CN110969046A - 人脸识别方法、设备及计算机可读存储介质 - Google Patents
人脸识别方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110969046A CN110969046A CN201811140274.5A CN201811140274A CN110969046A CN 110969046 A CN110969046 A CN 110969046A CN 201811140274 A CN201811140274 A CN 201811140274A CN 110969046 A CN110969046 A CN 110969046A
- Authority
- CN
- China
- Prior art keywords
- image
- face image
- face
- average value
- gray level
- 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
Images
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
- G06V40/168—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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法、设备及计算机可读存储介质,其中该方法包括:获取待识别的图像数据;从图像数据中提取出原始彩色人脸图像;将原始彩色人脸图像转换成第一灰度图像,并获取第一灰度图像的第一灰度平均值;根据第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像,以使目标人脸图像符合预设的识别条件;对目标人脸图像进行人脸识别,能提升人脸识别的准确度。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种人脸识别方法、设备及计算机可读存储介质。
背景技术
随着深度学习在视觉领域的发展,让神经网络能在相对低成本的嵌入式设备上实时运行已经成为迫切的需求,但是神经网络计算量很大,往往运行在图形处理器(GPU,Graphics Processing Unit)上。如果想在没有GPU的终端(如需对人脸进行识别的终端,例如广告机)上实现深度学习,计算量巨大的神经网络模型是无法正常运行的,因为这些终端的计算能力往往只有桌面级GPU的1/1000到1/100。而若想在这些终端上实现深度学习,必须对神经网络模型的复杂度进行精简,但精简后的网络由于复杂度相对较小,因而对于噪声的敏感度较高,以需对人脸进行识别的终端为例,由于终端中的神经网络模型做了精简,造成在人脸识别过程中存在较大的错误率。
发明内容
本发明的主要目的在于提供一种人脸识别方法、设备及计算机可读存储介质,以解决人脸识别过程中存在较大的错误率的问题。
为实现上述目的,本发明提供了一种人脸识别方法,包括:
获取待识别的图像数据;
从图像数据中提取出原始彩色人脸图像;
将原始彩色人脸图像转换成第一灰度图像,并获取第一灰度图像的第一灰度平均值;
根据第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像,以使目标人脸图像符合预设的识别条件;
对目标人脸图像进行人脸识别。
本发明还提供了一种人脸识别设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述的人脸识别方法的步骤。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述的人脸识别方法的步骤。
本发明的上述方案至少包括以下有益效果:
在本发明的实施例中,通过在获取到待识别的图像数据时,从该图像数据中提取出原始彩色人脸图像,并将该原始彩色人脸图像转换成第一灰度图像,获取该第一灰度图像的第一灰度平均值,接着根据该第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,以提高原始彩色人脸图像的视觉质量,得到符合预设的识别条件的目标人脸图像,最终对视觉质量较高的目标人脸图像进行人脸识别,从而有效提升人脸识别的准确度。
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示出的结构获得其他的附图。
图1为本发明一具体实施例中人脸识别方法的流程图;
图2为本发明具体实施例中对原始彩色人脸图像进行第一图像增强预处理的流程图;
图3为本发明具体实施例中对中间人脸图像进行第二图像增强预处理的流程图;
图4为本发明具体实施例中对目标人脸图像进行人脸识别的流程图;
图5为本发明另一具体实例中人脸识别方法的流程图;
图6为本发明具体实施例中人脸识别设备的结构示意图。
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他实施例,都属于本发明保护的范围。
如图1所示,本发明的具体实施例提供了一种人脸识别方法,包括:
步骤11,获取待识别的图像数据。
步骤12,从图像数据中提取出原始彩色人脸图像。
其中,在本发明的具体实施例中,在获取到待识别的图像数据时,可通过人脸检测神经网络检测出图像数据中的人脸区域,提取该人脸区域的图像信息即可得到图像数据中的原始彩色人脸图像。
具体的,在本发明的具体实施例中,上述步骤12的具体实现方式为:首先将图像数据输入人脸检测神经网络,对图像数据进行人脸检测,得到图像数据中的人脸区域;然后从图像数据中提取出人脸区域的图像信息,并将提取出的图像信息作为原始彩色人脸图像。
另外,在本发明的具体实施例中,上述原始彩色人脸图像的格式与获取到的图像数据的格式相同,且该原始彩色人脸图像的格式可以具体为RGB格式、RGBW格式等。
步骤13,将原始彩色人脸图像转换成第一灰度图像,并获取第一灰度图像的第一灰度平均值。
其中,在本发明的具体实施例中,对原始彩色人脸图像进行灰度转换,得到第一灰度图像,并计算第一灰度图像的第一灰度平均值,是为了便于后续根据该第一灰度平均值,对原始彩色人脸图像进行图像增强处理,提高原始彩色人脸图像的视觉质量,以得到视觉质量较高的目标人脸图像,提升人脸识别的准确度。
步骤14,根据第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像,以使目标人脸图像符合预设的识别条件。
其中,在本发明的具体实施例中,上述第一图像增强预处理可包括图像亮度增强、平滑去噪、降低亮度、增强对比度等中的一种或多种,但具体需要根据第一灰度图像的第一灰度平均值,确定具体的预处理方式,以确保能得到符合预设的识别条件的目标人脸图像。其中,目标人脸图像符合预设的识别条件可以理解为目标人脸图像的清晰度达到预设清晰度(该预设清晰度大于原始彩色人脸图像的清晰度),从而确保后续人脸识别过程的准确度。
步骤15,对目标人脸图像进行人脸识别。
其中,在本发明的具体实施例中,由于目标人脸图像相对于从待识别的图像数据中提取出的原始彩色人脸图像而言,清晰度、视觉质量均更高,从而对目标人脸图像进行识别的准确度远高于对原始彩色人脸图像进行识别的准确度。即,通过上述步骤11至步骤15的方式进行人脸识别能大大提高识别准确度。需要说明的是,如果通过步骤12能提取出多个原始彩色人脸图像,那么需要针对每个原始彩色人脸图像执行后续的步骤13至步骤15。
可以理解的是,上述人脸识别可以包括人脸属性识别,如性别、年龄、是否戴眼镜、是否戴帽子等。具体的,上述步骤步骤15,对目标人脸图像进行人脸识别的具体实现方式为:将目标人脸图像输入人脸属性识别神经网络,对目标人脸图像进行人脸属性识别,得到人脸属性结果。
当然,上述人脸识别还可以是其他的识别,如身份识别,即,将目标人脸图像与预存的人员数据库(该人员数据库内存储有每个人员的身份信息和人脸图像)进行比对,确定目标人脸图像对应的身份信息。
下面结合相关附图来介绍本申请实施例中根据第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像的过程。
如图2所示,根据第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像的具体实现方式包括如下步骤:
步骤21,判断第一灰度平均值是否小于第一预设阈值,当第一灰度平均值小于第一预设阈值时,执行步骤22,当第一灰度平均值大于第一预设阈值时,执行步骤23。
其中,上述第一预设阈值可根据实际需要进行设定,可以具体为115。当然可以理解的是,在本发明的具体实施例中,并不限定上述第一预设阈值的具体数值。
步骤22,对原始彩色人脸图像进行图像亮度增强处理,得到中间人脸图像,并对中间人脸图像进行第二图像增强预处理,得到目标人脸图像。
其中,在本发明的具体实施例中,上述图像亮度增强处理是为了得到清晰度更高的中间人脸图像。具体的,可通过基于去雾算法的图像亮度增强算法对原始彩色人脸图像进行图像亮度增强处理,以确保能得到清晰度更高的中间人脸图像。
步骤23,对原始彩色人脸图像进行平滑去噪处理,得到目标人脸图像。
其中,在本发明的具体实施例中,对原始彩色人脸图像进行平滑去噪处理,是为了在有效去除原始彩色人脸图像中的噪声的同时,保留原始彩色人脸图像中人脸的轮廓细节,使人脸的轮廓不会因为去噪而变得模糊,确保能得到视觉质量高的目标人脸图像,以在人脸识别过程中提高识别的准确度。
其中,在本发明的具体实施例中,上述步骤22中,对中间人脸图像进行第二图像增强预处理,得到目标人脸图像的具体实现方式包括如下步骤:首先对中间人脸图像进行灰度转换,得到第二灰度图像,并获取第二灰度图像的第二灰度平均值;然后根据第二灰度平均值,对中间人脸图像进行第二图像增强预处理,得到目标人脸图像。
其中,在本发明的具体实施例中,上述第二图像增强预处理可包括平滑去噪、降低亮度、增强对比度等中的一种或多种,但具体需要根据第二灰度图像的第二灰度平均值,确定具体的预处理方式,以确保能得到符合预设的识别条件的目标人脸图像。
具体的,如图3所示,上述根据第二灰度平均值,对中间人脸图像进行第二图像增强预处理,得到目标人脸图像的具体实现方式包括如下步骤:
步骤31,判断第二灰度平均值是否大于第二预设阈值,当第二灰度平均值大于第二预设阈值时,执行步骤32,当第二灰度平均值小于第二预设阈值时,执行步骤33。
其中,上述第二预设阈值可根据实际需要进行设定,可以具体为100。当然可以理解的是,在本发明的具体实施例中,并不限定上述第二预设阈值的具体数值。
步骤32,对中间人脸图像进行平滑去噪处理,并对平滑去噪处理后的中间人脸图像进行亮度降低、对比度增强处理,得到目标人脸图像。
其中,在本发明的具体实施例中,对中间人脸图像进行平滑去噪处理,是为了在有效去除中间人脸图像中的噪声的同时,保留中间人脸图像中人脸的轮廓细节,使人脸的轮廓不会因为去噪而变得模糊。但由于此时第二灰度图像的第二灰度平均值大于第二预设阈值,说明中间人脸图像的清晰程度还较低,因此在平滑去噪处理后,还需进行亮度降低、对比度增强处理,以在防止过度饱和的情况下,得到视觉质量高的目标人脸图像。
步骤33,对中间人脸图像进行平滑去噪处理,得到目标人脸图像。
其中,在本发明的具体实施例中,由于此时第二灰度图像的第二灰度平均值小于第二预设阈值,说明中间人脸图像的清晰程度够高,在对中间人脸图像进行平滑去噪处理后,便能得到视觉质量高的目标人脸图像。
需要说明的是,在本发明的具体实施例中,上文所提及的平滑去噪处理均可采用能够保边去噪的算法beeps实现,以确保能在有效去除人脸中的噪声的同时,保留人脸的轮廓细节,确保人脸识别的准确度。
另外,在本发明的具体实施例中,若获取待识别的图像数据的设备为广角镜头,那么在得到步骤14的目标人脸图像后,还需要对目标人脸图像进行校正。相应的,如图4所示,上述步骤15,对目标人脸图像进行人脸识别的具体实现方式包括如下步骤:
步骤41,获取用于获取图像数据的广角镜头的畸变校正坐标查找表。
其中,在本发明的具体实施例中,可通过对广角镜头进行标定,得到广角镜头的内部参数矩阵和畸变参数矩阵,并根据内部参数矩阵和畸变参数矩阵,获得广角镜头的畸变校正坐标查找表。具体的,可通过选用12*9方格,单个方格物理尺寸为20mm棋盘格作为标定板进行标定,标定后内部参数矩阵可以为3*3的矩阵,畸变参数矩阵可以为1*8的矩阵。且需要说明的是,在根据内部参数矩阵和畸变参数矩阵,获得广角镜头的畸变校正坐标查找表时,可采用现有技术中的任一种实现,因此,在此不对畸变校正坐标查找表的获得过程进行过多赘述。
步骤42,获取人脸区域在图像数据中的坐标值。
步骤43,根据坐标值和畸变校正坐标查找表,对目标人脸图像进行校正。
其中,在本发明的具体实施例中,在根据坐标值和畸变校正坐标查找表,对目标人脸图像进行校正时,可采用现有技术中的任一种实现,因此,在此不对校正过程进行过多赘述。
步骤44,对校正后的目标人脸图像进行人脸识别。
其中,在本发明的具体实施例中,对校正后的目标人脸图像进行人脸识别也可以包括身份识别,即,将校正后的目标人脸图像与预存的人员数据库(该人员数据库内存储有每个人员的身份信息和人脸图像)进行比对,确定校正后的目标人脸图像对应的身份信息。
当然,对校正后的目标人脸图像进行人脸识别还可以包括人脸属性识别,如性别、年龄、是否戴眼镜、是否戴帽子等。即,具体也可将校正后的目标人脸图像输入人脸属性识别神经网络,对校正后的目标人脸图像进行人脸属性识别,得到人脸属性结果。
在此以性别识别为例,说明通过上述人脸识别方法进行人脸识别能大大提高识别准确度。具体的,在该实例中,参加人脸属性识别的男性有1898位,女性有803位。其中,分别使用第一种识别方式和第二种识别方式对参加人脸属性识别的人员进行识别(其中第一种识别方式是不对待识别的图像数据中的人脸图像进行图像增强预处理,直接对待识别的图像数据中的人脸图像进行识别的方式;第二种识别方式是采用本发明具体实施中的上述人脸识别方法对待识别的图像数据中的人脸图像进行识别的方式),具体的识别结果如下表1所示。
表1
由此可见,在本发明的具体实施例中,通过在获取到待识别的图像数据时,从该图像数据中提取出原始彩色人脸图像,并将该原始彩色人脸图像转换成第一灰度图像,获取该第一灰度图像的第一灰度平均值,接着根据该第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,以提高原始彩色人脸图像的视觉质量,得到符合预设的识别条件的目标人脸图像,最终对视觉质量较高的目标人脸图像进行人脸识别,从而有效提升人脸识别的准确度。
其中,在本发明的具体实施例中,为便于理解上述人脸识别方法,在此以广告机对站在镜头前的人进行人脸属性识别为例阐述上述人脸识别方法。具体的,如图5所示,在该实例中人脸识别方法包括如下步骤:
步骤51,获取镜头前的人的图像数据,从该图像数据中提取出原始彩色人脸图像,并将该原始彩色人脸图像转换成第一灰度图像,获取第一灰度图像的第一灰度平均值;
步骤52,判断第一灰度平均值是否小于第一预设阈值,当第一灰度平均值小于第一预设阈值时,执行步骤53,当第一灰度平均值大于第一预设阈值时,执行步骤57;
步骤53,对原始彩色人脸图像进行图像亮度增强处理,得到中间人脸图像,并对中间人脸图像进行灰度转换,得到第二灰度图像,获取第二灰度图像的第二灰度平均值;
步骤54,判断第二灰度平均值是否大于第二预设阈值,当第二灰度平均值大于第二预设阈值时,执行步骤55,当第二灰度平均值小于第二预设阈值时,执行步骤56;
步骤55,对中间人脸图像进行平滑去噪处理,并对平滑去噪处理后的中间人脸图像进行亮度降低、对比度增强处理,得到目标人脸图像;
步骤56,对中间人脸图像进行平滑去噪处理,得到目标人脸图像;
步骤57,对原始彩色人脸图像进行平滑去噪处理,得到目标人脸图像;
步骤58,对目标人脸图像进行人脸属性识别。
另外,如图6所示,本发明的具体实施例还提供了一种人脸识别设备,该人脸识别设备6包括存储器61、处理器62以及存储在存储器61中并可在处理器62上运行的计算机程序63,该处理器62执行计算机程序63时实现上述的人脸识别方法的步骤。
具体的,处理器62执行计算机程序63时实现如下步骤:获取待识别的图像数据;从图像数据中提取出原始彩色人脸图像;将原始彩色人脸图像转换成第一灰度图像,并获取第一灰度图像的第一灰度平均值;根据第一灰度平均值,对原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像,以使目标人脸图像符合预设的识别条件;对目标人脸图像进行人脸识别。
可选的,处理器62执行计算机程序63时还实现如下步骤:判断第一灰度平均值是否小于第一预设阈值;当第一灰度平均值小于第一预设阈值时,对原始彩色人脸图像进行图像亮度增强处理,得到中间人脸图像,并对中间人脸图像进行第二图像增强预处理,得到目标人脸图像;当第一灰度平均值大于第一预设阈值时,对原始彩色人脸图像进行平滑去噪处理,得到目标人脸图像。
可选的,处理器62执行计算机程序63时还实现如下步骤:对中间人脸图像进行灰度转换,得到第二灰度图像,并获取第二灰度图像的第二灰度平均值;根据第二灰度平均值,对中间人脸图像进行第二图像增强预处理,得到目标人脸图像。
可选的,处理器62执行计算机程序63时还实现如下步骤:判断第二灰度平均值是否大于第二预设阈值;当第二灰度平均值大于第二预设阈值时,对中间人脸图像进行平滑去噪处理,并对平滑去噪处理后的中间人脸图像进行亮度降低、对比度增强处理,得到目标人脸图像;当第二灰度平均值小于第二预设阈值时,对中间人脸图像进行平滑去噪处理,得到目标人脸图像。
可选的,处理器62执行计算机程序63时还实现如下步骤:将目标人脸图像输入人脸属性识别神经网络,对目标人脸图像进行人脸属性识别,得到人脸属性结果。
可选的,处理器62执行计算机程序63时还实现如下步骤:将图像数据输入人脸检测神经网络,对图像数据进行人脸检测,得到图像数据中的人脸区域;从图像数据中提取出人脸区域的图像信息,并将提取出的图像信息作为原始彩色人脸图像。
可选的,处理器62执行计算机程序63时还实现如下步骤:获取用于获取图像数据的广角镜头的畸变校正坐标查找表;获取人脸区域在图像数据中的坐标值;根据坐标值和畸变校正坐标查找表,对目标人脸图像进行校正;对校正后的目标人脸图像进行人脸识别。
可选的,处理器62执行计算机程序63时还实现如下步骤:对广角镜头进行标定,得到广角镜头的内部参数矩阵和畸变参数矩阵;根据内部参数矩阵和畸变参数矩阵,获得广角镜头的畸变校正坐标查找表。
即,人脸识别设备6的处理器62执行计算机程序63时实现上述的人脸识别方法的步骤,能提升人脸识别的准确度。
示例性的,上述计算机程序63可以被分割成一个或多个模块/单元,该一个或者多个模块/单元被存储在存储器61中,并由处理器62执行,以完成本发明。且该一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序63在人脸识别设备6中的执行过程。
上述人脸识别设备6可以是桌上型计算机、笔记本、广告机、掌上电脑及云端服务器等计算设备。该人脸识别设备6可包括,但不仅限于处理器62、存储器61。本领域技术人员可以理解,所述示意图仅仅是人脸识别设备6的示例,并不构成对人脸识别设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如人脸识别设备6还可以包括输入输出设备、网络接入设备、总线等。
上述处理器62可以是中央处理单元(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(DSP,Digital Signal Processor)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现成可编程门阵列(FPGA,Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器62是人脸识别设备6的控制中心,利用各种接口和线路连接整个人脸识别设备6的各个部分。
上述存储器61可用于存储计算机程序63和/或模块,处理器62通过运行或执行存储在存储器61内的计算机程序63和/或模块,以及调用存储在存储器61内的数据,实现人脸识别设备6的各种功能。具体的,存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SMC,Smart Media Card),安全数字(SD,Secure Digital)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,由于人脸识别设备6的处理器62执行计算机程序63时实现上述的人脸识别方法的步骤,因此上述人脸识别方法的所有实施例均适用于该人脸识别设备6,且均能达到相同或相似的有益效果。
此外,本发明的具体实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述的人脸识别方法的步骤。
即,在本发明的具体实施例中,计算机可读存储介质的计算机程序被处理器执行时实现上述的人脸识别方法的步骤,能提升人脸识别的准确度。
示例性的,计算机可读存储介质的计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,由于计算机可读存储介质的计算机程序被处理器执行时实现上述的人脸识别方法的步骤,因此上述人脸识别方法的所有实施例均适用于该计算机可读存储介质,且均能达到相同或相似的有益效果。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取待识别的图像数据;
从所述图像数据中提取出原始彩色人脸图像;
将所述原始彩色人脸图像转换成第一灰度图像,并获取所述第一灰度图像的第一灰度平均值;
根据所述第一灰度平均值,对所述原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像,以使所述目标人脸图像符合预设的识别条件;
对所述目标人脸图像进行人脸识别。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一灰度平均值,对所述原始彩色人脸图像进行第一图像增强预处理,得到目标人脸图像的步骤,包括:
判断所述第一灰度平均值是否小于第一预设阈值;
当所述第一灰度平均值小于所述第一预设阈值时,对所述原始彩色人脸图像进行图像亮度增强处理,得到中间人脸图像,并对所述中间人脸图像进行第二图像增强预处理,得到所述目标人脸图像;
当所述第一灰度平均值大于所述第一预设阈值时,对所述原始彩色人脸图像进行平滑去噪处理,得到所述目标人脸图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述中间人脸图像进行第二图像增强预处理,得到所述目标人脸图像的步骤,包括:
对所述中间人脸图像进行灰度转换,得到第二灰度图像,并获取所述第二灰度图像的第二灰度平均值;
根据所述第二灰度平均值,对所述中间人脸图像进行所述第二图像增强预处理,得到所述目标人脸图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二灰度平均值,对所述中间人脸图像进行所述第二图像增强预处理,得到所述目标人脸图像的步骤,包括:
判断所述第二灰度平均值是否大于第二预设阈值;
当所述第二灰度平均值大于所述第二预设阈值时,对所述中间人脸图像进行平滑去噪处理,并对平滑去噪处理后的中间人脸图像进行亮度降低、对比度增强处理,得到所述目标人脸图像;
当所述第二灰度平均值小于所述第二预设阈值时,对所述中间人脸图像进行平滑去噪处理,得到所述目标人脸图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述目标人脸图像进行人脸识别的步骤,包括:
将所述目标人脸图像输入人脸属性识别神经网络,对所述目标人脸图像进行人脸属性识别,得到人脸属性结果。
6.根据权利要求1所述的方法,其特征在于,所述从所述图像数据中提取出原始彩色人脸图像的步骤,包括:
将所述图像数据输入人脸检测神经网络,对所述图像数据进行人脸检测,得到所述图像数据中的人脸区域;
从所述图像数据中提取出所述人脸区域的图像信息,并将提取出的图像信息作为原始彩色人脸图像。
7.根据权利要求6所述的方法,其特征在于,所述对所述目标人脸图像进行人脸识别的步骤,包括:
获取用于获取所述图像数据的广角镜头的畸变校正坐标查找表;
获取所述人脸区域在所述图像数据中的坐标值;
根据所述坐标值和所述畸变校正坐标查找表,对所述目标人脸图像进行校正;
对校正后的目标人脸图像进行人脸识别。
8.根据权利要求7所述的方法,其特征在于,所述获取用于获取所述图像数据的广角镜头的畸变校正坐标查找表的步骤,包括:
对广角镜头进行标定,得到所述广角镜头的内部参数矩阵和畸变参数矩阵;
根据所述内部参数矩阵和所述畸变参数矩阵,获得广角镜头的畸变校正坐标查找表。
9.一种人脸识别设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至8任一项所述的人脸识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140274.5A CN110969046B (zh) | 2018-09-28 | 2018-09-28 | 人脸识别方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140274.5A CN110969046B (zh) | 2018-09-28 | 2018-09-28 | 人脸识别方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969046A true CN110969046A (zh) | 2020-04-07 |
CN110969046B CN110969046B (zh) | 2023-04-07 |
Family
ID=70027824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811140274.5A Active CN110969046B (zh) | 2018-09-28 | 2018-09-28 | 人脸识别方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969046B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666869A (zh) * | 2020-06-03 | 2020-09-15 | 深圳万橙物联科技有限公司 | 一种基于宽动态处理的人脸识别方法、装置及电子设备 |
CN111866145A (zh) * | 2020-07-22 | 2020-10-30 | 北京奥康达体育产业股份有限公司 | 一种健身设备智慧巡检维修运维系统 |
CN111898408A (zh) * | 2020-06-09 | 2020-11-06 | 广州杰赛科技股份有限公司 | 一种快速人脸识别方法及装置 |
CN111914632A (zh) * | 2020-06-19 | 2020-11-10 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN113255463A (zh) * | 2021-04-30 | 2021-08-13 | 深圳数联天下智能科技有限公司 | 一种显示黑头的方法及相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063848A (zh) * | 2014-06-19 | 2014-09-24 | 中安消技术有限公司 | 一种低照度图像增强方法和装置 |
CN105827971A (zh) * | 2016-03-31 | 2016-08-03 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
US20170163953A1 (en) * | 2015-12-08 | 2017-06-08 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for processing image containing human face |
CN107545251A (zh) * | 2017-08-31 | 2018-01-05 | 北京图铭视界科技有限公司 | 人脸质量判别及图片增强的方法及装置 |
CN107564049A (zh) * | 2017-09-08 | 2018-01-09 | 北京达佳互联信息技术有限公司 | 人脸模型重建方法、装置以及存储介质、计算机设备 |
CN107633499A (zh) * | 2017-09-27 | 2018-01-26 | 广东欧珀移动通信有限公司 | 图像处理方法及相关产品 |
-
2018
- 2018-09-28 CN CN201811140274.5A patent/CN110969046B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063848A (zh) * | 2014-06-19 | 2014-09-24 | 中安消技术有限公司 | 一种低照度图像增强方法和装置 |
US20170163953A1 (en) * | 2015-12-08 | 2017-06-08 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for processing image containing human face |
CN105827971A (zh) * | 2016-03-31 | 2016-08-03 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN107545251A (zh) * | 2017-08-31 | 2018-01-05 | 北京图铭视界科技有限公司 | 人脸质量判别及图片增强的方法及装置 |
CN107564049A (zh) * | 2017-09-08 | 2018-01-09 | 北京达佳互联信息技术有限公司 | 人脸模型重建方法、装置以及存储介质、计算机设备 |
CN107633499A (zh) * | 2017-09-27 | 2018-01-26 | 广东欧珀移动通信有限公司 | 图像处理方法及相关产品 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666869A (zh) * | 2020-06-03 | 2020-09-15 | 深圳万橙物联科技有限公司 | 一种基于宽动态处理的人脸识别方法、装置及电子设备 |
CN111666869B (zh) * | 2020-06-03 | 2023-05-30 | 深圳万橙物联科技有限公司 | 一种基于宽动态处理的人脸识别方法、装置及电子设备 |
CN111898408A (zh) * | 2020-06-09 | 2020-11-06 | 广州杰赛科技股份有限公司 | 一种快速人脸识别方法及装置 |
CN111898408B (zh) * | 2020-06-09 | 2023-09-19 | 广州杰赛科技股份有限公司 | 一种快速人脸识别方法及装置 |
CN111914632A (zh) * | 2020-06-19 | 2020-11-10 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN111914632B (zh) * | 2020-06-19 | 2024-01-05 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN111866145A (zh) * | 2020-07-22 | 2020-10-30 | 北京奥康达体育产业股份有限公司 | 一种健身设备智慧巡检维修运维系统 |
CN111866145B (zh) * | 2020-07-22 | 2021-05-14 | 北京奥康达体育产业股份有限公司 | 一种健身设备智慧巡检维修运维系统 |
CN113255463A (zh) * | 2021-04-30 | 2021-08-13 | 深圳数联天下智能科技有限公司 | 一种显示黑头的方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110969046B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
US9251614B1 (en) | Background removal for document images | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN108229301B (zh) | 眼睑线检测方法、装置和电子设备 | |
CN110705583A (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN110490204B (zh) | 图像处理方法、图像处理装置及终端 | |
CN112396050B (zh) | 图像的处理方法、设备以及存储介质 | |
CN113487473B (zh) | 一种添加图像水印的方法、装置、电子设备及存储介质 | |
CN113449538A (zh) | 视觉模型的训练方法、装置、设备及存储介质 | |
CN109829510A (zh) | 一种产品品质分级的方法、装置和设备 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN108960012A (zh) | 特征点检测方法、装置及电子设备 | |
US20240127404A1 (en) | Image content extraction method and apparatus, terminal, and storage medium | |
CN114677319A (zh) | 干细胞分布确定方法、装置、电子设备及存储介质 | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
CN107945186A (zh) | 分割图像的方法、装置、计算机可读存储介质和终端设备 | |
CN112434581A (zh) | 一种室外目标颜色识别方法、系统、电子设备及存储介质 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN115546105A (zh) | 一种轮胎花纹检测方法、装置、可读存储介质及终端设备 | |
CN111508045B (zh) | 一种图片合成的方法及装置 | |
CN114463440A (zh) | 一种单摄像头目标定位方法、系统、设备及存储介质 |
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 |