CN106295530A - 人脸识别方法及装置 - Google Patents

Abstract

本公开是关于一种人脸识别方法及装置，属于图像识别领域，所述方法包括：对待识别人脸图像进行人脸检测，得到多个人脸关键点；基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；基于所述坐标向量，确定弱透视矩阵和三维人脸模型；基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；基于映射后的所述三维人脸模型进行人脸识别。本公开通过获取待识别人脸图像中的多个人脸关键点，确定该多个人脸关键点的坐标向量，并根据该坐标向量确定该待识别人脸图像的三维人脸模型，从而对该三维人脸模型进行识别，简化了计算过程，提高了矫正人脸姿态的效率，进而提高了人脸识别的效率和准确度。

Description

人脸识别方法及装置

技术领域

本公开涉及图像识别领域，尤其涉及一种人脸识别方法及装置。

背景技术

随着技术的发展，人脸识别的应用范围越来越广泛，比如，表情分析、驾驶员疲劳驾驶检测等。由于在对人脸进行识别时，人脸的姿态可能不是正面的，从而可能会影响到对人脸的识别，因此，在进行人脸识别时，需要对不是正面的人脸姿态进行矫正。

相关技术中，对人脸姿态进行矫正通常是通过三维人脸模型进行的。其中，终端可以对多张训练图像分别进行激光扫描，确定每张训练图像包括的多个人脸位置点中每个人脸位置点的平均位置，以及确定每个人脸位置点的平均位置的二维坐标和三维坐标，该多个人脸位置点为训练图像中人脸的全部点。基于该多个人脸位置点中每个人脸位置点的平均位置，通过PCA(Principal Component Analysis，主成分分析)算法建立三维人脸模型。同时，基于该每个人脸位置点的平均位置的二维坐标和三维坐标，生成透视矩阵。然后将待识别人脸图像中人脸的每个像素点的像素值通过透视矩阵映射到该三维人脸模型上，得到该待识别人脸图像中人脸的三维结构，然后对该三维结构进行旋转，以将待识别人脸图像中的人脸的姿态矫正为正面，从而对待识别人脸图像中的人脸进行识别。

发明内容

为克服相关技术中存在的问题，本公开提供一种人脸识别方法及装置。

根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括：

对待识别人脸图像进行人脸检测，得到多个人脸关键点；

基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；

基于所述坐标向量，确定弱透视矩阵和三维人脸模型；

基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；

基于映射后的所述三维人脸模型进行人脸识别。

可选地，所述基于所述坐标向量，确定弱透视矩阵和三维人脸模型，包括：

基于所述坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定所述弱透视矩阵和多个形状分量收敛系数，所述多个第一形状分量系数与所述多个指定位置点的形状分量一一对应，且所述多个第一形状分量系数为预设的初始值；

基于所述多个形状分量收敛系数，确定所述三维人脸模型。

可选地，所述基于所述坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定所述弱透视矩阵和多个形状分量收敛系数，包括：

基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵；

基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述第一矩阵，通过所述最小二乘法确定多个第二形状分量系数；

判断所述多个第二形状分量系数是否收敛；

当所述多个第二形状分量系数未收敛时，将所述多个第一形状分量系数设置为对应的第二形状分量系数，并返回所述基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至所述多个第二形状分量系数收敛为止；

将收敛的多个第二形状分量系数确定为所述多个形状分量收敛系数，并将通过所述多个形状分量收敛系数确定的第一矩阵确定为所述弱透视矩阵。

可选地，所述基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵，包括：

基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定所述第一矩阵；

所述指定公式为：

其中，上述指定公式中，所述T为所述第一矩阵，所述p为所述坐标向量，所述m为所述指定平均人脸形状向量，所述n为所述多个指定位置点的数量，所述ω_i为所述n个指定位置点中第i个指定位置点的形状分量，所述α_i为所述第i个指定位置点的第一形状分量系数。

可选地，所述基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上，包括：

将所述待识别人脸图像中每个像素点的像素值通过所述弱透视矩阵映射到所述三维人脸模型上；

判断映射后的三维人脸模型上是否存在未映射区域；

当所述三维人脸模型中存在未映射区域时，在映射后的所述三维人脸模型中确定所述未映射区域的对称区域；

将所述对称区域中每个像素点的像素值通过所述弱透视矩阵映射到所述未映射区域中。

根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括：

检测模块，用于对待识别人脸图像进行人脸检测，得到多个人脸关键点；

生成模块，用于基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；

确定模块，用于基于所述坐标向量，确定弱透视矩阵和三维人脸模型；

映射模块，用于基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；

识别模块，用于基于映射后的所述三维人脸模型进行人脸识别。

可选地，所述确定模块包括：

第一确定单元，用于基于所述坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定所述弱透视矩阵和多个形状分量收敛系数，所述多个第一形状分量系数与所述多个指定位置点的形状分量一一对应，且所述多个第一形状分量系数为预设的初始值；

第二确定单元，用于基于所述多个形状分量收敛系数，确定所述三维人脸模型。

可选地，所述第一确定单元包括：

第一确定子单元，用于基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵；

第二确定子单元，用于基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述第一矩阵，通过所述最小二乘法确定多个第二形状分量系数；

判断子单元，用于判断所述多个第二形状分量系数是否收敛；

设置子单元，用于当所述多个第二形状分量系数未收敛时，将所述多个第一形状分量系数设置为对应的第二形状分量系数；

触发子单元，用于当所述多个第二形状分量系数未收敛时，触发所述基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至所述多个第二形状分量系数收敛为止；

第三确定子单元，用于将收敛的多个第二形状分量系数确定为所述多个形状分量收敛系数，并将通过所述多个形状分量收敛系数确定的第一矩阵确定为所述弱透视矩阵。

可选地，所述第一确定单元包括：

第四确定子单元，用于基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定所述第一矩阵；

所述指定公式为：

其中，上述指定公式中，所述T为所述第一矩阵，所述p为所述坐标向量，所述m为所述指定平均人脸形状向量，所述n为所述多个指定位置点的数量，所述ω_i为所述n个指定位置点中第i个指定位置点的形状分量，所述α_i为所述第i个指定位置点的第一形状分量系数。

可选地，所述映射模块包括：

第一映射单元，用于将所述待识别人脸图像中每个像素点的像素值通过所述弱透视矩阵映射到所述三维人脸模型上；

判断单元，用于判断映射后的三维人脸模型上是否存在未映射区域；

第三确定单元，用于当所述三维人脸模型中存在未映射区域时，在映射后的所述三维人脸模型中确定所述未映射区域的对称区域；

第二映射单元，用于将所述对称区域中每个像素点的像素值通过所述弱透视矩阵映射到所述未映射区域中。

根据本公开实施例的第三方面，提供一种人脸识别装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

对待识别人脸图像进行人脸检测，得到多个人脸关键点；

基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；

基于所述坐标向量，确定弱透视矩阵和三维人脸模型；

基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；

基于映射后的所述三维人脸模型进行人脸识别。

本公开的实施例提供的技术方案可以包括以下有益效果：在本公开实施例中，终端可以获取待识别人脸图像中的多个人脸关键点，确定该多个人脸关键点的坐标向量，并根据该坐标向量确定弱透视矩阵和三维人脸模型，由于终端是通过人脸关键点来确定坐标向量而不是待识别人脸图像中的所有点，因此，终端在确定弱透视矩阵和三维人脸模型的过程中，减少了计算量，简化了计算过程，提高了计算速度。之后，终端可以基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上，保证了该三维人脸模型的准确性和完整性，从而终端对该三维人脸模型进行识别时，提高了人脸识别的效率和准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种人脸识别方法的流程图。

图2A是根据一示例性实施例示出的另一种人脸识别方法的流程图。

图2B是根据一示例性实施例示出的一种人脸关键点的示意图。

图3A是根据一示例性实施例示出的一种人脸识别装置的结构框图。

图3B是根据一示例性实施例示出的一种确定模块的结构框图。

图3C是根据一示例性实施例示出的一种映射模块的结构框图。

图4是根据一示例性实施例示出的另一种人脸识别装置的结构框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在对本公开实施例进行详细地解释说明之前，先对本公开实施例的应用场景予以介绍。由于在进行人脸识别时，人脸的姿态可能不是正面的姿态，因此，需要对不是正面的人脸姿态进行矫正。目前，终端可以从多张训练图像中确定由多个人脸位置点建立的三维人脸模型和透视矩阵，并通过该透视矩阵和该三维人脸模型，得到该待识别人脸图像中人脸的三维结构，然后对该三维结构进行旋转，以将待识别人脸图像中的人脸的姿态矫正为正面，从而对待识别人脸图像中的人脸进行识别。但是，由于在确定三维人脸模型时，需要获取多个人脸位置点的平均位置，计算量大且计算繁琐，降低了矫正人脸姿态的效率，从而使人脸识别受到了限制，降低了人脸识别的效率。因此，本公开实施例提供了一种人脸识别方法，可以降低建立三维人脸模型的计算量，从而提高矫正人脸姿态的效率，进而可以提高人脸识别的效率和准确度。

图1是根据一示例性实施例示出的一种人脸识别方法的流程图，如图1所示，该方法用于终端中，包括以下步骤。

在步骤101中，对待识别人脸图像进行人脸检测，得到多个人脸关键点。

在步骤102中，基于该多个人脸关键点在该待识别人脸图像中的坐标，生成坐标向量。

在步骤103中，基于该坐标向量，确定弱透视矩阵和三维人脸模型。

在步骤104中，基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上。

在步骤105中，基于映射后的该三维人脸模型进行人脸识别。

在本公开实施例中，终端可以获取待识别人脸图像中的多个人脸关键点，确定该多个人脸关键点的坐标向量，并根据该坐标向量确定弱透视矩阵和三维人脸模型，由于终端是通过人脸关键点来确定坐标向量而不是待识别人脸图像中的所有点，因此，终端在确定弱透视矩阵和三维人脸模型的过程中，减少了计算量，简化了计算过程，提高了计算速度。之后，终端可以基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上，保证了该三维人脸模型的准确性和完整性，从而终端对该三维人脸模型进行识别时，提高了人脸识别的效率和准确度。

可选地，基于该坐标向量，确定弱透视矩阵和三维人脸模型，包括：

基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数，该多个第一形状分量系数与该多个指定位置点的形状分量一一对应，且该多个第一形状分量系数为预设的初始值；

基于该多个形状分量收敛系数，确定该三维人脸模型。

可选地，基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数，包括：

基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵；

基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该第一矩阵，通过该最小二乘法确定多个第二形状分量系数；

判断该多个第二形状分量系数是否收敛；

当该多个第二形状分量系数未收敛时，将该多个第一形状分量系数设置为对应的第二形状分量系数，并返回基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至该多个第二形状分量系数收敛为止；

将收敛的多个第二形状分量系数确定为该多个形状分量收敛系数，并将通过该多个形状分量收敛系数确定的第一矩阵确定为该弱透视矩阵。

可选地，基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵，包括：

基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定该第一矩阵；

该指定公式为：

其中，上述指定公式中，该T为该第一矩阵，该p为该坐标向量，该m为该指定平均人脸形状向量，该n为该多个指定位置点的数量，该ω_i为该n个指定位置点中第i个指定位置点的形状分量，该α_i为该第i个指定位置点的第一形状分量系数。

可选地，基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上，包括：

将该待识别人脸图像中每个像素点的像素值通过该弱透视矩阵映射到该三维人脸模型上；

判断映射后的三维人脸模型上是否存在未映射区域；

当该三维人脸模型中存在未映射区域时，在映射后的该三维人脸模型中确定该未映射区域的对称区域；

将该对称区域中每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中。

上述所有可选技术方案，均可按照任意结合形成本公开的可选实施例，本发明实施例对此不再一一赘述。

图2A是根据一示例性实施例示出的一种人脸识别方法的流程图，参见图2A，该方法包括如下步骤。

在步骤201中，终端对待识别人脸图像进行人脸检测，得到多个人脸关键点。

其中，终端可以通过人脸关键点检测算法对待识别人脸图像进行人脸检测，得到多个人脸关键点，也可以通过其他方式进行人脸检测，本公开实施例对此不做具体限定。

需要说明的是，该人脸关键点检测算法可以是SDM(Supervised Descent Method，有监督的梯度下降方法)算法，也可以是其他算法，本公开实施例对此不做具体限定。

另外，该多个人脸关键点可以是指表示人脸五官的点。比如，如图2B所示的人脸关键点示意图，该多个人脸关键点可以为表示人脸的眼睛、嘴巴、鼻子、眉毛、脸部轮廓等的点，本公开实施例对此不做具体限定。

还需要说明的是，终端通过人脸关键点检测算法对待识别人脸图像进行人脸检测的操作可以参考相关技术，本公开实施例对此不再进行一一赘述。

在步骤202中，终端基于该多个人脸关键点在该待识别人脸图像中的坐标，生成坐标向量。

其中，该终端可以确定该多个人脸关键点中每个人脸关键点在待识别人脸图像中的坐标，将每个人脸关键点的坐标进行串联，从而生成坐标向量。

需要说明的是，终端将每个人脸关键点的坐标进行串联，生成坐标向量的操作可以参考相关技术，本公开实施例对此同样不再进行一一赘述。

比如，终端获取的5个人脸关键点的坐标分别为(x₁，y₁)、(x₂，y₂)、(x₃，y₃)、(x₄，y₄)和(x₅，y₅)，将该5个人脸关键点进行串联，生成坐标向量为[x₁，y₁，x₂，y₂，x₃，y₃，x₄，y₄，x₅，y₅]^T。

需要说明的是，在本公开实施例中仅以上述5个人脸关键点的坐标为例进行说明，并不对本公开实施例构成限定。

在步骤203中，终端基于该坐标向量，确定弱透视矩阵和三维人脸模型。

其中，终端基于该坐标向量，确定弱透视矩阵和三维人脸模型的操作可以为：基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数，该多个第一形状分量系数与该多个指定位置点的形状分量一一对应，且该多个第一形状分量系数为预设的初始值；基于该多个形状分量收敛系数，确定该三维人脸模型。

需要说明的是，指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数均为事先设置的参数。

其中，由于该多个第一形状分量***是预设的初始值，因此，该多个第一形状分量系数均可以为0，当然，在实际应用中也可以为其他数值，本公开实施例对此不做具体限定。

另外，终端基于该坐标向量，确定弱透视矩阵和三维人脸模型之前，还可以对多张训练图像分别进行激光扫描，确定每张训练图像包括的多个人脸位置点中每个人脸位置点的平均位置，并基于该人脸平均位置确定指定平均人脸形状位置向量；通过PCA(PrincipalComponent Analysis，主成分分析)算法对该指定平均人脸形状向量进行分析，以确定多个指定位置点的数量和多个指定位置点的形状分量。

需要说明的是，终端不仅可以通过PCA算法对该指定平均人脸形状向量进行分析，还可以通过其他方式进行分析，本公开实施例对此不做具体限定。

还需要说明的是，终端通过PCA算法对该指定平均人脸形状向量进行分析的操作可以参考相关技术，本公开实施例对此不再进行一一赘述。

另外，终端基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数的操作可以为：终端基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵；基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和该第一矩阵，通过最小二乘法确定多个第二形状分量系数；判断该多个第二形状分量系数是否收敛；当该多个第二形状分量系数未收敛时，将该多个第一形状分量系数设置为对应的第二形状分量系数，并返回基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至该多个第二形状分量系数收敛为止；将收敛的多个第二形状分量系数确定为该多个形状分量收敛系数，并将通过该多个形状分量收敛系数确定的第一矩阵确定为弱透视矩阵。

其中，当该多个第二形状分量系数中的每个第二形状分量***不再发生变化，或者，该多个第二形状分量系数存在发生变化的第二形状分量***且发生的变化小于或者等于变化阈值时，确定该多个第二形状分量系数收敛。当该多个第二形状分量系数依旧发生变化且发生的变化大于变化阈值时，确定该多个第二形状分量系数未收敛。

需要说明的是，该变化阈值用于衡量多个第二形状分量系数的变化是否达到收敛标准，且该变化阈值可以事先设置，比如，该变化阈值可以为1、2、3等，本公开实施例对此不做具体限定。

另外，终端基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵的操作可以为：基于坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定该第一矩阵；

该指定公式为：

其中，上述指定公式中，T为该第一矩阵，p为该坐标向量，m为该指定平均人脸形状向量，n为该多个指定位置点的数量，ω_i为该n个指定位置点中第i个指定位置点的形状分量，α_i为该第i个指定位置点的第一形状分量系数。

另外，由于终端可以通过上述指定公式确定该第一矩阵，因此，终端可以将α_i确定为未知数，并基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和该第一矩阵，同样按照上述指定公式，通过最小二乘法确定多个第二形状分量系数。其中，α_i此时为该第i个指定位置点的第二形状分量系数。

需要说明的是，该指定公式中用于表示三维人脸模型，因此，当确定该多个第二形状分量系数收敛时，也即是，当确定该多个形状分量收敛系数时，可以确定该三维人脸模型为

在步骤204中，终端基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上。

其中，终端可以将该待识别人脸图像中每个像素点的像素值通过该弱透视矩阵映射到三维人脸模型上；判断映射后的三维人脸模型上是否存在未映射区域；当该三维人脸模型中存在未映射区域时，在映射后的三维人脸模型中确定该未映射区域的对称区域；将该对称区域中每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中。

需要说明的是，终端将该待识别人脸图像中每个像素点的像素值通过该弱透视矩阵映射到三维人脸模型上的操作可以参考相关技术，本公开实施例对此不再进行一一赘述。

另外，终端可以判断该三维人脸模型上是否全部映射有像素值，当该三维人脸模型中存在未映射像素值的区域时，将该区域确定为未映射区域。

需要说明的是，终端不仅可以通过上述方式判断映射后的三维人脸模型上是否存在未映射区域，还可以通过其他方式进行判断，本公开实施例对此不做具体限定。

还需要说明的是，由于该三维人脸模型中相互对称的两个区域之间的像素点的像素值应为相同的像素值，因此，终端可以在该三维人脸模型中获取未映射区域的对称区域，并将该对称区域中的每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中。

在步骤205中，终端基于映射后的三维人脸模型进行人脸识别。

其中，由于映射后的三维人脸模型可以进行任意角度的旋转，因此，为了提高人脸识别的效果，通常需要将该映射后的三维人脸模型旋转为正面，以将待识别人脸图像中的人脸的姿态矫正为正面，从而对待识别人脸图像中的人脸进行识别。

需要说明的是，终端基于该映射后的三维人脸模型进行人脸识别的操作可以参考相关技术，本公开实施例对此不再进行一一赘述。

在本公开实施例中，终端可以从待识别人脸图像中获取多个人脸关键点，并确定该多个人脸关键点的坐标向量，然后可以基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数；并基于该多个形状分量收敛系数，确定该三维人脸模型。由于该指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数为预设数值，坐标向量为多个人脸关键点的坐标向量，因此，终端在确定该弱透视矩阵和三维人脸模型的过程中，减少了计算过程，降低了计算复杂度，从而加快了确定弱透视矩阵和三维人脸模型的速度。之后，将该待识别人脸图像中的每个像素点的像素值通过弱透视矩阵映射到该三维人脸模型上，并从该三维人脸模型中确定未映射区域以及未映射区域的对称区域中每个像素点的像素值，将该对称区域中每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中，从而保证了该待识别人脸图像的三维人脸模型的完整性，以及保证了确定该三维人脸模型的准确性。最后终端可以将该三维人脸模型进行任意角度的旋转以进行人脸识别，从而提高了识别人脸的效率和准确度。

图3A是根据一示例性实施例示出的一种人脸识别装置的结构框图。参照图3A，该装置包括检测模块301、生成模块302、确定模块303、映射模块304和识别模块305。

检测模块301，用于对待识别人脸图像进行人脸检测，得到多个人脸关键点；

生成模块302，用于基于该多个人脸关键点在该待识别人脸图像中的坐标，生成坐标向量；

确定模块303，用于基于该坐标向量，确定弱透视矩阵和三维人脸模型；

映射模块304，用于基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上；

识别模块305，用于基于映射后的该三维人脸模型进行人脸识别。

可选地，参见图3B，该确定模块303包括：

第一确定单元3031，用于基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数，该多个第一形状分量系数与该多个指定位置点的形状分量一一对应，且该多个第一形状分量系数为预设的初始值；

第二确定单元3032，用于基于该多个形状分量收敛系数，确定该三维人脸模型。

可选地，该第一确定单元3031包括：

第一确定子单元，用于基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵；

第二确定子单元，用于基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该第一矩阵，通过该最小二乘法确定多个第二形状分量系数；

判断子单元，用于判断该多个第二形状分量系数是否收敛；

设置子单元，用于当该多个第二形状分量系数未收敛时，将该多个第一形状分量系数设置为对应的第二形状分量系数；

触发子单元，用于当该多个第二形状分量系数未收敛时，触发该基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至该多个第二形状分量系数收敛为止；

第三确定子单元，用于将收敛的多个第二形状分量系数确定为该多个形状分量收敛系数，并将通过该多个形状分量收敛系数确定的第一矩阵确定为该弱透视矩阵。

可选地，该第一确定单元3031包括：

第四确定子单元，用于基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定该第一矩阵；

该指定公式为：

其中，上述指定公式中，该T为该第一矩阵，该p为该坐标向量，该m为该指定平均人脸形状向量，该n为该多个指定位置点的数量，该ω_i为该n个指定位置点中第i个指定位置点的形状分量，该α_i为该第i个指定位置点的第一形状分量系数。

可选地，参见图3C，该映射模块304包括：

第一映射单元3041，用于将该待识别人脸图像中每个像素点的像素值通过该弱透视矩阵映射到该三维人脸模型上；

判断单元3042，用于判断映射后的三维人脸模型上是否存在未映射区域；

第三确定单元3043，用于当该三维人脸模型中存在未映射区域时，在映射后的该三维人脸模型中确定该未映射区域的对称区域；

第二映射单元3044，用于将该对称区域中每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中。

在本公开实施例中，终端可以从待识别人脸图像中获取多个人脸关键点，并确定该多个人脸关键点的坐标向量，然后可以基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数；并基于该多个形状分量收敛系数，确定该三维人脸模型。由于该指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数为预设数值，坐标向量为多个人脸关键点的坐标向量，因此，终端在确定该弱透视矩阵和三维人脸模型的过程中，减少了计算过程，降低了计算复杂度，从而加快了确定弱透视矩阵和三维人脸模型的速度。之后，将该待识别人脸图像中的每个像素点的像素值通过弱透视矩阵映射到该三维人脸模型上，并从该三维人脸模型中确定未映射区域以及未映射区域的对称区域中每个像素点的像素值，将该对称区域中每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中，从而保证了该待识别人脸图像的三维人脸模型的完整性，以及保证了确定该三维人脸模型的准确性。最后终端可以将该三维人脸模型进行任意角度的旋转以进行人脸识别，从而提高了识别人脸的效率和准确度。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的一种用于人脸识别的装置400的框图。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为装置400的各种组件提供电源。电源组件406可以包括电源管理***，一个或多个电源，及其他与为装置400生成、管理和分配电源相关联的组件。

多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种人脸识别方法，所述方法包括：

对待识别人脸图像进行人脸检测，得到多个人脸关键点；

基于该多个人脸关键点在该待识别人脸图像中的坐标，生成坐标向量；

基于该坐标向量，确定弱透视矩阵和三维人脸模型；

基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上；

基于映射后的该三维人脸模型进行人脸识别。

可选地，基于该坐标向量，确定弱透视矩阵和三维人脸模型，包括：

基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数，该多个第一形状分量系数与该多个指定位置点的形状分量一一对应，且该多个第一形状分量系数为预设的初始值；

基于该多个形状分量收敛系数，确定该三维人脸模型。

可选地，基于该坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定该弱透视矩阵和多个形状分量收敛系数，包括：

基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵；

基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该第一矩阵，通过该最小二乘法确定多个第二形状分量系数；

判断该多个第二形状分量系数是否收敛；

当该多个第二形状分量系数未收敛时，将该多个第一形状分量系数设置为对应的第二形状分量系数，并返回基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至该多个第二形状分量系数收敛为止；

将收敛的多个第二形状分量系数确定为该多个形状分量收敛系数，并将通过该多个形状分量收敛系数确定的第一矩阵确定为该弱透视矩阵。

可选地，基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，通过最小二乘法确定第一矩阵，包括：

基于该坐标向量、该指定平均人脸形状向量、该多个指定位置点的形状分量和该多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定该第一矩阵；

该指定公式为：

其中，上述指定公式中，该T为该第一矩阵，该p为该坐标向量，该m为该指定平均人脸形状向量，该n为该多个指定位置点的数量，该ω_i为该n个指定位置点中第i个指定位置点的形状分量，该α_i为该第i个指定位置点的第一形状分量系数。

可选地，基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上，包括：

将该待识别人脸图像中每个像素点的像素值通过该弱透视矩阵映射到该三维人脸模型上；

判断映射后的三维人脸模型上是否存在未映射区域；

当该三维人脸模型中存在未映射区域时，在映射后的该三维人脸模型中确定该未映射区域的对称区域；

将该对称区域中每个像素点的像素值通过该弱透视矩阵映射到该未映射区域中。

在本公开实施例中，终端可以获取待识别人脸图像中的多个人脸关键点，确定该多个人脸关键点的坐标向量，并根据该坐标向量确定弱透视矩阵和三维人脸模型，由于终端是通过人脸关键点来确定坐标向量而不是待识别人脸图像中的所有点，因此，终端在确定弱透视矩阵和三维人脸模型的过程中，减少了计算量，简化了计算过程，提高了计算速度。之后，终端可以基于该弱透视矩阵，将该待识别人脸图像中每个像素点的像素值映射到该三维人脸模型上，保证了该三维人脸模型的准确性和完整性，从而终端对该三维人脸模型进行识别时，提高了人脸识别的效率和准确度

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (11)

1.一种人脸识别方法，其特征在于，所述方法包括：

对待识别人脸图像进行人脸检测，得到多个人脸关键点；

基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；

基于所述坐标向量，确定弱透视矩阵和三维人脸模型；

基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；

基于映射后的所述三维人脸模型进行人脸识别。

2.如权利要求1所述的方法，其特征在于，所述基于所述坐标向量，确定弱透视矩阵和三维人脸模型，包括：

基于所述坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定所述弱透视矩阵和多个形状分量收敛系数，所述多个第一形状分量系数与所述多个指定位置点的形状分量一一对应，且所述多个第一形状分量系数为预设的初始值；

基于所述多个形状分量收敛系数，确定所述三维人脸模型。

3.如权利要求2所述的方法，其特征在于，所述基于所述坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定所述弱透视矩阵和多个形状分量收敛系数，包括：

基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵；

基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述第一矩阵，通过所述最小二乘法确定多个第二形状分量系数；

判断所述多个第二形状分量系数是否收敛；

当所述多个第二形状分量系数未收敛时，将所述多个第一形状分量系数设置为对应的第二形状分量系数，并返回所述基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至所述多个第二形状分量系数收敛为止；

将收敛的多个第二形状分量系数确定为所述多个形状分量收敛系数，并将通过所述多个形状分量收敛系数确定的第一矩阵确定为所述弱透视矩阵。

4.如权利要求2所述的方法，其特征在于，所述基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵，包括：

基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定所述第一矩阵；

所述指定公式为：

其中，上述指定公式中，所述T为所述第一矩阵，所述p为所述坐标向量，所述m为所述指定平均人脸形状向量，所述n为所述多个指定位置点的数量，所述ω_i为所述n个指定位置点中第i个指定位置点的形状分量，所述α_i为所述第i个指定位置点的第一形状分量系数。

5.如权利要求1所述的方法，其特征在于，所述基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上，包括：

将所述待识别人脸图像中每个像素点的像素值通过所述弱透视矩阵映射到所述三维人脸模型上；

判断映射后的三维人脸模型上是否存在未映射区域；

当所述三维人脸模型中存在未映射区域时，在映射后的所述三维人脸模型中确定所述未映射区域的对称区域；

将所述对称区域中每个像素点的像素值通过所述弱透视矩阵映射到所述未映射区域中。

6.一种人脸识别装置，其特征在于，所述装置包括：

检测模块，用于对待识别人脸图像进行人脸检测，得到多个人脸关键点；

生成模块，用于基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；

确定模块，用于基于所述坐标向量，确定弱透视矩阵和三维人脸模型；

映射模块，用于基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；

识别模块，用于基于映射后的所述三维人脸模型进行人脸识别。

7.如权利要求6所述的装置，其特征在于，所述确定模块包括：

第一确定单元，用于基于所述坐标向量、指定平均人脸形状向量、多个指定位置点的形状分量和多个第一形状分量系数，通过最小二乘法确定所述弱透视矩阵和多个形状分量收敛系数，所述多个第一形状分量系数与所述多个指定位置点的形状分量一一对应，且所述多个第一形状分量系数为预设的初始值；

第二确定单元，用于基于所述多个形状分量收敛系数，确定所述三维人脸模型。

8.如权利要求7所述的装置，其特征在于，所述第一确定单元包括：

第一确定子单元，用于基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵；

第二确定子单元，用于基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述第一矩阵，通过所述最小二乘法确定多个第二形状分量系数；

判断子单元，用于判断所述多个第二形状分量系数是否收敛；

设置子单元，用于当所述多个第二形状分量系数未收敛时，将所述多个第一形状分量系数设置为对应的第二形状分量系数；

触发子单元，用于当所述多个第二形状分量系数未收敛时，触发所述基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，通过最小二乘法确定第一矩阵的步骤，直至所述多个第二形状分量系数收敛为止；

第三确定子单元，用于将收敛的多个第二形状分量系数确定为所述多个形状分量收敛系数，并将通过所述多个形状分量收敛系数确定的第一矩阵确定为所述弱透视矩阵。

9.如权利要求7所述的装置，其特征在于，所述第一确定单元包括：

第四确定子单元，用于基于所述坐标向量、所述指定平均人脸形状向量、所述多个指定位置点的形状分量和所述多个第一形状分量系数，按照如下指定公式，通过最小二乘法确定所述第一矩阵；

所述指定公式为：

其中，上述指定公式中，所述T为所述第一矩阵，所述p为所述坐标向量，所述m为所述指定平均人脸形状向量，所述n为所述多个指定位置点的数量，所述ω_i为所述n个指定位置点中第i个指定位置点的形状分量，所述α_i为所述第i个指定位置点的第一形状分量系数。

10.如权利要求6所述的装置，其特征在于，所述映射模块包括：

第一映射单元，用于将所述待识别人脸图像中每个像素点的像素值通过所述弱透视矩阵映射到所述三维人脸模型上；

判断单元，用于判断映射后的三维人脸模型上是否存在未映射区域；

第三确定单元，用于当所述三维人脸模型中存在未映射区域时，在映射后的所述三维人脸模型中确定所述未映射区域的对称区域；

第二映射单元，用于将所述对称区域中每个像素点的像素值通过所述弱透视矩阵映射到所述未映射区域中。

11.一种人脸识别装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

对待识别人脸图像进行人脸检测，得到多个人脸关键点；

基于所述多个人脸关键点在所述待识别人脸图像中的坐标，生成坐标向量；

基于所述坐标向量，确定弱透视矩阵和三维人脸模型；

基于所述弱透视矩阵，将所述待识别人脸图像中每个像素点的像素值映射到所述三维人脸模型上；

基于映射后的所述三维人脸模型进行人脸识别。