CN113239765A - 一种人脸识别的方法及系统 - Google Patents

一种人脸识别的方法及系统 Download PDF

Info

Publication number
CN113239765A
CN113239765A CN202110475622.XA CN202110475622A CN113239765A CN 113239765 A CN113239765 A CN 113239765A CN 202110475622 A CN202110475622 A CN 202110475622A CN 113239765 A CN113239765 A CN 113239765A
Authority
CN
China
Prior art keywords
image
face
carrying
face image
processing
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Withdrawn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
CN202110475622.XA
Other languages
English (en)
Inventor
徐小林
张晓余
伍荣林
罗焱平
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.)
Yyc Industrial Co ltd China
Original Assignee
Yyc Industrial Co ltd China
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 Yyc Industrial Co ltd China filed Critical Yyc Industrial Co ltd China
Priority to CN202110475622.XA priority Critical patent/CN113239765A/zh
Publication of CN113239765A publication Critical patent/CN113239765A/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Withdrawn legal-status Critical Current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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V10/46—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]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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

Landscapes

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

Abstract

本发明公开一种人脸识别的方法及系统，包括1)对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；2)对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；3)对人脸图像进行分割，形成双眼‑鼻‑口‑下巴综合T字形采集区、右耳‑颧骨综合三角形采集区、左耳‑颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；4)对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；5)采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；该人脸识别的方法识别速度快。

Description

一种人脸识别的方法及系统
技术领域
本发明涉及图像比对技术，特别是一种人脸识别的方法及系统。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
人脸识别技术的识别速度是本领域的技术人员一直优化的方向之一，本领域的技术人员希望人脸识别的速度可以更快。
发明内容
本发明要解决的技术问题是提供一种识别速度快的人脸识别的方法。
为解决上述问题，本发明采用如下技术方案：
一种人脸识别的方法，包括以下步骤：
1)对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
2)对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
3)对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
4)对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
5)采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
6)根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
7)将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
8)获取待验证用户的人脸图像；
9)采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
作为优选，还包括步骤3)还包含有对剔除的人脸图像进行特征提取处理，将将所述人脸特征与原始图片分别进行对比，得到对比特征。
作为优选，所述特征提取处理中所提取的特征包含有痣特征、凸起性疤痕特征、凹陷性疤痕和萎缩性疤痕中的一种或多种。
作为优选，还包含有步骤10)根据对比特征对通过人脸识别模型的人脸图像进行复核。
本发明还提供一种人脸识别的系统，包括：
人脸图像处理单元，对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
归一化处理单元，对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
人脸图像分割单元，对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
初步处理单元，对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
图像训练单元，采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
LDA投影矩阵训练单元，根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
储存单元，将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
获取单元，获取待验证用户的人脸图像；
判断单元，采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
作为优选，所述人脸图像分割单元还被配置于对剔除的人脸图像进行特征提取处理，将将所述人脸特征与原始图片分别进行对比，得到对比特征。
作为优选，还包含有复核模块，用于根据对比特征对通过人脸识别模型的人脸图像进行复核。
本发明的有益效果为：通过剔除了大部分的人脸信息，留下重要的人脸信息数据，从而有效的提升了处理速度和识别速度，而且数据变得简洁了可以使得模型的训练速度得到极大的提升。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例1的一种人脸识别的方法的流程图。
图2为本发明实施例1一种人脸识别的系统的模块连接框图。
图3为本发明实施例2的一种人脸识别的方法的流程图。
图4为本发明实施例2一种人脸识别的系统的模块连接框图。
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。
实施例1
如图1-2所示，一种人脸识别的方法，包括以下步骤：
1)对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
2)对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
3)对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
4)对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
5)采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
6)根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
7)将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
8)获取待验证用户的人脸图像；
9)采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
本实施例还提供一种人脸识别的系统，包括：
人脸图像处理单元1，对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
归一化处理单元2，对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
人脸图像分割单元3，对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
初步处理单元4，对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
图像训练单元5，采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
LDA投影矩阵训练单元6，根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
储存单元7，将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
获取单元8，获取待验证用户的人脸图像；
判断单元9，采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
实施例2
如图3-4所示，一种人脸识别的方法，包括以下步骤：
1)对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
2)对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
3)对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
4)对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
5)采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
6)根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
7)将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
8)获取待验证用户的人脸图像；
9)采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
在本实施例中，还包括步骤3)还包含有对剔除的人脸图像进行特征提取处理，将将所述人脸特征与原始图片分别进行对比，得到对比特征。
在本实施例中，所述特征提取处理中所提取的特征包含有痣特征、凸起性疤痕特征、凹陷性疤痕和萎缩性疤痕。
在本实施例中，还包含有步骤10)根据对比特征对通过人脸识别模型的人脸图像进行复核。
本实施例还提供一种人脸识别的系统，包括：
人脸图像处理单元1，对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
归一化处理单元2，对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
人脸图像分割单元3，对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
初步处理单元4，对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
图像训练单元5，采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
LDA投影矩阵训练单元6，根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
储存单元7，将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
获取单元8，获取待验证用户的人脸图像；
判断单元9，采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
在本实施例中，所述人脸图像分割单元还被配置于对剔除的人脸图像进行特征提取处理，将将所述人脸特征与原始图片分别进行对比，得到对比特征。
在本实施例中，还包含有复核模块10，用于根据对比特征对通过人脸识别模型的人脸图像进行复核。
本发明的有益效果为：通过剔除了大部分的人脸信息，留下重要的人脸信息数据，从而有效的提升了处理速度和识别速度，而且数据变得简洁了可以使得模型的训练速度得到极大的提升。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种人脸识别的方法，其特征在于，包括以下步骤：
1)对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
2)对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
3)对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
4)对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
5)采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
6)根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
7)将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
8)获取待验证用户的人脸图像；
9)采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
2.根据权利要求1所述的一种人脸识别的方法，其特征在于：还包括步骤3)还包含有对剔除的人脸图像进行特征提取处理，将将所述人脸特征与原始图片分别进行对比，得到对比特征。
3.根据权利要求2所述的一种人脸识别的方法，其特征在于：所述特征提取处理中所提取的特征包含有痣特征、凸起性疤痕特征、凹陷性疤痕和萎缩性疤痕中的一种或多种。
4.根据权利要求3所述的一种人脸识别的方法，其特征在于：还包含有步骤10)根据对比特征对通过人脸识别模型的人脸图像进行复核。
5.一种人脸识别的系统，其特征在于，包括：
人脸图像处理单元，对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；
归一化处理单元，对人脸图像进行尺寸归一化处理，得到固定尺寸的人脸图像；
人脸图像分割单元，对人脸图像进行分割，形成双眼-鼻-口-下巴综合T字形采集区、右耳-颧骨综合三角形采集区、左耳-颧骨综合三角形采集区、双眉骨一字形采集区，然后对上述采集区以外的人脸图像进行剔除，形成局部部位组合图像；
初步处理单元，对局部部位组合图像进行正则化主成分分析PCA处理，训练出正则化PCA投影矩阵；
图像训练单元，采用正则化PCA投影矩阵，对局部部位组合图像进行处理，得到训练图像；根据训练图像对训练的卷积神经网络CNN模型进行训练；
LDA投影矩阵训练单元，根据训练好的CNN模型，从训练图像中提取多个具有第一维度的图像特征；通过具有第一维度的图像特征进行线性判断式分析LDA处理，训练出LDA投影矩阵；
储存单元，将正则化PCA投影矩阵、训练好的CNN模型及LDA投影矩阵作为人脸识别模型并储存；
获取单元，获取待验证用户的人脸图像；
判断单元，采用人脸识别模型对人脸图像进行人脸识别，确定识别结果。
6.根据权利要求5所述的一种人脸识别的系统，其特征在于：所述人脸图像分割单元还被配置于对剔除的人脸图像进行特征提取处理，将将所述人脸特征与原始图片分别进行对比，得到对比特征。
7.根据权利要求5所述的一种人脸识别的系统，其特征在于：还包含有复核模块，用于根据对比特征对通过人脸识别模型的人脸图像进行复核。
CN202110475622.XA 2021-04-29 2021-04-29 一种人脸识别的方法及系统 Withdrawn CN113239765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110475622.XA CN113239765A (zh) 2021-04-29 2021-04-29 一种人脸识别的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110475622.XA CN113239765A (zh) 2021-04-29 2021-04-29 一种人脸识别的方法及系统

Publications (1)

Publication Number Publication Date
CN113239765A true CN113239765A (zh) 2021-08-10

Family

ID=77131535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110475622.XA Withdrawn CN113239765A (zh) 2021-04-29 2021-04-29 一种人脸识别的方法及系统

Country Status (1)

Country Link
CN (1) CN113239765A (zh)

Similar Documents

Publication Publication Date Title
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
CN110267061B (zh) 一种新闻拆条方法及系统
Yang et al. Lecture video indexing and analysis using video ocr technology
CN111339806B (zh) 唇语识别模型的训练方法、活体识别方法及装置
CN111191564A (zh) 基于多角度神经网络的多姿态人脸情绪识别方法及系统
CN113591747B (zh) 一种基于深度学习的多场景虹膜识别方法
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
US11605210B2 (en) Method for optical character recognition in document subject to shadows, and device employing method
Korshunov et al. Vulnerability of face recognition to deep morphing
CN111968152A (zh) 一种动态身份识别方法及装置
CN114842524B (zh) 一种基于不规则显著性像素簇的人脸鉴伪方法
KR102366777B1 (ko) 도메인 적응 기반 객체 인식 장치 및 그 방법
Chopra et al. Unconstrained fingerphoto database
CN113378764B (zh) 基于聚类算法的视频人脸采集方法、装置、设备及介质
CN111340031A (zh) 基于图像识别的设备履历本目标信息提取与识别系统及其方法
CN113239765A (zh) 一种人脸识别的方法及系统
CN108734144A (zh) 一种基于人脸识别的主讲人身份认证方法
CN113221606B (zh) 一种基于ims视频会议登录的人脸识别方法
CN113343001A (zh) 一种人脸识别终端的数据存储系统
CN111985400A (zh) 一种人脸活体识别方法、装置、设备及存储介质
CN112487904A (zh) 一种基于大数据分析的视频图像处理方法及系统
KR20010000379A (ko) 직접 골 추적을 이용한 지문 특징 추출방법
CN113449542B (zh) 一种换脸识别方法、装置、设备和介质
CN116386121B (zh) 一种基于电网安全生产的人员识别方法和装置
CN110334643B (zh) 一种基于人脸识别的特征评估方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210810

WW01 Invention patent application withdrawn after publication