CN115953823A - 一种基于大数据的人脸识别方法 - Google Patents

一种基于大数据的人脸识别方法 Download PDF

Info

Publication number
CN115953823A
CN115953823A CN202310234001.1A CN202310234001A CN115953823A CN 115953823 A CN115953823 A CN 115953823A CN 202310234001 A CN202310234001 A CN 202310234001A CN 115953823 A CN115953823 A CN 115953823A
Authority
CN
China
Prior art keywords
contour
face
value
eye
characteristic value
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
CN202310234001.1A
Other languages
English (en)
Other versions
CN115953823B (zh
Inventor
孙晓宇
黄博
徐浩
李攀
高飞
吴农中
江坤
麻亮
谭思涛
陈俊
宋虹苍
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.)
Chengdu Yunlitchi Technology Co ltd
Original Assignee
Chengdu Yunlitchi Technology 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 Chengdu Yunlitchi Technology Co ltd filed Critical Chengdu Yunlitchi Technology Co ltd
Priority to CN202310234001.1A priority Critical patent/CN115953823B/zh
Publication of CN115953823A publication Critical patent/CN115953823A/zh
Application granted granted Critical
Publication of CN115953823B publication Critical patent/CN115953823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供了一种基于大数据的人脸识别方法，包括以下步骤：S1、采集待识别的人脸图像；S2、对待识别的人脸图像提取人脸特征；S3、将人脸特征与大数据中人脸特征进行比对，计算匹配度；S4、在存在匹配度高于匹配度阈值时，人脸特征为熟悉人脸特征，完成对人脸的识别；本发明解决了基于神经网络的人脸识别方法的识别精度受制于人脸数据的数量，且适用性不强的问题。

Description

一种基于大数据的人脸识别方法
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于大数据的人脸识别方法。
背景技术
人脸识别是指在检测到人脸并定位到关键特征点后，主要的人脸区域就可以被剪裁出来，经过预处理后，完成人脸特征提取，并与库存的已知人脸进行对比，最终完成分类。
现有的人脸识别方法主要采用神经网络，例如Yolov神经网络和CNN神经网络，通过神经网络建立起人脸图像与目标值之间的映射关系，在输入人脸图像时，通过这种映射关系，找到对应的目标值，完成人脸识别。但基于神经网络的人脸识别方法需要收集大量人脸数据进行训练，否则其识别精度不高，且神经网络本身参数复杂，其需要依靠运行量大的硬件，适用性不强。
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方法解决了基于神经网络的人脸识别方法的识别精度受制于人脸数据的数量，且适用性不强的问题。
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方法，包括以下步骤：
S1、采集待识别的人脸图像；
S2、对待识别的人脸图像提取人脸特征；
S3、将人脸特征与大数据中人脸特征进行比对，计算匹配度；
S4、在存在匹配度高于匹配度阈值时，人脸特征为熟悉人脸特征，完成对人脸的识别。
进一步地，所述S2包括以下分步骤：
S21、对待识别的人脸图像灰度处理，得到灰度图；
S22、将灰度图进行灰度值增强处理，得到增强图；
S23、对增强图轮廓化处理，得到轮廓图；
S24、对轮廓图剥离背景轮廓，得到面部轮廓图；
S25、对面部轮廓图提取人脸特征。
上述进一步地方案的有益效果为：在对人脸图像灰度处理后，通过将灰度值增强，提高明暗对比度，在进行轮廓化处理时，更能凸显不同区域灰度值间的大小，提高轮廓提取的精确度。
进一步地，所述S22中增强处理的公式为：
Figure SMS_3
其中，
Figure SMS_6
为增强图中第
Figure SMS_8
个像素点的灰度值，
Figure SMS_2
为灰度图中第
Figure SMS_10
个像素点的灰度值，
Figure SMS_11
为灰度图中第
Figure SMS_12
个像素点周边的第
Figure SMS_1
个像素点的灰度值，
Figure SMS_5
为灰度图中第
Figure SMS_7
个像素点周边像素点的数量，
Figure SMS_9
为灰度图中的最小灰度值，
Figure SMS_4
为灰度图中的最大灰度值。
上述进一步地方案的有益效果为：在进行增强处理时，
Figure SMS_13
为增强的倍数，本发明在进行图像增强时，选取某一像素点后，同时考虑其周边像素点的灰度值情况，其周边的灰度值应当与中心像素点的灰度值的数值大小保持一致，若其不一致，则其可能为噪点，因此，本发明在进行增强时，同时也进行了滤波，以中心像素点的灰度值以及周边像素点的灰度值共同作为灰度基础进行增强，在存在噪点时，由于周边像素点的灰度值的影响，会消除噪点对于图像的部分影响。
进一步地，所述步骤S24包括以下分步骤：
S241、采用分界线对轮廓图进行划分，得到A侧轮廓图和B侧轮廓图；
S242、从A侧轮廓图的边缘开始，找到A侧第i条轮廓线；
S243、依次判断A侧轮廓图中第i条轮廓线与B侧轮廓图中的多条轮廓线是否存在连接，若是，则存在连接的两条轮廓线为疑似面部轮廓线，并跳转至步骤S244，若否，则i自加1，并跳转至步骤S242，其中，i初值为1；
S244、计算疑似面部轮廓线围成的区域的面积，得到面部面积；
S245、在面部面积位于下限阈值至上限阈值范围内时，疑似面部轮廓线为面部轮廓线；
S246、根据面部轮廓线的位置，将位于面部轮廓线外的背景区域剔除，得到面部轮廓图。
上述进一步地方案的有益效果为：由于人脸轮廓的特殊形状，因此，本发明通过找连接的轮廓线的方式，找到疑似面部轮廓线，通过疑似面部轮廓线围城的面积来确定其是否为面部轮廓，面积可以通过像素点的数量来表征。
进一步地，所述S25包括以下分步骤：
S251、从面部轮廓图找出眼睛轮廓线；
S252、根据两条眼睛轮廓线，找到眉心位置；
S253、以眉心位置为坐标原点，对面部轮廓图进行矫正，得到矫正面部轮廓图；
S254、根据眼睛轮廓线的位置，找到在矫正面部轮廓图上的鼻部轮廓线和嘴部轮廓线；
S255、根据每条眼睛轮廓线的矫正位置，计算眼睛轮廓分布特征值和找到眼睛中心点；
S256、根据鼻部轮廓线的矫正位置，计算鼻部轮廓分布特征值和鼻尖点；
S257、根据嘴部轮廓线的矫正位置，计算嘴部轮廓分布特征值；
S258、根据左右眼睛的中心点的位置以及鼻尖点的位置，计算三角区的角度特征值；
S259、将三角区的角度特征值、眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值构建为人脸特征。
上述进一步地方案的有益效果为：在找到眼睛轮廓线后，根据眼睛轮廓线上像素点的坐标，则可以确定眉心位置，以眉心位置为坐标原点，建立平面坐标系，将面部轮廓图摆正在坐标系中，便于确定嘴部轮廓线和鼻部轮廓线，通过轮廓线计算出轮廓分布特征，由于每个人的轮廓线都是不同的，因此轮廓分布特征也是不同的，三角区构成的三角形的形状也不同，通过这些特征构成人脸特征。
进一步地，所述步骤S251包括以下分步骤：
S2511、计算面部轮廓图内除面部轮廓线外的其他像素点距离面部轮廓线的距离；
S2512、筛选出距离最近且不在同一位置区域的两个像素点，作为疑似眼角像素点；
S2513、找到两个疑似眼角像素点分别在面部轮廓图中的轮廓线，得到两条疑似眼睛轮廓线；
S2514、判断每条疑似眼睛轮廓线中是否存在其他轮廓线，若是，则疑似眼睛轮廓线为眼睛轮廓线，结束分步骤，若否，则跳转至步骤S2515；
S2515、剔除距离最近两个像素点，并跳转至步骤S2512。
上述进一步地方案的有益效果为：距离脸部最近的像素点可能是眉毛尾部的像素点和眼角像素点，但眼睛轮廓相比于眉毛更复杂，眼睛轮廓中还包括瞳孔等轮廓，因此，通过每次去选出两个不同区域位置的最近的像素点，就是在寻找眼睛上的像素点，找到眼睛上的像素点，则可确定眼睛轮廓。
进一步地，所述S255中计算眼睛轮廓分布特征值的公式为：
Figure SMS_14
其中，
Figure SMS_15
为眼睛轮廓分布特征值，
Figure SMS_16
为一条眼睛轮廓线上像素点的数量，
Figure SMS_17
为矫正后眼睛轮廓线上第
Figure SMS_18
个像素点的纵坐标值，
Figure SMS_19
为绝对值运算；
所述S256中计算鼻部轮廓分布特征值的公式为：
Figure SMS_20
其中，
Figure SMS_21
为鼻部轮廓分布特征值，
Figure SMS_22
为鼻部轮廓线上像素点的数量，
Figure SMS_23
为矫正后鼻部轮廓线上第
Figure SMS_24
个像素点的纵坐标值，
Figure SMS_25
为绝对值运算；
所述S257中嘴部轮廓分布特征值的公式为：
Figure SMS_26
其中，
Figure SMS_27
为嘴部轮廓分布特征值，
Figure SMS_28
为嘴部轮廓线上像素点的数量，
Figure SMS_29
为矫正后嘴部轮廓线上第
Figure SMS_30
个像素点的纵坐标值，
Figure SMS_31
为绝对值运算。
上述进一步地方案的有益效果为：在矫正后，纵坐标值的高低代表轮廓的变化形状，通过纵坐标值的四阶去体现轮廓的起伏情况，突出轮廓形状变化程度。
进一步地，所述S258中三角区的角度特征值包括：
Figure SMS_33
，
Figure SMS_36
，
Figure SMS_38
，
Figure SMS_35
，其中，
Figure SMS_37
为三角区的角度特征值，
Figure SMS_42
为第一特征值，
Figure SMS_46
为第二特征值，
Figure SMS_32
为第三特征值，
Figure SMS_39
为一个眼睛中心点到鼻尖点的距离，
Figure SMS_41
为另一个眼睛中心点到鼻尖点的距离，
Figure SMS_43
为两个眼睛中心点间的距离，
Figure SMS_34
为取
Figure SMS_40
中的最小值，
Figure SMS_44
为取
Figure SMS_45
中的最大值。
上述进一步地方案的有益效果为：眼部离鼻头距离越长，三角区鼻头处的夹角越小，眼部离鼻头距离越短，鼻头处的夹角越大，因此，三角区三角形的形态反映眼睛与鼻子的位置关系，本发明通过找到最小的特征值，最小的特征值代表最大的角，最大的特征值代表最小的角度，通过最大特征值和最小特征值之间的差值，表征三角区特征，同时通过
Figure SMS_47
增强这种特征，使特征显著。
进一步地，所述S3包括以下分步骤：
S31、计算待识别的人脸特征中三角区的角度特征值与大数据中的人脸特征中三角区的角度特征值的筛选系数，将筛选系数高于筛选阈值的大数据中的人脸特征筛选出来，得到初筛的人脸特征；
S32、在初筛的人脸特征中，根据待识别的人脸特征中的眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值，基于筛选系数，计算匹配度。
上述进一步地方案的有益效果为：先进行角度特征值的比对，将角度特征值相近的人脸特征筛选出来，减少数据量，在初筛后，将眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值进行对比，减少计算复杂的同时，提高对比精度。
进一步地，所述S31中计算筛选系数的公式为：
Figure SMS_48
其中，
Figure SMS_49
为筛选系数，
Figure SMS_50
为待识别的人脸特征中三角区的角度特征值，
Figure SMS_51
为大数据中的人脸特征中三角区的角度特征值，
Figure SMS_52
为归一化参数；
所述S32中计算匹配度的公式为：
Figure SMS_54
其中，
Figure SMS_58
为匹配度，
Figure SMS_62
为待识别的人脸特征中第
Figure SMS_55
个眼睛轮廓分布特征值，
Figure SMS_57
为待识别的人脸特征中鼻部轮廓分布特征值，
Figure SMS_61
为待识别的人脸特征中嘴部轮廓分布特征值，
Figure SMS_63
为大数据的人脸特征中第
Figure SMS_53
个眼睛轮廓分布特征值，
Figure SMS_60
为大数据的人脸特征中鼻部轮廓分布特征值，
Figure SMS_64
为大数据的人脸特征中嘴部轮廓分布特征值，
Figure SMS_66
为点乘，
Figure SMS_56
为叉乘，
Figure SMS_59
=1时代表左眼，
Figure SMS_65
=2时代表右眼。
上述进一步地方案的有益效果为：本发明计算匹配度时，不但考虑了眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值的对应差值情况，同时构建向量
Figure SMS_67
和
Figure SMS_68
考虑这两个向量之间的相似度，还考虑了筛选系数的影响，筛选系数代表三角区域的相似度，综合三方面，提高人脸特征匹配的精度。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明在采集人脸图像后，提取人脸特征，通过计算人脸特征与大数据中人脸特征匹配度的方式，直接筛选出对应的人脸特征，完成人脸识别，相比于基于神经网络的人脸识别方法，本发明不涉及训练过程，且没有神经网络等复杂模型，在运行量小的硬件上也能布置，本发明适应性更强。
附图说明
图1为一种基于大数据的人脸识别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种基于大数据的人脸识别方法，包括以下步骤：
S1、采集待识别的人脸图像；
S2、对待识别的人脸图像提取人脸特征；
所述S2包括以下分步骤：
S21、对待识别的人脸图像灰度处理，得到灰度图；
S22、将灰度图进行灰度值增强处理，得到增强图；
所述S22中增强处理的公式为：
Figure SMS_70
其中，
Figure SMS_74
为增强图中第
Figure SMS_76
个像素点的灰度值，
Figure SMS_69
为灰度图中第
Figure SMS_77
个像素点的灰度值，
Figure SMS_79
为灰度图中第
Figure SMS_80
个像素点周边的第
Figure SMS_72
个像素点的灰度值，
Figure SMS_73
为灰度图中第
Figure SMS_75
个像素点周边像素点的数量，
Figure SMS_78
为灰度图中的最小灰度值，
Figure SMS_71
为灰度图中的最大灰度值。
在进行增强处理时，
Figure SMS_81
为增强的倍数，本发明在进行图像增强时，选取某一像素点后，同时考虑其周边像素点的灰度值情况，其周边的灰度值应当与中心像素点的灰度值的数值大小保持一致，若其不一致，则其可能为噪点，因此，本发明在进行增强时，同时也进行了滤波，以中心像素点的灰度值以及周边像素点的灰度值共同作为灰度基础进行增强，在存在噪点时，由于周边像素点的灰度值的影响，会消除噪点对于图像的部分影响。
S23、对增强图轮廓化处理，得到轮廓图；
S24、对轮廓图剥离背景轮廓，得到面部轮廓图；
所述步骤S24包括以下分步骤：
S241、采用分界线对轮廓图进行划分，得到A侧轮廓图和B侧轮廓图；
S242、从A侧轮廓图的边缘开始，找到A侧第i条轮廓线；
S243、依次判断A侧轮廓图中第i条轮廓线与B侧轮廓图中的多条轮廓线是否存在连接，若是，则存在连接的两条轮廓线为疑似面部轮廓线，并跳转至步骤S244，若否，则i自加1，并跳转至步骤S242，其中，i初值为1；
S244、计算疑似面部轮廓线围成的区域的面积，得到面部面积；
S245、在面部面积位于下限阈值至上限阈值范围内时，疑似面部轮廓线为面部轮廓线；
S246、根据面部轮廓线的位置，将位于面部轮廓线外的背景区域剔除，得到面部轮廓图。
由于人脸轮廓的特殊形状，因此，本发明通过找连接的轮廓线的方式，找到疑似面部轮廓线，通过疑似面部轮廓线围城的面积来确定其是否为面部轮廓，面积可以通过像素点的数量来表征，也可以根据轮廓线像素点的坐标来计算围成的面积。
S25、对面部轮廓图提取人脸特征。
所述S25包括以下分步骤：
S251、从面部轮廓图找出眼睛轮廓线；
所述步骤S251包括以下分步骤：
S2511、计算面部轮廓图内除面部轮廓线外的其他像素点距离面部轮廓线的距离；
S2512、筛选出距离最近且不在同一位置区域的两个像素点，作为疑似眼角像素点；
步骤S2512中，选取不在同一位置区域的两个像素点，是为了在不同轮廓线上各找一个像素点。
S2513、找到两个疑似眼角像素点分别在面部轮廓图中的轮廓线，得到两条疑似眼睛轮廓线；
S2514、判断每条疑似眼睛轮廓线中是否存在其他轮廓线，若是，则疑似眼睛轮廓线为眼睛轮廓线，结束分步骤，若否，则跳转至步骤S2515；
S2515、剔除距离最近两个像素点，并跳转至步骤S2512。
距离脸部最近的像素点可能是眉毛尾部的像素点和眼角像素点，但眼睛轮廓相比于眉毛更复杂，眼睛轮廓中还包括瞳孔等轮廓，因此，通过每次去选出两个不同区域位置的最近的像素点，就是在寻找眼睛上的像素点，找到眼睛上的像素点，则可确定眼睛轮廓。
S252、根据两条眼睛轮廓线，找到眉心位置；
S253、以眉心位置为坐标原点，对面部轮廓图进行矫正，得到矫正面部轮廓图；
S254、根据眼睛轮廓线的位置，找到在矫正面部轮廓图上的鼻部轮廓线和嘴部轮廓线；
由于本发明在步骤S253对面部轮廓图进行了矫正，因此，在矫正后的面部轮廓图上，按照排列顺序，找到鼻部轮廓线和嘴部轮廓线。
S255、根据每条眼睛轮廓线的矫正位置，计算眼睛轮廓分布特征值和找到眼睛中心点；
在本实施例中，眼睛中心点根据眼睛轮廓线像素点的坐标进行确定，具体为，找到每条眼睛轮廓线中横向相距最远的两个像素点C和纵向相距最远的两个像素点D，连接两个像素点C的直线与两个像素点D的直线的交叉点为眼睛中心点。
所述S255中计算眼睛轮廓分布特征值的公式为：
Figure SMS_82
其中，
Figure SMS_83
为眼睛轮廓分布特征值，
Figure SMS_84
为一条眼睛轮廓线上像素点的数量，
Figure SMS_85
为矫正后眼睛轮廓线上第
Figure SMS_86
个像素点的纵坐标值，
Figure SMS_87
为绝对值运算；
S256、根据鼻部轮廓线的矫正位置，计算鼻部轮廓分布特征值和鼻尖点；
在本实施例中，以眉心位置为坐标原点时，以过两只眼睛中心点的方向为横坐标轴方向，此时，纵坐标轴与鼻部轮廓线的交叉位置为鼻尖点。
所述S256中计算鼻部轮廓分布特征值的公式为：
Figure SMS_88
其中，
Figure SMS_89
为鼻部轮廓分布特征值，
Figure SMS_90
为鼻部轮廓线上像素点的数量，
Figure SMS_91
为矫正后鼻部轮廓线上第
Figure SMS_92
个像素点的纵坐标值，
Figure SMS_93
为绝对值运算；
S257、根据嘴部轮廓线的矫正位置，计算嘴部轮廓分布特征值；
所述S257中嘴部轮廓分布特征值的公式为：
Figure SMS_94
其中，
Figure SMS_95
为嘴部轮廓分布特征值，
Figure SMS_96
为嘴部轮廓线上像素点的数量，
Figure SMS_97
为矫正后嘴部轮廓线上第
Figure SMS_98
个像素点的纵坐标值，
Figure SMS_99
为绝对值运算。
在矫正后，纵坐标值的高低代表轮廓的变化形状，通过纵坐标值的四阶去体现轮廓的起伏情况，突出轮廓形状变化程度。
S258、根据左右眼睛的中心点的位置以及鼻尖点的位置，计算三角区的角度特征值；
所述S258中三角区的角度特征值包括：
Figure SMS_100
，
Figure SMS_113
，
Figure SMS_114
，
Figure SMS_102
，其中，
Figure SMS_107
为三角区的角度特征值，
Figure SMS_111
为第一特征值，
Figure SMS_112
为第二特征值，
Figure SMS_101
为第三特征值，
Figure SMS_105
为一个眼睛中心点到鼻尖点的距离，
Figure SMS_108
为另一个眼睛中心点到鼻尖点的距离，
Figure SMS_109
为两个眼睛中心点间的距离，
Figure SMS_103
为取
Figure SMS_104
中的最小值，
Figure SMS_106
为取
Figure SMS_110
中的最大值。
眼部离鼻头距离越长，三角区鼻头处的夹角越小，眼部离鼻头距离越短，鼻头处的夹角越大，因此，三角区三角形的形态反映眼睛与鼻子的位置关系，本发明通过找到最小的特征值，最小的特征值代表最大的角，最大的特征值代表最小的角度，通过最大特征值和最小特征值之间的差值，表征三角区特征，同时通过
Figure SMS_115
增强这种特征，使特征显著。
在本实施例中，三角形为两眼睛中心点和鼻尖点连接构成。
S259、将三角区的角度特征值、眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值构建为人脸特征。
在找到眼睛轮廓线后，根据眼睛轮廓线上像素点的坐标，则可以确定眉心位置，以眉心位置为坐标原点，建立平面坐标系，将面部轮廓图摆正在坐标系中，便于确定嘴部轮廓线和鼻部轮廓线，通过轮廓线计算出轮廓分布特征，由于每个人的轮廓线都是不同的，因此轮廓分布特征也是不同的，三角区构成的三角形的形状也不同，通过这些特征构成人脸特征。
本发明在对人脸图像灰度处理后，通过将灰度值增强，提高明暗对比度，在进行轮廓化处理时，更能凸显不同区域灰度值间的大小，提高轮廓提取的精确度。
S3、将人脸特征与大数据中人脸特征进行比对，计算匹配度；
所述S3包括以下分步骤：
S31、计算待识别的人脸特征中三角区的角度特征值与大数据中的人脸特征中三角区的角度特征值的筛选系数，将筛选系数高于筛选阈值的大数据中的人脸特征筛选出来，得到初筛的人脸特征；
所述S31中计算筛选系数的公式为：
Figure SMS_116
其中，
Figure SMS_117
为筛选系数，
Figure SMS_118
为待识别的人脸特征中三角区的角度特征值，
Figure SMS_119
为大数据中的人脸特征中三角区的角度特征值，
Figure SMS_120
为归一化参数；
S32、在初筛的人脸特征中，根据待识别的人脸特征中的眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值，基于筛选系数，计算匹配度。
先进行角度特征值的比对，将角度特征值相近的人脸特征筛选出来，减少数据量，在初筛后，将眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值进行对比，减少计算复杂的同时，提高对比精度。
所述S32中计算匹配度的公式为：
Figure SMS_122
其中，
Figure SMS_127
为匹配度，
Figure SMS_129
为待识别的人脸特征中第
Figure SMS_124
个眼睛轮廓分布特征值，
Figure SMS_131
为待识别的人脸特征中鼻部轮廓分布特征值，
Figure SMS_133
为待识别的人脸特征中嘴部轮廓分布特征值，
Figure SMS_134
为大数据的人脸特征中第
Figure SMS_121
个眼睛轮廓分布特征值，
Figure SMS_125
为大数据的人脸特征中鼻部轮廓分布特征值，
Figure SMS_130
为大数据的人脸特征中嘴部轮廓分布特征值，
Figure SMS_132
为点乘，
Figure SMS_123
为叉乘，
Figure SMS_126
=1时代表左眼，
Figure SMS_128
=2时代表右眼。
本发明计算匹配度时，不但考虑了眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值的对应差值情况，同时构建向量
Figure SMS_135
和
Figure SMS_136
，考虑这两个向量之间的相似度，还考虑了筛选系数的影响，筛选系数代表三角区域的相似度，综合三方面，提高人脸特征匹配的精度。
在本实施例中，计算匹配度的公式还可以为：
Figure SMS_137
该种计算公式，只综合两方面，其效果次于上面的计算匹配度的公式。
S4、在存在匹配度高于匹配度阈值时，人脸特征为熟悉人脸特征，完成对人脸的识别。
步骤S4中，进一步从大数据中筛选出匹配度最高的人脸特征，提取对应身份信息，可实现人的身份识别。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明在采集人脸图像后，提取人脸特征，通过计算人脸特征与大数据中人脸特征匹配度的方式，直接筛选出对应的人脸特征，完成人脸识别，相比于基于神经网络的人脸识别方法，本发明不涉及训练过程，且没有神经网络等复杂模型，在运行量小的硬件上也能布置，本发明适应性更强。
在发明中，虽然进行对比的特征量仅5个（两个眼睛、鼻子、嘴巴和三角区），但每个特征量都是进行了特征增强处理，能凸显出轮廓的细微区别，提高识别精度。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的人脸识别方法，其特征在于，包括以下步骤：
S1、采集待识别的人脸图像；
S2、对待识别的人脸图像提取人脸特征；
S3、将人脸特征与大数据中人脸特征进行比对，计算匹配度；
S4、在存在匹配度高于匹配度阈值时，人脸特征为熟悉人脸特征，完成对人脸的识别。
2.根据权利要求1所述的基于大数据的人脸识别方法，其特征在于，所述S2包括以下分步骤：
S21、对待识别的人脸图像灰度处理，得到灰度图；
S22、将灰度图进行灰度值增强处理，得到增强图；
S23、对增强图轮廓化处理，得到轮廓图；
S24、对轮廓图剥离背景轮廓，得到面部轮廓图；
S25、对面部轮廓图提取人脸特征。
3.根据权利要求2所述的基于大数据的人脸识别方法，其特征在于，所述S22中增强处理的公式为：
Figure QLYQS_1
其中，
Figure QLYQS_8
为增强图中第
Figure QLYQS_11
个像素点的灰度值，
Figure QLYQS_2
为灰度图中第
Figure QLYQS_6
个像素点的灰度值，
Figure QLYQS_9
为灰度图中第
Figure QLYQS_12
个像素点周边的第
Figure QLYQS_4
个像素点的灰度值，
Figure QLYQS_5
为灰度图中第
Figure QLYQS_7
个像素点周边像素点的数量，
Figure QLYQS_10
为灰度图中的最小灰度值，
Figure QLYQS_3
为灰度图中的最大灰度值。
4.根据权利要求2所述的基于大数据的人脸识别方法，其特征在于，所述步骤S24包括以下分步骤：
S241、采用分界线对轮廓图进行划分，得到A侧轮廓图和B侧轮廓图；
S242、从A侧轮廓图的边缘开始，找到A侧第i条轮廓线；
S243、依次判断A侧轮廓图中第i条轮廓线与B侧轮廓图中的多条轮廓线是否存在连接，若是，则存在连接的两条轮廓线为疑似面部轮廓线，并跳转至步骤S244，若否，则i自加1，并跳转至步骤S242，其中，i初值为1；
S244、计算疑似面部轮廓线围成的区域的面积，得到面部面积；
S245、在面部面积位于下限阈值至上限阈值范围内时，疑似面部轮廓线为面部轮廓线；
S246、根据面部轮廓线的位置，将位于面部轮廓线外的背景区域剔除，得到面部轮廓图。
5.根据权利要求2所述的基于大数据的人脸识别方法，其特征在于，所述S25包括以下分步骤：
S251、从面部轮廓图找出眼睛轮廓线；
S252、根据两条眼睛轮廓线，找到眉心位置；
S253、以眉心位置为坐标原点，对面部轮廓图进行矫正，得到矫正面部轮廓图；
S254、根据眼睛轮廓线的位置，找到在矫正面部轮廓图上的鼻部轮廓线和嘴部轮廓线；
S255、根据每条眼睛轮廓线的矫正位置，计算眼睛轮廓分布特征值和找到眼睛中心点；
S256、根据鼻部轮廓线的矫正位置，计算鼻部轮廓分布特征值和鼻尖点；
S257、根据嘴部轮廓线的矫正位置，计算嘴部轮廓分布特征值；
S258、根据左右眼睛的中心点的位置以及鼻尖点的位置，计算三角区的角度特征值；
S259、将三角区的角度特征值、眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值构建为人脸特征。
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，所述步骤S251包括以下分步骤：
S2511、计算面部轮廓图内除面部轮廓线外的其他像素点距离面部轮廓线的距离；
S2512、筛选出距离最近且不在同一位置区域的两个像素点，作为疑似眼角像素点；
S2513、找到两个疑似眼角像素点分别在面部轮廓图中的轮廓线，得到两条疑似眼睛轮廓线；
S2514、判断每条疑似眼睛轮廓线中是否存在其他轮廓线，若是，则疑似眼睛轮廓线为眼睛轮廓线，结束分步骤，若否，则跳转至步骤S2515；
S2515、剔除距离最近两个像素点，并跳转至步骤S2512。
7.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S255中计算眼睛轮廓分布特征值的公式为：
Figure QLYQS_13
其中，
Figure QLYQS_14
为眼睛轮廓分布特征值，
Figure QLYQS_15
为一条眼睛轮廓线上像素点的数量，
Figure QLYQS_16
为矫正后眼睛轮廓线上第
Figure QLYQS_17
个像素点的纵坐标值，
Figure QLYQS_18
为绝对值运算；
所述S256中计算鼻部轮廓分布特征值的公式为：
Figure QLYQS_19
其中，
Figure QLYQS_20
为鼻部轮廓分布特征值，
Figure QLYQS_21
为鼻部轮廓线上像素点的数量，
Figure QLYQS_22
为矫正后鼻部轮廓线上第
Figure QLYQS_23
个像素点的纵坐标值，
Figure QLYQS_24
为绝对值运算；
所述S257中嘴部轮廓分布特征值的公式为：
Figure QLYQS_25
其中，
Figure QLYQS_26
为嘴部轮廓分布特征值，
Figure QLYQS_27
为嘴部轮廓线上像素点的数量，
Figure QLYQS_28
为矫正后嘴部轮廓线上第
Figure QLYQS_29
个像素点的纵坐标值，
Figure QLYQS_30
为绝对值运算。
8.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S258中三角区的角度特征值包括：
Figure QLYQS_31
，
Figure QLYQS_36
，
Figure QLYQS_44
，
Figure QLYQS_32
，其中，
Figure QLYQS_38
为三角区的角度特征值，
Figure QLYQS_41
为第一特征值，
Figure QLYQS_45
为第二特征值，
Figure QLYQS_34
为第三特征值，
Figure QLYQS_37
为一个眼睛中心点到鼻尖点的距离，
Figure QLYQS_39
为另一个眼睛中心点到鼻尖点的距离，
Figure QLYQS_42
为两个眼睛中心点间的距离，
Figure QLYQS_33
为取
Figure QLYQS_35
中的最小值，
Figure QLYQS_40
为取
Figure QLYQS_43
中的最大值。
9.根据权利要求8所述的基于大数据的人脸识别方法，其特征在于，所述S3包括以下分步骤：
S31、计算待识别的人脸特征中三角区的角度特征值与大数据中的人脸特征中三角区的角度特征值的筛选系数，将筛选系数高于筛选阈值的大数据中的人脸特征筛选出来，得到初筛的人脸特征；
S32、在初筛的人脸特征中，根据待识别的人脸特征中的眼睛轮廓分布特征值、鼻部轮廓分布特征值和嘴部轮廓分布特征值，基于筛选系数，计算匹配度。
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S31中计算筛选系数的公式为：
Figure QLYQS_46
其中，
Figure QLYQS_47
为筛选系数，
Figure QLYQS_48
为待识别的人脸特征中三角区的角度特征值，
Figure QLYQS_49
为大数据中的人脸特征中三角区的角度特征值，
Figure QLYQS_50
为归一化参数；
所述S32中计算匹配度的公式为：
Figure QLYQS_51
其中，
Figure QLYQS_57
为匹配度，
Figure QLYQS_60
为待识别的人脸特征中第
Figure QLYQS_54
个眼睛轮廓分布特征值，
Figure QLYQS_56
为待识别的人脸特征中鼻部轮廓分布特征值，
Figure QLYQS_59
为待识别的人脸特征中嘴部轮廓分布特征值，
Figure QLYQS_63
为大数据的人脸特征中第
Figure QLYQS_52
个眼睛轮廓分布特征值，
Figure QLYQS_58
为大数据的人脸特征中鼻部轮廓分布特征值，
Figure QLYQS_62
为大数据的人脸特征中嘴部轮廓分布特征值，
Figure QLYQS_64
为点乘，
Figure QLYQS_53
为叉乘，
Figure QLYQS_55
=1时代表左眼，
Figure QLYQS_61
=2时代表右眼。
CN202310234001.1A 2023-03-13 2023-03-13 一种基于大数据的人脸识别方法 Active CN115953823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310234001.1A CN115953823B (zh) 2023-03-13 2023-03-13 一种基于大数据的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310234001.1A CN115953823B (zh) 2023-03-13 2023-03-13 一种基于大数据的人脸识别方法

Publications (2)

Publication Number Publication Date
CN115953823A true CN115953823A (zh) 2023-04-11
CN115953823B CN115953823B (zh) 2023-05-16

Family

ID=85886513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310234001.1A Active CN115953823B (zh) 2023-03-13 2023-03-13 一种基于大数据的人脸识别方法

Country Status (1)

Country Link
CN (1) CN115953823B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071778A (zh) * 2023-03-31 2023-05-05 成都运荔枝科技有限公司 一种冷链食品仓储管理方法
CN116343313A (zh) * 2023-05-30 2023-06-27 乐山师范学院 一种基于眼部特征的人脸识别方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008035154A (ja) * 2006-07-28 2008-02-14 Casio Comput Co Ltd 画像処理装置、画像処理方法、及び、画像処理プログラム
CN101453558A (zh) * 2008-12-30 2009-06-10 上海广电（集团）有限公司中央研究院 一种视频图像对比度改善方法
CN101587485A (zh) * 2009-06-15 2009-11-25 无锡骏聿科技有限公司 一种基于人脸识别技术的人脸信息自动登录方法
CN101676951A (zh) * 2008-09-19 2010-03-24 索尼株式会社 图像处理设备和方法及其程序
CN101957909A (zh) * 2009-07-15 2011-01-26 青岛科技大学 一种基于dsp的人脸检测方法
CN102096802A (zh) * 2009-12-11 2011-06-15 华为技术有限公司 人脸检测方法及装置
CN102496152A (zh) * 2011-12-01 2012-06-13 四川虹微技术有限公司 一种基于直方图的自适应图像对比度增强方法
CN103246877A (zh) * 2013-05-13 2013-08-14 北京工业大学 基于图像轮廓的人脸识别新方法
WO2014001610A1 (en) * 2012-06-25 2014-01-03 Nokia Corporation Method, apparatus and computer program product for human-face features extraction
CN103632132A (zh) * 2012-12-11 2014-03-12 广西工学院 一种基于肤色分割和模板匹配的人脸检测与识别方法
CN104866807A (zh) * 2014-02-24 2015-08-26 腾讯科技（深圳）有限公司 一种人脸定位方法及系统
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106156692A (zh) * 2015-03-25 2016-11-23 阿里巴巴集团控股有限公司 一种用于人脸边缘特征点定位的方法及装置
CN106156739A (zh) * 2016-07-05 2016-11-23 华南理工大学 一种基于脸部轮廓分析的证件照耳朵检测与提取方法
CN106203308A (zh) * 2016-06-30 2016-12-07 美的集团股份有限公司 人脸识别方法及人脸识别装置
CN108038475A (zh) * 2017-12-29 2018-05-15 浪潮金融信息技术有限公司 人脸图像识别方法及装置、计算机存储介质、终端
CN108596140A (zh) * 2018-05-08 2018-09-28 青岛海信移动通信技术股份有限公司 一种移动终端人脸识别方法及系统
CN109446893A (zh) * 2018-09-14 2019-03-08 百度在线网络技术（北京）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN109784275A (zh) * 2019-01-15 2019-05-21 安徽杰锐达智能科技有限公司 多点位人脸识别智能化辨识方法
CN111401223A (zh) * 2020-03-13 2020-07-10 北京新氧科技有限公司 一种脸型对比方法、装置及设备
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 (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008035154A (ja) * 2006-07-28 2008-02-14 Casio Comput Co Ltd 画像処理装置、画像処理方法、及び、画像処理プログラム
CN101676951A (zh) * 2008-09-19 2010-03-24 索尼株式会社 图像处理设备和方法及其程序
CN101453558A (zh) * 2008-12-30 2009-06-10 上海广电（集团）有限公司中央研究院 一种视频图像对比度改善方法
CN101587485A (zh) * 2009-06-15 2009-11-25 无锡骏聿科技有限公司 一种基于人脸识别技术的人脸信息自动登录方法
CN101957909A (zh) * 2009-07-15 2011-01-26 青岛科技大学 一种基于dsp的人脸检测方法
CN102096802A (zh) * 2009-12-11 2011-06-15 华为技术有限公司 人脸检测方法及装置
CN102496152A (zh) * 2011-12-01 2012-06-13 四川虹微技术有限公司 一种基于直方图的自适应图像对比度增强方法
WO2014001610A1 (en) * 2012-06-25 2014-01-03 Nokia Corporation Method, apparatus and computer program product for human-face features extraction
CN103632132A (zh) * 2012-12-11 2014-03-12 广西工学院 一种基于肤色分割和模板匹配的人脸检测与识别方法
CN103246877A (zh) * 2013-05-13 2013-08-14 北京工业大学 基于图像轮廓的人脸识别新方法
CN104866807A (zh) * 2014-02-24 2015-08-26 腾讯科技（深圳）有限公司 一种人脸定位方法及系统
CN106156692A (zh) * 2015-03-25 2016-11-23 阿里巴巴集团控股有限公司 一种用于人脸边缘特征点定位的方法及装置
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106203308A (zh) * 2016-06-30 2016-12-07 美的集团股份有限公司 人脸识别方法及人脸识别装置
CN106156739A (zh) * 2016-07-05 2016-11-23 华南理工大学 一种基于脸部轮廓分析的证件照耳朵检测与提取方法
CN108038475A (zh) * 2017-12-29 2018-05-15 浪潮金融信息技术有限公司 人脸图像识别方法及装置、计算机存储介质、终端
CN108596140A (zh) * 2018-05-08 2018-09-28 青岛海信移动通信技术股份有限公司 一种移动终端人脸识别方法及系统
CN109446893A (zh) * 2018-09-14 2019-03-08 百度在线网络技术（北京）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN109784275A (zh) * 2019-01-15 2019-05-21 安徽杰锐达智能科技有限公司 多点位人脸识别智能化辨识方法
CN111401223A (zh) * 2020-03-13 2020-07-10 北京新氧科技有限公司 一种脸型对比方法、装置及设备
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 (4)

* Cited by examiner, † Cited by third party
Title
CHING-WEN CHEN 等: "HUMAN FACE RECUGNITI}N FROM A SINGLE FRONT VIEW", INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE *
QINRAN CHEN 等: "Extracting eyebrow contour and chin contour for face recognition", PATTERN RECOGNITION *
成翔昊 等: "基于关键点的由粗到精三维人脸特征点定位", 仪器仪表学报 *
韩增锟: "人脸识别中面部图像处理算法研究", 计算机与数字工程 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071778A (zh) * 2023-03-31 2023-05-05 成都运荔枝科技有限公司 一种冷链食品仓储管理方法
CN116343313A (zh) * 2023-05-30 2023-06-27 乐山师范学院 一种基于眼部特征的人脸识别方法
CN116343313B (zh) * 2023-05-30 2023-08-11 乐山师范学院 一种基于眼部特征的人脸识别方法

Also Published As

Publication number Publication date
CN115953823B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN115953823A (zh) 一种基于大数据的人脸识别方法
CN110363047B (zh) 人脸识别的方法、装置、电子设备和存储介质
US7331671B2 (en) Eye tracking method based on correlation and detected eye movement
CN107403168B (zh) 一种面部识别系统
CN111325764A (zh) 一种果实图像轮廓识别方法
JP2008521122A (ja) 虹彩識別のためのマルチスケール可変領域分解方法及びシステム
CN110555845A (zh) 眼底oct图像识别方法及设备
JP4912206B2 (ja) 画像処理方法、画像処理装置、画像処理システム及びコンピュータプログラム
JPH08300978A (ja) 顔画像の処理装置
CN106570447B (zh) 基于灰度直方图匹配的人脸照片太阳镜自动去除方法
CN110705468B (zh) 基于图像分析的眼动范围识别方法和系统
CN111291701B (zh) 一种基于图像梯度和椭圆拟合算法的视线追踪方法
CN105893963B (zh) 一种筛选视频中单个行人目标的最佳易识别帧的方法
CN104112132A (zh) 一种枪械编号自动识别方法
JP2007213377A (ja) 顔特徴点検出方法および装置並びにプログラム
CN110427979A (zh) 基于K-Means聚类算法的道路水坑识别方法
CN109101985A (zh) 一种基于自适应邻域测试的图像误匹配点对剔除方法
CN109446935B (zh) 一种用于远距离行进中虹膜识别的虹膜定位方法
CN110427907B (zh) 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法
CN112597868A (zh) 基于无定位点的试卷识别和矫正方法
CN111553217A (zh) 一种驾驶员打电话监测方法与系统
CN115578781A (zh) 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质
CN112529803B (zh) 一种保留特征的三维Mesh模型去噪方法
CN115171189A (zh) 一种疲劳检测方法、装置、设备和存储介质
JP4298283B2 (ja) パターン認識装置、パターン認識方法、及びプログラム

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