CN112699763B - 基于聚类数据库的人脸认证方法和系统 - Google Patents

基于聚类数据库的人脸认证方法和系统 Download PDF

Info

Publication number
CN112699763B
CN112699763B CN202011556587.6A CN202011556587A CN112699763B CN 112699763 B CN112699763 B CN 112699763B CN 202011556587 A CN202011556587 A CN 202011556587A CN 112699763 B CN112699763 B CN 112699763B
Authority
CN
China
Prior art keywords
face
image
target object
face image
facial
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
Application number
CN202011556587.6A
Other languages
English (en)
Other versions
CN112699763A (zh
Inventor
周建飞
余丹
兰雨晴
王丹星
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.)
Zhongbiao Huian Information Technology Co Ltd
Original Assignee
Zhongbiao Huian Information 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 Zhongbiao Huian Information Technology Co Ltd filed Critical Zhongbiao Huian Information Technology Co Ltd
Priority to CN202011556587.6A priority Critical patent/CN112699763B/zh
Publication of CN112699763A publication Critical patent/CN112699763A/zh
Application granted granted Critical
Publication of CN112699763B publication Critical patent/CN112699763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于聚类数据库的人脸认证方法和系统，其通过在不同曝光强度下对目标对象进行拍摄，以此获得若干不同曝光程度的脸部图像以及对该脸部图像进行预处理，并从该脸部图像中提取得到相应的图像色度特征信息，再根据该图像色度特征信息对脸部图像进行聚类处理，从而生成相应的脸部图像聚类数据库，最后确定脸部图像的色度值变化信息继而确定目标对象的脸部区域轮廓深浅分布状态信息，其利用目标对象的脸部在不同曝光强度下形成的脸部图像具有不同的色度状态，以此通过确定目标对象的脸部的色度状态来得到目标对象的脸部轮廓深浅状态，这能够提高人脸识别的准确性和人脸识别结果的可靠性。

Description

基于聚类数据库的人脸认证方法和系统
技术领域
本发明涉及人脸识别的技术领域，特别涉及基于聚类数据库的人脸认证方法和系统。
背景技术
人脸识别作为安全认证手段广泛应用于不同场合中，通过对目标对象进行脸部图像拍摄与识别，能够快速地和准确地确定目标对象的身份信息，从而便于进一步对目标对象进行适应性的响应。但是，现有技术的人脸识别都只是将目标对象的脸部图像与预设图像数据库中的图像数据进行比对，这容易出现由于比对误差而导致识别错误的情况，同时该人脸识别过程都只是局限在对图像的条线或者形状进行比对，其并没有从色度信息和轮廓信息层面上对图像进行比对，这严重地降低人脸识别的准确性和人脸识别结果的可靠性。
发明内容
针对现有技术存在的缺陷，本发明提供基于聚类数据库的人脸认证方法和系统，其通过对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像，并对该脸部图像数据进行预处理，并对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库，再根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证；可见，该基于聚类数据库的人脸认证方法和系统通过在不同曝光强度下对目标对象进行拍摄，以此获得若干不同曝光程度的脸部图像以及对该脸部图像进行预处理，并从该脸部图像中提取得到相应的图像色度特征信息，再根据该图像色度特征信息对脸部图像进行聚类处理，从而生成相应的脸部图像聚类数据库，最后根据该脸部图像聚类数据库确定脸部图像的色度值变化信息继而确定目标对象的脸部区域轮廓深浅分布状态信息，以实现对目标对象的脸部区域识别认证，其利用目标对象的脸部在不同曝光强度下形成的脸部图像具有不同的色度状态，以此通过确定目标对象的脸部的色度状态来得到目标对象的脸部轮廓深浅状态，从而以该脸部轮廓深浅状态来对目标对象进行识别认证，这能够提高人脸识别的准确性和人脸识别结果的可靠性。
本发明提供基于聚类数据库的人脸认证方法，其特征在于，其包括如下步骤：
步骤S1，对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像，并对所述脸部图像数据进行预处理；
步骤S2，对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对所述若干脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库；
步骤S3，根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证；
进一步，在所述步骤S1中，对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像，并对所述脸部图像数据进行预处理具体包括：
步骤S101，对所述目标对象进行由弱到强的若干不同曝光量的拍摄，从而获得关于所述目标对象在不同曝光量情况下的脸部图像，其中，所述由弱到强的若干不同曝光量依次构成等比数列；
步骤S102，获取所述脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度，并将所述实际亮度对比度与预设亮度对比度阈值进行比对，若所述实际亮度对比度阈值大于或等于所述预设亮度对比度阈值，则调整所述脸部图像中脸部画面部分的亮度值，否则，保持所述脸部图像中脸部画面部分和背景画面部分各自的亮度值不变；
进一步，在所述步骤S102中，调整所述脸部图像中脸部画面部分的亮度值需要首先根据所述脸部图像中脸部画面部分与背景画面部分的实际亮度值得到两者之间的实际亮度对比度；再利用公式将所述实际亮度对比度与预设亮度对比度阈值进行比对，若所述实际亮度对比度大于或等于所述预设亮度对比度阈值，则利用公式得到调整后所述脸部图像中脸部画面部分的亮度值，其具体为：
步骤S1021，利用下面公式(1)，根据所述脸部图像中脸部画面部分与背景画面部分的实际亮度值得到两者之间的实际亮度对比度B，
Figure BDA0002857272020000031
在上述公式(1)中，Ein表示所述脸部图像中脸部画面部分的实际亮度值，Din表示所述背景画面部分的实际亮度值；
步骤S1022，利用下面公式(2)，判断所述实际亮度对比度是否大于或等于所述预设亮度对比度阈值并得到所述亮度对比度的调整系数λ，
Figure BDA0002857272020000032
在上述公式(2)，B0表示所述预设亮度对比度阈值，u()表示阶跃函数，当括号内的值大于等于0时阶跃函数的函数值为1，当括号内的值小于0时阶跃函数的函数值为0；
再通过λ的与0之间的关系来判断所述实际亮度对比度是否大于或等于所述预设亮度对比度阈值，
当λ＝0时，表示所述实际亮度对比度小于所述预设亮度对比度阈值，则保持所述脸部图像中脸部画面部分和背景画面部分各自的亮度值不变；
当λ＞0时，表示所述实际亮度对比度大于或等于所述预设亮度对比度阈值，则利用步骤A3得到调整后所述脸部图像中脸部画面部分的亮度值；
步骤S1023，利用下面公式(3)，得到调整后所述脸部图像中脸部画面部分的亮度值Eout，
Figure BDA0002857272020000041
这样能够将所述脸部图像中脸部画面部分的亮度调整到调整后所述脸部图像中脸部画面部分的亮度值，完成对所述脸部图像中脸部画面部分的亮度调整；
进一步，在所述步骤S2中，对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对所述若干脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库具体包括：
步骤S201，将经过所述预处理的所述脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，并提取每一所述水平带状区域的各自对应的图像色度特征信息；
步骤S202，根据每一所述水平带状区域的图像色度特征信息，确定所有水平带状区域对应的图像色度梯度变化信息，并根据所述图像色度梯度变化信息，生成相应的图像色度梯度特征向量；
步骤S203，对于所有脸部图像各自的图像色度梯度特征向量进行聚类运算，从而得到关于所述目标对象的脸部图像聚类数据库；
进一步，在所述步骤S3中，根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证具体包括：
步骤S301，根据所述脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，确定所述目标对象的脸部图像在脸部二维平面上的色度值变化差异值；
步骤S302，将所述色度值变化差异值与预设变化差异阈值进行比对，若所述色度值变化差异值超过所述预设变化差异阈值，则将对应的脸部区域确定为轮廓较深区域，否则，将对应的脸部区域确定为轮廓较浅区域；
步骤S303，根据所有轮廓较深区域和所有轮廓较浅区域之间的相互分布位置，确定所述目标对象的整体脸部轮廓状态，从而实现对所述目标对象的脸部区域识别认证。
本发明还提供基于聚类数据库的人脸认证系统，其特征在于，其包括脸部图像拍摄模块、脸部图像预处理模块、脸部图像聚类数据库生成模块和脸部区域识别认证模块；其中，
所述脸部图像拍摄模块用于对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像；
所述脸部图像预处理模块用于对所述脸部图像数据进行预处理；
所述脸部图像聚类数据库生成模块用于对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对所述若干脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库；
所述脸部区域识别认证模用于根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证；
进一步，所述脸部图像拍摄模块对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像具体包括：
对所述目标对象进行由弱到强的若干不同曝光量的拍摄，从而获得关于所述目标对象在不同曝光量情况下的脸部图像，其中，所述由弱到强的若干不同曝光量依次构成等比数列；
以及，
所述脸部图像预处理模块对所述脸部图像数据进行预处理具体包括：
获取所述脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度，并将所述实际亮度对比度与预设亮度对比度阈值进行比对，若所述实际亮度对比度阈值大于或等于所述预设亮度对比度阈值，则调整所述脸部图像中脸部画面部分的亮度值，否则，保持所述脸部图像中脸部画面部分和背景画面部分各自的亮度值不变；
进一步，所述脸部图像聚类数据库生成模块对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对所述若干脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库具体包括：
将经过所述预处理的所述脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，并提取每一所述水平带状区域的各自对应的图像色度特征信息；
并根据每一所述水平带状区域的图像色度特征信息，确定所有水平带状区域对应的图像色度梯度变化信息，并根据所述图像色度梯度变化信息，生成相应的图像色度梯度特征向量；
再对于所有脸部图像各自的图像色度梯度特征向量进行聚类运算，从而得到关于所述目标对象的脸部图像聚类数据库；
进一步，所述脸部区域识别认证模根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证具体包括：
根据所述脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，确定所述目标对象的脸部图像在脸部二维平面上的色度值变化差异值；
并将所述色度值变化差异值与预设变化差异阈值进行比对，若所述色度值变化差异值超过所述预设变化差异阈值，则将对应的脸部区域确定为轮廓较深区域，否则，将对应的脸部区域确定为轮廓较浅区域；
再根据所有轮廓较深区域和所有轮廓较浅区域之间的相互分布位置，确定所述目标对象的整体脸部轮廓状态，从而实现对所述目标对象的脸部区域识别认证。
相比于现有技术，该基于聚类数据库的人脸认证方法和系统通过对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像，并对该脸部图像数据进行预处理，并对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库，再根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证；可见，该基于聚类数据库的人脸认证方法和系统通过在不同曝光强度下对目标对象进行拍摄，以此获得若干不同曝光程度的脸部图像以及对该脸部图像进行预处理，并从该脸部图像中提取得到相应的图像色度特征信息，再根据该图像色度特征信息对脸部图像进行聚类处理，从而生成相应的脸部图像聚类数据库，最后根据该脸部图像聚类数据库确定脸部图像的色度值变化信息继而确定目标对象的脸部区域轮廓深浅分布状态信息，以实现对目标对象的脸部区域识别认证，其利用目标对象的脸部在不同曝光强度下形成的脸部图像具有不同的色度状态，以此通过确定目标对象的脸部的色度状态来得到目标对象的脸部轮廓深浅状态，从而以该脸部轮廓深浅状态来对目标对象进行识别认证，这能够提高人脸识别的准确性和人脸识别结果的可靠性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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为本发明提供的基于聚类数据库的人脸认证方法的流程示意图。
图2为本发明提供的基于聚类数据库的人脸认证系统的结构示意图。
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。
参阅图1，为本发明实施例提供的基于聚类数据库的人脸认证方法的流程示意图。该基于聚类数据库的人脸认证方法包括如下步骤：
步骤S1，对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像，并对该脸部图像数据进行预处理；
步骤S2，对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库；
步骤S3，根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证。
上述技术方案的有益效果为：该基于聚类数据库的人脸认证方法通过在不同曝光强度下对目标对象进行拍摄，以此获得若干不同曝光程度的脸部图像以及对该脸部图像进行预处理，并从该脸部图像中提取得到相应的图像色度特征信息，再根据该图像色度特征信息对脸部图像进行聚类处理，从而生成相应的脸部图像聚类数据库，最后根据该脸部图像聚类数据库确定脸部图像的色度值变化信息继而确定目标对象的脸部区域轮廓深浅分布状态信息，以实现对目标对象的脸部区域识别认证，其利用目标对象的脸部在不同曝光强度下形成的脸部图像具有不同的色度状态，以此通过确定目标对象的脸部的色度状态来得到目标对象的脸部轮廓深浅状态，从而以该脸部轮廓深浅状态来对目标对象进行识别认证，这能够提高人脸识别的准确性和人脸识别结果的可靠性。
优选地，在该步骤S1中，对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像，并对该脸部图像数据进行预处理具体包括：
步骤S101，对该目标对象进行由弱到强的若干不同曝光量的拍摄，从而获得关于该目标对象在不同曝光量情况下的脸部图像，其中，该由弱到强的若干不同曝光量依次构成等比数列；
步骤S102，获取该脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度，并将该实际亮度对比度与预设亮度对比度阈值进行比对，若该实际亮度对比度阈值大于或等于该预设亮度对比度阈值，则调整该脸部图像中脸部画面部分的亮度值，否则，保持该脸部图像中脸部画面部分和背景画面部分各自的亮度值不变。
上述技术方案的有益效果为：由于目标对象的脸部存在不同轮廓深浅程度的区域，当目标对象的脸部处于不同曝光量的曝光作用下，不同轮廓深浅程度的区域会相应呈现不同的色度状态，这样使得在不同曝光量下拍摄得到的脸部图像也相应地存在不同的色度特征信息，这样通过对该脸部图像进行分析处理就能够确定目标对象的脸部轮廓深浅状态，而将该由弱到强的若干不同曝光量依次构成等比数列能够便于对拍摄过程中的曝光量进行规律化的可控调整；此外，该脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度过大会影响后续对脸部图像处理的准确性，而通过调整该脸部图像中脸部画面部分的亮度值来保证该实际亮度对比度维持在预定数值区域，能够最大限度地保证脸部图像处理的准确性。
优选地，在该步骤S102中，调整该脸部图像中脸部画面部分的亮度值需要首先根据该脸部图像中脸部画面部分与背景画面部分的实际亮度值得到两者之间的实际亮度对比度；再利用公式将该实际亮度对比度与预设亮度对比度阈值进行比对，若该实际亮度对比度大于或等于该预设亮度对比度阈值，则利用公式得到调整后该脸部图像中脸部画面部分的亮度值，其具体为：
步骤S1021，利用下面公式(1)，根据该脸部图像中脸部画面部分与背景画面部分的实际亮度值得到两者之间的实际亮度对比度B，
Figure BDA0002857272020000101
在上述公式(1)中，Ein表示该脸部图像中脸部画面部分的实际亮度值，Din表示该背景画面部分的实际亮度值；
步骤S1022，利用下面公式(2)，判断该实际亮度对比度是否大于或等于该预设亮度对比度阈值并得到该亮度对比度的调整系数λ，
Figure BDA0002857272020000102
在上述公式(2)，B0表示该预设亮度对比度阈值，u()表示阶跃函数，当括号内的值大于等于0时阶跃函数的函数值为1，当括号内的值小于0时阶跃函数的函数值为0；
再通过λ的与0之间的关系来判断该实际亮度对比度是否大于或等于该预设亮度对比度阈值，
当λ＝0时，表示该实际亮度对比度小于该预设亮度对比度阈值，则保持该脸部图像中脸部画面部分和背景画面部分各自的亮度值不变；
当λ＞0时，表示该实际亮度对比度大于或等于该预设亮度对比度阈值，则利用步骤A3得到调整后该脸部图像中脸部画面部分的亮度值；
步骤S1023，利用下面公式(3)，得到调整后该脸部图像中脸部画面部分的亮度值Eout，
Figure BDA0002857272020000111
这样能够将该脸部图像中脸部画面部分的亮度调整到调整后该脸部图像中脸部画面部分的亮度值，完成对该脸部图像中脸部画面部分的亮度调整。
上述技术方案的有益效果为：利用公式(1)得到两者之间的实际亮度对比度，从而根据亮度值得到亮度对比度的具体数值；然后利用公式(2)判断实际亮度对比度是否大于或等于预设亮度对比度阈值并得到亮度对比度的调整系数，从而可以利用亮度对比度的调整系数对脸部图像中脸部画面部分的亮度进行调整；最后利用公式(3)得到调整后脸部图像中脸部画面部分的亮度值，从而完成对脸部图像中脸部画面部分的亮度的数值调整，使得在亮度值调整的过程中更加准确可靠高效。
优选地，在该步骤S2中，对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库具体包括：
步骤S201，将经过该预处理的该脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，并提取每一该水平带状区域的各自对应的图像色度特征信息；
步骤S202，根据每一该水平带状区域的图像色度特征信息，确定所有水平带状区域对应的图像色度梯度变化信息，并根据该图像色度梯度变化信息，生成相应的图像色度梯度特征向量；
步骤S203，对于所有脸部图像各自的图像色度梯度特征向量进行聚类运算，从而得到关于该目标对象的脸部图像聚类数据库。
上述技术方案的有益效果为：由于脸部图像在不同图像区域会有不同的色度分布状态，通过将经过该预处理的该脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，能够对脸部图像进行分区化和详细化的色度变化信息计算，而该图像色度梯度变化信息在一定程度上能够反映目标对象的脸部轮廓深浅变化状态，同时对该图像色度梯度特征向量进行聚类运算能够实现对该脸部轮廓深浅变化状态的量化评价，从而提高后续计算处理的便捷性。
优选地，在该步骤S3中，根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证具体包括：
步骤S301，根据该脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，确定该目标对象的脸部图像在脸部二维平面上的色度值变化差异值；
步骤S302，将该色度值变化差异值与预设变化差异阈值进行比对，若该色度值变化差异值超过该预设变化差异阈值，则将对应的脸部区域确定为轮廓较深区域，否则，将对应的脸部区域确定为轮廓较浅区域；
步骤S303，根据所有轮廓较深区域和所有轮廓较浅区域之间的相互分布位置，确定该目标对象的整体脸部轮廓状态，从而实现对该目标对象的脸部区域识别认证。
上述技术方案的有益效果为：根据该脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，能够在脸部二维平面上对色度值的数值变化和变化趋势进行定量评价，从而便于后续准确的判断不同脸部区域的轮廓深浅状态和保证对该目标对象的脸部区域识别认证的可靠性。
参阅图2，为本发明实施例提供的基于聚类数据库的人脸认证系统的结构示意图。该基于聚类数据库的人脸认证系统包括脸部图像拍摄模块、脸部图像预处理模块、脸部图像聚类数据库生成模块和脸部区域识别认证模块；其中，
该脸部图像拍摄模块用于对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像；
该脸部图像预处理模块用于对该脸部图像数据进行预处理；
该脸部图像聚类数据库生成模块用于对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库；
该脸部区域识别认证模用于根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证。
上述技术方案的有益效果为：该基于聚类数据库的人脸认证系统通过在不同曝光强度下对目标对象进行拍摄，以此获得若干不同曝光程度的脸部图像以及对该脸部图像进行预处理，并从该脸部图像中提取得到相应的图像色度特征信息，再根据该图像色度特征信息对脸部图像进行聚类处理，从而生成相应的脸部图像聚类数据库，最后根据该脸部图像聚类数据库确定脸部图像的色度值变化信息继而确定目标对象的脸部区域轮廓深浅分布状态信息，以实现对目标对象的脸部区域识别认证，其利用目标对象的脸部在不同曝光强度下形成的脸部图像具有不同的色度状态，以此通过确定目标对象的脸部的色度状态来得到目标对象的脸部轮廓深浅状态，从而以该脸部轮廓深浅状态来对目标对象进行识别认证，这能够提高人脸识别的准确性和人脸识别结果的可靠性。
优选地，该脸部图像拍摄模块对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像具体包括：
对该目标对象进行由弱到强的若干不同曝光量的拍摄，从而获得关于该目标对象在不同曝光量情况下的脸部图像，其中，该由弱到强的若干不同曝光量依次构成等比数列；
以及，
该脸部图像预处理模块对该脸部图像数据进行预处理具体包括：
获取该脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度，并将该实际亮度对比度与预设亮度对比度阈值进行比对，若该实际亮度对比度阈值大于或等于该预设亮度对比度阈值，则调整该脸部图像中脸部画面部分的亮度值，否则，保持该脸部图像中脸部画面部分和背景画面部分各自的亮度值不变。
上述技术方案的有益效果为：由于目标对象的脸部存在不同轮廓深浅程度的区域，当目标对象的脸部处于不同曝光量的曝光作用下，不同轮廓深浅程度的区域会相应呈现不同的色度状态，这样使得在不同曝光量下拍摄得到的脸部图像也相应地存在不同的色度特征信息，这样通过对该脸部图像进行分析处理就能够确定目标对象的脸部轮廓深浅状态，而将该由弱到强的若干不同曝光量依次构成等比数列能够便于对拍摄过程中的曝光量进行规律化的可控调整；此外，该脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度过大会影响后续对脸部图像处理的准确性，而通过调整该脸部图像中脸部画面部分的亮度值来保证该实际亮度对比度维持在预定数值区域，能够最大限度地保证脸部图像处理的准确性。
优选地，该脸部图像聚类数据库生成模块对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库具体包括：
将经过该预处理的该脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，并提取每一该水平带状区域的各自对应的图像色度特征信息；
并根据每一该水平带状区域的图像色度特征信息，确定所有水平带状区域对应的图像色度梯度变化信息，并根据该图像色度梯度变化信息，生成相应的图像色度梯度特征向量；
再对于所有脸部图像各自的图像色度梯度特征向量进行聚类运算，从而得到关于该目标对象的脸部图像聚类数据库。
上述技术方案的有益效果为：由于脸部图像在不同图像区域会有不同的色度分布状态，通过将经过该预处理的该脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，能够对脸部图像进行分区化和详细化的色度变化信息计算，而该图像色度梯度变化信息在一定程度上能够反映目标对象的脸部轮廓深浅变化状态，同时对该图像色度梯度特征向量进行聚类运算能够实现对该脸部轮廓深浅变化状态的量化评价，从而提高后续计算处理的便捷性。
优选地，该脸部区域识别认证模根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证具体包括：
根据该脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，确定该目标对象的脸部图像在脸部二维平面上的色度值变化差异值；
并将该色度值变化差异值与预设变化差异阈值进行比对，若该色度值变化差异值超过该预设变化差异阈值，则将对应的脸部区域确定为轮廓较深区域，否则，将对应的脸部区域确定为轮廓较浅区域；
再根据所有轮廓较深区域和所有轮廓较浅区域之间的相互分布位置，确定该目标对象的整体脸部轮廓状态，从而实现对该目标对象的脸部区域识别认证。
上述技术方案的有益效果为：根据该脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，能够在脸部二维平面上对色度值的数值变化和变化趋势进行定量评价，从而便于后续准确的判断不同脸部区域的轮廓深浅状态和保证对该目标对象的脸部区域识别认证的可靠性。
从上述实施例的内容可知，该基于聚类数据库的人脸认证方法和系统通过对目标对象进行多曝光级别拍摄，以此获得若干关于该目标对象在不同曝光情况下的脸部图像，并对该脸部图像数据进行预处理，并对经过该预处理的若干该脸部图像进行图像色度特征提取处理，以此获得关于该脸部图像的图像色度特征信息，并根据该图像色度特征信息，对该若干脸部图像进行聚类处理，从而生成关于该目标对象的脸部图像聚类数据库，再根据该脸部图像聚类数据库，确定该目标对象的脸部图像在二维平面上的色度值变化信息，再根据该色度值变化信息，确定该目标对象的脸部区域轮廓深浅分布状态信息，从而实现对该目标对象的脸部区域识别认证；可见，该基于聚类数据库的人脸认证方法和系统通过在不同曝光强度下对目标对象进行拍摄，以此获得若干不同曝光程度的脸部图像以及对该脸部图像进行预处理，并从该脸部图像中提取得到相应的图像色度特征信息，再根据该图像色度特征信息对脸部图像进行聚类处理，从而生成相应的脸部图像聚类数据库，最后根据该脸部图像聚类数据库确定脸部图像的色度值变化信息继而确定目标对象的脸部区域轮廓深浅分布状态信息，以实现对目标对象的脸部区域识别认证，其利用目标对象的脸部在不同曝光强度下形成的脸部图像具有不同的色度状态，以此通过确定目标对象的脸部的色度状态来得到目标对象的脸部轮廓深浅状态，从而以该脸部轮廓深浅状态来对目标对象进行识别认证，这能够提高人脸识别的准确性和人脸识别结果的可靠性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.基于聚类数据库的人脸认证方法，其特征在于，其包括如下步骤：
步骤S1，对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像，并对所述脸部图像数据进行预处理；
步骤S2，对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对若干所述脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库；
步骤S3，根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证；
其中，在所述步骤S2中，对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对若干所述脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库具体包括：
步骤S201，将经过所述预处理的所述脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，并提取每一所述水平带状区域的各自对应的图像色度特征信息；
步骤S202，根据每一所述水平带状区域的图像色度特征信息，确定所有水平带状区域对应的图像色度梯度变化信息，并根据所述图像色度梯度变化信息，生成相应的图像色度梯度特征向量；
步骤S203，对于所有脸部图像各自的图像色度梯度特征向量进行聚类运算，从而得到关于所述目标对象的脸部图像聚类数据库；
其中，在所述步骤S3中，根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证具体包括：
步骤S301，根据所述脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，确定所述目标对象的脸部图像在脸部二维平面上的色度值变化差异值；
步骤S302，将所述色度值变化差异值与预设变化差异阈值进行比对，若所述色度值变化差异值超过所述预设变化差异阈值，则将对应的脸部区域确定为轮廓较深区域，否则，将对应的脸部区域确定为轮廓较浅区域；
步骤S303，根据所有轮廓较深区域和所有轮廓较浅区域之间的相互分布位置，确定所述目标对象的整体脸部轮廓状态，从而实现对所述目标对象的脸部区域识别认证。
2.如权利要求1所述的基于聚类数据库的人脸认证方法，其特征在于：
在所述步骤S1中，对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像，并对所述脸部图像数据进行预处理具体包括：
步骤S101，对所述目标对象进行由弱到强的若干不同曝光量的拍摄，从而获得关于所述目标对象在不同曝光量情况下的脸部图像，其中，所述由弱到强的若干不同曝光量依次构成等比数列；
步骤S102，获取所述脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度，并将所述实际亮度对比度与预设亮度对比度阈值进行比对，若所述实际亮度对比度阈值大于或等于所述预设亮度对比度阈值，则调整所述脸部图像中脸部画面部分的亮度值，否则，保持所述脸部图像中脸部画面部分和背景画面部分各自的亮度值不变。
3.如权利要求2所述的基于聚类数据库的人脸认证方法，其特征在于：
在所述步骤S102中，调整所述脸部图像中脸部画面部分的亮度值需要首先根据所述脸部图像中脸部画面部分与背景画面部分的实际亮度值得到两者之间的实际亮度对比度；再利用公式将所述实际亮度对比度与预设亮度对比度阈值进行比对，若所述实际亮度对比度大于或等于所述预设亮度对比度阈值，则利用公式得到调整后所述脸部图像中脸部画面部分的亮度值，其具体为：
步骤S1021，利用下面公式(1)，根据所述脸部图像中脸部画面部分与背景画面部分的实际亮度值得到两者之间的实际亮度对比度B，
Figure FDA0003142957640000031
在上述公式(1)中，Ein表示所述脸部图像中脸部画面部分的实际亮度值，Din表示所述背景画面部分的实际亮度值；
步骤S1022，利用下面公式(2)，判断所述实际亮度对比度是否大于或等于所述预设亮度对比度阈值并得到所述亮度对比度的调整系数λ，
Figure FDA0003142957640000032
在上述公式(2)，B0表示所述预设亮度对比度阈值，u()表示阶跃函数，当括号内的值大于等于0时阶跃函数的函数值为1，当括号内的值小于0时阶跃函数的函数值为0；
再通过λ的与0之间的关系来判断所述实际亮度对比度是否大于或等于所述预设亮度对比度阈值，
当λ＝0时，表示所述实际亮度对比度小于所述预设亮度对比度阈值，则保持所述脸部图像中脸部画面部分和背景画面部分各自的亮度值不变；
当λ＞0时，表示所述实际亮度对比度大于或等于所述预设亮度对比度阈值，则利用步骤A3得到调整后所述脸部图像中脸部画面部分的亮度值；
步骤S1023，利用下面公式(3)，得到调整后所述脸部图像中脸部画面部分的亮度值Eout，
Figure FDA0003142957640000041
这样能够将所述脸部图像中脸部画面部分的亮度调整到调整后所述脸部图像中脸部画面部分的亮度值，完成对所述脸部图像中脸部画面部分的亮度调整。
4.基于聚类数据库的人脸认证系统，其特征在于，其包括脸部图像拍摄模块、脸部图像预处理模块、脸部图像聚类数据库生成模块和脸部区域识别认证模块；其中，
所述脸部图像拍摄模块用于对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像；
所述脸部图像预处理模块用于对所述脸部图像数据进行预处理；
所述脸部图像聚类数据库生成模块用于对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对若干所述脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库；
所述脸部区域识别认证模用于根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证；
其中，所述脸部图像聚类数据库生成模块对经过所述预处理的若干所述脸部图像进行图像色度特征提取处理，以此获得关于所述脸部图像的图像色度特征信息，并根据所述图像色度特征信息，对若干脸部图像进行聚类处理，从而生成关于所述目标对象的脸部图像聚类数据库具体包括：
将经过所述预处理的所述脸部图像沿水平方向划分为若干具有相同宽度的水平带状区域，并提取每一所述水平带状区域的各自对应的图像色度特征信息；
并根据每一所述水平带状区域的图像色度特征信息，确定所有水平带状区域对应的图像色度梯度变化信息，并根据所述图像色度梯度变化信息，生成相应的图像色度梯度特征向量；
再对于所有脸部图像各自的图像色度梯度特征向量进行聚类运算，从而得到关于所述目标对象的脸部图像聚类数据库；
其中，所述脸部区域识别认证模根据所述脸部图像聚类数据库，确定所述目标对象的脸部图像在二维平面上的色度值变化信息，再根据所述色度值变化信息，确定所述目标对象的脸部区域轮廓深浅分布状态信息，从而实现对所述目标对象的脸部区域识别认证具体包括：
根据所述脸部图像聚类数据库包含的聚类化的图像色度梯度特征向量，确定所述目标对象的脸部图像在脸部二维平面上的色度值变化差异值；并将所述色度值变化差异值与预设变化差异阈值进行比对，若所述色度值变化差异值超过所述预设变化差异阈值，则将对应的脸部区域确定为轮廓较深区域，否则，将对应的脸部区域确定为轮廓较浅区域；
再根据所有轮廓较深区域和所有轮廓较浅区域之间的相互分布位置，确定所述目标对象的整体脸部轮廓状态，从而实现对所述目标对象的脸部区域识别认证。
5.如权利要求4所述的基于聚类数据库的人脸认证系统，其特征在于：
所述脸部图像拍摄模块对目标对象进行多曝光级别拍摄，以此获得若干关于所述目标对象在不同曝光情况下的脸部图像具体包括：
对所述目标对象进行由弱到强的若干不同曝光量的拍摄，从而获得关于所述目标对象在不同曝光量情况下的脸部图像，其中，所述由弱到强的若干不同曝光量依次构成等比数列；
以及，
所述脸部图像预处理模块对所述脸部图像数据进行预处理具体包括：
获取所述脸部图像中脸部画面部分与背景画面部分之间的实际亮度对比度，并将所述实际亮度对比度与预设亮度对比度阈值进行比对，若所述实际亮度对比度阈值大于或等于所述预设亮度对比度阈值，则调整所述脸部图像中脸部画面部分的亮度值，否则，保持所述脸部图像中脸部画面部分和背景画面部分各自的亮度值不变。
CN202011556587.6A 2020-12-24 2020-12-24 基于聚类数据库的人脸认证方法和系统 Active CN112699763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011556587.6A CN112699763B (zh) 2020-12-24 2020-12-24 基于聚类数据库的人脸认证方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011556587.6A CN112699763B (zh) 2020-12-24 2020-12-24 基于聚类数据库的人脸认证方法和系统

Publications (2)

Publication Number Publication Date
CN112699763A CN112699763A (zh) 2021-04-23
CN112699763B true CN112699763B (zh) 2021-10-26

Family

ID=75510048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011556587.6A Active CN112699763B (zh) 2020-12-24 2020-12-24 基于聚类数据库的人脸认证方法和系统

Country Status (1)

Country Link
CN (1) CN112699763B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324020A (zh) * 2011-09-02 2012-01-18 北京新媒传信科技有限公司 人体肤色区域的识别方法和装置
WO2013184518A2 (en) * 2012-06-05 2013-12-12 Tandent Vision Science, Inc. Automatic processing scale estimation for use in an image process
CN105808665A (zh) * 2015-12-17 2016-07-27 北京航空航天大学 一种新的基于手绘草图的图像检索方法
CN106682639A (zh) * 2017-01-03 2017-05-17 安徽农业大学 一种基于视频监测的作物叶部异常图像提取方法
CN108229419A (zh) * 2018-01-22 2018-06-29 百度在线网络技术（北京）有限公司 用于聚类图像的方法和装置
CN110033454A (zh) * 2019-04-19 2019-07-19 河北大学 Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法
CN111079720A (zh) * 2020-01-20 2020-04-28 杭州英歌智达科技有限公司 一种基于聚类分析自主再学习的人脸识别方法
CN111715559A (zh) * 2020-06-22 2020-09-29 柴诚芃 一种基于机器视觉的垃圾分拣系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425182B (zh) * 2008-11-28 2011-07-20 华中科技大学 一种图像对象分割方法
CN108021920A (zh) * 2017-11-09 2018-05-11 华南理工大学 一种图像对象协同发现的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324020A (zh) * 2011-09-02 2012-01-18 北京新媒传信科技有限公司 人体肤色区域的识别方法和装置
WO2013184518A2 (en) * 2012-06-05 2013-12-12 Tandent Vision Science, Inc. Automatic processing scale estimation for use in an image process
CN105808665A (zh) * 2015-12-17 2016-07-27 北京航空航天大学 一种新的基于手绘草图的图像检索方法
CN106682639A (zh) * 2017-01-03 2017-05-17 安徽农业大学 一种基于视频监测的作物叶部异常图像提取方法
CN108229419A (zh) * 2018-01-22 2018-06-29 百度在线网络技术（北京）有限公司 用于聚类图像的方法和装置
CN110033454A (zh) * 2019-04-19 2019-07-19 河北大学 Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法
CN111079720A (zh) * 2020-01-20 2020-04-28 杭州英歌智达科技有限公司 一种基于聚类分析自主再学习的人脸识别方法
CN111715559A (zh) * 2020-06-22 2020-09-29 柴诚芃 一种基于机器视觉的垃圾分拣系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《Detections of Microcalcification Clusters Using Multiple Mammographic Views》;Li M et al;《2008 2nd International Conference on Bioinformatics and Biomedical Engineering》;20080603;第1-5页 *
《基于多聚类和多示例的协同显著性目标检测》;丁玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415(第2018年第04期);全文 *
《基于聚类算法的人脸衰老图像重构》;胡贤德等;《长春师范大学学报》;20161020;第35卷(第10期);全文 *
蔡晓东.《 基于改进的模糊聚类算法的活体中微血管检测方法与实现》.《中国优秀硕士学位论文全文数据库基础科学辑》.2019,(第2019年第08期),第A006-225页. *

Also Published As

Publication number Publication date
CN112699763A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN110991389B (zh) 判断目标行人在非重叠相机视角中出现的匹配方法
CN110084135B (zh) 人脸识别方法、装置、计算机设备及存储介质
CN111368683B (zh) 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法
JP5047005B2 (ja) 画像処理方法、パターン検出方法、パターン認識方法及び画像処理装置
KR102352345B1 (ko) 라이브니스 검사 방법 및 장치
CN112232324B (zh) 人脸验伪方法、装置、计算机设备和存储介质
CN110826418B (zh) 脸部特征提取方法及装置
JP7191061B2 (ja) ライブネス検査方法及び装置
CN112232323B (zh) 人脸验证方法、装置、计算机设备和存储介质
CN104732200A (zh) 一种皮肤类型和皮肤问题的识别方法
KR101443139B1 (ko) 단일 영상을 사용한 위조 얼굴 검출 방법
WO2022222569A1 (zh) 一种目标判别方法和系统
CN113614731A (zh) 使用软生物特征的认证验证
CN111832405A (zh) 一种基于hog和深度残差网络的人脸识别方法
CN111191521B (zh) 人脸活体检测方法、装置、计算机设备及存储介质
CN110909617B (zh) 基于双目视觉的活体人脸检测方法及装置
CN115223211A (zh) 一种将静脉图像转化为指纹图像的识别方法
CN112699763B (zh) 基于聚类数据库的人脸认证方法和系统
CN104615985B (zh) 一种人脸相似度的识别方法
Gangopadhyay et al. FACE DETECTION AND RECOGNITION USING HAAR CLASSIFIER AND LBP HISTOGRAM.
Saparudin et al. Segmentation of fingerprint image based on gradient magnitude and coherence
KR102570071B1 (ko) 라이브니스 검사 방법 및 장치, 얼굴 인증 방법 및 장치
KR20060064801A (ko) 영상 인식 장치 및 방법
CN111832464A (zh) 一种基于近红外摄像头的活体检测方法及装置
CN112308044A (zh) 针对掌静脉图像的图像增强处理方法和掌静脉识别方法

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
GR01 Patent grant
GR01 Patent grant