CN110458007B - 匹配人脸的方法、装置、计算机设备和存储介质 - Google Patents

匹配人脸的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110458007B
CN110458007B CN201910598842.4A CN201910598842A CN110458007B CN 110458007 B CN110458007 B CN 110458007B CN 201910598842 A CN201910598842 A CN 201910598842A CN 110458007 B CN110458007 B CN 110458007B
Authority
CN
China
Prior art keywords
face
matrix
value
detected
matching
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
Application number
CN201910598842.4A
Other languages
English (en)
Other versions
CN110458007A (zh
Inventor
张磊
王俊强
李方君
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910598842.4A priority Critical patent/CN110458007B/zh
Publication of CN110458007A publication Critical patent/CN110458007A/zh
Priority to PCT/CN2020/098807 priority patent/WO2021000832A1/zh
Application granted granted Critical
Publication of CN110458007B publication Critical patent/CN110458007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请中提供了一种匹配人脸的方法、装置、计算机设备和存储介质，获取待测人脸的多个第一人脸特征值；将所有第一人脸特征值按指定顺序排序生成第一矩阵；获取存储于人脸库中多个第一人脸对应的第二人脸特征值所组成的第二矩阵；将第一矩阵内的每一第一人脸特征值的个数复制成与第二矩阵中第一人脸的数量相同的个数，并排序形成第三矩阵；第三矩阵与第二矩阵相减得到第四矩阵；将第四矩阵中的每一数值绝对值运算，并对应进行相加得到每一人脸的匹配总值；对比所有匹配总值，获取其最小值是否小于人脸阈值；若是，则得到匹配总值中的最小值对应的人脸，并从人脸库中查找与匹配总值中的最小值对应的人脸。实现快速匹配人脸，缩短人脸匹配的时间。

Description

匹配人脸的方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种匹配人脸的方法、装置、计算机设备和存储介质。
背景技术
目前，现有匹配人脸的方法多采用遍历查询的方式进行匹配，需先将人脸库特征值的数据库进行缓存，然后再做动态比对检索，在缓存的人脸库中提取特征值时，耗时长，匹配慢。
发明内容
本申请的主要目的为提供一种匹配人脸的方法、装置、计算机设备和存储介质，旨在快速匹配人脸，缩短人脸匹配的时间。
为实现上述目的，本申请提供了一种匹配人脸的方法，包括以下步骤：
提取所述待测人脸的多个指定人脸特征；
根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一第一人脸的匹配总值；
对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断所述匹配总值中的最小值是否小于人脸阈值；
若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
进一步地，所述获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤之前：
识别所述待测人脸的性别，其中，所述性别包括男性和女性；
根据所述待测人脸的性别，从所述人脸库中查找与所述待测人脸性别一致的所述第一人脸做成所述第二矩阵。
进一步地，所述获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤之前：
识别所述待测人脸的年龄层次，其中，所述年龄层次包括婴孩、青年、中年以及老年；
根据所述待测人脸的年龄层次，从所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成所述第二矩阵。
进一步地，所述提取所述待测人脸的多个指定人脸特征的步骤，包括：
对获取到的所述待测人脸的图像进行图像预处理；
将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，所述检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
进一步地，所述对获取到的所述待测人脸的图像进行图像预处理的方法包括但不限于以下的一种或者多种：
人脸图像的光线补偿，灰度变换，直方图均衡化，归一化，几何校正，噪声过滤以及锐化。
进一步地，所述得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸的步骤，包括：
判断所述匹配总值中的最小值所对应的所述第五矩阵的每一人脸特征值的绝对值是否小于所对应的人脸特征预设阈值；
若是，则将所述匹配总值中的最小值对应的人脸作为最匹配的人脸。
本申请还提供了一种匹配人脸的装置，包括：
提取模块，用于提取所述待测人脸的多个指定人脸特征；
第一获取模块，用于根据各所述人脸特征进行获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
排序模块，用于将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
第二获取模块，用于获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
第一生成模块，用于根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
第三获取模块，用于将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
第四获取模块，用于将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
第五获取模块，用于将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一第一人脸的匹配总值；
第六获取模块，用于对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断模块，用于判断所述匹配总值中的最小值是否小于人脸阈值；
查找模块，用于若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
进一步地，所述提取模块包括：
预处理单元，用于对获取到的所述待测人脸的图像进行图像预处理；
提取单元，用于将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，所述检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的匹配人脸的方法、装置、计算机设备和存储介质，具有以下有益效果：
本申请中提供的匹配人脸的方法、装置、计算机设备和存储介质，通过将待测人脸的指定特征值生成第一矩阵，人脸库中的指定第一人脸的人脸特征值集合起来生成一个多阶的第二矩阵，将第一矩阵衍生成第三矩阵与第二矩阵相减之后绝对值再相加运算得到每一人脸匹配总值，根据人脸匹配总值的最小值与人脸阈值进行比较，若小于人脸阈值则可得出人脸库中与待测人脸相匹配的人脸，快速匹配人脸，缩短人脸匹配的时间。
附图说明
图1是本申请一实施例中匹配人脸的方法步骤示意图；
图2是本申请一实施例中匹配人脸的装置结构框图；
图3是本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，为本申请一实施例中提供了一种匹配人脸的方法，包括以下步骤：
步骤S1，提取所述待测人脸的多个指定人脸特征；
步骤S2，根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
步骤S3，将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
步骤S4，获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
步骤S5，根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
步骤S6，将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
步骤S7，将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
步骤S8，将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一第一人脸的匹配总值；
步骤S9，对比所有所述匹配总值，获取所述匹配总值中的最小值；
步骤S10，判断所述匹配总值中的最小值是否小于人脸阈值；
步骤S11，若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
以上步骤中，预先获取所需要匹配的待测人脸，并提取所述待测人脸的多个指定人脸特征，其中根据提取的人脸特征得到对应的准确特征值，以得到对应的人脸特征值，该人脸特征值为用于区分不同人脸之间的区别，人脸特征的元素提取是根据人脸图像的灰度特性用投影图和特性描述相匹配的算法初步确定了人脸各部分的位置，然后利用投影法和模块匹配法准确的确定了瞳孔的位置以及其他面部特征。如在一具体实施例中，选取待测人脸的眼睛为例，眼睛的标号为1，且待测人脸的眼睛又大又圆，又大又圆所对应的特征值为0.123，所以对待测人脸的各个部位进行标号，然后根据各个标号部位的特征来确定各个标号所对应的特征值，特征值可以依据眼睛、鼻子、眉毛、纹理、肤色等特征的不同来设定，以鼻子为例：鼻梁高对应的特征值为0.9124，鼻梁低对应的特征值为0.9125，鼻翼宽对应的特征值为0.9126，鼻翼窄对应的特征值为0.9127(此处所述的高低宽窄仅为了便于理解，具体特征值需根据实际部位的准确特征来确定)，根据部位的形态特征的不同对应的特征值也不同；一个待测人脸特征值为M，M的具体数值可根据在实际过程选取待测人脸的各个部位的数量。在本实施例中，比如一个待测人脸有512个标号数组，即M＝512，例如a[1,2,3,4,5，......，512]，其中[1,2,3,4,5，......，512]依次分别对应的部位为眼睛、鼻子、嘴、眉毛、肤色等等，假设每个标号对应的特征值为A[0.123,0.269，0.725,0.834,0.537，......，0.5569]共包括512个特征值；此512个特征值形成一个1行512列的矩阵，即第一矩阵，具体可运用算法来生成第一矩阵，例如c++可以通过opencv生成第一矩阵，python可以通过numpy库来生成第一矩阵，也可运用其他算法生成，在此不做赘述，在其他实施例中，上述512个特征值还可以形成一个1列512行的第一矩阵。
在本实施例中，人脸库包括多个人脸，每个人脸的人脸特征值都不同，因此包括多个人脸特征值，当有N个人脸时，每个人脸上有M个特征值，那么总共就有N*M个特征值，以一个待测人脸包括512个特征值为例，当有N个人脸时，就有N个人脸特征值，N个人脸特征值就可以生成一个N行512列的矩阵，即第二矩阵，多个人脸特征值就生成一个多阶矩阵。其中N个人脸特征值生成第二矩阵的方法，可参照上述形成第一矩阵的方法，运用c++可以通过opencv生成第二矩阵，python可以通过numpy库来生成第二子矩阵，也可运用其他算法生成，在此不做赘述。
在一实施例中，以一个待测人脸有512个标号数组为例，第一矩阵为一个1行512列的矩阵，第二矩阵为一个N行512列的矩阵，将所述第一矩阵生成N行512列的矩阵，其中，每一行均为待测人脸的各元素按照指定顺序排列的人脸特征值，也即将第一矩阵第1行512列复制成N行512列的矩阵，形成第三矩阵。
将第三矩阵与第二矩阵进行相减，得到新的第四矩阵，其中，第四矩阵为每一人脸之间的人脸特征差异匹配值，第四矩阵内的每个数值代表待测人脸特征值与该数值所对应的人脸库中的人脸的特征值计算得到的结果，数值的大小代表待测人脸与第二矩阵中的其中一列所对应的人脸的匹配程度。
上述步骤中，将第四矩阵中的每一人脸特征差异匹配值进行绝对值运算，得到一个矩阵内的每一数值均大于或等于零的第五矩阵，将第五矩阵中的每一人脸各元素对应的人脸特征差异匹配值的绝对值进行相加，得到每一人脸的匹配总值，该匹配总值为人脸库中的每一人脸与待测人脸之间的差异总值。在一具体实施例中，所述匹配总值包括N个数值，是待测人脸特征值与人脸库中的N个人脸特征值分别计算得到的数值，选取匹配总值中N个数值中的最小值，判断所述最小值是否大于预设的人脸阈值，如果小于阈值，则所述最小值对应的人脸库的人脸与待测人脸最匹配，在其他实施例中，如果有多个数值均小于所述阈值，则可能由于阈值设定的过低，或者由于待测人脸的图像不清晰，导致待测人脸的特征值不准确；可以输入一个较大的阈值，然后再进行运算匹配，或者对待测人脸的图像进行处理，得到更加清晰的图像；如果得到的小于阈值的数值的个数较少时，缩小了筛选的范围，可以直接通过人眼识别；如果大于阈值，则匹配失败。
在一实施例中，所述获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤S4之前：
步骤S41，识别所述待测人脸的性别，其中，所述性别包括男性和女性；
步骤S42，根据所述待测人脸的性别，从所述人脸库中查找与所述待测人脸性别一致的人脸做成所述预设第二矩阵。
以上步骤中，获取到所述待测人脸后，识别所述待测人脸的性别，其中，所述性别包括男性和女性，根据所述待测人脸的性别，从人脸库中的人脸进行初步筛选，如在一具体实施例中，识别到待测人脸为男性时，将人脸库中的男性人脸提取出来，然后根据获取到的男性人脸获取到对应的人脸特征值并生成所述第二矩阵，如此便可以缩小范围，并且节省了后续运算的时间。
在本实施例中，识别人脸图像的性别的方法是：预先获取大量的人脸图像的梯度特征(HOG特征)，将提取的人脸图像梯度特征输入到SVM(支持向量机)中训练，通过建立控制台project以及配置OpenCv环境对人脸图像进行训练，得到对应的HOG特征，并以浮点数容器的形式呈现，当获取到待测人脸的图像时，进而可以得到每一元素对应的浮点数值，且获取到对应的人脸性别。
在其他实施例中，还可以将人脸库中的所有人脸预先根据性别做成两个大矩阵，当识别到待测人脸的性别后，可以直接提取对应的性别的矩阵进行运算，待后续人脸库中增加新的人脸，可以根据其性别对应放置到对应的性别矩阵中。
在一实施例中，所述获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤S4之前：
步骤S401，识别所述待测人脸位于的年龄层次，其中，所述年龄层次包括婴孩、青年、中年以及老年；
步骤S402，根据所述待测人脸的年龄层次，从所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成所述预设第二矩阵。
以上步骤中，识别待测人脸所在的年龄层次，其中预设的年龄层次的级别分为婴孩、青年、中年以及老年；根据所述待测人脸的年龄层次，到所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成预设的第二矩阵，如在一具体实施例中，所述待测人脸处于中年的年龄层次，从人脸库中查找所有的处于中年年龄层次的人脸，根据指定的顺序编号并形成对应的预设第二矩阵，以此缩小运算的范围，节省运算时间，使其匹配人脸的速度更快。
年龄识别可以根据神经网络训练得到，如可以通过多层前馈神经网络(BP网络)训练得到，先对输入图像实行图像预处理，之后进行人脸特征提取，接下来就是BP神经网络训练，最后用训练好的网络进行识别，获得识别结果。图像预处理是为了更易特征提取，特征提取就是将图像中大量的冗余信息去除，即实现数据压缩,降低了神经网络结构的复杂度，提高了神经网络的训练效率和收敛率。本文以指定的标准脸为研究对象，将输入图像进行图像压压缩、图像抽样、输入矢量标准化等图像预处理后,送入BP神经网络训练，经过竞争选择，获得识别结果。
在其他实施例中，还可以将人脸库中的所有人脸预先根据年龄层次做成多个矩阵，当识别到待测人脸的年龄层次后，可以直接提取对应的年龄层次的矩阵进行运算，待后续人脸库中增加新的人脸，可以根据其年龄层次对应放置到对应的年龄层次矩阵中。
在一实施例中，所述提取所述待测人脸的多个指定人脸特征的步骤S1，包括：
步骤S11，对获取到的所述待测人脸的图像进行图像预处理；
步骤S12，将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，所述检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
以上步骤中，待测人脸的图像能通过摄像头采集下来，比如静态图像、动态图像、不同的位置、不同的表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄人脸图像，或者直接获取待测人脸的纸质照片，然后进行扫描等处理方式上传到电子终端，电子终端例如电脑、手机、处理器等。人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小，因为在待识别的图像中，人脸部分占整个图像的比例不同，即有大头照、标准照之分，以及人脸在图像中位置的差异，因此需对定位人脸各个特征的位置，人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征及结构特征等，人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。在一些实施例中，可对人脸图像数据的灰度分布特性进行分析，采用投影法和模板匹配的方法定位瞳孔的位置，较准确的提取出眼睛的特征，即利用图像标准化处理为特征识别提供可靠数据，对图像标准化处理的具体过程为：以眼睛瞳孔之间距离为水平方向的基准，眼睛的位置为垂直方向的基准进行坐标平移。
在本实施例中，利用已知的人脸图像，基于卷积神经网络训练，以得到对应的提取模型，以便可以对预处理后的待测人脸的图像进行图像分析，获取待测人脸的每一人脸特征。
在一实施例中，所述对获取到的所述待测人脸的图像进行图像预处理的方法包括但不限于以下的一种或者多种：
人脸图像的光线补偿，灰度变换，直方图均衡化，归一化，几何校正，噪声过滤以及锐化。
对于人脸图像预处理是基于人脸检测结果，对图像进行处理并最终服务与特征值提取的过程，***获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早起阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其图像预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。以噪声过滤为例，其中椒盐噪声是数字图像的一个常见噪声，椒盐噪声就是在图像上随机出现黑色白色的像素，那么使用中值滤波器对图像进行修改；中值滤波器是一种常用的非线性平衡滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效，中值滤波器可以做到既去除噪声又能保护图像的边缘，在实际运算过程中不需要图像的统计特性。
在一实施例中，所述获得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸的步骤S11，包括：
步骤S111，判断所述匹配总值中的最小值所对应的所述第五矩阵的每一人脸特征差异匹配值是否小于所对应的人脸特征预设阈值；
步骤S112，若是，则将所述匹配总值中的最小值对应的所述预设第二矩阵的人脸特征值吻合的人脸作为最匹配的人脸。
以上步骤中，获取匹配总值中的最小值所对应的第五矩阵的每一人脸特征差异匹配值，并判断每一人脸特征差异匹配值是否小于所对应的人脸特征预设阈值，若是，则将所述匹配总值中的最小值对应的所述预设第二矩阵的人脸特征值吻合的人脸作为最匹配的人脸，若否，则排除该匹配总值中最小值所对应的人脸作为匹配人脸。如在一具体实施例中，若右眼睛大小的人脸特征差异匹配值为0.09，而在设置的人脸特征预设阈值中，右眼的预设阈值为0.07，即使匹配总值小于人脸阈值，但由于右眼的特征差异匹配值不符合匹配要求，该匹配总值对应的人脸依然不能作为对应的匹配人脸。
综上所述，为本申请实施例中提供的匹配人脸的方法，将待测人脸的特征值生成第一矩阵，人脸库中的人脸特征值集合起来生成一个多阶的第二矩阵，将第一矩阵生成与第二矩阵对应的第三矩阵后，与第二矩阵运用相减然后绝对值再相加运算得到每一人脸之间匹配总值，根据匹配总值中的最小值与预设的人脸阈值进行比较，进而从人脸库中查找与待测人脸相匹配的人脸。
参照图3，本申请一实施例中还提供了一种匹配人脸的装置，包括：
提取模块10，用于提取所述待测人脸的多个指定人脸特征；
第一获取模块20，用于根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
排序模块30，用于将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
第二获取模块40，用于获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
第一生成模块50，用于根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
第三获取模块60，用于将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
第四获取模块70，用于将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
第五获取模块80，用于将所述第五矩阵的每一人脸所对应的所有数值的绝对值进行相加，得到每一人脸的匹配总值；
第六获取模块90，用于对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断模块100，用于判断所述匹配总值中的最小值是否小于人脸阈值；
查找模块110，用于若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
本实施例中，提取模块10获取所需要匹配的待测人脸后，提取所述待测人脸的多个指定人脸特征，其中根据提取的人脸特征赋予对应的人脸特征值，该人脸特征值为用于区分不同人脸之间的区别，人脸特征的元素提取是根据人脸图像的灰度特性用投影图和特性描述相匹配的算法初步确定了人脸各部分的位置，然后利用投影法和模块匹配法准确的确定了瞳孔的位置以及其他面部特征。如在一具体实施例中，选取待测人脸的眼睛为例，眼睛的标号为1，且待测人脸的眼睛又大又圆，又大又圆所对应的特征值为0.123，所以对待测人脸的各个部位进行标号，第一获取模块20根据各个标号部位的特征来赋予各个标号所对应的特征值，特征值可以依据眼睛、鼻子、眉毛、纹理、肤色等特征的不同来设定，以鼻子为例：鼻梁高对应的特征值为0.9124，鼻梁低对应的特征值为0.9125，鼻翼宽对应的特征值为0.9126，鼻翼窄对应的特征值为0.9127(此处所述的高低宽窄仅为了便于理解，具体特征值需根据实际部位的准确特征来确定)，根据部位的形态特征的不同对应的特征值也不同；一个待测人脸特征值为M，M的具体数值可根据在实际过程选取待测人脸的各个部位的数量。在本实施例中，比如一个待测人脸有512个标号数组，即M＝512，例如a[1,2,3,4,5，......，512]，其中[1,2,3,4,5，......，512]依次分别对应的部位为眼睛、鼻子、嘴、眉毛、肤色等等，假设每个标号对应的特征值为A[0.123,0.269，0.725,0.834,0.537，......，0.5569]共包括512个特征值；此512个特征值形成一个1行512列的矩阵，即第一矩阵，具体可运用算法来生成第一矩阵，例如c++可以通过opencv生成第一矩阵，python可以通过numpy库来生成第一矩阵，也可运用其他算法生成，在此不做赘述，在其他实施例中，上述512个特征值还可以形成一个1列512行的第一矩阵。
在本实施例中，人脸库包括多个人脸，每个人脸的人脸特征值都不同，因此包括多个人脸特征值，当有N个人脸时，每个人脸上有M个特征值，那么总共就有N*M个特征值，以一个待测人脸包括512个特征值为例，当有N个人脸时，就有N个人脸特征值，N个人脸特征值就可以生成一个N行512列的矩阵，即第二矩阵，多个人脸特征值就生成一个多阶矩阵。其中N个人脸特征值生成第二矩阵的方法，可参照上述形成第一矩阵的方法，运用c++可以通过opencv生成第二矩阵，python可以通过numpy库来生成第二子矩阵，也可运用其他算法生成，在此不做赘述。
在一实施例中，以一个待测人脸有512个标号数组为例，第一矩阵为一个1行512列的矩阵，第二矩阵为一个N行512列的矩阵，将所述第一矩阵生成N行512列的矩阵，其中，每一行均为待测人脸的各元素按照指定顺序排列的人脸特征值，也即将第一矩阵第1行512列复制成N行512列的矩阵，形成第三矩阵。
第二获取模块50获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，第三获取模块60将第三矩阵与第二矩阵进行相减，得到新的第四矩阵，其中，第四矩阵为每一人脸之间的人脸特征差异匹配值，第四矩阵内的每个数值代表待测人脸特征值与该数值所对应的人脸库中的人脸的特征值计算得到的结果，数值的大小代表待测人脸与第二矩阵中的其中一列所对应的人脸的匹配程度。
在本实施例中，第四获取模块70将第四矩阵中的每一人脸特征差异匹配值进行绝对值运算，得到一个矩阵内的每一数值均大于或等于零的第五矩阵，第五获取模块80将第五矩阵中的每一人脸各元素对应的人脸特征差异匹配值的绝对值进行相加，得到每一人脸的匹配总值，该匹配总值为人脸库中的每一人脸与待测人脸之间的差异总值；第六获取模块90对比所有所述匹配总值，获取所述匹配总值中的最小值。在一具体实施例中，所述匹配总值包括N个数值，是待测人脸特征值与人脸库中的N个人脸特征值分别计算得到的数值，选取匹配总值中N个数值中的最小值，判断模块100判断所述最小值是否大于预设的人脸阈值，如果小于阈值，则所述最小值对应的人脸库的人脸与待测人脸最匹配，查找模块110从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。在其他实施例中，如果有多个数值均小于所述阈值，则可能由于阈值设定的过低，或者由于待测人脸的图像不清晰，导致待测人脸的特征值不准确；可以输入一个较大的阈值，然后再进行运算匹配，或者对待测人脸的图像进行处理，得到更加清晰的图像；如果得到的小于阈值的数值的个数较少时，缩小了筛选的范围，可以直接通过人眼识别；如果大于阈值，则匹配失败。
在一实施例中，匹配人脸的装置还包括：
第一识别模块，用于识别所述待测人脸的性别，其中，所述性别包括男性和女性；
第三查找模块，用于根据所述待测人脸的性别，从所述人脸库中查找与所述待测人脸性别一致的人脸做成所述预设第二矩阵。
在本实施例中，获取到所述待测人脸后，识别所述待测人脸的性别，其中，所述性别包括男性和女性，根据所述待测人脸的性别，从人脸库中的人脸进行初步筛选，如在一具体实施例中，识别到待测人脸为男性时，将人脸库中的男性人脸提取出来，然后根据获取到的男性人脸获取到对应的人脸特征值并生成所述第二矩阵，如此便可以缩小范围，并且节省了后续运算的时间。
在本实施例中，识别人脸图像的性别的方法是：预先获取大量的人脸图像的梯度特征(HOG特征)，将提取的人脸图像梯度特征输入到SVM(支持向量机)中训练，通过建立控制台project以及配置OpenCv环境对人脸图像进行训练，得到对应的HOG特征，并以浮点数容器的形式呈现，当获取到待测人脸的图像时，进而可以得到每一元素对应的浮点数值，且获取到对应的人脸性别。
在其他实施例中，还可以将人脸库中的所有人脸预先根据性别做成两个大矩阵，当识别到待测人脸的性别后，可以直接提取对应的性别的矩阵进行运算，待后续人脸库中增加新的人脸，可以根据其性别对应放置到对应的性别矩阵中。
在一实施例中，匹配人脸的装置还包括：
第二识别模块，用于识别所述待测人脸位于的年龄层次，其中，所述年龄层次包括婴孩、青年、中年以及老年；
第三识别模块，用于根据所述待测人脸的年龄层次，从所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成所述预设第二矩阵。
在本实施例中，识别待测人脸所在的年龄层次，其中预设的年龄层次的级别分为婴孩、青年、中年以及老年；根据所述待测人脸的年龄层次，到所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成预设的第二矩阵，如在一具体实施例中，所述待测人脸处于中年的年龄层次，从人脸库中查找所有的处于中年年龄层次的人脸，根据指定的顺序编号并形成对应的预设第二矩阵，以此缩小运算的范围，节省运算时间，使其匹配人脸的速度更快。
年龄识别可以根据神经网络训练得到，如可以通过多层前馈神经网络(BP网络)训练得到，先对输入图像实行图像预处理，之后进行人脸特征提取，接下来就是BP神经网络训练，最后用训练好的网络进行识别，获得识别结果。图像预处理是为了更易特征提取，特征提取就是将图像中大量的冗余信息去除，即实现数据压缩,降低了神经网络结构的复杂度，提高了神经网络的训练效率和收敛率。本文以指定的标准脸为研究对象，将输入图像进行图像压压缩、图像抽样、输入矢量标准化等图像预处理后,送入BP神经网络训练，经过竞争选择，获得识别结果。
在其他实施例中，还可以将人脸库中的所有人脸预先根据年龄层次做成多个矩阵，当识别到待测人脸的年龄层次后，可以直接提取对应的年龄层次的矩阵进行运算，待后续人脸库中增加新的人脸，可以根据其年龄层次对应放置到对应的年龄层次矩阵中。
在一实施例中，提取模块10包括：
预处理单元，用于对获取到的所述待测人脸的图像进行图像预处理；
提取单元，用于将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，所述检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
在本实施例，待测人脸的图像能通过摄像头采集下来，比如静态图像、动态图像、不同的位置、不同的表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄人脸图像，或者直接获取待测人脸的纸质照片，然后进行扫描等处理方式上传到电子终端，电子终端例如电脑、手机、处理器等。人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小，因为在待识别的图像中，人脸部分占整个图像的比例不同，即有大头照、标准照之分，以及人脸在图像中位置的差异，因此需对定位人脸各个特征的位置，人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征及结构特征等，人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。在一些实施例中，可对人脸图像数据的灰度分布特性进行分析，采用投影法和模板匹配的方法定位瞳孔的位置，较准确的提取出眼睛的特征，即利用图像标准化处理为特征识别提供可靠数据，对图像标准化处理的具体过程为：以眼睛瞳孔之间距离为水平方向的基准，眼睛的位置为垂直方向的基准进行坐标平移。
在本实施例中，是利用已知的人脸图像，基于卷积神经网络训练，以得到对应的提取模型，以便可以对预处理后的待测人脸的图像进行图像分析，获取待测人脸的每一人脸特征。
在一实施例中，所述对获取到的所述待测人脸的图像进行图像预处理的方法包括但不限于以下的一种或者多种：
人脸图像的光线补偿，灰度变换，直方图均衡化，归一化，几何校正，噪声过滤以及锐化。
对于人脸图像预处理是基于人脸检测结果，对图像进行处理并最终服务与特征值提取的过程，***获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早起阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其图像预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。以噪声过滤为例，其中椒盐噪声是数字图像的一个常见噪声，椒盐噪声就是在图像上随机出现黑色白色的像素，那么使用中值滤波器对图像进行修改；中值滤波器是一种常用的非线性平衡滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效，中值滤波器可以做到既去除噪声又能保护图像的边缘，在实际运算过程中不需要图像的统计特性。
在一实施例中，第五获取模块80包括：
判断单元，用于判断所述匹配总值中的最小值所对应的所述第五矩阵的每一人脸特征差异匹配值是否小于所对应的人脸特征预设阈值；
执行单元，用于若是，则将所述匹配总值中的最小值对应的所述预设第二矩阵的人脸特征值吻合的人脸作为最匹配的人脸。
在本实施例中，获取匹配总值中的最小值所对应的第五矩阵的每一人脸特征差异匹配值，并判断每一人脸特征差异匹配值是否小于所对应的人脸特征预设阈值，若是，则将所述匹配总值中的最小值对应的所述预设第二矩阵的人脸特征值吻合的人脸作为最匹配的人脸，若否，则排除该匹配总值中最小值所对应的人脸作为匹配人脸。如在一具体实施例中，若右眼睛大小的人脸特征差异匹配值为0.09，而在设置的人脸特征预设阈值中，右眼的预设阈值为0.07，即使匹配总值小于人脸阈值，但由于右眼的特征差异匹配值不符合匹配要求，该匹配总值对应的人脸依然不能作为对应的匹配人脸。
综上所述，为本申请实施例中提供的匹配人脸的装置，将待测人脸的特征值生成第一矩阵，人脸库中的人脸特征值集合起来生成一个多阶的第二矩阵，将第一矩阵生成与第二矩阵对应的第三矩阵后，与第二矩阵运用相减然后绝对值再相加运算得到每一人脸之间匹配总值，根据匹配总值中的最小值与预设的人脸阈值进行比较，进而从人脸库中查找与待测人脸相匹配的人脸。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设阈值、人脸库的人脸特征值等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种匹配人脸的方法。
上述处理器执行上述匹配人脸的方法的步骤：
提取所述待测人脸的多个指定人脸特征；
根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一每一人脸的匹配总值；
对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断所述匹配总值中的最小值是否小于人脸阈值；
若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
在一实施例中，所述处理器获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤之前：
识别所述待测人脸的性别，其中，所述性别包括男性和女性；
根据所述待测人脸的性别，从所述人脸库中查找与所述待测人脸性别一致的所述第一人脸做成所述第二矩阵。
在一实施例中，所述处理器获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤之前：
识别所述待测人脸的年龄层次，其中，所述年龄层次包括婴孩、青年、中年以及老年；
根据所述待测人脸的年龄层次，从所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成所述第二矩阵。
在一实施例中，所述处理器提取所述待测人脸的多个指定人脸特征的步骤，包括：
对获取到的所述待测人脸的图像进行图像预处理；
将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，所述检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
在一实施例中，所述处理器对获取到的所述待测人脸的图像进行图像预处理的方法包括但不限于以下的一种或者多种：
人脸图像的光线补偿，灰度变换，直方图均衡化，归一化，几何校正，噪声过滤以及锐化。
在一实施例中，所述处理器得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸的步骤，包括：
判断所述匹配总值中的最小值所对应的所述第五矩阵的每一人脸特征值的绝对值是否小于所对应的人脸特征预设阈值；
若是，则将所述匹配总值中的最小值对应的人脸作为最匹配的人脸。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种匹配人脸的方法，具体为：
提取所述待测人脸的多个指定人脸特征；
根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一第一人脸的匹配总值；
对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断所述匹配总值中的最小值是否小于人脸阈值；
若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
在一实施例中，所述处理器获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤之前：
识别所述待测人脸的性别，其中，所述性别包括男性和女性；
根据所述待测人脸的性别，从所述人脸库中查找与所述待测人脸性别一致的所述第一人脸做成所述第二矩阵。
在一实施例中，所述处理器获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的第二矩阵的步骤之前：
识别所述待测人脸的年龄层次，其中，所述年龄层次包括婴孩、青年、中年以及老年；
根据所述待测人脸的年龄层次，从所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成所述第二矩阵。
在一实施例中，所述处理器提取所述待测人脸的多个指定人脸特征的步骤，包括：
对获取到的所述待测人脸的图像进行图像预处理；
将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，所述检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
在一实施例中，所述处理器对获取到的所述待测人脸的图像进行图像预处理的方法包括但不限于以下的一种或者多种：
人脸图像的光线补偿，灰度变换，直方图均衡化，归一化，几何校正，噪声过滤以及锐化。
在一实施例中，所述处理器得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸的步骤，包括：
判断所述匹配总值中的最小值所对应的所述第五矩阵的每一人脸特征值的绝对值是否小于所对应的人脸特征预设阈值；
若是，则将所述匹配总值中的最小值对应的人脸作为最匹配的人脸。
综上所述，为本申请实施例中提供的匹配人脸的方法、装置、计算机设备和存储介质，通过将待测人脸的指定特征值生成第一矩阵，人脸库中的指定第一人脸的人脸特征值集合起来生成一个多阶的第二矩阵，将第一矩阵衍生成第三矩阵与第二矩阵相减之后绝对值再相加运算得到每一人脸匹配总值，根据人脸匹配总值的最小值与人脸阈值进行比较，若小于人脸阈值则可得出人脸库中与待测人脸相匹配的人脸，快速匹配人脸，缩短人脸匹配的时间。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种匹配人脸的方法，其特征在于，包括以下步骤：
提取待测人脸的多个指定人脸特征；
根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
识别所述待测人脸的性别，其中，所述性别包括男性和女性；
根据所述待测人脸的性别，从人脸库中查找与所述待测人脸性别一致的所述第一人脸做成第二矩阵；
其中，将所述人脸库中的所有人脸预先根据性别做成两个大矩阵，当识别到待测人脸的性别后，直接提取对应的性别的矩阵进行运算，待后续所述人脸库中增加新的人脸，根据其性别对应放置到对应的性别矩阵中；
获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的所述第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一第一人脸的匹配总值；
对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断所述匹配总值中的最小值是否小于人脸阈值；
若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
2.根据权利要求1所述的匹配人脸的方法，其特征在于，所述获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的所述第二矩阵的步骤之前：
识别所述待测人脸的年龄层次，其中，所述年龄层次包括婴孩、青年、中年以及老年；
根据所述待测人脸的年龄层次，从所述人脸库中查找与所述待测人脸年龄层次一致的人脸做成所述第二矩阵。
3.根据权利要求1所述的匹配人脸的方法，其特征在于，所述提取所述待测人脸的多个指定人脸特征的步骤，包括：
对获取到的所述待测人脸的图像进行图像预处理；
将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
4.根据权利要求3所述的匹配人脸的方法，其特征在于，所述对获取到的所述待测人脸的图像进行图像预处理的方法包括以下的一种或者多种：
人脸图像的光线补偿，灰度变换，直方图均衡化，归一化，几何校正，噪声过滤以及锐化。
5.根据权利要求1所述的匹配人脸的方法，其特征在于，所述得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸的步骤，包括：
判断所述匹配总值中的最小值所对应的所述第五矩阵的每一人脸特征值的绝对值是否小于所对应的人脸特征预设阈值；
若是，则将所述匹配总值中的最小值对应的人脸作为最匹配的人脸。
6.一种匹配人脸的装置，其特征在于，包括：
提取模块，用于提取待测人脸的多个指定人脸特征；
第一获取模块，用于根据各所述人脸特征获取对应的准确特征值，以得到多个第一人脸特征值，其中，所述准确特征值是根据所述人脸特征的实际部位采用投影法和模块匹配法进行匹配计算得到的；
排序模块，用于将所有所述第一人脸特征值按指定顺序排序生成第一矩阵，其中，所述第一矩阵为一横排或者一竖排的矩阵；
第一识别模块，用于识别所述待测人脸的性别，其中，所述性别包括男性和女性；
第三查找模块，用于根据所述待测人脸的性别，从人脸库中查找与所述待测人脸性别一致的人脸做成第二矩阵；
其中，将所述人脸库中的所有人脸预先根据性别做成两个大矩阵，当识别到待测人脸的性别后，直接提取对应的性别的矩阵进行运算，待后续所述人脸库中增加新的人脸，根据其性别对应放置到对应的性别矩阵中；
第二获取模块，用于获取存储于人脸库中指定的多个第一人脸，并获取每一所述第一人脸对应的第二人脸特征值所组成的所述第二矩阵，其中，指定的多个所述第一人脸是通过识别所述待测人脸的性别或者年龄层次，并根据所述性别或者年龄层次从所述人脸库中进行获取得到的，所述第二矩阵中的每一所述第一人脸的所有所述第二人脸特征值的排列顺序与所述第一矩阵的所述第一人脸特征值的排列顺序相同；
第一生成模块，用于根据所述第二矩阵中所述第一人脸的数量，将所述第一矩阵内的每一所述第一人脸特征值的个数复制成与所述第二矩阵中所述第一人脸的数量相同的个数，且将复制的所有所述第一人脸特征值以所述第一矩阵的所述第一人脸特征值的排列顺序进行排序形成第三矩阵；
第三获取模块，用于将所述第三矩阵与所述第二矩阵进行相减得到第四矩阵；
第四获取模块，用于将所述第四矩阵中的每一数值进行绝对值运算，得到第五矩阵；
第五获取模块，用于将所述第五矩阵中对应的每一所述第一人脸所对应的所有数值的绝对值进行相加，得到每一第一人脸的匹配总值；
第六获取模块，用于对比所有所述匹配总值，获取所述匹配总值中的最小值；
判断模块，用于判断所述匹配总值中的最小值是否小于人脸阈值；
第一查找模块，用于若是，则得到所述匹配总值中的最小值对应的人脸，并从所述人脸库中查找与所述匹配总值中的最小值对应的人脸。
7.根据权利要求6所述的匹配人脸的装置，其特征在于，所述提取模块包括：
预处理单元，用于对获取到的所述待测人脸的图像进行图像预处理；
提取单元，用于将预处理后的所述待测人脸的图像输入到提取模型中进行提取，提取所述待测人脸的多个所述人脸特征，其中，检测模型利用已知的人脸图像，基于卷积神经网络训练得到。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN201910598842.4A 2019-07-03 2019-07-03 匹配人脸的方法、装置、计算机设备和存储介质 Active CN110458007B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910598842.4A CN110458007B (zh) 2019-07-03 2019-07-03 匹配人脸的方法、装置、计算机设备和存储介质
PCT/CN2020/098807 WO2021000832A1 (zh) 2019-07-03 2020-06-29 匹配人脸的方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910598842.4A CN110458007B (zh) 2019-07-03 2019-07-03 匹配人脸的方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110458007A CN110458007A (zh) 2019-11-15
CN110458007B true CN110458007B (zh) 2023-10-27

Family

ID=68482084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910598842.4A Active CN110458007B (zh) 2019-07-03 2019-07-03 匹配人脸的方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN110458007B (zh)
WO (1) WO2021000832A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458007B (zh) * 2019-07-03 2023-10-27 平安科技（深圳）有限公司 匹配人脸的方法、装置、计算机设备和存储介质
CN111079718A (zh) * 2020-01-15 2020-04-28 中云智慧（北京）科技有限公司 人脸快速比对方法
CN111552828A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 一种1比n人脸比对方法
CN113505765B (zh) * 2021-09-09 2022-02-08 北京轻松筹信息技术有限公司 基于用户头像的年龄预测方法、装置及电子设备
CN113743354A (zh) * 2021-09-15 2021-12-03 于洪海 一种实现人脸识别的方法
CN114140861A (zh) * 2021-12-13 2022-03-04 中电云数智科技有限公司 人脸检测去重的方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740838A (zh) * 2016-02-06 2016-07-06 河北大学 针对不同尺度人脸图像的识别方法
CN108985232A (zh) * 2018-07-18 2018-12-11 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
CN109214273A (zh) * 2018-07-18 2019-01-15 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
CN109389015A (zh) * 2017-08-10 2019-02-26 丽宝大数据股份有限公司 脸部相似度评估方法与电子装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016110244A (ja) * 2014-12-03 2016-06-20 富士ゼロックス株式会社 顔認識装置
TWI577178B (zh) * 2016-01-06 2017-04-01 睿緻科技股份有限公司 影像處理裝置及其影像壓縮方法
CN110458007B (zh) * 2019-07-03 2023-10-27 平安科技（深圳）有限公司 匹配人脸的方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740838A (zh) * 2016-02-06 2016-07-06 河北大学 针对不同尺度人脸图像的识别方法
CN109389015A (zh) * 2017-08-10 2019-02-26 丽宝大数据股份有限公司 脸部相似度评估方法与电子装置
CN108985232A (zh) * 2018-07-18 2018-12-11 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
CN109214273A (zh) * 2018-07-18 2019-01-15 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

Also Published As

Publication number Publication date
CN110458007A (zh) 2019-11-15
WO2021000832A1 (zh) 2021-01-07

Similar Documents

Publication Publication Date Title
CN110458007B (zh) 匹配人脸的方法、装置、计算机设备和存储介质
CN111860670B (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN111667464B (zh) 危险品三维图像检测方法、装置、计算机设备及存储介质
US8379937B1 (en) Method and system for robust human ethnicity recognition using image feature-based probabilistic graphical models
US8498454B2 (en) Optimal subspaces for face recognition
CN109840524B (zh) 文字的类型识别方法、装置、设备及存储介质
CN111178252A (zh) 多特征融合的身份识别方法
WO2022121189A1 (zh) 检测温度的方法、装置和计算机设备
US11380010B2 (en) Image processing device, image processing method, and image processing program
TW200910223A (en) Image processing apparatus and image processing method
US20100111375A1 (en) Method for Determining Atributes of Faces in Images
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
WO2009158700A1 (en) Assessing biometric sample quality using wavelets and a boosted classifier
CN107918773B (zh) 一种人脸活体检测方法、装置及电子设备
CN110751069A (zh) 一种人脸活体检测方法及装置
CN112784712B (zh) 一种基于实时监控的失踪儿童预警实现方法、装置
CN112633297A (zh) 目标对象的识别方法、装置、存储介质以及电子装置
CN115661872A (zh) 一种自然场景下鲁棒的手掌感兴趣区域定位方法
CN115953824B (zh) 一种人脸皮肤图像处理方法及***
CN112101195A (zh) 人群密度预估方法、装置、计算机设备和存储介质
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN110909678B (zh) 一种基于宽度学习网络特征提取的人脸识别方法及***
US20210149948A1 (en) Generation of object databases
Moravcik et al. Detection of determined eye features in digital image
Dutra et al. Re-identifying people based on indexing structure and manifold appearance modeling

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