CN112329597A - 一种人脸识别的方法和装置 - Google Patents

Abstract

本发明提供一种人脸识别的方法和装置，所述方法包括：构建训练样本集，提取所述训练样本集的多个人脸边缘特征，其中，所述训练样本集包括正样本训练集和负样本训练集，所述正样本训练集由不同环境下不同的人脸照片构成；所述负样本训练集由非人脸照片构成；采用级联分类算法对所述训练样本集的多个人脸边缘特征进行训练，得到用于识别人脸的级联分类器；获取视频图像中待识别的人脸区域图像；对所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑的图像；从所述平滑的图像中截取感兴趣区域输入用于识别人脸的级联分类器进行人脸识别。本发明实施例能够在复杂的环境背景下准确地识别出人脸，从而提高复杂环境下人脸识别的准确率。

Description

一种人脸识别的方法和装置

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别的方法和装置。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的技术，通过提取人脸特 征与数据库中已存有特征信息进行比对，获取比对结果，进而进行身份的识别。

监狱内部环境复杂，人群聚集程度较高，在监狱环境中对视频流中的人员的 人脸进行识别时，由于人脸所在背景环境随机多变，会存在人脸打光不均匀的情 况的发生。当人脸打光不均匀时，目前的人脸识别技术会识别不出人脸，从而导 致人脸识别的准确率不高的技术问题。

发明内容

本发明提供一种人脸识别的方法和装置，能够在复杂的环境背景下，准确地 识别出人脸，提高人脸识别的准确率。

为解决上述技术问题，第一方面，本发明实施例提供一种人脸识别的方法， 包括：

构建训练样本集，提取所述训练样本集的多个人脸边缘特征，其中，所述训 练样本集包括正样本训练集和负样本训练集，所述正样本训练集由不同环境下不 同的人脸照片构成；所述负样本训练集由非人脸照片构成；

采用级联分类算法对所述训练样本集的多个人脸边缘特征进行训练，得到用 于识别人脸的级联分类器；

获取视频图像中待识别的人脸区域图像；

对所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑 的图像；

从所述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类器 进行人脸识别，输出人脸识别结果，所述人脸识别结果为人脸或非人脸。

优选地，在构建训练样本集之前，还包括：

统一所述正样本训练集中的人脸照片的尺寸；其中，所述人脸照片的尺寸小 于或等于所述非人脸照片的尺寸。

优选地，所述人脸照片的数量小于所述非人脸照片的数量。

优选地，所述获取视频图像中待识别的人脸区域图像，具体为：

通过三帧差分法获取视频图像中待识别的人脸区域图像。

所优选地，述的人脸识别的方法，还包括：

对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别结果中是否存 在人脸。

优选地，所述对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别 结果中是否存在人脸，具体为：

根据所述人脸识别结果标识人脸所在区域的坐标；

根据所述人脸所在区域的坐标，采用边缘检测算法对所述人脸所在区域的图 像进行边缘检测处理，获得边缘检测结果图；

统计所述边缘检测结果图的直方图分布，验证所述边缘检测结果图的直方图 分布与已录入人脸图像的边缘直方图分布是否接近，若接近，则所述人脸识别结 果中存在人脸，若不接近，所述人脸识别结果中不存在人脸。

第二方面，本发明实施例提供一种人脸识别的装置，包括：

训练样本集构建模块，用于构建训练样本集，提取所述训练样本集的多个人 脸边缘特征，其中，所述训练样本集包括正样本训练集和负样本训练集，所述正 样本训练集由不同环境下不同的人脸照片构成；所述负样本训练集由非人脸照片 构成；

训练模块，用于采用级联分类算法对所述训练样本集的人脸边缘特征进行训 练，得到用于识别人脸的级联分类器；

图像获取模块，用于获取视频图像中待识别的人脸区域图像；

图像预处理模块，用于对所述人脸区域图像进行预处理，去除所述人脸区域 图像的噪声，获得平滑的图像；

人脸识别模块，用于从所述平滑的图像中截取感兴趣区域输入所述用于识别 人脸的级联分类器进行人脸识别，输出人脸识别结果；所述人脸识别结果为人脸 或非人脸。

优选地，在构建训练样本集之前，还包括：

统一所述正样本训练集中的人脸照片的尺寸；其中，所述人脸照片的尺寸小 于或等于所述非人脸照片的尺寸，所述人脸照片的数量小于所述非人脸照片的数 量。

优选地，所述的人脸识别的装置，还包括：

验证模块，用于对所述人脸识别结果进行人脸存在性验证，验证所述人脸识 别结果中是否存在人脸。

优选地，所述对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别 结果中是否存在人脸，具体为：

根据所述人脸识别结果标识人脸所在区域的坐标；

根据所述人脸所在区域的坐标，采用边缘检测算法对所述人脸所在区域的图 像进行边缘检测处理，获得边缘检测结果图；

统计所述边缘检测结果图的直方图分布，验证所述边缘检测结果图的直方图 分布与已录入人脸图像的边缘直方图分布是否接近，若接近，则所述人脸识别结 果中存在人脸，若不接近，所述人脸识别结果中不存在人脸。

综上，本发明实施例的有益效果在于：

本发明实施例通过采集不同环境下的人脸照片作为正样本训练集，采集非人 脸照片作为负样本训练集，并根据所述正样本训练集和所述负样本训练集构建训 练样本集；采用级联分类算法对所述训练样本集的多个人脸边缘特征进行训练， 得到识别人脸的级联分类器；获取视频图像中待识别的人脸区域图像；对所述人 脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑的图像；从所 述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类器进行人脸 识别，能够在复杂的环境背景下准确地识别出人脸，从而能够提高人脸识别的准 确率。此外，本发明实施例提供的人脸识别的方法能够在复杂的环境背景下快速 地识别出人脸，且具有良好的实时性和鲁棒性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附 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方式， 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是本发明一实施例提供的人脸识别的方法的流程图；

图2是本发明另一实施例提供的人脸识别的方法的流程图；

图3是本发明一实施例提供的人脸识别的装置的结构图；

图4是本发明另一实施例提供的人脸识别的装置的结构图。

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。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行 先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目 的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样， 除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意 在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组 件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和 /或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能 组合，并且包括这些组合。

实施例1：

请参阅图1，本发明实施例提供一种人脸识别的方法，包括S1-S6：

S1、构建训练样本集，提取所述训练样本集的人脸边缘特征，其中，所述训 练样本集包括正样本训练集和负样本训练集，所述正样本训练集由不同环境下不 同的人脸照片构成；所述负样本训练集由非人脸照片构成。

在本发明实施例中，所述人脸照片或非人脸照片通过具备摄像功能的摄像设 备获得，如：智能手机、智能平板、摄像机等。此外，所述人脸照片或所述非人 脸照片可从图片数据库中直接下载。

S2、采用级联分类算法对所述训练样本集的人脸边缘特征进行训练，得到用 于识别人脸的级联分类器。

在正常光照条件下，图像中的目标人脸相对于其背景环境会有比较明显的阴 影特征和强度差异，从而形成人脸的矩形特征。人脸边缘特征可用于描述相邻两 类矩形区域的强度差异，因此人脸边缘特征特征可用于检测识别复杂环境中运动 的人脸。所述人脸边缘特征包括：水平特征、垂直特征和对角特征。

需要说明的是，由于级联分类器是多个强分类器级联而成的，每个强分类器 由多个弱分类器组成，对于每一个输入的图像，顺序通过每个强分类器，前面的 强分类器相对简单，其包含的弱分类器也相对较少，后面的强分类器逐级复杂， 只有通过前面的强分类检测后的图像才能送入后面的强分类器检测，比较靠前的 几级分类器可以过滤掉大部分的不合格图像，只有通过了所有强分类器，输出的 才是人脸识别结果。因此，通过采用级联分类器对多个人脸边缘特征进行识别以 识别出人脸的方法，不仅能够准确的识别出人脸，还因以极少的运算过滤掉大量 非目标的背景区域，从而加快人脸识别的速度。

S3、获取视频图像中待识别的人脸区域图像。

S4、对所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得 平滑的图像。

设置步骤S4的原因在于，由于视频采集平台在采集人脸区域图像的过程中， 会受周围环境的影响，使采集到的人脸区域图像存在各种各样的的噪声干扰，因 此需要对采集到的人脸区域图像进行预处理。具体地，可通过对人脸区域图像进 行强度化处理，然后对强度化处理后的图像进行高斯滤波，以去除图像中的噪声， 获得平滑的图像。

S5、从所述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类 器进行人脸识别，输出人脸识别结果。

设置步骤S5的原因在于，由于待识别的人脸区域图像是对人脸进行粗定位的 图像，非人脸的区域较多，若直接将待识别的人脸区域图像直接输入到用于人脸 识别的级联分类器中，则进行人脸识别的时间较长，而通过截取感兴趣区域，缩 小人脸识别的区域范围，能够提高人脸识别的运算速度，

在本发明实施例中，感兴趣区域的设置是根据相机安装位置等先验知识设置 的。需要说明的是，本发明实施例假设所述人脸图像的前方无其他无关人员人脸 图像。

由于用于人脸识别的级联分类器存在一定的误判率，为降低级联分类器的误 识别，请参阅图2，本发明实施例提供的人脸识别的方法，还包括：

S6、对所述人脸识别结果进行人脸存在性验证，验证所述识别结果中是否存 在人脸。

作为本发明实施例的一种举例，所述对所述人脸识别结果进行人脸存在性验 证，验证所述人脸识别结果中是否存在人脸，具体为：

根据所述人脸识别结果标识人脸所在区域的坐标；

根据所述人脸所在区域的坐标，采用边缘检测算法对所述人脸所在区域的图 像进行边缘检测处理，获得边缘检测结果图；

统计所述边缘检测结果图的直方图分布，验证所述边缘检测结果图的直方图 分布与已录入人脸图像的边缘直方图分布是否接近，若接近，则所述人脸识别结 果中存在人脸，若不接近，所述人脸识别结果中不存在人脸。

在本发明实施例中，由于对人脸图像进行边缘检测处理后发现图像水平边缘 主要集中在人脸头部、下巴区域，而图像中背景的水平边缘无规律分布，因此， 边缘检测结果图的直方图分布能够反映识别出的人脸是否的确为人脸。

作为本发明实施例的一种举例，在构建训练样本集之前，还包括：

统一所述正样本训练集中的人脸照片的尺寸；其中，所述人脸照片的尺寸小 于或等于所述非人脸照片的尺寸。

作为本发明实施例的一种举例，所述人脸照片的数量小于所述非人脸照片的 数量。

作为本发明实施例的一种举例，在构建训练样本集前，需在不同环境下采集 5000张不同的人脸照片作为正样本训练集，10000张非人脸照片作为负样本训练 集，并将正样本训练集的图像统一为36×36像素，负样本训练集的图像尺寸随机， 但均不小于正样本的尺寸。

作为本发明实施例的一种举例，所述采用级联分类算法对所述样本集的人脸 边缘特征进行训练，得到用于识别人脸的级联分类器，具体为：

使用级联分类器算法对所述样本集的人脸边缘特征进行T轮训练，获得T个 弱分类器；

通过加权组合所述T个弱分类器形成一个强分类器；

将训练得到的各级强分类器级联为一个用于识别人脸的级联分类器。

作为本发明实施例的一种举例，所述强分类器通过3个步骤训练获得：

给定训练样本集：{(x₁，y₁)，…，(x_i，y_i)，…，(x_n，y_n)}，其中,x_i∈X，y_i∈Y＝{0，1}，X为输入的训练样本集，Y为样本类别标签集，0和1分别对应非人脸样本和人脸 样本。假设训练样本集包括l个正样本，m个负样本，l+m＝n，且每个样本有 k个人脸边缘特征。

步骤1：初始化所有样本的权重w_1，i(t＝1)。

其中，t表示第t个个弱分类器；

步骤2：对于整个t(t＝1，2，3，…，T)进行(1)-(4)的循环处理：

(1)权重w_t，i归一化。

(2)对于特征f，按给定样本权重训练弱分类器h_t，j，并计算其相对于当前权 重的误差ε_t，j。

式中：h_t，j为本轮弱分类器的值；f_j为第j个特征的特征值；θ_j为阈值； p_j∈{-1，1}，为偏置阈值。

(3)选择具有最小误差ε_t的弱分类器h_t，并将其加入到强分类器中。

ε_t＝min(ε_t，j)，1≤j≤k (5)

(4)更新样本权值。

式中：

若样本x_i被正确分类，e_i＝0，反之e_i＝1。

步骤3：生成强分类器。

作为本发明实施例的一种举例，所述获取视频图像中待识别的人脸区域图像， 具体为：

通过三帧差分法获取视频图像中的待识别的人脸区域图像。

在本发明实施例中，所述通过三帧差分法获取视频图像中的待识别的人脸区 域图像，具体为：

先选取视频图像序列中连续三帧图像并分别计算相邻两帧的差分图像，然后 将差分图像通过选取适当的阈值进行二值化处理，得到二值化图像，最后在每一 个像素点得到的二值图像进行逻辑与运算，获取共同部分，从而获得目标的轮廓 信息，即获得待识别的人脸区域图像。

在本发明实施例中，所述阈值可为预先设定的阈值也可采用自适应阈值二值 化算法计算出适当的阈值。

综上，本发明实施例通过采集不同环境下的人脸照片作为正样本训练集，采 集非人脸照片作为负样本训练集，并根据所述正样本训练集和所述负样本训练集 构建训练样本集；采用级联分类算法对所述训练样本集的多个人脸边缘特征进行 训练，得到识别人脸的级联分类器；获取视频图像中待识别的人脸区域图像；对 所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑的图像； 从所述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类器进行 人脸识别，能够在复杂的环境背景下准确地识别出人脸，从而能够提高人脸识别 的准确率。此外，本发明实施例提供的人脸识别的方法能够在复杂的环境背景下 快速地识别出人脸，且具有良好的实时性和鲁棒性。

实施例2：

请参阅图3，本发明实施例提供一种人脸识别的装置，包括：

样本集构建模块1，用于构建训练样本集，提取所述训练样本集的人脸边缘 特征，其中，所述训练样本集包括正样本训练集和负样本训练集，所述正样本训 练集由不同环境下不同的人脸照片构成；所述负样本训练集由非人脸照片构成。

在本发明实施例中，所述人脸照片或非人脸照片通过具备摄像功能的摄像设 备获得，如：智能手机、智能平板、摄像机等。此外，所述人脸照片或所述非人 脸照片可从图片数据库中直接下载。

训练模块2，用于采用级联分类算法对所述训练样本集的人脸边缘特征进行 训练，得到用于识别人脸的级联分类器。

在正常光照条件下，图像中的目标人脸相对于其背景环境会有比较明显的阴 影特征和强度差异，从而形成人脸的矩形特征。人脸边缘特征可用于描述相邻两 类矩形区域的强度差异，因此人脸边缘特征特征可用于检测识别复杂环境中运动 的人脸。所述人脸边缘特征包括：水平特征、垂直特征和对角特征。

需要说明的是，由于级联分类器是多个强分类器级联而成的，每个强分类器 由多个弱分类器组成，对于每一个输入的图像，顺序通过每个强分类器，前面的 强分类器相对简单，其包含的弱分类器也相对较少，后面的强分类器逐级复杂， 只有通过前面的强分类检测后的图像才能送入后面的强分类器检测，比较靠前的 几级分类器可以过滤掉大部分的不合格图像，只有通过了所有强分类器，输出的 才是人脸识别结果。因此，通过采用级联分类器对多个人脸边缘特征进行识别以 识别出人脸的方法，不仅能够准确的识别出人脸，还因以极少的运算过滤掉大量 非目标的背景区域，从而加快人脸识别的速度。

图像获取模块3，用于获取视频图像中待识别的人脸区域图像。

图像预处理模块4，用于对所述人脸区域图像进行预处理，去除所述人脸区 域图像的噪声，获得平滑的图像。

设置步骤图像预处理模块的原因在于，由于视频采集平台在采集人脸区域图 像的过程中，会受周围环境的影响，使采集到的人脸区域图像存在各种各样的的 噪声干扰，因此需要对采集到的人脸区域图像进行预处理。具体地，可通过对人 脸区域图像进行强度化处理，然后对强度化处理后的图像进行高斯滤波，以去除 图像中的噪声，获得平滑的图像。

人脸识别模块5，用于从所述平滑的图像中截取感兴趣区域输入所述用于识 别人脸的级联分类器进行人脸识别，输出人脸识别结果。

在本发明实施例中，由于待识别的人脸区域图像是对人脸进行粗定位的图像， 非人脸的区域较多，若直接将待识别的人脸区域图像直接输入到用于人脸识别的 级联分类器中，则进行人脸识别的时间较长，而通过截取感兴趣区域，缩小人脸 识别的区域范围，能够提高人脸识别的运算速度，

在本发明实施例中，感兴趣区域的设置是根据相机安装位置等先验知识设置 的。需要说明的是，本发明实施例假设所述人脸图像的前方无其他无关人员人脸 图像。

由于用于人脸识别的级联分类器存在一定的误判率，为降低级联分类器的误 识别，请参阅图4，本发明实施例提供的人脸识别的装置，还包括：

验证模块6，用于对所述人脸识别结果进行人脸存在性验证，验证所述识别 结果中是否存在人脸。

作为本发明实施例的一种举例，所述对所述人脸识别结果进行人脸存在性验 证，验证所述人脸识别结果中是否存在人脸，具体为：

根据所述人脸识别结果标识人脸所在区域的坐标；

根据所述人脸所在区域的坐标，采用边缘检测算法对所述人脸所在区域的图 像进行边缘检测处理，获得边缘检测结果图；

统计所述边缘检测结果图的直方图分布，验证所述边缘检测结果图的直方图 分布与已录入人脸图像的边缘直方图分布是否接近，若接近，则所述人脸识别结 果中存在人脸，若不接近，所述人脸识别结果中不存在人脸。

在本发明实施例中，由于对人脸图像进行边缘检测处理后发现图像水平边缘 主要集中在人脸头部、下巴区域，而图像中背景的水平边缘无规律分布，因此， 边缘检测结果图的直方图分布能够反映识别出的人脸是否的确为人脸。

作为本发明实施例的一种举例，在构建训练样本集之前，还包括：

统一所述正样本训练集中的人脸照片的尺寸；其中，所述人脸照片的尺寸小 于或等于所述非人脸照片的尺寸。

作为本发明实施例的一种举例，所述人脸照片的数量小于所述非人脸照片的 数量。

作为本发明实施例的一种举例，在构建样本集前，需在不同环境下采集5000 张不同的人脸照片作为正样本训练集，10000张非人脸照片作为负样本训练集， 并将正样本训练集的图像统一为36×36像素，负样本训练集的图像尺寸随机，但 均不小于正样本的尺寸。

作为本发明实施例的一种举例，所述采用级联分类算法对所述样本集的人脸 边缘特征进行训练，得到用于识别人脸的级联分类器，具体为：

使用级联分类器算法对所述样本集的人脸边缘特征进行T轮训练，获得T个 弱分类器；

通过加权组合所述T个弱分类器形成一个强分类器；

将训练得到的各级强分类器级联为一个用于识别人脸的级联分类器。

作为本发明实施例的一种举例，所述强分类器通过3个步骤训练获得：

给定训练样本集：{(x₁，y₁)，…，(x_i，y_i)，…，(x_n，y_n)}，其中,x_i∈X，y_i∈Y＝{0，1}，X为输入的训练样本集，Y为样本类别标签集，0和1分别对应非人脸样本和人脸 样本。假设训练样本集包括l个正样本，m个负样本，l+m＝n，且每个样本有 k个人脸边缘特征。

步骤1：初始化所有样本的权重w_1，i(t＝1)。

其中，t表示第t个个弱分类器；

步骤2：对于整个t(t＝1，2，3，…，T)进行(1)-(4)的循环处理：

(1)权重w_t，i归一化。

(2)对于特征f，按给定样本权重训练弱分类器h_t，j，并计算其相对于当前权 重的误差ε_t，j。

式中：h_t，j为本轮弱分类器的值；f_j为第j个特征的特征值；θ_j为阈值； p_j∈{-1，1}，为偏置阈值。

(3)选择具有最小误差ε_t的弱分类器h_t，并将其加入到强分类器中。

ε_t＝min(ε_t，j)，1≤j≤k (5)

(4)更新样本权值。

式中：

若样本x_i被正确分类，e_i＝0，反之e_i＝1。

步骤3：生成强分类器。

作为本发明实施例的一种举例，所述获取视频图像中待识别的人脸区域图像， 具体为：

通过三帧差分法获取视频图像中的待识别的人脸区域图像。

在本发明实施例中，所述通过三帧差分法获取视频图像中的待识别的人脸区 域图像，具体为：

先选取视频图像序列中连续三帧图像并分别计算相邻两帧的差分图像，然后 将差分图像通过选取适当的阈值进行二值化处理，得到二值化图像，最后在每一 个像素点得到的二值图像进行逻辑与运算，获取共同部分，从而获得目标的轮廓 信息，即获得待识别的人脸区域图像。

在本发明实施例中，所述阈值可为预先设定的阈值也可采用自适应阈值二值 化算法计算出适当的阈值。

综上，本发明实施例通过采集不同环境下的人脸照片作为正样本训练集，采 集非人脸照片作为负样本训练集，并根据所述正样本训练集和所述负样本训练集 构建训练样本集；采用级联分类算法对所述训练样本集的多个人脸边缘特征进行 训练，得到识别人脸的级联分类器；获取视频图像中待识别的人脸区域图像；对 所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑的图像； 从所述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类器进行 人脸识别，能够在复杂的环境背景下准确地识别出人脸，从而能够提高人脸识别 的准确率。此外，本发明实施例提供的人脸识别的方法能够在复杂的环境背景下 快速地识别出人脸，且具有良好的实时性和鲁棒性。

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，所述的程序可存储于一计算机可 监听存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中， 所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM) 或随机存储记忆体(RandomAccess Memory，RAM)等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改 进和润饰也视为本发明的保护范围。

Claims (10)

1.一种人脸识别的方法，其特征在于，包括：

构建训练样本集，提取所述训练样本集的多个人脸边缘特征，其中，所述训练样本集包括正样本训练集和负样本训练集，所述正样本训练集由不同环境下不同的人脸照片构成；所述负样本训练集由非人脸照片构成；

采用级联分类算法对所述训练样本集的多个人脸边缘特征进行训练，得到用于识别人脸的级联分类器；

获取视频图像中待识别的人脸区域图像；

对所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑的图像；

从所述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类器进行人脸识别，输出人脸识别结果，所述人脸识别结果为人脸或非人脸。

2.根据权利要求1所述的人脸识别的方法，其特征在于，在构建训练样本集之前，还包括：

统一所述正样本训练集中的人脸照片的尺寸；其中，所述人脸照片的尺寸小于或等于所述非人脸照片的尺寸。

3.根据权利要求1所述的人脸识别的方法，其特征在于，所述人脸照片的数量小于所述非人脸照片的数量。

4.根据权利要求1所述的人脸识别的方法，其特征在于，所述获取视频图像中待识别的人脸区域图像，具体为：

通过三帧差分法获取视频图像中待识别的人脸区域图像。

5.根据权利要求1所述的人脸识别的方法，其特征在于，还包括：

对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别结果中是否存在人脸。

6.根据权利要求5所述的人脸识别的方法，其特征在于，所述对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别结果中是否存在人脸，具体为：

根据所述人脸识别结果标识人脸所在区域的坐标；

根据所述人脸所在区域的坐标，采用边缘检测算法对所述人脸所在区域的图像进行边缘检测处理，获得边缘检测结果图；

统计所述边缘检测结果图的直方图分布，验证所述边缘检测结果图的直方图分布与已录入人脸图像的边缘直方图分布是否接近，若接近，则所述人脸识别结果中存在人脸，若不接近，所述人脸识别结果中不存在人脸。

7.一种人脸识别的装置，其特征在于，包括：

训练样本集构建模块，用于构建训练样本集，提取所述训练样本集的多个人脸边缘特征，其中，所述训练样本集包括正样本集和负样本集，所述正样本集由不同环境下不同的人脸照片构成；所述负样本训练集由非人脸照片构成；

训练模块，用于采用级联分类算法对所述训练样本集的多个人脸边缘特征进行训练，得到用于识别人脸的级联分类器；

图像获取模块，用于获取视频图像中待识别的人脸区域图像；

图像预处理模块，用于对所述人脸区域图像进行预处理，去除所述人脸区域图像的噪声，获得平滑的图像；

人脸识别模块，用于从所述平滑的图像中截取感兴趣区域输入所述用于识别人脸的级联分类器进行人脸识别，输出人脸识别结果；所述人脸识别结果为人脸或非人脸。

8.根据权利要求7所述的人脸识别的装置，其特征在于，在构建训练样本集之前，还包括：

统一所述正样本训练集中的人脸照片的尺寸；其中，所述人脸照片的尺寸小于或等于所述非人脸照片的尺寸，所述人脸照片的数量小于所述非人脸照片的数量。

9.根据权利要求7所述的人脸识别的装置，其特征在于，还包括：

验证模块，用于对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别结果中是否存在人脸。

10.根据权利要求9所述的人脸识别的装置，其特征在于，所述对所述人脸识别结果进行人脸存在性验证，验证所述人脸识别结果中是否存在人脸，具体为：

根据所述人脸识别结果标识人脸所在区域的坐标；

根据所述人脸所在区域的坐标，采用边缘检测算法对所述人脸所在区域的图像进行边缘检测处理，获得边缘检测结果图；

统计所述边缘检测结果图的直方图分布，验证所述边缘检测结果图的直方图分布与已录入人脸图像的边缘直方图分布是否接近，若接近，则所述人脸识别结果中存在人脸，若不接近，所述人脸识别结果中不存在人脸。

Images