CN117373100B - 基于差分量化局部二值模式的人脸识别方法及系统 - Google Patents
基于差分量化局部二值模式的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN117373100B CN117373100B CN202311677378.0A CN202311677378A CN117373100B CN 117373100 B CN117373100 B CN 117373100B CN 202311677378 A CN202311677378 A CN 202311677378A CN 117373100 B CN117373100 B CN 117373100B
- Authority
- CN
- China
- Prior art keywords
- gray
- differential
- face
- image
- feature vector
- 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 47
- 238000013139 quantization Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000004709 eyebrow Anatomy 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于差分量化局部二值模式的人脸识别方法及系统，该方法包括：将预设的人脸图像进行灰度处理，得到灰度图像，提取所述灰度图像中的关键点的位置信息，将灰度图像进行区域划分，得到局部图像；计算灰度值差异，得到差异结果，将所述差异结果量化为二进制串；建立差分码，制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。本发明可以提人脸识别的准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于差分量化局部二值模式的人脸识别方法及系统。
背景技术
随着人工智能和计算机视觉领域的快速发展，人脸识别技术成为了广泛关注的热门话题。为了提高人脸识别系统的性能和准确度，研究者们不断探索新的方法和算法。需要一种基于差分量化局部二值模式，提升人脸识别的准确度。
传统的人脸识别方法通常依赖于手工设计的特征提取算法，需要人工选择和提取特征，且对于复杂的人脸变化（例如姿态、表情等）可能不具备很好的鲁棒性。在实际应用中，传统方法对光照、表情和姿态等方面的变化比较敏感。当人脸图像中存在光照变化、表情变化或者头部姿态变化时，传统方法的性能容易受到影响，导致识别结果不稳定。
发明内容
本发明提供一种基于差分量化局部二值模式的人脸识别方法及系统，其主要目的在于解决差分量化局部二值模式的人脸识别时电压稳定度较低的问题。
为实现上述目的，本发明提供的一种基于差分量化局部二值模式的人脸识别方法，包括：
将预设的人脸图像进行灰度处理，得到灰度图像，利用关键点检测模型提取所述灰度图像中的关键点的位置信息，根据所述位置信息将所述灰度图像进行区域划分，得到局部图像；
计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，将所述差异结果量化为二进制串，其中，可以利用如下差分公式计算所述局部图像中每个像素点与周围像素点的灰度值差异：
其中，为所述灰度值差异，/>表示水平方向上的梯度变化，/>表示垂直方向上的梯度变化，/>表示某像素点的灰度值，/>表示像素点的横纵坐标；
根据所述二进制串建立差分码，利用所述差分码制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；
取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。
可选地，所述利用关键点检测模型提取所述灰度图像中的关键点的位置信息，包括：
利用级联分类器确定所述灰度图的灰度边界框；
在所述灰度边界框中获取人脸区域；
将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息。
可选地，所述利用级联分类器确定所述灰度图的灰度边界框，包括：
根据灰度图的图像大小定义滑动窗口的窗口尺寸以及滑动窗口的滑动间距；
在所述灰度图中，按照所述窗口尺寸以及滑动间距，利用所述滑动窗口进行滑动，直至所述滑动窗口覆盖整个灰度图，将滑动过程中产生的窗口确定为灰度窗口；
提取所述灰度窗口的灰度特征，若检测到所述灰度特征是灰度边界框中的窗口，则将所述灰度窗口标记为潜在边界框；
将所有潜在边界框进行拼接，得到灰度边界框。
可选地，所述在所述灰度边界框中获取人脸区域，包括：
利用如下裁剪公式在所述灰度边界框中获取人脸区域：
其中，是人脸区域，/>为所述灰度图像，/>为所述灰度边界框的长和宽，/>为人脸区域的长和宽。
可选地，所述将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息，包括：
利用如下前向传播函数将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息：
其中，为第/>层输出的位置信息，/>为第/>层权重矩阵，/>为第/>层偏置向量，为激活函数，/>为模型的层数。
可选地，所述将所述差异结果量化为二进制串，包括：
确定所述差异结果的差异范围；
根据所述差异范围确定二进制结果的二进制长度；
将所述差异结果转化成二进制结果，根据所述二进制长度对所述二进制结果进行补零，得到二进制串。
可选地，所述根据所述二进制串建立差分码，包括：
利用如下计算公式建立差分码：
其中，为第/>个差分码，/>为第/>个二进制串，/>为第/>个二进制串，/>为异或运算符。
可选地，所述计算所述差分特征向量与预设的人脸特征向量之间的特征相似度，包括：
利用如下相似度计算公式计算所述差分特征向量与预设的人脸特征向量之间的特征相似度：
其中，表示特征相似度，/>表示所述差分特征向量的第/>个元素，表示人脸特征向量的第/>个元素，/>表示所述差分特征向量与预设的人脸特征向量之间的欧氏距离，/>表示所述差分特征向量，/>表示预设的人脸特征向量。
可选地，所述取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果，包括：
将所述特征相似度与对应的人脸标签进行关联，得到相似度标签索引；
利用最大值函数在所述特征相似度中确定最大值；
根据最大值在所述相似度标签索引中查找对应的人脸标签，将查找结果确定为匹配结果。
为了解决上述问题，本发明还提供一种基于差分量化局部二值模式的人脸识别系统，所述系统包括：
图像处理模块：将预设的人脸图像进行灰度处理，得到灰度图像，利用关键点检测模型提取所述灰度图像中的关键点的位置信息，根据所述位置信息将所述灰度图像进行区域划分，得到局部图像；
计算差异模块：计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，将所述差异结果量化为二进制串，其中，可以利用如下差分公式计算所述局部图像中每个像素点与周围像素点的灰度值差异：
其中，为所述灰度值差异，/>表示水平方向上的梯度变化，/>表示垂直方向上的梯度变化，/>表示某像素点的灰度值，/>表示像素点的横纵坐标；
建立差分码模块：根据所述二进制串建立差分码，利用所述差分码制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；
最终匹配模块：取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。
本发明实施例通过将预设的人脸图像进行灰度处理，得到灰度图像，提取所述灰度图像中的关键点的位置信息，将灰度图像进行区域划分，得到局部图像，将人脸图像转换为灰度可以去除颜色信息，使得后续的特征提取和匹配过程更加专注于人脸的结构和纹理特征，减少了计算的复杂性，通过关键点的精确定位，可以更准确地确定目标的位置和姿态；计算灰度值差异，得到差异结果，将所述差异结果量化为二进制串，将差异结果量化为二进制串，从而方便传输和网络传输，压缩和节省存储空间，还可以可以方便地存储和传输，能够快速比较和匹配、提供加密和安全性，并具有良好的可扩展性和兼容性；建立差分码，制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度，差分码可以节省传输带宽和传输时间，另外差分码对于传输过程中的噪声和干扰具有较强的抗干扰能力，将所述差分列表连接成串，得到差分特征向量可以将多个时间点上的差分信息综合起来，形成一个完整的特征向量。这样做可以提供更全面的数据变化信息，而不仅限于单个时间点的差异，将差分列表连接成串可以简化数据表示；取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。因此本发明提出的基于差分量化局部二值模式的人脸识别方法、系统，可以解决人脸识别时准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于差分量化局部二值模式的人脸识别方法的流程示意图；
图2为本发明一实施例提供的获取位置信息的流程示意图；
图3为本发明一实施例提供的确定灰度边界框的流程示意图；
图4为本发明一实施例提供的基于差分量化局部二值模式的人脸识别系统的功能模块图；
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于差分量化局部二值模式的人脸识别方法。所述基于差分量化局部二值模式的人脸识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于差分量化局部二值模式的人脸识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于差分量化局部二值模式的人脸识别方法的流程示意图。在本实施例中，所述基于差分量化局部二值模式的人脸识别方法包括：
S1、将预设的人脸图像进行灰度处理，得到灰度图像，利用关键点检测模型提取所述灰度图像中的关键点的位置信息，根据所述位置信息将所述灰度图像进行区域划分，得到局部图像；
由于在人脸识别任务中，颜色信息对于身份识别并不是必要的。将人脸图像转换为灰度可以去除颜色信息，使得后续的特征提取和匹配过程更加专注于人脸的结构和纹理特征，减少了计算的复杂性。
本发明实施例中，所述将预设的人脸图像进行灰度处理，得到灰度图像，可以将图像中每个像素的红绿蓝三通道的值取平均，将平均的结果赋值作为该像素点的灰度值，从而形成灰度图像。
详细地，在具体实施过程中，可以使用对应的Python代码，将图像转化成灰度图，例如具体的代码细节如下所示：
# 读取彩色图像
image = cv2.imread('input_image.jpg')
# 将图像转换为灰度
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 显示灰度图像
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
具体地，所述将预设的人脸图像进行灰度处理是将彩色图像转换为灰度图像的过程，灰度图像只包含亮度信息，相比于彩色图像，它们更简单、更易于处理和分析，另外灰度图像只需要一个通道来表示亮度信息，而彩色图像通常需要三个通道（红、绿、蓝）来表示颜色信息。因此，灰度图像的数据量较小，可以节省存储空间和传输带宽，还可以更好地突出图像的细节和特征，由于灰度图像没有颜色干扰，人们更容易集中注意力并分析图像中的形状、纹理和亮度变化等特征。
详细地，由于在计算机视觉任务中，如目标检测、姿态估计等，关键点的位置信息是非常重要的。通过关键点的精确定位，可以更准确地确定目标的位置和姿态，因此需要利用关键点检测模型提取所述灰度图像中的关键点的位置信息，为计算机视觉任务提供重要的输入和约束条件，从而增强图像理解、处理和应用的能力。
本发明实施例中，参照图2所示，所述利用关键点检测模型提取所述灰度图像中的关键点的位置信息，包括：
S21、利用级联分类器确定所述灰度图的灰度边界框；
S22、在所述灰度边界框中获取人脸区域；
S23、将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息。
详细地，参照图3所示，所述利用级联分类器确定所述灰度图的灰度边界框，包括：
S31、根据灰度图的图像大小定义滑动窗口的窗口尺寸以及滑动窗口的滑动间距；
S32、在所述灰度图中，按照所述窗口尺寸以及滑动间距，利用所述滑动窗口进行滑动，直至所述滑动窗口覆盖整个灰度图，将滑动过程中产生的窗口确定为灰度窗口；
S33、提取所述灰度窗口的灰度特征，若检测到所述灰度特征是灰度边界框中的窗口，则将所述灰度窗口标记为潜在边界框；
S34、将所有潜在边界框进行拼接，得到灰度边界框。
具体地，所述提取所述灰度窗口的灰度特征，常用的特征包括直方图、梯度方向直方图、局部二值模式等。
另外地，所述级联分类器是一种机器学习模型，它由多个分类器组成，其中每个分类器依次应用于输入数据，并根据前一个分类器的结果进行进一步的处理。级联分类器通常用于解决复杂的分类问题，其中单个分类器无法很好地完成任务，在人脸检测中，级联分类器可以通过一系列的分类器来识别图像中是否存在人脸。
尤其地，所述利用级联分类器确定所述灰度图的灰度边界框，由于级联分类器通常具有高效的特点，可以快速筛选出不包含目标的图像区域，从而减少后续处理的计算量，提高处理效率，因此利用级联分类器确定灰度图像的灰度边界框可以提供目标定位、特征提取、区域分割等功能，帮助我们更好地理解和处理图像。同时，它还具有高效性和可扩展性的优点，适用于各种计算机视觉应用场景。
进一步地，所述关键点是指在人脸图像中标记出的特定位置，用于表示人脸的重要特征，常见的人脸关键点包括以下几个：眼镜、眉毛、鼻子、嘴巴、下巴、脸颊。
详细地，所述在所述灰度边界框中获取人脸区域，包括：
利用如下裁剪公式在所述灰度边界框中获取人脸区域：
其中，是人脸区域，/>为所述灰度图像，/>为所述灰度边界框的长和宽，/>为人脸区域的长和宽。
具体地，所述将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息，包括：
利用如下前向传播函数将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息：
其中，为第/>层输出的位置信息，/>为第/>层权重矩阵，/>为第/>层偏置向量，为激活函数，/>为模型的层数。
详细地，所述关键点检测模型是一种计算机视觉模型，用于识别图像或视频中的特定关键点位置，常见的关键点检测模型包括基于回归的模型，例如，使用全连接层或卷积层输出关键点的坐标，还包括基于热力图的模型，以及Hourglass模型。
本发明实施例中，所述根据所述位置信息将所述灰度图像进行区域划分，得到局部图像，例如可以根据眼睛的位置将图像划分为左眼区域、右眼区域和其他区域；或者根据嘴巴的位置将图像划分为上唇区域、下唇区域和其他区域。
进一步地，所述根据所述位置信息将所述灰度图像进行区域划分可以构建更准确和鲁棒的人脸识别模型，从而实现更高的识别准确率和鲁棒性，通过人脸关键点的位置信息，可以准确地定位人脸的各个重要区域，如眼睛、鼻子、嘴巴等。这有助于进一步分析和处理特定区域的图像内容。
S2、计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，将所述差异结果量化为二进制串；
本发明实施例中，为了分析图像中的细节和纹理信息，需要计算所述局部图像中每个像素点与周围像素点的灰度值差异，这种差异可以用来揭示图像中的边缘、纹理、形状以及其他特征。
本发明实施例中，所述计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，包括：
利用如下差分公式计算所述局部图像中每个像素点与周围像素点的灰度值差异：
其中，为所述灰度值差异，/>表示水平方向上的梯度变化，/>表示垂直方向上的梯度变化，/>表示某像素点的灰度值，/>表示像素点的横纵坐标。
详细地，通过计算像素点与周围像素点的灰度值差异，可以识别出图像中的边缘。边缘是图像中灰度值变化较大的区域，对于物体的形状和轮廓具有重要意义，还可以获取图像中不同区域的纹理信息。纹理分析在图像识别、图像合成和图像压缩等领域中具有重要作用，例如纹理分类、纹理合成和纹理压缩等任务计算局部图像中每个像素点与周围像素点的灰度值差异可以帮助我们获取图像的边缘信息、纹理细节和特征表示，进而在各种图像处理和分析任务中发挥重要作用。
具体地，为了将图像信息转化为更紧凑和可处理的形式，便于存储、传输和进行后续分析，可以将差异结果量化为二进制串，从而方便传输和网络传输，压缩和节省存储空间。
本发明实施例中，所述将所述差异结果量化为二进制串，包括：
确定所述差异结果的差异范围；
根据所述差异范围确定二进制结果的二进制长度；
将所述差异结果转化成二进制结果，根据所述二进制长度对所述二进制结果进行补零，得到二进制串。
详细地，所述将所述差异结果量化为二进制串可以将复杂的差异结果简化为一系列0和1的序列，使得数据表示更加紧凑和简洁，还可以可以方便地存储和传输，能够快速比较和匹配、提供加密和安全性，并具有良好的可扩展性和兼容性。
S3、根据所述二进制串建立差分码，利用所述差分码制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；
本发明实施例中，所述差分码是一种数据编码技术，它基于数据的差异来进行编码，对于给定的数据序列，差分码会将第一个数据点直接作为编码结果，然后从第二个数据点开始，每个数据点都与前一个数据点进行比较。如果当前数据点和前一个数据点相等，则编码结果为0；如果当前数据点大于前一个数据点，则编码结果为1；如果当前数据点小于前一个数据点，则编码结果为-1。
详细地，建立差分码可以提高数据传输的效率。与直接传输每个二进制位相比，差分码只需要传输每个位的变化情况（0或1）而不需要真实值，这样可以节省传输带宽和传输时间，另外差分码对于传输过程中的噪声和干扰具有较强的抗干扰能力。由于只传输位的变化情况，如果在传输过程中发生了一些错误或干扰，只会影响到当前位的变化情况，而不会连锁影响到其他位。
本发明实施例中，所述根据所述二进制串建立差分码，包括：
利用如下计算公式建立差分码：
其中，为第/>个差分码，/>为第/>个二进制串，/>为第/>个二进制串，/>为异或运算符。
详细地，所述利用所述差分码制作对应的差分列表是将计算得到的差分值按顺序排列，形成差分列表。例如原始数据列表为[10, 15, 12, 18, 20]，通过计算相邻数据点之间的差异，得到差分列表[5, -3, 6, 2]。第一个差分值是15-10=5，第二个差分值是12-15=-3，以此类推。
具体地，所述将所述差分列表连接成串，得到差分特征向量可以将多个时间点上的差分信息综合起来，形成一个完整的特征向量。这样做可以提供更全面的数据变化信息，而不仅限于单个时间点的差异，将差分列表连接成串可以简化数据表示。相比于原始数据，特征向量通常具有较低的维度，并且更容易处理和存储。
本发明实施例中，所述计算所述差分特征向量与预设的人脸特征向量之间的特征相似度，包括：
利用如下相似度计算公式计算所述差分特征向量与预设的人脸特征向量之间的特征相似度：
其中，表示特征相似度，/>表示所述差分特征向量的第/>个元素，表示人脸特征向量的第/>个元素，/>表示所述差分特征向量与预设的人脸特征向量之间的欧氏距离，/>表示所述差分特征向量，/>表示预设的人脸特征向量。
S4、取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。
本发明实施例中，所述取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果，包括：
将所述特征相似度与对应的人脸标签进行关联，得到相似度标签索引；
利用最大值函数在所述特征相似度中确定最大值；
根据最大值在所述相似度标签索引中查找对应的人脸标签，将查找结果确定为匹配结果。
详细地，所述利用最大值函数在所述特征相似度中确定最大值，可以利用代码的形式实现最大值的查找，例如：
similarity_features = [0.8, 0.9, 0.7, 0.95, 0.85]
max_similarity = max(similarity_features)
print("The maximum similarity is:", max_similarity)
此时对应的最大值输出及结果为0.95。
本发明实施例中，基于差分量化局部二值模式的人脸识别方法能够有效地捕捉到人脸图像中的细节和纹理特征。这使得该方法对于光照变化、表情变化等因素的影响具有较高的鲁棒性，同时具有较高的计算效率，适用于大规模人脸识别系统，易于实现和扩展。
如图4所示，是本发明一实施例提供的基于差分量化局部二值模式的人脸识别系统的功能模块图。
本发明所述基于差分量化局部二值模式的人脸识别系统100可以安装于电子设备中。根据实现的功能，所述基于差分量化局部二值模式的人脸识别系统100可以包括图像处理模块101、计算差异模块102、建立差分码模块103及最终匹配模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像处理模块101：将预设的人脸图像进行灰度处理，得到灰度图像，利用关键点检测模型提取所述灰度图像中的关键点的位置信息，根据所述位置信息将所述灰度图像进行区域划分，得到局部图像；
所述计算差异模块102：计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，将所述差异结果量化为二进制串；
所述建立差分码模块103：根据所述二进制串建立差分码，利用所述差分码制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；
所述最终匹配模块104：取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。详细地，本发明实施例中所述基于差分量化局部二值模式的人脸识别系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于差分量化局部二值模式的人脸识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于差分量化局部二值模式的人脸识别方法，其特征在于，所述方法包括：
将预设的人脸图像进行灰度处理，得到灰度图像，利用关键点检测模型提取所述灰度图像中的关键点的位置信息，根据所述位置信息将所述灰度图像进行区域划分，得到局部图像；
所述关键点是指在人脸图像中标记出的特定位置，用于表示人脸的重要特征，包括：眼睛、眉毛、鼻子、嘴巴、下巴、脸颊；
计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，将所述差异结果量化为二进制串，其中，利用如下差分公式计算所述局部图像中每个像素点与周围像素点的灰度值差异：
其中，为所述灰度值差异，/> 表示水平方向上的梯度变化，/> 表示垂直方向上的梯度变化，/>表示某像素点的灰度值，/>表示像素点的横纵坐标；
根据所述二进制串建立差分码，利用所述差分码制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；
取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果；
所述将所述差异结果量化为二进制串，包括：
确定所述差异结果的差异范围；
根据所述差异范围确定二进制结果的二进制长度；
将所述差异结果转化成二进制结果，根据所述二进制长度对所述二进制结果进行补零，得到二进制串；
所述根据所述二进制串建立差分码，包括：
利用如下计算公式建立差分码：
其中，为第/>个差分码，/>为第/>个二进制串，/>为第/>个二进制串，为异或运算符。
2.如权利要求1所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述利用关键点检测模型提取所述灰度图像中的关键点的位置信息，包括：
利用级联分类器确定所述灰度图的灰度边界框；
在所述灰度边界框中获取人脸区域；
将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息。
3.如权利要求2所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述利用级联分类器确定所述灰度图的灰度边界框，包括：
根据灰度图的图像大小定义滑动窗口的窗口尺寸以及滑动窗口的滑动间距；
在所述灰度图中，按照所述窗口尺寸以及滑动间距，利用所述滑动窗口进行滑动，直至所述滑动窗口覆盖整个灰度图，将滑动过程中产生的窗口确定为灰度窗口；
提取所述灰度窗口的灰度特征，若检测到所述灰度特征是灰度边界框中的窗口，则将所述灰度窗口标记为潜在边界框；
将所有潜在边界框进行拼接，得到灰度边界框。
4.如权利要求2所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述在所述灰度边界框中获取人脸区域，包括：
利用如下裁剪公式在所述灰度边界框中获取人脸区域：
其中，是人脸区域，/>为所述灰度图像，/>为所述灰度边界框的长和宽，/>为人脸区域的长和宽。
5.如权利要求2所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息，包括：
利用如下前向传播函数将所述人脸区域为关键点检测模型的输入进行前向传播，得到模型输出的关键点的位置信息：
其中，为第/>层输出的位置信息，/>为第/>层权重矩阵，/>为第/>层偏置向量，/>为激活函数，/>为模型的层数。
6.如权利要求1至5中任一项所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述计算所述差分特征向量与预设的人脸特征向量之间的特征相似度，包括：
利用如下相似度计算公式计算所述差分特征向量与预设的人脸特征向量之间的特征相似度：
其中，表示特征相似度，/>表示所述差分特征向量的第/>个元素，/>表示人脸特征向量的第/>个元素，/>表示所述差分特征向量与预设的人脸特征向量之间的欧氏距离，/>表示所述差分特征向量，/>表示预设的人脸特征向量。
7.如权利要求1所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果，包括：
将所述特征相似度与对应的人脸标签进行关联，得到相似度标签索引；
利用最大值函数在所述特征相似度中确定最大值；
根据最大值在所述相似度标签索引中查找对应的人脸标签，将查找结果确定为匹配结果。
8.一种基于差分量化局部二值模式的人脸识别系统，用于实现如权利要求1-7任一项所述的基于差分量化局部二值模式的人脸识别方法，其特征在于，所述系统包括：
图像处理模块：将预设的人脸图像进行灰度处理，得到灰度图像，利用关键点检测模型提取所述灰度图像中的关键点的位置信息，根据所述位置信息将所述灰度图像进行区域划分，得到局部图像；
计算差异模块：计算所述局部图像中每个像素点与周围像素点的灰度值差异，得到差异结果，将所述差异结果量化为二进制串，其中，利用如下差分公式计算所述局部图像中每个像素点与周围像素点的灰度值差异：
其中，为所述灰度值差异，/> 表示水平方向上的梯度变化，/> 表示垂直方向上的梯度变化，/>表示某像素点的灰度值，/>表示像素点的横纵坐标；
建立差分码模块：根据所述二进制串建立差分码，利用所述差分码制作对应的差分列表，将所述差分列表连接成串，得到差分特征向量，计算所述差分特征向量与预设的人脸特征向量之间的特征相似度；
最终匹配模块：取所述特征相似度中的最大值中的人脸特征向量对应的人脸标签为对应的匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311677378.0A CN117373100B (zh) | 2023-12-08 | 2023-12-08 | 基于差分量化局部二值模式的人脸识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311677378.0A CN117373100B (zh) | 2023-12-08 | 2023-12-08 | 基于差分量化局部二值模式的人脸识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117373100A CN117373100A (zh) | 2024-01-09 |
| CN117373100B true CN117373100B (zh) | 2024-02-23 |
Family
ID=89389657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311677378.0A Active CN117373100B (zh) | 2023-12-08 | 2023-12-08 | 基于差分量化局部二值模式的人脸识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117373100B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093626A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工业大学 | 掌纹密钥系统 |
| CN102637251A (zh) * | 2012-03-20 | 2012-08-15 | 华中科技大学 | 基于参考特征的人脸识别方法 |
| WO2015090126A1 (zh) * | 2013-12-16 | 2015-06-25 | 北京天诚盛业科技有限公司 | 人脸特征的提取、认证方法及装置 |
| CN106022223A (zh) * | 2016-05-10 | 2016-10-12 | 武汉理工大学 | 一种高维局部二值模式人脸识别方法及系统 |
| CN106295566A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
| CN106778704A (zh) * | 2017-01-23 | 2017-05-31 | 安徽理工大学 | 一种人脸识别匹配方法及半自动化人脸匹配系统 |
| CN108182205A (zh) * | 2017-12-13 | 2018-06-19 | 南京信息工程大学 | 一种基于sift的hash算法的图像快速检索方法 |
| CN109815926A (zh) * | 2019-01-30 | 2019-05-28 | 南京邮电大学 | 一种基于欧式距离-差分编码的改进lbp算法 |
| WO2020015075A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技（深圳）有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
| US10803272B1 (en) * | 2016-09-26 | 2020-10-13 | Digimarc Corporation | Detection of encoded signals and icons |
| CN112464901A (zh) * | 2020-12-16 | 2021-03-09 | 杭州电子科技大学 | 基于梯度脸局部高阶主方向模式的人脸特征提取方法 |
| CN113095212A (zh) * | 2021-04-08 | 2021-07-09 | 武汉理工大学 | 基于局部排序算法加密的人脸识别方法及系统 |
| CN113705462A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
| CN113762280A (zh) * | 2021-04-23 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 一种图像类别识别方法、装置及介质 |
| CN114581991A (zh) * | 2022-03-08 | 2022-06-03 | 武汉航浚科技有限公司 | 基于面部表情动态感知的行为态度识别方法 |
| CN116113975A (zh) * | 2020-12-31 | 2023-05-12 | 华为技术有限公司 | 一种图像处理方法以及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG11201811691RA (en) * | 2017-06-30 | 2019-01-30 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for verifying authenticity of id photo |
| US20220059189A1 (en) * | 2020-07-14 | 2022-02-24 | The Regents Of The University Of California | Methods, circuits, and articles of manufacture for searching within a genomic reference sequence for queried target sequence using hyper-dimensional computing techniques |
-
2023
- 2023-12-08 CN CN202311677378.0A patent/CN117373100B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093626A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工业大学 | 掌纹密钥系统 |
| CN102637251A (zh) * | 2012-03-20 | 2012-08-15 | 华中科技大学 | 基于参考特征的人脸识别方法 |
| WO2015090126A1 (zh) * | 2013-12-16 | 2015-06-25 | 北京天诚盛业科技有限公司 | 人脸特征的提取、认证方法及装置 |
| CN106022223A (zh) * | 2016-05-10 | 2016-10-12 | 武汉理工大学 | 一种高维局部二值模式人脸识别方法及系统 |
| CN106295566A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
| US10803272B1 (en) * | 2016-09-26 | 2020-10-13 | Digimarc Corporation | Detection of encoded signals and icons |
| CN106778704A (zh) * | 2017-01-23 | 2017-05-31 | 安徽理工大学 | 一种人脸识别匹配方法及半自动化人脸匹配系统 |
| CN108182205A (zh) * | 2017-12-13 | 2018-06-19 | 南京信息工程大学 | 一种基于sift的hash算法的图像快速检索方法 |
| WO2020015075A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技（深圳）有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
| CN109815926A (zh) * | 2019-01-30 | 2019-05-28 | 南京邮电大学 | 一种基于欧式距离-差分编码的改进lbp算法 |
| CN112464901A (zh) * | 2020-12-16 | 2021-03-09 | 杭州电子科技大学 | 基于梯度脸局部高阶主方向模式的人脸特征提取方法 |
| CN116113975A (zh) * | 2020-12-31 | 2023-05-12 | 华为技术有限公司 | 一种图像处理方法以及装置 |
| CN113095212A (zh) * | 2021-04-08 | 2021-07-09 | 武汉理工大学 | 基于局部排序算法加密的人脸识别方法及系统 |
| CN113762280A (zh) * | 2021-04-23 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 一种图像类别识别方法、装置及介质 |
| CN113705462A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
| CN114581991A (zh) * | 2022-03-08 | 2022-06-03 | 武汉航浚科技有限公司 | 基于面部表情动态感知的行为态度识别方法 |
Non-Patent Citations (8)
| Title |
|---|
| A General Gray Code Quantized Method of Binary Feature Descriptors for Fast and Efficient Keypoint Matching;Y. Lin, deng;2019 2nd International Conference on Intelligent Autonomous Systems;1-7 * |
| Extended local binary patterns for face recognition;Li Liu 等;Information Sciences;358-359 * |
| Simultaneous Local Binary Feature Learning and Encoding for Face Recognition;J. Lu, 等;IEEE Transactions on Pattern Analysis and Machine Intelligence;第49卷(第8期);1979-1993 * |
| 图像二进制描述子及其目标识别算法研究;尚俊;中国博士学位论文全文数据库 (信息科技辑)(第(2017)08期);2017/08 * |
| 基于局部特征的人脸识别方法研究与实现;李昆明;中国优秀硕士学位论文全文数据库 (信息科技辑)(第(2014)04期);I138-695 * |
| 基于局部特征的图像检索技术研究;黄超;中国博士学位论文全文数据库 (信息科技辑)(第(2018)06期);I138-46 * |
| 基于局部边缘差异二值模式的人脸识别方法;杨巨成;李琼;刘娜;孙文辉;;天津科技大学学报(第04期);73-77 * |
| 宽带跳频信号调制识别和参数估计;张君易;中国优秀硕士学位论文全文数据库 (信息科技辑)(第(20185)09期);I136-97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117373100A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639692B (zh) | 一种基于注意力机制的阴影检测方法 | |
| WO2021036059A1 (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
| US7873208B2 (en) | Image matching system using three-dimensional object model, image matching method, and image matching program | |
| AU2014368997B2 (en) | System and method for identifying faces in unconstrained media | |
| CN103593464B (zh) | 基于视觉特征的视频指纹检测及视频序列匹配方法及系统 | |
| CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
| CN107273458B (zh) | 深度模型训练方法及装置、图像检索方法及装置 | |
| CN111428557A (zh) | 基于神经网络模型的手写签名的自动校验的方法和装置 | |
| WO2021175040A1 (zh) | 视频处理方法及相关装置 | |
| CN112614110B (zh) | 评估图像质量的方法、装置及终端设备 | |
| CN110472484A (zh) | 基于多视图特征的视频关键帧提取方法、系统及设备 | |
| CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
| CN112487981A (zh) | 基于双路分割的ma-yolo动态手势快速识别方法 | |
| CN114612987A (zh) | 一种表情识别方法及装置 | |
| CN111553838A (zh) | 模型参数的更新方法、装置、设备及存储介质 | |
| CN112488072A (zh) | 一种人脸样本集获取方法、系统及设备 | |
| CN114373194A (zh) | 基于关键帧与注意力机制的人体行为识别方法 | |
| CN117373100B (zh) | 基于差分量化局部二值模式的人脸识别方法及系统 | |
| CN113255828B (zh) | 特征检索方法、装置、设备及计算机存储介质 | |
| CN109829377A (zh) | 一种基于深度余弦度量学习的行人重识别方法 | |
| CN113112464B (zh) | 基于跨模态交流编码器的rgbd显著性物体检测方法及系统 | |
| CN112487927B (zh) | 一种基于物体关联注意力的室内场景识别实现方法及系统 | |
| CN111754459B (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
| CN113221830B (zh) | 一种超分活体识别方法、系统、终端及存储介质 | |
| CN116028657B (zh) | 基于运动检测技术的智能云相框的分析系统 |
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 |