CN112329715A - 一种人脸识别方法、装置、设备及存储介质 - Google Patents

一种人脸识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112329715A
CN112329715A CN202011339576.2A CN202011339576A CN112329715A CN 112329715 A CN112329715 A CN 112329715A CN 202011339576 A CN202011339576 A CN 202011339576A CN 112329715 A CN112329715 A CN 112329715A
Authority
CN
China
Prior art keywords
threshold
preset
image
threshold value
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.)
Withdrawn
Application number
CN202011339576.2A
Other languages
English (en)
Inventor
林凡
张秋镇
陈健民
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.)
GCI Science and Technology Co Ltd
Original Assignee
GCI Science and 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 GCI Science and Technology Co Ltd filed Critical GCI Science and Technology Co Ltd
Priority to CN202011339576.2A priority Critical patent/CN112329715A/zh
Publication of CN112329715A publication Critical patent/CN112329715A/zh
Withdrawn legal-status Critical Current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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸识别方法，包括：获取待识别图像；通过预设的正态分布规律确定所述待识别图像的初始阈值范围；根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值；根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值；根据所述最优阈值识别所述待识别图像的目标区域。本发明实施例还提供了一种人脸识别装置、设备及存储介质，有效解决现有技术由于人员年龄变化、妆容姿态变化、环境复杂等原因，导致人脸识别的准确率较低的问题。

Description

一种人脸识别方法、装置、设备及存储介质
技术领域
本发明涉及图像识别技术领域，尤其涉及一种人脸识别方法、装置、设备及存储介质。
背景技术
现有技术中的人脸识别是基于人的脸部特征信息进行身份识别的一种技术，通过提取人脸特征与数据库中已存有特征信息进行比对，获取比对结果，进而进行身份的识别。但是，由于人员年龄变化、妆容姿态变化、环境复杂等原因，导致人脸识别的准确率较低。
发明内容
本发明实施例提供一种人脸识别方法、装置、设备及存储介质，能有效解决现有技术由于人员年龄变化、妆容姿态变化、环境复杂等原因，导致人脸识别的准确率较低的问题。
本发明一实施例提供一种人脸识别方法，包括：
获取待识别图像；
通过预设的正态分布规律确定所述待识别图像的初始阈值范围；
根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值；
根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值；
根据所述最优阈值识别所述待识别图像的目标区域。
作为上述方案的改进，所述通过预设的正态分布规律确定所述待识别图像的初始阈值范围，具体包括：
分别计算所述待识别图像的灰度值及方差值；
根据所述灰度值及所述方差值确定所述待识别图像的初始阈值范围。
作为上述方案的改进，所述根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值，具体包括：
对所述初始阈值范围中的阈值对应的阈值适应度进行计算；
根据预设的选择操作对所述阈值适应度进行第一次筛选；
根据预设的交叉操作对第一次筛选后的阈值适应度进行第二次筛选；
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值。
作为上述方案的改进，所述根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值，具体包括：
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至当前迭代次数达到预设的迭代次数，将阈值适应度最大的阈值作为第一阈值。
作为上述方案的改进，所述根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值，具体包括：
根据所述第一阈值和预设的阈值误差得到第一阈值范围；
根据预设的最大类间方差法在所述第一阈值范围进行搜索，得到搜索后的最优阈值。
作为上述方案的改进，所述对所述初始阈值范围中的阈值对应的阈值适应度进行计算，具体包括：
Figure BDA0002798236760000031
F(k)＝I*J*(P1-P2)*(P1-P2)/(256)2
其中，F(k)为适应度函数；I和J分别为目标图像和背景图像的像素数；S1为目标图像的像素和；S2为背景图像的像素和。
作为上述方案的改进，在所述获取待识别图像之后，在所述通过预设的正态分布规律确定所述待识别图像的初始阈值范围之前，还包括：
将所述待识别图像均分成若干个图像块。
本发明另一实施例提供了一种人脸识别装置，包括：
获取模块，用于获取待识别图像；
初始阈值范围确定模块，用于通过预设的正态分布规律确定所述待识别图像的初始阈值范围；
第一计算模块，用于根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值；
第二计算模块，用于根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值；
识别模块，用于根据所述最优阈值识别所述待识别图像的目标区域。
本发明另一实施例提供了一种人脸识别设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的人脸识别方法。
本发明另一实施例提供了一种存储介质，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上述发明实施例所述的人脸识别方法。
与现有技术相比，本发明实施例公开的人脸识别方法、装置、设备及存储介质，先通过正态分布规律确定初始阈值范围，再根据遗传算法结合最大类间方差法得到图像分割的最优阈值，从而根据最优阈值识别待识别图像。由此可见，遗传算法结合最大类间方差法使得图像分割的效果更佳明显，即使在复杂的环境中，依然稳定识别人脸。
附图说明
图1是本发明一实施例提供的一种人脸识别方法的流程示意图；
图2是本发明一实施例提供的一种人脸识别方法的步骤S20的具体流程示意图；
图3是本发明一实施例提供的一种人脸识别方法的步骤S30的具体流程示意图；
图4是本发明一实施例提供的一种人脸识别装置的结构示意图；
图5是本发明一实施例提供的一种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。
参见图1-3，是本发明一实施例提供的一种人脸识别方法的流程示意图。
本发明一实施例提供一种人脸识别方法，包括：
S10，获取待识别图像。
S20，通过预设的正态分布规律确定所述待识别图像的初始阈值范围。
S30，根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值。
S40，根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值；
S50，根据所述最优阈值识别所述待识别图像的目标区域。
需要说明的是，获取的待识别图像可以是通过摄像头拍摄的照片或者是从视频中截取的视频帧，在此不作限定。
需要说明的是，阈值分割算法是通过衡量目标区域的灰度均值、背景区域的灰度均值以及整幅图像的灰度均值之间的方差来选取最佳阈值。当方差越大时，目标区域就越能从背景区域分割出来。可以理解的是，阈值分割算法的基本原理是利用一阈值先把原图像分成目标图像和背景图像两部分，然后分别计算当前阈值下目标图像和背景图像的区域概率、区域平均灰度以及图像的总平均灰度和类间方差，并采用遍历的方法使类间方差达到最大，此时的阈值就是最佳阈值。阈值分割算法对图像中的噪声和目标部分的大小十分敏感，它仅对类间方差为单峰的图像有较好的分割效果。
综上所述，本发明实施先通过正态分布规律确定初始阈值范围，再根据遗传算法结合最大类间方差法得到图像分割的最优阈值，从而根据最优阈值识别待识别图像。由此可见，遗传算法结合最大类间方差法使得图像分割的效果更佳明显，即使在复杂的环境中，依然稳定识别人脸。而且由于通过正态分布规律限定了初始阈值范围使得更准确，从而减少了搜索最优阈值的计算量和运行时间，进而更快速的进行人脸识别。
作为上述方案的改进，所述通过预设的正态分布规律确定所述待识别图像的初始阈值范围，步骤S20，具体包括：
S200，分别计算所述待识别图像的灰度值及方差值。
具体地，设图像包含个灰度级(0，1，…，L-1)，灰度值为i的像素数为ni，则总的像素数为：
Figure BDA0002798236760000061
各灰度值出现的概率为：
Figure BDA0002798236760000062
对于pi，有：
Figure BDA0002798236760000063
设T把图像中的像素分成C0和C1两类，在[0，T-1]区间的像素组成C0，在[T，L-1]区间的像素组成C1。则区域C0和C1的概率分别为：
Figure BDA0002798236760000064
Figure BDA0002798236760000065
区域C0和C1的平均灰度分别为：
Figure BDA0002798236760000066
Figure BDA0002798236760000067
其中，μ是整幅图像的平均灰度。
μ＝P0μ0+P1μ1 (8)
此时，区域C0和C1的内部方差为：
Figure BDA0002798236760000068
Figure BDA0002798236760000069
两个区域的总方差为：
Figure BDA0002798236760000071
S201，根据所述灰度值及所述方差值确定所述待识别图像的初始阈值范围。
具体地，获取的图像的灰度值服从正态分布，而灰度值的概率密度函数公式如下：
Figure BDA0002798236760000072
其中，μ为区域灰度的平均值；δ2为区域灰度的方差。
根据正态分布规律可知，正态变量在[μ-3δ，μ+3δ]区间范围内的概率高达99.7％以上，在[，μ-3δ]和[μ+3δ，]区间范围内概率极小，那么最优阈值必在[μ-3δ，μ+3δ]范围内。因此，[μ-3δ，μ+3δ]为初始阈值范围。
作为上述方案的改进，所述根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值，步骤S30，具体包括：
S300，对所述初始阈值范围中的阈值对应的阈值适应度进行计算。
其中，
Figure BDA0002798236760000073
F(k)＝I*J*(P1-P2)*(P1-P2)/(256)2
其中，F(k)为适应度函数；I和J分别为目标图像和背景图像的像素数；S1为目标图像的像素和；S2为背景图像的像素和。
需要说明的是，适应度函数主要是通过个体特征从而判断个体的适应度。适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准。适应度函数总是非负的，而目标函数可能有正有负，故需要在目标函数与适应度函数之间进行变换。
S301，根据预设的选择操作对所述阈值适应度进行第一次筛选。
具体地，通过选择阈值适应度，优化的阈值直接遗传到下一代或通过配对交叉产生新的阈值再遗传到下一代。在本实施例中，选用轮盘赌选择作为选择算子。轮盘赌选择：是一种回放式随机采样方法，每个阈值进入下一代的概率等于它的适应度值与整个种群中阈值适应度值和的比例。还可以为随机竞争选择(Stochastic Tournament)：每次按轮盘赌选择一对个体，然后让这两个个体进行竞争，适应度高的被选中，如此反复，直到选满为止。还可以为最佳保留选择：首先按轮盘赌选择方法执行遗传算法的选择操作，然后将当前群体中适应度最高的个体结构完整地复制到下一代群体中。还可以为无回放随机选择(也叫期望值选择Excepted Value Selection)：根据每个个体在下一代群体中的生存期望来进行随机选择运算。还可以为确定式选择、无回放余数随机选择、均匀排序、最佳保存策略、随机联赛选择、排挤选择等。
S302，根据预设的交叉操作对第一次筛选后的阈值适应度进行第二次筛选。
具体地，交叉操作是指把两个父代阈值编码的部分编码加以替换重组而生成新阈值的操作。打乱种群中阈值的顺序，然后随机排序，两两组成新的一组，并根据事先预定的交叉概率进行交叉操作，生成新一代种群。在本实施例中，选择的是单点交叉，指在阈值编码串中只随机设置一个交叉点，然后再该点相互交换两个初始阈值的部分编码。还可以选用两点交叉(Two-point Crossover)、多点交叉(Multi-point Crossover)、均匀交叉(也称一致交叉，Uniform Crossover)、算术交叉(Arithmetic Crossover)等。
S303，根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值。
具体地，变异操作指将阈值编码串中的部分编码上的二进制数用该部分编码上的其它等位二进制数来替换(即用0代替1，1代替0)，从而形成新的阈值编码串。本实施例中选用均匀变异：分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换阈值编码串中部分编码上的原有二进制数。还可以为基本位变异(Simple Mutation)：对个体编码串中以变异概率、随机指定的某一位或某几位仅因座上的值做变异运算；边界变异(Boundary Mutation)：随机的取基因座上的两个对应边界基因值之一去替代原有基因值。特别适用于最优点位于或接近于可行解的边界时的一类问题；非均匀变异：对原有的基因值做一随机扰动，以扰动后的结果作为变异后的新基因值。对每个基因座都以相同的概率进行变异运算之后，相当于整个解向量在解空间中作了一次轻微的变动。
进一步地，所述根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值，具体包括：
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至当前迭代次数达到预设的迭代次数，将阈值适应度最大的阈值作为第一阈值。
在本实施例中，当迭代次数为150次时(即经过遗传算法计算150次后)，则停止筛选，迭代次数根据多次实验设置，还可以为其他值，在此不作限定。选择阈值适应度最大的阈值，再将其反编码，得到对应的十进制灰度值作为第一阈值。
作为上述方案的改进，所述根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值，具体包括：
根据所述第一阈值和预设的阈值误差得到第一阈值范围。
根据预设的最大类间方差法在所述第一阈值范围进行搜索，得到搜索后的最优阈值。
具体地，预先根据大量实验设置阈值误差为A，第一阈值为t，则第一阈值范围为[t-A，t+A]，最大类间方差法在[t-A，t+A]范围内进行局部最优搜索，即求得图像分割的最优佳阈值。
作为上述方案的改进，在所述获取待识别图像之后，在所述通过预设的正态分布规律确定所述待识别图像的初始阈值范围之前，还包括：
将所述待识别图像均分成若干个图像块。
在本实施例中，选取个小矩形窗口，每一个窗口大小为50*50像素，且每个窗口间隔50像素，这样的区域采样能够获取最接近区域实际灰度值的取样值。再分别计算出小矩形窗口各自的灰度均值μi和方差均值
Figure BDA0002798236760000101
选取它们的灰度均值和方差均值的平均值作为待识别图像的灰度值μm和方差值
Figure BDA0002798236760000102
从而确定一个阈值范围[μm-3δm，μm+3δm]。
在具体实施过程中，在[μm-3δm，μm+3δm]中选取随机产生个第一次寻优的初始阈值，通过二进制转换将初始阈值十进制数转换为二进制数。载计算各个初始阈值的阈值适应度。对各个初始阈值的阈值适应度依次进行选择操作、交叉操作、变异操作，满足预设的迭代次数后输出第一阈值，再结合最大类间方差法在[t-A，t+A]范围内进行局部最优搜索，即求得图像分割的最优佳阈值。使得即使监狱内人员的人脸打光不均、人脸所在背景环境随机多变的干扰，依然能稳定地准确识别人脸。
参见图4，是本发明一实施例提供的一种人脸识别设备的结构示意图。
本发明一实施例提供了一种人脸识别装置，包括：
获取模块10，用于获取待识别图像。
初始阈值范围确定模块20，用于通过预设的正态分布规律确定所述待识别图像的初始阈值范围。
第一计算模块30，用于根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值。
第二计算模块40，用于根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值。
识别模块50，用于根据所述最优阈值识别所述待识别图像的目标区域。
作为上述方案的改进，所述初始阈值范围确定模块20，包括：
分别计算所述待识别图像的灰度值及方差值。
根据所述灰度值及所述方差值确定所述待识别图像的初始阈值范围。
作为上述方案的改进，所述第一计算模块30，包括：
对所述初始阈值范围中的阈值对应的阈值适应度进行计算。
根据预设的选择操作对所述阈值适应度进行第一次筛选。
根据预设的交叉操作对第一次筛选后的阈值适应度进行第二次筛选。
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值。
作为上述方案的改进，所述根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值，具体包括：
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至当前迭代次数达到预设的迭代次数，将阈值适应度最大的阈值作为第一阈值。
作为上述方案的改进，所述识别模块50，包括：
根据所述第一阈值和预设的阈值误差得到第一阈值范围。
根据预设的最大类间方差法在所述第一阈值范围进行搜索，得到搜索后的最优阈值。
本发明实施例提供的一种人脸识别装置，本发明实施先通过正态分布规律确定初始阈值范围，再根据遗传算法结合最大类间方差法得到图像分割的最优阈值，从而根据最优阈值识别待识别图像。由此可见，遗传算法结合最大类间方差法使得图像分割的效果更佳明显，即使在复杂的环境中，依然稳定识别人脸。而且由于通过正态分布规律限定了初始阈值范围使得更准确，从而减少了搜索最优阈值的计算量和运行时间，进而更快速的进行人脸识别
参见图5，是本发明一实施例提供的人脸识别设备的示意图。该实施例的人脸识别设备包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器上运行的计算机程序。所述处理器11执行所述计算机程序时实现上述各个人脸识别方法实施例中的步骤。或者，所述处理器11执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序在所述人脸识别设备中的执行过程。
所述人脸识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述人脸识别设备可包括，但不仅限于，处理器11、存储器12。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的示例，并不构成对人脸识别设备的限定，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，例如所述人脸识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器11可以是中央处理单元(Central Processing Unit，CPU)，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)、现场可编程门阵列(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，所述处理器是所述人脸识别设备的控制中心，利用各种接口和线路连接整个人脸识别设备的各个部分。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述人脸识别设备的各种功能。所述存储器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(Smart Media Card，SMO)，安全数字(Secure Digital，SD)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。
其中，所述人脸识别设备集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述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。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
获取待识别图像；
通过预设的正态分布规律确定所述待识别图像的初始阈值范围；
根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值；
根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值；
根据所述最优阈值识别所述待识别图像的目标区域。
2.如权利要求1所述的人脸识别方法，其特征在于，所述通过预设的正态分布规律确定所述待识别图像的初始阈值范围，具体包括：
分别计算所述待识别图像的灰度值及方差值；
根据所述灰度值及所述方差值确定所述待识别图像的初始阈值范围。
3.如权利要求1所述的人脸识别方法，其特征在于，所述根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值，具体包括：
对所述初始阈值范围中的阈值对应的阈值适应度进行计算；
根据预设的选择操作对所述阈值适应度进行第一次筛选；
根据预设的交叉操作对第一次筛选后的阈值适应度进行第二次筛选；
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值。
4.如权利要求3所述的人脸识别方法，其特征在于，所述根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至第三次筛选后的阈值适应度满足预设的终止条件，得到第一阈值，具体包括：
根据预设的变异操作对第二次筛选后的阈值适应度进行第三次筛选，直至当前迭代次数达到预设的迭代次数，将阈值适应度最大的阈值作为第一阈值。
5.如权利要求1所述的人脸识别方法，其特征在于，所述根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值，具体包括：
根据所述第一阈值和预设的阈值误差得到第一阈值范围；
根据预设的最大类间方差法在所述第一阈值范围进行搜索，得到搜索后的最优阈值。
6.如权利要求3所述的人脸识别方法，其特征在于，所述对所述初始阈值范围中的阈值对应的阈值适应度进行计算，具体包括：
Figure FDA0002798236750000021
F(k)＝I*J*(P1-P2)*(P1-P2)/(256)2
其中，F(k)为适应度函数；I和J分别为目标图像和背景图像的像素数；S1为目标图像的像素和；S2为背景图像的像素和。
7.如权利要求所述的人脸识别方法，其特征在于，在所述获取待识别图像之后，在所述通过预设的正态分布规律确定所述待识别图像的初始阈值范围之前，还包括：
将所述待识别图像均分成若干个图像块。
8.一种人脸识别装置，其特征在于，包括：
获取模块，用于获取待识别图像；
初始阈值范围确定模块，用于通过预设的正态分布规律确定所述待识别图像的初始阈值范围；
第一计算模块，用于根据预设的遗传算法对所述初始阈值范围中的阈值进行迭代处理，直至处理后的阈值满足预设的终止条件，得到第一阈值；
第二计算模块，用于根据预设的最大类间方差法对所述第一阈值进行计算，得到最优阈值；
识别模块，用于根据所述最优阈值识别所述待识别图像的目标区域。
9.一种人脸识别设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的人脸识别方法。
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7中任意一项所述的人脸识别方法。
CN202011339576.2A 2020-11-25 2020-11-25 一种人脸识别方法、装置、设备及存储介质 Withdrawn CN112329715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011339576.2A CN112329715A (zh) 2020-11-25 2020-11-25 一种人脸识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011339576.2A CN112329715A (zh) 2020-11-25 2020-11-25 一种人脸识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112329715A true CN112329715A (zh) 2021-02-05

Family

ID=74308014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011339576.2A Withdrawn CN112329715A (zh) 2020-11-25 2020-11-25 一种人脸识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112329715A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657178A (zh) * 2021-07-22 2021-11-16 浙江大华技术股份有限公司 人脸识别方法、电子设备和计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912998A (zh) * 2016-04-05 2016-08-31 辽宁工业大学 一种基于视觉的车辆防碰撞预警方法
CN107240100A (zh) * 2017-04-06 2017-10-10 上海斐讯数据通信技术有限公司 一种基于遗传算法的图像分割方法和系统
CN109977930A (zh) * 2019-04-29 2019-07-05 中国电子信息产业集团有限公司第六研究所 疲劳驾驶检测方法及装置
CN111259806A (zh) * 2020-01-16 2020-06-09 广州杰赛科技股份有限公司 一种人脸区域识别方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912998A (zh) * 2016-04-05 2016-08-31 辽宁工业大学 一种基于视觉的车辆防碰撞预警方法
CN107240100A (zh) * 2017-04-06 2017-10-10 上海斐讯数据通信技术有限公司 一种基于遗传算法的图像分割方法和系统
CN109977930A (zh) * 2019-04-29 2019-07-05 中国电子信息产业集团有限公司第六研究所 疲劳驾驶检测方法及装置
CN111259806A (zh) * 2020-01-16 2020-06-09 广州杰赛科技股份有限公司 一种人脸区域识别方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
洪浩;霍春宝;王京;王燕;: "基于改进Otsu算法在前方目标车辆识别中的研究", 计算机技术与发展, no. 06, pages 2 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657178A (zh) * 2021-07-22 2021-11-16 浙江大华技术股份有限公司 人脸识别方法、电子设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
WO2021057848A1 (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
WO2022042123A1 (zh) 图像识别模型生成方法、装置、计算机设备和存储介质
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN109242002A (zh) 高维数据分类方法、装置及终端设备
CN108021908B (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN114943673A (zh) 瑕疵图像生成方法、装置、电子设备及存储介质
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN112131322A (zh) 时间序列分类方法及装置
CN114943672A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
CN111310834B (zh) 数据处理方法及装置、处理器、电子设备、存储介质
CN112633369B (zh) 图像匹配方法、装置、电子设备、计算机可读存储介质
CN112329715A (zh) 一种人脸识别方法、装置、设备及存储介质
CN112446428B (zh) 一种图像数据处理方法及装置
CN114417095A (zh) 一种数据集划分方法及装置
CN104899232B (zh) 协同聚类的方法和设备
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
CN110929731B (zh) 一种基于探路者智能搜索算法的医疗影像处理方法及装置
Parker et al. Nonlinear time series classification using bispectrum‐based deep convolutional neural networks
CN114511760B (zh) 一种样本均衡方法、装置、设备及存储介质
CN111259806B (zh) 一种人脸区域识别方法、装置及存储介质
CN115511262A (zh) 变压器质量检测方法及装置
CN115512181A (zh) 一种区域生成网络训练方法、装置及可读存储介质
CN109614854B (zh) 视频数据处理方法及装置、计算机装置及可读存储介质
US11676050B2 (en) Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes
CN115130602A (zh) 密度不均匀数据聚类方法、装置、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210205

WW01 Invention patent application withdrawn after publication