CN111814735A - 基于人脸识别的取票方法、装置、设备及存储介质 - Google Patents
基于人脸识别的取票方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111814735A CN111814735A CN202010725873.4A CN202010725873A CN111814735A CN 111814735 A CN111814735 A CN 111814735A CN 202010725873 A CN202010725873 A CN 202010725873A CN 111814735 A CN111814735 A CN 111814735A
- Authority
- CN
- China
- Prior art keywords
- image information
- preset
- convolution
- vector
- image
- 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 72
- 239000013598 vector Substances 0.000 claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000011176 pooling Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 55
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 239000000428 dust Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000004576 sand Substances 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000003595 mist Substances 0.000 description 6
- 230000004907 flux Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002834 transmittance Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及智能取票领域，公开了一种基于人脸识别的取票方法、装置、设备及存储介质。该方法包括：接收预置人脸取票指令；捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
Description
技术领域
本发明涉及智能取票领域，尤其涉及一种基于人脸识别的取票方法、装置、设备及存储介质。
背景技术
互联网技术日新月异，智能化、信息化、数字化不断改变人们的生活。在衣食住行领域上，人们可以通过网络平台网络下单，然后由有关人员根据网络下单提供相应的服务。信息技术不断更新，而在支付领域则人脸识别作为一项革命技术正在广泛应用，越来越多的支付软件支持人脸识别技术。
人脸识别不断应用于各个场景，并且带来更高效的便捷，人脸识别在取票领域也存在广泛的应用。但是，目前人脸识别的取票技术，场景使用范围还是太小，遇到沙尘、大雾、黑暗、寒冷水雾场景识别错误率较高，需要一种应用场景范围更大的人脸识别的取票技术。
发明内容
本发明的主要目的在于解决目前取票技术在一些环境下识别错误率较高的技术问题。
本发明第一方面提供了一种基于人脸识别的取票方法，所述基于人脸识别的取票方法包括：
接收预置人脸取票指令；
捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；
基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；
将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
可选的，在本发明第一方面的第一种实现方式中，所述使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息包括：
根据预置Meyer小波，对所述人脸图像信息进行二维降噪处理，得到双高通量滤图、横高竖低通量滤图、横低竖高通量滤图、双低通量滤图；
根据预置Meyer小波，对所述双高通量滤图进行第二次二维降噪处理，得到二次双高通量滤图；
对所述二次双高通量滤图进行二次重构处理，得到滤波图像信息。
可选的，在本发明第一方面的第二种实现方式中，所述基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息包括：
提取所述滤波图像信息的暗通道数值，并根据所述暗通道数据，计算出透射率；
将所述透射率与预置光强度数值代入预置去噪算法中，得到去噪等式；
将所述滤波图像信息代入所述去噪等式中，计算得出去噪图像信息。
可选的，在本发明第一方面的第三种实现方式中，所述将所述去噪图像信息向量化，生成图像向量矩阵包括：
提取所述去噪图像中的像素点，得到像素点集；
分析所述像素点集中每个像素点的灰度值，并根据所有所述灰度值，得到每个所述像素点对应的向量元素值；
根据所述像素点集中的像素点排布，将所述向量元素值进行排列，得到图像向量矩阵。
可选的，在本发明第一方面的第四种实现方式中，所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵包括：
读取预置卷积向量和所述卷积向量对应的卷积步长；
根据所述卷积步长，将所述卷积向量与所述图像向量矩阵进行卷积运算，得到初步卷积向量；
读取预置池化向量和所述池化向量对应的池化步长；
根据所述池化步长，将所述初步卷积向量与所述池化向量进行池化运算，得到卷积数据矩阵。
可选的，在本发明第一方面的第五种实现方式中，所述根据预置损失函数，计算出所述卷积数据矩阵对应的损失值包括：
将所述卷积数据矩阵中所有元素进行加总，得出合计总数；
读取预置损失函数，将所述合计总数输入所述损失函数中，得到损失值。
可选的，在本发明第一方面的第六种实现方式中，所述根据所述损失值判定出所述人脸图像信息对应的票据信息包括：
读取预置信息比对表；
将所述损失值与预置所述信息比对表进行比对，得到所述信息比对表中的映射信息；
将所述映射信息确认为所述人脸图像信息对应的票据信息。
本发明第二方面提供了一种基于人脸识别的取票装置，包括：
接收模块，用于接收预置人脸取票指令；
捕捉模块，用于捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；
去噪模块，用于基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；
卷积模块，用于将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
判定模块，用于根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
本发明第三方面提供了一种基于人脸识别的取票设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人脸识别的取票设备执行上述的基于人脸识别的取票方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人脸识别的取票方法。
附图说明
图1为本发明实施例中基于人脸识别的取票方法的第一个实施例示意图；
图2为本发明实施例中基于人脸识别的取票方法的第二个实施例示意图；
图3为本发明实施例中基于人脸识别的取票方法的第三个实施例示意图；
图4为本发明实施例中基于人脸识别的取票方法的第四个实施例示意图；
图5为本发明实施例中基于人脸识别的取票装置的一个实施例示意图；
图6为本发明实施例中基于人脸识别的取票装置的另一个实施例示意图；
图7为本发明实施例中基于人脸识别的取票设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人脸识别的取票方法、装置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于人脸识别的取票方法的一个实施例包括：
101、接收预置人脸取票指令；
在本实施例中，系统接收到人脸取票的指令后才会调用人脸识别系统。而在获取人脸识别的指令上，可以接收触摸屏幕点击产生的取票指令，也可以是实体按钮触发的取票指令，甚至可以是使用无线通信在另一台终端发送取票指令后接收到人脸取票指令。
102、捕捉外界的人脸图像信息，并使用预置Meyer小波函数对人脸图像信息进行滤波处理，得到滤波图像信息；
在本实施例中，调用预置摄像头捕捉人脸图像信息，也可以是由手机摄像头捕捉到人脸图像信息，本发明与手机终端建立取票连接，手机将人脸图像信息发送至本发明中。预置Meyer小波函数是用来进行滤波处理，其中，预置Meyer小波函数的表达式为：
其中，φ是自变量，
是因变量，Meyer小波函数用于提取人脸图像的特征，进行两次变换处理最终得到滤波图像信息。
103、基于预置去噪算法，对滤波图像信息进行去噪处理，得到去噪图像信息；
在本实施例中，去噪算法的表达式如下：
其中，J(x)是去噪后得到去噪图像信息，I(x)是滤波图像信息，A是全球大气光成分，t(x)是透射率。根据暗通道理论，在暗通道中可以获得J(x)趋近于零，根据广泛模型：I(x)＝J(x)t(x)+A(1-t(x))，其中，广泛模型中的字符表达意思与去噪算法一致。经过变形得到t(x)估计公式：
其中，
表示估计的透射率，y表达第二个变量，R(x)为给定的全部图像区域窗口，c为RGB三个通道量的区域，Ic(y)为RGB三个通道量的区域的透射率，Ac为RGB三个通道量的区域大气光成分。根据公式估计出A和t(x)，将I(x)是滤波图像信息代入，得到J(x)，即为去噪图像信息。
104、将去噪图像信息向量化，生成图像向量矩阵，以及对图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
在本实施例中，将得到的去噪图像信息J(x)进行灰度化，根据对应的灰度值得到图像向量矩阵。提取预置的3*3的卷积向量，根据卷积步长，对图像向量矩阵进行卷积，得到卷积向量。在卷积向量的形状上，可以根据训练的目标进行调整为2*2、5*5、6*6等形状，但不可以超过40*40，使得卷积数据矩阵过小则会丢失过多特征而导致卷积学习特征不多令损失函数值过大。最终得到卷积数据矩阵为n*n的正方形。
105、根据预置损失函数，计算出卷积数据矩阵对应的损失值，并根据损失值判定出人脸图像信息对应的票据信息。
在本实施例中，在损失函数上，本发明使用ReLU函数，该函数表达式为：
其中，λ是一个取自连续性均匀分布λ∈(0,1)，f(x)是函数因变量，x是函数自变量。在卷积出矩阵n*n正方形，可以使用n*1的最大池化向量处理，然后在使用卷积函数再次卷积得出一个元素，将该元素输入至损失函数中，得出损失函数对应的损失值，然后根据训练的结果将损失值对应的票据信息抓取。在本步骤中，随后的处理取决于卷积数据矩阵的形状。常规来说，可以使用softmax函数进行处理，但由于之前进行去噪处理，故采用ReLU函数。
本发明实施例中，通过使用Meyer小波函数预处理图像后进行去噪处理，使得使用人脸识别图像保持本身较高的特征，在沙尘、大雾、黑暗、寒冷水雾等一些恶劣环境下提高了人脸识别的准确率。
请参阅图2，本发明实施例中基于人脸识别的取票方法的第二个实施例包括：
201、接收预置人脸取票指令；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
202、根据预置Meyer小波，对人脸图像信息进行二维降噪处理，得到双高通量滤图；
在本实施例中，对人脸图片进行二维降噪处理，得到HH、HL、LH、LL四个通量的滤图，其中H代表高通量而L代表低通量，经过两个高通量的降噪处理，得到滤波图像。
203、根据预置Meyer小波，对双高通量滤图进行第二次二维降噪处理，得到二次双高通量滤图；
在本实施例中，将HH滤波图进行第二次降噪处理，横坐标与纵坐标分别与Meyer小波进行过滤乘积，其中，Meyer小波表达式为：
其中，
为自变量，φ为因变量。得到HH2、HL2、LH2、LL2等通量的滤图，提取出其中二次双高通量滤图。
204、对二次双高通量滤图进行二次重构处理，得到滤波图像信息；
在本实施例中，对二次双高通量滤图做逆变换还原二次双高通量滤图的像素大小，并保留必要的特征性质。
205、提取滤波图像信息的暗通道数值，并根据暗通道数据，计算出透射率；
在本实施例中，因为暗通道有先验判断J(x)在暗通道的图像上取值为0，提取暗通道范围，即可知J(x)取0的范围，在暗通道结论上估计出t(x)的数值。
206、将透射率与预置光强度数值代入预置去噪算法中，得到去噪等式；在本实施例中，去噪算法为：
其中，J(x)是去噪后得到去噪图像信息，I(x)是滤波图像信息，A是全球大气光成分，t(x)是透射率。在暗通道结论上估计出t(x)的数值，并光强度数值A代入至去噪等式中。
207、将滤波图像信息代入去噪等式中，计算得出去噪图像信息；
在本实施例中，将滤波图像信息I(x)代入进入去噪等式中，最终得出J(x)的数据值。
208、将去噪图像信息向量化，生成图像向量矩阵，以及对图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
209、根据预置损失函数，计算出卷积数据矩阵对应的损失值，并根据损失值判定出人脸图像信息对应的票据信息。
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例中，通过使用Meyer小波函数预处理图像后进行去噪处理，使得使用人脸识别图像保持本身较高的特征，在沙尘、大雾、黑暗、寒冷水雾等一些恶劣环境下提高了人脸识别的准确率。
请参阅图3，本发明实施例中基于人脸识别的取票方法的第三个实施例包括：
301、接收预置人脸取票指令；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
302、捕捉外界的人脸图像信息，并使用预置Meyer小波函数对人脸图像信息进行滤波处理，得到滤波图像信息；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
303、基于预置去噪算法，对滤波图像信息进行去噪处理，得到去噪图像信息；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
304、提取去噪图像中的像素点，得到像素点集；
在本实施例中，依次读取每个像素点RBG通道的像素数据，得到像素点集。
305、分析像素点集中每个像素点的灰度值，并根据所有灰度值，得到每个像素点对应的向量元素值；
在本实施例中，将每个像素点RBG通道转换为灰度值大小，根据灰度值大小得到每个像素点对应的数据值。
306、根据像素点集中的像素点排布，将向量元素值进行排列，得到图像向量矩阵；
在本实施例中，根据像素点的排布，将向量元素值进行排布，例如，14、25、20、0、0、0、0、35、0、52、0、0、0、78、0、96，根据对应的像素排列为图像向量矩阵：
在实际应用中，图像向量矩阵为向量元素十万以上的矩阵。
307、读取预置卷积向量和卷积向量对应的卷积步长；
在本实施例中，卷积向量可以是2*2的一个小向量例如：
其中，向量的参数可以经过一定的调整获得更好的特征提取能力，卷积步长可以为1也可以为2，一般不超过卷积向量的横长度。
308、根据卷积步长，将卷积向量与图像向量矩阵进行卷积运算，得到初步卷积向量；
在本实施例中，使用卷积向量对图像向量矩阵按照步长为1的卷积方式进行卷积，得到初步卷积向量：
本实施例只是做说明，实际应用上最少有4位小数点的小数运算，特征能相互区别。
309、读取预置池化向量和池化向量对应的池化步长；
在本实施例中，池化向量可以是2*2的单位矩阵，池化步长也可以为1。
310、根据池化步长，将初步卷积向量与池化向量进行池化运算，得到卷积数据矩阵；
在本实施例中，进行池化处理可以得到2*2的卷积数据矩阵：
实际上可以使用3*3的单位矩阵进行最大池化，最后得出[174]的矩阵，参数设计要根据训练结果进行设置，且向量较大，在此不做赘述。
311、根据预置损失函数，计算出卷积数据矩阵对应的损失值，并根据损失值判定出人脸图像信息对应的票据信息。
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例中，通过使用Meyer小波函数预处理图像后进行去噪处理，使得使用人脸识别图像保持本身较高的特征，在沙尘、大雾、黑暗、寒冷水雾等一些恶劣环境下提高了人脸识别的准确率。
请参阅图4，本发明实施例中基于人脸识别的取票方法的第四个实施例包括：
401、接收预置人脸取票指令；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
402、捕捉外界的人脸图像信息，并使用预置Meyer小波函数对人脸图像信息进行滤波处理，得到滤波图像信息；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
403、基于预置去噪算法，对滤波图像信息进行去噪处理，得到去噪图像信息；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
404、将去噪图像信息向量化，生成图像向量矩阵，以及对图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
405、将卷积数据矩阵中所有元素进行加总，得出合计总数；
在本实施例中，为提取特征可以采用加总方式进行提取，得出合计总数，用来激活损失函数，在实际应用中还可以采用softmax函数的常规做法。
406、读取预置损失函数，将合计总数输入损失函数中，得到损失值；
在本实施例中，损失函数为ReLU函数，同样ReLU函数中带有参数，需要在训练模型中根据模型的梯度进行修改。输入合计总数，激活ReLU函数，可以存在得到损失值452.530023132451017这样较为精细的数据。
407、读取预置信息比对表；
本实施例中，信息比对表是针对数据损失值设置的数据值对应，是在训练模型时获得的，类似处理还可以见textRNN模型。
408、将损失值与预置信息比对表进行比对，得到信息比对表中的映射信息；
在本实施例中，将452.530023132451017在信息比对表中查询得到映射信息{name：a，code number：XXXX},其中name为名称，code number为票据编码。
409、将映射信息确认为人脸图像信息对应的票据信息。
在本实施例中，确定人脸图像信息对应的票据信息，则后续则为输出票据，确认的步骤是用于设置标签，确认票据被取出。
本发明实施例中，通过使用Meyer小波函数预处理图像后进行去噪处理，使得使用人脸识别图像保持本身较高的特征，在沙尘、大雾、黑暗、寒冷水雾等一些恶劣环境下提高了人脸识别的准确率。
上面对本发明实施例中基于人脸识别的取票方法进行了描述，下面对本发明实施例中基于人脸识别的取票装置进行描述，请参阅图5，本发明实施例中基于人脸识别的取票装置一个实施例包括：
接收模块501，用于接收预置人脸取票指令；
捕捉模块502，用于捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；
去噪模块503，用于基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；
卷积模块504，用于将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
判定模块505，用于根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
本发明实施例中，通过使用Meyer小波函数预处理图像后进行去噪处理，使得使用人脸识别图像保持本身较高的特征，在沙尘、大雾、黑暗、寒冷水雾等一些恶劣环境下提高了人脸识别的准确率。
请参阅图6，本发明实施例中基于人脸识别的取票装置的另一个实施例包括：
接收模块501，用于接收预置人脸取票指令；
捕捉模块502，用于捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；
去噪模块503，用于基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；
卷积模块504，用于将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
判定模块505，用于根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
其中，所述捕捉模块502具体用于：
根据预置Meyer小波，对所述人脸图像信息进行二维降噪处理，得到双高通量滤图、横高竖低通量滤图、横低竖高通量滤图、双低通量滤图；
根据预置Meyer小波，对所述双高通量滤图进行第二次二维降噪处理，得到二次双高通量滤图；
对所述二次双高通量滤图进行二次重构处理，得到滤波图像信息。
其中，所述去噪模块503包括：
提取单元，用于提取所述滤波图像信息的暗通道数值；
代入单元，用于将预置透射率与所述暗通道数值代入预置去噪算法中，得到去噪等式；
计算单元，用于将所述滤波图像信息代入所述去噪等式中，计算得出去噪图像信息。
其中，所述卷积模块504具体用于：
提取所述去噪图像中的像素点，得到像素点集；
分析所述像素点集中每个像素点的灰度值，并根据所有所述灰度值，得到每个所述像素点对应的向量元素值；
根据所述像素点集中的像素点排布，将所述向量元素值进行排列，得到图像向量矩阵。
其中，所述卷积模块504还可以具体用于：
读取预置卷积向量和所述卷积向量对应的卷积步长；
根据所述卷积步长，将所述卷积向量与所述图像向量矩阵进行卷积运算，得到初步卷积向量；
读取预置池化向量和所述池化向量对应的池化步长；
根据所述池化步长，将所述初步卷积向量与所述池化向量进行池化运算，得到卷积数据矩阵。
其中，所述判定模块505具体用于：
将所述卷积数据矩阵中所有元素进行加总，得出合计总数；
读取预置损失函数，将所述合计总数输入所述损失函数中，得到损失值。
其中，所述判定模块505还可以具体用于：
读取预置信息比对表；
将所述损失值与预置所述信息比对表进行比对，得到所述信息比对表中的映射信息；
将所述映射信息确认为所述人脸图像信息对应的票据信息。
本发明实施例中，通过使用Meyer小波函数预处理图像后进行去噪处理，使得使用人脸识别图像保持本身较高的特征，在沙尘、大雾、黑暗、寒冷水雾等一些恶劣环境下提高了人脸识别的准确率。
上面图5和图6从模块化功能实体的角度对本发明实施例中的基于人脸识别的取票装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于人脸识别的取票设备进行详细描述。
图7是本发明实施例提供的一种基于人脸识别的取票设备的结构示意图，该基于人脸识别的取票设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于人脸识别的取票设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在基于人脸识别的取票设备700上执行存储介质730中的一系列指令操作。
基于人脸识别的取票设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的基于人脸识别的取票设备结构并不构成对基于人脸识别的取票设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于人脸识别的取票方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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精神和范围。
Claims (10)
1.一种基于人脸识别的取票方法，其特征在于，包括步骤：
接收预置人脸取票指令；
捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；
基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；
将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
2.根据权利要求1所述的基于人脸识别的取票方法，其特征在于，所述使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息包括：
根据预置Meyer小波，对所述人脸图像信息进行二维降噪处理，得到双高通量滤图、横高竖低通量滤图、横低竖高通量滤图、双低通量滤图；
根据预置Meyer小波，对所述双高通量滤图进行第二次二维降噪处理，得到二次双高通量滤图；
对所述二次双高通量滤图进行二次重构处理，得到滤波图像信息。
3.根据权利要求1所述的基于人脸识别的取票方法，其特征在于，所述基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息包括：
提取所述滤波图像信息的暗通道数值，并根据所述暗通道数据，计算出透射率；
将所述透射率与预置光强度数值代入预置去噪算法中，得到去噪等式；
将所述滤波图像信息代入所述去噪等式中，计算得出去噪图像信息。
4.根据权利要求1所述的基于人脸识别的取票方法，其特征在于，所述将所述去噪图像信息向量化，生成图像向量矩阵包括：
提取所述去噪图像中的像素点，得到像素点集；
分析所述像素点集中每个像素点的灰度值，并根据所有所述灰度值，得到每个所述像素点对应的向量元素值；
根据所述像素点集中的像素点排布，将所述向量元素值进行排列，得到图像向量矩阵。
5.根据权利要求1所述的基于人脸识别的取票方法，其特征在于，所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵包括：
读取预置卷积向量和所述卷积向量对应的卷积步长；
根据所述卷积步长，将所述卷积向量与所述图像向量矩阵进行卷积运算，得到初步卷积向量；
读取预置池化向量和所述池化向量对应的池化步长；
根据所述池化步长，将所述初步卷积向量与所述池化向量进行池化运算，得到卷积数据矩阵。
6.根据权利要求1所述的基于人脸识别的取票方法，其特征在于，所述根据预置损失函数，计算出所述卷积数据矩阵对应的损失值包括：
将所述卷积数据矩阵中所有元素进行加总，得出合计总数；
读取预置损失函数，将所述合计总数输入所述损失函数中，得到损失值。
7.根据权利要求6所述的基于人脸识别的取票方法，其特征在于，所述根据所述损失值判定出所述人脸图像信息对应的票据信息包括：
读取预置信息比对表；
将所述损失值与预置所述信息比对表进行比对，得到所述信息比对表中的映射信息；
将所述映射信息确认为所述人脸图像信息对应的票据信息。
8.一种基于人脸识别的取票装置，其特征在于，所述基于人脸识别的取票装置包括：
接收模块，用于接收预置人脸取票指令；
捕捉模块，用于捕捉外界的人脸图像信息，并使用预置Meyer小波函数对所述人脸图像信息进行滤波处理，得到滤波图像信息；
去噪模块，用于基于预置去噪算法，对所述滤波图像信息进行去噪处理，得到去噪图像信息；
卷积模块，用于将所述去噪图像信息向量化，生成图像向量矩阵，以及对所述图像向量矩阵进行卷积池化处理，得到卷积数据矩阵；
判定模块，用于根据预置损失函数，计算出所述卷积数据矩阵对应的损失值，并根据所述损失值判定出所述人脸图像信息对应的票据信息。
9.一种基于人脸识别的取票设备，其特征在于，所述基于人脸识别的取票设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人脸识别的取票设备执行如权利要求1-7中任一项所述的基于人脸识别的取票方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1-7中任一项所述的基于人脸识别的取票方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010725873.4A CN111814735A (zh) | 2020-07-24 | 2020-07-24 | 基于人脸识别的取票方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010725873.4A CN111814735A (zh) | 2020-07-24 | 2020-07-24 | 基于人脸识别的取票方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814735A true CN111814735A (zh) | 2020-10-23 |
Family
ID=72862722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010725873.4A Pending CN111814735A (zh) | 2020-07-24 | 2020-07-24 | 基于人脸识别的取票方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814735A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561882A (zh) * | 2020-12-16 | 2021-03-26 | 深圳市六合智能感知系统科技有限公司 | 物流的分拣方法、系统、设备及存储介质 |
| CN113516814A (zh) * | 2021-04-19 | 2021-10-19 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的智能供货方法和终端 |
| CN114792407A (zh) * | 2021-01-07 | 2022-07-26 | 广州地铁设计研究院股份有限公司 | 应用于城市轨道交通中逃票行为识别方法以及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190122343A1 (en) * | 2017-10-25 | 2019-04-25 | Shenyang Neusoft Medical Systems Co., Ltd. | Denoising ct image |
| CN109902546A (zh) * | 2018-05-28 | 2019-06-18 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
| CN110222607A (zh) * | 2019-05-24 | 2019-09-10 | 北京航空航天大学 | 人脸关键点检测的方法、装置及系统 |
| CN110414358A (zh) * | 2019-06-28 | 2019-11-05 | 平安科技（深圳）有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
| CN110516544A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技（深圳）有限公司 | 基于深度学习的人脸识别方法、装置及计算机可读存储介质 |
-
2020
- 2020-07-24 CN CN202010725873.4A patent/CN111814735A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190122343A1 (en) * | 2017-10-25 | 2019-04-25 | Shenyang Neusoft Medical Systems Co., Ltd. | Denoising ct image |
| CN109902546A (zh) * | 2018-05-28 | 2019-06-18 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
| CN110222607A (zh) * | 2019-05-24 | 2019-09-10 | 北京航空航天大学 | 人脸关键点检测的方法、装置及系统 |
| CN110414358A (zh) * | 2019-06-28 | 2019-11-05 | 平安科技（深圳）有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
| CN110516544A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技（深圳）有限公司 | 基于深度学习的人脸识别方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王一涵: "雾天图像增强方法研究", 《中国优秀博硕士学位论文全文数据库(电子期刊) 信息科技辑》, pages 196 - 197 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561882A (zh) * | 2020-12-16 | 2021-03-26 | 深圳市六合智能感知系统科技有限公司 | 物流的分拣方法、系统、设备及存储介质 |
| CN112561882B (zh) * | 2020-12-16 | 2023-05-12 | 深圳市六合智能感知系统科技有限公司 | 物流的分拣方法、系统、设备及存储介质 |
| CN114792407A (zh) * | 2021-01-07 | 2022-07-26 | 广州地铁设计研究院股份有限公司 | 应用于城市轨道交通中逃票行为识别方法以及相关装置 |
| CN113516814A (zh) * | 2021-04-19 | 2021-10-19 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的智能供货方法和终端 |
| CN113516814B (zh) * | 2021-04-19 | 2023-04-18 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的智能供货方法和终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
| CN111814735A (zh) | 基于人脸识别的取票方法、装置、设备及存储介质 | |
| CN105938559B (zh) | 使用卷积神经网络的数字图像处理 | |
| CN109035319B (zh) | 单目图像深度估计方法及装置、设备、程序及存储介质 | |
| CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| CN107369166A (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
| WO2014070489A1 (en) | Recursive conditional means image denoising | |
| CN114255337A (zh) | 文档图像的矫正方法、装置、电子设备及存储介质 | |
| CN112819007B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN112651451B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
| CN113066030A (zh) | 一种基于空谱融合网络的多光谱图像全色锐化方法及系统 | |
| CN115937794A (zh) | 小目标对象检测方法、装置、电子设备及存储介质 | |
| John et al. | A review on application of fourier transform in image restoration | |
| Askari Javaran et al. | [Retracted] Using a Blur Metric to Estimate Linear Motion Blur Parameters | |
| CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
| CN112183359A (zh) | 视频中的暴力内容检测方法、装置及设备 | |
| CN115546271B (zh) | 基于深度联合表征的视觉分析方法、装置、设备及介质 | |
| CN116320792A (zh) | 多帧图像中增强分辨率和降低噪声的方法 | |
| Zou et al. | Hyperspectral image superresolution based on double regularization unmixing | |
| CN115601729A (zh) | 一种车辆型号识别方法、装置、设备及存储介质 | |
| Krieger et al. | Color image enhancement of low-resolution images captured in extreme lighting conditions | |
| CN113628148A (zh) | 红外图像降噪方法和装置 | |
| CN115266719A (zh) | 基于人工智能的水质监测方法及装置 | |
| CN111125414B (zh) | 一种无人机遥感图像特定目标自动搜索方法 |
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 |