CN110276263A - 一种人脸识别系统及识别方法 - Google Patents

一种人脸识别系统及识别方法 Download PDF

Info

Publication number
CN110276263A
CN110276263A CN201910440046.8A CN201910440046A CN110276263A CN 110276263 A CN110276263 A CN 110276263A CN 201910440046 A CN201910440046 A CN 201910440046A CN 110276263 A CN110276263 A CN 110276263A
Authority
CN
China
Prior art keywords
face
dimensional
vector
image
hsv
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
Application number
CN201910440046.8A
Other languages
English (en)
Other versions
CN110276263B (zh
Inventor
熊杰
刘华祠
刘建
刘倩
张月
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.)
Yangtze University
Original Assignee
Yangtze University
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 Yangtze University filed Critical Yangtze University
Priority to CN201910440046.8A priority Critical patent/CN110276263B/zh
Publication of CN110276263A publication Critical patent/CN110276263A/zh
Application granted granted Critical
Publication of CN110276263B publication Critical patent/CN110276263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图像识别技术领域，公开了一种人脸识别系统及识别方法，通过摄像头采集至少三张不同状态下注册的彩色人脸图像；将所有采集到的所有注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签；通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库进行存储；通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签；识别待测人脸。本发明通过将HSV图像与三维彩色图像进行降维处理，相比传统的灰度图像和RGB图像提升了人脸识别的精度。

Description

一种人脸识别系统及识别方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种人脸识别系统及识别方法。
背景技术
目前，最接近的现有技术：
传统的人脸识别方法以灰度人脸识别为基础，以欧式距离对比分类识别人脸，由于牺牲了原图像的空间结构与空间颜色信息，使得人脸图像的识别率不高。人脸肤色在RGB颜色空间受光照的影响较大，且分布在同一范围空间不易区分。主成分分析(PCA)、线性判别分析(LDA)等基于灰度图像的降维方法需要将单个图像二维矩阵展开成一维的向量，不仅计算量大，还会丢失原图像的空间结构信息，影响识别最终的精度。
随着信息认证技术的不断发展，信息的准确性、快速性、安全性认证在社会中越来越重要。
目前，人脸识别是基于人的脸部特征信息进行身份识别的一种重要的信息认证技术。通过输入人脸图像，计算其特征面部信息，对比已知的人脸的图像而识别出人脸。几何特征匹配的人脸识别算法是一种常用的人脸面部特征信息提取的方法，利用五官的形状之间几何关系进行识别。
综上所述，现有技术存在的问题是：
(1)现有的几何特征的人脸识别算法识别率较低。人的脸部特征信息在不同的大小的图片里，所展示的几何特征会产生不同的变化。导致人脸图片不能正确的匹配，影响最终的人脸识别效果。
(2)传统的灰度颜色使得颜色在空间上损失较大，不利于三维彩色图片特征向量的提取。
(3)传统的降维算法以主成分分析(PCA)、线性判别分析(LDA)等二维降维算法为主，不足以很好的表达三维图像的空间结构。
解决上述技术问题的难度：
如何在保持三维空间的结构信息要素的同时也保持三维空间的颜色信息的分离性，同时提升人脸识别在小数据上的准确性和快速性。
解决上述技术问题的意义：
解决三维彩色图片在空间结构上的完整性和三维颜色空间上分离性，能够有效做到彩色图片之间空间结构之间的高内聚，空间颜色之间的低耦合。通过这种高内聚低耦合的人脸识别算法，能够有效提升人脸识别的精度。
发明内容
针对现有技术存在的问题，本发明提供了一种人脸识别系统及识别方法。
本发明是这样实现的，一种人脸识别方法，所述人脸识别方法包括：
通过摄像头采集至少三张不同状态下注册的彩色人脸图像；
将所有采集到的所有注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签；
通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库进行存储；
当摄像头采集到待测人脸时，截取一帧RGB彩色图像并归一化大小；转化为HSV图像，并通过X求取一维特征向量；通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签；
识别待测人脸。
进一步，所述人脸识别方法进一步包括：
第一步，将摄像头采集到的所有彩色人脸图像提取RGB颜色并归一化图像的宽w和高h进行保存；
第二步，将所有已知的人脸图像提取RGB颜色并归一化图像的宽和高进行保存；
第三步，将第一步中所有保存后RGB彩色人脸图像{A1,A2,…Ai},图像矩阵大小为w*h*3；将第二步中已知的所有彩色人脸图像转化成为HSV彩色人脸图像{B1,B2,…,Bj}，图像矩阵大小为(w，h，3)三维矩阵；
第四步，通过矩阵相加求取平均值，求取所有已知的所有HSV彩色人脸图像平均值
第五步，求取所有已知HSV彩色人脸与平均值的差值，其中差值矩阵大小为(w，h，3)的三维矩阵；
第六步，将第五步中所有的差值矩阵展成(w*h，3)的二维矩阵，记为{C1,C2,…,Cj}；
第七步，取第六步中的一个差值矩阵Ck,k∈(1,j)按照0到h之间，依次提取[0,0+h,0+2h,…,0+(w-1)*h]，[1,1+h,1+2*h,…,1+(w-1)*h]，……，[h,2*h,3*h,…,w*h]组成一维行向量，并依次记为(0,1,2,……,h)；
第八步，将第七步中所有的行向量通过转置变为列向量，并也依次记(0,1,2,……,h)；
第九步，创建一个(h,h)大小的空白二维矩阵mat，将第七步中记号为m,m∈(0,h)的行向量与第八步中记号为n,n∈(0,h)的列向量进行点乘，得到一个数。将这个数填充至mat矩阵的(m,n)位置；
第十步，依照第九步的计算，将第七步中的所有行向量与第八步中的列向量相互点乘并填充至mat,将mat填满；
第十一步，通过第七步、第八步、第九步、第十步依次计算第六步中所有的差值矩阵mat，记为Mk,k∈(1,j)；并求Mk的平均值
第十二步，求的特征值和特征矩阵，将特征值由大到小进行排序，得到排序后的索引值。将特征矩阵的列向量按照索引值求取前t(t≤h)个列向量对应的特征矩阵X，X为二维矩阵大小为(h,t)；
第十三步，将第三步中的Ai分别拆分为H,S,V三个大小一样的二维矩阵矩阵大小为(w,h)；将分别与12中的X进行点乘，得到三个大小相同的矩阵(w,t),将所述三个相同大小的矩阵展成一维向量并拼接在一起合成大小为(1,w*t*3)的向量；
第十四步，将第三步中所有的HSV图像按照第十三步所述的方法进行处理，得到所有的图像对应的一维向量{A′1,A′2,…,A′i}和{B′1,B′2,…,B′j}；
第十五步，计算摄像头采集到的未知人脸对应的一维向量A′p,A′p∈{A′1,A′2,…,A′i},p∈(1,i)与{B′1,B′2,…,B′j}中所有已知彩色人脸的一维向量的欧氏距离，与B′q,B′q∈{B′1,B′2,…,B′j},q∈(1,j)最近者，则p属于q,依此判定摄像头中采集到的所有人脸；
第十六步，最终识别出所有采集到的所有人脸。
本发明的另一目的在于提供一种实施所述人脸识别方法的人脸识别系统，所述人脸识别系统包括：
摄像头，用于采集至少三张不同状态下注册的彩色人脸图像；
人脸图像转换模块，将所有采集到的所有注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签；
数据库，通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库进行存储；
待测人脸所属标签判定模块，当摄像头采集到待测人脸时，截取一帧RGB彩色图像并归一化大小；转化为HSV图像，并通过X求取一维特征向量；通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签；
待测人脸识别模块，用于识别待测人脸。
本发明的另一目的在于提供一种实现所述人脸识别方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的人脸识别方法。
综上所述，本发明的优点及积极效果为：
本发明通过将传统的RGB图像转化为HSV图像，增强了图像的是视觉效果，更有利于人的视觉感官。
本发明的人脸特征提取采用三维的彩色降维算法处理，保持了三维彩色人脸图像的空间结构信息和空间颜色信息，同时也节省高维矩阵的计算时间。
本发明通过将HSV图像与三维彩色图像进行降维处理，相比传统的灰度图像和RGB图像提升了人脸识别的精度。
附图说明
图1是本发明实施例提供的人脸识别方法流程图。
图2是本发明实施例提供的人脸识别系统图。
图中：1、摄像头；2、人脸图像转换模块；3、数据库；4、待测人脸所属标签判定模块；5、待测人脸识别模块。
图3是本发明实施例提供的本发明人脸识别方法(HSV+C2DPCA方法)与传统的RGB图像(RGB+C2DPCA)与灰度(gray+2DPCA)图像在彩色人脸实验数据集对比分析图，其中测试集与训练集的比例3:12。
图4是本发明实施例提供的本发明人脸识别方法(HSV+C2DPCA方法)与传统的RGB图像(RGB+C2DPCA)与灰度(gray+2DPCA)图像在彩色人脸实验数据集对比分析图，其中测试集与训练集的比例5:10。
图5是本发明实施例提供的本发明人脸识别方法(HSV+C2DPCA方法)与传统的RGB图像(RGB+C2DPCA)与灰度(gray+2DPCA)图像在彩色人脸实验数据集对比分析图，其中测试集与训练集的比例7:8。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，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。
现有的几何特征的人脸识别算法识别率较低。人的脸部特征信息在不同的大小的图片里，所展示的几何特征会产生不同的变化。
为解决上述问题，下面结合具体方案对本发明作详细描述。
如图1所示，本发明实施例提供的人脸识别方法包括：
S101，通过摄像头采集所有需要注册的彩色(RGB)人脸，需要采集至少三张不同状态下的注册人脸图像。
S102，将所有采集到的所有的注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得其一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签。
S103，通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库存储起来。
S104，当摄像头采集到待测人脸时，截取一帧RGB彩色图像并归一化大小。将其转化为HSV图像，并通过X求取一维特征向量。通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签。
S105，识别待测人脸。
如图2所示，本发明提供一种人脸识别系统包括：
摄像头1，用于采集至少三张不同状态下注册的彩色人脸图像；
人脸图像转换模块2，将所有采集到的所有注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签；
数据库3，通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库进行存储；
待测人脸所属标签判定模块4，当摄像头采集到待测人脸时，截取一帧RGB彩色图像并归一化大小；转化为HSV图像，并通过X求取一维特征向量；通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签；
待测人脸识别模块5，用于识别待测人脸。
下面结合具体实施例对本发明作进一步描述。
实施例
本发明实施例提供的人脸识别方法包括：
第一步，将摄像头采集到的所有彩色人脸图像提取RGB颜色并归一化图像的宽w和高h进行保存。
第二步，将所有已知的人脸图像提取RGB颜色并归一化图像的宽和高进行保存。
第三步，将第一步中所有保存后RGB彩色人脸图像{A1,A2,…Ai},图像矩阵大小为w*h*3。将第二步中已知的所有彩色人脸图像转化成为HSV彩色人脸图像{B1,B2,…,Bj}，图像矩阵大小为(w，h，3)三维矩阵。
第四步，通过矩阵相加求取平均值，求取所有已知的所有HSV彩色人脸图像平均值
第五步，求取所有已知HSV彩色人脸与平均值的差值，其中差值矩阵大小为(w，h，3)的三维矩阵。
第六步，将第五步中所有的差值矩阵展成(w*h，3)的二维矩阵，记为{C1,C2,…,Cj}。
第七步，取第六步中的一个差值矩阵Ck,k∈(1,j)按照0到h之间，依次提取[0,0+h,0+2h,…,0+(w-1)*h]，[1,1+h,1+2*h,…,1+(w-1)*h]，……，[h,2*h,3*h,…,w*h]组成一维行向量，并依次记为(0,1,2,……,h)。
第八步，将第七步中所有的行向量通过转置变为列向量，并也依次记(0,1,2,……,h)。
第九步，创建一个(h,h)大小的空白二维矩阵mat，将第七步中记号为m,m∈(0,h)的行向量与第八步中记号为n,n∈(0,h)的列向量进行点乘，得到一个数。将这个数填充至mat矩阵的(m,n)位置。
第十步，依照第九步的计算，将第七步中的所有行向量与第八步中的列向量相互点乘并填充至mat,将mat填满。
第十一步，通过第七步、第八步、第九步、第十步依次计算第六步中所有的差值矩阵mat，记为Mk,k∈(1,j)。并求Mk的平均值
第十二步，求的特征值和特征矩阵，将特征值由大到小进行排序，得到排序后的索引值。将特征矩阵的列向量按照索引值求取前t(t≤h)个列向量对应的特征矩阵X，X为二维矩阵大小为(h,t)。
第十三步，将第三步中的Ai分别拆分为H,S,V三个大小一样的二维矩阵矩阵大小为(w,h)。将分别与12中的X进行点乘，得到三个大小相同的矩阵(w,t),将这三个相同大小的矩阵展成一维向量并拼接在一起合成大小为(1,w*t*3)的向量。
第十四步，将第三步中所有的HSV图像按照第十三步所述的方法进行处理，得到所有的图像对应的一维向量{A′1,A′2,…,A′i}和{B′1,B′2,…,B′j}。
第十五步，计算摄像头采集到的未知人脸对应的一维向量A′p,A′p∈{A′1,A′2,…,A′i},p∈(1,i)与{B′1,B′2,…,B′j}中所有已知彩色人脸的一维向量的欧氏距离，与B′q,B′q∈{B′1,B′2,…,B′j},q∈(1,j)最近者，则p属于q,依此判定摄像头中采集到的所有人脸。
第十六步，最终识别出所有采集到的所有人脸。
下面结合具体实验对本发明作进一步描述。
图3是本发明实施例提供的本发明人脸识别方法(HSV+C2DPCA方法)与传统的RGB图像(RGB+C2DPCA)与灰度(gray+2DPCA)图像在彩色人脸实验数据集对比分析，其中测试集与训练集的比例3:12。
图4是本发明实施例提供的本发明人脸识别方法(HSV+C2DPCA方法)与传统的RGB图像(RGB+C2DPCA)与灰度(gray+2DPCA)图像在彩色人脸实验数据集对比分析，其中测试集与训练集的比例5:10。
图5是本发明实施例提供的本发明人脸识别方法(HSV+C2DPCA方法)与传统的RGB图像(RGB+C2DPCA)与灰度(gray+2DPCA)图像在彩色人脸实验数据集对比分析，其中测试集与训练集的比例7:8。
通过三组实验数据对比分析可知，相较于传统的RGB图像与灰度(gray)图像，HSV图像的三维彩色图像降维算法能够有效提升人脸识别精度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种人脸识别方法，其特征在于，所述人脸识别方法包括：
通过摄像头采集至少三张不同状态下注册的彩色人脸图像；
将所有采集到的所有注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签；
通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库进行存储；
摄像头采集到待测人脸时，截取一帧RGB彩色图像并归一化大小；转化为HSV图像，并通过X求取一维特征向量；通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签；
识别待测人脸。
2.如权利要求1所述的人脸识别方法，其特征在于，所述人脸识别方法进一步包括：
第一步，将摄像头采集到的所有彩色人脸图像提取RGB颜色并归一化图像的宽w和高h进行保存；
第二步，将所有已知的人脸图像提取RGB颜色并归一化图像的宽和高进行保存；
第三步，将第一步中所有保存后RGB彩色人脸图像{A1,A2,…Ai},图像矩阵大小为w*h*3；将第二步中已知的所有彩色人脸图像转化成为HSV彩色人脸图像{B1,B2,…,Bj}，图像矩阵大小为(w，h，3)三维矩阵；
第四步，通过矩阵相加求取平均值，求取所有已知的所有HSV彩色人脸图像平均值
第五步，求取所有已知HSV彩色人脸与平均值的差值，其中差值矩阵大小为(w，h，3)的三维矩阵；
第六步，将第五步中所有的差值矩阵展成(w*h，3)的二维矩阵，记为{C1,C2,…,Cj}；
第七步，取第六步中的一个差值矩阵Ck,k∈(1,j)按照0到h之间，依次提取[0,0+h,0+2h,…,0+(w-1)*h]，[1,1+h,1+2*h,…,1+(w-1)*h]，……，[h,2*h,3*h,…,w*h]组成一维行向量，并依次记为(0,1,2,……,h)；
第八步，将第七步中所有的行向量通过转置变为列向量，并也依次记(0,1,2,……,h)；
第九步，创建一个(h,h)大小的空白二维矩阵mat，将第七步中记号为m,m∈(0,h)的行向量与第八步中记号为n,n∈(0,h)的列向量进行点乘，得到一个数。将这个数填充至mat矩阵的(m,n)位置；
第十步，依照第九步的计算，将第七步中的所有行向量与第八步中的列向量相互点乘并填充至mat,将mat填满；
第十一步，通过第七步、第八步、第九步、第十步依次计算第六步中所有的差值矩阵mat，记为Mk,k∈(1,j)；并求Mk的平均值
第十二步，求的特征值和特征矩阵，将特征值由大到小进行排序，得到排序后的索引值。将特征矩阵的列向量按照索引值求取前t(t≤h)个列向量对应的特征矩阵X，X为二维矩阵大小为(h,t)；
第十三步，将第三步中的Ai分别拆分为H,S,V三个大小一样的二维矩阵矩阵大小为(w,h)；将分别与12中的X进行点乘，得到三个大小相同的矩阵(w,t),将所述三个相同大小的矩阵展成一维向量并拼接在一起合成大小为(1,w*t*3)的向量；
第十四步，将第三步中所有的HSV图像按照第十三步所述的方法进行处理，得到所有的图像对应的一维向量{A′1,A′2,…,A′i}和{B′1,B′2,…,B′j}；
第十五步，计算摄像头采集到的未知人脸对应的一维向量A′p,A′p∈{A′1,A′2,…,A′i},p∈(1,i)与{B′1,B′2,…,B′j}中所有已知彩色人脸的一维向量的欧氏距离，与B′q,B′q∈{B′1,B′2,…,B′j},q∈(1,j)最近者，则p属于q,依此判定摄像头中采集到的所有人脸；
第十六步，最终识别出所有采集到的所有人脸。
3.一种实施权利要求1所述人脸识别方法的人脸识别系统，其特征在于，所述人脸识别系统包括：
摄像头，用于采集至少三张不同状态下注册的彩色人脸图像；
人脸图像转换模块，将所有采集到的所有注册人脸图像转换为HSV彩色人脸图像，通过降维算法求得一维的特征向量，并贴好一维特征向量对应人脸图像名字的标签；
数据库，通过降维算法求得的X，与已知人脸的一维向量和标签通过数据库进行存储；
待测人脸所属标签判定模块，当摄像头采集到待测人脸时，截取一帧RGB彩色图像并归一化大小；转化为HSV图像，并通过X求取一维特征向量；通过对比数据库中存储的一维向量的距离，判定待测人脸所属的标签；
待测人脸识别模块，用于识别待测人脸。
4.一种实现权利要求1～2任意一项所述人脸识别方法的信息数据处理终端。
5.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-2任意一项所述的人脸识别方法。
CN201910440046.8A 2019-05-24 2019-05-24 一种人脸识别系统及识别方法 Active CN110276263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910440046.8A CN110276263B (zh) 2019-05-24 2019-05-24 一种人脸识别系统及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910440046.8A CN110276263B (zh) 2019-05-24 2019-05-24 一种人脸识别系统及识别方法

Publications (2)

Publication Number Publication Date
CN110276263A true CN110276263A (zh) 2019-09-24
CN110276263B CN110276263B (zh) 2021-05-14

Family

ID=67960122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910440046.8A Active CN110276263B (zh) 2019-05-24 2019-05-24 一种人脸识别系统及识别方法

Country Status (1)

Country Link
CN (1) CN110276263B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465999A (zh) * 2020-12-29 2021-03-09 天津科技大学 基于人脸与指静脉融合识别的考勤设备及考勤系统
CN113344004A (zh) * 2021-03-26 2021-09-03 慧影医疗科技（北京）有限公司 图像特征生成方法、图像识别方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130294642A1 (en) * 2012-05-01 2013-11-07 Hulu Llc Augmenting video with facial recognition
CN103839042A (zh) * 2012-11-27 2014-06-04 腾讯科技（深圳）有限公司 人脸识别方法和人脸识别系统
CN104156698A (zh) * 2014-07-25 2014-11-19 清华大学 人脸识别方法和装置
CN104318219A (zh) * 2014-10-31 2015-01-28 上海交通大学 基于局部特征及全局特征结合的人脸识别方法
CN105243380A (zh) * 2015-11-18 2016-01-13 哈尔滨工业大学 基于选择性中值滤波和pca结合的单人脸图像识别方法
CN106204779A (zh) * 2016-06-30 2016-12-07 陕西师范大学 基于多人脸数据采集策略和深度学习的课堂考勤方法
CN107679525A (zh) * 2017-11-01 2018-02-09 腾讯科技（深圳）有限公司 图像分类方法、装置及计算机可读存储介质
CN108280426A (zh) * 2018-01-23 2018-07-13 深圳极视角科技有限公司 基于迁移学习的暗光源表情识别方法及装置
CN109344681A (zh) * 2018-08-02 2019-02-15 长江大学 一种基于人脸识别的地质目标识别方法
US20190108551A1 (en) * 2017-10-09 2019-04-11 Hampen Technology Corporation Limited Method and apparatus for customer identification and tracking system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130294642A1 (en) * 2012-05-01 2013-11-07 Hulu Llc Augmenting video with facial recognition
CN103839042A (zh) * 2012-11-27 2014-06-04 腾讯科技（深圳）有限公司 人脸识别方法和人脸识别系统
CN104156698A (zh) * 2014-07-25 2014-11-19 清华大学 人脸识别方法和装置
CN104318219A (zh) * 2014-10-31 2015-01-28 上海交通大学 基于局部特征及全局特征结合的人脸识别方法
CN105243380A (zh) * 2015-11-18 2016-01-13 哈尔滨工业大学 基于选择性中值滤波和pca结合的单人脸图像识别方法
CN106204779A (zh) * 2016-06-30 2016-12-07 陕西师范大学 基于多人脸数据采集策略和深度学习的课堂考勤方法
US20190108551A1 (en) * 2017-10-09 2019-04-11 Hampen Technology Corporation Limited Method and apparatus for customer identification and tracking system
CN107679525A (zh) * 2017-11-01 2018-02-09 腾讯科技（深圳）有限公司 图像分类方法、装置及计算机可读存储介质
CN108280426A (zh) * 2018-01-23 2018-07-13 深圳极视角科技有限公司 基于迁移学习的暗光源表情识别方法及装置
CN109344681A (zh) * 2018-08-02 2019-02-15 长江大学 一种基于人脸识别的地质目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUKHVINDER SINGH 等: "Accurate Face Recognition Using PCA and LDA", 《INTERNATIONAL CONFERENCE ON EMERGING TRENDS IN COMPUTER AND IMAGE PROCESSING (ICETCIP"2011)》 *
沈萍: "基于PCA及机器学习的人脸识别应用研究", 《计算机教育》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465999A (zh) * 2020-12-29 2021-03-09 天津科技大学 基于人脸与指静脉融合识别的考勤设备及考勤系统
CN113344004A (zh) * 2021-03-26 2021-09-03 慧影医疗科技（北京）有限公司 图像特征生成方法、图像识别方法和装置

Also Published As

Publication number Publication date
CN110276263B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN106250870B (zh) 一种联合局部和全局相似性度量学习的行人再识别方法
CN104933414B (zh) 一种基于wld-top的活体人脸检测方法
CN103886301B (zh) 一种人脸活体检测方法
CN104732200B (zh) 一种皮肤类型和皮肤问题的识别方法
CN103839042B (zh) 人脸识别方法和人脸识别系统
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN110287787B (zh) 图像识别方法、装置及计算机可读存储介质
CN114998934B (zh) 基于多模态智能感知和融合的换衣行人重识别和检索方法
Jun et al. Face detection based on LBP
CN108509925A (zh) 一种基于视觉词袋模型的行人重识别方法
CN110276263A (zh) 一种人脸识别系统及识别方法
Gou et al. mom: Mean of moments feature for person re-identification
CN114202775A (zh) 基于红外图像的变电站危险区域行人闯入检测方法及系统
CN109389017B (zh) 行人再识别方法
CN100416592C (zh) 基于数据流形的人脸自动识别方法
CN106022226B (zh) 一种基于多方向多通道条形结构的行人再辨识方法
Zheng et al. Weight-based sparse coding for multi-shot person re-identification
CN113052194A (zh) 一种基于深度学习的服装色彩认知系统及其认知方法
CN114519897B (zh) 基于颜色空间融合及循环神经网络的人脸活体检测方法
RU2542886C1 (ru) Способ формирования штрихкода по изображениям лиц и устройство для его осуществления
CN107766832A (zh) 一种用于现场作业施工管理的人脸识别方法
Shen et al. Pedestrian proposal and refining based on the shared pixel differential feature
Qi et al. HEp-2 cell classification via combining multiresolution co-occurrence texture and large region shape information
CN106228163A (zh) 一种基于特征选择的局部差三进制序列图像特征描述方法
CN107507252B (zh) 超复数矩特征鉴别能量分析方法及系统

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
GR01 Patent grant
GR01 Patent grant