CN108446675A - 面部图像识别方法、装置电子设备及计算机可读介质 - Google Patents

Abstract

本公开涉及一种面部图像识别方法、装置电子设备及计算机可读介质。涉及计算机信息处理领域，该方法包括：对实时图像进行检测获取面部图像；当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；以及通过所述待识别面部图像进行面部图像识别。本公开涉及的面部图像识别方法、装置电子设备及计算机可读介质，能够快速从摄像头中获取有效的用户人脸，进行人脸比对操作，极大减少重复识别的次数，提高识别率。

Description

面部图像识别方法、装置电子设备及计算机可读介质

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种面部图像识别方法、装置电子设备及计算机可读介质。

背景技术

随着技术的发展，人脸识别技术不断进入大众视野。刷脸进站、刷脸支付、刷脸打卡等等方式应运而生。随着人脸识别技术的日渐成熟，“刷脸”时代正在到来。但是在实际应用中，受光照、角度、用户主观动作等影响，导致摄像头抓拍人脸昏暗模糊、质量较差，降低识别准确率，增加比对时间，影响用户体验。

现有的技术方案中，人脸识别技术通过摄像头实时采集现场图像，通过Dlib、YOLO等检测算法进行人脸检测，当检测到人脸之后，对人脸进行标准点对齐，与库中人脸或者身份证人脸进行比对。在人脸模糊、角度偏差大、光照不均情况下，目前多是重复执行人脸抓取、比对的流程，通过多次比对来提高识别率。

首先，YOLO等基于深度学习的检测算法，大多是严重依赖GPU效率的，在移动端的CPU上处理运算性能较差，即使增加设备成本也不利于向终端迁移。基于Dlib的人脸检测算法计算时间复杂度与图像尺寸成正比，对一张标准1024*728的图像进行人脸检测需耗时近0.5s，无法达到实时效果，影响识别效率。

因此，需要一种新的面部图像识别方法、装置电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种面部图像识别方法、装置电子设备及计算机可读介质，能够快速从摄像头中获取有效的用户人脸，进行人脸比对操作，极大减少重复识别的次数，提高识别率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种面部图像识别方法，该方法包括：对实时图像进行检测获取面部图像；当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；以及通过所述待识别面部图像进行面部图像识别。

在本公开的一种示例性实施例中，对实时图像进行检测获取面部图像包括：将所述实时图像进行缩放处理，生成第一图像；以及对所述第一图像进行面部检测以获取所述面部图像。

在本公开的一种示例性实施例中，对所述第一图像进行面部检测以获取所述面部图像包括：利用Dlib库对所述第一图像进行面部检测以获取所述面部图像。

在本公开的一种示例性实施例中，所述面部图像的参数在预设范围内包括：所述面部图像的模糊度在第一预设范围内；所述面部图像的亮度在第二预设范围内；以及所述面部图像的角度在第三预设范围内。

在本公开的一种示例性实施例中，所述面部图像的模糊度在第一预设范围内包括：对所述面部图像进行三原色通道拆分；对拆分后的预定通道求解拉普拉斯方程获得第一数值；对所述第一数值进行归一化处理生成模糊度数值；以及确定所述模糊度数值是否在所述第一预设范围内。

在本公开的一种示例性实施例中，所述面部图像的亮度在第二预设范围内包括：对所述面部图像由三原色空间转换到色相饱和度亮度空间；通过面部校正算法对转换后的面部图像进行归一化处理，生成亮度数值；以及确定所述亮度数值是否在所述第二预设范围内。

在本公开的一种示例性实施例中，所述面部图像的角度在第三预设范围内包括：通过比例正交投影迭代变换算法确定所述面部图像的三维姿态；确定所述三维姿态对应的翻转角度；以及确定所述翻转角度是否在所述第三预设范围内。

在本公开的一种示例性实施例中，对所述面部图像进行图像矫正处理以生成待识别面部图像包括：对所述面部图像进行光照矫正处理以生成第一面部图像；以及对所述第一面部图像进行角度矫正以生成所述待识别面部图像。

在本公开的一种示例性实施例中，对所述面部图像进行光照矫正处理以生成第一面部图像包括：通过伽马光照校正方式对所述面部图像进行光照矫正处理以生成所述第一面部图像。

在本公开的一种示例性实施例中，对所述第一面部图像进行角度矫正以生成所述待识别面部图像包括：获取所述第一面部图像中的预定点位；将所述预定点位与标准点位进行仿射变换以获取所述待识别面部图像。

在本公开的一种示例性实施例中，通过所述待识别面部图像进行面部图像识别包括：通过Dlib库对所述待识别面部图像进行面部图像识别。

根据本公开的一方面，提出一种面部图像识别装置，该装置包括：检测模块，用于对实时图像进行检测获取面部图像；校正模块，用于当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；以及识别模块，用于通过所述待识别面部图像进行面部图像识别。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的面部图像识别方法、装置电子设备及计算机可读介质，能够快速从摄像头中获取有效的用户人脸，进行人脸比对操作，极大减少重复识别的次数，提高识别率。

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的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种面部图像识别方法及装置的***框图。

图2是根据一示例性实施例示出的一种面部图像识别方法的流程图。

图3是根据另一示例性实施例示出的一种面部图像识别方法的流程图。

图4是根据一示例性实施例示出的一种面部图像识别装置的框图。

图5是根据一示例性实施例示出的一种电子设备的框图。

图6是根据一示例性实施例示出一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本申请的发明人发现，基于Dlib的人脸检测算法中进行人脸比对耗时的主要原因是，在检测过程中重复进行人脸抓取、比对，这一过程会严重增加识别时间。有鉴于此，本申请的发明人提出了如下的方法，目的在于减少检测过程中人脸抓取、比对的次数，提高人脸识别的总体效率。

图1是根据一示例性实施例示出的一种面部图像识别方法及装置的***框图。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。终端设备101、102、103上还可以带有能够进行摄影摄像的摄像头装置。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所拍摄实时视频数据提供后台管理服务器。后台管理服务器可以对接收到的实时图像数据进行分析等处理，并将处理结果反馈给终端设备。

终端设备101、102、103可以通过自身的CPU对实时图像进行处理，终端设备101、102、103可以对实时图像进行检测获取面部图像；终端设备101、102、103可以进行判断，当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；终端设备101、102、103可以通过所述待识别面部图像进行面部图像识别。

终端设备101、102、103与服务器105可以共同工作，终端设备101、102、103可以对实时图像进行检测获取面部图像；服务器105可以进行判断，当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；服务器105可以通过所述待识别面部图像进行面部图像识别。

需要说明的是，本公开实施例所提供的面部图像识别方法可以由服务器105执行也可以由终端设备101、102、103执行，相应地，面部图像识别装置可以设置于服务器105中也可以设置于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种面部图像识别方法的流程图。面部图像识别方法20至少包括步骤S202至S206。

如图2所示，在S202中，对实时图像进行检测获取面部图像。可例如，利用Dlib库对所述第一图像进行面部检测以获取所述面部图像。Dlib是一个机器学习的C++库，包含了许多机器学习常用的算法。使得使用者可以通过该库对实时图像进行检测，并对图像中的面部特征进行定位与提取，进而进行后续的操作。Dlib进行人脸检测的步骤可例如如下：训练模块：首先进行人脸检测，获取人脸区域的点坐标；然后进行人脸关键点标记，进行角度等条件以将人脸对正，归一化处理以保存图片，其次，手动筛选图片，训练样本得到模型。还可例如通过其他方式获取实时图像，以及提取图像中的面部图像，然后进行本申请中其他步骤的处理，本申请不以此为限。

在一个实施例中，还可例如将所述实时图像进行缩放处理，生成第一图像；以及对所述第一图像进行面部检测以获取所述面部图像。传统Dlib人脸检测算法时间复杂度与图像尺寸成正比，在本申请中，先将待检测图像帧等比例N倍缩放到一定大小，N的数值可例如基于大量测试数据得出，使得缩放后图像仍保留基本特征。使用Dlib对缩放后的小图片进行人脸检测，对检测结果进行过滤，取bounding box(包围盒)矩形框最大的人脸。

在S204中，当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像。可例如，首先进行面部图像的参数的判断，可例如判断所述面部图像的模糊度是否在第一预设范围内；判断所述面部图像的亮度是否在第二预设范围内；以及判断所述面部图像的角度是否在第三预设范围内。当所述面部图像的参数在预设范围内时，进行后续的图像矫正处理。

在一个实施例中，对所述面部图像进行图像矫正处理以生成待识别面部图像包括：对所述面部图像进行光照矫正处理以生成第一面部图像；以及对所述第一面部图像进行角度矫正以生成所述待识别面部图像。可例如使用伽马光照进行矫正，还可例如通过大量的实验对比生成人脸亮度值和Gamma校正参数对照表，利用Gamma算法对人脸图像亮度进行归一化校正，过暗的人脸变亮，过亮的人脸变暗。其中，伽马校正就是对图像的伽马曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果。

在一个实施例中，对所述第一面部图像进行角度矫正以生成所述待识别面部图像包括：获取所述第一面部图像中的预定点位；将所述预定点位与标准点位进行仿射变换以获取所述待识别面部图像。可例如，将人脸图像缩放到规定尺寸，检测人脸关键点，提取两侧眼部、鼻尖、两侧嘴角5个关键点，与规定尺寸下的标准人脸的5个关键点进行仿射变换，得到矫正对准之后的人脸图像。仿射变换，又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。仿射变换保持了二维图形的“平直性”(直线经仿射变换后依然为直线)和“平行性”(直线之间的相对位置关系保持不变，平行线经仿射变换后依然为平行线，且直线上点的位置顺序不会发生变化)。非共线的三对对应点确定一个唯一的仿射变换。

在S206中，通过所述待识别面部图像进行面部图像识别。通过Dlib库对所述待识别面部图像进行面部图像识别。Dlib进行人脸识别的步骤可例如如下：：读取实时图像，进行人脸检测，获取人脸区域的点坐标；然后对实时人脸关键点标记，进行角度等条件将人脸对正，归一化处理后输入模型库，以与模型库中的已有图片进行对比，输出预测出结果。预测结果可例如为该用户在模型库中对应的编号或者名称。

根据本公开的面部图像识别方法，在进行人脸识别时，首先将实时图片进行处理，剔除不能够满足识别要求的图片，然后对图片进行初步的矫正处理，然后再进行人脸识别的方式，能够快速从摄像头中获取有效的用户人脸，进行人脸比对操作，极大减少重复识别的次数，提高识别率。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种面部图像识别方法的流程图。图3所示的流程是对图2所示的流程中S104中“当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像”的详细描述，

如图3所示，在S302中，判断所述面部图像的模糊度是否在第一预设范围内。可例如，对所述面部图像进行三原色通道拆分；对拆分后的预定通道求解拉普拉斯方程获得第一数值；对所述第一数值进行归一化处理生成模糊度数值；以及确定所述模糊度数值是否在所述第一预设范围内。

在一个实施例中，对人脸图像进行RGB通道拆分，对用其中一通道(可例如为B通道)求拉普拉斯方差，将得到方差数据归一化到0～1的数值，得到模糊度百分比，将小于模糊度阀值的人脸图像过滤掉。

在S304中，判断所述面部图像的亮度是否在第二预设范围内。可例如，对所述面部图像由三原色空间转换到色相饱和度亮度空间；通过面部校正算法对转换后的面部图像进行归一化处理，生成亮度数值；以及确定所述亮度数值是否在所述第二预设范围内。

在一个实施例中，将图像从RGB颜色空间转换到HSL颜色空间，并利用L通道计算人脸亮度值，因为L是HSL空间的亮度通道，最能反映人脸的亮度。过滤掉过暗或过亮的人脸后，利用gamma光照校正算法自适应的对人脸图像进行归一化校正，将小于亮度阀值的人脸图像过滤掉。

其中，过滤公式如下Lightness＝mean(sum(L))。mean(A)函数表示求矩阵A的均值；sum(L)表示HSL空间的亮度通道的总和。

在S306中，判断所述面部图像的角度是否在第三预设范围内。可例如，通过比例正交投影迭代变换算法确定所述面部图像的三维姿态；确定所述三维姿态对应的翻转角度；以及确定所述翻转角度是否在所述第三预设范围内。

在一个实施例中，利用人脸关键点检测算法，得到人脸的6个关键点位置，利用正交投影迭代变换算法算法(Pose from Orthography and Scaling with Iterations，POSIT)估计人脸的3D姿态，即(pitch，yaw，roll)三种角度，分别代表上下翻转，左右翻转，平面内旋转的角度。过滤掉三个角度太大的人脸。

其中，上述阈值可例如通过大量实验数据得出，可例如通过实验获得正常图像中人脸的光照强度、模糊度及可以准确识别范围内的人脸角度三个阀值。

在S308中，对所述面部图像进行图像矫正处理以生成待识别面部图像。可例如进行光照矫正和角度矫正。

光照矫正：使用伽马光照矫正，通过大量的实验对比，生成人脸亮度值和Gamma校正参数对照表，利用Gamma算法对人脸图像亮度进行归一化校正，过暗的人脸变亮，过亮的人脸变暗。

矫正公式如下：V_out＝V_in ^1/gamma；

其中，V_out为输出数据，V_in为输入数据，gamma为预设的矫正参数。

角度矫正及人脸对准：将人脸图像缩放到规定尺寸，检测人脸关键点，提取两侧眼部、鼻尖、两侧嘴角5个关键点，与规定尺寸下的标准人脸的5个关键点进行仿射变换，得到矫正对准之后的人脸图像。

在S310中，剔除所述面部图像。不满足阈值要求的图像被过滤掉，不进行后续的处理。

根据本公开的面部图像识别方法，在进行人脸识别时，快速检测图像中的人脸，对不合格的人脸提早过滤，不进行识别操作，提高整体速度。

根据本公开的面部图像识别方法，采用过滤+矫正的策略，保障尽可能快的获取有效人脸，有能高质量的输出给人脸识别服务，提高识别率。

针对现有技术中存在的问题，本公开提出一种改进的Dlib人脸检测算法，能够达到毫秒级的人脸检测，并且配合人脸过滤加人脸矫正算法，快速从摄像头中获取有效的用户人脸，进行人脸比对操作，极大减少重复识别的次数，提高识别率。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据一示例性实施例示出的一种面部图像识别装置的框图。面部图像识别装置40包括：检测模块402，校正模块404，以及识别模块406。

检测模块402用于对实时图像进行检测获取面部图像。可例如，将所述实时图像进行缩放处理，生成第一图像；以及对所述第一图像进行面部检测以获取所述面部图像。

校正模块404用于当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像。可例如校正模块404，进行如下判断，所述面部图像的模糊度是否在第一预设范围内；所述面部图像的亮度是否在第二预设范围内；以及所述面部图像的角度是否在第三预设范围内。然后，校正模块404对所述面部图像进行光照矫正处理以生成第一面部图像；以及对所述第一面部图像进行角度矫正以生成所述待识别面部图像。获取所述第一面部图像中的预定点位；将所述预定点位与标准点位进行仿射变换以获取所述待识别面部图像。

识别模块406用于通过所述待识别面部图像进行面部图像识别。识别模块406通过Dlib库对所述待识别面部图像进行面部图像识别。

根据本公开的面部图像识别装置，在进行人脸识别时，首先将实时图片进行处理，剔除不能够满足识别要求的图片，然后对图片进行初步的矫正处理，然后再进行人脸识别的方式，能够快速从摄像头中获取有效的用户人脸，进行人脸比对操作，极大减少重复识别的次数，提高识别率。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本公开的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图2，图3中所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

参考图6所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：对实时图像进行检测获取面部图像；当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；以及通过所述待识别面部图像进行面部图像识别。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。

Claims (14)

1.一种面部图像识别方法，其特征在于，包括：

对实时图像进行检测获取面部图像；

当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；以及

通过所述待识别面部图像进行面部图像识别。

2.如权利要求1所述的方法，其特征在于，对实时图像进行检测获取面部图像包括：

将所述实时图像进行缩放处理，生成第一图像；以及

对所述第一图像进行面部检测以获取所述面部图像。

3.如权利要求2所述的方法，其特征在于，对所述第一图像进行面部检测以获取所述面部图像包括：

利用Dlib库对所述第一图像进行面部检测以获取所述面部图像。

4.如权利要求1所述的方法，其特征在于，所述面部图像的参数在预设范围内包括：

所述面部图像的模糊度在第一预设范围内；

所述面部图像的亮度在第二预设范围内；以及

所述面部图像的角度在第三预设范围内。

5.如权利要求4所述的方法，其特征在于，所述面部图像的模糊度在第一预设范围内包括：

对所述面部图像进行三原色通道拆分；

对拆分后的预定通道求解拉普拉斯方程获得第一数值；

对所述第一数值进行归一化处理生成模糊度数值；以及

确定所述模糊度数值是否在所述第一预设范围内。

6.如权利要求4所述的方法，其特征在于，所述面部图像的亮度在第二预设范围内包括：

对所述面部图像由三原色空间转换到色相饱和度亮度空间；

通过面部校正算法对转换后的面部图像进行归一化处理，生成亮度数值；以及

确定所述亮度数值是否在所述第二预设范围内。

7.如权利要求4所述的方法，其特征在于，所述面部图像的角度在第三预设范围内包括：

通过比例正交投影迭代变换算法确定所述面部图像的三维姿态；

确定所述三维姿态对应的翻转角度；以及

确定所述翻转角度是否在所述第三预设范围内。

8.如权利要求1所述的方法，其特征在于，对所述面部图像进行图像矫正处理以生成待识别面部图像包括：

对所述面部图像进行光照矫正处理以生成第一面部图像；以及

对所述第一面部图像进行角度矫正以生成所述待识别面部图像。

9.如权利要求8所述的方法，其特征在于，对所述面部图像进行光照矫正处理以生成第一面部图像包括：

通过伽马光照校正方式对所述面部图像进行光照矫正处理以生成所述第一面部图像。

10.如权利要求8所述的方法，其特征在于，对所述第一面部图像进行角度矫正以生成所述待识别面部图像包括：

获取所述第一面部图像中的预定点位；

将所述预定点位与标准点位进行仿射变换以获取所述待识别面部图像。

11.如权利要求1所述的方法，其特征在于，通过所述待识别面部图像进行面部图像识别包括：

通过Dlib库对所述待识别面部图像进行面部图像识别。

12.一种面部图像识别装置，其特征在于，包括：

检测模块，用于对实时图像进行检测获取面部图像；

校正模块，用于当所述面部图像的参数在预设范围内时，对所述面部图像进行图像矫正处理以生成待识别面部图像；以及

识别模块，用于通过所述待识别面部图像进行面部图像识别。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-11中任一所述的方法。