CN112633250A - 一种人脸识别检测实验方法及装置 - Google Patents
一种人脸识别检测实验方法及装置 Download PDFInfo
- Publication number
- CN112633250A CN112633250A CN202110008954.7A CN202110008954A CN112633250A CN 112633250 A CN112633250 A CN 112633250A CN 202110008954 A CN202110008954 A CN 202110008954A CN 112633250 A CN112633250 A CN 112633250A
- Authority
- CN
- China
- Prior art keywords
- face
- recognized
- image
- face image
- key point
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000002474 experimental method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims 12
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种人脸识别检测实验方法及装置,涉及人脸识别技术领域。该方法包括:获取待识别人脸图像,并对待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;检测滤波后的待识别人脸图像中的至少一个关键点;采用局部二值模式算法提取至少一个关键点中每个关键点的特征;先对获取的人脸图像进行高斯差分滤波处理,然后采用局部二值模式算法进行特征提取,不仅保证了图像的准确性,还提高了图像处理的效率。然后,再通过对待识别的人脸图像中的关键点进行检测,并根据每个关键点的特征在每张人脸模板中匹配相对应的目标关键点,以通过进行识别,使得在人脸模板较少时也能够准确地对人脸进行识别。
Description
技术领域
本发明涉及人脸识别技术领域,具体而言,涉及一种人脸识别检测实验方法及装置。
背景技术
近年来人脸识别技术得到迅速的发展及广泛应用,这是一种基于已知的人脸库,利用计算机或嵌入式设备分析人脸图像,进而利用特征提取技术抽取出有效的识别信息,用来“辨识”身份的一门技术。目前常用的人脸识别就是将待识别的人脸与已知人脸进行比较,得出相似程度的相关信息。例如,摄像单元不断的采集人脸图像信息,然后通过定位、提取人脸特征,并根据所提取的人脸特征与人脸特征库中的全部人脸模板来进行比较,而确定人脸识别是否通过。
随着在实际应用的不断推广,人脸识别***存在的问题也逐渐凸显。比如,人脸特征具有可变性,如各种附加物,人脸表情的变化等,在高铁站中人脸识别***样本量不足,而这些问题在实际应用中都可能导致人脸识别***发生拒识、误识现象。
发明内容
本发明的目的在于提供一种人脸识别检测实验方法及装置,用以改善现有技术中人脸识别不准确的问题。
第一方面,本申请实施例提供一种人脸识别检测实验方法,方法包括:获取待识别人脸图像,并对待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;检测滤波后的待识别人脸图像中的至少一个关键点;采用局部二值模式算法提取至少一个关键点中每个关键点的特征;根据每个关键点的特征匹配与每个关键点相对应的每张人脸模板中的目标关键点;根据至少一个关键点的特征,以及从每张人脸模板中匹配到的至少一个目标关键点的特征,对待识别的人脸图像进行识别。
上述实现过程中,先对获取的人脸图像进行高斯差分滤波处理,然后采用局部二值模式算法进行特征提取,不仅保证了图像的准确性,还提高了图像处理的效率。然后,再通过对待识别的人脸图像中的关键点进行检测,并根据每个关键点的特征在每张人脸模板中匹配相对应的目标关键点,以通过待识别的人脸图像中的关键点的特征,以及在每张人脸模板中匹配到的目标关键点的特征,对待识别的人脸图像进行识别,使得在小注册样本,即每个人的人脸模板较少的情况下,也能够通过人脸图像中的关键点匹配到相对应的目标关键点,从而准确地对待识别的人脸图像进行识别。
在本发明的一些实施例中,检测滤波后的待识别人脸图像中的至少一个关键点的步骤之前,方法还包括:将待识别人脸图像与预先存储的人脸图像样本集进行比对,并将滤波后的待识别人脸图像与预先存储的经高斯差分滤波后的人脸图像样本集进行比对,从人脸图像样本集中找出与待识别人脸图像对应的识别对象;计算与识别对象对应的待识别人脸图像和滤波后的待识别人脸图像的总体重构系数分散程度SCI;根据总体重构系数分散程度SCI判断待识别人脸图像是否为已注册人脸图像。
在本发明的一些实施例中,对待识别人脸图像进行高斯差分滤波处理的步骤之前,方法包括:对待识别人脸图像进行归一化处理。
在本发明的一些实施例中,获取待识别人脸图像的步骤之前,方法还包括:获取包括人脸的图像,并获取其中的人脸光照数据;根据人脸光照数据对包括人脸的图像进行预处理,并提取人脸特征;根据人脸特征进行全局人脸检测,以检测人脸的图像是否为已注册人脸图像。
在本发明的一些实施例中,根据人脸特征进行全局人脸检测的步骤,包括:采用多个不同的检测方案对人脸特征进行识别;判断不同检测方案得到的候选人脸模板是否为同一个人的人脸;若是,则人脸特征通过全局人脸检测,并确定人脸的图像是否为已注册人脸图像。
第二方面,本申请实施例提供一种人脸识别检测实验装置,装置包括:待识别图像获取模块,用于获取待识别人脸图像,并对待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;关键点检测模块,用于检测滤波后的待识别人脸图像中的至少一个关键点;特征提取模块,用于采用局部二值模式算法提取至少一个关键点中每个关键点的特征;目标关键点匹配模块,用于根据每个关键点的特征匹配与每个关键点相对应的每张人脸模板中的目标关键点;人脸识别模块,用于根据至少一个关键点的特征,以及从每张人脸模板中匹配到的至少一个目标关键点的特征,对待识别的人脸图像进行识别。
在本发明的一些实施例中,装置还包括:识别对象确定模块,用于将待识别人脸图像与预先存储的人脸图像样本集进行比对,并将滤波后的待识别人脸图像与预先存储的经高斯差分滤波后的人脸图像样本集进行比对,从人脸图像样本集中找出与待识别人脸图像对应的识别对象;计算模块,用于计算与识别对象对应的待识别人脸图像和滤波后的待识别人脸图像的总体重构系数分散程度SCI;已注册人脸图像判断模块,用于根据总体重构系数分散程度SCI判断待识别人脸图像是否为已注册人脸图像。
在本发明的一些实施例中,装置包括:归一化处理模块,用于对待识别人脸图像进行归一化处理。
在本发明的一些实施例中,装置还包括:光照数据获取模块,用于获取包括人脸的图像,并获取其中的人脸光照数据;预处理模块,用于根据人脸光照数据对包括人脸的图像进行预处理,并提取人脸特征;全局检测模块,用于根据人脸特征进行全局人脸检测,以检测人脸的图像是否为已注册人脸图像。
在本发明的一些实施例中,全局检测模块包括:人脸特征识别单元,用于采用多个不同的检测方案对人脸特征进行识别;人脸模板判断单元,用于判断不同检测方案得到的候选人脸模板是否为同一个人的人脸;全局检测单元,用于若是,则人脸特征通过全局人脸检测,并确定人脸的图像是否为已注册人脸图像。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种人脸识别检测实验方法的流程图;
图2为本发明实施例提供的一种人脸识别检测实验装置额结构框图;
图3为本发明实施例提供的一种电子设备的结构框图。
图标:100-人脸识别检测实验装置;110-待识别图像获取模块;120-关键点检测模块;130-特征提取模块;140-目标关键点匹配模块;150-人脸识别模块;101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1,图1为本发明实施例提供的一种人脸识别检测实验方法的流程图。本申请实施例提供一种人脸识别检测实验方法包括以下步骤:
步骤S110:获取待识别人脸图像,并对待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像。
由于图像中大多数噪声均属于高斯噪声,因此高斯差分滤波常被应用于对图像进行降噪。高斯差分滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。高斯差分滤波就是对整幅图像进行加权平均的过程,每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到。高斯差分滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。通过高斯差分滤波得到的滤波后的待识别人脸图像,实现对图像的降噪处理,然后再对滤波后的待识别人脸图像进行识别能够保证识别的准确性。
步骤S120:检测滤波后的待识别人脸图像中的至少一个关键点。
步骤S130:采用局部二值模式算法提取至少一个关键点中每个关键点的特征。
局部二值模式(Local Binary Pattern,LBP)算法是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala、以及D.Harwood在1994年提出,用于纹理特征提取,且提取的特征是图像的局部的纹理特征。该算法较简单,但却能十分高效的进行特征分析,因此,采用局部二值模式算法提取至少一个关键点中每个关键点的特征能够保证人脸识别的效率。
步骤S140:根据每个关键点的特征匹配与每个关键点相对应的每张人脸模板中的目标关键点。
步骤S150:根据至少一个关键点的特征,以及从每张人脸模板中匹配到的至少一个目标关键点的特征,对待识别的人脸图像进行识别。
由于人脸图像中的关键点位置是已知的,例如围绕人脸眼睛的关键点,因此通过对待识别的人脸图像中的关键点进行检测,并根据每个关键点的特征在每张人脸模板中匹配相对应的目标关键点,以通过待识别的人脸图像中的关键点的特征,以及在每张人脸模板中匹配到的目标关键点的特征,对待识别的人脸图像进行识别,使得在小注册样本,即每个人的人脸模板较少的情况下,也能够通过人脸图像中的关键点匹配到相对应的目标关键点,从而准确地对待识别的人脸图像进行识别,避免了由于每个人的人脸模板较少,导致识别错误率较高,甚至不进行识别的问题。同时,在待识别的人脸图像的分辨率较小时,也能够准确地检测出面部关键点,提高了小分辨率人脸图像的识别率。
其中,根据至少一个关键点的特征,以及从每张人脸模板中匹配到的至少一个目标关键点的特征,对待识别的人脸图像进行识别的步骤具体可以为:先根据至少一个关键点的特征,然后生成待识别的人脸图像的特征,以及根据至少一个目标关键点的特征,生成每张人脸模板的特征;计算待识别的人脸图像的特征与每张人脸模板的特征之间的欧式距离;选择特征与待识别的人脸图像的特征之间的欧式距离最短的人脸模板作为识别到的人脸图像。
每个关键点的特征和每个目标关键点的特征都可以通过一个向量来表示,在待识别的人脸图像中检测到多个关键点时,可以将多个关键点的特征进行串联,即将多个向量串联,以得到待识别的人脸图像的特征,该特征为一个向量。此外,可以将从每张人脸模板中匹配到的目标关键点的特征进行串联,以得到每张人脸模板的特征,该特征也为一个向量。最后,再通过对待识别的人脸图像的特征与每张人脸模板的特征求欧式距离,以从人脸模板中查找与待识别的人脸图像相匹配的人脸模板。
在上述技术方案中,可以先判断识别到的人脸图像的特征与待识别的人脸图像的特征之间的欧式距离是否大于或等于预定数值,若是,则判定识别失败,否则,判定识别成功。
其中,通过判断识别到的人脸图像的特征与待识别的人脸图像的特征之间的欧式距离是否大于或等于预定数值,可以降低对人脸图像的误识别率,提高人脸图像识别的正确率。具体地,在人脸模板中不存在与待识别的人脸图像相匹配的人脸模板,也就是说,没有存储待识别的人脸图像的注册样本时,通过计算并比较欧式距离,也会得到一个识别结果,造成识别错误,因此可以对欧式距离与预定数值进行比较,以提高对人脸图像识别的正确率。
在本发明的一些实施例中,可以先对待识别的人脸图像进行预识别,下面介绍本申请提供的两种方法。
第一种预识别方法,先将待识别人脸图像与预先存储的人脸图像样本集进行比对,并将滤波后的待识别人脸图像与预先存储的经高斯差分滤波后的人脸图像样本集进行比对,从人脸图像样本集中找出与待识别人脸图像对应的识别对象,然后计算与识别对象对应的待识别人脸图像和滤波后的待识别人脸图像的总体重构系数分散程度SCI。最后根据总体重构系数分散程度SCI判断待识别人脸图像是否为已注册人脸图像。
当SCI的值大于预定值时,确定待识别人脸图像为已注册人脸图像,否则,为非注册人脸图像。而通过设置不同的预定值,达到根据不同环境调整识别精度的目的。
作为本实施例中的一种实施方式,在对待识别人脸图像进行高斯差分滤波处理的步骤之前,还可以对待识别人脸图像进行归一化处理。
第二种预识别方法,在获取待识别人脸图像的步骤之前,先获取包括人脸的图像,并获取其中的人脸光照数据,然后根据人脸光照数据对包括人脸的图像进行预处理,并提取人脸特征。再根据人脸特征进行全局人脸检测,以检测人脸的图像是否为已注册人脸图像。
光照数据可以包括,人脸图像的光线信息。例如,可以获取多个人脸图像,并从中获取有效的一个人脸图像,同时采集光线信息,获取此时光照度大小。然后根据光照数据对人类的图像进行预处理,并提取人脸特征。具体地,可以根据获取到的人脸图像以及光照数据进行直方图均衡处理,然后将人脸归一化成统一大小,再根据局部二值模式算法提取人脸特征。然后再根据人脸特征进行全局人脸检测,若通过全局人脸检测,则表示该人脸的图像为已注册人脸图像;如果未通过,则为非注册人脸图像。
其中,根据人脸特征进行全局人脸检测时,可以先采用多个不同的检测方案对人脸特征进行识别,然后判断不同检测方案得到的候选人脸模板是否为同一个人的人脸,若是,则人脸特征通过全局人脸检测,并确定人脸的图像是否为已注册人脸图像。
基于同样的发明构思,本发明还提出一种人脸识别检测实验装置100,请参看图2,图2为本发明实施例提供的一种人脸识别检测实验装置额结构框图,该人脸识别检测实验装置100包括:
待识别图像获取模块110,用于获取待识别人脸图像,并对待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;
关键点检测模块120,用于检测滤波后的待识别人脸图像中的至少一个关键点;
特征提取模块130,用于采用局部二值模式算法提取至少一个关键点中每个关键点的特征;
目标关键点匹配模块140,用于根据每个关键点的特征匹配与每个关键点相对应的每张人脸模板中的目标关键点;
人脸识别模块150,用于根据至少一个关键点的特征,以及从每张人脸模板中匹配到的至少一个目标关键点的特征,对待识别的人脸图像进行识别。
在本发明的一些实施例中,装置还包括:
识别对象确定模块,用于将待识别人脸图像与预先存储的人脸图像样本集进行比对,并将滤波后的待识别人脸图像与预先存储的经高斯差分滤波后的人脸图像样本集进行比对,从人脸图像样本集中找出与待识别人脸图像对应的识别对象;
计算模块,用于计算与识别对象对应的待识别人脸图像和滤波后的待识别人脸图像的总体重构系数分散程度SCI;
已注册人脸图像判断模块,用于根据总体重构系数分散程度SCI判断待识别人脸图像是否为已注册人脸图像。
在本发明的一些实施例中,装置包括:
归一化处理模块,用于对待识别人脸图像进行归一化处理。
在本发明的一些实施例中,装置还包括:
光照数据获取模块,用于获取包括人脸的图像,并获取其中的人脸光照数据;
预处理模块,用于根据人脸光照数据对包括人脸的图像进行预处理,并提取人脸特征;
全局检测模块,用于根据人脸特征进行全局人脸检测,以检测人脸的图像是否为已注册人脸图像。
在本发明的一些实施例中,全局检测模块包括:
人脸特征识别单元,用于采用多个不同的检测方案对人脸特征进行识别;
人脸模板判断单元,用于判断不同检测方案得到的候选人脸模板是否为同一个人的人脸;
全局检测单元,用于若是,则人脸特征通过全局人脸检测,并确定人脸的图像是否为已注册人脸图像。
请参阅图3,图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的人脸识别检测实验装置100对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上,本申请实施例提供的一种人脸识别检测实验方法及装置,该方法包括:获取待识别人脸图像,并对待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;检测滤波后的待识别人脸图像中的至少一个关键点;采用局部二值模式算法提取至少一个关键点中每个关键点的特征;根据每个关键点的特征匹配与每个关键点相对应的每张人脸模板中的目标关键点;根据至少一个关键点的特征,以及从每张人脸模板中匹配到的至少一个目标关键点的特征,对待识别的人脸图像进行识别。先对获取的人脸图像进行高斯差分滤波处理,然后采用局部二值模式算法进行特征提取,不仅保证了图像的准确性,还提高了图像处理的效率。然后,再通过对待识别的人脸图像中的关键点进行检测,并根据每个关键点的特征在每张人脸模板中匹配相对应的目标关键点,以通过待识别的人脸图像中的关键点的特征,以及在每张人脸模板中匹配到的目标关键点的特征,对待识别的人脸图像进行识别,使得在小注册样本,即每个人的人脸模板较少的情况下,也能够通过人脸图像中的关键点匹配到相对应的目标关键点,从而准确地对待识别的人脸图像进行识别。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种人脸识别检测实验方法,其特征在于,所述方法包括:
获取待识别人脸图像,并对所述待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;
检测所述滤波后的待识别人脸图像中的至少一个关键点;
采用局部二值模式算法提取所述至少一个关键点中每个关键点的特征;
根据所述每个关键点的特征匹配与所述每个关键点相对应的每张人脸模板中的目标关键点;
根据所述至少一个关键点的特征,以及从所述每张人脸模板中匹配到的至少一个所述目标关键点的特征,对所述待识别的人脸图像进行识别。
2.根据权利要求1所述的方法,其特征在于,检测所述滤波后的待识别人脸图像中的至少一个关键点的步骤之前,所述方法还包括:
将所述待识别人脸图像与预先存储的人脸图像样本集进行比对,并将所述滤波后的待识别人脸图像与预先存储的经高斯差分滤波后的人脸图像样本集进行比对,从所述人脸图像样本集中找出与所述待识别人脸图像对应的识别对象;
计算与所述识别对象对应的所述待识别人脸图像和所述滤波后的待识别人脸图像的总体重构系数分散程度SCI;
根据所述总体重构系数分散程度SCI判断所述待识别人脸图像是否为已注册人脸图像。
3.根据权利要求1所述的方法,其特征在于,对所述待识别人脸图像进行高斯差分滤波处理的步骤之前,所述方法包括:
对所述待识别人脸图像进行归一化处理。
4.根据权利要求1所述的方法,其特征在于,获取待识别人脸图像的步骤之前,所述方法还包括:
获取包括人脸的图像,并获取其中的人脸光照数据;
根据所述人脸光照数据对所述包括人脸的图像进行预处理,并提取人脸特征;
根据所述人脸特征进行全局人脸检测,以检测所述人脸的图像是否为已注册人脸图像。
5.根据权利要求4所述的方法,其特征在于,根据所述人脸特征进行全局人脸检测的步骤,包括:
采用多个不同的检测方案对所述人脸特征进行识别;
判断不同检测方案得到的候选人脸模板是否为同一个人的人脸;
若是,则所述人脸特征通过所述全局人脸检测,并确定所述人脸的图像是否为已注册人脸图像。
6.一种人脸识别检测实验装置,其特征在于,所述装置包括:
待识别图像获取模块,用于获取待识别人脸图像,并对所述待识别人脸图像进行高斯差分滤波处理,得到滤波后的待识别人脸图像;
关键点检测模块,用于检测所述滤波后的待识别人脸图像中的至少一个关键点;
特征提取模块,用于采用局部二值模式算法提取所述至少一个关键点中每个关键点的特征;
目标关键点匹配模块,用于根据所述每个关键点的特征匹配与所述每个关键点相对应的每张人脸模板中的目标关键点;
人脸识别模块,用于根据所述至少一个关键点的特征,以及从所述每张人脸模板中匹配到的至少一个所述目标关键点的特征,对所述待识别的人脸图像进行识别。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
识别对象确定模块,用于将所述待识别人脸图像与预先存储的人脸图像样本集进行比对,并将所述滤波后的待识别人脸图像与预先存储的经高斯差分滤波后的人脸图像样本集进行比对,从所述人脸图像样本集中找出与所述待识别人脸图像对应的识别对象;
计算模块,用于计算与所述识别对象对应的所述待识别人脸图像和所述滤波后的待识别人脸图像的总体重构系数分散程度SCI;
已注册人脸图像判断模块,用于根据所述总体重构系数分散程度SCI判断所述待识别人脸图像是否为已注册人脸图像。
8.根据权利要求6所述的装置,其特征在于,所述装置包括:
归一化处理模块,用于对所述待识别人脸图像进行归一化处理。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008954.7A CN112633250A (zh) | 2021-01-05 | 2021-01-05 | 一种人脸识别检测实验方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008954.7A CN112633250A (zh) | 2021-01-05 | 2021-01-05 | 一种人脸识别检测实验方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633250A true CN112633250A (zh) | 2021-04-09 |
Family
ID=75291019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008954.7A Pending CN112633250A (zh) | 2021-01-05 | 2021-01-05 | 一种人脸识别检测实验方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673345A (zh) * | 2021-07-20 | 2021-11-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 人脸识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679159A (zh) * | 2013-12-31 | 2014-03-26 | 海信集团有限公司 | 人脸识别方法 |
CN103714347A (zh) * | 2013-12-30 | 2014-04-09 | 汉王科技股份有限公司 | 人脸识别方法及人脸识别装置 |
CN106339701A (zh) * | 2016-10-31 | 2017-01-18 | 黄建文 | 一种人脸图像识别方法及*** |
CN110309744A (zh) * | 2019-06-21 | 2019-10-08 | 武汉市公安局视频侦查支队 | 一种嫌疑人识别方法及装置 |
WO2020244032A1 (zh) * | 2019-06-03 | 2020-12-10 | 罗普特科技集团股份有限公司 | 用于检测人脸图像的方法和装置 |
-
2021
- 2021-01-05 CN CN202110008954.7A patent/CN112633250A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714347A (zh) * | 2013-12-30 | 2014-04-09 | 汉王科技股份有限公司 | 人脸识别方法及人脸识别装置 |
CN103679159A (zh) * | 2013-12-31 | 2014-03-26 | 海信集团有限公司 | 人脸识别方法 |
CN106339701A (zh) * | 2016-10-31 | 2017-01-18 | 黄建文 | 一种人脸图像识别方法及*** |
WO2020244032A1 (zh) * | 2019-06-03 | 2020-12-10 | 罗普特科技集团股份有限公司 | 用于检测人脸图像的方法和装置 |
CN110309744A (zh) * | 2019-06-21 | 2019-10-08 | 武汉市公安局视频侦查支队 | 一种嫌疑人识别方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673345A (zh) * | 2021-07-20 | 2021-11-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 人脸识别方法及*** |
CN113673345B (zh) * | 2021-07-20 | 2024-04-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 人脸识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Effective Uyghur language text detection in complex background images for traffic prompt identification | |
US5799098A (en) | Fingerprint identification system | |
US6876757B2 (en) | Fingerprint recognition system | |
CN112016401A (zh) | 基于跨模态行人重识别方法及装置 | |
US20080273769A1 (en) | Print matching method and system using direction images | |
CN111931548B (zh) | 人脸识别***、建立人脸识别数据的方法及人脸识别方法 | |
Choudhary et al. | A survey: Feature extraction methods for iris recognition | |
Iwasokun et al. | Fingerprint singular point detection based on modified poincare index method | |
Kamboj et al. | CED-Net: context-aware ear detection network for unconstrained images | |
CN109145704B (zh) | 一种基于人脸属性的人脸画像识别方法 | |
de Paula Lemes et al. | Dynamic pore filtering for keypoint detection applied to newborn authentication | |
WO2019062588A1 (zh) | 信息识别方法、装置及电子设备 | |
CN112633250A (zh) | 一种人脸识别检测实验方法及装置 | |
Ray et al. | Palm print recognition using hough transforms | |
Xu et al. | Coin recognition method based on SIFT algorithm | |
CN109840461B (zh) | 一种基于动态虹膜图像的识别方法及装置 | |
Soni et al. | Extracting text regions from scene images using Weighted Median Filter and MSER | |
Sehgal | Palm recognition using LBP and SVM | |
Fathee et al. | A Robust Iris Segmentation Algorithm Based on Pupil Region for Visible Wavelength Environments | |
Saini et al. | Comparative study of text detection in natural scene images | |
Sree et al. | Dorsal Hand Vein Pattern Authentication by Hough Peaks | |
Rakshitha et al. | Latent Fingerprint Enhancement for Investigation | |
CN113516165B (zh) | 一种基于图像金字塔匹配后验的客户满意度判别方法 | |
Ghavidel et al. | Natural scene text localization using edge color signature | |
JP2019121187A (ja) | 画像処理装置、画像処理方法および画像処理プログラム |
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 |