CN113128325A - 一种人脸识别方法和装置 - Google Patents

一种人脸识别方法和装置 Download PDF

Info

Publication number
CN113128325A
CN113128325A CN202010057979.1A CN202010057979A CN113128325A CN 113128325 A CN113128325 A CN 113128325A CN 202010057979 A CN202010057979 A CN 202010057979A CN 113128325 A CN113128325 A CN 113128325A
Authority
CN
China
Prior art keywords
face
feature vector
sparse
user
picture
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
CN202010057979.1A
Other languages
English (en)
Inventor
姜盛乾
汪书安
柯伟
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202010057979.1A priority Critical patent/CN113128325A/zh
Publication of CN113128325A publication Critical patent/CN113128325A/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
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

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 Analysis (AREA)

Abstract

本发明公开了一种人脸识别方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。该实施方式在提高人脸库内人脸图片的存储量的同时，提高了人脸识别效率。

Description

一种人脸识别方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种人脸识别方法和装置。
背景技术
人脸识别是将静态图像或者视频图像中检测出的人脸图片与人脸库中的人脸图片进行对比，从中找出与之匹配的人脸的过程，以达到身份识别与鉴定的目的，因其在商业、身份认证、支付安全等多领域内均有广泛的应用，使其越来越受重视。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1.为保证识别效率，当前人脸库中的存放的人脸图片数量较少；
2.现有技术中的人脸识别方法较为复杂，导致人脸识别效率低下。
发明内容
有鉴于此，本发明实施例提供一种人脸识别方法和装置，能够在提高人脸库内人脸图片的存量的同时，提升人脸识别效率。
为实现上述目的，根据本发明实施例的第一方面，提供了一种人脸识别方法，包括：
响应于用户发起的人脸识别请求，获取用户的人脸图片；
根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；
根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；
根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
进一步地，根据特征向量提取算法提取人脸图片的特征向量的步骤包括：根据特征向量提取算法的指示，利用高斯差分函数对人脸图片进行降维处理得到高斯差分图像，对高斯差分图像进行拟合处理得到特征点，利用特征点邻域的梯度信息确定特征点的梯度直方图，根据梯度直方图得到人脸图片的特征向量。
进一步地，对特征向量进行稀疏处理得到稀疏特征向量的步骤包括：根据学习基函数、稀疏编码和局部方差相似度算法对特征向量进行稀疏处理得到稀疏特征向量。
进一步地，根据模糊评价算法确定稀疏特征向量对应的人脸图片的评分的步骤包括：将稀疏特征向量置入模糊评价算法的因素集，因素集的每个因素子集对应一个稀疏特征向量，根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集，将模糊子集内各归一化元素与其对应的评价集中相应等级的评价值进行加权计算得到用户对应的人脸图片的评分，其中，评价集中指示了不同等级对应的评价值。
进一步地，模糊评价算法的评价集是根据人脸类型进行确定的。
进一步地，每个因素子集对应的权重值是根据历史数据确定的，因素子集内每个元素对应的权重值是根据该因素子集内全部元素的平均值确定的。
进一步地，人脸库中包括全部库内人脸图片的评分，根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的步骤包括：分别计算用户的人脸图片的评分与全部库内人脸图片的评分之差的绝对值，将绝对值进行排序后，根据排序结果确定目标图片以进行人脸识别。
根据本发明实施例的第二方面，提供了一种人脸识别装置，包括：
人脸图片获取模块，用于响应于用户发起的人脸识别请求，获取用户的人脸图片；
特征向量提取模块，用于根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；
评分确定模块，根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；
人脸识别模块，用于根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
根据本发明实施例的第三方面，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一种人脸识别方法。
根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一种人脸识别方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的技术手段，所以克服了现有技术中人脸库内存放的人脸图片数量少、现有的人脸识别方法复杂导致识别效率低的技术问题，进而达到在提高人脸库内人脸图片的存储量的同时，提高人脸识别效率的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明第一实施例提供的人脸识别方法的主要流程的示意图；
图2是根据本发明第二实施例提供的人脸识别方法的主要流程的示意图；
图3是根据本发明实施例提供的人脸识别装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例提供的人脸识别方法的主要流程的示意图；如图1所示，本发明实施例提供的人脸识别方法主要包括：
步骤S101，响应于用户发起的人脸识别请求，获取用户的人脸图片。
具体地，根据本发明实施例，当用户发起人脸支付、人脸识别认证等人脸识别请求，通过人脸识别设备的摄像头捕捉用户的人脸图片，然后人脸识别服务器获取相应用户的人脸图片。
步骤S102，根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量。
根据本发明实施例，提取人脸图片的特征向量可以采用SIFT(Scale-invariantfeature transform，尺度不变特征变换)算法、PCA(Principal Component Analysis，主成分分析)算法等特征向量提取算法。
根据本发明实施例，根据特征向量提取算法提取人脸图片的特征向量的步骤包括：根据特征向量提取算法的指示，利用高斯差分函数对人脸图片进行降维处理得到高斯差分图像，对高斯差分图像进行拟合处理得到特征点，利用特征点邻域的梯度信息确定特征点的梯度直方图，根据梯度直方图得到人脸图片的特征向量。
具体地，根据本发明实施例一具体实施方式，采用高斯差分函数将人脸图片的邻近图层图像进行降维处理，得到高斯差分图像。然后将高斯差分图像的像素点与其周围的像素点进行拟合处理得极值点(即特征点)，为了保证特征点均有旋转不变形，通过特征点邻域的梯度信息(梯度幅值算法和梯度方向算法)确定特征点的梯度直方图，该梯度直方图中峰值对应的方向为特征点的主方向。以特征点的位置为中心，划分8×8的正方形领域，每个像素点都由一个小格表示，每个像素的梯度方向和幅值分别由箭头的指向方向和尺寸表示。分别计算4×4的矩形部分中8个方向的梯度直方图，构成4个种子点，4个种子点方向叠加构成特征点，再叠加即可得到4×4×8的数据，构成特征向量。
进一步地，根据本发明实施例，上述对特征向量进行稀疏处理得到稀疏特征向量的步骤包括：根据学习基函数、稀疏编码和局部方差相似度算法对特征向量进行稀疏处理得到稀疏特征向量。
具体地，根据本发明实施例一具体实施方式，利用上述特征向量构建学习基函数，通过学习基函数的交替最小化公式对特征向量进行处理，然后利用稀疏编码来表示特征向量元素的稀疏线性组合。同时为了减小误差获得效果更佳的图像稀疏特征，引入局部方差相识度算法来提高人脸图片的细节和内容，利用局部方差相似度算法还能够加强图像特征的空间性和结构性，增强人脸识别的鲁棒性，是人脸识别更精确。通过该稀疏编码和局部方差相似度算法对特征向量进行优化处理，得到的处理结果即为稀疏特征向量。
具体地，为了降低计算量和减少存储量以便于后续进行模糊评价处理，根据本发明实施例，在上述通过该稀疏编码和局部方差相似度算法对特征向量进行优化处理得到处理结果后，还采用计算平均值的方式降低人脸图片的输出维度，进而得到平均化处理的稀疏特征向量。
步骤S103，根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分。
根据本发明实施例，上述根据模糊评价算法确定稀疏特征向量对应的人脸图片的评分的步骤包括：将稀疏特征向量置入模糊评价算法的因素集，因素集的每个因素子集对应一个稀疏特征向量，根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集，将模糊子集内各归一化元素与其对应的评价集中相应等级的评价值进行加权计算得到用户对应的人脸图片的评分，其中，评价集中指示了不同等级对应的评价值。
进一步地，根据本发明实施例，模糊评价算法的评价集是根据人脸类型进行确定的。
具体地，根据人脸类型划分评价集的不同等级，同时为每个等级配置相应的评价值。等级的划分和每个等级对应的评价值可根据实际情况进行调整。
进一步地，根据本发明实施例，每个因素子集对应的权重值是根据历史数据确定的，因素子集内每个元素对应的权重值是根据该因素子集内全部元素的平均值确定的。
具体地，根据本发明实施例的一具体实施方式，通过判断每个稀疏特征向量(即每个因素子集)对评价集中等级的影响，根据历史数据和经验确定每个因素子集对应的权重值。然后根据每个因素子集中每个元素与全部元素的平均值的比值确定每个元素对应的权重值。
根据本发明实施例的一具体实施方式，将稀疏特征向量作为模糊评价的因素集，其中，因素集中的每个因素子集对应一个稀疏特征向量。再根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集，其中模糊子集中对应评价集中每个等级的隶属度，接下来将模糊子集进行归一化处理，得到评价集中每个等级的归一化隶属度。通过将每个等级对应的归一化隶属度与该等级对应的评分值进行加权得到用户的人脸图片的评分。
步骤S104，根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
根据本发明实施例，人脸库中包括全部库内人脸图片的评分，根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的步骤包括：分别计算用户的人脸图片的评分与全部库内人脸图片的评分之差的绝对值，将绝对值进行排序后，根据排序结果确定目标图片以进行人脸识别。
进一步地，根据本发明实施例的一具体实施方式，将绝对值进行排序后，根据排序结果确定目标图片以进行人脸识别的步骤包括：将绝对值的数值从小到大的顺序排列后，确定TOP-N(其中N为目标图片的数量，可根据实际情况进行调整)的库内人脸图片为目标图片，根据顺序进行人脸识别。
根据本发明实施例的技术方案，因为采用响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的技术手段，所以克服了现有技术中人脸库内存放的人脸图片数量少、现有的人脸识别方法复杂导致识别效率低的技术问题，进而达到在提高人脸库内人脸图片的存量的同时，提升人脸识别效率的技术效果。
图2是根据本发明第二实施例提供的人脸识别方法的主要流程的示意图；如图2所示，本发明实施例提供的人脸识别方法主要包括：
步骤S201，响应于用户发起的人脸识别请求，获取用户的人脸图片。
具体地，根据本发明实施例，当用户发起人脸支付、人脸识别认证等人脸识别请求，通过人脸识别设备的摄像头捕捉用户的人脸图片，然后人脸识别服务器获取相应用户的人脸图片。
步骤S202，根据特征向量提取算法提取人脸图片的特征向量。
根据本发明实施例，提取人脸图片的特征向量可以采用SIFT(Scale-invariantfeature transform，尺度不变特征变换)算法、PCA(Principal Component Analysis，主成分分析)算法等特征向量提取算法。
具体地，根据本发明实施例，根据特征向量提取算法的指示，利用高斯差分函数对人脸图片进行降维处理得到高斯差分图像。其中，高斯差分函数(DOG，Difference ofGaussian)，其具体形式为：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ)·I(x,y))＝L(x,y,kσ)-L(x,y,σ)
其中，G(x,y,σ)为变化尺度的高斯函数；I(x,y)表示人脸图片；σ表示高斯函数的尺度因子，k为比例常数。根据本发明实施例，通过将两个邻近的图层图像进行相减即可得到高斯差分图像。
然后，对高斯差分图像进行拟合处理得到特征点。具体地，将一个像素点与它全部的邻近点进行对比，得到高斯差分函数的极值点，中央的检测到必须与26个点进行对比，其中包括和它上面下面邻近尺度对应的9×2＝18个点以及在一个尺度上的8个邻近点，来确保检测到全部极值点，高斯差分空间的局部极值点组成特征点。根据本发明实施例的一具体实施方式，对尺度空间高斯差分函数曲线拟合，提高稳定性，得到极值点方程的公式为：
Figure BDA0002370574880000091
其中，X为相对插值中心的偏移量。
同时，为了保证特征点均有旋转不变性，每个特征点的主方向都需要利用梯度直方图的方法来确定。利用梯度直方图把0～360°的方向划分开，一共分为36个柱，每个柱10°，梯度直方图中峰值对应的方向即为特征点的主方向。具体地，可根据特征点邻域的梯度信息确特征点的梯度直方图，其中，梯度信息包括梯度的幅值算法和梯度的方向算法，梯度的幅值算法为：
Figure BDA0002370574880000092
梯度的方向算法为：
θ(x,y)＝tan-1((L(x,,y+1))-L(x,y-1))/(L(x+1,y)-L(x-1,y))
最后，以特征点的位置为中心，划分8×8的正方形领域，每个像素点都由一个小格表示，每个像素的梯度方向和幅值分别由箭头的指向方向和尺寸表示。分别计算4×4的矩形部分中8个方向的梯度直方图，构成4个种子点，4个种子点方向叠加构成特征点，再叠加即可得到4×4×8的数据，构成特征向量。
步骤S203，根据学习基函数、稀疏编码和局部方差相似度算法对特征向量进行稀疏处理得到稀疏特征向量。
首先，构造学习基函数D，其中学习基函数D的交替最小化公式为：
Figure BDA0002370574880000101
其中，||si||0表示列向量si中非零元素的数量。
在学习基函数D之后，利用稀疏编码来表示特征向量内元素的稀疏线性组合。特征编码的部分可以转化为优化问题，公式为：
Figure BDA0002370574880000102
其中，θ(si)表示稀疏惩罚函数。
为了减小误差获得效果更佳的图像稀疏特征，引入局部方差相似度(LVS，LocalVariance Similarity)提高人脸图片的细节和内容。
LVS公式为：
Figure BDA0002370574880000103
其中，μx表示x的平均值；μy表示y的平均值；σx表示x的标准差；σy表示y的标准差。将原始的人脸图片被分为n维列向量I，像素点表示为Ii(i＝1,…,N)。通过φk表示列向量I中每一项元素，φi,j即是学习基函数D里的元素，重构的图像块由Yi(i＝1,…,N)表示。
将稀疏编码与LVS结合，即可得到误差更小的优化公式：
Figure BDA0002370574880000104
其中，λ1、λ2和λ3是权值系数。
结合上述公式(1)和公式(2)，得到：
Figure BDA0002370574880000105
通过求解式(3)得到稀疏特征向量。
可通过替代的优化方式求解式(3)，即固定一个变量，去求解另一个变量。定义：
Figure BDA0002370574880000111
第一步将学习基函数D固定，通过共轭梯度计算S。
Figure BDA0002370574880000112
其中，
Figure BDA0002370574880000113
Figure BDA0002370574880000114
然后固定变量S，利用简单梯度法求解学习基函数D。
Figure BDA0002370574880000115
其中，
Figure BDA0002370574880000116
Figure BDA0002370574880000117
同时，为了便于后续进行模糊评价处理，还采用计算平均值的方式降低人脸图片的输出维度，进而得到平均化处理的稀疏特征向量m。
具体为
Figure BDA0002370574880000118
步骤S204，将稀疏特征向量置入模糊评价算法的因素集，因素集的每个因素子集对应一个稀疏特征向量。
具体地，根据本发明实施例，将上述得到的n个稀疏特征向量m组成矩阵M，将M作为模糊评价算法的因素集U，因素集的每个因素子集Ui对应一个稀疏特征向量m，Ui＝(μ1，μ2,μ3,…,μβ)，i＝1,2,…n。其中n为稀疏特征向量的个数，也是因素子集的个数。Β为每个稀疏特征向量内元素的个数(具体数值因稀疏特征向量而变。)
步骤S205，根据人脸类型确定模糊评价算法的评价集，其中，评价集中指示了不同等级对应的评价值。
根据本发明实施例，根据人脸类型，划分颜值低(V1)、颜值适中下(V2)、颜值适中上(V3)和颜值高(V4)四个等级，组成评价集，同时为每个等级确认相应的评价值。根据本发明实施例一具体实施方式，V＝{V1,V2,V3,V4}＝{0.1,0.4,07,1}，需要说明的是，上述数值和等级划分仅为实例，可根据实际情况以其他标准进行确定。
具体地，根据本发明实施例的一具体实施方式，上述根据人脸类型确定模糊评价算法的评价集的步骤还可以为：根据人脸类型的脸型(如国字脸、瓜子脸、圆形脸、椭圆形脸等)分别设置不同的脸型分值，根据人脸类型下的多属性(如眼睛、眉毛、嘴巴、耳朵等)分别设定不同的属性分值，然后通过脸型分值与属性分值加权确定相应人脸类型对应的评价值。
步骤S206，确定每个因素子集对应的权重值，根据每个因素子集内全部元素的平均值确定每个元素对应的权重值。
具体地，通过历史数据和经验对每个因素子集进行权重分配，即确定每个因素子集的权重值，得到：
Figure BDA0002370574880000121
根据每个因素子集内每个元素对应的数值与全部元素的平均值的比值确定每个元素对应的权重值，具体为：
Figure BDA0002370574880000131
W表示因素子集内每个元素对应的权重值，W＝{W1,W2,…,Wn}。
步骤S207，根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集。
具体地公式表示为C＝W·B＝(c1,c2,c3,c4)，其中C为模糊评价算法的模糊子集，c1,c2,c3,c4分别与评价集中四个等级对应，将模糊子集内的元素进行归一化处理，得到：
Figure BDA0002370574880000132
步骤S208，将模糊子集内各归一化元素与其对应的评价集中相应等级的评价值进行加权计算得到用户对应的人脸图片的评分。
具体地，将模糊子集内各归一化元素分别与其对应的等级的评价值相乘，然后将结果进行加权得到用户的人脸图片的评分γ，
γ＝d1·V1+d2·V2+d3·V3+d4·V4
步骤S209，分别计算用户的人脸图片的评分与全部库内人脸图片的评分之差的绝对值。
具体地，根据下列公式进行计算：
κ＝|γ-δi|
其中，δi表示人脸库中第i张库内人脸图片的评分。
步骤S210，将绝对值的数值从小到大的顺序排列后，确定TOP-N(其中N为目标图片的数量，可根据实际情况进行调整)的库内人脸图片为目标图片，根据顺序进行人脸识别。
根据本发明实施例的技术方案，因为采用响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的技术手段，所以克服了现有技术中人脸库内存放的人脸图片数量少、现有的人脸识别方法复杂导致识别效率低的技术问题，进而达到在提高人脸库内人脸图片的存量的同时，提升人脸识别效率的技术效果。
图3是根据本发明实施例提供的人脸识别装置的主要模块的示意图；如图3所示，本发明实施例提供的人脸识别装置300主要包括：
人脸图片获取模块301，用于响应于用户发起的人脸识别请求，获取用户的人脸图片。
具体地，根据本发明实施例，当用户发起人脸支付、人脸识别认证等人脸识别请求，通过人脸识别设备的摄像头捕捉用户的人脸图片，然后人脸识别服务器获取相应用户的人脸图片。
特征向量提取模块302，用于根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量。
根据本发明实施例，提取人脸图片的特征向量可以采用SIFT(Scale-invariantfeature transform，尺度不变特征变换)算法、PCA(Principal Component Analysis，主成分分析)算法等特征向量提取算法。
根据本发明实施例，上述特征向量提取模块302还用于：根据特征向量提取算法的指示，利用高斯差分函数对人脸图片进行降维处理得到高斯差分图像，对高斯差分图像进行拟合处理得到特征点，利用特征点邻域的梯度信息确定特征点的梯度直方图，根据梯度直方图得到人脸图片的特征向量。
具体地，根据本发明实施例一具体实施方式，特征向量提取模块302通过采用高斯差分函数将人脸图片的邻近图层图像进行降维处理，得到高斯差分图像。然后将高斯差分图像的像素点与其周围的像素点进行拟合处理得极值点(即特征点)，为了保证特征点均有旋转不变形，通过特征点邻域的梯度信息(梯度幅值算法和梯度方向算法)确定特征点的梯度直方图，该梯度直方图中峰值对应的方向为特征点的主方向。以特征点的位置为中心，划分8×8的正方形领域，每个像素点都由一个小格表示，每个像素的梯度方向和幅值分别由箭头的指向方向和尺寸表示。分别计算4×4的矩形部分中8个方向的梯度直方图，构成4个种子点，4个种子点方向叠加构成特征点，再叠加即可得到4×4×8的数据，构成特征向量。
进一步地，根据本发明实施例，上述特征向量提取模块302还用于：根据学习基函数、稀疏编码和局部方差相似度算法对特征向量进行稀疏处理得到稀疏特征向量。
具体地，根据本发明实施例一具体实施方式，特征向量提取模块302利用上述特征向量构建学习基函数，通过学习基函数的交替最小化公式对特征向量进行处理，然后利用稀疏编码来表示特征向量元素的稀疏线性组合。同时为了减小误差获得效果更佳的图像稀疏特征，引入局部方差相识度算法来提高人脸图片的细节和内容，利用局部方差相似度算法还能够加强图像特征的空间性和结构性，增强人脸识别的鲁棒性，是人脸识别更精确。通过该稀疏编码和局部方差相似度算法对特征向量进行优化处理，得到的处理结果即为稀疏特征向量。
具体地，为了降低计算量和减少存储量以便于后续进行模糊评价处理，根据本发明实施例，在上述通过该稀疏编码和局部方差相似度算法对特征向量进行优化处理得到处理结果后，特征向量提取模块302还通过采用计算平均值的方式降低人脸图片的输出维度，进而得到平均化处理的稀疏特征向量。
评分确定模块303，根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分。
根据本发明实施例，上述评分确定模块303还用于：将稀疏特征向量置入模糊评价算法的因素集，因素集的每个因素子集对应一个稀疏特征向量，根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集，将模糊子集内各归一化元素与其对应的评价集中相应等级的评价值进行加权计算得到用户对应的人脸图片的评分，其中，上述评价集中指示了不同等级对应的评价值。
进一步地，根据本发明实施例，模糊评价算法的评价集是根据人脸类型进行确定的。具体地，根据人脸类型划分评价集的不同等级，同时为每个等级配置相应的评价值。等级的划分和每个等级对应的评价值可根据实际情况进行调整。
进一步地，根据本发明实施例，每个因素子集对应的权重值是根据历史数据确定的，因素子集内每个元素对应的权重值是根据该因素子集内全部元素的平均值确定的。
具体地，根据本发明实施例的一具体实施方式，通过判断每个稀疏特征向量(即每个因素子集)对评价集中等级的影响，根据历史数据和经验确定每个因素子集对应的权重值。然后根据每个因素子集中每个元素与全部元素的平均值的比值确定每个元素对应的权重值。
根据本发明实施例的一具体实施方式，评分确定模块303通过将稀疏特征向量作为模糊评价的因素集，其中，因素集中的每个因素子集对应一个稀疏特征向量。再根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集，其中模糊子集中对应评价集中每个等级的隶属度，接下来将模糊子集进行归一化处理，得到评价集中每个等级的归一化隶属度。通过将每个等级对应的归一化隶属度与该等级对应的评分值进行加权得到用户的人脸图片的评分。
人脸识别模块304，用于根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
根据本发明实施例，人脸库中包括全部库内人脸图片的评分，人脸识别模块304还用于：分别计算用户的人脸图片的评分与全部库内人脸图片的评分之差的绝对值，将绝对值进行排序后，根据排序结果确定目标图片以进行人脸识别。
进一步地，根据本发明实施例的一具体实施方式，将绝对值进行排序后，人脸识别模块304还用于：将绝对值的数值从小到大的顺序排列后，确定TOP-N(其中N为目标图片的数量，可根据实际情况进行调整)的库内人脸图片为目标图片，根据顺序进行人脸识别。
根据本发明实施例的技术方案，因为采用响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的技术手段，所以克服了现有技术中人脸库内存放的人脸图片数量少、现有的人脸识别方法复杂导致识别效率低的技术问题，进而达到在提高人脸库内人脸图片的存量的同时，提升人脸识别效率的技术效果。
图4示出了可以应用本发明实施例的人脸识别方法或人脸识别装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的人脸识别请求、人脸图片等数据进行分析等处理，并将处理结果(例如特征向量、人脸图片的评分、目标图片--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的人脸识别方法一般由服务器405执行，相应地，人脸识别装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括人脸图片获取模块、特征向量提取模块、评分确定模块和人脸识别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，人脸图片获取模块还可以被描述为“用于响应于用户发起的人脸识别请求，获取用户的人脸图片的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
根据本发明实施例的技术方案，因为采用响应于用户发起的人脸识别请求，获取用户的人脸图片；根据特征向量提取算法提取人脸图片的特征向量，对特征向量进行稀疏处理得到稀疏特征向量；根据模糊评价算法确定稀疏特征向量对应用户的人脸图片的评分；根据用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的技术手段，所以克服了现有技术中人脸库内存放的人脸图片数量少、现有的人脸识别方法复杂导致识别效率低的技术问题，进而达到在提高人脸库内人脸图片的存量的同时，提升人脸识别效率的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
响应于用户发起的人脸识别请求，获取用户的人脸图片；
根据特征向量提取算法提取所述人脸图片的特征向量，对所述特征向量进行稀疏处理得到稀疏特征向量；
根据模糊评价算法确定所述稀疏特征向量对应用户的人脸图片的评分；
根据所述用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述根据特征向量提取算法提取所述人脸图片的特征向量的步骤包括：根据所述特征向量提取算法的指示，利用高斯差分函数对所述人脸图片进行降维处理得到高斯差分图像，对所述高斯差分图像进行拟合处理得到特征点，利用所述特征点邻域的梯度信息确定所述特征点的梯度直方图，根据所述梯度直方图得到所述人脸图片的特征向量。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述对所述特征向量进行稀疏处理得到稀疏特征向量的步骤包括：根据学习基函数、稀疏编码和局部方差相似度算法对所述特征向量进行稀疏处理得到所述稀疏特征向量。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述根据模糊评价算法确定所述稀疏特征向量对应的人脸图片的评分的步骤包括：将所述稀疏特征向量置入模糊评价算法的因素集，所述因素集的每个因素子集对应一个稀疏特征向量，根据每个因素子集对应的权重值和因素子集内每个元素对应的权重值确定模糊子集，将所述模糊子集内各归一化元素与其对应的评价集中相应等级的评价值进行加权计算得到所述用户对应的人脸图片的评分，其中，所述评价集中指示了不同等级对应的评价值。
5.根据权利要求4所述的人脸识别方法，其特征在于，所述模糊评价算法的评价集是根据人脸类型进行确定的。
6.根据权利要求4所述的人脸识别方法，其特征在于，所述每个因素子集对应的权重值是根据历史数据确定的，所述因素子集内每个元素对应的权重值是根据该因素子集内全部元素的平均值确定的。
7.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸库中包括全部库内人脸图片的评分，根据所述用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别的步骤包括：分别计算所述用户的人脸图片的评分与全部库内人脸图片的评分之差的绝对值，将所述绝对值进行排序后，根据排序结果确定目标图片以进行人脸识别。
8.一种人脸识别装置，其特征在于，包括：
人脸图片获取模块，用于响应于用户发起的人脸识别请求，获取用户的人脸图片；
特征向量提取模块，用于根据特征向量提取算法提取所述人脸图片的特征向量，对所述特征向量进行稀疏处理得到稀疏特征向量；
评分确定模块，根据模糊评价算法确定所述稀疏特征向量对应用户的人脸图片的评分；
人脸识别模块，用于根据所述用户的人脸图片的评分从人脸库中确定目标图片以进行人脸识别。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202010057979.1A 2020-01-16 2020-01-16 一种人脸识别方法和装置 Pending CN113128325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010057979.1A CN113128325A (zh) 2020-01-16 2020-01-16 一种人脸识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010057979.1A CN113128325A (zh) 2020-01-16 2020-01-16 一种人脸识别方法和装置

Publications (1)

Publication Number Publication Date
CN113128325A true CN113128325A (zh) 2021-07-16

Family

ID=76771983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010057979.1A Pending CN113128325A (zh) 2020-01-16 2020-01-16 一种人脸识别方法和装置

Country Status (1)

Country Link
CN (1) CN113128325A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574901A (zh) * 2016-01-18 2016-05-11 浙江科技学院 一种基于局部对比度模式的通用无参考图像质量评价方法
CN106096658A (zh) * 2016-06-16 2016-11-09 华北理工大学 基于无监督深度空间特征编码的航拍图像分类方法
CN106228286A (zh) * 2016-07-15 2016-12-14 西安美林数据技术股份有限公司 一种针对人工客服工作质量评估的数据分析方法
CN106997585A (zh) * 2016-01-22 2017-08-01 同方威视技术股份有限公司 成像系统及图像质量评价方法
CN108875542A (zh) * 2018-04-04 2018-11-23 北京旷视科技有限公司 一种人脸识别方法、装置、系统及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574901A (zh) * 2016-01-18 2016-05-11 浙江科技学院 一种基于局部对比度模式的通用无参考图像质量评价方法
CN106997585A (zh) * 2016-01-22 2017-08-01 同方威视技术股份有限公司 成像系统及图像质量评价方法
CN106096658A (zh) * 2016-06-16 2016-11-09 华北理工大学 基于无监督深度空间特征编码的航拍图像分类方法
CN106228286A (zh) * 2016-07-15 2016-12-14 西安美林数据技术股份有限公司 一种针对人工客服工作质量评估的数据分析方法
CN108875542A (zh) * 2018-04-04 2018-11-23 北京旷视科技有限公司 一种人脸识别方法、装置、系统及计算机存储介质

Similar Documents

Publication Publication Date Title
CN108898186B (zh) 用于提取图像的方法和装置
US11334763B2 (en) Image processing methods, training methods, apparatuses, devices, media, and programs
CN108229419B (zh) 用于聚类图像的方法和装置
CN110377740B (zh) 情感极性分析方法、装置、电子设备及存储介质
CN109360028B (zh) 用于推送信息的方法和装置
CN107766492B (zh) 一种图像搜索的方法和装置
US20210073890A1 (en) Catalog-based image recommendations
WO2019136897A1 (zh) 图像处理方法、装置、电子设备及存储介质
US9047534B2 (en) Method and apparatus for detecting near-duplicate images using content adaptive hash lookups
CN113657087B (zh) 信息的匹配方法及装置
CN112464803A (zh) 图像比较方法和装置
US9734434B2 (en) Feature interpolation
CN111488479B (zh) 超图构建方法、装置以及计算机系统和介质
CN111881943A (zh) 图像分类的方法、装置、设备和计算机可读介质
CN110895811A (zh) 一种图像篡改检测方法和装置
CN106611148B (zh) 基于图像的离线公式识别方法和装置
CN108446737B (zh) 用于识别对象的方法和装置
CN113128325A (zh) 一种人脸识别方法和装置
CN115546554A (zh) 敏感图像的识别方法、装置、设备和计算机可读存储介质
CN116311298A (zh) 信息生成方法、信息处理方法、装置、电子设备以及介质
CN111881778B (zh) 文本检测的方法、装置、设备和计算机可读介质
CN110516717B (zh) 用于生成图像识别模型的方法和装置
CN111401137A (zh) 证件栏位识别的方法和装置
CN112905786A (zh) 一种标签推荐方法和装置
CN111444932A (zh) 确定相似图像的方法和装置

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