CN113537178A - 基于船舶安防数据识别的人脸图片补偿识别方法 - Google Patents

基于船舶安防数据识别的人脸图片补偿识别方法 Download PDF

Info

Publication number
CN113537178A
CN113537178A CN202111088569.4A CN202111088569A CN113537178A CN 113537178 A CN113537178 A CN 113537178A CN 202111088569 A CN202111088569 A CN 202111088569A CN 113537178 A CN113537178 A CN 113537178A
Authority
CN
China
Prior art keywords
deformation
picture
face
feature points
face 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.)
Granted
Application number
CN202111088569.4A
Other languages
English (en)
Other versions
CN113537178B (zh
Inventor
曹伟
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.)
Nantong Haiou Lift Saving & Protection Equipment Co ltd
Original Assignee
Nantong Haiou Lift Saving & Protection Equipment 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 Nantong Haiou Lift Saving & Protection Equipment Co ltd filed Critical Nantong Haiou Lift Saving & Protection Equipment Co ltd
Priority to CN202111088569.4A priority Critical patent/CN113537178B/zh
Publication of CN113537178A publication Critical patent/CN113537178A/zh
Application granted granted Critical
Publication of CN113537178B publication Critical patent/CN113537178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于船舶安防数据识别的人脸图片补偿识别方法，包括：分别对被识别人脸图片与标准人脸图片进行同心圆环分区，将被识别人脸图片中每个区域的特征点与标准图片中对应区域的特征点进行匹配；分别获取被识别人脸图片与标准图片中相对应两个特征点之间的距离，根据相对应两个特征点之间的距离得到图片形变比例；通过图片形变比例得到形变强度数据；通过形变强度数据得到脸部特征点的形变量；根据形变量对特征点进行补偿。通过本发明提出的技术方法，减低了焦距对人脸胖瘦变形的影响，从而降低了对人脸识别精度的影响，有效提高了检测精度。

Description

基于船舶安防数据识别的人脸图片补偿识别方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于船舶安防数据识别的人脸图片补偿识别方法。
背景技术
伴随着现代化的发展，船舶的产业规模更加扩大，船用安防系统也越来月多样化，现阶段船用安防系统用到的人脸识别方法有几何特征人脸识别法、线段距离人脸识别法、基于深度神经网络的人脸识别法等。其中基于几何特征的人脸识别方法、线段距离人脸识别法对人脸结构变化较为敏感，脸部结构比例变化就会影响人脸识别精度。
现阶段人脸识别方法通常是比对现有人脸数据图片和库里提前录入的图片数据之间的相似度，来判别人脸的身份信息。但是由于识别人脸时焦距的不同会导致人脸胖瘦变形，因此就会出现胖瘦程度的变化导致的人脸不能被识别的现象。对于该情况的发生非常影响生活的便利性，因此有必要在人脸识别系统中消除焦距对胖瘦程度的影响。
发明内容
为了克服上述现有技术的缺点，本发明的目的是提供一种补偿焦距影响人脸变形方法、一种人脸识别方法及系统。本发明采用以下技术方案：
一种基于船舶安防数据识别的人脸图片补偿识别方法，包括以下步骤：
分别对受焦距影响的被识别人脸图片与未受影响的标准人脸图片进行同心圆环分区，将被识别人脸图片中每个区域的特征点与标准图片中对应区域的特征点进行匹配；
分别获取被识别人脸图片与标准图片中相对应两个特征点之间的距离，根据相对应两个特征点之间的距离得到图片形变比例；
通过图片形变比例得到形变强度数据；通过形变强度数据得到脸部特征点的形变量；根据形变量对特征点进行补偿。
进一步的，所述对特征点进行恢复补偿的方法为：通过形变量对被识别人脸图片中特征点到中心区域的形变距离
Figure DEST_PATH_IMAGE001
进行恢复，完成对特征点的补偿；所述补偿方法的表达式为：
Figure 556579DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为特征点距图像中心点的距离，
Figure 138870DEST_PATH_IMAGE004
为当前特征点的形变量；
式中所述获取脸部特征点形变量
Figure DEST_PATH_IMAGE005
的表达式如下：
Figure 798521DEST_PATH_IMAGE006
其中：
Figure 15306DEST_PATH_IMAGE004
为当前特征点的形变量，
Figure DEST_PATH_IMAGE007
为中心区域的形变比例，
Figure 545645DEST_PATH_IMAGE008
为跨越区域的个数，
Figure DEST_PATH_IMAGE009
为该图片的平均形变强度。
进一步的，所述形变比例的获取方法为： 分别提取被识别人脸图片中某一区域的两个特征点以及其相邻区域的两个特征点，分别计算两特征点间连线的距离
Figure 564417DEST_PATH_IMAGE010
与
Figure DEST_PATH_IMAGE011
，分别计算对应标准图片对应两特征点连线的距离
Figure 445785DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
，图片形变发生在垂直于区域分界线的方向，根据两特征点的距离计算其垂直于区域分界线的距离
Figure 208205DEST_PATH_IMAGE014
与
Figure DEST_PATH_IMAGE015
，同样的，计算对应标准图片两特征点垂直于区域分界线的距离
Figure 107896DEST_PATH_IMAGE016
与
Figure DEST_PATH_IMAGE017
，通过被识别人脸图片内各个区域中两个特征点与标准图片两特征点垂直于区域分界线的距离之间的比值得到被识别人脸图片中一个区域两特征点与其相邻区域两特征点的形变比例
Figure 31990DEST_PATH_IMAGE018
与
Figure DEST_PATH_IMAGE019
。
所述平均形变强度的获取方法为：根据上述得到的两个相邻区域的形变比例
Figure 400654DEST_PATH_IMAGE018
与
Figure 966765DEST_PATH_IMAGE019
之差得到相邻垂直区域边界的形变强度值
Figure 2854DEST_PATH_IMAGE020
；对形变强度值取平均值得到平均形变强度数据；
所述分别对被识别人脸图片与标准人脸图片进行同心圆环分区的方法如下：
利用像素找出人脸图片的中心位置，以图片中心点为圆心，以r为半径增量画圆，直到最大圆弧与图片短边相切，得到了不同圆环组成的圆环区域。
进一步的，识别方法包括：
根据焦距影响人脸的补偿方法对受焦距影响的被识别人脸图片进行补偿。
提取补偿后的被识别人脸图片特征，量化得到胖瘦特征变量值；
所述人脸图片特征包括人脸双下巴的面积，眼、鼻、嘴面积占比以及嘴的宽度在腮部宽度的占比；
对被识别人脸图片的胖瘦程度分级得到胖瘦层级分类标量，根据胖瘦层级分类标量与胖瘦特征变量值得到胖瘦成都标签值，通过胖瘦成都标签值计算胖瘦程度差异，根据胖瘦程度差异值调整人脸轮廓特征权重值，根据人脸轮廓特征权重进行相似性比较，实现人脸识别。
一种人脸识别系统，该系统包括：特征点补偿模块、特征提取模块和相似性比较模块；
特征点补偿模块：根据焦距影响人脸的补偿方法对受焦距影响的被识别人脸图片进行补偿。
特征提取模块： 分别提取补偿后的被识别人脸图片以及标准人脸图片的焦距信息和人脸特征点信息；
相似性比较模块：通过对补偿后的被识别人脸特征信息进行量化，结合胖瘦程度差异值调整被识别人脸轮廓特征权重，进行相似性比较，实现人脸识别.
本发明的有益效果是：
（1）相对于传统船用安防系统用到的人脸识别，本发明考虑不同焦距下胖瘦形变的干扰对人脸识别的精度的影响，通过分析不同焦距人脸图片中各区域的形变规律得到人脸特征点形变量，利用特征点形变量对特征点进行相应的补偿，进而提高人脸识别精度。
（2）本发明考虑了人脸胖瘦变化对人脸识别精度影响，在进行人脸识别时，利用两图中人脸的胖瘦程度差异调整人脸轮廓特征点权重，减低了胖瘦程度对人脸识别精度的影响，从而提高检测精度。
附图说明
图1是本发明中一种基于船舶安防数据识别的人脸图片补偿识别方法的方法示意图；
图2是本发明中一种基于船舶安防数据识别的人脸图片补偿识别方法中图片分区示意图；
图3是本发明中一种基于船舶安防数据识别的人脸图片补偿识别方法中形变比例示意图；
图4是本发明中一种人脸识别方法示意图；
图5是本发明中一种人脸识别系统模块示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；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。
实施例1
如图1所示，该实施例提供了一种基于船舶安防数据识别的人脸图片补偿识别方法，包括：
分别对被识别人脸图片与标准人脸图片进行分区，获取不同区域被识别人脸特征图片特征点并与标准图片进行匹配，根据特征点连线获取形变比例。
如图2所示，给出了对人脸图片进行分区的示意图，首先，控制其他变量拍摄一组不同焦距长度的图片，以5mm作为焦距长度间隔变动焦距长度，拍摄一组从15mm-200mm的不同焦距长度人像图片，利用像素坐标找出图片的中心位置，以图片中心为圆心，以r为半径间隔画圆，直到最大圆圆弧与图像的短边相切位置，此时即可得到如图2所示不同圆环组成的图像区域
Figure DEST_PATH_IMAGE021
。
在本实施例中，以50mm的图片为基准，利用面部关键点检测算法得到特征点，提取基准图片的人脸特征点
Figure 832270DEST_PATH_IMAGE022
和其他图片的特征点
Figure DEST_PATH_IMAGE023
,
Figure 953810DEST_PATH_IMAGE024
,…,
Figure DEST_PATH_IMAGE025
，将其他图片与基准图片进行匹配得到一组组匹配对应点，以第i张图片为例，其匹配的对应点可以表示为：
Figure 41720DEST_PATH_IMAGE026
。
得到特征点信息后，选取两个相邻区域分别计算出各区域内两个特征点之间的距离，以图2中的区域为例，选取其中某一个区域
Figure DEST_PATH_IMAGE027
，在该区域中选取两个特征点分别为
Figure 666737DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，同样的，在相邻区域
Figure 932633DEST_PATH_IMAGE030
中选取
Figure DEST_PATH_IMAGE031
两个特征点，在标准图片中找到对应的匹配特征点
Figure 275889DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
和
Figure 183803DEST_PATH_IMAGE034
，假设个特征点的对应坐标为：
Figure DEST_PATH_IMAGE035
，
Figure 912593DEST_PATH_IMAGE036
则根据坐标我们可以得到特征点间的距离为：
同一被识别人脸图片中
Figure 614970DEST_PATH_IMAGE027
区域中两特征点的距离为:
Figure 711102DEST_PATH_IMAGE038
相邻区域
Figure 157127DEST_PATH_IMAGE030
中两特征点的距离为：
Figure 756735DEST_PATH_IMAGE040
同样的方法可以得到标准图片中
Figure 630013DEST_PATH_IMAGE027
区域中两特征点的距离为：
Figure 213441DEST_PATH_IMAGE042
相邻区域
Figure 197578DEST_PATH_IMAGE030
中两特征点的距离为：
Figure 917272DEST_PATH_IMAGE044
由于图片形变主要发生在垂直于区域分界线的方向，因此需将距离投影到该方向上得到该方向的距离，计算该方向的距离过程为：
先利用圆心点和其中一个特征点计算该方向的直线方程，然后求另一个特征点到该直线的距离为：
Figure 961452DEST_PATH_IMAGE046
利用勾股定理即可以求得
Figure 32176DEST_PATH_IMAGE027
区域两特征点垂直于区域分界线方向的距离：
Figure 72201DEST_PATH_IMAGE048
同理可以得到标准图像中两特征点垂直于区域分界线方向的距离：
Figure 646401DEST_PATH_IMAGE050
根据两特征点垂直于区域分界线方向的距离就可以得到
Figure DEST_PATH_IMAGE051
区域在梯度方向的形变。
Figure 861482DEST_PATH_IMAGE027
区域内两特征点距离相较于标准图片中特征点距离在梯度方向的形变比例为：
Figure DEST_PATH_IMAGE053
Figure 622765DEST_PATH_IMAGE030
区域内两特征点相较于基准图片中特征点距离在梯度方向的形变比例为：
Figure DEST_PATH_IMAGE055
如图1所示，根据形变比例得到形变强度数据，通过焦距和形变强度数据得到焦距与形变强度数据的相关关系以及焦距与中心区域形变数据的相关关系。
如图3所示，给出了被识别人脸图片相较于标准人脸图片形变比例强度的示意图，通过上述步骤得到相邻区域内两特征点连线的形变比例后，根据形变比例得到垂直区域边界的形变比例变化强度为:
Figure DEST_PATH_IMAGE057
由于利用一个形变比例变化强度精度较小，因此需要计算多个形变比例变化强度
Figure 948704DEST_PATH_IMAGE058
,
Figure DEST_PATH_IMAGE059
,求取其平均值：
Figure DEST_PATH_IMAGE061
通过将上述得到的焦距数据与形变强度数据输入DNN网络进行训练，此处所用的DNN网络为FC连接网络，具体训练过程为：
将上述步骤得到的焦距数据与形变强度数据构建数据集，其中80%作为训练集，20%作为验证集，将焦距作为输入数据，形变强度数据作为输出，训练网络得到焦距与形变强度之间的相关关系。
同理，将焦距与被识别人脸图片中心区域的形变数据输入DNN网络进行训练，焦距为输入数据，被识别人脸图片中心区域的形变数据为输出，训练网络得到焦距与被识别人脸图片中心区域形变数据之间的相关关系。
如图1所示，根据两个相关关系得到不同焦距下从图片中心区域到边缘区域的形变变化规律，得到被识别人脸图片特征点的形变量，根据形变量对特征点进行补偿。
通过上述训练好的DNN网络可以得出不同焦距下从图片中心区域到边缘区域的形变变化规律，将待识别人脸图片中的一个特征点
Figure 95520DEST_PATH_IMAGE062
以及焦距信息输入训练好的网络中，得到中心区域到该特征点的形变比例
Figure DEST_PATH_IMAGE063
以及该图片的平均梯度
Figure 481502DEST_PATH_IMAGE009
，进而得到该特征点处的形变量，步骤包括:
计算该特征点距图像中心点的距离为：
D=
Figure 261239DEST_PATH_IMAGE064
其中
Figure DEST_PATH_IMAGE065
为图片中心坐标，
Figure 390869DEST_PATH_IMAGE062
为该特征点坐标。
计算该特征点距图像中心跨越的区域个数为：：
Figure 674083DEST_PATH_IMAGE066
其中，r为分区的半径间隔。
该特征点的形变量为：
Figure DEST_PATH_IMAGE067
其中：
Figure 230966DEST_PATH_IMAGE005
为当前特征点的形变量，
Figure 498000DEST_PATH_IMAGE007
为中心区域的形变比例，
Figure 680588DEST_PATH_IMAGE008
为跨越区域的个数，
Figure 818309DEST_PATH_IMAGE009
为该图片的平均形变强度。
根据形变量对该特征点进行恢复补偿：
Figure DEST_PATH_IMAGE069
其中，
Figure 546093DEST_PATH_IMAGE003
为特征点距图像中心点的距离，
Figure 34843DEST_PATH_IMAGE005
为当前特征点的形变量。
补偿后该特征点的坐标为：
Figure DEST_PATH_IMAGE071
Figure DEST_PATH_IMAGE073
实施例2
如图4所示，本发明提供了一种人脸识别方法，包括以下内容：
在一个实施例中，通过对被识别人脸的特征点进行补偿后进行人脸识别，包括：获取补偿后的被识别人脸特征点，将其量化得到人脸胖瘦程度度量标准，然后对人脸胖瘦程度分级，通过DNN网络训练得到人脸胖瘦程度标签值，根据人脸胖瘦程度标签值确实人脸轮廓特征权重值，从而进行相似性比较，完成人脸识别。
一般情况下，相机拍摄的图片文件中都会赋存图片的拍摄参数信息，因此通过使用“焦距”作为关键词来检索即可得到图片的焦距信息。
为了反映人脸的胖瘦程度，需要用一些能够反映胖瘦特征的特征变量进行衡量，本实施例中采用人脸双下巴的面积，眼、鼻、嘴面积占比以及嘴的宽度在腮部宽度的占比作为衡量人脸胖瘦程度的特征变量，提取方法包括以下内容：
通过语义分割得到鼻子、嘴巴、眼睛、双下巴以及脸部区域，分别标注鼻子像素值、嘴巴像素值、眼睛像素值、双下巴像素值以及脸部区域像素值；
双下巴面积通过双下巴的像素点个数得到，表示为：
Figure 975117DEST_PATH_IMAGE074
；
眼、鼻、嘴面积占比：
Figure DEST_PATH_IMAGE075
，其中，
Figure 216612DEST_PATH_IMAGE076
表示眼、鼻、嘴的面积占比，
Figure DEST_PATH_IMAGE077
为眼、鼻、嘴的像素点个数，
Figure 380877DEST_PATH_IMAGE078
为整个脸部的像素个数；
嘴的宽度在腮部宽度占比：
Figure DEST_PATH_IMAGE079
，其中，
Figure 825765DEST_PATH_IMAGE080
为嘴巴宽度占腮部宽度比值，
Figure DEST_PATH_IMAGE081
为嘴巴的宽度，
Figure 100888DEST_PATH_IMAGE082
为腮部的宽度。
然后对胖瘦程度进行分级，本实施例中将胖瘦程度分为11级，取最胖的等级标记为10，次胖为9，以此类推，标准的为5，最瘦的为0。
将获取的补偿后的人脸胖瘦特征值与胖瘦层级分类标量对DNN网络进行训练，其中，人脸胖瘦特征值为输入数据，胖瘦程度层级标量为输出数据，通过DNN网络评估被识别人脸图片与标准数据库中预存人脸图片胖瘦程度得到胖瘦程度标签值
Figure DEST_PATH_IMAGE083
。
由于人脸的胖瘦需要影响人脸部轮廓变化，对于人脸部眼、鼻、嘴的位置和大小影响较小，因此在进行人脸识别时需根据被识别图片与标准库里预存图片人脸胖瘦差异调整脸部轮廓在进行相似性比较时的权值，然后根据权值调整人脸轮廓在人脸相似性识别的权重。
被识别人脸图片与预存库标准人脸图片的胖瘦程度差异值：
Figure 213201DEST_PATH_IMAGE084
，根据胖瘦程度差异值调整脸部轮廓特征点权重值：根据经验当
Figure DEST_PATH_IMAGE085
时人脸部轮廓特征点的权值取0.01，当
Figure 529126DEST_PATH_IMAGE086
时人脸部轮廓特征点权值为0.3，当
Figure DEST_PATH_IMAGE087
时权值取0.8，当
Figure 726889DEST_PATH_IMAGE088
时人脸部特征点轮廓权值取1。
利用几何特征进行人脸识别，同时将人脸轮廓特征点权值融入相似性判断中，即可实现人脸识别。
如图5所示，给出了一种人脸识别系统流程图，包括特征提取模块、特征点补偿模块和相似性比较模块。
特征点补偿模块：利用像素找出人脸图片的中心位置，以图片中心点为圆心，以r为半径增量画圆，直到最大圆弧与图片短边相切，得到了不同圆环组成的圆环区域。
在另一个实施例中，对人脸图片进行分区的方法可以有其他方式，如可以将人脸图片区域分块处理或分段处理，满足控制变量，且焦距间隔相同即可，获得的不同焦距人脸图片的焦距可以有不同的方式，同时在分区处理时焦距间隔也不唯一，本实施例仅是举了一种可行的分区方法，通过其他方法得到的分区图片也属于本发明所保护的内容。
在对人脸图片分区后，通过对不同区域内两个特征点连线与标准图片特征点连线进行匹配，获取对应特征点连线的形变比例；
由于图片形变主要发生在垂直于区域分界线的方向，所以需要先将两特征点连线后的距离投影到该方向上，然后计算得到被识别而内敛图片特征点相较于标准图片中特征点在梯度方向的形变比例。
通过获取的形变比例计算得到平均形变强度数据，通过平均形变强度数据得到特征点的形变量，根据形变量对被识别图像的特征点进行补偿。
特征提取模块：提取补偿后的被识别人脸与标准人脸图片的特征信息和对应焦距信息。
相似性比较模块：通过提取补偿后的人脸特征信息，综合人脸胖瘦程度层级确定进行人脸轮廓权重值，根据人脸轮廓权重值进行相似性比较，实现人脸识别。
以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (4)

1.一种基于船舶安防数据识别的人脸图片补偿识别方法，其特征在于，包括：
分别对受焦距影响的被识别人脸图片与未受影响的标准人脸图片进行同心圆环分区，将被识别人脸图片中每个区域的特征点与标准图片中对应区域的特征点进行匹配；
分别获取被识别人脸图片与标准图片中相对应两个特征点之间的距离，根据相对应两个特征点之间的距离得到图片形变比例；
通过图片形变比例得到形变强度数据；通过形变强度数据得到脸部特征点的形变量；根据形变量对特征点进行补偿；
所述对特征点进行恢复补偿的方法为：通过形变量对被识别人脸图片中特征点到中心区域的形变距离
Figure DEST_PATH_IMAGE002
进行恢复，完成对特征点的补偿；所述补偿方法的表达式为：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
为特征点距图像中心点的距离，
Figure DEST_PATH_IMAGE008
为当前特征点的形变量；
式中所述获取脸部特征点形变量
Figure DEST_PATH_IMAGE010
的表达式如下：
Figure DEST_PATH_IMAGE012
其中：
Figure 326016DEST_PATH_IMAGE008
为当前特征点的形变量，
Figure DEST_PATH_IMAGE014
为中心区域的形变比例，
Figure DEST_PATH_IMAGE016
为跨越区域的个数，
Figure DEST_PATH_IMAGE018
为该图片的平均形变强度。
2.根据权利要求1所述一种基于船舶安防数据识别的人脸图片补偿识别方法，其特征在于，所述形变比例的获取方法为： 分别提取被识别人脸图片中某一区域的两个特征点以及其相邻区域的两个特征点，分别计算两特征点间连线的距离
Figure DEST_PATH_IMAGE020
与
Figure DEST_PATH_IMAGE022
，对应标准图片对应两特征点连线的距离
Figure DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE026
；
根据两特征点的距离计算其垂直于区域分界线的距离
Figure DEST_PATH_IMAGE028
与
Figure DEST_PATH_IMAGE030
，对应标准图片两特征点垂直于区域分界线的距离
Figure DEST_PATH_IMAGE032
与
Figure DEST_PATH_IMAGE034
；
通过被识别人脸图片内各个区域中两个特征点与标准图片两特征点垂直于区域分界线的距离之间的比值得到被识别人脸图片中一个区域两特征点与其相邻区域两特征点的形变比例
Figure DEST_PATH_IMAGE036
与
Figure DEST_PATH_IMAGE038
；
根据两个相邻区域的形变比例
Figure 533836DEST_PATH_IMAGE036
与
Figure 47994DEST_PATH_IMAGE038
之差得到相邻垂直区域边界的形变强度值
Figure DEST_PATH_IMAGE040
；对形变强度值取平均值得到平均形变强度数据。
3.根据权利要求1所述一种基于船舶安防数据识别的人脸图片补偿识别方法，其特征在于，所述分别对被识别人脸图片与标准人脸图片进行同心圆环分区的方法如下：
利用像素找出人脸图片的中心位置，以图片中心点为圆心，以r为半径增量画圆，直到最大圆弧与图片短边相切，得到不同圆环组成的圆环区域。
4.根据权利要求1-3任一种所述的基于船舶安防数据识别的人脸图片补偿识别方法，其特征在于，所述识别方法还包括：
根据焦距影响人脸的补偿方法对受焦距影响的被识别人脸图片进行补偿；
提取补偿后的被识别人脸图片特征，量化得到胖瘦特征变量值；
所述人脸图片特征包括人脸双下巴的面积，眼、鼻、嘴面积占比以及嘴的宽度在腮部宽度的占比；
对被识别人脸图片的胖瘦程度分级得到胖瘦层级分类标量，根据胖瘦层级分类标量与胖瘦特征变量值得到胖瘦成都标签值，通过胖瘦成都标签值计算胖瘦程度差异，根据胖瘦程度差异值调整人脸轮廓特征权重值，根据人脸轮廓特征权重进行相似性比较，实现人脸识别。
CN202111088569.4A 2021-09-16 2021-09-16 基于船舶安防数据识别的人脸图片补偿识别方法 Active CN113537178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111088569.4A CN113537178B (zh) 2021-09-16 2021-09-16 基于船舶安防数据识别的人脸图片补偿识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088569.4A CN113537178B (zh) 2021-09-16 2021-09-16 基于船舶安防数据识别的人脸图片补偿识别方法

Publications (2)

Publication Number Publication Date
CN113537178A true CN113537178A (zh) 2021-10-22
CN113537178B CN113537178B (zh) 2021-12-17

Family

ID=78092793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088569.4A Active CN113537178B (zh) 2021-09-16 2021-09-16 基于船舶安防数据识别的人脸图片补偿识别方法

Country Status (1)

Country Link
CN (1) CN113537178B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294987A (zh) * 2012-03-05 2013-09-11 天津华威智信科技发展有限公司 指纹匹配方法与实现方式
CN105654061A (zh) * 2016-01-05 2016-06-08 安阳师范学院 基于估计补偿的三维人脸动态重建方法
CN107071483A (zh) * 2017-05-19 2017-08-18 北京视诀科技有限公司 图像处理方法、图像处理装置及终端
CN108363956A (zh) * 2018-01-19 2018-08-03 深圳市中科智诚科技有限公司 一种适用人群广的具有补偿拍摄功能的人脸识别设备
US20190130171A1 (en) * 2017-10-26 2019-05-02 Motorola Mobility Llc Method and Devices for Authenticating a User by Image, Depth, and Thermal Detection
CN111488853A (zh) * 2020-04-23 2020-08-04 杨九妹 金融机构安防系统的大数据人脸识别方法、系统及机器人

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294987A (zh) * 2012-03-05 2013-09-11 天津华威智信科技发展有限公司 指纹匹配方法与实现方式
CN105654061A (zh) * 2016-01-05 2016-06-08 安阳师范学院 基于估计补偿的三维人脸动态重建方法
CN107071483A (zh) * 2017-05-19 2017-08-18 北京视诀科技有限公司 图像处理方法、图像处理装置及终端
US20190130171A1 (en) * 2017-10-26 2019-05-02 Motorola Mobility Llc Method and Devices for Authenticating a User by Image, Depth, and Thermal Detection
CN108363956A (zh) * 2018-01-19 2018-08-03 深圳市中科智诚科技有限公司 一种适用人群广的具有补偿拍摄功能的人脸识别设备
CN111488853A (zh) * 2020-04-23 2020-08-04 杨九妹 金融机构安防系统的大数据人脸识别方法、系统及机器人

Also Published As

Publication number Publication date
CN113537178B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN115018828B (zh) 一种电子元器件的缺陷检测方法
US8254644B2 (en) Method, apparatus, and program for detecting facial characteristic points
CN100423020C (zh) 一种基于结构主元分析的人脸识别方法
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN110728225B (zh) 一种用于考勤的高速人脸搜索方法
KR101546137B1 (ko) 인물 인식 장치 및 방법
CN110148162A (zh) 一种基于复合算子的异源图像匹配方法
CN110688901A (zh) 一种人脸识别方法及装置
CN105279772B (zh) 一种红外序列图像的可跟踪性判别方法
US20070036438A1 (en) Methods and systems for identifying red eye pairs
CN108268838A (zh) 人脸表情识别方法及人脸表情识别系统
CN111401324A (zh) 图像质量评估方法、装置、存储介质及电子设备
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
US7680357B2 (en) Method and apparatus for detecting positions of center points of circular patterns
CN110648322A (zh) 一种子宫颈异常细胞检测方法及系统
CN108491498A (zh) 一种基于多特征检测的卡口图像目标搜索方法
CN112507963B (zh) 一种批量口罩人脸样本自动生成以及口罩人脸识别方法
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN108108760A (zh) 一种快速人脸识别方法
CN108319958A (zh) 一种基于特征融合匹配的行驶证检测和识别方法
CN114445879A (zh) 一种高精度人脸识别方法及人脸识别设备
JP3499305B2 (ja) 顔領域抽出方法及び露光量決定方法
JPH07302327A (ja) 物体画像検出方法及び検出装置
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
CN115546795A (zh) 一种基于深度学习的圆形指针式仪表自动读数方法

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