN109472198A (zh) 一种姿态鲁棒的视频笑脸识别方法
JP2007065766A (ja) 画像処理装置および方法、並びにプログラム
CN110096925A (zh) 人脸表情图像的增强方法、获取方法和装置
TW201112134A (en) Face recognition apparatus and methods
CN110349152A (zh) 人脸图像质量检测方法及装置
WO2019228040A1 (zh) 一种面部图像评分方法及摄像机
CN105893942B (zh) 一种基于eSC和HOG的自适应HMM的手语识别方法

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: 20190702