CN113920557A - 一种基于视觉的可信身份识别方法和系统 - Google Patents

一种基于视觉的可信身份识别方法和系统 Download PDF

Info

Publication number
CN113920557A
CN113920557A CN202111020447.1A CN202111020447A CN113920557A CN 113920557 A CN113920557 A CN 113920557A CN 202111020447 A CN202111020447 A CN 202111020447A CN 113920557 A CN113920557 A CN 113920557A
Authority
CN
China
Prior art keywords
face image
straight line
delta
preprocessed
angle
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
CN202111020447.1A
Other languages
English (en)
Other versions
CN113920557B (zh
Inventor
杨建仁
杨慧
钟闻威
聂华
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.)
Guangzhou Clouddcs Co ltd
Original Assignee
Guangzhou Clouddcs 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 Guangzhou Clouddcs Co ltd filed Critical Guangzhou Clouddcs Co ltd
Priority to CN202111020447.1A priority Critical patent/CN113920557B/zh
Publication of CN113920557A publication Critical patent/CN113920557A/zh
Application granted granted Critical
Publication of CN113920557B publication Critical patent/CN113920557B/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
    • G06F18/21—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于视觉的可信身份识别方法，包括步骤获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像，对校正脸部图像进行识别得到可信身份识别结果，输出可信身份识别结果。本发明实现了通过对图像进行预处理校正，使得后续识别步骤能获得更好的识别结果和速度。

Description

一种基于视觉的可信身份识别方法和系统
技术领域
本发明涉及身份识别技术领域，具体涉及一种基于视觉的可信身份识别方法和系统。
背景技术
随着科技的进步和发展，生物个体识别技术在人们的生活中发挥着重要作用。基于生物个体体征(例如人脸)对生物个体进行识别已经大范围应用于需要身份验证(即身份识别)的地方，比如基于人脸识别的手机解锁、指纹门锁、基于人脸识别的支付，公安侦查等。
但摄像头获取的人脸图像不都是完美的，它们需要进行校正以便在后续环节获得更准确的结果和更快的识别速度。
发明内容
本发明的目的在于提出一种基于视觉的可信身份识别方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为实现上述技术目的，本发明技术方案如下：
一种基于视觉的可信身份识别方法，所述方法包括以下步骤：
步骤1，获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像；
步骤2，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像；
步骤3，对校正脸部图像进行识别得到可信身份识别结果；
步骤4，输出可信身份识别结果。
进一步地，步骤1中，获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像的子步骤为：
获取被识别人的视觉信息，所述视觉信息包括被识别人的脸部图像，视觉信息只包括一个脸部图像；
获取被识别人的视觉信息的设备可以是相机实时捕获，也可以是现有数据库里的脸部图像；
对脸部图像进行处理，所述预处理包括光照补偿和中值滤波，灰度归一化处理，获得预处理后的脸部图像。
进一步地，步骤2中，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像的子步骤为：
获得的脸部图像是倾斜的，因此需要校正；
步骤2.1，设定第一角度步进Δλ，和第一角度上限λ↑，第一角度下限λ↓，则调整的角度范围为[λ↓，λ↑],以图片的左下角为坐标原点，x轴所在的方向为步骤1中的预处理后的脸部图像的横向方向，y轴所在的方向为步骤1中的预处理后的脸部图像的纵向方向；
步骤2.2，计算预处理后的脸部图像的一阶边缘梯度：
E(x,y)＝|p(x+1,y+1)-p(x,y)|+|p(x,y+1)-p(x+1,y)|；
式中，E(x,y)为预处理后的脸部图像在点(x,y)的一阶边缘梯度，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值；
步骤2.3，对每个像素点计算一阶边缘梯度E(x,y)，对E(x,y)大于设定的第一梯度阈值τ的点进行变换：
T(d,δ)＝∫∫Ap(x,y)ε(d-xcosδ-ysinδ)dxdy,
式中，A为预处理后的脸部图像的xy平面，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值，d为坐标原点到直线的距离，δ为直线与x轴的角度，ε为Diracdelta函数，所述直线为d＝xcosδ+ysinδ,本式可以获得d(x,y)沿着直线d＝xcosδ+ysinδ的积分，把预处理后的脸部图像的所有直线映射到参数(d,δ)平面，获得预处理后的脸部图像所有直线的投影；
步骤2.4，以角度范围[λ↓，λ↑]和以步进Δλ进行T(d,δ)变换，获得不同角度的T(d,δ)，把T(d,δ)>Amax的δ和对应的d放入直线集合L，并对直线集合L的元素根据其T(d,δ)的值进行降序排序；
步骤2.5，选取直线集合L中的第一个元素L1，获得其角度为δ’，在直线集合L里寻找δ’在偏移角度δoffset范围内的不包括δ’的元素，即范围[δ’-δoffset，δ’+δoffset]，把符合上述范围[δ’-δoffset，δ’+δoffset]的元素放入直线集合L2，直线集合L2的大小为M；
步骤2.6，分别计算元素L1所在的直线的中点与直线集合L2中元素L2n所在的直线的距离，求取所述距离的平均值Davg，其中L2n表示直线集合L2中第n个元素，n∈[1,M]；
步骤2.7，提取直线集合L中的第一个元素L1所在直线的中点与直线集合L2中元素的所在直线的距离最接近Davg的元素L2k，取L2k的δ值记为δk，元素L1的δ值记为δ0,求得校正参数：
δc＝0.4×δk+0.6×δ0，
式中δc为校正参数；
步骤2.8，对预处理后的脸部图像进行倾斜校正，校正角度为δc，输出校正脸部图像。
进一步地，步骤3中，对校正脸部图像进行识别得到可信身份识别结果的子步骤为：
步骤3.1，从校正脸部图像和可信人脸数据库人脸中提取人脸特征，具体为：提取人脸特征，所述人脸特征包括68个在人脸的点的特征向量，68个点分别为：下巴轮廓18个点，左眉毛4个点，右眉毛4个点，鼻梁5个点，鼻尖5个点，左眼6个点，右眼6个点，外嘴唇12个点，内嘴唇8个点；
把特征保存到特征数据库里；
所述可信人脸数据库保存有可信身份的人脸信息，
步骤3.2，提取校正脸部图像的人脸特征与特征数据库的人脸特征进行比对，如果从可信人脸数据库找到匹配的人脸，则输出可信身份验证通过信息，否则输出可信身份验证不通过信息。
进一步地，步骤4中，输出可信身份识别结果的子步骤为：
在终端上输出可信身份识别结果，所述终端可以是手持终端，也可以是桌面终端。
一种基于视觉的可信身份识别系统，所述系统包括：
视觉信息获取模块：用于获取识别人的视觉信息；
视觉信息处理模块：用于对视觉信息进行预处理获得预处理后的脸部图像；
图像校正模块：用于对预处理后的脸部图像进行校正输出校正脸部图像，步骤包括：
步骤2.1，设定第一角度步进Δλ，和第一角度上限λ↑，第一角度下限λ↓，则调整的角度范围为[λ↓，λ↑],以图片的左下角为坐标原点，x轴所在的方向为步骤1中的预处理后的脸部图像的横向方向，y轴所在的方向为步骤1中的预处理后的脸部图像的纵向方向；
步骤2.2，计算预处理后的脸部图像的一阶边缘梯度：
E(x,y)＝|p(x+1,y+1)-p(x,y)|+|p(x,y+1)-p(x+1,y)|；
式中，E(x,y)为预处理后的脸部图像在点(x,y)的一阶边缘梯度，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值；
步骤2.3，对每个像素点计算一阶边缘梯度E(x,y)，对E(x,y)大于设定的第一梯度阈值τ的点进行变换：
T(d,δ)＝∫∫Ap(x,y)ε(d-xcosδ-ysinδ)dxdy,
式中，A为预处理后的脸部图像的xy平面，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值，d为坐标原点到直线的距离，δ为直线与x轴的角度，ε为Diracdelta函数，即当ε(0)＝1，否则ε＝1，所述直线为d＝xcosδ+ysinδ,本式可以获得d(x,y)沿着直线d＝xcosδ+ysinδ的积分，把预处理后的脸部图像的所有直线映射到参数(d,δ)平面，获得预处理后的脸部图像所有直线的投影；
步骤2.4，以角度范围[λ↓，λ↑]和以步进Δλ进行变换，获得不同角度的T(d,δ)，把T(d,δ)>Amax的δ和对应的d放入直线集合L，并对直线集合L的元素根据其T(d,δ)的值进行降序排序；
步骤2.5，选取直线集合L中的第一个元素L1，获得其角度为δ’，在直线集合L里寻找δ’在偏移角度δoffset范围内的不包括δ’的元素，即范围[δ’-δoffset，δ’+δoffset]，把符合上述范围[δ’-δoffset，δ’+δoffset]的元素放入直线集合L2，直线集合L2的大小为M；
步骤2.6，分别计算元素L1所在的直线的中点与直线集合L2中元素L2n所在的直线的距离，求取所述距离的平均值Davg，其中L2n表示直线集合L2中第n个元素，n∈[1,M]；
步骤2.7，提取直线集合L中的第一个元素L1所在直线的中点与直线集合L2中元素的所在直线的距离最接近Davg的元素L2k，取L2k的δ值记为δk，元素L1的δ值记为δ0,求得校正参数：
δc＝0.4×δk+0.6×δ0，
式中δc为校正参数；
步骤2.8，对预处理后的脸部图像进行倾斜校正，校正角度为δc，输出校正脸部图像；
图像识别模块：对校正脸部图像进行识别得到可信身份识别结果；
识别结果输出模块：用于展示可信身份识别结果。
与现有技术相比，本发明具有以下有益的技术效果：
通过对图像进行预处理校正，使得后续识别步骤能获得更好的识别结果和速度。
附图说明
为了使本领域的技术人员更好地理解本发明的技术方案，下面通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，在附图中：
图1为本发明提供的一种基于视觉的可信身份识别方法的流程图；
图2为本发明一个实施例的一种基于视觉的可信身份识别系统结构示意框图。
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晰，以下结合附图及实施例，对本发明进行进一步详尽说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
同样应理解，以下实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，本领域的技术人员根据本发明上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。下述示例具体的工艺参数等也仅是合适范围内的一个示例，即本领域技术人员可以通过本文的说明做合适的范围内选择，而并非要限定于下文示例的具体数值。
以下示例性地说明本发明提供的一种基于视觉的可信身份识别方法。
如图1所示为一种基于视觉的可信身份识别方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于视觉的可信身份识别方法，所述方法包括以下步骤：
步骤1，获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像；
步骤2，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像；
步骤3，对校正脸部图像进行识别得到可信身份识别结果；
步骤4，输出可信身份识别结果。
进一步地，步骤1中，获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像的子步骤为：
获取被识别人的视觉信息，所述视觉信息包括被识别人的脸部图像，视觉信息只包括一个脸部图像；
获取被识别人的视觉信息的设备可以是相机实时捕获，也可以是现有数据库里的脸部图像；
对脸部图像进行处理，所述预处理包括光照补偿和中值滤波，灰度归一化处理，获得预处理后的脸部图像。
进一步地，步骤2中，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像的子步骤为：
获得的脸部图像是倾斜的，因此需要校正；
步骤2.1，设定第一角度步进Δλ，和第一角度上限λ↑，第一角度下限λ↓，则调整的角度范围为[λ↓，λ↑],以图片的左下角为坐标原点，x轴所在的方向为步骤1中的预处理后的脸部图像的横向方向，y轴所在的方向为步骤1中的预处理后的脸部图像的纵向方向；
在一个实施例里，第一角度步进Δλ为1°，第一角度上限λ↑为10°，第一角度下限λ↓为-10°；
优选地，第一角度上限λ↑和第一角度下限λ↓也可以根据视觉信息获取模块和获取的历史人脸信息进行决定，第一角度步进Δλ可以根据运算能力决定，如果运算能力不足和需要更短的运算速度，第一角度步进Δλ可以取一个较大的值，如果需要更精确的结果，可以取一个较小的值；
步骤2.2，计算预处理后的脸部图像的一阶边缘梯度：
E(x,y)＝|p(x+1,y+1)-p(x,y)|+|p(x,y+1)-p(x+1,y)|；
式中，E(x,y)为预处理后的脸部图像在点(x,y)的一阶边缘梯度，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值；
步骤2.3，对每个像素点计算一阶边缘梯度E(x,y)，对E(x,y)大于设定的第一梯度阈值τ的点进行变换：
T(d,δ)＝∫∫Ap(x,y)ε(d-xcosδ-ysinδ)dxdy,
式中，A为预处理后的脸部图像的xy平面，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值，d为坐标原点到直线的距离，δ为直线与x轴的角度，ε为Diracdelta函数，即当ε(0)＝1，否则ε＝1，所述直线为d＝xcosδ+ysinδ,本式可以获得d(x,y)沿着直线d＝xcosδ+ysinδ的积分，把预处理后的脸部图像的所有直线映射到参数(d,δ)平面，获得预处理后的脸部图像所有直线的投影；第一梯度阈值τ为所有像素点的一阶边缘梯度的算术平均值。
步骤2.3获得了预处理后的脸部图像中的直线，其中包括人脸两边的轮廓线；
步骤2.4，以角度范围[λ↓，λ↑]和以步进Δλ进行变换，获得不同角度的T(d,δ)，把T(d,δ)>Amax的δ和对应的d放入直线集合L，并对直线集合L的元素根据其T(d,δ)的值进行降序排序；
步骤2.5，选取直线集合L中的第一个元素L1，获得其角度为δ’，在直线集合L里寻找δ’在偏移角度δoffset范围内的不包括δ’的元素，即范围[δ’-δoffset，δ’+δoffset]，把符合上述范围[δ’-δoffset，δ’+δoffset]的元素放入直线集合L2，直线集合L2的大小为M；
步骤2.6，分别计算元素L1所在的直线的中点与直线集合L2中元素L2n所在的直线的距离，求取所述距离的平均值Davg，其中L2n表示直线集合L2中第n个元素，n∈[1,M]；
步骤2.7，提取直线集合L中的第一个元素L1所在直线的中点与直线集合L2中元素的所在直线的距离最接近Davg的元素L2k，取L2k的δ值记为δk，元素L1的δ值记为δ0,求得校正参数：
δc＝0.4×δk+0.6×δ0，
式中δc为校正参数；
步骤2.8，对预处理后的脸部图像进行倾斜校正，校正角度为δc，输出校正脸部图像。
进一步地，步骤3中，对校正脸部图像进行识别得到可信身份识别结果的子步骤为：
步骤3.1，从校正脸部图像和可信人脸数据库人脸中提取人脸特征，具体为：提取人脸特征，所述人脸特征包括68个在人脸的点的特征向量，68个点分别为：下巴轮廓18个点，左眉毛4个点，右眉毛4个点，鼻梁5个点，鼻尖5个点，左眼6个点，右眼6个点，外嘴唇12个点，内嘴唇8个点；
把特征保存到特征数据库里；
所述可信人脸数据库保存有可信身份的人脸信息，
步骤3.2，提取校正脸部图像的人脸特征与特征数据库的人脸特征进行比对，如果从可信人脸数据库找到匹配的人脸，则输出可信身份验证通过信息，否则输出可信身份验证不通过信息。
优选地，可以选用一种人脸匹配识别算法，Facenet或者Arcface。
进一步地，步骤4中，输出可信身份识别结果的子步骤为：
在终端上输出可信身份识别结果，所述终端可以是手持终端，也可以是桌面终端。如图2所示是本发明一个实施例的一种基于视觉的可信身份识别系统结构示意框图。
一种基于视觉的可信身份识别系统，所述系统包括：
视觉信息获取模块：用于获取识别人的视觉信息；
视觉信息处理模块：用于对视觉信息进行预处理获得预处理后的脸部图像；
图像校正模块：用于对预处理后的脸部图像进行校正输出校正脸部图像，步骤包括：
步骤2.1，设定第一角度步进Δλ，和第一角度上限λ↑，第一角度下限λ↓，则调整的角度范围为[λ↓，λ↑],以图片的左下角为坐标原点，x轴所在的方向为步骤1中的预处理后的脸部图像的横向方向，y轴所在的方向为步骤1中的预处理后的脸部图像的纵向方向；
步骤2.2，计算预处理后的脸部图像的一阶边缘梯度：
E(x,y)＝|p(x+1,y+1)-p(x,y)|+|p(x,y+1)-p(x+1,y)|；
式中，E(x,y)为预处理后的脸部图像在点(x,y)的一阶边缘梯度，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值；
步骤2.3，对每个像素点计算一阶边缘梯度E(x,y)，对E(x,y)大于设定的第一梯度阈值τ的点进行变换：
T(d,δ)＝∫∫Ap(x,y)ε(d-xcosδ-ysinδ)dxdy,
式中，A为预处理后的脸部图像的xy平面，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值，d为坐标原点到直线的距离，δ为直线与x轴的角度，ε为Diracdelta函数，即当ε(0)＝1，否则ε＝1，所述直线为d＝xcosδ+ysinδ,本式可以获得d(x,y)沿着直线d＝xcosδ+ysinδ的积分，把预处理后的脸部图像的所有直线映射到参数(d,δ)平面，获得预处理后的脸部图像所有直线的投影；
步骤2.4，以角度范围[λ↓，λ↑]和以步进Δλ进行变换，获得不同角度的T(d,δ)，把T(d,δ)>Amax的δ和对应的d放入直线集合L，并对直线集合L的元素根据其T(d,δ)的值进行降序排序；
步骤2.5，选取直线集合L中的第一个元素L1，获得其角度为δ’，在直线集合L里寻找δ’在偏移角度δoffset范围内的不包括δ’的元素，即范围[δ’-δoffset，δ’+δoffset]，把符合上述范围[δ’-δoffset，δ’+δoffset]的元素放入直线集合L2，直线集合L2的大小为M；
步骤2.6，分别计算元素L1所在的直线的中点与直线集合L2中元素L2n所在的直线的距离，求取所述距离的平均值Davg，其中L2n表示直线集合L2中第n个元素，n∈[1,M]；
步骤2.7，提取直线集合L中的第一个元素L1所在直线的中点与直线集合L2中元素的所在直线的距离最接近Davg的元素L2k，取L2k的δ值记为δk，元素L1的δ值记为δ0,求得校正参数：
δc＝0.4×δk+0.6×δ0，
式中δc为校正参数；
步骤2.8，对预处理后的脸部图像进行倾斜校正，校正角度为δc，输出校正脸部图像；
图像识别模块：对校正脸部图像进行识别得到可信身份识别结果；
识别结果输出模块：用于展示可信身份识别结果。
所述基于一种基于视觉的可信身份识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于视觉的可信身份识别系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于视觉的可信身份识别系统的示例，并不构成对一种基于视觉的可信身份识别系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于视觉的可信身份识别系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于视觉的可信身份识别系统运行系统的控制中心，利用各种接口和线路连接整个一种基于视觉的可信身份识别系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于视觉的可信身份识别系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于视觉的可信身份识别方法，其特征在于，所述方法包括以下步骤：
步骤1，获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像；
步骤2，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像；
步骤3，对校正脸部图像进行识别得到可信身份识别结果；
步骤4，输出可信身份识别结果。
2.根据权利要求1所述的一种基于视觉的可信身份识别方法，其特征在于，步骤1中，获取被识别人的视觉信息，对视觉信息处理获得预处理后的脸部图像的子步骤为：
获取被识别人的视觉信息，所述视觉信息包括被识别人的脸部图像，视觉信息只包括一个脸部图像；
获取被识别人的视觉信息的设备可以是相机实时捕获，也可以是现有数据库里的脸部图像；
对脸部图像进行处理，所述预处理包括光照补偿和中值滤波，灰度归一化处理，获得预处理后的脸部图像。
3.根据权利要求1所述的一种基于视觉的可信身份识别方法，其特征在于，步骤2中，对预处理后的脸部图像进行处理获得校正参数，根据校正参数对视觉信息进行处理输出校正脸部图像的子步骤为：
获得的脸部图像是倾斜的，因此需要校正；
步骤2.1，设定第一角度步进Δλ，和第一角度上限λ↑，第一角度下限λ↓，则调整的角度范围为[λ↓，λ↑],以图片的左下角为坐标原点，x轴所在的方向为步骤1中的预处理后的脸部图像的横向方向，y轴所在的方向为步骤1中的预处理后的脸部图像的纵向方向；
步骤2.2，计算预处理后的脸部图像的一阶边缘梯度：
E(x,y)＝|p(x+1,y+1)-p(x,y)|+|p(x,y+1)-p(x+1,y)|；
式中，E(x,y)为预处理后的脸部图像在点(x,y)的一阶边缘梯度，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值；
步骤2.3，对每个像素点计算一阶边缘梯度E(x,y)，通过T(d,δ)对E(x,y)大于设定的第一梯度阈值τ的点进行变换：
T(d,δ)＝∫∫Ap(x,y)ε(d-xcosδ-ysinδ)dxdy,
式中，A为预处理后的脸部图像的xy平面，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值，d为坐标原点到直线的距离，δ为直线与x轴的角度，ε为Diracdelta函数，所述直线为d＝xcosδ+ysinδ,本式可以获得d(x,y)沿着直线d＝xcosδ+ysinδ的积分，把预处理后的脸部图像的所有直线映射到参数(d,δ)平面，获得预处理后的脸部图像所有直线的投影；
步骤2.4，以角度范围[λ↓，λ↑]和以步进Δλ通过T(d,δ)变换处理，获得不同角度的T(d,δ)，把T(d,δ)>Amax的δ和对应的d放入直线集合L，并对直线集合L的元素根据其T(d,δ)的值进行降序排序；
步骤2.5，选取直线集合L中的第一个元素L1，获得其角度为δ’，在直线集合L里寻找δ’在偏移角度δoffset范围内的不包括δ’的元素，即范围[δ’-δoffset，δ’+δoffset]，把符合上述范围[δ’-δoffset，δ’+δoffset]的元素放入直线集合L2，直线集合L2的大小为M；
步骤2.6，分别计算元素L1所在的直线的中点与直线集合L2中元素L2n所在的直线的距离，求取所述距离的平均值Davg，其中L2n表示直线集合L2中第n个元素，n∈[1,M]；
步骤2.7，提取直线集合L中的第一个元素L1所在直线的中点与直线集合L2中元素的所在直线的距离最接近Davg的元素L2k，取L2k的δ值记为δk，元素L1的δ值记为δ0,求得校正参数：
δc＝0.4×δk+0.6×δ0，
式中δc为校正参数；
步骤2.8，对预处理后的脸部图像进行倾斜校正，校正角度为δc，输出校正脸部图像。
4.根据权利要求1所述的一种基于视觉的可信身份识别方法，其特征在于，步骤3中，对校正脸部图像进行识别得到可信身份识别结果的子步骤为：
步骤3.1，从校正脸部图像和可信人脸数据库人脸中提取人脸特征，具体为：
提取人脸特征，所述人脸特征包括68个在人脸的点的特征向量，68个点分别为：下巴轮廓18个点，左眉毛4个点，右眉毛4个点，鼻梁5个点，鼻尖5个点，左眼6个点，右眼6个点，外嘴唇12个点，内嘴唇8个点；
把特征保存到特征数据库里；
所述可信人脸数据库保存有可信身份的人脸信息，
步骤3.2，提取校正脸部图像的人脸特征与特征数据库的人脸特征进行比对，如果从可信人脸数据库找到匹配的人脸，则输出可信身份验证通过信息，否则输出可信身份验证不通过信息。
5.根据权利要求1所述的一种基于视觉的可信身份识别方法，其特征在于，步骤4中，输出可信身份识别结果的子步骤为：
在终端上输出可信身份识别结果，所述终端可以是手持终端，也可以是桌面终端。
6.一种基于视觉的可信身份识别系统，其特征在于，所述系统包括：
视觉信息获取模块：用于获取识别人的视觉信息；
视觉信息处理模块：用于对视觉信息进行预处理获得预处理后的脸部图像；
图像校正模块：用于对预处理后的脸部图像进行校正输出校正脸部图像，步骤包括：
步骤2.1，设定第一角度步进Δλ，和第一角度上限λ↑，第一角度下限λ↓，则调整的角度范围为[λ↓，λ↑],以图片的左下角为坐标原点，x轴所在的方向为步骤1中的预处理后的脸部图像的横向方向，y轴所在的方向为步骤1中的预处理后的脸部图像的纵向方向；
步骤2.2，计算预处理后的脸部图像的一阶边缘梯度：
E(x,y)＝|p(x+1,y+1)-p(x,y)|+|p(x,y+1)-p(x+1,y)|；
式中，E(x,y)为预处理后的脸部图像在点(x,y)的一阶边缘梯度，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值；
步骤2.3，对每个像素点计算一阶边缘梯度E(x,y)，对E(x,y)大于设定的第一梯度阈值τ的点进行变换：
T(d,δ)＝∫∫Ap(x,y)ε(d-xcosS-ysinδ)dxdy,
式中，A为预处理后的脸部图像的xy平面，p(x,y)为预处理后的脸部图像在点(x,y)的灰度值，d为坐标原点到直线的距离，δ为直线与x轴的角度，ε为Diracdelta函数，即当ε(0)＝1，否则ε＝1，所述直线为d＝xcosδ+ysinδ,本式可以获得d(x,y)沿着直线d＝xcosδ+ysinδ的积分，把预处理后的脸部图像的所有直线映射到参数(d,δ)平面，获得预处理后的脸部图像所有直线的投影；
步骤2.4，以角度范围[λ↓，λ↑]和以步进Δλ进行变换，获得不同角度的T(d,δ)，把T(d,δ)>Amax的δ和对应的d放入直线集合L，并对直线集合L的元素根据其T(d,δ)的值进行降序排序；
步骤2.5，选取直线集合L中的第一个元素L1，获得其角度为δ’，在直线集合L里寻找δ’在偏移角度δoffset范围内的不包括δ’的元素，即范围[δ’-δoffset，δ’+δoffset]，把符合上述范围[δ’-δoffset，δ’+δoffset]的元素放入直线集合L2，直线集合L2的大小为M；
步骤2.6，分别计算元素L1所在的直线的中点与直线集合L2中元素L2n所在的直线的距离，求取所述距离的平均值Davg，其中L2n表示直线集合L2中第n个元素，n∈[1,M]；
步骤2.7，提取直线集合L中的第一个元素L1所在直线的中点与直线集合L2中元素的所在直线的距离最接近Davg的元素L2k，取L2k的δ值记为δk，元素L1的δ值记为δ0,求得校正参数：
δc＝0.4×δk+0.6×δ0，
式中δc为校正参数；
步骤2.8，对预处理后的脸部图像进行倾斜校正，校正的角度为δc，输出校正脸部图像；
图像识别模块：对校正脸部图像进行识别得到可信身份识别结果；
识别结果输出模块：用于展示可信身份识别结果。
CN202111020447.1A 2021-09-01 2021-09-01 一种基于视觉的可信身份识别方法和系统 Active CN113920557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111020447.1A CN113920557B (zh) 2021-09-01 2021-09-01 一种基于视觉的可信身份识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111020447.1A CN113920557B (zh) 2021-09-01 2021-09-01 一种基于视觉的可信身份识别方法和系统

Publications (2)

Publication Number Publication Date
CN113920557A true CN113920557A (zh) 2022-01-11
CN113920557B CN113920557B (zh) 2022-09-13

Family

ID=79233582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111020447.1A Active CN113920557B (zh) 2021-09-01 2021-09-01 一种基于视觉的可信身份识别方法和系统

Country Status (1)

Country Link
CN (1) CN113920557B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010217980A (ja) * 2009-03-13 2010-09-30 Omron Corp 情報処理装置及び方法、並びにプログラム
US20130129159A1 (en) * 2011-11-22 2013-05-23 Ronald Huijgens Face recognition method and apparatus
CN107220624A (zh) * 2017-05-27 2017-09-29 东南大学 一种基于Adaboost算法的人脸检测方法
CN109508700A (zh) * 2018-12-28 2019-03-22 广州粤建三和软件股份有限公司 一种人脸识别方法、系统及存储介质
CN112036317A (zh) * 2020-08-31 2020-12-04 成都新潮传媒集团有限公司 一种人脸图像截取方法、装置及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010217980A (ja) * 2009-03-13 2010-09-30 Omron Corp 情報処理装置及び方法、並びにプログラム
US20130129159A1 (en) * 2011-11-22 2013-05-23 Ronald Huijgens Face recognition method and apparatus
CN107220624A (zh) * 2017-05-27 2017-09-29 东南大学 一种基于Adaboost算法的人脸检测方法
CN109508700A (zh) * 2018-12-28 2019-03-22 广州粤建三和软件股份有限公司 一种人脸识别方法、系统及存储介质
CN112036317A (zh) * 2020-08-31 2020-12-04 成都新潮传媒集团有限公司 一种人脸图像截取方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WENYI ZHAO ET AL.: "Imagebased Face Recognition Issues and Methods", 《IMAGE RECOGNITION AND CLASSIFICATION》 *

Also Published As

Publication number Publication date
CN113920557B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN103577815B (zh) 一种人脸对齐方法和系统
WO2019033574A1 (zh) 电子装置、动态视频人脸识别的方法、系统及存储介质
US8908934B2 (en) Fingerprint recognition for low computing power applications
US8213691B2 (en) Method for identifying faces in images with improved accuracy using compressed feature vectors
US10922399B2 (en) Authentication verification using soft biometric traits
US20120057763A1 (en) method for recognizing the identity of user by biometrics of palm vein
JP2013012190A (ja) ガボールフィルターをブロックガボールフィルターとして近似する方法、及び、プロセッサ上で実行されているアプリケーションプログラムによるアクセスのためのデータ構造を格納するメモリ
CN111091075A (zh) 人脸识别方法、装置、电子设备及存储介质
Vretos et al. 3D facial expression recognition using Zernike moments on depth images
CN112651380A (zh) 人脸识别方法、人脸识别装置、终端设备及存储介质
CN110647782A (zh) 三维人脸重建与多姿态人脸识别方法及装置
CN111881789B (zh) 肤色识别方法、装置、计算设备及计算机存储介质
Ilankumaran et al. Multi-biometric authentication system using finger vein and iris in cloud computing
CN113228105A (zh) 一种图像处理方法、装置和电子设备
KR100847142B1 (ko) 얼굴 인식을 위한 전처리 방법, 이를 이용한 얼굴 인식방법 및 장치
CN112418153B (zh) 图像处理方法、装置、电子设备和计算机存储介质
Fawwad Hussain et al. Gray level face recognition using spatial features
Karunakar et al. Smart attendance monitoring system (sams): A face recognition based attendance system for classroom environment
Patil et al. Expression invariant face recognition using semidecimated DWT, Patch-LDSMT, feature and score level fusion
Forczmański et al. Comparative analysis of simple facial features extractors
JP2013218605A (ja) 画像認識装置、画像認識方法及びプログラム
CN113920557B (zh) 一种基于视觉的可信身份识别方法和系统
Cai et al. Robust facial expression recognition using RGB-D images and multichannel features
CN110929583A (zh) 一种高检测精度人脸识别方法
CN116563588A (zh) 图像聚类方法、装置、电子设备及存储介质

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