CN113762211A - 一种基于大数据的人脸识别系统及方法 - Google Patents

Abstract

本发明公开了一种基于大数据的人脸识别系统及方法，结合低功耗设备和大数据平台，减小移动端的运算计算量，同时结合大数据进行人脸识别，使识别结果更加准确。本发明采用单片机来构建数据采集装置，实现了低功耗和便携式的人脸采集。本发明通过大数据平台获取网络终端上的人脸识别结果，不断丰富数据库中的人脸数据，使人脸匹配更加准确。本发明采集多张人像图片，并对人像图片进行预处理，减少运算负荷量，使识别速度更快。本发明对多张预处理后的人像图片进行筛选，选取清晰度最大的人像图片进行人脸识别，保证了人脸识别的准确性。

Description

一种基于大数据的人脸识别系统及方法

技术领域

本发明属于大数据领域及人脸识别领域，具体设计一种基于大数据的人脸识别系统及方法。

背景技术

生物特征识别技术在近年来广泛用于安防领域，其中的人脸识别技术相对于其它的生物识别技术(如虹膜识别、指纹识别等)，由于其友好、方便等特点，成为研究和使用的热点。

人脸识别作为一种典型的生物特征鉴别方式，已经成为模式识别领域中一个重要的研究方向，具有广阔的应用前景。近年来移动互联网的迅速发展对人脸识别的应用也随之产生了新的需求，可是传统的人脸识别方法由于运算量较大，在移动环境下对内存容量、电池续航能力等硬件的要求较高，难以应对移动互联网环境下的大数据量处理。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于大数据的人脸识别系统解决了现有技术中的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于大数据的人脸识别系统，包括数据采集装置、大数据平台以及若干网络终端；

所述数据采集装置与大数据平台连接，其用于采集人像图片并将人像图片传输至大数据平台；所述大数据平台与若干网络终端连接，其用于接收、识别和存储人像图片；所述网络终端存储有已识别的人像图片。

进一步地，所述数据采集装置包括摄像头、模数转换单元、单片机、通信单元以及网口单元；

所述摄像头用于采集人像图片，并将人像图片传输至模数转换单元，其与模数转换单元电性连接；所述模数转换单元用于对人像图片进行模数转换，获取转换后的人像图片，并将转换后的人像图片传输至单片机，其与单片机电性连接；所述单片机用于接收转换后的人像图片，对转换后的人像图片进行预处理，获取预处理后的人像图片，并将预处理后的人像图片通过通信单元或网口单元转发至大数据平台；所述单片机分别与通信单元和网口单元电性连接；所述通信单元和网口单元均与大数据平台通信连接。

进一步地，所述大数据平台包括数据接收单元、数据分析单元以及数据库；

所述数据接收单元用于接收数据采集装置所发送的预处理后的人像图片，并将预处理后的人像图片转发给数据分析单元，其与数据分析单元连接；所述数据分析单元用于接收数据接收单元所转发的预处理后的人像图片，根据数据库中的人脸数据对预处理后的人像图片进行人脸识别，并将识别结果存储至数据库中，其与数据库连接；所述数据库用于获取网络终端中的人脸数据并对其进行存储。

一种使用人脸识别系统的人脸识别方法，包括以下步骤：

通过数据采集装置采集人像图片，对人像图片进行预处理，并将预处理后的人像图片传输至大数据平台；

通过大数据平台对预处理后的人像图片进行识别，将识别结果存储并返回至数据采集装置。

进一步地，所述对人像图片进行预处理包括：

对人像图片依次进行高斯滤波、均值滤波、最小均方差滤波、Gabor滤波以及灰度化处理，得到初步处理后的人像图片；

求取初步处理后的人像图片中像素点的梯度，并根据梯度将初步处理后的人像图片表示为二值图；

将二值图进行轮廓纵坐标重建，并获取重建后的二值图中轮廓区域，得到预处理后的人像图片。

进一步地，所述求取初步处理后的人像图片中像素点的梯度，并根据梯度将初步处理后的人像图片表示为二值图，包括：

依次求取初步处理后的人像图片f(x,y)中每个像素点的梯度G(f(x,y))为：

G(f(x,y))＝|f(x₁,y₁)-f(x₁+1,y₁+1)|+|f(x₁+1,y₁)-f(x₁,y₁+1)|

其中，x表示像素点的横坐标，y表示像素点的纵坐标，x＝0,1,..,X，y＝0,1,...,Y，X表示像素点的最大横坐标，Y表示像素点的最大纵坐标，x₁∈{0,1,...,X}，y₁∈{0,1,...,Y}；

设定灰度阈值T，根据灰度阈值T和每个像素点的梯度G(f(x,y))，将初步处理后的人像图片表示为二值图w(x,y)，具体为：

其中，M表示位于轮廓上的像素点，N表示非轮廓线上的像素点；

所述将二值图表示后的人像图片进行轮廓纵坐标重建，并获取重建后的人像图片中轮廓区域，得到预处理后的人像图片，包括：

随机在二值图表示后的人像图片中寻找一个w(x,y)＝M的像素点，记该像素点为(x₀,y₀)；

以像素点(x₀,y₀)为中心，提取像素点(x₀,y₀)的所有相邻像素点中灰度为M的像素点，得到像素点集合；

选取像素点集合中梯度最大的像素点，并以此梯度最大的像素点为中心，提取其所有相邻像素点中灰度为M的像素点作为像素点集合；

根据上述步骤，获取二值图表示后的人像图片的轮廓像素点，完成轮廓重建；

提取重建后的人像图片中包含所有轮廓像素点的正方形区域，并将该正方形区域的大小修改为固定尺寸，得到预处理后的人像图片。

进一步地，所述通过大数据平台对预处理后的人像图片进行识别，包括：

当大数据平台接收预处理后的人像图片的数量到达K时，则获取预处理后的人像图片中清晰度最大的人像图片；

对清晰度最大的人像图片进行人脸识别，得到人脸识别结果。

进一步地，所述人脸图片的清晰度计算函数为：

其中，D(n)表示第n个人像图片的清晰度，n＝1,2,...,K，K表示人像图片的总数，(x_n,y_n)表示人像图片的像素点坐标值，x_n＝1,2,...,X_n，y_n＝1,2,...,Y_n，X_n表示人像图片中像素点最大的x轴坐标值，Y_n表示人像图片中像素点最大的y轴坐标值，g(x_n,y_n)表示坐标(x_n,y_n)对应像素点的灰度值，g(x_n+2,y_n)表示坐标(x_n+2,y_n)对应像素点的灰度值。

进一步地，所述数据库中的人脸数据包括人脸图像及其对应的识别结果；

所述对清晰度最大的人像图片进行人脸识别，包括：

将清晰度最大的人像图片在数据库中进行人脸匹配，获取清晰度最大的人像图片与数据库中人脸之间的距离；

判断距离是否小于设定阈值，若是，则将该人脸对应的识别结果作为清晰度最大的人像图片的识别结果，否则继续匹配，直至距离小于设定阈值。

进一步地，所述清晰度最大的人像图片与数据库中人脸之间的距离D为：

其中，(x_q,y_q)表示清晰度最大的人像图片的特征点坐标，(x_m,y_m)表示数据库中人脸图像的特征点坐标。

本发明的有益效果为：

(1)本发明提供了一种基于大数据的人脸识别系统及方法，结合低功耗设备和大数据平台，减小移动端的运算计算量，同时结合大数据进行人脸识别，使识别结果更加准确。

(2)本发明采用单片机来构建数据采集装置，实现了低功耗和便携式的人脸采集。

(3)本发明通过大数据平台获取网络终端上的人脸识别结果，不断丰富数据库中的人脸数据，使人脸匹配更加准确。

(4)本发明采集多张人像图片，并对人像图片进行预处理，减少运算负荷量，使识别速度更快。

(5)本发明对多张预处理后的人像图片进行筛选，选取清晰度最大的人像图片进行人脸识别，保证了人脸识别的准确性。

附图说明

图1为本发明实施例提供的一种基于大数据的人脸识别系统的示意图。

图2为本发明实施例提供的一种基于大数据的人脸识别方法的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

下面结合附图详细说明本发明的实施例。

如图1所示，一种基于大数据的人脸识别系统，包括数据采集装置、大数据平台以及若干网络终端；数据采集装置与大数据平台连接，其用于采集人像图片并将人像图片传输至大数据平台；大数据平台与若干网络终端连接，其用于接收、识别和存储人像图片；网络终端存储有已识别的人像图片。

数据采集装置包括摄像头、模数转换单元、单片机、通信单元以及网口单元；摄像头用于采集人像图片，并将人像图片传输至模数转换单元，其与模数转换单元电性连接；模数转换单元用于对人像图片进行模数转换，获取转换后的人像图片，并将转换后的人像图片传输至单片机，其与单片机电性连接；单片机用于接收转换后的人像图片，对转换后的人像图片进行预处理，获取预处理后的人像图片，并将预处理后的人像图片通过通信单元或网口单元转发至大数据平台；单片机分别与通信单元和网口单元电性连接；通信单元和网口单元均与大数据平台通信连接。

在本实施例中，单片机设置为32单片机，网口单元采用W5100S芯片作为网络接口芯片。大数据平台进行人脸识别后，将人脸识别结果反馈至数据采集装置。32单片机的GPIO功能引脚上还可以设置有显示屏，以便对大数据平台包返回的人脸识别结果进行显示。

大数据平台包括数据接收单元、数据分析单元以及数据库；数据接收单元用于接收数据采集装置所发送的预处理后的人像图片，并将预处理后的人像图片转发给数据分析单元，其与数据分析单元连接；数据分析单元用于接收数据接收单元所转发的预处理后的人像图片，根据数据库中的人脸数据对预处理后的人像图片进行人脸识别，并将识别结果存储至数据库中，其与数据库连接；数据库用于获取网络终端中的人脸数据并对其进行存储。

在本实施例中，数据库中可以包括人脸图像及其对应的识别结果，识别结果是指人脸图像对应的身份。网络终端包含人脸图像及其对应的识别结果，当网络终端共享其数据库时，大数据平台可以自动爬取网络终端上的人脸图像及其对应的识别结果。

本发明将识别过程转移至大数据平台，并采用大数据来进行人脸识别，使人脸识别更加准确，极大地降低了数据采集装置的计算负荷量，利用大数据平台超强的计算能力，使人脸识别过程更快更准确。

如图2所示，一种基于大数据的人脸识别方法，包括以下步骤：

通过数据采集装置采集人像图片，对人像图片进行预处理，并将预处理后的人像图片传输至大数据平台；

通过大数据平台对预处理后的人像图片进行识别，将识别结果存储并返回至数据采集装置。

该人脸识别方法使用基于大数据的人脸识别系统实施。

对人像图片进行预处理包括：

对人像图片依次进行高斯滤波、均值滤波、最小均方差滤波、Gabor滤波以及灰度化处理，得到初步处理后的人像图片；

求取初步处理后的人像图片中像素点的梯度，并根据梯度将初步处理后的人像图片表示为二值图；

将二值图进行轮廓纵坐标重建，并获取重建后的二值图中轮廓区域，得到预处理后的人像图片。

求取初步处理后的人像图片中像素点的梯度，并根据梯度将初步处理后的人像图片表示为二值图，包括：

依次求取初步处理后的人像图片f(x,y)中每个像素点的梯度G(f(x,y))为：

G(f(x,y))＝|f(x₁,y₁)-f(x₁+1,y₁+1)|+|f(x₁+1,y₁)-f(x₁,y₁+1)|

其中，x表示像素点的横坐标，y表示像素点的纵坐标，x＝0,1,..,X，y＝0,1,...,Y，X表示像素点的最大横坐标，Y表示像素点的最大纵坐标，x₁∈{0,1,...,X}，y₁∈{0,1,...,Y}；

设定灰度阈值T，根据灰度阈值T和每个像素点的梯度G(f(x,y))，将初步处理后的人像图片表示为二值图w(x,y)，具体为：

其中，M表示位于轮廓上的像素点，N表示非轮廓线上的像素点；

将二值图表示后的人像图片进行轮廓纵坐标重建，并获取重建后的人像图片中轮廓区域，得到预处理后的人像图片，包括：

随机在二值图表示后的人像图片中寻找一个w(x,y)＝M的像素点，记该像素点为(x₀,y₀)；以像素点(x₀,y₀)为中心，提取像素点(x₀,y₀)的所有相邻像素点中灰度为M的像素点，得到像素点集合；选取像素点集合中梯度最大的像素点，并以此梯度最大的像素点为中心，提取其所有相邻像素点中灰度为M的像素点作为像素点集合；根据上述步骤，获取二值图表示后的人像图片的轮廓像素点，完成轮廓重建；提取重建后的人像图片中包含所有轮廓像素点的正方形区域，并将该正方形区域的大小修改为固定尺寸，得到预处理后的人像图片。

可选的，当获取了人像图片中的轮廓后，可以在初步处理后的人像图片上标记轮廓点，裁取包含所有轮廓点的区域作为预处理后的人像图片。值得说明的是，裁取区域的边缘应当与离其最近的轮廓点之间相距若干个像素点。

在一种可能的实施方式，提供另一种预处理人像图片的方法，对人像图片依次进行高斯滤波、均值滤波、最小均方差滤波、Gabor滤波以及灰度化处理，然后采用若干已识别的人像图像及其识别结果(人脸区域)作为训练集，从训练集中选取一张图像输入BP神经网络中，并给定输入图像的目标输出向量(识别结果向量)，对BP神经网络进行训练，获取训练完成的BP神经网络；将待预处理的人像图片输入训练完成的BP神经网络，得到预处理后的人像图片。

对BP神经网络进行训练的具体方法为：

A1、设置学习率为α和计数器n'＝1，初始化BP神经网络的第一权值V_ij、第二权值W_jk、第一阈值Φ_j和第二阈值θ_k为0-0.001之间的随机数；

其中，第一权值V_ij表示BP神经网络输入单元i到隐单元j的权值，第二权值W_jk表示隐单元j到输出单元k的权值，第一阈值Φ_j表示第j个隐单元的输出阈值，第二阈值θ_k表示第k个输出单元的阈值，i＝1,2,....,N'，N'表示输入单元总数，j＝1,2,....,L，L表示隐含层中隐单元总数，k＝1,2,....,M'，M'表示输出单元总数；

A2、从训练集中随机选取一张图像输入BP神经网络中，并设定与其对应的输出向量D'＝(d₁,d₂,...,d_M')，其中，d₁,d₂,...,d_M表示第1,2,....,M'个输出单元的目标输出值；

A3、获取BP神经网络隐含层的输出矢量H1和输出层的实际输出矢量Y1；

A4、根据目标输出向量、输出矢量H1和实际输出矢量Y1，获取输出误差项和隐单元误差项；

A5、通过输出误差项和隐单元误差项分别获取第一权值V_ij、第二权值W_jk、第一阈值和第二阈值θ_k对应的修正量；

A6、使用修正量将权值和阈值进行修正，计算误差函数E；

A7、判断误差函数E是否小于精度要求ε，若是，则将此时的权值和阈值作为BP神经网络的最终网络参数，完成训练，否则令计数器n'的计数值加一，并返回步骤A2。

步骤A3中输出矢量H1＝(h₁,h₂,...,h_L)，实际输出矢量Y1＝(y₁,y₂,...,y_M')，其中，h₁,h₂,...,h_L表示第1,2,...,L个隐含单元的输出值y₁,y₂,...,y_M'表示1,2,...,M'个输出单元的实际输出值；

步骤A4中输出误差项δ_k为：

δ_k＝(d_k-y_k)(1-y_k)y_k

步骤A4中隐单元误差项δ_j为：

步骤A5中第一权值V_ij、第二权值W_jk、第一阈值Φ_j和第二阈值θ_k对应的修正量为：

步骤A7中误差函数E为：

其中，ΔW_jk(n')和ΔW_jk(n'-1)分别表示第n'次和第n'-1次迭代的第二权值W_jk，ΔV_ij(n')和ΔV_ij(n'-1)分别表示第n'次和第n'-1次迭代的第一权值V_ij，N表示输入单元的总数，x_i表示第i个输入单元的输入值，Δθ_k(n')和Δθ_k(n'-1)分别表示第n'次和第n'-1次迭代的第二阈值θ_k，ΔΦ_j(n')和ΔΦ_j(n'-1)分别表示第n'次和第n'-1次迭代的第一阈值Φ_j。

通过大数据平台对预处理后的人像图片进行识别，包括：

当大数据平台接收预处理后的人像图片的数量到达K时，则获取预处理后的人像图片中清晰度最大的人像图片；

对清晰度最大的人像图片进行人脸识别，得到人脸识别结果。

人脸图片的清晰度计算函数为：

其中，D(n)表示第n个人像图片的清晰度，n＝1,2,...,K，K表示人像图片的总数，(x_n,y_n)表示人像图片的像素点坐标值，x_n＝1,2,...,X_n，y_n＝1,2,...,Y_n，X_n表示人像图片中像素点最大的x轴坐标值，Y_n表示人像图片中像素点最大的y轴坐标值，g(x_n,y_n)表示坐标(x_n,y_n)对应像素点的灰度值，g(x_n+2,y_n)表示坐标(x_n+2,y_n)对应像素点的灰度值。

数据库中的人脸数据包括人脸图像及其对应的识别结果。

对清晰度最大的人像图片进行人脸识别，包括：

将清晰度最大的人像图片在数据库中进行人脸匹配，获取清晰度最大的人像图片与数据库中人脸之间的距离；

判断距离是否小于设定阈值，若是，则将该人脸对应的识别结果作为清晰度最大的人像图片的识别结果，否则继续匹配，直至距离小于设定阈值。

进一步地，清晰度最大的人像图片与数据库中人脸之间的距离D为：

其中，(x_q,y_q)表示清晰度最大的人像图片的特征点坐标，(x_m,y_m)表示数据库中人脸图像的特征点坐标。

在本实施例中，提供一种特征点识别方法，包括：

B1、选取H₁个人脸图像，以图像中的目标特征点为中心点，截取Q个分析区域，并以相同的中心角将每个分析区域等分为J₁个待处理区域，每个待处理区域均包括特征点；

B2、对每个待处理区域均进行G₁次LBP(Local Binary Patterns，局部二值模式)处理，得到G₁个LBP图；

在各次LBP处理中，中心点与周围点之间的距离分别为1、2、…、G₁个像素；

B3、获取G₁个LBP图对应的直方图，将G₁个直方图相加，并将相加结果作为对应待处理区域的直方图；

B4、求取对应位置的待处理区域在Q个分析区域中的平均直方图，作为该待处理区域的特征直方图；

每个待处理区域在其他的分析区域中均存在对应的待处理区域；

B5、以图中各像素点为中心，在清晰度最大的人像图片中截取若干分析区域，并将每个分析区域等分为J₁个待处理区域；

B6、对每个待处理区域进行一次LBP处理，得到LBP图，并根据LBP图获取直方图；

B7、获取步骤B6中的直方图与步骤B4中特征直方图之间的卡方距离，并对分析区域对应的卡方距离求和；

B8、遍历各像素点，将卡方距离最小的像素点作为清晰度最大的人像图片的特征点。

本发明提供了一种基于大数据的人脸识别系统及方法，结合低功耗设备和大数据平台，减小移动端的运算计算量，同时结合大数据进行人脸识别，使识别结果更加准确。本发明采用单片机来构建数据采集装置，实现了低功耗和便携式的人脸采集。

本发明通过大数据平台获取网络终端上的人脸识别结果，不断丰富数据库中的人脸数据，使人脸匹配更加准确。本发明采集多张人像图片，并对人像图片进行预处理，减少运算负荷量，使识别速度更快。本发明对多张预处理后的人像图片进行筛选，选取清晰度最大的人像图片进行人脸识别，保证了人脸识别的准确性。

Claims (10)

1.一种基于大数据的人脸识别系统，其特征在于，包括数据采集装置、大数据平台以及若干网络终端；

所述数据采集装置与大数据平台连接，其用于采集人像图片并将人像图片传输至大数据平台；所述大数据平台与若干网络终端连接，其用于接收、识别和存储人像图片；所述网络终端存储有已识别的人像图片。

2.根据权利要求1所述的基于大数据的人脸识别系统，其特征在于，所述数据采集装置包括摄像头、模数转换单元、单片机、通信单元以及网口单元；

所述摄像头用于采集人像图片，并将人像图片传输至模数转换单元，其与模数转换单元电性连接；所述模数转换单元用于对人像图片进行模数转换，获取转换后的人像图片，并将转换后的人像图片传输至单片机，其与单片机电性连接；所述单片机用于接收转换后的人像图片，对转换后的人像图片进行预处理，获取预处理后的人像图片，并将预处理后的人像图片通过通信单元或网口单元转发至大数据平台；所述单片机分别与通信单元和网口单元电性连接；所述通信单元和网口单元均与大数据平台通信连接。

3.根据权利要求2所述的基于大数据的人脸识别系统，其特征在于，所述大数据平台包括数据接收单元、数据分析单元以及数据库；

所述数据接收单元用于接收数据采集装置所发送的预处理后的人像图片，并将预处理后的人像图片转发给数据分析单元，其与数据分析单元连接；所述数据分析单元用于接收数据接收单元所转发的预处理后的人像图片，根据数据库中的人脸数据对预处理后的人像图片进行人脸识别，并将识别结果存储至数据库中，其与数据库连接；所述数据库用于获取网络终端中的人脸数据并对其进行存储。

4.一种使用如权利要求3所述人脸识别系统的人脸识别方法，其特征在于，包括以下步骤：

通过数据采集装置采集人像图片，对人像图片进行预处理，并将预处理后的人像图片传输至大数据平台；

通过大数据平台对预处理后的人像图片进行识别，将识别结果存储并返回至数据采集装置。

5.根据权利要求4所述的基于大数据的人脸识别方法，其特征在于，所述对人像图片进行预处理包括：

对人像图片依次进行高斯滤波、均值滤波、最小均方差滤波、Gabor滤波以及灰度化处理，得到初步处理后的人像图片；

求取初步处理后的人像图片中像素点的梯度，并根据梯度将初步处理后的人像图片表示为二值图；

将二值图进行轮廓纵坐标重建，并获取重建后的二值图中轮廓区域，得到预处理后的人像图片。

6.根据权利要求5所述的基于大数据的人脸识别方法，其特征在于，所述求取初步处理后的人像图片中像素点的梯度，并根据梯度将初步处理后的人像图片表示为二值图，包括：

依次求取初步处理后的人像图片f(x,y)中每个像素点的梯度G(f(x,y))为：

G(f(x,y))＝|f(x₁,y₁)-f(x₁+1,y₁+1)|+|f(x₁+1,y₁)-f(x₁,y₁+1)|

其中，x表示像素点的横坐标，y表示像素点的纵坐标，x＝0,1,..,X，y＝0,1,...,Y，X表示像素点的最大横坐标，Y表示像素点的最大纵坐标，x₁∈{0,1,...,X}，y₁∈{0,1,...,Y}；

设定灰度阈值T，根据灰度阈值T和每个像素点的梯度G(f(x,y))，将初步处理后的人像图片表示为二值图w(x,y)，具体为：

其中，M表示位于轮廓上的像素点，N表示非轮廓线上的像素点；

所述将二值图表示后的人像图片进行轮廓纵坐标重建，并获取重建后的人像图片中轮廓区域，得到预处理后的人像图片，包括：

随机在二值图表示后的人像图片中寻找一个w(x,y)＝M的像素点，记该像素点为(x₀,y₀)；

以像素点(x₀,y₀)为中心，提取像素点(x₀,y₀)的所有相邻像素点中灰度为M的像素点，得到像素点集合；

选取像素点集合中梯度最大的像素点，并以此梯度最大的像素点为中心，提取其所有相邻像素点中灰度为M的像素点作为像素点集合；

根据上述步骤，获取二值图表示后的人像图片的轮廓像素点，完成轮廓重建；

提取重建后的人像图片中包含所有轮廓像素点的正方形区域，并将该正方形区域的大小修改为固定尺寸，得到预处理后的人像图片。

7.根据权利要求4所述的基于大数据的人脸识别方法，其特征在于，所述通过大数据平台对预处理后的人像图片进行识别，包括：

当大数据平台接收预处理后的人像图片的数量到达K时，则获取预处理后的人像图片中清晰度最大的人像图片；

对清晰度最大的人像图片进行人脸识别，得到人脸识别结果。

8.根据权利要求7所述的基于大数据的人脸识别方法，其特征在于，所述人脸图片的清晰度计算函数为：

其中，D(n)表示第n个人像图片的清晰度，n＝1,2,...,K，K表示人像图片的总数，(x_n,y_n)表示人像图片的像素点坐标值，x_n＝1,2,...,X_n，y_n＝1,2,...,Y_n，X_n表示人像图片中像素点最大的x轴坐标值，Y_n表示人像图片中像素点最大的y轴坐标值，g(x_n,y_n)表示坐标(x_n,y_n)对应像素点的灰度值，g(x_n+2,y_n)表示坐标(x_n+2,y_n)对应像素点的灰度值。

9.根据权利要求7所述的基于大数据的人脸识别方法，其特征在于，所述数据库中的人脸数据包括人脸图像及其对应的识别结果；

所述对清晰度最大的人像图片进行人脸识别，包括：

将清晰度最大的人像图片在数据库中进行人脸匹配，获取清晰度最大的人像图片与数据库中人脸之间的距离；

判断距离是否小于设定阈值，若是，则将该人脸对应的识别结果作为清晰度最大的人像图片的识别结果，否则继续匹配，直至距离小于设定阈值。

10.根据权利要求9所述的基于大数据的人脸识别方法，其特征在于，所述清晰度最大的人像图片与数据库中人脸之间的距离D为：

其中，(x_q,y_q)表示清晰度最大的人像图片的特征点坐标，(x_m,y_m)表示数据库中人脸图像的特征点坐标。

Images