CN102831379A - 人脸图像识别方法及装置 - Google Patents
人脸图像识别方法及装置 Download PDFInfo
- Publication number
- CN102831379A CN102831379A CN201110159574XA CN201110159574A CN102831379A CN 102831379 A CN102831379 A CN 102831379A CN 201110159574X A CN201110159574X A CN 201110159574XA CN 201110159574 A CN201110159574 A CN 201110159574A CN 102831379 A CN102831379 A CN 102831379A
- Authority
- CN
- China
- Prior art keywords
- score value
- group
- candidate
- facial image
- highest
- 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
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种人脸图像识别方法及装置,涉及图像识别技术领域,提高了人脸图像的识别率。包括:将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;分别对第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化;并进行同类别合并,得出N个类别及各类别对应的分值,从中确定分值最大的类别作为识别结果。主要应用于人脸图像识别处理中。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种人脸图像识别方法及装置。
背景技术
目前,在对人脸图像进行识别时,较常采用可见光技术和近红外光技术来采集人脸图像。
其中,可见光是一种人眼能感知的光源,也是生活中最常见的光源,可见光图像(通过可见光采集的图像)的采集是在可见光的照射下完成的。因而,采集可见光图像时,受光照条件等因素的影响较大。
近红外光属于一种不可见光,采用近红外光采集人脸图像时,由于人脸皮肤的温度产生的热辐射系数与周围景物的热辐射系数有明显区别,所以采用近红外光技术比较容易将人脸区域与周围的背景区分开来,并且,在可见光照条件变化时,只要脸部内在温度变化不大,近红外光图像(通过近红外光采集的图像)就不会产生明显变化。因而,近红外光图像不易受光照条件等因素的影响。但是,近红外光图像也存在一定的缺陷。例如,近红外光不能穿透玻璃,容易降低对戴眼镜的人脸的识别性能。又如,在室外进行人脸识别时,由于室外存在大量的环境光的干扰,同时受到硬件条件的限制导致主动光源强度远远低于环境光,从而使得采集的近红外光人脸图像光照变化非常强烈,降低了近红外光图像的识别性能。
为了改善对人脸图像的识别性能,现有技术提供一种对上述可见光图像和近红外光图像进行决策层融合识别的方法。该方法通过使用不同的传感器观测同一个目标,并分别对其进行数据采集、特征抽取、识别和分类,以得到观察目标的初步分类结果。然后,通过关联处理进行决策层的融合判决,根据一定的准则以及每个决策的可信度做出最优决策,最后得到最终的分类结果。
然而,在现有决策层融合识别方法中,由于决策层处于识别过程的末端,获得的信息量较少,融合算法对识别结果的改善能力容易受到相应的局限,因而,采用现有决策层融合识别方法对人脸图像的识别率较低。
发明内容
本发明的实施例提供一种人脸图像识别方法及装置,提高了人脸图像的识别率。
为达到上述目的,本发明的实施例采用如下技术方案:
一种人脸图像的识别方法,包括:
将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;
将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;
对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选对应的归一化分值;
将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出N个类别及各类别对应的合并分值,所述N个类别中第i个类别对应的合并分值为所述第i个类别在第一组中对应的归一化分值和在所述第二组中对应的归一化分值的总和,其中,N<2M,0<i≤N,i、N和M均为正整数;
从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。
一种人脸图像的识别装置,包括:
第一处理单元,用于将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;
第二处理单元,用于将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;
归一化单元,用于对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选对应的归一化分值;
合并单元,用于将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出N个类别及各类别对应的合并分值,所述N个类别中第i个类别对应的合并分值为所述第i个类别在第一组中对应的归一化分值和在所述第二组中对应的归一化分值的总和,其中,N<2M,0<i≤N,i、N和M均为正整数;
确定单元,用于从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。
由上述技术方案所描述的本发明实施例中,将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出候选对应的N个类别及各类别对应的合并分值,从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。与现有技术中由于决策层处于识别过程的末端导致获得的信息量较少,从而使得人脸图像的识别率较低相比,本发明实施例带来的有益效果为:在决策层进行融合识别时,可以获得各个类别的分值,亦即可以为决策层提供更多的信息量,进而可以提高人脸图像的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种人脸图像的识别方法的流程图;
图2为本发明实施例1提供的另一种人脸图像的识别方法的示意图;
图3为本发明实施例2提供的一种人脸图像的识别装置的结构图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明实施例提供一种人脸图像的识别方法,如图1所示,包括如下步骤:
101、将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值。
具体地,将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类。所述第一组匹配分值最高的前M个候选对应的类别中的匹配分值可以采用余弦距离或者采用欧式距离进行计算得出。
余弦距离的计算公式如下公式(1)所示:
其中,x表示从通过近红外光采集的第一人脸图像中提取的特征,y表示预设近红外光注册集合中的一张人脸图像提取出的特征,D(x,y)表示第一人脸图像与y所属的人脸图像所具有的对应的类别的匹配分值。
本发明实施例中预设近红外光注册集合中的每一张人脸图像均具有对应的一个类别。通常,预设近红外光注册集合中属于同一个人的所有人脸图像,均可看作同一个类别。
例如,预设近红外光注册集合中的一张人脸图像A对应类别为类别2时,如果上述y表示预设近红外光注册集合中的人脸图像A提取出的特征,那么D(x,y)表示人脸图像A所具有的类别2对应的匹配分值。
欧式距离的计算公式如下公式(2)所示:
其中,x表示从通过近红外光采集的第一人脸图像中提取的特征,y表示预设近红外光注册集合中的人脸图像提取出的特征,D(x,y)表示第一人脸图像与y所属的人脸图像所具有的对应的类别的匹配分值。
特别地,所述第一组匹配分值最高的前M个候选对应的类别具体是指分值最大的匹配分值最高的前M个候选具有的类别。
102、将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值。
具体地,将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类。所述第二组匹配分值最高的前M个候选对应的类别和匹配分值可以采用余弦距离或者采用欧式距离进行计算得出。
所述余弦距离的计算公式可以参见上述公式(1)的相关描述,所述欧式距离的计算公式可以参见上述公式(2)的相关描述.
需要说明的是,所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值均采用余弦距离进行计算得出;
或者,所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值均采用欧式距离进行计算得出。
103、分别对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选对应的归一化分值。
通过对不同组的匹配分值进行归一化,可以减少不同模态图像导致的分值数不在同一个层次的影响,提高识别的准确性。具体地,如果上述步骤101和102均采用余弦距离计算各个类别对应的分值,则本步骤将采用如下公式(3)分别对所述第一组匹配分值最高的前M个类别各自对应的分值和所述第二组匹配分值最高的前M个类别各自对应的分值进行归一化。
θ′=(θ-min(θ))/(max(θ)-min(θ)) (3)
其中,θ′表示当前候选的归一化分值,θ表示当前候选的匹配分值,max(θ)表示当前候选所在组中匹配分值最大的分值,min(θ)表示当前候选所在组中匹配分值最小的分值。
例如,采用上述公式(3)对所述第一组匹配分值最高的前M个候选各自对应的匹配分值进行归一化时,θ′表示第一组中第j个候选的归一化分值,则θ表示第一组中第j个候选的匹配分值,max(θ)表示第一组中匹配分值最大的分值,min(θ)第一组中匹配分值最小的分值。通过归一化,可以得到第一组的匹配分值最高的前M和候选各自对应的归一化分值。如图2所示,第一组第一个候选(类别2)对应的归一化分值为1.0。
又如,采用上述公式(3)对所述第二组匹配分值最高的前M个候选各自对应的匹配分值进行归一化时,θ′表示第二组中第j个候选的归一化分值,则θ表示第二组中第j个候选的匹配分值,max(θ)表示第二组中匹配分值最大的分值,min(θ)第二组中匹配分值最小的分值。如图2所示,第二组第二个候选(类别1)对应的归一化分值为0.87。
具体地,如果上述步骤101和102均采用欧式距离计算各个类别对应的分值,则本步骤将采用如下公式(4)分别对所述第一组匹配分值最高的前M个类别各自对应的分值和所述第二组匹配分值最高的前M个类别各自对应的分值进行归一化。
θ′=(θ-max(θ))/(min(θ)-max(θ)) (4)
其中,θ′表示第j个候选的归一化分值,θ表示第j个候选的匹配分值,max(θ)表示第j个候选所在组中匹配分值最大的分值,min(θ)表示第j个候选所在组中匹配分值最小的分值,j≤M且j为正整数。
采用上述公式(4)对所述第一组和第二组中匹配分值最高的前M个类别各自对应的分值进行归一化时,可参考上述采用公式(3)中的具体说明。
如图2所示,将第一图像分别与预设近红外光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类,再对分值进行归一化处理后,得出第一组前6个类别各类别对应的归一化后分值。如图2所示,第一组中类别2对应的归一化后的分值为1.0,第一组中类别4对应的归一化后的分值为0.95,等等。
将第二图像分别与预设可见光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类,再对分值进行归一化处理后,得出第二组前6个类别及各类别对应的归一化分值。例如,第二组中类别2对应的归一化分值为1.0,第二组中类别1对应的归一化分值为0.87,等等。
104、将所述第一组匹配分值最高的前M个类别和所述第二组匹配分值最高的前M个类别进行同类别合并,得出N个类别及任一类别对应的合并分值,所述N个类别中第i个类别对应的合并分值为所述第i个类别在第一组中对应的归一化分值和在所述第二组中对应的归一化分值的总和,其中,N<2M,0<i≤N,i、N和M均为正整数.
以图2为例进行说明:将第一组前6个类别和所述第二组前6个类别进行同类别合并,得出4个类别及任一类别对应的分值。
比如,上述4个类别中第1个类别(具体为类别1)对应的分值为0.87,计算过程为:类别1在第一组中无对应分值,类别1在第二组中对应的经过归一化后的分值为0.87,因而类别1对应的分值即为类别1在第二组中经过归一化后的分值;
又如,上述4个类别中第2个类别(具体为类别2)对应的分值为3.5,计算过程为:类别2在第一组中分别对应的经过归一化后的分值为1.0、0.73、0.45,类别2在第二组中分别对应的经过归一化后的分值为1.0和0.32,因而类别2对应的分值即为1.0+0.73+0.45+1.0+0.32=3.5。
105、从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。
具体地,可以将所述N个类别按照分值进行升序排列或者降序排列,之后,获取排列后的N个类别中分值最大的类别作为识别结果。
以图2为例,上述4个类别中经过降序排列后,分值最大的类别为类别2,因此,确定类别2为识别结果。
本发明实施例中,将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出候选对应的N个类别及各类别对应的合并分值,从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。与现有技术中由于决策层处于识别过程的末端导致获得的信息量较少,从而使得人脸图像的识别率较低相比,本发明实施例带来的有益效果为:在决策层进行融合识别时,可以获得各个类别的分值,亦即可以为决策层提供更多的信息量,进而可以提高人脸图像的识别率。
为了更好的验证本发明实施例提供的方法可以提高人脸图像的识别率,下面将本发明提出的人脸图像的识别方法与现有的人脸图像的识别算法进行比较。在分类阶段,采用余弦距离作为不同样本之间的相似度度量,用最近邻分类器(NN)进行分类。
本实验在近红外-可见光数据集上比较各种方法的识别性能。近红外-可见光数据库由实验室内部采集,共有来自90个人的5600张图片,包括2800张近红外光人脸图像和2800张可见光人脸图像。这90个人分别在室内拍摄20张可见光图片和20张红外光图片,并分别在室外四个光照方向(顺光,背光,左测光,右测光)各拍摄10张可见光图片和10张红外光图片。每个人随机挑选室内的10张可见光图片作为可见光注册集,同样随机挑选室内的10张近红外图片作为近红外注册集。将剩下的室内室外图片作为测试集并分成5份:室内,顺光,背光,左侧光以及右测光。实验中所有的图像都根据自动检测得到的眼睛坐标归一化为64*64。
对人脸图像进行特征提取时,采用LBP(Local Binary Pattern)特征,并使用LDA(Linear Discriminant Analysis)降维。如下表1为:采用本发明提供的方法达到的识别率以及现有识别方法达到的识别率的对比情况。
表1
从表1中可以看出,在室内注册室内进行识别的时候,使用近红外光图像的识别性能好于可见光图像的识别性能,而在室外进行识别的时候,使用近红外光图像的识别性能却不及可见光图像,那是因为在室外进行识别的时候,因为大量的环境光的存在导致主动光源远远小于环境光,而使得采集近红外光图像失效。使用基于现有融合方法对提升识别性能有一定的效果,但是鲁棒性不强,性能提升不明显而使用本发明提到的识别方法能够有效提升识别性能,在室外背光的情况下,其识别率能达到83%。
实施例2:
本发明实施例提供一种人脸图像的识别装置,如图3所示,包括:第一处理单元11,第二处理单元12,归一化单元13,合并单元14和确定单元15。
其中,第一处理单元11,用于将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;
第二处理单元12,用于将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;
归一化单元13,用于对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选的归一化分值;
合并单元14,用于将所述第一组匹配分值最高的前M个类别和所述第二组匹配分值最高的前M个类别进行同类别合并,得出N个类别及各类别对应的合并分值,所述N个类别中第i个类别对应的合并分值为所述第i个类别在第一组中对应的归一化分值和在所述第二组中对应的归一化分值的总和,其中,N<2M,0<i≤N,i、N和M均为正整数;
确定单元15,用于从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。
本发明实施例提供的装置,将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出候选对应的N个类别及各类别对应的合并分值,从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。与现有技术中由于决策层处于识别过程的末端导致获得的信息量较少,从而使得人脸图像的识别率较低相比,本发明实施例带来的有益效果为:在决策层进行融合识别时,可以获得各个类别的分值,亦即可以为决策层提供更多的信息量,进而可以提高人脸图像的识别率。
所述第一处理单元11具体用于将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类;
所述第二处理单元12具体用于将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类。
所述第一处理单元11得出的第一组匹配分值最高的前M个类别中任一类别对应的分值和所述第二处理单元12的第二组匹配分值最高的前M个类别中任一类别对应的分值均采用余弦距离计算得出,或所述第一处理单元11得出的第一组匹配分值最高的前M个类别中任一类别对应的分值和所述第二处理单元12的第二组匹配分值最高的前M个类别中任一类别对应的分值均采用欧式距离计算得出。
所述确定单元15具体用于将所述N个类别按照合并分值进行升序排列或者降序排列,并获取排列后的N个类别中合并分值最大的类别作为识别结果。
利用本发明实施例中提供的装置完成人脸图像的识别过程,可以参照实施例一中的描述,此处不再赘述。
本发明实施例主要应用于人脸图像识别处理中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种人脸图像的识别方法,其特征在于,包括:
将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;
将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;
对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选对应的归一化分值;
将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出N个类别及各类别对应的合并分值,所述N个类别中第i个类别对应的合并分值为所述第i个类别在第一组中对应的归一化分值和在所述第二组中对应的归一化分值的总和,其中,N<2M,0<i≤N,i、N和M均为正整数;
从所述N个类别中确定合并分值最大的类别作为人脸图像的识别结果。
2.根据权利要求1所述的人脸图像的识别方法,其特征在于,所述将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类包括:将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类;
所述将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类包括:将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类。
3.根据权利要求1所述的人脸图像的识别方法,其特征在于,所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值均采用余弦距离进行计算得出。
4.根据权利要求3所述的人脸图像的识别方法,其特征在于,所述对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选对应的归一化分值具体为:
通过公式θ′=(θ-min(θ))/(max(θ)-min(θ))分别获得各候选对应的归一化分值,其中:θ′表示当前候选的归一化分值,θ表示当前候选的匹配分值,max(θ)表示当前候选所在组中匹配分值最大值,min(θ)表示当前候选所在组中匹配分值最小值。
5.根据权利要求1所述的人脸图像的识别方法,其特征在于,所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值均采用欧式距离进行计算得出。
6.根据权利要求5所述的人脸图像的识别方法,其特征在于,所述对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化具体为,得到各候选对应的归一化分值具体为:
通过公式θ′=(θ-max(θ))/(min(θ)-max(θ))分别获得各候选对应的归一化分值,其中:θ′表示当前候选的归一化分值,θ表示当前候选的匹配分值,max(θ)表示当前候选所在组中匹配分值最大值,min(θ)表示当前候选所在组中匹配分值最小值。
7.一种人脸图像的识别装置,其特征在于,包括:
第一处理单元,用于将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配并分类,得出第一组匹配分值最高的前M个候选对应的类别和匹配分值;
第二处理单元,用于将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配并分类,得出第二组匹配分值最高的前M个候选对应的类别和匹配分值;
归一化单元,用于对所述第一组匹配分值最高的前M个候选对应的匹配分值和所述第二组匹配分值最高的前M个候选对应的匹配分值进行归一化,得到各候选对应的归一化分值;
合并单元,用于将所述第一组匹配分值最高的前M个候选和所述第二组匹配分值最高的前M个候选进行同类别合并,得出N个类别及各类别对应的合并分值,所述N个类别中第i个类别对应的合并分值为所述第i个类别在第一组中对应的归一化分值和在所述第二组中对应的归一化分值的总和,其中,N<2M,0<i≤N,i、N和M均为正整数;
确定单元,用于从所述N个类别中确定合并分值最大的类别作为人脸图像识别结果。
8.根据权利要求7所述的人脸图像的识别装置,其特征在于,所述第一处理单元具体用于将通过近红外光采集的第一人脸图像与预设近红外光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类;
所述第二处理单元具体用于将通过可见光采集的第二人脸图像与预设可见光注册集合中的人脸图像进行特征匹配,并采用最近邻分类器进行分类。
9.根据权利要求7所述的人脸图像的识别装置,其特征在于,所述第一处理单元得出的第一组匹配分值最高的前M个候选对应的匹配分值和所述第二处理单元得出的第二组匹配分值最高的前M个候选对应的匹配分值均采用余弦距离进行计算得出。
10.根据权利要求7所述的人脸图像的识别装置,其特征在于,所述第一处理单元得出的第一组匹配分值最高的前M个候选对应的匹配分值和所述第二处理单元得出的第二组匹配分值最高的前M个候选对应的匹配分值均采用欧式距离进行计算得出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110159574.XA CN102831379B (zh) | 2011-06-14 | 2011-06-14 | 人脸图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110159574.XA CN102831379B (zh) | 2011-06-14 | 2011-06-14 | 人脸图像识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102831379A true CN102831379A (zh) | 2012-12-19 |
CN102831379B CN102831379B (zh) | 2015-11-25 |
Family
ID=47334510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110159574.XA Active CN102831379B (zh) | 2011-06-14 | 2011-06-14 | 人脸图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102831379B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914679A (zh) * | 2013-01-05 | 2014-07-09 | 联想(北京)有限公司 | 一种图像识别方法、装置和电子设备 |
WO2015003522A1 (zh) * | 2013-07-10 | 2015-01-15 | 小米科技有限责任公司 | 人脸识别方法、装置和移动终端 |
CN109284675A (zh) * | 2018-08-13 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 一种用户的识别方法、装置及设备 |
CN109934296A (zh) * | 2019-03-18 | 2019-06-25 | 江苏科技大学 | 一种基于红外和可见光图像多环境下水面人员识别方法 |
WO2019128362A1 (zh) * | 2017-12-28 | 2019-07-04 | 北京京东尚科信息技术有限公司 | 人脸识别方法、装置、***及介质 |
CN110084110A (zh) * | 2019-03-19 | 2019-08-02 | 西安电子科技大学 | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404060A (zh) * | 2008-11-10 | 2009-04-08 | 北京航空航天大学 | 一种基于可见光与近红外Gabor信息融合的人脸识别方法 |
CN201233607Y (zh) * | 2008-07-28 | 2009-05-06 | 汉王科技股份有限公司 | 一种人脸识别装置 |
CN101639891A (zh) * | 2008-07-28 | 2010-02-03 | 汉王科技股份有限公司 | 一种双摄像头人脸识别装置和方法 |
CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和*** |
-
2011
- 2011-06-14 CN CN201110159574.XA patent/CN102831379B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201233607Y (zh) * | 2008-07-28 | 2009-05-06 | 汉王科技股份有限公司 | 一种人脸识别装置 |
CN101639891A (zh) * | 2008-07-28 | 2010-02-03 | 汉王科技股份有限公司 | 一种双摄像头人脸识别装置和方法 |
CN101404060A (zh) * | 2008-11-10 | 2009-04-08 | 北京航空航天大学 | 一种基于可见光与近红外Gabor信息融合的人脸识别方法 |
CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914679A (zh) * | 2013-01-05 | 2014-07-09 | 联想(北京)有限公司 | 一种图像识别方法、装置和电子设备 |
CN103914679B (zh) * | 2013-01-05 | 2017-07-21 | 联想(北京)有限公司 | 一种图像识别方法、装置和电子设备 |
WO2015003522A1 (zh) * | 2013-07-10 | 2015-01-15 | 小米科技有限责任公司 | 人脸识别方法、装置和移动终端 |
WO2019128362A1 (zh) * | 2017-12-28 | 2019-07-04 | 北京京东尚科信息技术有限公司 | 人脸识别方法、装置、***及介质 |
CN109977741A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 人脸识别方法、装置、***及介质 |
CN109284675A (zh) * | 2018-08-13 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 一种用户的识别方法、装置及设备 |
CN109284675B (zh) * | 2018-08-13 | 2022-06-07 | 创新先进技术有限公司 | 一种用户的识别方法、装置及设备 |
CN109934296A (zh) * | 2019-03-18 | 2019-06-25 | 江苏科技大学 | 一种基于红外和可见光图像多环境下水面人员识别方法 |
CN109934296B (zh) * | 2019-03-18 | 2023-04-07 | 江苏科技大学 | 一种基于红外和可见光图像多环境下水面人员识别方法 |
CN110084110A (zh) * | 2019-03-19 | 2019-08-02 | 西安电子科技大学 | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 |
CN110084110B (zh) * | 2019-03-19 | 2020-12-08 | 西安电子科技大学 | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102831379B (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229362B (zh) | 一种基于门禁***的双目人脸识别活体检测方法 | |
Heo et al. | Fusion of visual and thermal signatures with eyeglass removal for robust face recognition | |
Sun et al. | Improving iris recognition accuracy via cascaded classifiers | |
CN102419819B (zh) | 人脸图像识别方法和*** | |
CN105447503B (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
CN104036278B (zh) | 人脸算法标准脸部图像的提取方法 | |
CN105608450A (zh) | 基于深度卷积神经网络的异质人脸识别方法 | |
CN102096823A (zh) | 基于高斯模型和最小均方差的人脸检测方法 | |
CN106250877A (zh) | 近红外人脸识别方法及装置 | |
CN102831379A (zh) | 人脸图像识别方法及装置 | |
CN105138954A (zh) | 一种图像自动筛选查询识别*** | |
CN109145742A (zh) | 一种行人识别方法及*** | |
CN102156887A (zh) | 一种基于局部特征学习的人脸识别方法 | |
CN1627317A (zh) | 利用主动光源获取人脸图像的方法 | |
CN103049758A (zh) | 融合步态光流图和头肩均值形状的远距离身份验证方法 | |
CN102194108A (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
CN1529278A (zh) | 基于多类别的人脸分类识别方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN104102907A (zh) | 一种消除光照不均匀的lbp人脸识别方法 | |
CN104573628A (zh) | 一种三维人脸识别方法 | |
CN111209850B (zh) | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 | |
Sikander et al. | Facial feature detection: A facial symmetry approach | |
Tavallali et al. | Robust skin detector based on AdaBoost and statistical luminance features | |
CN110298377A (zh) | 基于深层人工神经网络的数字图像中烟火检测方法 | |
Wibowo et al. | Feature extraction using histogram of oriented gradient and hu invariant moment for face recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |