CN112200080A - 一种人脸识别方法、装置、电子设备及存储介质 - Google Patents

一种人脸识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112200080A
CN112200080A CN202011076760.2A CN202011076760A CN112200080A CN 112200080 A CN112200080 A CN 112200080A CN 202011076760 A CN202011076760 A CN 202011076760A CN 112200080 A CN112200080 A CN 112200080A
Authority
CN
China
Prior art keywords
face
image
target
features
feature
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
Application number
CN202011076760.2A
Other languages
English (en)
Inventor
王改
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202011076760.2A priority Critical patent/CN112200080A/zh
Publication of CN112200080A publication Critical patent/CN112200080A/zh
Pending legal-status Critical Current

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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种人脸识别方法、装置、电子设备及存储介质，方法包括：获取图像采集设备采集的目标图像；对目标图像进行人脸检测，得到目标人脸图像；采用局部二值模式根据目标人脸图像进行特征提取，得到第一人脸特征；利用预训练的级联分类器根据第一人脸特征进行分类处理，得到分类结果，级联分类器由多个强分类器级联而成，分类处理包括根据第一人脸特征进行特征选择，得到关键人脸特征，并根据关键人脸特征进行分类，分类结果用于指示基于目标图像人脸识别是否通过。采用本申请，可以提升人脸识别速率，并且人脸识别门槛较低，较易落地实施。所述目标图像可存储于区块链中，本案可应用于医院挂号时的身份识别，提高身份识别速率。

Description

一种人脸识别方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种人脸识别方法、装置、电子设备及存储介质。
背景技术
随着科技的发展，人脸识别技术也在人们的日常生活中得到了广泛的应用。例如，可将人脸识别技术用于门禁打卡、行人通行、智能支付等业务场景下。
在人脸识别过程中，通常使用图像样本集协方差矩阵的特征向量来表述人脸图像。此外，还会使用人脸的几何特征来描述人脸图像。之后通过隐马尔可夫模型等序列模型做出人脸的判断。然而，发明人发现，采用上述方法耗时较长，并且一些流程过于依赖经验的判断，导致在各业务场景下难以落地。可见，上述方法会出现人脸识别速度慢、人脸识别门槛高等问题。
发明内容
本申请实施例提供的一种人脸识别方法、装置、电子设备及存储介质，可以提升人脸识别速率，人脸识别门槛较低，较易落地实施。
第一方面，本申请实施例提供了一种人脸识别方法，包括：
获取图像采集设备采集的目标图像；
对所述目标图像进行人脸检测，得到目标人脸图像；
采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征；
利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
可选地，采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征，包括：
采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征；
根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征。
可选地，所述采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征，包括：
将所述目标人脸图像划分为多个区域；
对多个区域中每个区域进行特征提取，得到每个区域的LBP特征；
所述根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征，包括：
根据所述每个区域的LBP特征构建每个区域的统计直方图，并根据所述每个区域的统计直方图获得第一人脸特征。
可选地，所述方法还包括：
采用预训练的深度神经网络模型对所述目标人脸图像进行特征提取，得到第二人脸特征；
所述利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，包括：
利用预训练的级联分类器根据所述第一人脸特征和所述第二人脸特征进行分类处理，得到分类结果；
所述根据所述第一人脸特征进行特征选择，得到关键人脸特征，包括：
根据所述第一人脸特征和所述第二人脸特征进行特征选择，得到关键人脸特征。
可选地，所述根据所述关键人脸特征进行分类，得到分类结果，包括：
将所述关键人脸特征与结构化数据库中的各人脸特征进行比对，得到比对结果；
根据所述比对结果确定分类结果。
可选地，所述对所述目标图像进行人脸检测，得到目标人脸图像，包括：
对所述目标图像进行人脸检测，得到第一人脸图像；
确定所述第一人脸图像包括的多个关键点，并根据所述多个关键点对所述第一人脸图像进行矫正，得到第二人脸图像；
将所述第二人脸图像确定为目标人脸图像。
可选地，所述获取图像采集设备采集的目标图像，包括：
获取图像采集设备在预设时间段内采集的多帧图像；
计算所述多帧图像之间的相似度，并从所述多帧图像中确定出相似度大于或等于预设相似度的两帧图像；
将所述两帧图像中任一帧图像确定为目标图像。
第二方面，本申请实施例提供了一种人脸识别装置，包括：
获取模块，用于获取图像采集设备采集的目标图像；
检测模块，用于对所述目标图像进行人脸检测，得到目标人脸图像；
特征提取模块，用于采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征；
分类模块，用于利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
第三方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面所述的方法。
第四方面，本申请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存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的方法。
综上所述，电子设备可以获取图像采集设备采集的目标图像，并对该目标图像进行人脸检测，得到目标人脸图像；电子设备采用局部二值模式根据该目标人脸图像进行特征提取，得到第一人脸特征，进而利用预训练的级联分类器根据该第一人脸特征进行分类处理，得到用于指示基于该目标图像人脸识别是否通过的分类结果，该过程相较于现有技术在进行复杂的特征描述后，再通过隐马尔夫模型进行人脸识别的过程，本申请可以提升人脸识别速率，并且人脸识别门槛较低，较易落地实施。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的一种人脸识别方法的流程示意图；
图2是本申请实施例提供的另一种人脸识别方法的流程示意图；
图3A是本申请实施例提供的一种级联分类器训练过程示意图；
图3B是本申请实施例提供的另一种级联分类器训练过程示意图；
图4是本申请实施例提供的一种人脸识别装置的结构示意图；
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
人脸识别作为基于人脸特征进行身份识别的一种生物识别技术，被广泛的应用到了各种业务场景中。
人脸识别的关键就在于人脸特征的生成和计算。在一般的场景下，人脸图片矫正后会将采集到的彩色人脸图片转为灰度图片。之所以将彩色人脸图片转换为灰度图片，是因为灰度图片的处理速度比较快而且准确度高，彩色图片涉及到的特征过多，会导致人脸识别出现速度和精度问题。在现有的人脸识别方法中，通常使用图像样本集协方差的特征向量来表述人脸图像，或使用人脸特征的几何描述法，即可以基于人脸的几何特征来描述人脸图像。之后通过隐马尔科夫等序列模型做出人脸的判断。然而，该方法存在耗时长，一些流程过于依赖经验的判断，导致在一些场景，如利用门禁机进行人脸识别的业务难以落地。总的来讲，现有技术的人脸识别方法有特征设定困难，人脸识别门槛高，人脸识别速度慢等问题。为了解决现有技术的技术问题，本申请做了如下改进：
1、采用局部二值模式(Local Binary Patterns，LBP)来描述人脸特征。这种方法相较于人脸特征几何描述等方法，在特征生成上有了很大的改进，使得人脸识别在特征提取这一步可以自动完成和准确完成。同时，这种方法具备很强的场景适应能力。这种模式具有灰度不变性和旋转不变性的特征，可以适用于各种场景下的人脸特征描述，比如不同光照条件下人脸特征描述不会有很大偏差。并且采用这种方法描述人脸特征，它不是直接将每次人脸的LBP特征图谱用于分类，而是可以将LBP特征的统计直方图作为特征向量用于分类，这种方法具有很强的鲁棒性。
此外，这种方法在人脸检测1：N的业务场景上有着稳定的准确率。例如，在门禁通行的场景下，可以获取门禁机采集的图像，并根据图像提取人脸特征，然后将提取的人脸特征与预设的人脸库(即本文提到的结构化数据库)进行对比，此处需要验证人脸通行的“1”在人脸库中的“N”是存在的，如果存在就可通行，如果不存在，就无法通行。而且，因为局部二值模式提取了人脸特征的关键点，在以前的方法中，根据几何特征描述容易生成造成人脸检测混淆的特征向量，导致1：N场景下人脸检测容易出错。
2、采用预训练的级联分类器进行特征选择和分类。不同于单一分类器筛选特征的方法，本申请提及的级联分类器采用的是强分类器做组合，更加提升了人脸识别准确度。而单一的分类器并无准确率的保障。级联分类器的原理是通过多个分类器，在迭代和寻找最优参数的过程中，级联分类器为每一个分类器分配权重，最后得到的分类器是多个强分类器的加权和结果。在级联分类器筛选特征的方法中，因为人脸会产生非常多的特征，通过级联分类器的强分类器组合仅仅筛选少数的特征作为检测，而保证能够找到人与人的图像之间不同的特征点。而且级联分类器能够有效的提升分类处理效率。并且，实验证明，同样达到99％的人脸检测率，级联分类器采用的特征更少。
本申请涉及区块链技术，如可以将目标图像存储至区块链中，或将目标图像的摘要信息存储至区块链中，后如有需要可以基于区块链存储的数据查询出该目标图像以用于图像取证等场景下。
下面将对本申请提供的一种人脸识别方法进行阐述。
请参阅图1，为本申请实施例提供的一种人脸识别方法的流程示意图，该方法可以应用于电子设备，该电子设备可以为终端或服务器。具体的，该方法可以包括以下步骤：
S101、获取图像采集设备采集的目标图像。
其中，图像采集设备可以为门禁机、远程监控设备(如摄像设备)、智能手机、平板电脑等具备图像采集功能的设备。目标图像是指图像采集设备采集的图像。
在一个实施例中，电子设备可以从图像采集设备中，获取该图像采集设备采集的目标图像；或，电子设备可以从存储了图像采集设备采集的图像的设备中，获取该图像采集设备采集的目标图像。下面对电子设备从图像采集设备中，获取该图像采集设备采集的目标图像的情况进行说明。
在一个实施例中，电子设备从图像采集设备中，获取该图像采集设备采集的目标图像的过程可以为电子设备接收图像采集设备发送的图像采集设备采集的目标图像。实时获取目标图像，能够使得人脸识别更具实时性，使得对实时性有要求的场景下关于人脸识别的应用更加便捷。
在一个实施例中，电子设备从图像采集设备中，获取该图像采集设备采集的目标图像的过程可以为电子设备发送图像获取指令至图像采集设备，并接收图像采集设备响应于该图像获取指令返回的图像采集设备采集的目标图像。
在一个实施例中，电子设备获取图像采集设备采集的目标图像的方式可以为：电子设备可以获取图像采集设备采集的第一图像，该第一图像包括多个人脸图像；电子设备对多个人脸图像进行表情识别，如果识别到表情为指定表情的人脸图像，则将该为指定表情的人脸图像确定为目标图像，并截取该目标图像。
在一个实施例中，电子设备可以从图像采集设备获取图像采集设备采集的第一图像；或，电子设备可以从存储了图像采集设备采集的图像的设备中，获取该图像采集设备采集的第一图像。
在一个实施例中，该第一图像可以携带表情标签，该表情标签指示了待人脸识别的人物的表情。该指定表情可以为该表情标签指示的表情。
在一个实施例中，电子设备获取图像采集设备采集的目标图像的方式可以为：电子设备可以获取图像采集设备采集的第二图像，该第二图像包括多个人脸图像；电子设备识别多个人脸图像中每个人脸图像所在区域，并计算每个人脸图像时所在区域的面积；电子设备确定出多个人脸图像中对应所在区域的面积最大的人脸图像作为目标图像，并从该第二图像中截取该目标图像。该第二图像可以与第一图像相同或不同。
在一个实施例中，电子设备可以从图像采集设备获取图像采集设备采集的第二图像；或，电子设备可以从存储了图像采集设备采集的图像的设备中，获取该图像采集设备采集的第二图像。
在一个实施例中，电子设备可以获取图像采集设备采集的目标图像的过程可以为电子设备获取图像采集设备采集的多张图像，并从多张图像中确定出目标图像。
在一个实施例中，电子设备获取图像采集设备采集的目标图像的过程具体可以为电子设备可以从多张图像中随机选取一张图像作为目标图像。
在一个实施例中，电子设备获取图像采集设备采集的目标图像的过程还可以为电子设备获取图像采集设备在预设时间段内采集的多帧图像；电子设备计算该多帧图像之间的相似度，并从该多帧图像中确定出相似度大于或等于预设相似度的两帧图像，从而将该两帧图像中任一帧图像确定为目标图像。采用该过程可以避免对相似的图像重复进行人脸识别，可以减轻电子设备的工作量。
在一个实施例中，电子设备也可以采用上述方式从多张图像中确定出第一图像或第二图像，本申请实施例在此不做赘述。
S102、对所述目标图像进行人脸检测，得到目标人脸图像。
S103、采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征。
现有技术的人脸识别方法一般在业务思考上存在不足，例如部分产品没有考虑到也许会采集多人头图像，也许会多人头检测，人脸图片在不同情况下的采集效果不一致，这些思考上的不足导致人脸识别效果不是非常理想。考虑到在不同业务场景中的应用，本申请实施例可以对目标图像进行人脸检测，得到目标人脸图像，并采用局部二值模式根据目标人脸图像进行特征提取，得到第一人脸特征。该过程可以实现多人头检测，并且即使采集的图像质量较差也能有效保证提取的特征质量，具备较强的场景适应能力。
在一个实施例中，所述的人脸图像可以为根据目标图像得到的第一人脸图像，电子设备对该目标图像进行人脸检测，得到目标人脸图像的过程可以如下：电子设备对该目标图像进行人脸检测，得到第一人脸图像；电子设备将该第一人脸图像确定为目标人脸图像。这里的第一人脸图像指对目标图像进行人脸检测后得到的人脸图像。
在一个实施例中，所述的人脸图像可以为根据目标图像得到的第二人脸图像。电子设备对该目标图像进行人脸检测，得到人脸图像的过程可以如下：电子设备对该目标图像进行人脸检测，得到第一人脸图像；电子设备确定该第一人脸图像包括的多个关键点，并根据该多个关键点对该第一人脸图像进行矫正，得到第二人脸图像；电子设备将该第二人脸图像确定为目标人脸图像。这里的第二人脸图像是指对第一人脸图像矫正后得到的人脸图像。该过程通过对第一人脸图像进行矫正，使得目标人脸图像更加标准，能够提升人脸识别准确度。
在一个实施例中，电子设备采用局部二值模式根据该目标人脸图像进行特征提取，得到第一人脸特征的过程可以如下：电子设备采用局部二值模式根据该目标人脸图像进行特征提取，得到该目标人脸图像的LBP特征，并根据该LBP特征构建统计直方图，并根据该统计直方图获得第一人脸特征。
在一个实施例中，在不对人脸图像进行区域划分的情况下，电子设备根据该LBP特征构建统计直方图，并根据该统计直方图获得第一人脸特征的过程可以为电子设备根据该人脸图像的LBP特征构建该人脸图像的统计直方图，并将该人脸图像的统计直方图作为第一人脸特征。
在一个实施例中，在对人脸图像进行区域划分的情况下，电子设备采用局部二值模式根据该目标人脸图像进行特征提取，得到该目标人脸图像的LBP特征的过程可以为电子设备将该目标人脸图像划分为多个区域，并对多个区域中每个区域进行特征提取，得到每个区域的LBP特征。在一个实施例中，电子设备对多个区域中每个区域进行特征提取，得到每个区域的LBP特征的过程可以为电子设备对多个区域中每个区域包括的各像素点进行特征提取，得到每个区域的包括的各像素点的LBP特征。
在一个实施例中，电子设备根据该LBP特征构建统计直方图，并根据该统计直方图获得第一人脸特征的过程可以为电子设备根据该每个区域的LBP特征构建每个区域的统计直方图，并根据该每个区域的统计直方图获得第一人脸特征。在一个实施例中，电子设备根据该每个区域的LBP特征构建每个区域的统计直方图的过程可以为电子设备根据该每个区域的各像素点的LBP特征构建每个区域的统计直方图。在一个实施例中，电子设备根据该每个区域的统计直方图获得第一人脸特征的过程可以为电子设备根据该每个区域的各像素点的LBP特征构建多尺度的LBP特征，并将该多尺度的LBP特征确定为第一人脸特征。
S104、利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
现有技术的人脸识别方法一般会采用adaboost算法作为特征筛选的算法，然而adaboost算法是结合弱分类器的算法，该算法会筛选出较多的人脸特征。在实际的业务场景下往往有很多不必要的人脸特征在干扰关键的人脸特征，采用这个方法导致人脸识别准确度较低。本申请实施例引入预训练的级联分类器来根据第一人脸特征进行分类处理，相较于adaboost算法，本申请实施例可以提升人脸识别准确度。
在一个实施例中，电子设备根据该关键人脸特征进行分类，得到分类结果的过程可以如下；电子设备将该关键人脸特征与结构化数据库中的各人脸特征进行比对，得到比对结果，并根据该比对结果确定分类结果。其中，结构化数据库可以包括多个人脸特征，如可以包括训练级联分类器过程中得到的多个关键人脸特征。
在一个实施例中，电子设备可以在得到分类结果后，根据该分类结果进行业务处理。例如，在门禁打卡的场景下，电子设备可以根据分类结果生成打卡成功或失败的提示信息，并输出该打卡成功或失败的提示信息至相关设备。或，电子设备还可以在确认打卡成功时，获取打卡信息，并将打卡信息存到指定设备。再如，在门禁通行时，电子设备可以根据分类结果选择是否发送开门或开栅栏的指令至相关设备，以达到通过人脸识别判断是否放行行人的目的。
可见，图1所示的实施例中，电子设备可以获取图像采集设备采集的目标图像，并对该目标图像进行人脸检测，得到目标人脸图像；电子设备采用局部二值模式根据该目标人脸图像进行特征提取，得到第一人脸特征，进而利用预训练的级联分类器根据该第一人脸特征进行分类处理，得到用于指示基于该目标图像人脸识别是否通过的分类结果，该过程能够提升人脸识别速率，并且人脸识别门槛较低，较易落地实施。
请参阅图2，为本申请实施例提供的另一种人脸识别方法的流程示意图。该方法可以应用于前述提及的电子设备中。具体的，该方法可以包括以下步骤：
S201、获取图像采集设备采集的目标图像。
S202、对所述目标图像进行人脸检测，得到目标人脸图像。
S203、采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征。
其中，步骤S201-步骤S203可参见图1实施例中的步骤S101-步骤S103，本申请实施例中在此不做赘述。
S204、采用预训练的深度神经网络模型对所述目标人脸图像进行特征提取，得到第二人脸特征。
本申请实施例中，电子设备可以采用预训练的深度神经网络模型对目标人脸图像进行特征提取，得到第二人脸特征，第二人脸特征与第一人脸特征不同。该过程引入深度神经网络模型来进行特征提取，可以获取其它维度的人脸特征以用于人脸识别，从而提升人脸识别过程的准确度。
在一个实施例中，电子设备采用预训练的深度神经网络对目标人脸图像进行特征提取，得到第二人脸特征的过程可以如下：电子设备将该目标人脸图像作为预训练的深度神经网络的输入数据，通过该预训练的深度神经网络对该目标人脸图像进行特征提取，得到第二人脸特征。本申请实施例中，预训练的深度神经网络提取的人脸特征相较于通过局部二值模式提取的人脸特征，预训练的深度神经网络提取的人脸特征将更加丰富。
S205、利用预训练的级联分类器根据所述第一人脸特征以及所述第二人脸特征进行特征选择，得到关键人脸特征，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征和所述第二人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
本申请实施例中，在获得第一人脸特征和第二人脸特征后，电子设备可以利用预训练的级联分类器根据该第一人脸特征以及该第二人脸特征进行特征选择，得到关键人脸特征，该分类处理包括根据该第一人脸特征和该第二人脸特征进行特征选择，得到关键人脸特征，并根据该关键人脸特征进行分类。本申请实施例通过引入第二人脸特征作为第二人脸特征的特征补充，丰富了用于分类处理的人脸特征，可以有效的提高分类准确度，也就是人脸识别准确度。
其中，训练级联分类器的过程可以参见图3A和图3B所示的过程。
在一个实施例中，参见图3A，电子设备可以获取原始图像。原始图像可以为多张。电子设备对原始图像进行人脸检测，得到人脸图像。电子设备采用局部二值模式根据该人脸图像进行特征提取，得到第三人脸特征。此处的第三人脸特征主要用于与前述提及的第一人脸特征和第二人脸特征区分开，不表示顺序关系。电子设备将第三人脸特征作为级联分类器的输入数据对级联分类器进行训练，得到预训练的级联分类器。
在一个实施例中，参见图3B，与图3A不同的是，图3B还包括对原始图像进行人脸检测，得到第三人脸图像的具体过程，该过程包括人脸关键点发现以及人脸图像矫正过程。该过程可以参见前述提及的对目标图像进行人脸检测，得到目标人脸图像的具体过程，本申请实施例在此不做赘述。所述的第三人脸图像主要用于与前述提及的目标人脸图像、第一人脸图像和第二人脸图像区分开，不表示顺序关系。此外，图3B还包括将训练级联分类器过程中得到的多个关键人脸特征存储到结构化数据库以及发布和应用预训练的级联分类器的过程。
在一个实施例中，电子设备还可以采用预训练的深度神经网络根据该人脸图像进行特征提取，得到第四人脸特征。此处的第四人脸特征主要用于与前述提及的第一人脸特征、第二人脸特征和第三人脸特征区分开，不表示顺序关系，之后，电子设备可以将第三人脸特征和第四人脸特征作为级联分类器的输入数据对级联分类器进行训练，得到预训练的级联分类器。
可见，图2所示的实施例中，电子设备可以获得第二人脸特征，并结合第一人脸特征和第二人脸特征来进行人脸识别，相较于单一使用第一人脸特征来进行人脸识别的过程，结合第一人脸特征和第二人脸特征来进行人脸识别的过程，有效地提升的人脸识别的准确度。
所述人脸识别方法可应用于医院挂号时的身份识别，从而提高身份识别的效率。本案可应用于智慧医疗领域，通过本方案能够推动智慧城市的建设。
请参阅图4，为本申请实施例提供的一种人脸识别装置的结构示意图。该装置可以应用于前述提及的电子设备。该装置可以包括：
获取模块401，用于获取图像采集设备采集的目标图像。
检测模块402，用于对所述目标图像进行人脸检测，得到目标人脸图像。
特征提取模块403，用于采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征。
分类模块404，用于利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
在一种可选的实施方式中，特征提取模块403采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征具体为采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征；根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征。
在一种可选的实施方式中，特征提取模块403采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征，具体为将所述目标人脸图像划分为多个区域；对多个区域中每个区域进行特征提取，得到每个区域的LBP特征。
在一种可选的实施方式中，特征提取模块403根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征，具体为根据所述每个区域的LBP特征构建每个区域的统计直方图，并根据所述每个区域的统计直方图获得第一人脸特征。
在一种可选的实施方式中，特征提取模块403，还用于采用预训练的深度神经网络模型对所述目标人脸图像进行特征提取，得到第二人脸特征。
在一种可选的实施方式中，分类模块404利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，具体为利用预训练的级联分类器根据所述第一人脸特征和所述第二人脸特征进行分类处理，得到分类结果。
在一种可选的实施方式中，分类模块404根据所述第一人脸特征进行特征选择，得到关键人脸特征，具体为根据所述第一人脸特征和所述第二人脸特征进行特征选择，得到关键人脸特征。
在一种可选的实施方式中，分类模块404根据所述关键人脸特征进行分类，得到分类结果，具体为将所述关键人脸特征与结构化数据库中的各人脸特征进行比对，得到比对结果；根据所述比对结果确定分类结果。
在一种可选的实施方式中，检测模块402对所述目标图像进行人脸检测，得到目标人脸图像，具体为对所述目标图像进行人脸检测，得到第一人脸图像；确定所述第一人脸图像包括的多个关键点，并根据所述多个关键点对所述第一人脸图像进行矫正，得到第二人脸图像；将所述第二人脸图像确定为目标人脸图像。
在一种可选的实施方式中，获取模块401获取图像采集设备采集的目标图像，具体为获取图像采集设备在预设时间段内采集的多帧图像；计算所述多帧图像之间的相似度，并从所述多帧图像中确定出相似度大于或等于预设相似度的两帧图像；将所述两帧图像中任一帧图像确定为目标图像。
可见，图4所示的实施例中，人脸识别装置可以获取图像采集设备采集的目标图像，并对该目标图像进行人脸检测，得到目标人脸图像；人脸识别装置采用局部二值模式根据该目标人脸图像进行特征提取，得到第一人脸特征，进而利用预训练的级联分类器根据该第一人脸特征进行分类处理，得到用于指示基于该目标图像人脸识别是否通过的分类结果，该过程能够提升人脸识别速率，并且人脸识别门槛较低，较易落地实施。
请参阅图5，为本申请实施例提供的一种电子设备的结构示意图。本实施例中所描述的电子设备可以包括：一个或多个处理器1000，一个或多个输入设备2000，一个或多个输出设备3000和存储器4000。处理器1000、输入设备2000、输出设备3000和存储器4000可以通过总线连接。其中，输入设备2000和输出设备3000为该电子设备中可选的设备，即该电子设备可以仅包括处理器1000和存储器4000。在一个实施例中，输入设备2000、输出设备3000可以是标准的有线或无线通信接口。
处理器1000可以是中央处理模块(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。
存储器4000可以是高速RAM存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器4000用于存储一组程序代码，输入设备2000、输出设备3000和处理器1000可以调用存储器4000中存储的程序代码。具体地：
处理器1000，用于获取图像采集设备采集的目标图像；对所述目标图像进行人脸检测，得到目标人脸图像；采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征；利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
在一个实施例中，处理器1000采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征，具体为采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征；根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征。
在一个实施例中，处理器1000采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征，具体为将所述目标人脸图像划分为多个区域；对多个区域中每个区域进行特征提取，得到每个区域的LBP特征。
在一个实施例中，处理器1000根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征，具体为根据所述每个区域的LBP特征构建每个区域的统计直方图，并根据所述每个区域的统计直方图获得第一人脸特征。
在一个实施例中，处理器1000，还用于采用预训练的深度神经网络模型对所述目标人脸图像进行特征提取，得到第二人脸特征。
在一个实施例中，处理器1000利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，具体为利用预训练的级联分类器根据所述第一人脸特征和所述第二人脸特征进行分类处理，得到分类结果。
在一个实施例中，处理器1000根据所述第一人脸特征进行特征选择，得到关键人脸特征，具体为根据所述第一人脸特征和所述第二人脸特征进行特征选择，得到关键人脸特征。
在一个实施例中，处理器1000根据所述关键人脸特征进行分类，得到分类结果，具体为将所述关键人脸特征与结构化数据库中的各人脸特征进行比对，得到比对结果；根据所述比对结果确定分类结果。
在一个实施例中，处理器1000对所述目标图像进行人脸检测，得到目标人脸图像，具体为对所述目标图像进行人脸检测，得到第一人脸图像；确定所述第一人脸图像包括的多个关键点，并根据所述多个关键点对所述第一人脸图像进行矫正，得到第二人脸图像；将所述第二人脸图像确定为目标人脸图像。
在一个实施例中，处理器1000获取图像采集设备采集的目标图像，具体为获取图像采集设备在预设时间段内采集的多帧图像；计算所述多帧图像之间的相似度，并从所述多帧图像中确定出相似度大于或等于预设相似度的两帧图像；将所述两帧图像中任一帧图像确定为目标图像。
具体实现中，本申请实施例中所描述的处理器1000、输入设备2000、输出设备3000可执行图1实施例、图2实施例所描述的实现方式，也可执行本申请实施例所描述的实现方式，在此不再赘述。
在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采样硬件的形式实现，也可以采样软件功能模块的形式实现。
本领域普通技术人员可以理解实现上述实施例方法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，可包括如上述各方法的实施例的流程。其中，所述的计算机可读存储介质可为易失性的或非易失性的。例如，该计算机存储介质可以为磁碟、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。所述的计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
获取图像采集设备采集的目标图像；
对所述目标图像进行人脸检测，得到目标人脸图像；
采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征；
利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
2.根据权利要求1所述的方法，其特征在于，采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征，包括：
采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征；
根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征。
3.根据权利要求2所述的方法，其特征在于，
所述采用局部二值模式根据所述目标人脸图像进行特征提取，得到所述目标人脸图像的LBP特征，包括：
将所述目标人脸图像划分为多个区域；
对多个区域中每个区域进行特征提取，得到每个区域的LBP特征；
所述根据所述LBP特征构建统计直方图，并根据所述统计直方图获得第一人脸特征，包括：
根据所述每个区域的LBP特征构建每个区域的统计直方图，并根据所述每个区域的统计直方图获得第一人脸特征。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采用预训练的深度神经网络模型对所述目标人脸图像进行特征提取，得到第二人脸特征；
所述利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，包括：
利用预训练的级联分类器根据所述第一人脸特征和所述第二人脸特征进行分类处理，得到分类结果；
所述根据所述第一人脸特征进行特征选择，得到关键人脸特征，包括：
根据所述第一人脸特征和所述第二人脸特征进行特征选择，得到关键人脸特征。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述关键人脸特征进行分类，得到分类结果，包括：
将所述关键人脸特征与结构化数据库中的各人脸特征进行比对，得到比对结果；
根据所述比对结果确定分类结果。
6.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行人脸检测，得到目标人脸图像，包括：
对所述目标图像进行人脸检测，得到第一人脸图像；
确定所述第一人脸图像包括的多个关键点，并根据所述多个关键点对所述第一人脸图像进行矫正，得到第二人脸图像；
将所述第二人脸图像确定为目标人脸图像。
7.根据权利要求1所述的方法，其特征在于，所述获取图像采集设备采集的目标图像，包括：
获取图像采集设备在预设时间段内采集的多帧图像；
计算所述多帧图像之间的相似度，并从所述多帧图像中确定出相似度大于或等于预设相似度的两帧图像；
将所述两帧图像中任一帧图像确定为目标图像。
8.一种人脸识别装置，其特征在于，包括：
获取模块，用于获取图像采集设备采集的目标图像；
检测模块，用于对所述目标图像进行人脸检测，得到目标人脸图像；
特征提取模块，用于采用局部二值模式根据所述目标人脸图像进行特征提取，得到第一人脸特征；
分类模块，用于利用预训练的级联分类器根据所述第一人脸特征进行分类处理，得到分类结果，所述级联分类器由多个强分类器级联而成，所述分类处理包括根据所述第一人脸特征进行特征选择，得到关键人脸特征，并根据所述关键人脸特征进行分类，所述分类结果用于指示基于所述目标图像人脸识别是否通过。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一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存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的方法。
CN202011076760.2A 2020-10-10 2020-10-10 一种人脸识别方法、装置、电子设备及存储介质 Pending CN112200080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011076760.2A CN112200080A (zh) 2020-10-10 2020-10-10 一种人脸识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011076760.2A CN112200080A (zh) 2020-10-10 2020-10-10 一种人脸识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112200080A true CN112200080A (zh) 2021-01-08

Family

ID=74013348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011076760.2A Pending CN112200080A (zh) 2020-10-10 2020-10-10 一种人脸识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112200080A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241559A (zh) * 2021-12-16 2022-03-25 中国农业银行股份有限公司 人脸识别方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809123A (zh) * 2016-03-04 2016-07-27 北京智慧眼科技股份有限公司 人脸检测方法及装置
WO2017197620A1 (en) * 2016-05-19 2017-11-23 Intel Corporation Detection of humans in images using depth information
CN109389074A (zh) * 2018-09-29 2019-02-26 东北大学 一种基于人脸特征点提取的表情识别方法
CN110084135A (zh) * 2019-04-03 2019-08-02 平安科技（深圳）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN110163111A (zh) * 2019-04-24 2019-08-23 平安科技（深圳）有限公司 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN110795995A (zh) * 2019-09-16 2020-02-14 平安科技（深圳）有限公司 数据处理方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809123A (zh) * 2016-03-04 2016-07-27 北京智慧眼科技股份有限公司 人脸检测方法及装置
WO2017197620A1 (en) * 2016-05-19 2017-11-23 Intel Corporation Detection of humans in images using depth information
CN109389074A (zh) * 2018-09-29 2019-02-26 东北大学 一种基于人脸特征点提取的表情识别方法
CN110084135A (zh) * 2019-04-03 2019-08-02 平安科技（深圳）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN110163111A (zh) * 2019-04-24 2019-08-23 平安科技（深圳）有限公司 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN110795995A (zh) * 2019-09-16 2020-02-14 平安科技（深圳）有限公司 数据处理方法、装置及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241559A (zh) * 2021-12-16 2022-03-25 中国农业银行股份有限公司 人脸识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110728255B (zh) 图像处理方法、装置、电子设备及存储介质
US8805018B2 (en) Method of detecting facial attributes
Tapia et al. Gender classification from iris images using fusion of uniform local binary patterns
CN111241975B (zh) 一种基于移动端边缘计算的人脸识别检测方法及系统
WO2019033525A1 (zh) Au特征识别方法、装置及存储介质
CN111695392B (zh) 基于级联的深层卷积神经网络的人脸识别方法及系统
Kalas Real time face detection and tracking using OpenCV
Mady et al. Face recognition and detection using Random forest and combination of LBP and HOG features
US20100111375A1 (en) Method for Determining Atributes of Faces in Images
CN110728252B (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
Anand et al. An improved local binary patterns histograms techniques for face recognition for real time application
CN112861695A (zh) 行人身份再识别方法、装置、电子设备及存储介质
WO2023279799A1 (zh) 对象识别方法、装置和电子系统
Benzaoui et al. Face recognition using 1DLBP, DWT and SVM
Hou et al. A cognitively motivated method for classification of occluded traffic signs
del Río et al. Face-based recognition systems in the ABC e-gates
CN112200080A (zh) 一种人脸识别方法、装置、电子设备及存储介质
Mohandas et al. On the use of deep learning enabled face mask detection for access/egress control using TensorFlow Lite based edge deployment on a Raspberry Pi
Gangopadhyay et al. FACE DETECTION AND RECOGNITION USING HAAR CLASSIFIER AND LBP HISTOGRAM.
Curran et al. The use of neural networks in real-time face detection
Yanakova et al. Facial recognition technology on ELcore semantic processors for smart cameras
Gupta et al. HaarCascade and LBPH Algorithms in Face Recognition Analysis
Hutagalung et al. The Effectiveness Of OpenCV Based Face Detection In Low-Light Environments
Xingbao et al. Pedestrian recognition based on saliency detection and Kalman filter algorithm in aerial video
Chen Design and simulation of AI remote terminal user identity recognition system based on reinforcement learning

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