CN111626181A - 人脸识别大数据分析方法 - Google Patents

Abstract

本发明提供一种人脸识别大数据分析方法，其包括：S1、人脸图像采集；S2、对采集的人脸图像进行初步检测；S3、对经过初步检测的图像进行质量检测，筛选指出符合标准的人脸图像，并提取其中的人脸图片；S4、以提取的人脸图片为对象，将其与网络人脸图片和/或数据库中的人脸图片进行比对；S5、反馈比对结果。本发明的基于图像处理技术，通过优化人脸图像的检测及特征提取的手段，能够从人脸图像中提取人像特征点，并基于提取的人像特征与目标人脸进行比对分析，并反馈比对结果，有利于提高人脸识别的精度和准确性。

Description

人脸识别大数据分析方法

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大数据分析方法及系统。

背景技术

随着社会的发展，“快速、便捷、安全”成为当代社会的代名词。人们越来越希望自己生活在一个安全的环境下，尤其是自己的人身安全以及财产安全。并且快速有效的身份验证的需求，生物特征得到了飞速的发展。以人类生物特征进行快速、准确的身份验证的生物识别技术，进一步成为未来的技术发展趋势。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。

尽管人脸识别技术有着广阔的应用前景，但是无论是在识别率，还是在防伪性上，都与指纹，视网膜等有着较大的差距，归根结底，影响人脸识别效果的原因主要有以下的几个方面：

(1)人脸图像的获取过程中的不确定性(如光的方向，以及光的强度等)；(2)人脸模式的多样性(如胡须，眼镜，发型等)；(3)人脸塑性变形的不确定性(如表情等)。(4)所涉及的领域知识的综合性(如心理学，医学，模式识别，图像处理，数学等)。因此，如何针对所面临的诸多问题，有必要提出进一步地解决方案。

发明内容

本发明旨在提供一种人脸识别大数据分析方法及系统，以克服现有技术中存在的不足。

为解决上述技术问题，本发明的技术方案是：

一种人脸识别大数据分析方法，其包括：

S1、人脸图像采集；

S2、对采集的人脸图像进行初步检测；

S3、对经过初步检测的图像进行质量检测，筛选指出符合标准的人脸图像，并提取其中的人脸图片；

S4、以提取的人脸图片为对象，将其与网络人脸图片和/或数据库中的人脸图片进行比对；

S5、反馈比对结果。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S1包括：人脸图像的批量导入和/或人脸图像的实时采集。

作为本发明的人脸识别大数据分析方法的改进，所述人脸图像的批量导入包括：将采集完成的人脸图像批量导入至人脸识别系统；人脸图像的实时采集包括：调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集工作。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S2包括：

S21、利用人脸肤色进行初步的脸区检测，分割出肤色区域；

S22、在分割出肤色区域中，利用面部几何特征进行验证和定位。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S21包括：

S211、基于人类肤色在色彩空间中存在区域性，将可能为人脸的像素检测出来，同时选用HSI和YcbCr两种色彩空间对图像进行二值化处理，肤色范围限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]内，将满足条件的像素标记为肤色像素，其余的均为非肤色像素；

S212、在以每一个肤色点为中心的5×5邻域内统计肤色像素的个数，超过半数时中心点保留为肤色，否则认为是非肤色；

S213、将二值图像中的肤色块作区域归并，并对目标区域进行比例、结构分析，过滤掉不可能的人脸区域。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S22包括：

在外脸区域的上半部，对二值图像进行水平方向和垂直方向的投影，确定两个包含黑点的矩形区域作为双眼的大致区域，在确定的两个大致区域中，对黑点进行区域膨胀，得到眼睛的基本轮廓和左右眼角，以黑点坐标的平均值作为瞳孔的位置。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S22还包括：

基于瞳孔的位置，设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两个瞳孔之间的距离为d，根据人脸的几何特征，则将内脸区域定义为：

宽度＝-d×1.6，高度＝-d×1.8，左上角坐标为(Lx-d×0.3，(Ly+Ry)/2-(-d)×0.3)。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S22还包括对定义的内脸区域进行归一化处理的步骤，其包括：

对内脸区域的人脸图像进行3层小波分解，取低频子图像作为人脸特征提取的对象，获得每幅训练样本或测试样本的低频子图像；

对低频子图像进行离散余弦变换，且取离散余弦变换系数中的低频系数作为特征向量。

作为本发明的人脸识别大数据分析方法的改进，所述图像的质量检测包括人脸图像的预处理，其包括：灰度调整、图像滤波、图像尺寸归一化中一种或几种。

作为本发明的人脸识别大数据分析方法的改进，所述步骤S4包括：

设定人脸相似程度的数值，将对应的人脸图像与系统数据库中的所有人脸图像进行比对，若超过了预设的相似数值，则系统将超过的人脸图像逐个输出，然后根据人脸图像的相似程度高低和人脸本身的身份信息进行精确筛选。

为解决上述技术问题，本发明的技术方案是：

一种人脸识别大数据分析系统，其包括：

采集模块，其用于人脸图像采集；

初步检测模块，其用于对采集的人脸图像进行初步检测；

质量检测模块，其用于对经过初步检测的图像进行质量检测，筛选指出符合标准的人脸图像，并提取其中的人脸图片；

比对模块，其用于以提取的人脸图片为对象，将其与网络人脸图片和/或数据库中的人脸图片进行比对；

反馈模块，其用于反馈比对结果。

作为本发明的人脸识别大数据分析系统的改进，所述初步检测模块还包括：

第一检测子模块，其用于利用人脸肤色进行初步的脸区检测，分割出肤色区域；

第二检测子模块，其用于在分割出肤色区域中，利用面部几何特征进行验证和定位。

与现有技术相比，本发明的有益效果是：本发明的基于图像处理技术，通过优化人脸图像的检测及特征提取的手段，能够从人脸图像中提取人像特征点，并基于提取的人像特征与目标人脸进行比对分析，并反馈比对结果，有利于提高人脸识别的精度和准确性。

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中记载的一些实施例，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为本发明人脸识别大数据分析方法一实施例的方法流程图；

图2为本发明人脸识别大数据分析系统一实施例的模块图。

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，所描述的实施例仅仅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做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。

本发明考虑到，在人脸识别的过程中存在上述的各种各样的问题，因此在实际的检测和识别过程中，当这些因素叠加到一起的时候，情况就变得更加复杂。解决上述问题的途径在于提供一种统一的、体现人脸生物特性的特征提取标准。

如图1所示，基于上述发明构思，本发明一实施例提供一种人脸识别大数据分析方法，其包括如下步骤：

S1、人脸图像采集。

其中，该人脸图像采集的方式可以为：人脸图像的批量导入和/或人脸图像的实时采集。具体地，人脸图像的批量导入：即将通过各种方式采集好的人脸图像批量导入至人脸识别系统，系统会自动完成逐个人脸图像的采集工作。人脸图像的实时采集：即调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集工作。

人脸检测是人脸识别的前提，该对采集的人脸图像进行初步检测的步骤目的在于判断图像中是否存在人脸，如果存在，则返回其位置和空间分布。

基于此，步骤S2具体包括：

S21、利用人脸肤色进行初步的脸区检测，分割出肤色区域；

S22、在分割出肤色区域中，利用面部几何特征进行验证和定位。

其中，步骤S21是将待检图像中可能的人脸区域找出来并加以标记，其具体包括：

S211、根据人类肤色在色彩空间中存在区域性的特点，将可能为人脸的像素检测出来。为更好地利用肤色特征，同时选用HSI和YcbCr两种色彩空间对图像进行二值化处理，肤色范围限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]内。将满足条件的像素标记为肤色像素，其余的均为非肤色像素。

S212、去噪处理。在以每一个肤色点为中心的5×5邻域内统计肤色像素的个数，超过半数时中心点保留为肤色，否则认为是非肤色。

S213、将二值图像中的肤色块作区域归并，并对目标区域进行比例、结构分析，过滤掉不可能的人脸区域。目标区域的高度/宽度比例限定在0.8～2.0。

步骤S22是考虑到，将包含眼、眉、鼻和嘴的区域称为内脸区域。内脸区域能够很好地表达人脸特征，且不易受背景、头发等因素的干扰，因此内脸区域的检测和定位对后续的特征提取和识别至关重要。

基于此，步骤S22包括：

在外脸区域的上半部，对二值图像进行水平方向和垂直方向的投影，确定两个包含黑点的矩形区域作为双眼的大致区域。在确定的两个区域中，对黑点进行区域膨胀，可以得到眼睛的基本轮廓和左右眼角，黑点坐标的平均值作为瞳孔的位置。

设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两个瞳孔之间的距离为d，根据人脸的几何特征，将内脸区域定义为：宽度＝-d×1.6，高度＝-d×1.8，左上角坐标为(Lx-d×0.3，(Ly+Ry)/2-(-d)×0.3)。该定义的内脸区域能够很好地表达人脸特征。

此外，由于各待测图像中的人脸大小具有很大的随机性，因此，有必要对内脸区域进行归一化操作。人脸归一化是指对内脸区域的图像进行缩放变换，得到统一大小的标准图像。本实施例中，规定标准图像的大小为128×128。归一化处理保证了人脸大小的一致性，体现了人脸在图像平面内的尺寸不变性。

从而，步骤S22还包括：

对归一化的人脸图像，采用小波变换与DCT相结合的方法提取人脸特征。具体地，首先，对人脸图像进行3层小波分解，取低频子图像LL3作为人脸特征提取的对象，从而获得每幅训练样本或测试样本的低频子图像。然后对低频子图像进行离散余弦变换(DCT)，DCT系数个数与子图像的大小相等(即256)，由于图像DCT变换，能量集中在低频部分，因此只取其中的136个低频系数作为特征向量。

步骤S3中，图像的质量检测包括人脸图像的预处理，其包括：灰度调整、图像滤波、图像尺寸归一化中一种或几种。

具体地，人脸图像的预处理的目的是在系统对人脸图像的检测基础之上，对人脸图像做出进一步的处理以利于人脸图像的特征提取。人脸图像的预处理具体而言是指对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等一系列的复杂处理过程来使得该人脸图像无论是从光线、角度、距离、大小等任何方面来看均能够符合人脸图像的特征提取的标准要求。在现实环境下采集图像，由于图像受到光线明暗不同、脸部表情变化、阴影遮挡等众多外在因素的干扰，导致采集图像质量不理想，那就需要先对采集到的图像预处理，如果图像预处理不好，将会严重影响后续的人脸检测与识别。

本实施例中，灰度调整的内容为：因为人脸图像处理的最终图像一般都是二值化图像，并且由于地点、设备、光照等方面的差异，造成采集到彩色图像质量不同，因此需要对图像进行统一的灰度处理，来平滑处理这些差异。灰度调整的常用方法有平均值法、直方图变换法、幂次变换法、对数变换法。

图像滤波的内容为：在实际的人脸图像采集过程中，人脸图像的质量会受到各种噪声的影响，这些噪声来源于多个方面，比如周围环境中充斥大量的电磁信号、数字图像传输受到电磁信号的干扰等影响信道，进而影响人脸图像的质量。为保证图像的质量，减小噪声对后续处理过程的影响，必须对图像进行降噪处理。去除噪声处理的原理和方法很多，常见的有均值滤波，中值滤波等。目前常用中值滤波算法对人脸图像进行预处理。

图像尺寸归一化的内容为：在进行简单的人脸训练时候，遇到人脸库的图像像素大小不一样时，需要在上位机人脸比对识别之前对图像做尺寸归一化处理。需要比较常见的尺寸归一化算法有双线性插值算法、最近邻插值算法和立方卷积算法等。

所述步骤S4包括：

设定人脸相似程度的数值，将对应的人脸图像与系统数据库中的所有人脸图像进行比对，若超过了预设的相似数值，则系统将超过的人脸图像逐个输出，然后根据人脸图像的相似程度高低和人脸本身的身份信息进行精确筛选。精确筛选的过程可以分为两类：其一是一对一的筛选，即对人脸身份进行确认过程；其二是一对多的筛选，即根据人脸相似程度进行匹配比对的过程。

如图2所示，基于相同的发明构思，本发明一实施例还提供一种人脸识别大数据分析系统，其包括：采集模块1、初步检测模块2、质量检测模块3、比对模块4以及反馈模块5。

其中，采集模块1用于人脸图像采集；初步检测模块2于对采集的人脸图像进行初步检测；质量检测模块3用于对经过初步检测的图像进行质量检测，筛选指出符合标准的人脸图像，并提取其中的人脸图片；比对模块4用于以提取的人脸图片为对象，将其与网络人脸图片和/或数据库中的人脸图片进行比对；反馈模块5用于反馈比对结果。

人脸检测是人脸识别的前提，该对采集的人脸图像进行初步检测的步骤目的在于判断图像中是否存在人脸，如果存在，则返回其位置和空间分布。因此，该人脸识别大数据分析系统中，初步检测模块2还包括：第一检测子模块21和第二检测子模块22。

其中，第一检测子模块21用于利用人脸肤色进行初步的脸区检测，分割出肤色区域。第二检测子模块22用于在分割出肤色区域中，利用面部几何特征进行验证和定位。

综上所述，本发明的基于图像处理技术，通过优化人脸图像的检测及特征提取的手段，能够从人脸图像中提取人像特征点，并基于提取的人像特征与目标人脸进行比对分析，并反馈比对结果，有利于提高人脸识别的精度和准确性。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种人脸识别大数据分析方法，其特征在于，所述人脸识别大数据分析方法包括：

S1、人脸图像采集；

S2、对采集的人脸图像进行初步检测；

S3、对经过初步检测的图像进行质量检测，筛选指出符合标准的人脸图像，并提取其中的人脸图片；

S4、以提取的人脸图片为对象，将其与网络人脸图片和/或数据库中的人脸图片进行比对；

S5、反馈比对结果。

2.根据权利要求1所述的人脸识别大数据分析方法，其特征在于，所述步骤S1包括：人脸图像的批量导入和/或人脸图像的实时采集。

3.根据权利要求2所述的人脸识别大数据分析方法，其特征在于，所述人脸图像的批量导入包括：将采集完成的人脸图像批量导入至人脸识别系统；人脸图像的实时采集包括：调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集工作。

4.根据权利要求1所述的人脸识别大数据分析方法，其特征在于，所述步骤S2包括：

S21、利用人脸肤色进行初步的脸区检测，分割出肤色区域；

S22、在分割出肤色区域中，利用面部几何特征进行验证和定位。

5.根据权利要求4所述的人脸识别大数据分析方法，其特征在于，所述步骤S21包括：

S211、基于人类肤色在色彩空间中存在区域性，将可能为人脸的像素检测出来，同时选用HSI和YcbCr两种色彩空间对图像进行二值化处理，肤色范围限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]内，将满足条件的像素标记为肤色像素，其余的均为非肤色像素；

S212、在以每一个肤色点为中心的5×5邻域内统计肤色像素的个数，超过半数时中心点保留为肤色，否则认为是非肤色；

S213、将二值图像中的肤色块作区域归并，并对目标区域进行比例、结构分析，过滤掉不可能的人脸区域。

6.根据权利要求1或5所述的人脸识别大数据分析方法，其特征在于，所述步骤S22包括：

在外脸区域的上半部，对二值图像进行水平方向和垂直方向的投影，确定两个包含黑点的矩形区域作为双眼的大致区域，在确定的两个大致区域中，对黑点进行区域膨胀，得到眼睛的基本轮廓和左右眼角，以黑点坐标的平均值作为瞳孔的位置。

7.根据权利要求6所述的人脸识别大数据分析方法，其特征在于，所述步骤S22还包括：

基于瞳孔的位置，设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两个瞳孔之间的距离为d，根据人脸的几何特征，则将内脸区域定义为：

宽度＝-d×1.6，高度＝-d×1.8，左上角坐标为(Lx-d×0.3，(Ly+Ry)/2-(-d)×0.3)。

8.根据权利要求5所述的人脸识别大数据分析方法，其特征在于，所述步骤S22还包括对定义的内脸区域进行归一化处理的步骤，其包括：

对内脸区域的人脸图像进行3层小波分解，取低频子图像作为人脸特征提取的对象，获得每幅训练样本或测试样本的低频子图像；

对低频子图像进行离散余弦变换，且取离散余弦变换系数中的低频系数作为特征向量。

9.根据权利要求1所述的人脸识别大数据分析方法，其特征在于，所述图像的质量检测包括人脸图像的预处理，其包括：灰度调整、图像滤波、图像尺寸归一化中一种或几种。

10.根据权利要求1所述的人脸识别大数据分析方法，其特征在于，所述步骤S4包括：

设定人脸相似程度的数值，将对应的人脸图像与系统数据库中的所有人脸图像进行比对，若超过了预设的相似数值，则系统将超过的人脸图像逐个输出，然后根据人脸图像的相似程度高低和人脸本身的身份信息进行精确筛选。

Images