CN113177491A - 一种自适应光源人脸识别系统及方法 - Google Patents
一种自适应光源人脸识别系统及方法 Download PDFInfo
- Publication number
- CN113177491A CN113177491A CN202110498674.9A CN202110498674A CN113177491A CN 113177491 A CN113177491 A CN 113177491A CN 202110498674 A CN202110498674 A CN 202110498674A CN 113177491 A CN113177491 A CN 113177491A
- Authority
- CN
- China
- Prior art keywords
- light source
- image
- face
- module
- adaptive
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于人脸识别技术领域,公开了一种自适应光源人脸识别系统及方法,包括中央处理和控制模块、光源采样模块、阴影图构建模块、光源特征提取模块、图像采集模块、面部定位模块、图像处理模块、对比识别模块、数据库模块、结果确认模块和数据库更新模块。本发明通过采用自适应光照补偿方法实现对图像的光补,该方法对于较亮和较暗光的补偿效果较好,增强了算法的光照鲁棒性,通过自适应光源人脸识别方法能够实现不同光照条件下的人脸识别,识别效率高,准确率高;通过将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中,可以收集不同光源特征数据条件下的人脸图像,从而进一步提高下次对相同光源特征数据条件下的人脸识别效率。
Description
技术领域
本发明属于人脸识别技术领域,尤其涉及一种自适应光源人脸识别系统及方法。
背景技术
目前:生物特征识别技术被列为21世纪对人类社会带来革命性影响的十大技术之一。生物特征识别技术是目前最为方便、安全的身份识别技术,生物特征识别技术识别的是人本身,不需要人身之外的标识物。生物特征识别技术利用人的生理特征和行为特征进行身份识别,主要有指纹识别、人脸识别、虹膜识别、步态识别等。其中,人脸识别是当前生物特征识别领域的一大热点。它与目前广泛应用的指纹识别技术相比,有着直观性、方便性、非接触性、友好性、用户接受度高等显著优点。
由于大多数人脸识别系统都工作在复杂的应用环境中,环境光照变化、人脸的表情变化、人脸图像采集的角度变化、遮挡物的存在等问题都不同程度地对人脸识别系统的稳定性及有效性带来了恶劣影响。其中光照变化的影响一直都是人脸识别算法的一个关键问题,对人脸识别系统的应用具有重要影响。现有的人脸识别系统不能根据光源的变化对识别过程进行相应调整,往往因为光线的变化而不能够产生正确的识别结果。而且现有的基于光照补偿的识别方法都需要大样本的训练图像,建立相似模板,才能完成处理,无法满足实时性和高效性。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的人脸识别系统不能根据光源的变化对识别过程进行相应调整,往往因为光线的变化而不能够产生正确的识别结果。
(2)现有的基于光照补偿的识别方法都需要大样本的训练图像,建立相似模板,才能完成处理,无法满足实时性和高效性。
发明内容
针对现有技术存在的问题,本发明提供了一种自适应光源人脸识别系统及方法。
本发明是这样实现的,一种自适应光源人脸识别系统,所述自适应光源人脸识别系统包括:
光源采样模块,与中央处理和控制模块连接,用于利用自适应方法对光源进行采样;
阴影图构建模块,与中央处理和控制模块连接,用于根据采集的光源数据构建采样点的阴影图;
光源特征提取模块,与中央处理和控制模块连接,用于根据构建的采样点的阴影图提取所处环境中光源的实时特征数据;
所述根据构建的采样点的阴影图提取所处环境中光源的实时特征数据包括:
提取图像I中全部像素点的位置信息和RGB颜色分量;
将图像I中每个像素点的RGB颜色分量变换为HSV颜色分量,并对HSV的三个分量进行非均匀化量化,得到N种颜色,即得到每个像素点的颜色信息;
对图像I进行提取边缘区域的处理,得到图像I的边缘区域,进而得到边缘区域每个像素点的位置信息和颜色信息;
对图像I的边缘区域提取颜色自相关特征,得到边缘区域的颜色自相关图ERCAC,即得到一组A维的特征向量;
所述边缘区域的颜色自相关图ERCAC如下:
其中,ERCAC(cn,di)是颜色为cn的边缘区域颜色自相关特征值,E(px)和E(py)是边缘区域中px和py两个像素点的颜色信息,di是设定的边缘颜色距离集中第i个距离,Pr[]是[]成立的概率,0≤cn<N,1≤i≤m,m是设定的边缘颜色距离的总个数;
对图像I的全部区域提取边缘方向自相关特征,得到全局的边缘方向自相关图EOAC,即得到一组B维的特征向量;
对图像I的全部区域内提取颜色自相关特征,得到全局的颜色自相关图CAC,即得到一组C维的特征向量;
将边缘区域的颜色自相关图ERCAC、全局的边缘方向自相关图EOAC和全局的颜色自相关图CAC进行特征前融合,得到图像I的特征,即得到一组(A+B+C)维的特征向量,即为光源的实时特征数据;
图像采集模块,与中央处理和控制模块连接,用于通过摄像头对人脸图像进行采集;
面部定位模块,与中央处理和控制模块连接,用于对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像;
中央处理和控制模块,与光源采样模块、阴影图构建模块、光源特征提取模块、图像采集模块、面部定位模块、图像处理模块、对比识别模块、数据库模块、结果确认模块和数据库更新模块连接,用于通过控制器对采集信息进行处理,并根据处理结果对各个受控模块进行控制;
图像处理模块,与中央处理和控制模块连接,用于对人脸面部图像利用自适应光照补偿方法进行处理;
对比识别模块,与中央处理和控制模块连接,用于将处理后的人脸面部图像与数据库中预存的人脸图像进行对比筛选,确认是否与预存的人脸图像相吻合;
存储模块,与中央处理和控制模块连接,用于通过存储器存储预设的人脸图像,构建人脸数据库;
结果确认模块,与中央处理和控制模块连接,用于通过对识别步骤进行二次重复,对识别结果的正确性进行确认;
数据库更新模块,与中央处理和控制模块连接,用于将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中。
进一步,所述通过光源采样模块利用自适应方法对光源进行采样包括:
对所处场景的光源采样点进行初始化;
根据场景大小确定阴影图生成的投影矩阵和视口以及其他初始化设置;
采集能生成高质量软阴影的最少数目初始阴影图,同时通过初始阴影图信息自适应调整阴影图生成的投影矩阵和视口,从而得到对应的光源数据。
进一步,所述通过阴影图构建模块根据采集的光源数据构建采样点的阴影图包括:
根据光源初始采样点得到的光源数据,调整投影矩阵和视口,采用统一的只依赖于场景的透视投影矩阵和视口生成,不随视点的移动而变化;
通过将生成的四张相邻采样点的阴影图反投到场景中,再根据阴影灰度值变化来统计需要细分的像素点;
通过得到的阴影图像素点,从视点位置绘制一遍整个场景,使用Phong光照模型结合阴影图上的可见性信息,渲染得到整个采样点场景的阴影图。
进一步,所述通过面部定位模块对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像,包括:
定义初始搜索窗口,即包含人脸部分的待识别区域,待识别区域应尽可能多的包含人脸部分,并尽可能少的包含背景部分;
将待识别区域匹配到椭圆模板,椭圆长对称轴随人脸的倾斜而倾斜相同角度;
按照一定的比例改变搜索窗口的位置,并计算窗口的中心和计算出质心的距离;
若得到的距离在巴氏距离阈值内,则认为找到跟踪目标,反之则继续调整窗口大小,直到满足阈值条件。
进一步,所述定义初始搜索窗口包括:
搜索窗口起始位置(X0,y0)大小为m×n,(x,y)位置点的像素值为I(x,y),则图像质心(xc,Yc)计算如下:
其中,M00是像素值点的零阶矩,M10和M01为一阶矩。
进一步,通过对人脸面部图像利用自适应光照补偿方法进行处理包括:
对人脸图像进行经典retinex光照补偿;对得到的图像进行prewitt边缘检测,判断伪边缘并标记出伪边缘对应的低照度区域C(x,y);
{C(x,y)|(s≥3且(xi,yi)≠(width-xi,yi))
∪|Δt(i)|<0.5∪xim>xi>x0∪xim<xi<x0
∪yim>yi>y0∪yim<yi<y0}
其中,C(x,y)为伪边缘所在的图像区域;
计算Weickert结构张量及其对应的特征值;重新给Weickert结构张量的特征值赋值,并计算相应的环境函数;
改进Retinex算法的环境函数,对原始人脸图像进行光照处理,得出光照补偿后的图像。
进一步,所述对人脸面部图像利用自适应光照补偿方法进行处理后,利用二层小波变换的方法对人脸面部图像进一步处理。
进一步,所述数据库更新模块将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中时,相同光源特征数据条件下的人脸图像只保存一次。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明通过采用自适应光照补偿方法实现对图像的光补,该方法对于较亮和较暗光的补偿效果较好,增强了算法的光照鲁棒性,通过自适应光源人脸识别方法能够实现不同光照条件下的人脸识别,识别效率高,准确率高。本发明结合自适应光源采样方法,提出了基于局部阴影图的高质量软阴影快速生成方法,大大提高了多阴影图渲染方法的效率。通过将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中,可以收集不同光源特征数据条件下的人脸图像,从而进一步提高下次对相同光源特征数据条件下的人脸识别效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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是本发明实施例提供的自适应光源人脸识别系统的结构示意图;
图1中:1、光源采样模块;2、阴影图构建模块;3、光源特征提取模块;4、图像采集模块;5、面部定位模块;6、中央处理和控制模块;7、图像处理模块;8、对比识别模块;9、存储模块;10、结果确认模块;11、数据库更新模块。
图2是本发明实施例提供的自适应光源人脸识别方法的流程图。
图3是本发明实施例提供的通过光源采样模块利用自适应方法对光源进行采样的流程图。
图4是本发明实施例提供的通过阴影图构建模块根据采集的光源数据构建采样点的阴影图的流程图。
图5是本发明实施例提供的通过面部定位模块对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种自适应光源人脸识别系统及方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的一种自适应光源人脸识别系统包括:
光源采样模块1,与中央处理和控制模块连接,用于利用自适应方法对光源进行采样;
阴影图构建模块2,与中央处理和控制模块连接,用于根据采集的光源数据构建采样点的阴影图;
光源特征提取模块3,与中央处理和控制模块连接,用于根据构建的采样点的阴影图提取所处环境中光源的实时特征数据;
图像采集模块4,与中央处理和控制模块连接,用于通过摄像头对人脸图像进行采集;
面部定位模块5,与中央处理和控制模块连接,用于对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像;
中央处理和控制模块6,与光源采样模块、阴影图构建模块、光源特征提取模块、图像采集模块、面部定位模块、图像处理模块、对比识别模块、数据库模块、结果确认模块和数据库更新模块连接,用于通过控制器对采集信息进行处理,并根据处理结果对各个受控模块进行控制;
图像处理模块7,与中央处理和控制模块连接,用于对人脸面部图像利用自适应光照补偿方法进行处理;
对比识别模块8,与中央处理和控制模块连接,用于将处理后的人脸面部图像与数据库中预存的人脸图像进行对比筛选,确认是否与预存的人脸图像相吻合;
存储模块9,与中央处理和控制模块连接,用于通过存储器存储预设的人脸图像,构建人脸数据库;
结果确认模块10,与中央处理和控制模块连接,用于通过对识别步骤进行二次重复,对识别结果的正确性进行确认;
数据库更新模块11,与中央处理和控制模块连接,用于将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中。
如图2所示,本发明实施例提供的一种自适应光源人脸识别方法包括:
S101,通过光源采样模块利用自适应方法对光源进行采样,通过阴影图构建模块根据采集的光源数据构建采样点的阴影图;
S102,通过光源特征提取模块根据构建的采样点的阴影图提取所处环境中光源的实时特征数据;
S103,通过图像采集模块中的摄像头对人脸图像进行采集;通过面部定位模块对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像;
S104,通过图像处理模块对人脸面部图像利用自适应光照补偿方法进行处理;通过对比识别模块将处理后的人脸面部图像与数据库中预存的人脸图像进行对比筛选,确认是否与预存的人脸图像相吻合;
S105,通过结果确认模块对识别步骤进行二次重复,对识别结果的正确性进行确认;
S106,通过数据库更新模块将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中。
如图3所示,本发明实施例中的通过光源采样模块利用自适应方法对光源进行采样包括:
S201,对所处场景的光源采样点进行初始化;
S202,根据场景大小确定阴影图生成的投影矩阵和视口以及其他初始化设置;
S203,采集能生成高质量软阴影的最少数目初始阴影图,同时通过初始阴影图信息自适应调整阴影图生成的投影矩阵和视口,从而得到对应的光源数据。
如图4所示,本发明实施例中的通过阴影图构建模块根据采集的光源数据构建采样点的阴影图包括:
S301,根据光源初始采样点得到的光源数据,调整投影矩阵和视口,采用统一的只依赖于场景的透视投影矩阵和视口生成,不随视点的移动而变化;
S302,通过将生成的四张相邻采样点的阴影图反投到场景中,再根据阴影灰度值变化来统计需要细分的像素点;
S303,通过得到的阴影图像素点,从视点位置绘制一遍整个场景,使用Phong光照模型结合阴影图上的可见性信息,渲染得到整个采样点场景的阴影图。
本发明实施例中的根据构建的采样点的阴影图提取所处环境中光源的实时特征数据包括:
提取图像I中全部像素点的位置信息和RGB颜色分量;
将图像I中每个像素点的RGB颜色分量变换为HSV颜色分量,并对HSV的三个分量进行非均匀化量化,得到N种颜色,即得到每个像素点的颜色信息;
对图像I进行提取边缘区域的处理,得到图像I的边缘区域,进而得到边缘区域每个像素点的位置信息和颜色信息;
对图像I的边缘区域提取颜色自相关特征,得到边缘区域的颜色自相关图ERCAC,即得到一组A维的特征向量;
所述边缘区域的颜色自相关图ERCAC如下:
其中,ERCAC(cn,di)是颜色为cn的边缘区域颜色自相关特征值,E(px)和E(py)是边缘区域中px和py两个像素点的颜色信息,di是设定的边缘颜色距离集中第i个距离,Pr[]是[]成立的概率,0≤cn<N,1≤i≤m,m是设定的边缘颜色距离的总个数;
对图像I的全部区域提取边缘方向自相关特征,得到全局的边缘方向自相关图EOAC,即得到一组B维的特征向量;
对图像I的全部区域内提取颜色自相关特征,得到全局的颜色自相关图CAC,即得到一组C维的特征向量;
将边缘区域的颜色自相关图ERCAC、全局的边缘方向自相关图EOAC和全局的颜色自相关图CAC进行特征前融合,得到图像I的特征,即得到一组(A+B+C)维的特征向量,即为光源的实时特征数据。
如图5所示,本发明实施例中的通过面部定位模块对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像,包括:
S401,定义初始搜索窗口,即包含人脸部分的待识别区域,待识别区域应尽可能多的包含人脸部分,并尽可能少的包含背景部分;
S402,将待识别区域匹配到椭圆模板,椭圆长对称轴随人脸的倾斜而倾斜相同角度;
S403,按照一定的比例改变搜索窗口的位置,并计算窗口的中心和计算出质心的距离;
S404,若得到的距离在巴氏距离阈值内,则认为找到跟踪目标,反之则继续调整窗口大小,直到满足阈值条件。
本发明实施例中的定义初始搜索窗口包括:
搜索窗口起始位置(x0,y0)大小为m×n,(x,y)位置点的像素值为I(x,y),则图像质心(xc,Yc)计算如下:
其中,M00是像素值点的零阶矩,M10和M01为一阶矩。
本发明实施例中的对人脸面部图像利用自适应光照补偿方法进行处理包括:
对人脸图像进行经典retinex光照补偿;对得到的图像进行prewitt边缘检测,判断伪边缘并标记出伪边缘对应的低照度区域C(x,y);
{C(x,y)|(s≥3且(xi,yi)≠(width-xi,yi))
∪|Δt(i)|<0.5∪xim>xi>x0∪xim<xi<x0
∪yim>yi>y0∪yim<yi<y0}
其中,C(x,y)为伪边缘所在的图像区域;
计算Weickert结构张量及其对应的特征值;重新给Weickert结构张量的特征值赋值,并计算相应的环境函数;
改进Retinex算法的环境函数,对原始人脸图像进行光照处理,得出光照补偿后的图像。
本发明实施例中的通过图像处理模块对人脸面部图像利用自适应光照补偿方法进行处理后,利用二层小波变换的方法对人脸面部图像进一步处理。
本发明实施例中的数据库更新模块将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中时,相同光源特征数据条件下的人脸图像只保存一次。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,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。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种自适应光源人脸识别系统,其特征在于,所述自适应光源人脸识别系统包括:
光源采样模块,与中央处理和控制模块连接,用于利用自适应方法对光源进行采样;
阴影图构建模块,与中央处理和控制模块连接,用于根据采集的光源数据构建采样点的阴影图;
光源特征提取模块,与中央处理和控制模块连接,用于根据构建的采样点的阴影图提取所处环境中光源的实时特征数据;
所述根据构建的采样点的阴影图提取所处环境中光源的实时特征数据包括:
提取图像I中全部像素点的位置信息和RGB颜色分量;
将图像I中每个像素点的RGB颜色分量变换为HSV颜色分量,并对HSV的三个分量进行非均匀化量化,得到N种颜色,即得到每个像素点的颜色信息;
对图像I进行提取边缘区域的处理,得到图像I的边缘区域,进而得到边缘区域每个像素点的位置信息和颜色信息;
对图像I的边缘区域提取颜色自相关特征,得到边缘区域的颜色自相关图ERCAC,即得到一组A维的特征向量;
所述边缘区域的颜色自相关图ERCAC如下:
其中,ERCAC(cn,di)是颜色为cn的边缘区域颜色自相关特征值,E(px)和E(py)是边缘区域中px和py两个像素点的颜色信息,di是设定的边缘颜色距离集中第i个距离,Pr[]是[]成立的概率,0≤cn<N,1≤i≤m,m是设定的边缘颜色距离的总个数;
对图像I的全部区域提取边缘方向自相关特征,得到全局的边缘方向自相关图EOAC,即得到一组B维的特征向量;
对图像I的全部区域内提取颜色自相关特征,得到全局的颜色自相关图CAC,即得到一组C维的特征向量;
将边缘区域的颜色自相关图ERCAC、全局的边缘方向自相关图EOAC和全局的颜色自相关图CAC进行特征前融合,得到图像I的特征,即得到一组(A+B+C)维的特征向量,即为光源的实时特征数据;
图像采集模块,与中央处理和控制模块连接,用于通过摄像头对人脸图像进行采集;
面部定位模块,与中央处理和控制模块连接,用于对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像;
中央处理和控制模块,与光源采样模块、阴影图构建模块、光源特征提取模块、图像采集模块、面部定位模块、图像处理模块、对比识别模块、数据库模块、结果确认模块和数据库更新模块连接,用于通过控制器对采集信息进行处理,并根据处理结果对各个受控模块进行控制;
图像处理模块,与中央处理和控制模块连接,用于对人脸面部图像利用自适应光照补偿方法进行处理;
对比识别模块,与中央处理和控制模块连接,用于将处理后的人脸面部图像与数据库中预存的人脸图像进行对比筛选,确认是否与预存的人脸图像相吻合;
存储模块,与中央处理和控制模块连接,用于通过存储器存储预设的人脸图像,构建人脸数据库;
结果确认模块,与中央处理和控制模块连接,用于通过对识别步骤进行二次重复,对识别结果的正确性进行确认;
数据库更新模块,与中央处理和控制模块连接,用于将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中。
2.如权利要求1所述的自适应光源人脸识别系统,其特征在于,所述利用自适应方法对光源进行采样包括:
对所处场景的光源采样点进行初始化;
根据场景大小确定阴影图生成的投影矩阵和视口以及其他初始化设置;
采集能生成高质量软阴影的最少数目初始阴影图,同时通过初始阴影图信息自适应调整阴影图生成的投影矩阵和视口,从而得到对应的光源数据。
3.如权利要求1所述的自适应光源人脸识别系统,其特征在于,所述根据采集的光源数据构建采样点的阴影图包括:
根据光源初始采样点得到的光源数据,调整投影矩阵和视口,采用统一的只依赖于场景的透视投影矩阵和视口生成,不随视点的移动而变化;
通过将生成的四张相邻采样点的阴影图反投到场景中,再根据阴影灰度值变化来统计需要细分的像素点;
通过得到的阴影图像素点,从视点位置绘制一遍整个场景,使用Phong光照模型结合阴影图上的可见性信息,渲染得到整个采样点场景的阴影图。
4.如权利要求1所述的自适应光源人脸识别系统,其特征在于,所述对采集的人脸图像中的人脸面部区域进行定位,并删除多余的背景图像,包括:
定义初始搜索窗口,即包含人脸部分的待识别区域,待识别区域应尽可能多的包含人脸部分,并尽可能少的包含背景部分;
将待识别区域匹配到椭圆模板,椭圆长对称轴随人脸的倾斜而倾斜相同角度;
按照一定的比例改变搜索窗口的位置,并计算窗口的中心和计算出质心的距离;
若得到的距离在巴氏距离阈值内,则认为找到跟踪目标,反之则继续调整窗口大小,直到满足阈值条件。
6.如权利要求1所述的自适应光源人脸识别系统,其特征在于,所述对人脸面部图像进行自适应光照补偿包括:
对人脸图像进行经典retinex光照补偿;对得到的图像进行prewitt边缘检测,判断伪边缘并标记出伪边缘对应的低照度区域C(x,y);
{C(x,y)|(s≥3且(xi,yi)≠(width-xi,yi))∪|Δt(i)|<0.5∪xim>xi>x0∪xim<xi<x0∪yim>yi>y0∪yim<yi<y0}
其中,C(x,y)为伪边缘所在的图像区域;
计算Weickert结构张量及其对应的特征值;重新给Weickert结构张量的特征值赋值,并计算相应的环境函数;
改进Retinex算法的环境函数,对原始人脸图像进行光照处理,得出光照补偿后的图像。
7.如权利要求1所述的自适应光源人脸识别系统,其特征在于,所述对人脸面部图像利用自适应光照补偿方法进行处理后,利用二层小波变换的方法对人脸面部图像进一步处理。
8.如权利要求1所述的自适应光源人脸识别系统,其特征在于,所述将识别正确的图像存储到与人脸数据库中对应的人脸图像文件夹中时,相同光源特征数据条件下的人脸图像只保存一次。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求2~8任意一项所述的自适应光源人脸识别方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求2~8任意一项所述的自适应光源人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498674.9A CN113177491A (zh) | 2021-05-08 | 2021-05-08 | 一种自适应光源人脸识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498674.9A CN113177491A (zh) | 2021-05-08 | 2021-05-08 | 一种自适应光源人脸识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177491A true CN113177491A (zh) | 2021-07-27 |
Family
ID=76928386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110498674.9A Pending CN113177491A (zh) | 2021-05-08 | 2021-05-08 | 一种自适应光源人脸识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177491A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770578A (zh) * | 2010-03-24 | 2010-07-07 | 上海交通大学 | 图像特征提取方法 |
CN102799871A (zh) * | 2012-07-13 | 2012-11-28 | Tcl集团股份有限公司 | 一种人脸跟踪识别的方法 |
CN102880864A (zh) * | 2012-04-28 | 2013-01-16 | 王浩 | 一种从流媒体文件中抓拍人脸的方法 |
CN103366396A (zh) * | 2013-07-06 | 2013-10-23 | 北京航空航天大学 | 基于局部阴影图的高质量软阴影快速生成方法 |
CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
CN106971153A (zh) * | 2017-03-08 | 2017-07-21 | 重庆三峡学院 | 一种人脸图像光照补偿方法 |
CN109063596A (zh) * | 2018-07-13 | 2018-12-21 | 江苏慧学堂系统工程有限公司 | 一种人脸识别系统及移动终端和人脸识别辅助装置 |
-
2021
- 2021-05-08 CN CN202110498674.9A patent/CN113177491A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770578A (zh) * | 2010-03-24 | 2010-07-07 | 上海交通大学 | 图像特征提取方法 |
CN102880864A (zh) * | 2012-04-28 | 2013-01-16 | 王浩 | 一种从流媒体文件中抓拍人脸的方法 |
CN102799871A (zh) * | 2012-07-13 | 2012-11-28 | Tcl集团股份有限公司 | 一种人脸跟踪识别的方法 |
CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
CN103366396A (zh) * | 2013-07-06 | 2013-10-23 | 北京航空航天大学 | 基于局部阴影图的高质量软阴影快速生成方法 |
CN106971153A (zh) * | 2017-03-08 | 2017-07-21 | 重庆三峡学院 | 一种人脸图像光照补偿方法 |
CN109063596A (zh) * | 2018-07-13 | 2018-12-21 | 江苏慧学堂系统工程有限公司 | 一种人脸识别系统及移动终端和人脸识别辅助装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9818023B2 (en) | Enhanced face detection using depth information | |
CN109359538B (zh) | 卷积神经网络的训练方法、手势识别方法、装置及设备 | |
Ban et al. | Face detection based on skin color likelihood | |
US11837017B2 (en) | System and method for face recognition based on dynamic updating of facial features | |
WO2019232866A1 (zh) | 人眼模型训练方法、人眼识别方法、装置、设备及介质 | |
JP5121506B2 (ja) | 画像処理装置、画像処理方法、プログラム及び記憶媒体 | |
US6819782B1 (en) | Device and method for recognizing hand shape and position, and recording medium having program for carrying out the method recorded thereon | |
WO2019232862A1 (zh) | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 | |
US8406470B2 (en) | Object detection in depth images | |
JP5629803B2 (ja) | 画像処理装置、撮像装置、画像処理方法 | |
JP4743823B2 (ja) | 画像処理装置、撮像装置、画像処理方法 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN111144366A (zh) | 一种基于联合人脸质量评估的陌生人脸聚类方法 | |
KR20110064117A (ko) | 얼굴 정면포즈 판단 방법 | |
JP2000306095A (ja) | 画像照合・検索システム | |
JP2006146626A (ja) | パターン認識方法および装置 | |
WO2019111550A1 (ja) | 人物照合装置、方法、及び非一時的なコンピュータ可読媒体 | |
CN112686191B (zh) | 基于人脸三维信息的活体防伪方法、系统、终端及介质 | |
CN115335872A (zh) | 目标检测网络的训练方法、目标检测方法及装置 | |
CN112200056A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN112185515A (zh) | 一种基于动作识别的病患辅助系统 | |
CN109919128B (zh) | 控制指令的获取方法、装置及电子设备 | |
JP2000099722A (ja) | 人物顔認識装置及び人物顔認識方法 | |
CN113177491A (zh) | 一种自适应光源人脸识别系统及方法 | |
KR100893086B1 (ko) | 조명 변화에 강인한 얼굴 검출 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |