CN117037343B - 一种全自动人脸生物识别智能锁解锁方法及*** - Google Patents
一种全自动人脸生物识别智能锁解锁方法及*** Download PDFInfo
- Publication number
- CN117037343B CN117037343B CN202311293906.2A CN202311293906A CN117037343B CN 117037343 B CN117037343 B CN 117037343B CN 202311293906 A CN202311293906 A CN 202311293906A CN 117037343 B CN117037343 B CN 117037343B
- Authority
- CN
- China
- Prior art keywords
- sub
- window
- degree
- gray level
- gray
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005286 illumination Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 53
- 230000001815 facial effect Effects 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013475 authorization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及面部识别和授权安全领域,具体涉及一种全自动人脸生物识别智能锁解锁方法及***。该方法包括:对面部灰度图像进行多尺度处理获得不同尺度下的参考图像,对参考图像中划分出的子窗口的像素点灰度值的变化情况进行分析,获得子窗口的初始灰度渐变程度,结合参考图像的尺度层级对初始灰度渐变程度进行修正,获得子窗口的最终灰度渐变程度和灰度渐变方向;基于子窗口与相邻窗口的灰度渐变方向的差异以及最终灰度渐变程度,获得光照干扰度;基于子窗口的光照干扰度和提取的待测特征值获得最终匹配度,完成对智能锁的解锁。本发明降低了光照对人脸识别的影响,提高人脸识别的准确性,从而提高智能锁解锁的成功率。
Description
技术领域
本发明涉及面部识别和授权安全领域,具体涉及一种全自动人脸生物识别智能锁解锁方法及***。
背景技术
智能时代的到来极大的方便了人们的生活方式,人脸生物识别是智能时代的重要产物,其应用到生活的方方面面。人脸生物识别的智能锁的到来解放人的双手,解决了传统钥匙易丢失导致无法解锁的局限性,人脸生物识别的智能锁通过初始采集用户的面部信息,提取用户脸部的特征数据并存储到数据库中,解锁时通过采集当前用户面部的特征数据,并与数据库中存储的数据进行匹配,从而完成智能锁的解锁过程。
现有技术中智能锁通常使用局部二值模式(Local Binary Patterns,LBP)算法采集用户面部的特征数据,并通过与数据库存储的特征数据进行匹配完成解锁,但由于LBP算法在对用户面部的特征进行提取的过程中,面部图像易受到光照的影响,导致提取的用户面部的特征数据与用户在数据库中的特征数据之间的匹配度较低,降低人脸识别的准确性,从而降低智能锁解锁的成功率。
发明内容
为了解决使用LBP算法在对用户面部的特征进行提取时,面部图像易受到光照的影响,导致提取的用户面部的特征数据与用户在数据库中的特征数据之间的匹配度较低,降低人脸识别的准确性,从而降低智能锁解锁的成功率的技术问题,本发明的目的在于提供一种全自动人脸生物识别智能锁解锁方法及***,所采用的技术方案具体如下:
本发明提出了一种全自动人脸生物识别智能锁解锁方法,所述方法包括:
获取用户的面部灰度图像,对面部灰度图像进行多尺度处理,获得不同尺度下相同尺寸的参考图像,所述参考图像包括面部灰度图像;
对所有参考图像进行窗口划分处理,获得至少两个相同尺寸的子窗口,将以子窗口为中心的预设邻域范围内的其他子窗口作为相邻窗口;过子窗口的中心像素点作不同方向的直线,根据子窗口与相邻窗口中在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度;
根据所有参考图像对应的尺度层级,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度;根据所述最终灰度渐变程度获得子窗口的灰度渐变方向;根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度;
对面部灰度图像的子窗口进行灰度特征提取处理,获得子窗口的待测特征值;根据所有子窗口的所述待测特征值与所述光照干扰度,获得面部灰度图像的最终匹配度;根据所述最终匹配度对智能锁进行解锁。
进一步地,所述根据子窗口与相邻窗口中在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度包括:
将所述子窗口与所述相邻窗口中在同一个直线上的像素点,作为目标像素点;
将任意相邻的三个目标像素点作为目标像素点组;
将所述目标像素点组中相邻的两个目标像素点的灰度值的差值作为灰度差值,计算目标像素点组中所有灰度差值;
计算目标像素点组中所有灰度差值的乘积值作为判定参数,若所述判定参数大于或等于0,则将预设第一常数作为目标像素点组的渐变参数,若所述判定参数小于0,则将预设第二常数作为目标像素点组的渐变参数,所述预设第一常数大于所述预设第二常数;
对每个直线上所有目标像素点组的所述渐变参数的累加值分别进行归一化处理,获得子窗口在每个方向的初始灰度渐变程度。
进一步地,所述根据所有参考图像对应的尺度层级,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度包括:
对每个所述参考图像对应的尺度层级进行归一化处理,获得参考图像的尺度权重;
将所述尺度权重作为对应参考图像中子窗口的初始灰度渐变程度的权重;
对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行加权求和,获得子窗口在每个方向的最终灰度渐变程度。
进一步地,所述根据所述最终灰度渐变程度获得子窗口的灰度渐变方向包括:
将子窗口中最终灰度渐变程度的最大值对应的方向作为子窗口的灰度渐变方向。
进一步地,所述根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度包括:
将子窗口的所述灰度渐变方向与每个相邻窗口的所述灰度渐变方向的差值的绝对值,作为方向差异;
对所有所述方向差异的累加值进行负相关的归一化处理,获得第一干扰参数;
将子窗口在灰度渐变方向对应的最终灰度渐变程度,作为第二干扰参数;
将所述第一干扰参数和所述第二干扰参数的乘积值作为子窗口的光照干扰度。
进一步地,所述对面部灰度图像的子窗口进行灰度特征提取处理,获得子窗口的待测特征值包括:
基于LBP算法,根据子窗口的中心像素点的灰度值与其他像素点的灰度值的差异,获得子窗口的LBP二进制码,将所述LBP二进制码转换为十进制的数值,作为子窗口的待测特征值。
进一步地,所述根据所有子窗口的所述待测特征值与所述光照干扰度,获得面部灰度图像的最终匹配度包括:
获取数据库中用户面部图像在相同位置子窗口的预设标准特征值;
对所述待测特征值与所述预设标准特征值的差值的绝对值进行负相关的归一化处理,获得子窗口的初始匹配度;
对所述光照干扰度进行负相关映射,获得子窗口的置信度;
将所述置信度作为对应子窗口的所述初始匹配度的权重;
对所有所述初始匹配度进行加权求和,获得面部灰度图像的最终匹配度。
进一步地,所述根据所述最终匹配度对智能锁进行解锁包括:
若所述最终匹配度大于预设匹配度阈值,则解锁成功,若所述最终匹配度不大于预设匹配度阈值,则解锁失败。
进一步地,所述对面部灰度图像进行多尺度处理,获得不同尺度下相同尺寸的参考图像包括:
基于高斯金字塔对所述面部灰度图像进行多尺度处理,获得不同尺度下的目标图像;
对每个所述目标图像进行插值处理,获得不同尺度下相同尺寸的参考图像。
本发明还提出了一种全自动人脸生物识别智能锁解锁***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项一种全自动人脸生物识别智能锁解锁方法的步骤。
本发明具有如下有益效果:
本发明考虑到现有技术中使用LBP算法对用户面部进行特征提取时易受到光照影响的局限性,首先对用户面部的面部灰度图像进行多尺度处理,在不同的尺度上对图像进行分析,使得后续的处理过程能够更加全面地捕捉到图像中的信息;对不同尺度下的参考图像进行窗口划分,对子窗口进行单独分析,可更加精确的分析出光照的影响,并通过获取的初始灰度渐变程度初步反映由光照引起的子窗口在各个方向的灰度变化情况,考虑到不同尺度下光照的影响是不同的,可结合参考图像对应的尺度对初始灰度渐变程度进行修正,通过获取的最终灰度渐变程度更加准确的反映子窗口在各个方向的灰度变化情况,通过获取的灰度渐变方向反映子窗口中由光照引起的灰度变化的主要方向,进一步通过获取的光照干扰度反映子窗口受到光照影响的程度;结合子窗口的光照干扰度和待测特征值获得面部灰度图像的匹配度,基于匹配度完成对智能锁的解锁,降低了光照对人脸识别的影响,提高了人脸识别的准确性,从而提高后续智能锁解锁的成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种全自动人脸生物识别智能锁解锁方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种全自动人脸生物识别智能锁解锁方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种全自动人脸生物识别智能锁解锁方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种全自动人脸生物识别智能锁解锁方法流程图,该方法包括:
步骤S1:获取用户的面部灰度图像,对面部灰度图像进行多尺度处理,获得不同尺度下相同尺寸的参考图像,其中,参考图像包括面部灰度图像。
人脸生物识别的智能锁可通过对用户面部进行拍摄,提取出用户面部的特征信息,并与该用户提前存储在数据库中的面部特征信息进行比对,从而完成解锁任务,但由于光照或反光的影响,导致通过人脸生物识别的智能锁提取的用户面部的特征与该用户在数据库中的面部特征之间的匹配度较低,进而导致人脸识别的准确性较低,降低智能锁解锁的成功率,因此本发明实施例通过降低光照对在人脸识别的影响,从而提高解锁的成功率。
本发明实施例通过智能锁设备自身携带的摄像头对用户进行拍摄,采集到用户的初始图像,由于初始图像包含大量的背景,降低后续人脸识别的准确性,从而降低智能锁解锁的成功率,因此将采集的初始图像输入到语义分割网络中,并输出初始图像中用户面部的图像,需要说明的是,语义分割网络是本领域技术人员熟知的技术手段,在此不做赘述。为了降低后续图像处理的计算量,提高处理速度,在本发明的一个实施例中将采集到用户面部图像进行灰度化处理,转化为单通道的面部灰度图像。需要说明的是,灰度化处理是本领域技术人员熟知的技术手段,在此不再赘述。
为了在后续的处理过程能够更加全面地捕捉到面部灰度图像中的信息,提高人脸识别的准确性和解锁的成功率,本发明实施例通过对用户的面部灰度图像进行多尺度处理,获取到不同尺度下的参考图像,在后续中可结合不同尺度的参考图像对光照的影响进行更加全面的分析。
优选地,在本发明的一个实施例中不同尺度下的参考图像的获取方法具体包括:
基于高斯金字塔对面部灰度图像进行多尺度处理,获得不同尺度下的目标图像,由于进行多尺度处理后,各个目标图像的分辨率不同,为了保证后续进行窗口划分时各个目标图像存在相同位置的子窗口,因此需要对每个目标图像进行插值处理,获得不同尺度下的参考图像,其中各个参考图像的分辨率与面部灰度图像的分辨率是相同的,由于是基于面部灰度图像进行多尺度处理的,因此参考图像中包含该面部灰度图像。需要说明的是,高斯金字塔和图像的插值处理均是本领域技术人员熟知的技术手段,在此不做赘述,其中在本发明的一个实施例使用双线性插值法进行插值处理,在本发明的其他实施例中也可使用例如最近邻插值法或三次插值法进行插值处理,在此不做限定。
获取到不同尺度的参考图像后,便可在后续中对各个尺度下的参考图像进行分析,从而更加全面的分析出光照对不同尺度的参考图像的影响,提高对光照影响分析的准确性。
步骤S2:对所有参考图像进行窗口划分处理,获得至少两个相同尺寸的子窗口,将以子窗口为中心的预设邻域范围内的其他子窗口作为相邻窗口;过子窗口的中心像素点作不同方向的直线,根据子窗口与相邻窗口中在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度。
为了更加精确的分析光照对参考图像的影响程度,本发明实施例通过对参考图像进行窗口划分,获取到多个相同尺寸的子窗口,在本发明的一个实施例中将子窗口的尺寸设置为,子窗口的具体尺寸可根据具体实施场景由实施者自行设置,在此不做限定,由于受到光照的影响,会导致子窗口中的像素点灰度值呈现逐渐升高或逐渐降低的渐变特征,并且受到光照影响的子窗口中像素点灰度值渐变的主要方向在每个子窗口中可能并不相同,因此可过子窗口的中心像素点作不同方向的直线,在本发明的一个实施例中过子窗口的中心像素点分别作与水平方向的夹角为0°、45°、90°和135°四个不同方向的直线,由于光照的影响范围较大,可将以子窗口为中心的预设邻域范围内的其他子窗口作为相邻窗口,在本发明的一个实施例中将预设邻域范围设置为/>,即将子窗口周围8邻域的其他子窗口作为相邻窗口,预设邻域范围的具体数值可根据具体实施场景由实施者自行设置,在此不做限定,根据子窗口与相邻窗口中在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度,通过初始灰度渐变程度反映子窗口的各个方向受到光照影响的情况。
优选地,在本发明的一个实施例中子窗口在每个方向的初始灰度渐变程度的获取方法具体包括:
将子窗口与相邻窗口中在同一个直线上的像素点,作为目标像素点;将任意相邻的三个目标像素点作为目标像素点组;将目标像素点组中相邻的两个目标像素点的灰度值的差值作为灰度差值,计算目标像素点组中所有灰度差值;计算目标像素点组中所有灰度差值的乘积值作为判定参数,若判定参数大于或等于0,则将预设第一常数作为目标像素点组的渐变参数,若判定参数小于0,则将预设第二常数作为目标像素点组的渐变参数,预设第一常数大于预设第二常数;对每个直线上所有目标像素点组的渐变参数的累加值分别进行归一化处理,获得子窗口在每个方向的初始灰度渐变程度。初始灰度渐变程度的表达式可以具体例如为:
其中,表示第/>个尺度的参考图像中第/>个子窗口在第/>个方向的初始灰度渐变程度;/>表示同一个直线上的第/>个目标像素点组的渐变参数;/>表示同一个直线上的目标像素点的数量,其中/>表示目标像素点组的数量;/>表示第/>个目标像素点组中位于一端的目标像素点的灰度值,/>表示第/>个目标像素点组中位于中间位置的目标像素点的灰度值,/>表示第/>个目标像素点组中位于另一端的目标像素点的灰度值,其中/>和/>是第/>个目标像素点组中一对相邻的目标像素点的灰度值,/>和/>是第/>个目标像素点组中另一对相邻的目标像素点的灰度值;/>表示预设第一常数,/>表示预设第二常数,在本发明的一个实施例中/>设置为1,/>设置为0,/>和/>的具体数值可根据具体实施场景由实施者自行设置,但需保证/>;/>表示归一化函数。
在子窗口在每个方向的初始灰度渐变程度的获取过程中,和/>均表示第/>个目标像素点组中相邻的两个目标像素点的灰度值的差值,即灰度差值,通过对目标像素点组中所有灰度差值相乘获取该目标像素点组的判定参数,当判定参数大于或等于0时,说明该目标像素点组中目标像素点的灰度值的渐变情况相同,此时令该目标像素点组的渐变参数为预设第一常数,当判定参数小于0时,说明该目标像素点组中目标像素点的灰度值的渐变情况不同,此时令该目标像素点组的渐变参数为预设第二常数,在本发明实施例中预设第一常数大于预设第二常数,因此对所有的目标像素点组的渐变参数进行累加获得累加值/>,累加值越大,说明子窗口在该方向受到光照影响导致的灰度的变化越一致,则子窗口在该方向的初始灰度渐变程度/>就越大,为了将初始灰度渐变程度限定在/>范围内,便于后续的评估分析,对累加值/>进行归一化处理,获得初始灰度渐变程度/>。
在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
获取到子窗口中像素点在各个方向的初始灰度渐变程度后,便可初步对不同尺度下的参考图像的子窗口在各个方向受到光照影响的程度进行分析。
步骤S3:根据所有参考图像对应的尺度层级,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度;根据最终灰度渐变程度获得子窗口的灰度渐变方向;根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度。
由于不同尺度下的参考图像在高斯金字塔中的尺度层级不同,其中尺度层级为不同尺度的参考图像在高斯金字塔中的层级,对面部灰度图像进行多尺度处理以后,光照对不同尺度的参考图像的影响程度有所不同,而尺度层级越大的参考图像,其平滑程度越大,参考价值也就越大,因此可根据所有参考图像对应的尺度层级,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度,通过最终灰度渐变程度更加准确的反映出光照对子窗口中像素点灰度值在各个方向的影响。
优选地,在本发明的一个实施例中子窗口在每个方向的最终灰度渐变程度的获取方法具体包括:
对每个参考图像对应的尺度层级进行归一化处理,获得参考图像的尺度权重;将尺度权重作为对应参考图像中子窗口的初始灰度渐变程度的权重;对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行加权求和,获得子窗口在每个方向的最终灰度渐变程度。最终灰度渐变程度的表达式可以具体例如为:
其中,表示任意一个参考图像的第/>个子窗口在第/>个方向的最终灰度渐变程度;/>表示第/>个尺度的参考图像中第/>个子窗口在第/>个方向的初始灰度渐变程度;/>表示第/>个尺度的参考图像在高斯金字塔中的尺度层级,即该参考图像的尺度;/>表示高斯金字塔的尺度层级的数量,也可理解为不同尺度的参考图像的数量,其中面部灰度图像处于高斯金字塔的第0尺度层级;/>表示调节因子,防止分子为0时导致对应的尺度权重为0,在本发明的一个实施例中调节因子/>设置为1,调节因子的具体数值可根据具体实施场景由实施者自行设置,在此不做限定。
在子窗口在每个方向的最终灰度渐变程度的获取过程中,表示第/>个尺度下的参考图像的尺度权重,其中/>为所有参考图像对应的尺度层级的累计值,用于对该参考图像对应的尺度层级/>进行归一化处理,由于光照对不同尺度下的参考图像的影响程度有所不同,参考图像在高斯金字塔中的尺度层级越大,说明该参考图像的平滑程度越大,则该尺度下参考图像中子窗口的初始灰度渐变程度/>的参考价值就越大,因此在本发明的一个实施例将尺度权重作为对应参考图像中子窗口的初始灰度渐变程度/>的权重,并对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行加权求和,获得子窗口在每个方向的最终灰度渐变程度/>。
获取到子窗口在每个方向的最终灰度渐变程度后,便可对每个子窗口受到光照影响的主要方向进行分析,由于最终灰度渐变程度越大,说明该子窗口在该方向受到光照的影响程度越大,优先地,在本发明的一个实施例中将最终灰度渐变程度的最大值对应的方向作为子窗口的灰度渐变方向,即子窗口受到光照影响的主要方向,进一步考虑到光照的影响范围较大,并且受到光照影响后,子窗口及其相邻窗口的灰度渐变方向之间的差异较小,因此可根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度,通过光照干扰度反映光照对该子窗口的最终的影响程度。
优选地,在本发明的一个实施例中子窗口的光照干扰度的获取方法具体包括:
将子窗口的灰度渐变方向与每个相邻窗口的灰度渐变方向的差值的绝对值,作为方向差异;对所有方向差异的累加值进行负相关的归一化处理,获得第一干扰参数;将子窗口在灰度渐变方向对应的最终灰度渐变程度,作为第二干扰参数;将第一干扰参数和第二干扰参数的乘积值作为子窗口的光照干扰度。光照干扰度的表达式可以具体例如为:
其中,表示任意一个参考图像的第/>个子窗口的光照干扰度;/>表示第/>个子窗口的灰度渐变方向;/>表示第/>个子窗口的第/>个相邻窗口的灰度渐变方向;/>表示相邻窗口的数量,在本发明的一个实施例中将与子窗口周围8邻域其他子窗口作为相邻窗口,因此/>;/>表示第/>个子窗口在灰度渐变方向/>上对应的最终灰度渐变程度;/>表示以自然常数/>为底的指数函数,用于负相关的归一化处理。
在子窗口的光照干扰度的获取过程中,表示子窗口的灰度渐变方向与每个相邻窗口的灰度渐变方向的差值的绝对值,即方向差异,方向差异越小,说明该子窗口的灰度渐变方向与相邻窗口的灰度渐变方向越一致,进而说明该子窗口受到光照影响的程度越大,则光照干扰度/>越大,因此在本发明的一个实施例中对所有的方向差异的累加值进行负相关的归一化处理,获得第一干扰参数/>;/>表示子窗口在灰度渐变方向对应的最终灰度渐变程度,即第二干扰参数,第二干扰参数越大,说明子窗口的像素点灰度值在灰度渐变方向上的变化越一致,进而说明该子窗口受到光照影响的程度越大,则光照干扰度/>越大,因此将第一干扰参数和第二干扰参数的乘积值作为子窗口的光照干扰度/>,光照干扰度越大,说明该子窗口受到光照的影响程度越大。
获取到每个子窗口的光照干扰度后,便可在后续中基于光照干扰度对人脸识别的匹配过程进行修正,从而降低光照对人脸识别的影响。
步骤S4:对面部灰度图像的子窗口进行灰度特征提取处理,获得子窗口的待测特征值;根据所有子窗口的待测特征值与光照干扰度,获得面部灰度图像的最终匹配度;根据最终匹配度对智能锁进行解锁。
本发明实施例的智能锁是通过人脸识别进行解锁的,需要提取出用户面部的面部灰度图像的特征数据,并与数据库中存储的用户面部的特征数据进行匹配,因此首先可对面部灰度图像的子窗口进行灰度特征提取处理,获得子窗口的待测特征值,在后续中通过待测特征值与数据库中的标准特征值进行匹配完成解锁任务。
优选地,在本发明的一个实施例中子窗口的待测特征值的获取方法具体包括:
在人脸识别的过程中通常使用LBP算法提取用户面部的特征信息,因此可基于LBP算法,根据子窗口的中心像素点的灰度值与其他像素点的灰度值的差异,获得子窗口的LBP二进制码,为了便于后续的数据处理,将LBP二进制码转换为十进制的数值,作为子窗口的待测特征值,在后续的步骤中将表示面部灰度图像中第/>个子窗口的待测特征值。
获取到面部灰度图像中每个子窗口的待测特征值以后,便可通过每个子窗口的待测特征值与数据库中用户面部图像在相同位置的子窗口的预设标准特征值进行匹配,根据两者之间的差异初步获得子窗口的初始匹配度,需要说明的是,数据库中存储的用户面部图像中各个子窗口的预设标准特征值是已知数据,在后续的步骤中将表示数据库中该用户面部图像中第/>个子窗口的预设标准特征值。
优选地,在本发明的一个实施例中子窗口的初始匹配度的获取方法具体包括:
获取数据库中用户面部图像在相同位置子窗口的预设标准特征值;对待测特征值与预设标准特征值的差值的绝对值进行负相关的归一化处理,获得子窗口的初始匹配度。初始匹配度的表达式可以具体例如为:
其中,表示面部灰度图像中第/>个子窗口的初始匹配度;/>表示面部灰度图像中第/>个子窗口的待测特征值;/>表示数据库中该用户面部图像中第/>个子窗口的预设标准特征值;/>表示以自然常数/>为底的指数函数,用于负相关的归一化处理。
在子窗口的初始匹配度的获取过程中,表示待测特征值与预设标准特征值的差值的绝对值,/>越大,说明当前用户面部的面部灰度图像中该子窗口的特征与数据库中存储的该用户面部图像在相同位置的子窗口的特征之间的差别越大,则子窗口的初始匹配度就越低,因此在本发明的一个实施例中对/>进行负相关的归一化处理,获得子窗口的初始匹配度/>。
由于光照的影响会导致子窗口的初始匹配度较低,降低人脸识别的准确性,从而降低智能锁解锁的成功率,因此可基于面部灰度图像中子窗口的光照干扰度对初始匹配度进行修正,获取用户的最终匹配度,从而降低光照对人脸识别的影响,提高人脸识别的准确性。
优选地,在本发明的一个实施例中面部灰度图像的最终匹配度的获取方法具体包括:
对光照干扰度进行负相关映射,获得子窗口的置信度;将置信度作为对应子窗口的初始匹配度的权重;对所有初始匹配度进行加权求和,获得面部灰度图像的最终匹配度。最终匹配度的表达式可以具体例如为:
其中,表示面部灰度图像的最终匹配度;/>表示面部灰度图像的第/>个子窗口的光照干扰度;/>表示面部灰度图像中第/>个子窗口的初始匹配度;/>表示面部灰度图像中子窗口的数量。
在用户的最终匹配度的获取过程中,表示第/>个子窗口的置信度,其中/>表示第/>个子窗口的光照干扰度,光照干扰度越小,说明子窗口受到光照影响的程度越小,则从该子窗口提取的特征的可信度就越高,由于/>,因此可将置信度作为对应子窗口初始匹配度的权重,并对所有的子窗口进行加权求和,获得面部灰度图像的最终匹配度/>,从而达到降低光照对人脸识别影响的目的。
进而可根据获取的最终匹配度对智能锁进行解锁,优选地,在本发明的一个实施例中根据最终匹配度对智能锁进行解锁具体包括:
获取的最终匹配度明显降低了光照对人脸识别的影响,因此可通过设置一个预设匹配度阈值完成智能锁的解锁,若最终匹配度大于预设匹配度阈值,则解锁成功,若最终匹配度不大于预设匹配度阈值,则解锁失败。在本发明的一个实施例中预设匹配度阈值设置为0.8,预设匹配度的具体数值可根据具体实施场景由实施者自行设置,在此不做限定。
本发明一个实施例提供了一种全自动人脸生物识别智能锁解锁***,该***包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现步骤S1~S4所描述的方法。
综上所述,本发明实施例首先对用户面部的面部灰度图像进行多尺度处理,获得不同尺度下的参考图像,对所有参考图像进行窗口划分获得参考图像中的多个子窗口,并在子窗口中作不同方向的直线,根据子窗口和相邻窗口在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度,然后结合所有尺度下的参考图像,根据参考图像对应的尺度,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度,并将最终灰度渐变程度的最大值对应的方向作为子窗口的灰度渐变方向,进一步根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度;然后提取出面部灰度图像的子窗口的待测特征值,并根据待测特征值与数据库中用户面部图像在相同位置子窗口的标准特征值之间的差异,获得子窗口的初始匹配度,基于光照干扰度对初始匹配度进行修正获得用户的最终匹配度,进而根据最终匹配度对智能锁进行解锁。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述方法包括:
获取用户的面部灰度图像,对面部灰度图像进行多尺度处理,获得不同尺度下相同尺寸的参考图像,所述参考图像包括面部灰度图像;
对所有参考图像进行窗口划分处理,获得至少两个相同尺寸的子窗口,将以子窗口为中心的预设邻域范围内的其他子窗口作为相邻窗口;过子窗口的中心像素点作不同方向的直线,根据子窗口与相邻窗口中在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度;
根据所有参考图像对应的尺度层级,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度;根据所述最终灰度渐变程度获得子窗口的灰度渐变方向;根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度;
对面部灰度图像的子窗口进行灰度特征提取处理,获得子窗口的待测特征值;根据所有子窗口的所述待测特征值与所述光照干扰度,获得面部灰度图像的最终匹配度;根据所述最终匹配度对智能锁进行解锁。
2.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述根据子窗口与相邻窗口中在同一个直线上的像素点灰度值的变化,获得子窗口在每个方向的初始灰度渐变程度包括:
将所述子窗口与所述相邻窗口中在同一个直线上的像素点,作为目标像素点;
将任意相邻的三个目标像素点作为目标像素点组;
将所述目标像素点组中相邻的两个目标像素点的灰度值的差值作为灰度差值,计算目标像素点组中所有灰度差值;
计算目标像素点组中所有灰度差值的乘积值作为判定参数,若所述判定参数大于或等于0,则将预设第一常数作为目标像素点组的渐变参数,若所述判定参数小于0,则将预设第二常数作为目标像素点组的渐变参数,所述预设第一常数大于所述预设第二常数;
对每个直线上所有目标像素点组的所述渐变参数的累加值分别进行归一化处理,获得子窗口在每个方向的初始灰度渐变程度。
3.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述根据所有参考图像对应的尺度层级,对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行修正,获得子窗口在每个方向的最终灰度渐变程度包括:
对每个所述参考图像对应的尺度层级进行归一化处理,获得参考图像的尺度权重;
将所述尺度权重作为对应参考图像中子窗口的初始灰度渐变程度的权重;
对所有参考图像中相同位置的子窗口的初始灰度渐变程度进行加权求和,获得子窗口在每个方向的最终灰度渐变程度。
4.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述根据所述最终灰度渐变程度获得子窗口的灰度渐变方向包括:
将子窗口中最终灰度渐变程度的最大值对应的方向作为子窗口的灰度渐变方向。
5.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述根据子窗口与相邻窗口之间灰度渐变方向的差异以及子窗口的最终灰度渐变程度,获得子窗口的光照干扰度包括:
将子窗口的所述灰度渐变方向与每个相邻窗口的所述灰度渐变方向的差值的绝对值,作为方向差异;
对所有所述方向差异的累加值进行负相关的归一化处理,获得第一干扰参数;
将子窗口在灰度渐变方向对应的最终灰度渐变程度,作为第二干扰参数;
将所述第一干扰参数和所述第二干扰参数的乘积值作为子窗口的光照干扰度。
6.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述对面部灰度图像的子窗口进行灰度特征提取处理,获得子窗口的待测特征值包括:
基于LBP算法,根据子窗口的中心像素点的灰度值与其他像素点的灰度值的差异,获得子窗口的LBP二进制码,将所述LBP二进制码转换为十进制的数值,作为子窗口的待测特征值。
7.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述根据所有子窗口的所述待测特征值与所述光照干扰度,获得面部灰度图像的最终匹配度包括:
获取数据库中用户面部图像在相同位置子窗口的预设标准特征值;
对所述待测特征值与所述预设标准特征值的差值的绝对值进行负相关的归一化处理,获得子窗口的初始匹配度;
对所述光照干扰度进行负相关映射,获得子窗口的置信度;
将所述置信度作为对应子窗口的所述初始匹配度的权重;
对所有所述初始匹配度进行加权求和,获得面部灰度图像的最终匹配度。
8.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述根据所述最终匹配度对智能锁进行解锁包括:
若所述最终匹配度大于预设匹配度阈值,则解锁成功,若所述最终匹配度不大于预设匹配度阈值,则解锁失败。
9.根据权利要求1所述的一种全自动人脸生物识别智能锁解锁方法,其特征在于,所述对面部灰度图像进行多尺度处理,获得不同尺度下相同尺寸的参考图像包括:
基于高斯金字塔对所述面部灰度图像进行多尺度处理,获得不同尺度下的目标图像;
对每个所述目标图像进行插值处理,获得不同尺度下相同尺寸的参考图像。
10.一种全自动人脸生物识别智能锁解锁***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293906.2A CN117037343B (zh) | 2023-10-09 | 2023-10-09 | 一种全自动人脸生物识别智能锁解锁方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293906.2A CN117037343B (zh) | 2023-10-09 | 2023-10-09 | 一种全自动人脸生物识别智能锁解锁方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117037343A CN117037343A (zh) | 2023-11-10 |
CN117037343B true CN117037343B (zh) | 2023-12-12 |
Family
ID=88635865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293906.2A Active CN117037343B (zh) | 2023-10-09 | 2023-10-09 | 一种全自动人脸生物识别智能锁解锁方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975513B (zh) * | 2024-04-02 | 2024-06-07 | 艾信智能环境科技(无锡)有限公司 | 医用物流站点身份智能识别*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232390A (zh) * | 2019-06-13 | 2019-09-13 | 长安大学 | 一种变化光照下图像特征提取方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI424360B (zh) * | 2007-12-31 | 2014-01-21 | Altek Corp | Multi-directional face detection method |
KR101192365B1 (ko) * | 2008-12-18 | 2012-10-17 | 한국전자통신연구원 | 얼굴 검출 시스템 및 그 방법 |
KR101656373B1 (ko) * | 2014-10-15 | 2016-09-12 | 서울시립대학교 산학협력단 | 얼굴 식별 방법, 얼굴 식별 장치 및 이 방법을 실행시키는 컴퓨터 프로그램 |
-
2023
- 2023-10-09 CN CN202311293906.2A patent/CN117037343B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232390A (zh) * | 2019-06-13 | 2019-09-13 | 长安大学 | 一种变化光照下图像特征提取方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的人脸检测算法;周敬利, 吴桂林, 余胜生;计算机工程(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117037343A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815850B (zh) | 基于深度学习的虹膜图像分割及定位方法、***、装置 | |
CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
CN109299643B (zh) | 一种基于大姿态对准的人脸识别方法及*** | |
CN117037343B (zh) | 一种全自动人脸生物识别智能锁解锁方法及*** | |
CN110532897A (zh) | 零部件图像识别的方法和装置 | |
CN110659586B (zh) | 一种基于身份保持循环式生成式对抗网络的步态识别方法 | |
CN108629262A (zh) | 虹膜识别方法及相应装置 | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN117372432A (zh) | 基于图像分割的电子烟表面缺陷检测方法及*** | |
CN107729863B (zh) | 人体指静脉识别方法 | |
Achban et al. | Wrist hand vein recognition using local line binary pattern (LLBP) | |
CN116958126B (zh) | 基于计算机视觉的模具注塑检测方法及*** | |
CN117496019A (zh) | 一种驱动静态图像的图像动画处理方法及*** | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
Fathy et al. | Benchmarking of pre-processing methods employed in facial image analysis | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN110826384A (zh) | 增强虹膜识别精度的***和方法 | |
CN115203663A (zh) | 小视角远距离视频步态精准识别身份认证*** | |
CN115131833A (zh) | 一种结合手掌骨架点的掌纹roi提取分割方法 | |
CN114973307A (zh) | 生成对抗和余弦三元损失函数的指静脉识别方法及*** | |
CN110533636B (zh) | 一种图像分析装置 | |
CN112509004A (zh) | 红外热成像图像中目标的追寻方法和装置 |
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 |