CN114973368A - 基于特征融合的人脸识别方法、装置、设备和存储介质 - Google Patents
基于特征融合的人脸识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114973368A CN114973368A CN202210592138.XA CN202210592138A CN114973368A CN 114973368 A CN114973368 A CN 114973368A CN 202210592138 A CN202210592138 A CN 202210592138A CN 114973368 A CN114973368 A CN 114973368A
- Authority
- CN
- China
- Prior art keywords
- face image
- feature
- fusion
- face
- database
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
Abstract
本申请涉及人脸识别领域,提供一种基于特征融合的人脸识别方法、装置、设备和存储介质,其中,基于特征融合的人脸识别方法包括:获取待检测人脸图像,对待检测人脸图像进行虚拟变换,得到虚拟人脸图像;将待检测人脸图像和虚拟人脸图像进行融合,得到融合人脸图像;提取融合人脸图像的特征,得到融合特征;将融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。虚拟变换的作用是突出人脸的部分特征,虚拟人脸图像能够和待检测人脸图像进行互补。融合后的人脸图像能够包含更多的人脸特征,能够更有效的应对光照变化、表情变化和存在遮挡的情况,从而获得较高的人脸识别率。
Description
技术领域
本申请涉及人脸识别技术领域,例如涉及基于特征融合的人脸识别方法、装置、设备和存储介质。
背景技术
人脸识别技术已被广泛用于考勤和监控领域,在一般情况下人脸识别技术能够取得较好的效果。但是,在环境光照发生变化,表情变化较大和存在遮挡的情况下,人脸识别的效果较差。
光照变化是影响人脸识别性能的最关键因素,光照投射出的阴影,会加强或减弱原有的人脸特征。尤其是在夜晚,由于光线不足造成的面部阴影会导致识别率下降,同一个体因光照不同引起的差异,大于同一光照下不同个体之间的差异。哭、笑和愤怒等表情变化属于幅度较大的面部表情变化,同样影响着人脸识别的准确率。在监控领域中,往往被监控的对象都会佩戴眼镜和帽子等饰物,使得被采集出来的人脸图像有可能不完整,从而影响后面的特征提取与识别。
因此,亟需一种能够对光照、表情和遮挡具有鲁棒性的人脸识别方法。
发明内容
现有的人脸识别技术在光照变化、表情变化和存在遮挡的情况下识别率会受到影响。
为解决上述问题,本申请采用以下技术方案:
本申请提供了一种基于特征融合的人脸识别方法,其特征在于,包括:
获取待检测人脸图像;
对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像;
将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像;
提取所述融合人脸图像的特征,得到融合特征;
将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。
所述对所述待检测人脸图像进行虚拟变换,包括:
使用虚拟变换函数对所述待检测人脸图像进行虚拟变换,其中,所述虚拟变换函数为:
其中,J为所述虚拟人脸图像,I为所述待检测人脸图像。
所述将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像,包括:
获取第一融合权重和第二融合权重;
将所述待检测人脸图像乘以所述第一融合权重,得到第一融合图像;
将所述虚拟人脸图像乘以所述第二融合权重,得到第二融合图像;
计算所述第一融合图像和所述第二融合图像的和,得到所述融合人脸图像。
所述提取所述融合人脸图像的特征,得到融合特征,包括:
将所述融合人脸图像划分为N个子区域;
将所述N个子区域中的目标像素点的灰度值与相邻像素点的灰度值进行比较,若所述目标像素点的灰度值小于所述相邻像素点的灰度值,则所述相邻像素点的位置标记为1,否则,所述相邻像素点的位置标记为0;
计算所述N个子区域的灰度直方图,对所述灰度直方图进行归一化处理;
将所述N个子区域的归一化直方图进行连接,得到所述融合特征。
所述将所述融合特征和数据库中的数据库特征进行匹配,包括:
计算所述融合特征和所述数据库特征的特征距离,若所述特征距离小于或等于距离阈值,则输出人脸识别结果;若所述特征距离大于距离阈值,不输出所述人脸识别结果。
所述计算所述融合特征和所述数据库特征的特征距离,包括:
所述数据库共包含N个所述数据库特征,依次计算所述融合特征与第1个所述数据库特征的所述特征距离至所述融合特征与第N个所述数据库特征的所述特征距离,得到第1特征距离至第N特征距离;
所述第1特征距离为所述融合特征与第1个所述数据库特征的所述特征距离;
所述第N特征距离为所述融合特征与第N个所述数据库特征的所述特征距离。
进一步地,所述得到人脸识别结果之后,还包括:
将所述待检测人脸图像加入所述数据库,更新所述数据库特征。
本申请还提供了一种基于特征融合的人脸识别装置,包括:
人脸图像获取模块,用于获取待检测人脸图像;
虚拟变换模块,用于对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像;
人脸图像融合模块,用于将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像;
人脸特征提取模块,用于提取所述融合人脸图像的特征,得到融合特征;
人脸特征匹配模块,用于将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的基于特征融合的人脸识别方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的基于特征融合的人脸识别方法的步骤。
本申请的基于特征融合的人脸识别方法获取待检测人脸图像,对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像。虚拟变换的作用是突出人脸的部分特征,虚拟人脸图像能够和待检测人脸图像进行互补。将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像。提取所述融合人脸图像的特征,得到融合特征。将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。融合后的人脸图像能够包含更多的人脸特征,能够更有效的应对光照变化、表情变化和存在遮挡的情况,从而获得较高的人脸识别率。
附图说明
图1为一实施例的基于特征融合的人脸识别方法的流程示意图;
图2为一实施例的融合待检测人脸图像和虚拟人脸图像的流程示意图;
图3为一实施例的提取融合人脸特征的流程示意图;
图4为一实施例的匹配融合特征和数据库特征的流程示意图;
图5为一实施例的基于特征融合的人脸识别装置的结构示意框图;
图6为一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“上述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件、单元、单元和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、单元、单元、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
参照图1,是本方案申请的基于特征融合的人脸识别方法的流程示意图,包括:
S1:获取待检测人脸图像。
摄像头获取拍摄图像,从拍摄图像中检测是否存在人脸,若存在,则提取待检测人脸图像,若不存在,则摄像头重新获取拍摄图像。
提取的所述待检测人脸图像尺寸比所述拍摄图像要小,人脸占所述待检测人脸图像的比例相比于人脸占所述拍摄图像的比例更大。
示例性,拍摄图像的尺寸为400×400,对所述拍摄图像进行人脸检测。在拍摄图像中检测到人脸,将拍摄图像进行裁剪,提取待检测人脸图像。待检测人脸图像的尺寸为100×100。
S2:对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像。
使用虚拟变换函数对所述待检测人脸图像进行虚拟变换,其中,所述虚拟变换函数为:
其中,J为所述虚拟人脸图像,I为所述待检测人脸图像。
经过虚拟变换后,所述待检测人脸图像灰度值较高的区域被抑制,所述待检测人脸图像灰度值较低区域被突出,得到与待检测人脸图像具有不同人脸特征的虚拟人脸图像。
示例性,待检测人脸图像中包含像素点A、像素点B和像素点C。像素点A的灰度值为20,像素点B的灰度值为240,像素点C的灰度值为120。经过虚拟变换后得到虚拟人脸图像,虚拟人脸图像包含像素点A’、B’和C’,像素点A’对应待检测人脸图像中的像素点A,像素点B’对应待检测人脸图像中的像素点B,像素点C’对应待检测人脸图像中的像素点C。像素点A’、像素点B’和像素点C’的灰度值分别为:68、60和127。
虚拟人脸图像保留了人脸的部分特征,看上去仍然是一张人脸图像。
S3:将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像。
获取第一融合权重和第二融合权重;
将所述待检测人脸图像乘以所述第一融合权重,得到第一融合图像;
将所述虚拟人脸图像乘以所述第二融合权重,得到第二融合图像;
计算所述第一融合图像和所述第二融合图像的和,得到所述融合人脸图像。
S4:提取所述融合人脸图像的特征,得到融合特征。
将所述融合人脸图像划分为N个子区域;
将所述N个子区域中的目标像素点的灰度值与相邻像素点的灰度值进行比较,若所述目标像素点的灰度值小于所述相邻像素点的灰度值,则所述相邻像素点的位置标记为1,否则,所述相邻像素点的位置标记为0;
计算所述N个子区域的灰度直方图,对所述灰度直方图进行归一化处理;
将所述N个子区域的归一化直方图进行连接,得到所述融合特征。
S5:将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。
计算所述融合特征和所述数据库特征的特征距离,若所述特征距离小于或等于距离阈值,则输出人脸识别结果;若所述特征距离大于距离阈值,不输出所述人脸识别结果。
本申请实施例的基于特征融合的人脸识别方法获取待检测人脸图像,对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像。虚拟变换的作用是突出人脸的部分特征,虚拟人脸图像能够和待检测人脸图像进行互补。将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像。提取所述融合人脸图像的特征,得到融合特征。将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。融合后的人脸图像能够包含更多的人脸特征,能够更有效的应对光照变化、表情变化和存在遮挡的情况,从而获得较高的人脸识别率。
在一个实施例中,需要将待检测人脸图像和虚拟人脸图像进行融合,得到具有更多人脸特征的融合人脸图像,提高人脸识别率。参照图2,是本方案申请的融合待检测人脸图像和虚拟人脸图像的流程示意图,包括:
S31、获取第一融合权重和第二融合权重。
获取第一融合权重w1和第二融合权重w2,第一融合权重w1和第二融合权重w2为预先设置好的融合权重。
示例性,w1设置为0.6,w2设置为0.4。
应该理解的是,第一融合权重w1和第二融合权重w2的数值根据具体情况而定,上述举例仅仅是起到说明的作用,并不会限制本申请的实施。
S32、将所述待检测人脸图像乘以所述第一融合权重,得到第一融合图像。
将所述待检测人脸图像I乘以第一融合权重w1,得到第一融合图像R1。
R1=w1*I。
S33、将所述虚拟人脸图像乘以所述第二融合权重,得到第二融合图像。
将所述虚拟人脸图像J乘以第二融合权重w2,得到第二融合图像R2。
R2=w2*J。
S34、计算所述第一融合图像和所述第二融合图像的和,得到所述融合人脸图像。
计算所述第一融合图像和所述第二融合图像的和,得到所述融合人脸图像,公式如下:
R=R1+R2。
其中,R为融合人脸图像。融合人脸图像R包含了待检测人脸图像I和虚拟人脸图像J的特征。
本申请实施例的融合待检测人脸图像和虚拟人脸图像方法,获取预先设置好的第一融合和第二融合权重,根据第一融合权重计算第一融合图像,根据预第二融合权重计算第二融合图像,计算第一融合图像和第二融合图像的和,得到融合人脸图像。加权融合的方式能够保留待检测人脸图像和虚拟人脸图像的人脸特征,并将两种人脸特征进行融合,能够提高后续人脸识别的准确率。
在一个实施例中,融合待检测人脸图像和虚拟人脸图像后,需要提取融合人脸图像的特征。以基本局部二值算子为例,参照图3,是本方案申请的提取融合人脸特征的流程示意图,包括:
S41、将融合人脸图像划分为N个子区域。
将融合人脸图像划分为N个子区域,示例性,N的取值为100。应当理解的是,子区域的数量N根据实际情况决定,上述举例只是起到说明作用,并不能限制本申请的应用。
S42、将所述N个子区域中的目标像素点的灰度值与相邻像素点的灰度值进行比较。
若所述目标像素点的灰度值小于所述相邻像素点的灰度值,则所述相邻像素点的位置标记为1,否则,所述相邻像素点的位置标记为0。
对图像中的每个像素,通过计算以其为中心的3*3邻域内各像素和中心像素的大小关系,把像素的灰度值转化为一个八位二进制序列。具体计算过程如下图所示,对于图像的任意一点Ic,其局部二值特征计算为,以Ic为中心,取与Ic相邻的8各点,按照顺时针的方向记为I0,I1,...,I7;以Ic点的像素值为阈值,如果Ii点的像素值小于Ic,则Ii被二值化为0,否则为1;将二值化得到的0、1序列看成一个8位二进制数,将该二进制数转化为十进制就可得到Ic点处的局部二值算子的值。对图像中的每个像素,通过计算以其为中心的3*3邻域内各像素和中心像素的大小关系,把像素的灰度值转化为一个八位二进制序列。具体计算过程如下图所示,对于图像的任意一点Ic,其局部二值特征计算为,以Ic为中心,取与Ic相邻的8各点,按照顺时针的方向记为I0,I1,...,I7;以Ic点的像素值为阈值,如果Ii点的像素值小于Ic,则Ii被二值化为0,否则为1;将二值化得到的0、1序列看成一个8位二进制数,将该二进制数转化为十进制就可得到Ic点处的局部二值算子的值。
S43、计算所述N个子区域的灰度直方图,对所述灰度直方图进行归一化处理。
统计所述N个子区域内得到的二进制数,将二进制数转换为十进制数,统计十进制数出现的频率。示例性,第k(1<k<N)个子区域内的目标像素点(a,b),用局部二值算子计算得到的二进制数为11010011,将二进制数11010011转换为十进制数211。将第k个子区域内的其他像素点的十进制数计算出来,统计所有十进制数出现的次数。统计结果为211出现了10次,子区域的尺寸为10*10,将灰度直方图进行归一化处理,211出现的频率为10/(10*10)=0.1。
S44、将所述N个子区域的归一化直方图进行连接,得到所述融合特征。
将得到个N个子区域的归一化直方图进行连接,得到所述融合特征,所述融合特征为整幅图像的局部二值纹理特征向量。
本申请实施例提供了提取融合人脸特征的方法,将融合人脸图像划分为N个子区域,将N个子区域中的目标像素点的灰度值与相邻像素点的灰度值进行比较。计算N个子区域的灰度直方图,对灰度直方图进行归一化处理。将N个子区域的归一化直方图进行连接,得到融合特征。目标点与周围点的关系对目标点进行量化,可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系,那么局部二值算子的值不会发生变化。
在一个实施例中,得到融合特征后需要将融合特征与数据库里的数据库特征进行匹配,得到人脸识别结果。参照图4,是本方案申请的匹配融合特征和数据库特征的流程示意图,包括:
S51:计算所述融合特征和所述数据库特征的特征距离。
所述数据库共包含N个所述数据库特征,依次计算所述融合特征与第1个所述数据库特征的所述特征距离至所述融合特征与第N个所述数据库特征的所述特征距离,得到第1特征距离至第N特征距离;
所述第1特征距离为所述融合特征与第1个所述数据库特征的所述特征距离;
所述第N特征距离为所述融合特征与第N个所述数据库特征的所述特征距离。
将N个特征距离从低到高进行排序,选择最小的特征距离,将最小的特征距离对应的数据库特征的人脸信息作为人脸识别结果。
融合特征为一副图像,融合特征的图像的尺寸为M*N,数据库特征为一副图像,数据库特征的图像的尺寸为M*N。通过以下公式来度量融合特征和数据库特征的距离:
其中,d为融合特征和数据库特征的距离,xi为融合特征中第i个像素点的灰度值,yi为数据库特征中第i个像素点的灰度值,xj为融合特征中第j个像素点的灰度值,yj为数据库特征中第j个像素点的灰度值,gij为度量系数,<>表示内积运算,ei为第i个像素点的基坐标,ej为第j个像素点的基坐标,cosθij为基向量i和基向量j之间的夹角。
S52:若所述特征距离小于或等于距离阈值,则输出人脸识别结果,若所述特征距离大于距离阈值,不输出所述人脸识别结果。
若所述特征距离小于或等于距离阈值,则将相应的所述数据库特征对应的人脸信息作为所述人脸识别结果;若所述特征距离大于距离阈值,则未匹配到与所述融合特征相应的人脸信息,不输出所述人脸识别结果。
将所述特征距离d与距离阈值dth进行比较:
若d≤dth,则将相应的所述数据库特征对应的人脸信息作为所述人脸识别结果。
若d>dth,则未匹配到与所述融合特征相应的人脸信息,不输出所述人脸识别结果。
特征距离d越小,说明所述融合特征和所述数据库特征的相似度越高。
在步骤S5之后,还包括步骤S5’。
步骤S5’:将所述待检测人脸图像加入所述数据库,更新所述数据库特征。
当d≤dth时,融合特征和数据库特征匹配成功,此次人脸识别结果有效。将待检测人脸图像加入所述数据库,更新所述数据库特征。
示例性,d=0.4,dth=0.6,此次人脸识别结果有效,融合特征匹配得到数据库中的人脸编号id=15,将所述待检测人脸图像加入人脸编号id=15的数据库特征。
本申请实施例提供了匹配融合特征和数据库特征的方法,计算所述融合特征和所述数据库特征的特征距离,若所述特征距离小于或等于距离阈值,则将相应的所述数据库特征对应的人脸信息作为所述人脸识别结果;若所述特征距离大于距离阈值,则未匹配到与所述融合特征相应的人脸信息,不输出所述人脸识别结果。该方法通过度量融合特征和数据库特征的特征距离,特征距离表示融合特征和数据库特征的相似度,特征距离越小,相似度越高。通过特征距离能够准确的匹配融合特征和数据库特征,从而得到相应的人脸信息。
在一个实施例中,为了实现基于特征融合的人脸识别方法,本申请实施例提供相应的基于特征融合的人脸识别装置,参照图5,是本方案申请的基于特征融合的人脸识别装置的结构示意框图,包括:
人脸图像获取模块10、虚拟变换模块20、人脸图像融合模块30、人脸特征提取模块40和人脸特征匹配模块50。
人脸图像获取模块10,用于获取待检测人脸图像。
虚拟变换模块20,用于对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像。
人脸图像融合模块30,用于将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像。
人脸特征提取模块40,用于提取所述融合人脸图像的特征,得到融合特征。
人脸特征匹配模块50,用于将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。
本申请实施例提供了基于特征融合的人脸识别装置,该装置包括人脸图像获取模块、虚拟变换模块、人脸图像融合模块、人脸特征提取模块和人脸特征匹配模块。人脸图像获取模块,用于获取待检测人脸图像。虚拟变换模块,用于对待检测人脸图像进行虚拟变换,得到虚拟人脸图像。人脸图像融合模块,用于将待检测人脸图像和虚拟人脸图像进行融合,得到融合人脸图像。人脸特征提取模块,用于提取融合人脸图像的特征,得到融合特征。人脸特征匹配模块,用于将融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。本申请实施例提供的基于特征融合的人脸识别装置能够实现基于特征融合的人脸识别方法。
参照图6,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其特征在于,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于特征融合的人脸识别数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于特征融合的人脸识别方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于特征融合的人脸识别方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其特征在于,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于特征融合的人脸识别方法,其特征在于,包括:
获取待检测人脸图像;
对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像;
将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像;
提取所述融合人脸图像的特征,得到融合特征;
将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。
3.根据权利要求2所述的基于特征融合的人脸识别方法,其特征在于,所述将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像,包括:
获取第一融合权重和第二融合权重;
将所述待检测人脸图像乘以所述第一融合权重,得到第一融合图像;
将所述虚拟人脸图像乘以所述第二融合权重,得到第二融合图像;
计算所述第一融合图像和所述第二融合图像的和,得到所述融合人脸图像。
4.根据权利要求1所述的基于特征融合的人脸识别方法,其特征在于,所述提取所述融合人脸图像的特征,得到融合特征,包括:
将所述融合人脸图像划分为N个子区域;
将所述N个子区域中的目标像素点的灰度值与相邻像素点的灰度值进行比较,若所述目标像素点的灰度值小于所述相邻像素点的灰度值,则所述相邻像素点的位置标记为1,否则,所述相邻像素点的位置标记为0;
计算所述N个子区域的灰度直方图,对所述灰度直方图进行归一化处理;
将所述N个子区域的归一化直方图进行连接,得到所述融合特征。
5.根据权利要求1所述的基于特征融合的人脸识别方法,其特征在于,所述将所述融合特征和数据库中的数据库特征进行匹配,包括:
计算所述融合特征和所述数据库特征的特征距离,若所述特征距离小于或等于距离阈值,则输出人脸识别结果;若所述特征距离大于距离阈值,不输出所述人脸识别结果。
6.根据权利要求5所述的基于特征融合的人脸识别方法,其特征在于,所述计算所述融合特征和所述数据库特征的特征距离,包括:
所述数据库共包含N个所述数据库特征,依次计算所述融合特征与第1个所述数据库特征的所述特征距离至所述融合特征与第N个所述数据库特征的所述特征距离,得到第1特征距离至第N特征距离;
所述第1特征距离为所述融合特征与第1个所述数据库特征的所述特征距离;
所述第N特征距离为所述融合特征与第N个所述数据库特征的所述特征距离。
7.根据权利要求3所述的基于特征融合的人脸识别方法,其特征在于,所述得到人脸识别结果之后,还包括:
将所述待检测人脸图像加入所述数据库,更新所述数据库特征。
8.一种基于特征融合的人脸识别装置,其特征在于,包括:
人脸图像获取模块,用于获取待检测人脸图像;
虚拟变换模块,用于对所述待检测人脸图像进行虚拟变换,得到虚拟人脸图像;
人脸图像融合模块,用于将所述待检测人脸图像和所述虚拟人脸图像进行融合,得到融合人脸图像;
人脸特征提取模块,用于提取所述融合人脸图像的特征,得到融合特征;
人脸特征匹配模块,用于将所述融合特征和数据库中的数据库特征进行匹配,得到人脸识别结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征是,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于特征融合的人脸识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于特征融合的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592138.XA CN114973368A (zh) | 2022-05-27 | 2022-05-27 | 基于特征融合的人脸识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592138.XA CN114973368A (zh) | 2022-05-27 | 2022-05-27 | 基于特征融合的人脸识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114973368A true CN114973368A (zh) | 2022-08-30 |
Family
ID=82958334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592138.XA Pending CN114973368A (zh) | 2022-05-27 | 2022-05-27 | 基于特征融合的人脸识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115348709A (zh) * | 2022-10-18 | 2022-11-15 | 良业科技集团股份有限公司 | 适用于文旅的智慧云服务照明展示方法及系统 |
-
2022
- 2022-05-27 CN CN202210592138.XA patent/CN114973368A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115348709A (zh) * | 2022-10-18 | 2022-11-15 | 良业科技集团股份有限公司 | 适用于文旅的智慧云服务照明展示方法及系统 |
CN115348709B (zh) * | 2022-10-18 | 2023-03-28 | 良业科技集团股份有限公司 | 适用于文旅的智慧云服务照明展示方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399799B (zh) | 图像识别和神经网络模型的训练方法、装置和系统 | |
CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
CN111860670A (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
CN107798308B (zh) | 一种基于短视频训练法的人脸识别方法 | |
CN110738236B (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN112949468A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
JP7151875B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN111191532A (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN114973368A (zh) | 基于特征融合的人脸识别方法、装置、设备和存储介质 | |
CN111582027A (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
CN114743067A (zh) | 训练数据的增强方法、装置、计算机设备及存储介质 | |
CN112766275B (zh) | 印章文字识别方法、装置、计算机设备和存储介质 | |
CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 | |
CN113095187A (zh) | 一种基于图像特征匹配对齐的试卷批改方法 | |
CN111178162B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN112836682A (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 | |
CN112163110A (zh) | 图像分类方法、装置、电子设备和计算机可读存储介质 | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN111291712A (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN107944429B (zh) | 一种面部识别方法、装置及其使用的移动终端 | |
CN113724237A (zh) | 齿痕识别方法、装置、计算机设备及存储介质 |
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 |