CN115953823B - 一种基于大数据的人脸识别方法 - Google Patents

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：其中，为增强图中第个像素点的灰度值，为灰度图中第个像素点的灰度值，为灰度图中第个像素点周边的第个像素点的灰度值，为灰度图中第个像素点周边像素点的数量，为灰度图中的最小灰度值，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，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：其中，为眼睛轮廓分布特征值，为一条眼睛轮廓线上像素点的数量，为矫正后眼睛轮廓线上第个像素点的纵坐标值，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：其中，为鼻部轮廓分布特征值，为鼻部轮廓线上像素点的数量，为矫正后鼻部轮廓线上第个像素点的纵坐标值，为绝对值运算；

所述S257中嘴部轮廓分布特征值的公式为：其中，为嘴部轮廓分布特征值，为嘴部轮廓线上像素点的数量，为矫正后嘴部轮廓线上第个像素点的纵坐标值，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：，，，，其中，为三角区的角度特征值，为第一特征值，为第二特征值，为第三特征值，为一个眼睛中心点到鼻尖点的距离，为另一个眼睛中心点到鼻尖点的距离，为两个眼睛中心点间的距离，为取中的最小值，为取中的最大值。

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：其中，为筛选系数，为待识别的人脸特征中三角区的角度特征值，为大数据中的人脸特征中三角区的角度特征值，为归一化参数；

所述S32中计算匹配度的公式为：其中，为匹配度，为待识别的人脸特征中第个眼睛轮廓分布特征值，为待识别的人脸特征中鼻部轮廓分布特征值，为待识别的人脸特征中嘴部轮廓分布特征值，为大数据的人脸特征中第个眼睛轮廓分布特征值，为大数据的人脸特征中鼻部轮廓分布特征值，为大数据的人脸特征中嘴部轮廓分布特征值，为点乘，为叉乘，=1时代表左眼，=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，同时构建向量和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：其中，为增强图中第个像素点的灰度值，为灰度图中第个像素点的灰度值，为灰度图中第个像素点周边的第个像素点的灰度值，为灰度图中第个像素点周边像素点的数量，为灰度图中的最小灰度值，为灰度图中的最大灰度值。

在进行增强处理时，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：其中，为眼睛轮廓分布特征值，为一条眼睛轮廓线上像素点的数量，为矫正后眼睛轮廓线上第个像素点的纵坐标值，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：其中，为鼻部轮廓分布特征值，为鼻部轮廓线上像素点的数量，为矫正后鼻部轮廓线上第个像素点的纵坐标值，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：其中，为嘴部轮廓分布特征值，为嘴部轮廓线上像素点的数量，为矫正后嘴部轮廓线上第个像素点的纵坐标值，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：，，，，其中，为三角区的角度特征值，为第一特征值，为第二特征值，为第三特征值，为一个眼睛中心点到鼻尖点的距离，为另一个眼睛中心点到鼻尖点的距离，为两个眼睛中心点间的距离，为取中的最小值，为取中的最大值。

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：其中，为筛选系数，为待识别的人脸特征中三角区的角度特征值，为大数据中的人脸特征中三角区的角度特征值，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：其中，为匹配度，为待识别的人脸特征中第个眼睛轮廓分布特征值，为待识别的人脸特征中鼻部轮廓分布特征值，为待识别的人脸特征中嘴部轮廓分布特征值，为大数据的人脸特征中第个眼睛轮廓分布特征值，为大数据的人脸特征中鼻部轮廓分布特征值，为大数据的人脸特征中嘴部轮廓分布特征值，为点乘，为叉乘，=1时代表左眼，=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，同时构建向量和，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：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 (7)

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；

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；

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；

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。

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S22中增强处理的公式为：

其中，G_i为增强图中第i个像素点的灰度值，g_i为灰度图中第i个像素点的灰度值，g_i，j为灰度图中第i个像素点周边的第j个像素点的灰度值，N为灰度图中第i个像素点周边像素点的数量，g_min为灰度图中的最小灰度值，g_max为灰度图中的最大灰度值。

3.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。

4.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S255中计算眼睛轮廓分布特征值的公式为：

其中，y′为眼睛轮廓分布特征值，K′为一条眼睛轮廓线上像素点的数量，y′_k为矫正后眼睛轮廓线上第k个像素点的纵坐标值，|·|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：

其中，y″为鼻部轮廓分布特征值，K″为鼻部轮廓线上像素点的数量，y″_k为矫正后鼻部轮廓线上第k个像素点的纵坐标值，|·|为绝对值运算；

所述S257中嘴部轮廓分布特征值的公式为：

其中，y″′为嘴部轮廓分布特征值，K″′为嘴部轮廓线上像素点的数量，y″′_k为矫正后嘴部轮廓线上第k个像素点的纵坐标值，|·|为绝对值运算。

5.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S258中三角区的角度特征值包括：

其中，A为三角区的角度特征值，A₁为第一特征值，A₂为第二特征值，A₃为第三特征值，L₁为一个眼睛中心点到鼻尖点的距离，L₂为另一个眼睛中心点到鼻尖点的距离，L₃为两个眼睛中心点间的距离，min{A₁，A₂，A₃}为取A₁，A₂，A₃中的最小值，max{A₁，A₂，A₃}为取A₁，A₂，A₃中的最大值。

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。

7.根据权利要求6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：

其中，δ为筛选系数，A为待识别的人脸特征中三角区的角度特征值，A^*为大数据中的人脸特征中三角区的角度特征值，D为归一化参数；

所述S32中计算匹配度的公式为：

其中，P为匹配度，y′_l为待识别的人脸特征中第l个眼睛轮廓分布特征值，y″为待识别的人脸特征中鼻部轮廓分布特征值，y″′为待识别的人脸特征中嘴部轮廓分布特征值，

为大数据的人脸特征中第l个眼睛轮廓分布特征值，y″*为大数据的人脸特征中鼻部轮廓分布特征值，y″′*为大数据的人脸特征中嘴部轮廓分布特征值，.为点乘，*为叉乘，l＝1时代表左眼，l＝2时代表右眼。

Images