CN108154116A - 一种图像识别方法及*** - Google Patents

一种图像识别方法及*** Download PDF

Info

Publication number
CN108154116A
CN108154116A CN201711412133.XA CN201711412133A CN108154116A CN 108154116 A CN108154116 A CN 108154116A CN 201711412133 A CN201711412133 A CN 201711412133A CN 108154116 A CN108154116 A CN 108154116A
Authority
CN
China
Prior art keywords
image
face
region
pretreated
feature information
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.)
Pending
Application number
CN201711412133.XA
Other languages
English (en)
Inventor
王彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201711412133.XA priority Critical patent/CN108154116A/zh
Publication of CN108154116A publication Critical patent/CN108154116A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明提供了一种图像识别方法及***，其中的方法包括：实时采集图像，获得原始图像，对原始图像进行图像预处理，得到预处理后的图像，对预处理后的图像进行检测，分理出图像中的人脸区域，从人脸区域中提取面部特征信息，将面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。本发明的图像识别方法及***，通过人脸检测、预处理、特征提取，从数据库中匹配出最具相似度的人脸，保证了人脸识别的准确性，具有广泛的应用前景。

Description

一种图像识别方法及***
技术领域
本发明涉及图像识别术领域，特别是涉及一种图像识别方法及***。
背景技术
随着人机交互技术的应用日益广泛，在人机交互领域中，人脸识别技术具有非常重要的意义。人脸识别是指人的面部五官以及轮廓的分布，这些分布特征因人而异，与生俱来。
然而，人脸会随着表情、年龄的变化而发生改变，会因光照、角度、距离等对图像成像影响较大，这些都会影响人脸识别的准确性。
发明内容
鉴于上述问题，本发明的一个目的是要提供一种克服上述问题或者至少部分地解决上述问题的图像识别方法及***。
本发明一个进一步的目的是提高人脸识别的精度和实现快速识别人脸。
根据本发明的一个方面，本发明提供了一种图像识别方法，包括：
实时采集图像，获得原始图像；
对原始图像进行图像预处理，得到预处理后的图像；
对预处理后的图像进行检测，分理出图像中的人脸区域；
从人脸区域中提取面部特征信息；
将面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。
可选地，对原始图像进行图像预处理的步骤具体包括：
对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。
可选地，对预处理后的图像进行检测，分理出图像中的人脸区域的步骤具体包括：
对预处理后的图像进行粗检测，获得图像中人脸候选区域；
采用AdaBoost算法对人脸候选区域进行检测，分离出人脸区域。
可选地，对预处理后的图像进行粗检测，获得图像中人脸候选区域的步骤具体包括：
设置一个滑动窗口在预处理后的图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，若harr-like特征值大于预设的候选阙值，则确定该区域是人脸候选区域。
可选地，从人脸区域中提取面部特征信息的步骤具体包括：
采用Gabor小波变换提取人脸区域内的面部特征信息。
根据本发明另一个方面，还提供了一种图像识别***，包括：
图像采集模块，配置为实时采集图像，获得原始图像；
图像预处理模块，配置为对原始图像进行图像预处理，得到预处理后的图像；
人脸检测模块，配置为对预处理后的图像进行检测，分理出图像中的人脸区域；
特征提取模块，配置为从人脸区域中提取面部特征信息；
识别模块，配置为将面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。
可选地，图像预处理模块还配置为：
对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。
可选地，人脸检测模块还配置为：
对预处理后的图像进行粗检测，获得图像中人脸候选区域；
采用AdaBoost算法对人脸候选区域进行检测，分离出人脸区域。
可选地，人脸检测模块还配置为：
设置一个滑动窗口在预处理后的图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，若harr-like特征值大于预设的候选阙值，则确定该区域是人脸候选区域。
可选地，特征提取模块还配置为：
采用Gabor小波变换提取人脸区域内的面部特征信息。
本发明的图像识别方法及***，通过人脸检测、预处理、特征提取，从数据库中匹配出最具相似度的人脸，保证了人脸识别的准确性，具有广泛的应用前景。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本发明一个实施例的图像识别方法的流程图；
图2是根据本发明一个实施例的图像识别***的示意性结构图。
具体实施方式
本实施例首先提供了一种图像识别方法，图1是根据本发明一个实施例的图像识别方法的流程图。
如图1所示，本实施例的图像识别方法包括：
S102，实时采集图像，获得原始图像；
S104，对原始图像进行图像预处理，得到预处理后的图像；
S106，对预处理后的图像进行检测，分理出图像中的人脸区域；
S108，从人脸区域中提取面部特征信息；
S110，将面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。
在步骤S104中，对原始图像进行图像预处理的步骤包括：对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。通过图像灰度化处理将彩色的原始图像转换为灰度图像，通过图像缩放处理将图像缩小在一个合适的尺寸，提升图像检测的速度，通过直方图光线均衡化处理改善图像的对比度和亮度，以避免光线不足或光线过亮对后续检测的影响。
在步骤S106中，对预处理后的图像进行检测，分理出图像中的人脸区域的步骤具体包括：对预处理后的图像进行粗检测，获得图像中人脸候选区域，采用AdaBoost算法对人脸候选区域进行检测，分离出人脸区域。其中，对预处理后的图像进行粗检测，获得图像中人脸候选区域的步骤具体包括：设置一个滑动窗口在预处理后的图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，若harr-like特征值大于预设的候选阙值，则确定该区域是人脸候选区域。
harr-1ike特征就是将黑白分半的图框放到滑动窗口中，将白色区域的像素减去黑色区域的像素和，然后设定一个候选阔值，大于候选阔值的区域就是得到的人脸候选区域。
AdaBoost算法是Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。
在步骤S108中，从人脸区域中提取面部特征信息的步骤具体包括：采用Gabor小波变换提取人脸区域内的面部特征信息。
由于Gabor小波变换可以提取图像特定区域内的多尺度、多方向空间频率特征，像显微镜一样放大灰度的变化，这样人脸图像中的眼睛、鼻子和嘴以及其它局部特征被放大，可以增强人脸图像中的一些关键特征，区分不同的人脸图像。
如图2所示，基于上述图像识别方法，本实施例还提供了一种图像识别***10，包括图像采集模块11、图像预处理模块12、人脸检测模块13、特征提取模块14和识别模块15。
图像采集模块11配置为实时采集图像，获得原始图像。图像预处理模块12配置为对原始图像进行图像预处理，得到预处理后的图像，图像预处理模块12还配置为对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。通过图像灰度化处理将彩色的原始图像转换为灰度图像，通过图像缩放处理将图像缩小在一个合适的尺寸，提升图像检测的速度，通过直方图光线均衡化处理改善图像的对比度和亮度，以避免光线不足或光线过亮对后续检测的影响。
人脸检测模块13配置为对预处理后的图像进行检测，分理出图像中的人脸区域，人脸检测模还配置为对预处理后的图像进行粗检测，获得图像中人脸候选区域，采用AdaBoost算法对人脸候选区域进行检测，分离出人脸区域。人脸检测模块13还配置为设置一个滑动窗口在预处理后的图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，若harr-like特征值大于预设的候选阙值，则确定该区域是人脸候选区域。
harr-1ike特征就是将黑白分半的图框放到滑动窗口中，将白色区域的像素减去黑色区域的像素和，然后设定一个候选阔值，大于候选阔值的区域就是得到的人脸候选区域。
特征提取模块14配置为从人脸区域中提取面部特征信息，特征提取模块14还配置为采用Gabor小波变换提取人脸区域内的面部特征信息。由于Gabor小波变换可以提取图像特定区域内的多尺度、多方向空间频率特征，像显微镜一样放大灰度的变化，这样人脸图像中的眼睛、鼻子和嘴以及其它局部特征被放大，可以增强人脸图像中的一些关键特征，区分不同的人脸图像。
识别模块15配置为将面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种图像识别方法，其特征在于，包括：
实时采集图像，获得原始图像；
对所述原始图像进行图像预处理，得到预处理后的图像；
对所述预处理后的图像进行检测，分理出所述图像中的人脸区域；
从所述人脸区域中提取面部特征信息；
将所述面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。
2.根据权利要求1所述的图像识别方法，其特征在于，所述对所述原始图像进行图像预处理的步骤具体包括：
对所述原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。
3.根据权利要求1所述的图像识别方法，其特征在于，所述对所述预处理后的图像进行检测，分理出所述图像中的人脸区域的步骤具体包括：
对所述预处理后的图像进行粗检测，获得所述图像中人脸候选区域；
采用AdaBoost算法对所述人脸候选区域进行检测，分离出所述人脸区域。
4.根据权利要求3所述的图像识别方法，其特征在于，所述对所述预处理后的图像进行粗检测，获得所述图像中人脸候选区域的步骤具体包括：
设置一个滑动窗口在所述预处理后的图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，若harr-like特征值大于预设的候选阙值，则确定该区域是人脸候选区域。
5.根据权利要求1所述的图像识别方法，其特征在于，所述从所述人脸区域中提取面部特征信息的步骤具体包括：
采用Gabor小波变换提取所述人脸区域内的面部特征信息。
6.一种图像识别***，其特征在于，包括：
图像采集模块，配置为实时采集图像，获得原始图像；
图像预处理模块，配置为对所述原始图像进行图像预处理，得到预处理后的图像；
人脸检测模块，配置为对所述预处理后的图像进行检测，分理出所述图像中的人脸区域；
特征提取模块，配置为从所述人脸区域中提取面部特征信息；
识别模块，配置为将所述面部特征信息与人脸特征库进行比较，识别出相似度最高的人脸。
7.根据权利要求6所述的图像识别***，其特征在于，所述图像预处理模块还配置为：
对所述原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。
8.根据权利要求6所述的图像识别***，其特征在于，所述人脸检测模块还配置为：
对所述预处理后的图像进行粗检测，获得所述图像中人脸候选区域；
采用AdaBoost算法对所述人脸候选区域进行检测，分离出所述人脸区域。
9.根据权利要求8所述的图像识别***，其特征在于，所述人脸检测模块还配置为：
设置一个滑动窗口在所述预处理后的图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，若harr-like特征值大于预设的候选阙值，则确定该区域是人脸候选区域。
10.根据权利要求6所述的图像识别***，其特征在于，所述特征提取模块还配置为：
采用Gabor小波变换提取所述人脸区域内的面部特征信息。
CN201711412133.XA 2017-12-23 2017-12-23 一种图像识别方法及*** Pending CN108154116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711412133.XA CN108154116A (zh) 2017-12-23 2017-12-23 一种图像识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711412133.XA CN108154116A (zh) 2017-12-23 2017-12-23 一种图像识别方法及***

Publications (1)

Publication Number Publication Date
CN108154116A true CN108154116A (zh) 2018-06-12

Family

ID=62465506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711412133.XA Pending CN108154116A (zh) 2017-12-23 2017-12-23 一种图像识别方法及***

Country Status (1)

Country Link
CN (1) CN108154116A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985224A (zh) * 2018-07-13 2018-12-11 江苏慧学堂***工程有限公司 一种提升人脸识别准确率的方法和人脸识别***
CN110755847A (zh) * 2019-10-30 2020-02-07 腾讯科技（深圳）有限公司 虚拟操作对象的生成方法和装置、存储介质及电子装置
US11380037B2 (en) 2019-10-30 2022-07-05 Tencent Technology (Shenzhen) Company Limited Method and apparatus for generating virtual operating object, storage medium, and electronic device

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985224A (zh) * 2018-07-13 2018-12-11 江苏慧学堂***工程有限公司 一种提升人脸识别准确率的方法和人脸识别***
CN110755847A (zh) * 2019-10-30 2020-02-07 腾讯科技（深圳）有限公司 虚拟操作对象的生成方法和装置、存储介质及电子装置
CN110755847B (zh) * 2019-10-30 2021-03-16 腾讯科技（深圳）有限公司 虚拟操作对象的生成方法和装置、存储介质及电子装置
WO2021082787A1 (zh) * 2019-10-30 2021-05-06 腾讯科技（深圳）有限公司 虚拟操作对象的生成方法和装置、存储介质及电子设备
US11380037B2 (en) 2019-10-30 2022-07-05 Tencent Technology (Shenzhen) Company Limited Method and apparatus for generating virtual operating object, storage medium, and electronic device

Similar Documents

Publication Publication Date Title
CN109154978B (zh) 用于检测植物疾病的***和方法
Savkare et al. Automatic system for classification of erythrocytes infected with malaria and identification of parasite's life stage
Shen et al. Improving OCR performance with background image elimination
Konwar et al. An American sign language detection system using HSV color model and edge detection
CN103824091B (zh) 一种用于智能交通***的车牌识别方法
CN106295648B (zh) 一种基于多光谱成像技术的低质量文档图像二值化方法
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN106022231A (zh) 一种基于多特征融合的行人快速检测的技术方法
CN108564092A (zh) 基于sift特征提取算法的向日葵病害识别方法
KR20160119932A (ko) 품질 측정 기반의 얼굴 인식 방법 및 장치
CN110659649A (zh) 一种基于近红外光成像的图像处理与字符识别算法
CN104484652A (zh) 一种指纹识别方法
CN108154116A (zh) 一种图像识别方法及***
Monwar et al. Pain recognition using artificial neural network
Agarwal et al. An efficient algorithm for automatic car plate detection & recognition
KR20080079798A (ko) 얼굴 검출 및 인식을 위한 방법
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Das et al. Human face detection in color images using HSV color histogram and WLD
Fathy et al. Benchmarking of pre-processing methods employed in facial image analysis
Jindal et al. Sign Language Detection using Convolutional Neural Network (CNN)
De Siqueira et al. Adaptive detection of human skin in color images
CN109960976A (zh) 一种图像识别***
Sajeena et al. Indian sign language recognition using AlexNet
Mehta et al. An Efficient Way to Detect and Recognize the Overlapped Coins using Otsu's Algorithm based on Hough Transform Technique
CN118038515B (zh) 一种人脸识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180612

WD01 Invention patent application deemed withdrawn after publication