CN111914632B - 一种人脸识别方法、装置及存储介质 - Google Patents
一种人脸识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111914632B CN111914632B CN202010571289.8A CN202010571289A CN111914632B CN 111914632 B CN111914632 B CN 111914632B CN 202010571289 A CN202010571289 A CN 202010571289A CN 111914632 B CN111914632 B CN 111914632B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- background
- compared
- face recognition
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 239000012535 impurity Substances 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000002411 adverse Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸识别方法、装置及存储介质，其中方法包括将采集到的原始图像转换为HSB颜色格式的预处理图像；基于最大类间方差法对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；对所述分割图像进行形态学处理，得到除杂后的待比对图像；根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别。本发明实施例提供的人脸识别方法、装置及存储介质，降低了环境因素的干扰，优化了人脸识别的处理过程，极大地提高了人脸识别的准确率。
Description
技术领域
本发明涉及人脸识别技术领域，尤其是涉及一种人脸识别方法。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，其通过摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别。
在现有技术中，通过采用获取人脸图片，提取人脸的五官特征值，与多个原始图片及现场采集图片进行直接对比的方法来实现对人脸的识别。但是，由于人脸图像受背景和光照干扰影响大，面部打光不均与恶劣的环境因素均会导致提取的五官人脸特征值失真，精度与准确率降低，进而给后续的对比识别带来不利影响，导致不能准确地识别人脸。
发明内容
本发明实施例提供了一种人脸识别方法，以解决现有的人脸识别方法识别准确率较低的技术问题，通过降低环境因素的干扰，构建有针对性的人脸识别特征值，优化了人脸识别的处理过程，有效地提高了人脸识别的准确率。
为了解决上述技术问题，本发明实施例提供了一种人脸识别方法，其包括：
将采集到的原始图像转换为HSB颜色格式的预处理图像；
基于最大类间方差法对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；
对所述分割图像进行形态学处理，得到除杂后的待比对图像；
根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别。
作为优选方案，所述待比对图像的人脸偏心度的计算方式为：
采用第一公式计算所述人脸偏心度：
其中，(x0，y0)为人脸质心坐标且m为待比对图像的宽度，n为待比对图像的高度，e为人脸偏心度，L为人脸长轴，(xi，yi)为人脸第i个轮廓点的坐标。
作为优选方案，所述待比对图像的人脸圆形度的计算方式为：
采用第二公式计算所述人脸圆形度：
其中，m为待比对图像的宽度，n为待比对图像的高度，ee为人脸圆形度，r为人脸外接圆半径，(xi，yi)为人脸第i个轮廓点的坐标。
作为优选方案，所述待比对图像的人脸与人脸背景比例的计算方式为：
采用第三公式计算人脸与人脸背景比例：
其中，K为人脸与人脸背景比例，m为待比对图像的宽度，n为待比对图像的高度，M为背景图像的宽度，N为背景图像的高度，A(i，j)为目标图像的像素点集合；B(i，j)为背景图像的像素点集合。
作为优选方案，将采集到的原始图像转换为HSB颜色格式的预处理图像，具体为：
采用第四公式进行计算：
其中，R、G、B分别为原始图像的红色、绿色、蓝色对应的像素点；H、S、B分别为色度、饱和度、亮度。
作为优选方案，基于最大类间方差法对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像，具体为：
对所述预处理图像进行灰度处理，获得目标图像与背景图像，并计算每个灰度级的出现概率；
根据所述出现概率，计算所述目标图像与所述背景图像的像素概率，以及所述目标图像与所述背景图像的平均灰度值；
根据所述目标图像与所述背景图像的像素概率、所述目标图像与所述背景图像的平均灰度值，计算所述目标图像与所述背景图像的最大方差。
作为优选方案，每个灰度级的出现概率的计算方式为：
采用第五公式计算每个灰度级的出现概率：
其中，Pi为每个灰度级出现的概率，k为灰度级i的像素个数，M为图像总像素个数。
作为优选方案，所述目标图像与所述背景图像的像素概率的计算方式为：
采用第六公式计算所述目标图像与所述背景图像的像素概率：
其中，w0为目标图像的像素概率，w1为背景图像的像素概率，t为分类临界值，Pi为每个灰度级出现的概率。
作为优选方案，所述目标图像与所述背景图像的最大方差的计算方式为：
采用第七公式计算所述目标图像与所述背景图像的最大方差：
σ2＝(W0+w1)(u0-u1)2
其中，σ2为目标图像与背景图像的最大方差，u0为目标图像的平均灰度值，u1为背景图像的平均灰度值，w0为目标图像的像素概率，w1为背景图像的像素概率。
作为优选方案，根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别，具体为：
根据所述人脸偏心度的计算结果、所述人脸圆形度的计算结果、所述人脸与人脸背景比例的计算结果，在预设的特征度量数据库中查询得到对应的人脸识别结果。
本发明另一实施例提供了一种人脸识别装置，其包括：
图像预处理模块，用于将采集到的原始图像进行格式转换，得到HSB颜色格式的预处理图像；
图像分割模块，用于根据最大类间方差法，对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；
图像除杂模块，用于对所述分割图像进行形态学处理，得到除杂后的待比对图像；
图像计算识别模块，用于计算所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例，并根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别。
本发明又一实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的人脸识别方法。
相比于现有技术，本发明实施例的有益效果在于，综合了HSB颜色空间分类、最大类间自动阈值分类以及形态学处理，能够有效地分类并定位出人脸目标，再基于人脸偏心率、人脸圆形度和人脸背景比例，计算人脸识别算子，为后续的进一步识别提供了准确的数据支撑。综上所述，整个人脸识别方法通过特定的方法步骤降低环境因素的干扰，构建有针对性的人脸识别特征值，优化了人脸识别的处理过程，能够有效降低来自人脸打光不均、人脸所在背景环境随机多变带来的不利影响，极大地提高了人脸识别的准确率。
附图说明
图1是本发明实施例中的人脸识别方法的流程示意图；
图2是本发明实施例中的人脸识别装置的结构示意图；
其中，21、图像预处理模块；22、图像分割模块；23、图像除杂模块；24、图像计算识别模块。
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。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，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”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种人脸识别方法，具体的，请参见图1，图1为本发明实施例提供的人脸识别方法的流程示意图，其中包括：
S101、将采集到的原始图像转换为HSB颜色格式的预处理图像；
S102、基于最大类间方差法对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；
S103、对所述分割图像进行形态学处理，得到除杂后的待比对图像；
S104、根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别。
需要说明的是，人脸图像内容由人脸和背景构成，颜色由肤色为主构成，可见在颜色方面和几何特性方面具有独特性。人脸目标环境多变，且容易受到光照不均干扰，这对于人脸检测识别有明显的阻碍作用。本实施例首先通过读取视频图像帧进入系统内存，进行RGB颜色空间转HSB颜色空间，然后基于背景和目标之间的类间方差分类进行二次分类，接着通过多次形态学处理，达到分类出人脸目标的目的，最后基于人脸偏心率、人脸圆形度和人脸背景比，计算3种人脸识别算子，进而为后续的进一步识别提供了准确的数据支撑。
HSB颜色空间主要基于对立色理论，以色相、饱和度和亮度来描述色彩的基本特征，对立色理论起源于人眼对对立色调的观察事实，因此HSB模型也是人对颜色认知最为相似的色彩模型，该模型既可以推导得到某个光谱刺激下明暗程度所对应的无色调响应方程，同时对于给定的频率，也可以计算出其中红、绿、蓝3种基本色调所占的比例，并建立色调响应方程。具体为采用第四公式进行计算：
其中，R、G、B分别为原始图像的红色、绿色、蓝色对应的像素点；H、S、B分别为色度、饱和度、亮度。
最大类间方差法是按图像的灰度特性，将图像分成背景和目标2部分。背景和目标之间的类间方差越大，说明构成图像的2部分的差别越大。在本实施例中，将预处理图像转换为灰度图并归一化，引入背景和目标之间的类间方差分割，将图像分为目标与背景两个部分，背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。
优选地，在本实施例中，对所述预处理图像进行灰度处理，获得目标图像与背景图像，并计算每个灰度级的出现概率，然后根据所述出现概率，计算所述目标图像与所述背景图像的像素概率，以及所述目标图像与所述背景图像的平均灰度值，最后根据所述目标图像与所述背景图像的像素概率、所述目标图像与所述背景图像的平均灰度值，计算所述目标图像与所述背景图像的最大方差。
其中，首先采用第五公式计算统计每个灰度级出现的概率：
其中，Pi为每个灰度级出现的概率，k为灰度级i的像素个数，M为图像总像素个数。
然后，采用第六公式计算所述目标图像与所述背景图像的像素概率：
其中，w0为目标图像的像素概率，w1为背景图像的像素概率，t为分类临界值，Pi为每个灰度级出现的概率。
最后，采用第七公式计算所述目标图像与所述背景图像的最大方差：
σ2＝(w0+w1)(u0-u1)2
其中，u0为目标图像的平均灰度值，u1为背景图像的平均灰度值，w0为目标图像的像素概率，w1为背景图像的像素概率。σ2为目标图像与背景图像的最大方差，当该值达到最大时的t为最佳分类临界值。
作为优选地，在本实施例中，为了进一步精确分类人脸目标，采用形态学处理去除杂质干扰。形态学的主要实现方法是通过使用具有一定形态的结构元素去对图像中的内容进行分析，从而达到简化图像数据的同时，保持图像的基本形状；结构元素在图像形态学处理中的作用至关重要，利用结构元素与目标二值图像做“与”、“或”操作来决定是否去除或者添加像素。基本单元计算公式如下：
其中，X，Y代表形体损耗和扩充结果，B代表结构分子，E代表图像元素集合，分别代表形体损耗和扩充运算。
形体损耗算法是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。具体操作是用3x3的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1。否则为0。结果是使二值图像减小一圈。
扩充算法是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。具体操作是用3x3的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作如果都为0，结果图像的该像素为0。否则为1。结果是使二值图像扩大一圈。
本发明采用形体损耗和扩充的形态学处理，得到除杂后的待比对图像。
作为优选地，在本实施例中，建立人脸偏心度、人脸圆形度、人脸与人脸背景比例3种特征度量模型。人脸偏心程度由人脸的形态以及人脸在人脸中所处实际位置共同决定，人脸偏心程度的方式为人脸真实位置到人脸框间的距离与人脸长轴的比例。
需要说明的是，采用第一公式计算所述人脸偏心度：
其中，(x0，y0)为人脸质心坐标且m为待比对图像的宽度，n为待比对图像的高度，e为人脸偏心度，上为人脸长轴，(xi，yi)为人脸第i个轮廓点的坐标。人脸质心坐标一般取为人脸鼻子处的坐标。
采用第二公式计算所述人脸圆形度：
其中，m为待比对图像的宽度，n为待比对图像的高度，ee为人脸圆形度，r为人脸外接圆半径，(xi，yi)为人脸第i个轮廓点的坐标。
采用第三公式计算人脸与人脸背景比例：
其中，K为人脸与人脸背景比例，m为待比对图像的宽度，n为待比对图像的高度，M为背景图像的宽度，N为背景图像的高度，A(i，j)为目标图像的像素点集合；B(i，j)为背景图像的像素点集合。
作为优选地，在上述实施例中，根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别，具体为：根据所述人脸偏心度的计算结果、所述人脸圆形度的计算结果、所述人脸与人脸背景比例的计算结果，在预设的特征度量数据库中查询得到对应的人脸识别结果，即根据上述三种特征度量与数据库中已存有的图像的特征度量进行比对，获取匹配的图像，从而完成人脸识别。
本发明另一实施例提供了一种人脸识别装置，具体的，请参见图2，图2为本发明实施例中的人脸识别装置的结构示意图，包括：
图像预处理模块21，用于将采集到的原始图像进行格式转换，得到HSB颜色格式的预处理图像；
图像分割模块22，用于根据最大类间方差法，对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；
图像除杂模块23，用于对所述分割图像进行形态学处理，得到除杂后的待比对图像；
图像计算识别模块24，用于计算所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例，并根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别。
本发明又一实施例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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的人脸识别方法。
综上所述，实施本发明的实施例，具有如下有益效果：
综合了HSB颜色空间分类、最大类间自动阈值分类以及形态学处理，能够有效地分类并定位出人脸目标，再基于人脸偏心率、人脸圆形度和人脸背景比例，计算人脸识别算子，为后续的进一步识别提供了准确的数据支撑。综上所述，整个人脸识别方法通过降低环境因素的干扰，构建有针对性的人脸识别特征值，优化了人脸识别的处理过程，能够有效降低来自人脸打光不均、人脸所在背景环境随机多变带来的不利影响，极大地提高了人脸识别的准确率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
Claims (11)
1.一种人脸识别方法，其特征在于，包括：
将采集到的原始图像转换为HSB颜色格式的预处理图像；
基于最大类间方差法对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；
对所述分割图像进行形态学处理，得到除杂后的待比对图像；
根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别；
将采集到的原始图像转换为HSB颜色格式的预处理图像，具体为：
采用第四公式进行计算：
其中，R、G、B分别为原始图像的红色、绿色、蓝色对应的像素点；H、S、B分别为色度、饱和度、亮度。
2.如权利要求1所述的人脸识别方法，其特征在于，所述待比对图像的人脸偏心度的计算方式为：
采用第一公式计算所述人脸偏心度：
其中，(x0，y0)为人脸质心坐标且m为待比对图像的宽度，n为待比对图像的高度，e为人脸偏心度，L为人脸长轴，(xi，yi)为人脸第i个轮廓点的坐标。
3.如权利要求1所述的人脸识别方法，其特征在于，所述待比对图像的人脸圆形度的计算方式为：
采用第二公式计算所述人脸圆形度：
其中，m为待比对图像的宽度，n为待比对图像的高度，ee为人脸圆形度，r为人脸外接圆半径，(xi，yi)为人脸第i个轮廓点的坐标。
4.如权利要求1所述的人脸识别方法，其特征在于，所述待比对图像的人脸与人脸背景比例的计算方式为：
采用第三公式计算人脸与人脸背景比例：
其中，K为人脸与人脸背景比例，m为待比对图像的宽度，n为待比对图像的高度，M为背景图像的宽度，N为背景图像的高度，A(i,j)为目标图像的像素点集合；B(i,j)为背景图像的像素点集合。
5.如权利要求1所述的人脸识别方法，其特征在于，基于最大类间方差法对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像，具体为：
对所述预处理图像进行灰度处理，获得目标图像与背景图像，并计算每个灰度级的出现概率；
根据所述出现概率，计算所述目标图像与所述背景图像的像素概率，以及所述目标图像与所述背景图像的平均灰度值；
根据所述目标图像与所述背景图像的像素概率、所述目标图像与所述背景图像的平均灰度值，计算所述目标图像与所述背景图像的最大方差。
6.如权利要求5所述的人脸识别方法，其特征在于，每个灰度级的出现概率的计算方式为：
采用第五公式计算每个灰度级的出现概率：
其中，Pi为每个灰度级出现的概率，k为灰度级i的像素个数，M为图像总像素个数。
7.如权利要求6所述的人脸识别方法，其特征在于，所述目标图像与所述背景图像的像素概率的计算方式为：
采用第六公式计算所述目标图像与所述背景图像的像素概率：
其中，w0为目标图像的像素概率，w1为背景图像的像素概率，t为分类临界值，Pi为每个灰度级出现的概率。
8.如权利要求7所述的人脸识别方法，其特征在于，所述目标图像与所述背景图像的最大方差的计算方式为：
采用第七公式计算所述目标图像与所述背景图像的最大方差：
σ2＝(w0+w1)(u0-u1)2
其中，σ2为目标图像与背景图像的最大方差，u0为目标图像的平均灰度值，u1为背景图像的平均灰度值，w0为目标图像的像素概率，w1为背景图像的像素概率。
9.如权利要求1所述的人脸识别方法，其特征在于，根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别，具体为：
根据所述人脸偏心度的计算结果、所述人脸圆形度的计算结果、所述人脸与人脸背景比例的计算结果，在预设的特征度量数据库中查询得到对应的人脸识别结果。
10.一种人脸识别装置，其特征在于，包括：
图像预处理模块，用于将采集到的原始图像进行格式转换，得到HSB颜色格式的预处理图像；
图像分割模块，用于根据最大类间方差法，对所述预处理图像进行处理，得到由目标图像与背景图像组成的分割图像；
图像除杂模块，用于对所述分割图像进行形态学处理，得到除杂后的待比对图像；
图像计算识别模块，用于计算所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例，并根据所述待比对图像的人脸偏心度、人脸圆形度、以及人脸与人脸背景比例的计算结果进行人脸识别；
将采集到的原始图像转换为HSB颜色格式的预处理图像，具体为：
采用第四公式进行计算：
其中，R、G、B分别为原始图像的红色、绿色、蓝色对应的像素点；H、S、B分别为色度、饱和度、亮度。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至9中任意一项所述的人脸识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571289.8A CN111914632B (zh) | 2020-06-19 | 2020-06-19 | 一种人脸识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571289.8A CN111914632B (zh) | 2020-06-19 | 2020-06-19 | 一种人脸识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914632A CN111914632A (zh) | 2020-11-10 |
| CN111914632B true CN111914632B (zh) | 2024-01-05 |
Family
ID=73226151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010571289.8A Active CN111914632B (zh) | 2020-06-19 | 2020-06-19 | 一种人脸识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914632B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218615A (zh) * | 2013-04-17 | 2013-07-24 | 哈尔滨工业大学深圳研究生院 | 人脸判定方法 |
| CN103605965A (zh) * | 2013-11-25 | 2014-02-26 | 苏州大学 | 一种多姿态人脸识别方法和装置 |
| CN106485222A (zh) * | 2016-10-10 | 2017-03-08 | 上海电机学院 | 一种基于肤色分层的人脸检测方法 |
| US9633448B1 (en) * | 2014-09-02 | 2017-04-25 | Amazon Technologies, Inc. | Hue-based color naming for an image |
| CN107135664A (zh) * | 2015-12-21 | 2017-09-05 | 厦门中控生物识别信息技术有限公司 | 一种人脸识别的方法以及人脸识别装置 |
| CN107563301A (zh) * | 2017-08-09 | 2018-01-09 | 上海炬宏信息技术有限公司 | 基于图像处理技术的红灯信号检测方法 |
| CN108875623A (zh) * | 2018-06-11 | 2018-11-23 | 辽宁工业大学 | 一种基于图像特征融合对比技术的人脸识别方法 |
| CN108932493A (zh) * | 2018-06-29 | 2018-12-04 | 东北大学 | 一种面部皮肤质量评价方法 |
| CN110458012A (zh) * | 2019-07-05 | 2019-11-15 | 南京邮电大学 | 多角度人脸识别方法及装置、存储介质和终端 |
| CN110674744A (zh) * | 2019-09-24 | 2020-01-10 | 京东方科技集团股份有限公司 | 一种年龄识别方法、装置及电子设备 |
| CN110807735A (zh) * | 2018-08-06 | 2020-02-18 | Tcl集团股份有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN110969046A (zh) * | 2018-09-28 | 2020-04-07 | 深圳云天励飞技术有限公司 | 人脸识别方法、设备及计算机可读存储介质 |
-
2020
- 2020-06-19 CN CN202010571289.8A patent/CN111914632B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218615A (zh) * | 2013-04-17 | 2013-07-24 | 哈尔滨工业大学深圳研究生院 | 人脸判定方法 |
| CN103605965A (zh) * | 2013-11-25 | 2014-02-26 | 苏州大学 | 一种多姿态人脸识别方法和装置 |
| US9633448B1 (en) * | 2014-09-02 | 2017-04-25 | Amazon Technologies, Inc. | Hue-based color naming for an image |
| CN107135664A (zh) * | 2015-12-21 | 2017-09-05 | 厦门中控生物识别信息技术有限公司 | 一种人脸识别的方法以及人脸识别装置 |
| CN106485222A (zh) * | 2016-10-10 | 2017-03-08 | 上海电机学院 | 一种基于肤色分层的人脸检测方法 |
| CN107563301A (zh) * | 2017-08-09 | 2018-01-09 | 上海炬宏信息技术有限公司 | 基于图像处理技术的红灯信号检测方法 |
| CN108875623A (zh) * | 2018-06-11 | 2018-11-23 | 辽宁工业大学 | 一种基于图像特征融合对比技术的人脸识别方法 |
| CN108932493A (zh) * | 2018-06-29 | 2018-12-04 | 东北大学 | 一种面部皮肤质量评价方法 |
| CN110807735A (zh) * | 2018-08-06 | 2020-02-18 | Tcl集团股份有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN110969046A (zh) * | 2018-09-28 | 2020-04-07 | 深圳云天励飞技术有限公司 | 人脸识别方法、设备及计算机可读存储介质 |
| CN110458012A (zh) * | 2019-07-05 | 2019-11-15 | 南京邮电大学 | 多角度人脸识别方法及装置、存储介质和终端 |
| CN110674744A (zh) * | 2019-09-24 | 2020-01-10 | 京东方科技集团股份有限公司 | 一种年龄识别方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 一种复杂背景下的快速人脸检测算法;王 金 庭 等;电子技术应用(第2007年第5期期);67-69 * |
| 基于特征脸的人脸识别系统;闫宏;张兴周;刘晓瑞;;应用科技(04);1-5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914632A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1229493B1 (en) | Multi-mode digital image processing method for detecting eyes | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| US7715596B2 (en) | Method for controlling photographs of people | |
| US6920237B2 (en) | Digital image processing method and computer program product for detecting human irises in an image | |
| WO2019100282A1 (zh) | 一种人脸肤色识别方法、装置和智能终端 | |
| CN107844736B (zh) | 虹膜定位方法和装置 | |
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
| CN109886195B (zh) | 基于深度相机近红外单色灰度图的皮肤识别方法 | |
| KR20220078231A (ko) | 피부 상태 측정 장치, 이를 포함하는 피부 상태 측정 시스템 및 그 방법 | |
| CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN112528939A (zh) | 一种人脸图像的质量评价方法及装置 | |
| CN114360039A (zh) | 一种智能眼睑检测方法及系统 | |
| CN110598574A (zh) | 智能人脸监控识别方法及系统 | |
| CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
| CN114092572A (zh) | 服装颜色分析方法、系统、存储介质及计算机设备 | |
| CN113140309A (zh) | 中医面色诊断方法及装置 | |
| Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
| CN111914632B (zh) | 一种人脸识别方法、装置及存储介质 | |
| KR100488014B1 (ko) | ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법 | |
| CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
| CN110245590B (zh) | 一种基于皮肤图像检测的产品推荐方法及系统 | |
| CN113780222A (zh) | 一种人脸活体检测方法、装置、电子设备和可读存储介质 | |
| Kryszczuk et al. | Color correction for face detection based on human visual perception metaphor |
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 |