CN116363736B - 基于数字化的大数据用户信息采集方法 - Google Patents
基于数字化的大数据用户信息采集方法 Download PDFInfo
- Publication number
- CN116363736B CN116363736B CN202310629253.4A CN202310629253A CN116363736B CN 116363736 B CN116363736 B CN 116363736B CN 202310629253 A CN202310629253 A CN 202310629253A CN 116363736 B CN116363736 B CN 116363736B
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- processing module
- images
- filter function
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000010365 information processing Effects 0.000 claims abstract description 15
- 238000005286 illumination Methods 0.000 claims description 43
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 210000000887 face Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 24
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
一种基于数字化的大数据用户信息采集方法,包括用于采集照片的图像采集模块、用于进行图像预处理的图像处理模块、用于进行图像分类的图像预分类模块、用于采集图像信息的数据采集模块以及用于数据上传的信息处理模块,本发明利用图像采集模块设置,获取到图像,利用图像处理模块对图像进行缩放以及光照补偿,方便后续的图像预分类模块与数据采集模块,图像预分类模块将图像中不含有人物的以及不含有正面照的图像剔除,提高数据采集模块的工作效率,数据采集模块对正面图像信息进行提取,并配合信息处理模块进行数据库上传。本发明有效地将大数据与人脸识别技术结合,采集用户信息,并高效的判别用户身份。
Description
技术领域
本发明属于用户信息采集技术领域,尤其涉及一种基于数字化的大数据用户信息采集方法。
背景技术
随着城市发展的进度越来越快,涉及各行各业的业务办理也逐渐增多,例如,运营商等多个部分的业务办理中需要涉及到用户身份信息的采集和判别;一方面,有效的信息采集和身份判别可以简化业务办理流程,提高业务办理效率;另一方面,也保证了业务办理时用户身份验证的安全和可靠性,因此,用户信息大数据的价值被不断放大,若能发掘用户信息大数据的潜在价值,将会为企业服务提供宝贵的意见参考。为此,针对用户信息大数据的采集挖掘应用在长时间内都处于较为火热的状态。
对于用户信息大数据的采集而言,传统的身份建档方式(如信息登记)不仅建档速度慢,而且建档的准确度不高,已经不能满足这种要求。人脸是人类识别不同人的最主要的人体生物特征,与其他人体生物特征(指纹、掌纹、虹膜、声音、笔迹)相比,它不仅具有很强的自身稳定性和个体差异性,而且将人脸数据进行采集建档,会极大地方便对用户信息进行采集,如当用户出席某种场合,会根据人脸信息识别将对用户进行采集信息,那么,如何正确有效地将大数据与人脸识别技术结合,采集用户信息,并高效的判别用户身份是我们需要关注和解决的难题。
发明内容
本发明针对上述的用户信息采集所存在的技术问题,提出一种设计合理且能够有效实现用户信息采集的基于数字化的大数据用户信息采集方法。
为了达到上述目的,本发明采用的技术方案为,本发明提供一种基于数字化的大数据用户信息采集方法,包括用于采集照片的图像采集模块、用于进行图像预处理的图像处理模块、用于进行图像分类的图像预分类模块、用于采集图像信息的数据采集模块以及用于数据上传的信息处理模块,其中,图像采集模块选择背光照明的打光方式进行拍照,并将拍下的图像传送到图像处理模块,图像处理模块将图像进行光照补偿预处理,图像预分类模块将预处理的图像进行分类,分成可检测图像以及不可检测图像,将可检测图像输送到数据采集模块,数据采集模块将图像进行数据采集,提出到图像中的人脸信息,并将数据输送至信息处理模块,信息处理模块将得到的数据进行处理,并上传数据库。
作为优选,图像处理模块采用缩放公式将原图像等比例缩放为的图像,缩放公式为:
,
其中,为原图像大小,为缩放后的图像大小,为
原图像像素点坐标,为缩放后图像像素点的坐标,
在缩放之后与要对图像进行光照补偿,采用多尺度高斯函数提取目标人脸图像中的光照分量, 对图像进行光照补偿,多尺度高斯函数为:
,
其中,c为尺度因子;λ为归一化常数,G(x,y)为高斯函数,x,y分别为图像像素点坐标,
利用不同尺度的高斯函数分别提取出场景的光照分量后进行加权,最终得到光照分量的估计值,其表达式为:
,
其中,F(x,y)为原图像,*为卷积运算符,λ为归一化常数,I(x,y)为估计出来的光照分量,x,y分别为图像像素点坐标,
根据光照分量的分布特性构造光照不均匀校正函数,对光照不均匀图像进行校正处理,校正公式为:
,
其中,O(x,y)为校正后的输出图像的亮度值,m为光照分量的亮度均值,F(x,y)为原图像,I(x,y)为估计出来的光照分量。
作为优选,图像预分类模块首先在YCbCr空间建立肤色模型,肤色模型为:
,
其中,分别表示YCbCr中的蓝色分量和红色和分量,
根据肤色模型进行二值化,
,
其中,gray表示在像素点(x,y)处的灰度值的大小,S表示肤色区域,
利用肤色模型进行肤色区域分割,运用形态学去除背景中的类肤色区域,采用连通区域标记方法,将人脸分割出来,首先在图像最上方进行一行一行的扫描,当某行的像素灰度值不全是0时,停止扫描,确定该行为人脸上边界,再在该行继续扫描,当某行的像素灰度值全为0时,停止扫描,确定该行为人脸下边界,继续再图像左侧扫描,确定出人脸左边界与右边界,基于积分投影进行人眼粗定位,水平灰度积分投影函数为:
,
其中,N为图像宽,F(x,y)为图像中像素点(x,y)的灰度值,为水平灰度
积分投影函数,
垂直灰度积分投影函数为:
,
其中,M为图像长,F(x,y)为图像中像素点(x,y)的灰度值,为垂直灰
度积分投影函数,
针对粗定人眼区域进行边界检测,采用LOG算子边缘检测,LOG算子边缘检测包括以下步骤:
a.首先对图像f(x,y)进行平滑滤波,其滤波函数根据人类视觉特性选为高斯滤波器函数,
b.对平滑图像进行拉普拉斯运算,
c.边缘检测判据是二阶导数的零交叉点并对应一阶导数的较大峰值,
其中a步骤中高斯滤波器函数为:
,
其中,为高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,G(x,y)为高斯滤波器函数,
运用高斯滤波器函数对原始图像进行卷积操作,得到平滑后结果为:
,
其中f(x,y)为原图像,*为卷积运算符,g(x,y)为平滑滤波后得到的图像,G(x,y)为高斯滤波器函数,
再用拉普拉斯算子()来获取平滑图像g(x,y)的二阶方向导数图像m(x,y),由线性系统中卷积和微分的可交换性可得:
,
其中,为高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,
考虑到像素梯度的变化,引入尺度参数对LOG算子进行改进,使得每张图片可以使用不同的和/>,/>和/>由公式得出:
,
其中,q是归一化系数,f(i,j)、(i,j+1)、f(i+1,j)、f(i+1,j+1)为原图像,和为x方向与y方向高斯滤波器函数的方差,
,
其中,和/>为x方向与y方向高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,
之后,再采用霍夫变换算法对图像进行处理,检测图像中的线段,确定两眼瞳距的尺寸和人脸的宽度,霍夫变换算法包括以下步骤:
将参数空间的坐标轴离散化,建立离散型参数空间,
将图像中每个非0像素通过映射关系求解参数空间通过的方格,
建立累加器,统计每个方格出现的次数,并在对应的累加器加1,设置一个阈值k,选取大于阈值的方格作为表示直线的方格,将参数空间中表示直线的方格的参数作为直线的参数,根据得到的两眼瞳距的尺寸和人脸的宽度判断是否为正脸,判断公式为:
,
其中,分别为两眼瞳距的尺寸和人脸的宽度。
作为优选,数据采集模块采用EigenFace识别算法。
作为优选,信息处理模块采用大数据库,将得到的人脸信息进行上传。
与现有技术相比,本发明的优点和积极效果在于,本发明通过提供一种基于数字化的大数据用户信息采集方法,利用图像采集模块,选择背光照明的打光方式进行拍照,有效实现了人脸的拍照,并将拍下的图像传送到图像处理模块,图像处理模块将图像进行光照补偿预处理,利用图像预分类模块将预处理的图像进行分类,分成可检测图像以及不可检测图像,将可检测图像输送到数据采集模块,大大提高了采集的速度,利用数据采集模块将图像进行数据采集,提出到图像中的人脸信息,并将数据输送至信息处理模块,信息处理模块将得到的数据进行处理,并上传数据库。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合实施例对本发明做进一步说明。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开说明书的具体实施例的限制。
实施例1,本实施例旨在提供一种基于数字化的大数据用户信息采集方法,为了实现上述目的,本实施例提供的一种基于数字化的大数据用户信息采集方法,包括用于采集照片的图像采集模块、用于进行图像预处理的图像处理模块、用于进行图像分类的图像预分类模块、用于采集图像信息的数据采集模块以及用于数据上传的信息处理模块,其中,图像采集模块选择背光照明的打光方式进行拍照,并将拍下的图像传送到图像处理模块,图像处理模块将图像进行光照补偿预处理,图像预分类模块将预处理的图像进行分类,分成可检测图像以及不可检测图像,将可检测图像输送到数据采集模块,数据采集模块将图像进行数据采集,提出到图像中的人脸信息,并将数据输送至信息处理模块,信息处理模块将得到的数据进行处理,并上传数据库。
为了提高运算速度,避免由于周围环境不稳定、设备存在色彩偏差、物体遮挡或光
照条件等因素的影响, 光照分布不均匀, 从而导致图像的视觉效果和应用价值降低,图像
处理模块采用缩放公式将原图像等比例缩放为的图像,缩放公式为:
,
其中,为原图像大小,为缩放后的图像大小,
为原图像像素点坐标,为缩放后图像像素点的坐标,
在缩放之后与要对图像进行光照补偿,采用多尺度高斯函数提取目标人脸图像中的光照分量, 对图像进行光照补偿,多尺度高斯函数为:
,
其中,c为尺度因子;λ为归一化常数,G(x,y)为高斯函数,x,y分别为图像像素点位置,
利用不同尺度的高斯函数分别提取出场景的光照分量后进行加权,最终得到光照分量的估计值,其表达式为:
,
其中,F(x,y)为原图像,*为卷积运算符,λ为归一化常数,I(x,y)为估计出来的光照分量,
根据光照分量的分布特性构造光照不均匀校正函数,对光照不均匀图像进行校正处理,校正公式为:
,
其中,O(x,y)为校正后的输出图像的亮度值,m为光照分量的亮度均值,F(x,y)为原图像,I(x,y)为估计出来的光照分量。
为了将含有正面人像的图片筛选出来,图像预分类模块首先在YCbCr空间建立肤色模型,肤色模型为:
,
其中,分别表示YCbCr中的蓝色分量和红色和分量,
根据肤色模型进行二值化,
,
其中,gray表示在像素点(x,y)处的灰度值的大小,S表示肤色区域,
利用肤色模型进行肤色区域分割,运用形态学去除背景中的类肤色区域,采用连通区域标记方法,将人脸分割出来,首先在图像最上方进行一行一行的扫描,当某行的像素灰度值不全是0时,停止扫描,确定该行为人脸上边界,再在该行继续扫描,当某行的像素灰度值全为0时,停止扫描,确定该行为人脸下边界,继续再图像左侧扫描,确定出人脸左边界与右边界,基于积分投影进行人眼粗定位,水平灰度积分投影函数为:
,
其中,N为图像宽,F(x,y)为图像中像素点(x,y)的灰度值,为水平灰度
积分投影函数,
垂直灰度积分投影函数为:
,
其中,M为图像长,F(x,y)为图像中像素点(x,y)的灰度值,为垂直灰度
积分投影函数,
针对粗定人眼区域进行边界检测,采用LOG算子边缘检测,LOG算子边缘检测包括以下步骤:
a.首先对图像f(x,y)进行平滑滤波,其滤波函数根据人类视觉特性选为高斯滤波器函数,
b.对平滑图像进行拉普拉斯运算,
c.边缘检测判据是二阶导数的零交叉点并对应一阶导数的较大峰值,
其中a步骤中高斯滤波器函数为:
,
其中,为高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,G(x,y)为高斯滤波器函数,
运用高斯滤波器函数对原始图像进行卷积操作,得到平滑后结果为:
,
其中f(x,y)为原图像,*为卷积运算符,g(x,y)为平滑滤波后得到的图像,G(x,y)为高斯滤波器函数,
再用拉普拉斯算子()来获取平滑图像g(x,y)的二阶方向导数图像m(x,y),由线性系统中卷积和微分的可交换性可得:
,
其中,为高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,
考虑到像素梯度的变化,引入尺度参数对LOG算子进行改进,使得每张图片可以使用不同的和/>,/>和/>由公式得出:
,
其中,q是归一化系数,f(i,j)、(i,j+1)、f(i+1,j)、f(i+1,j+1)为原图像,和为x方向与y方向高斯滤波器函数的方差,
,
其中,和/>为x方向与y方向高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,
之后,再采用霍夫变换算法对图像进行处理,检测图像中的线段,确定两眼瞳距的尺寸和人脸的宽度,霍夫变换算法包括以下步骤:
将参数空间的坐标轴离散化,建立离散型参数空间,
将图像中每个非0像素通过映射关系求解参数空间通过的方格,
建立累加器,统计每个方格出现的次数,并在对应的累加器加1,设置一个阈值k,选取大于阈值的方格作为表示直线的方格,将参数空间中表示直线的方格的参数作为直线的参数,根据得到的两眼瞳距的尺寸和人脸的宽度判断是否为正脸,判断公式为:
,
其中,分别为两眼瞳距的尺寸和人脸的宽度。
为了实现对人脸数据的采集,数据采集模块采用EigenFace识别算法。
为了实现对人脸数据的上传,信息处理模块采用大数据库,将得到的人脸信息进行上传。
Claims (4)
1.一种基于数字化的大数据用户信息采集方法,其特征在于,包括用于采集照片的图像采集模块、用于进行图像预处理的图像处理模块、用于进行图像分类的图像预分类模块、用于采集图像信息的数据采集模块以及用于数据上传的信息处理模块,其中,所述图像采集模块选择背光照明的打光方式进行拍照,并将拍下的图像传送到图像处理模块,所述图像处理模块将图像进行光照补偿预处理,所述图像预分类模块将预处理的图像进行分类,分成可检测图像以及不可检测图像,将可检测图像输送到数据采集模块,所述数据采集模块将图像进行数据采集,提出到图像中的人脸信息,并将数据输送至信息处理模块,所述信息处理模块将得到的数据进行处理,并上传数据库,所述图像预分类模块首先在YCbCr空间建立肤色模型,肤色模型为:
其中,C′b,C′r分别表示YCbCr中的蓝色分量和红色和分量,
根据肤色模型进行二值化,
其中,gray表示在像素点(x,y)处的灰度值的大小,S表示肤色区域,利用肤色模型进行肤色区域分割,运用形态学去除背景中的类肤色区域,采用连通区域标记方法,将人脸分割出来,首先在图像最上方进行一行一行的扫描,当某行的像素灰度值不全是0时,停止扫描,确定该行为人脸上边界,再在该行继续扫描,当某行的像素灰度值全为0时,停止扫描,确定该行为人脸下边界,继续再图像左侧扫描,确定出人脸左边界与右边界,基于积分投影进行人眼粗定位,水平灰度积分投影函数为:
其中,N为图像宽,F(x,y)为图像中像素点(x,y)的灰度值,GIPh(y)为水平灰度积分投影函数,
垂直灰度积分投影函数为:
其中,M为图像长,F(x,y)为图像中像素点(x,y)的灰度值,GIPv(x)为垂直灰度积分投影函数,
针对粗定人眼区域进行边界检测,采用LOG算子边缘检测,LOG算子边缘检测包括以下步骤:
a.首先对图像f(x,y)进行平滑滤波,其滤波函数根据人类视觉特性选为高斯滤波器函数,
b.对平滑图像进行拉普拉斯运算,
c.边缘检测判据是二阶导数的零交叉点并对应一阶导数的较大峰值,
其中a步骤中高斯滤波器函数为:
其中,σ为高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,G(x,y)为高斯滤波器函数,
运用高斯滤波器函数对原始图像进行卷积操作,得到平滑后结果为:
g(x,y)=G(x,y)*f(x,y),
其中f(x,y)为原图像,*为卷积运算符,g(x,y)为平滑滤波后得到的图像,G(x,y)为高斯滤波器函数,
再用拉普拉斯算子来获取平滑图像g(x,y)的二阶方向导数图像m(x,y),由线性系统中卷积和微分的可交换性可得:
其中,σ为高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,
考虑到像素梯度的变化,引入尺度参数对LOG算子进行改进,使得每张图片可以使用不同的σx和σy,σx和σy由公式得出:
其中,q是归一化系数,f(i,j)、(i,j+1)、f(i+1,j)、f(i+1,j+1)为原图像,σx和σy为x方向与y方向高斯滤波器函数的方差,
其中,σx和σy为x方向与y方向高斯滤波器函数的方差,x,y分别为到图像像素点间的距离,
之后,再采用霍夫变换算法对图像进行处理,检测图像中的线段,确定两眼瞳距的尺寸和人脸的宽度,霍夫变换算法包括以下步骤:
将参数空间的坐标轴离散化,建立离散型参数空间,
将图像中每个非0像素通过映射关系求解参数空间通过的方格,建立累加器,统计每个方格出现的次数,并在对应的累加器加1,设置一个阈值k,选取大于阈值的方格作为表示直线的方格,将参数空间中表示直线的方格的参数作为直线的参数,根据得到的两眼瞳距的尺寸和人脸的宽度判断是否为正脸,判断公式为:
d0×0.4<d1≤d0×0.5,
其中,d1,d0分别为两眼瞳距的尺寸和人脸的宽度。
2.根据权利要求1所述的基于数字化的大数据用户信息采集方法,其特征在于,所述图像处理模块采用缩放公式将原H0×W0图像等比例缩放为H1×W1的图像,缩放公式为:
其中,H0×W0为原图像大小,H1×W1为缩放后的图像大小,(X0,Y0)为原图像像素点坐标,(X1,Y1)为缩放后图像像素点的坐标,
在缩放之后与要对图像进行光照补偿,采用多尺度高斯函数提取目标人脸图像中的光照分量,对图像进行光照补偿,多尺度高斯函数为:
其中,c为尺度因子;λ为归一化常数,x,y分别为图像像素点坐标,G(x,y)为高斯函数,
利用不同尺度的高斯函数分别提取出场景的光照分量后进行加权,最终得到光照分量的估计值,其表达式为:
其中,F(x,y)为原图像,*为卷积运算符,λ为归一化常数,I(x,y)为估计出来的光照分量,x,y分别为图像像素点坐标,
根据光照分量的分布特性构造光照不均匀校正函数,对光照不均匀图像进行校正处理,校正公式为:
其中,O(x,y)为校正后的输出图像的亮度值,m为光照分量的亮度均值,F(x,y)为原图像,I(x,y)为估计出来的光照分量。
3.根据权利要求2所述的基于数字化的大数据用户信息采集方法,其特征在于,所述数据采集模块采用EigenFace识别算法。
4.根据权利要求3所述的基于数字化的大数据用户信息采集方法,其特征在于,所述信息处理模块采用大数据库,将得到的人脸信息进行上传。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629253.4A CN116363736B (zh) | 2023-05-31 | 2023-05-31 | 基于数字化的大数据用户信息采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629253.4A CN116363736B (zh) | 2023-05-31 | 2023-05-31 | 基于数字化的大数据用户信息采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363736A CN116363736A (zh) | 2023-06-30 |
CN116363736B true CN116363736B (zh) | 2023-08-18 |
Family
ID=86923340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629253.4A Active CN116363736B (zh) | 2023-05-31 | 2023-05-31 | 基于数字化的大数据用户信息采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363736B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008151471A1 (fr) * | 2007-06-15 | 2008-12-18 | Tsinghua University | Procédé de positionnementrobuste et précis de l'oeil dans une image d'arrière-plan compliquée |
WO2008151470A1 (fr) * | 2007-06-15 | 2008-12-18 | Tsinghua University | Procédé de détection robuste de visage humain dans une image d'arrière-plan compliquée |
CN101393597A (zh) * | 2007-09-19 | 2009-03-25 | 上海银晨智能识别科技有限公司 | 识别人脸是否为正面脸的方法 |
CN102096823A (zh) * | 2011-02-12 | 2011-06-15 | 厦门大学 | 基于高斯模型和最小均方差的人脸检测方法 |
CN103218605A (zh) * | 2013-04-09 | 2013-07-24 | 东南大学 | 一种基于积分投影与边缘检测的快速人眼定位方法 |
CN104408780A (zh) * | 2014-11-28 | 2015-03-11 | 四川浩特通信有限公司 | 一种人脸识别考勤系统 |
CN109543656A (zh) * | 2018-12-17 | 2019-03-29 | 南京邮电大学 | 一种基于dcs-ldp的人脸特征提取方法 |
CN110598574A (zh) * | 2019-08-21 | 2019-12-20 | 武汉森哲地球空间信息技术有限公司 | 智能人脸监控识别方法及系统 |
-
2023
- 2023-05-31 CN CN202310629253.4A patent/CN116363736B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008151471A1 (fr) * | 2007-06-15 | 2008-12-18 | Tsinghua University | Procédé de positionnementrobuste et précis de l'oeil dans une image d'arrière-plan compliquée |
WO2008151470A1 (fr) * | 2007-06-15 | 2008-12-18 | Tsinghua University | Procédé de détection robuste de visage humain dans une image d'arrière-plan compliquée |
CN101393597A (zh) * | 2007-09-19 | 2009-03-25 | 上海银晨智能识别科技有限公司 | 识别人脸是否为正面脸的方法 |
CN102096823A (zh) * | 2011-02-12 | 2011-06-15 | 厦门大学 | 基于高斯模型和最小均方差的人脸检测方法 |
CN103218605A (zh) * | 2013-04-09 | 2013-07-24 | 东南大学 | 一种基于积分投影与边缘检测的快速人眼定位方法 |
CN104408780A (zh) * | 2014-11-28 | 2015-03-11 | 四川浩特通信有限公司 | 一种人脸识别考勤系统 |
CN109543656A (zh) * | 2018-12-17 | 2019-03-29 | 南京邮电大学 | 一种基于dcs-ldp的人脸特征提取方法 |
CN110598574A (zh) * | 2019-08-21 | 2019-12-20 | 武汉森哲地球空间信息技术有限公司 | 智能人脸监控识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
人脸检测及眼睛定位算法的研究;李燕晓;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2018年卷(第12期);I138-1074 * |
Also Published As
Publication number | Publication date |
---|---|
CN116363736A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874871B (zh) | 一种活体人脸双摄像头识别方法及识别装置 | |
EP1413972B1 (de) | Prüfung von Bildaufnahmen von Personen | |
EP2833288B1 (en) | Face calibration method and system, and computer storage medium | |
CN109145742B (zh) | 一种行人识别方法及系统 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN110838119B (zh) | 人脸图像质量评估方法、计算机装置及计算机可读存储介质 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN103902958A (zh) | 人脸识别的方法 | |
JP2002259994A (ja) | 自動イメージパターン検出方法及びイメージ処理装置 | |
CN109359577B (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
CN102254188A (zh) | 掌纹识别方法及装置 | |
CN111222433B (zh) | 自动人脸稽核方法、系统、设备及可读存储介质 | |
CN101923637A (zh) | 一种移动终端及其人脸检测方法和装置 | |
CN110059634A (zh) | 一种大场景人脸抓拍方法 | |
CN107977648B (zh) | 一种基于人脸识别的身份证清晰度的判别方法和系统 | |
CN111967319A (zh) | 基于红外和可见光的活体检测方法、装置、设备和存储介质 | |
CN111259763A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN113362221A (zh) | 用于门禁的人脸识别系统与人脸识别方法 | |
CN115830719B (zh) | 基于图像处理的建筑工地危险行为识别方法 | |
CN104615985B (zh) | 一种人脸相似度的识别方法 | |
CN116363736B (zh) | 基于数字化的大数据用户信息采集方法 | |
CN110135274B (zh) | 一种基于人脸识别的人流量统计方法 |
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 |