CN110008811A - 人脸识别系统及方法 - Google Patents
人脸识别系统及方法 Download PDFInfo
- Publication number
- CN110008811A CN110008811A CN201910051878.0A CN201910051878A CN110008811A CN 110008811 A CN110008811 A CN 110008811A CN 201910051878 A CN201910051878 A CN 201910051878A CN 110008811 A CN110008811 A CN 110008811A
- Authority
- CN
- China
- Prior art keywords
- image
- facial image
- pix
- sub
- face
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001815 facial effect Effects 0.000 claims abstract description 123
- 238000012546 transfer Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人脸识别系统及方法，涉及智能设备领域，该人脸识别系统，包括：多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。
Description
技术领域
本发明涉及智能设备技术领域，尤其涉及一种人脸识别系统及方法。
背景技术
随着人工智能技术和图像处理等技术的不断发展，人脸识别已经被广泛地应用到社会活动各个领域。例如，人脸识别智能开锁、人脸识别智能支付、人脸识别追捕逃犯等等。人脸识别技术一般是基于人脸图像，及通过摄像头采集人脸图像，然后发送给云端，云端对采集到的人脸图像进行检测、人脸定位和特征提取等，然后根据提取的特征与预存的特征进行对比，实现人脸识别技术。图像拼接技术指的是将一张物体不同角度的图像拼接成该物体完整图像。
目前，传统的人脸识别系统中，通常是只设置一个摄像头，通过该摄像头采集人脸图像，然后发送到云端进行特征提取和人脸识别。
但是，发明人发现现有的人脸识别系统中至少存在如下技术问题：现有技术中，仅一个摄像头采集人脸图像往往采集的人脸图像不完整，常需要被采集人员必须弯腰或调整姿势，导致人脸识别过程效率较低。
发明内容
鉴于上述问题，本发明实施例提供一种人脸识别系统及方法，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。
为了实现上述目的，本发明提供如下技术方案：
本发明的第一方面提供一种人脸识别系统，包括：
多个固定支架、多个图像采集设备、中转服务器和识别服务器；
每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像；
所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像；
所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别。
可选地，所述识别服务器用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机SVM分类器进行分类，得到所述人脸图像的人脸图像识别结果；将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。
可选地，所述识别服务器还用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；提取所述训练样本的人脸图像纹理特征；将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。
可选地，所述识别服务器用于所述提取所述训练样本的人脸图像纹理特征的过程，包括：
设定局部二值模式LBP共生矩阵纹理特征提取算法的参数；
根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；
基于双线性插值计算所述亚像素及其对应邻域点的灰度值；
根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；
基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。
可选地，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；
所述识别服务器用于所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点的过程，包括：
根据所述统计距离和统计方向，确定原图像素对应的亚像素；
根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
可选地，所述报警设备为蜂鸣报警器、声光报警器或语音报警器。
本发明实施例的第二方面提供一人脸识别方法，用于第一方面任一项所述的人脸识别系统的识别服务器，包括：
将所述完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的SVM(Support Vector Machine，支持向量机)分类器进行分类，得到所述人脸图像的人脸图像识别结果；
将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。
可选地，所述方法还包括：对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本和第二预设数量的测试样本；
提取所述训练样本的人脸图像纹理特征；
将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。
可选地，所述提取所述训练样本的人脸图像纹理特征还，包括：
设定LBP(Local Binary Pattern，局部二值模式)共生矩阵纹理特征提取算法的参数；
根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；
基于双线性插值计算所述亚像素及其对应邻域点的灰度值；
根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；
基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。
可选地，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；
所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：
根据所述统计距离和统计方向，确定原图像素对应的亚像素；
根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
与现有技术相比，本发明实施例提供的系统及其方法具有如下优点：本发明实施例包括多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。
除了上面所描述的本发明实施例解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的有益效果外，本发明实施例提供的人脸识别系统所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的有益效果，将在具体实施方式中作出进一步详细的说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的人脸识别系统的结构示意图；
图2为本发明另一实施例提供的人脸识别系统的结构示意图；
图3为本发明另一实施例提供的人脸识别系统的结构示意图；
图4为本发明一实施例提供的人脸识别方法的流程示意图；
图5为本发明另一实施例提供的人脸识别方法的流程示意图；
图6为本发明再一实施例提供的人脸识别方法的流程示意图；
图7为本发明一实施例提供的人脸识别装置的框图。
附图标记说明：
固定支架101、支腿1011、主体件1012、图像采集设备102、图像采集摄像头1021、灯源设备1022、中转服务器103、识别服务器104、电子切换开关105、报警设备106、云台1013。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
人脸识别：指的是基于人脸图像，及通过摄像头采集人脸图像，然后发送给云端，云端对采集到的人脸图像进行检测、人脸定位和特征提取等，然后根据提取的特征与预存的特征进行对比，实现人脸识别技术。
图像拼接：指的是将一张物体不同角度的图像拼接成该物体完整图像。
参考图1，图1为本发明一实施例提供的人脸识别系统的结构示意图。在本实施例中，所述人脸识别系统，具体包括：
多个固定支架101、多个图像采集设备102、中转服务器103和识别服务器104。
每个固定支架101上安装有一个图像采集设备102，每个图像采集设备102上各设有一个图像采集摄像头1021和一个灯源设备1022，图像采集摄像头1021用于灯源设备1022照射下的采集待识别对象的面部人脸图像。
中转服务器103与每个图像采集摄像头1021均连接，用于接收各图像采集摄像头1021发送人脸图像，得到完整的人脸图像。
识别服务器104与中转服务器103连接，用于根据完整的人脸图像对待识别对象进行人脸识别。
在本实施例中，接收各图像采集摄像头1021发送人脸图像，得到完整的人脸图像的过程属于现有的任何可以实现图像拼接的过程。
识别服务器104根据完整的人脸图像对待识别对象进行人脸识别的过程也属于现有的任何可以实现人脸识别的过程。
固定支架101可以由多个支腿1011和主体件1012构成，其中主体件1012设置在多个支腿1011上。
图像采集摄像头1021可以是普通摄像头和/或红外摄像头。
灯源设备1022有电源设备和发光设备组成，其中电源设备可以是市电，发光设备为无影灯。
本实施例的人脸识别系统的工作过程为：待识别对象进入识别区域内，采集待识别对象的多张人脸图像，并将多张人脸图像发给中转服务器，中转服务器将多张人脸图像拼接成完整的人脸图像，中转服务器将完整的人脸图像发送给识别服务器，识别服务器根据所述完整的人脸图像对所述待识别对象进行人脸识别。
本实施例的人脸识别系统，包括多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。
参考图2，图2为本发明另一实施例提供的人脸识别系统的结构示意图。在图1的实施例的基础上，所述人脸识别系统，还可以包括：
电子切换开关105；电子切换开关105分别于各图像采集摄像头1021和中转服务器103连接，中转服务器103控制电子切换开关105循环、依次将各图像采集摄像头与中转服务器通信连接。
在本实施例中，电子切换开关为多切一型，中转服务器103控制图像采集摄像头依次采集待识别对象的面部人脸图像，并依次将人脸图像发送至中转服务器103。
从上述实施例可知，通过电子切换开关，依次采集待识别对象的面部人脸图像，并依次将人脸图像发送至中转服务器，可以减小图像采集摄像头与中转服务器通信的带宽，保证数据的传输，避免同时发送大量的人脸图像数据出现通信拥堵的情况。
参考图2，作为本发明提供的人脸识别系统的一种具体实施方式中，所述系统还包括：
报警设备106；报警设备106与识别服务器104连接，报警设备106根据识别服务器104人脸识别结果进行报警工作。
在本实施例中，别服务器104对完整的人脸图像进行人脸识别，当人脸信息识别通过时，报警设备106不进行报警工作；当人脸信息识别没有通过时，报警设备106进行报警工作。
具体地，所述报警设备106为蜂鸣报警器、声光报警器或语音报警器。
参考图3，作为本发明提供的人脸识别系统的一种具体实施方式中，各固定支架上设有云台1013，云台1013用于固定各图像采集设备。
通过云台可以根据需要调整图像采集设备的角度，使图像采集设备采集的人脸图像更清晰准确。
参考图4，图4为本发明一实施例提供的人脸识别方法的流程示意图，该方法应用于上述实施例的人脸识别系统的识别服务器104，详述如下：
S401：将完整的人脸图像输入至训练好的卷积深度信念网络，经过卷积深度信念网络的SVM分类器进行分类，得到人脸图像的人脸图像识别结果。
在本实施例中，训练好的卷积深度信念网络包括深度信念网络与卷积神经网络的算法。
S402：将人脸图像识别结果与预存的人脸图像进行对比，判断人脸识别是否通过。
在本实施例中，当人脸图像识别结果与预存的人脸图像匹配时，则确定人脸识别通过；当人脸图像识别结果与预存的人脸图像不匹配时，则确定人脸识别没有通过。这里，人脸图像识别结果与预存的人脸图像匹配为：人脸图像信息的纹理特征与预存的人脸图像的纹理特征相一致。
从上述实施例可知，通过融合深度信念网络与卷积神经网络的算法的卷积深度信念网络，能够解决图像全尺寸高效率衡量的难点。
参考图5，图5为本发明另一实施例提供的人脸识别方法的流程示意图，本实施例详细描述识别服务器104训练卷积深度信念网络的过程，详述如下：
S501：对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本。
在本实施例中，进行归一化处理的目的是使得人脸图像满足卷积深度信念网络训练需要。
S502：提取训练样本的人脸图像纹理特征。
在本实施例中，可以通过LBP共生矩阵纹理特征提取算法提取人脸图像纹理特征。
S503：将训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。
参考图6，图6为本发明再一实施例提供的人脸识别方法的流程示意图，本实施例详细描述，提取训练样本的人脸图像纹理特征的过程，包括：
S601：设定局部二值模式LBP共生矩阵纹理特征提取算法的参数。
S602：根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点。
具体地，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；
所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：根据所述统计距离和统计方向，确定原图像素对应的亚像素；根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
S603：基于双线性插值计算所述亚像素及其对应邻域点的灰度值。
S604：根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像。
S605：基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。
所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；
所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：
根据所述统计距离和统计方向，确定原图像素对应的亚像素；
根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
从上述实施例可知，通过LBP共生矩阵纹理特征提取算法提取训练样本的人脸图像纹理特征，能解决纹理丢失的问题。
参考图7，图7为本发明一实施例提供的人脸识别装置的框图，所述人脸识别装置包括：
卷积深度信念网络处理模块701，用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机SVM分类器进行分类，得到所述人脸图像的人脸图像识别结果；
人脸识别判断模块702，用于将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。
参考图7，在本发明的一个实施例中，所述装置还包括：
预处理模块703，用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；
特征提取模块704，用于提取所述训练样本的人脸图像纹理特征；
训练模块705，用于将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。
在本发明的一个实施例中，所述特征提取模块704，具体用于设定局部二值模式LBP共生矩阵纹理特征提取算法的参数；根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；基于双线性插值计算所述亚像素及其对应邻域点的灰度值；根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。
在本发明的一个实施例中，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；所述特征提取模块704，用于所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：根据所述统计距离和统计方向，确定原图像素对应的亚像素；根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
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)
1.一种人脸识别系统，其特征在于，包括：
多个固定支架、多个图像采集设备、中转服务器和识别服务器；
每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像；
所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像；
所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别。
2.根据权利要求1所述的人脸识别系统，其特征在于，所述识别服务器用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机SVM分类器进行分类，得到所述人脸图像的人脸图像识别结果；将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。
3.根据权利要求2所述的人脸识别系统，其特征在于，所述识别服务器还用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；提取所述训练样本的人脸图像纹理特征；将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。
4.根据权利要求3所述的人脸识别系统，其特征在于，所述识别服务器用于所述提取所述训练样本的人脸图像纹理特征的过程，包括：
设定局部二值模式LBP共生矩阵纹理特征提取算法的参数；
根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；
基于双线性插值计算所述亚像素及其对应邻域点的灰度值；
根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；
基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。
5.根据权利要求4所述的人脸识别系统，其特征在于，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；
所述识别服务器用于所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点的过程，包括：
根据所述统计距离和统计方向，确定原图像素对应的亚像素；
根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
6.根据权利要求1所述的人脸识别系统，其特征在于，所述系统还包括：报警设备；
所述报警设备与所述识别服务器连接，所述报警设备根据所述识别服务器人脸识别结果进行报警工作。
7.一种人脸识别方法，其特征在于，应用于权利要求1至6任一项所述的人脸识别系统的识别服务器，包括：
将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机SVM分类器进行分类，得到所述人脸图像的人脸图像识别结果；
将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。
8.根据权利要求7所述的人脸识别方法，其特征在于，还包括：
对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；
提取所述训练样本的人脸图像纹理特征；
将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。
9.根据权利要求8所述的人脸识别方法，其特征在于，所述提取所述训练样本的人脸图像纹理特征，还包括：
设定局部二值模式LBP共生矩阵纹理特征提取算法的参数；
根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；
基于双线性插值计算所述亚像素及其对应邻域点的灰度值；
根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；
基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。
10.根据权利要求9所述的人脸识别方法，其特征在于，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；
所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：
根据所述统计距离和统计方向，确定原图像素对应的亚像素；
根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910051878.0A CN110008811A (zh) | 2019-01-21 | 2019-01-21 | 人脸识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910051878.0A CN110008811A (zh) | 2019-01-21 | 2019-01-21 | 人脸识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110008811A true CN110008811A (zh) | 2019-07-12 |
Family
ID=67165452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910051878.0A Pending CN110008811A (zh) | 2019-01-21 | 2019-01-21 | 人脸识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008811A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222446A (zh) * | 2019-12-31 | 2020-06-02 | Oppo广东移动通信有限公司 | 人脸识别方法、人脸识别装置及移动终端 |
| CN111241917A (zh) * | 2019-12-25 | 2020-06-05 | 杭州中威电子股份有限公司 | 一种自适应非接触生理采集云台摄像机装置及方法 |
| CN112001360A (zh) * | 2020-09-09 | 2020-11-27 | 深圳中神电子科技有限公司 | 一种基于智能调节的人脸识别监控系统 |
| CN112347832A (zh) * | 2020-06-12 | 2021-02-09 | 深圳Tcl新技术有限公司 | 基于人脸识别的开锁方法、装置、设备及计算机存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080166026A1 (en) * | 2007-01-10 | 2008-07-10 | Samsung Electronics Co., Ltd. | Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns |
| CN102254169A (zh) * | 2011-08-23 | 2011-11-23 | 东北大学秦皇岛分校 | 基于多摄像机的人脸识别方法及系统 |
| CN103761514A (zh) * | 2014-01-26 | 2014-04-30 | 公安部第三研究所 | 基于广角枪机和多球机实现人脸识别的系统及方法 |
| CN104933434A (zh) * | 2015-06-16 | 2015-09-23 | 同济大学 | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 |
| CN105787501A (zh) * | 2015-12-17 | 2016-07-20 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
| CN106355151A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
| CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN106778512A (zh) * | 2016-11-25 | 2017-05-31 | 南京蓝泰交通设施有限责任公司 | 一种基于lbp和深度学校的非限制条件下人脸识别方法 |
| CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
| CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
| CN108573211A (zh) * | 2018-03-05 | 2018-09-25 | 重庆邮电大学 | 一种基于局部特征与深度学习的人脸特征提取方法 |
-
2019
- 2019-01-21 CN CN201910051878.0A patent/CN110008811A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080166026A1 (en) * | 2007-01-10 | 2008-07-10 | Samsung Electronics Co., Ltd. | Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns |
| CN102254169A (zh) * | 2011-08-23 | 2011-11-23 | 东北大学秦皇岛分校 | 基于多摄像机的人脸识别方法及系统 |
| CN103761514A (zh) * | 2014-01-26 | 2014-04-30 | 公安部第三研究所 | 基于广角枪机和多球机实现人脸识别的系统及方法 |
| CN104933434A (zh) * | 2015-06-16 | 2015-09-23 | 同济大学 | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 |
| CN105787501A (zh) * | 2015-12-17 | 2016-07-20 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
| CN106355151A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
| CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
| CN106778512A (zh) * | 2016-11-25 | 2017-05-31 | 南京蓝泰交通设施有限责任公司 | 一种基于lbp和深度学校的非限制条件下人脸识别方法 |
| CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
| CN108573211A (zh) * | 2018-03-05 | 2018-09-25 | 重庆邮电大学 | 一种基于局部特征与深度学习的人脸特征提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| MD. ZIA UDDIN等: ""Facial Expression Recognition Utilizing Local Direction-Based Robust Features and Deep Belief Network"", 《 IEEE ACCESS》, vol. 5 * |
| RONG FAN等: ""Face recognition with improved deep belief networks"", 2017 13TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION, FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (ICNC-FSKD) * |
| 吴进 等: ""采用局部二值模式与深度信念网络的人脸识别"", 《电讯技术》, vol. 56, no. 10 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111241917A (zh) * | 2019-12-25 | 2020-06-05 | 杭州中威电子股份有限公司 | 一种自适应非接触生理采集云台摄像机装置及方法 |
| CN111241917B (zh) * | 2019-12-25 | 2023-08-22 | 杭州中威电子股份有限公司 | 一种自适应非接触生理采集云台摄像机装置及方法 |
| CN111222446A (zh) * | 2019-12-31 | 2020-06-02 | Oppo广东移动通信有限公司 | 人脸识别方法、人脸识别装置及移动终端 |
| CN112347832A (zh) * | 2020-06-12 | 2021-02-09 | 深圳Tcl新技术有限公司 | 基于人脸识别的开锁方法、装置、设备及计算机存储介质 |
| CN112347832B (zh) * | 2020-06-12 | 2024-02-09 | 深圳Tcl新技术有限公司 | 基于人脸识别的开锁方法、装置、设备及计算机存储介质 |
| CN112001360A (zh) * | 2020-09-09 | 2020-11-27 | 深圳中神电子科技有限公司 | 一种基于智能调节的人脸识别监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008811A (zh) | 人脸识别系统及方法 | |
| CN108416336B (zh) | 一种智慧社区人脸识别的方法和系统 | |
| CN106778609A (zh) | 一种电力施工现场人员制服穿着识别方法 | |
| CN109977921B (zh) | 一种输电线路隐患检测方法 | |
| CN106845890B (zh) | 一种基于视频监控的仓储监控方法及装置 | |
| CN109670532A (zh) | 生物体器官组织图像的异常识别方法、装置及系统 | |
| CN109118479A (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
| CN106529414A (zh) | 一种通过图像比对实现结果认证的方法 | |
| CN108734283A (zh) | 神经网络系统 | |
| CN204155293U (zh) | 一种基于人脸识别的验证装置及验证系统 | |
| CN108052900A (zh) | 一种通过监控视频自动判断着装规范的方法 | |
| CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
| CN105022999B (zh) | 一种人码伴随实时采集系统 | |
| CN107153817A (zh) | 行人重识别数据标注方法和装置 | |
| CN106971182A (zh) | 嵌入式电力继电压板投退状态智能识别装置及实现方法 | |
| CN108734235A (zh) | 一种用于电子处方的身份识别方法及系统 | |
| TW200915202A (en) | System and method of image-based space detection | |
| CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN106845368A (zh) | 基于人脸识别的机场登机安检再确认系统和方法 | |
| CN106845328A (zh) | 一种基于双摄像头的智能人脸识别方法及系统 | |
| CN105844245A (zh) | 一种伪装人脸检测方法及系统 | |
| CN106650623A (zh) | 一种基于人脸检测的出入境人证核实的方法 | |
| CN108288279A (zh) | 一种基于x光图像前景目标提取的物品甄别方法 | |
| CN107403180A (zh) | 一种数字类型设备检测识别方法和系统 |
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 |