一种实现人脸识别的方法技术

本发明专利技术公开一种实现人脸识别的方法。所述的方法包括下述步骤；1)采用深度学习算法对人脸图像采集，检测；2)对采集到的人脸图像进行预处理；3)基于深度学习人脸图像特征提取；4)人脸图像匹配及识别。本发明专利技术基于人的脸部特征，针对输入的人脸图像或者视频流，首先判断其是否存在人脸,如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。从而识别每个人脸的身份。

【技术实现步骤摘要】
一种实现人脸识别的方法


[0001]本专利技术涉及一种人脸识别方法。

技术介绍

[0002]人脸识别技术中被广泛采用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。
[0003]人脸识别的方法很多，主要的人脸识别方法有：
[0004](1)几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。
[0005](2)基于特征脸(PCA)的人脸识别方法：特征脸方法是基于KL变换的人脸识别方法， KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。
[0006](3)神经网络的人脸识别方法：神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。
[0007](4)弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。
[0008](5)线段Hausdorff距离(LHD)的人脸识别方法：心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD 在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。
[0009](6)支持向量机(SVM)的人脸识别方法：支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但
是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。
[0010]尽管人脸识别技术有着广阔的应用前景，但是无论是在识别率，还是在防伪性上，都与指纹，视网膜等有着较大的差距，归根结底，影响人脸识别效果的原因主要有以下的几个方面：
[0011]1)人脸图像的获取过程中的不确定性(如光的方向，以及光的强度等)。
[0012]2)人脸模式的多样性(如胡须，眼镜，发型等)。
[0013]3)人脸塑性变形的不确定性(如表情等)。
[0014]4)所涉及的领域知识的综合性(如心理学，医学，模式识别，图像处理，数学等)。正因为在人脸识别的过程中存在上述的各种各样的问题，因此在实际的检测和识别过程中，当这些因素叠加到一起的时候，情况就变得更加复杂。基于几何特征的识别方法，其存在的主要问题在于，没有形成一个统一的，优秀的特征提取标准。在描述人脸的时候，受到表情，光照，姿态的影响比较大，无法准确地描述人脸特征。尽管如此，基于几何特征的方法在处理人脸表情分析时，仍然是一个最有效的依据。同时，目前已经提出了很多改进的特征提取的算法，使得人脸几何特征的提取越来越趋于合理，这里面最具代表性的方法就是结合3D人脸信息的特征点提取技术。基于代数特征的识别方法是目前在实际应用中使用得最多的一类方法，其主要原因是由于代数特征矢量(即人脸图像在特征空间的投影结果)对角度，表情等因素都具有一定的稳定性。但对于光照而言，似乎效果并不太明显。这种代数的特征识别方法，无法应用于人脸的表情识别。
[0015]从某种意义上来说，人脸识别的各种方法，实际上就是在寻找一种人脸的描述方式，但是要找到一种能够不受各种因素影响的描述方式非常地困难，无论是最早使用的几何描述方式以及后来比较常用的代数描述方式，都不可避免地存在各种干扰。我们只能是在以后的研究中，逐渐去完善人脸的描述方式，使之更加有效，更加准确。

技术实现思路

[0016]为克服上述缺陷，本专利技术的目的在于提供一种实现人脸识别的方法。
[0017]为达到上述目的，本专利技术实现人脸识别的方法，所述的方法包括下述步骤；
[0018]1)采用深度学习算法对人脸图像采集，检测；
[0019]2)对采集到的人脸图像进行预处理；
[0020]3)基于深度学习人脸图像特征提取；
[0021]4)人脸图像匹配及识别。
[0022]进一步的，所述的步骤3)基于深度学习人脸图像特征提取具体为：
[0023]21)基于深度学习的人脸图像特征定位，
[0024]22)基于深度学习的人脸特征建模。
[0025]进一步的，对于人脸的图像预处理包括光线变换，灰度变换，直方图均衡化，滤波，几何变换。
[0026]进一步的，所述的步骤4)人脸图像匹配及识别具体为：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，当相似度超过这一阈值，则把匹配得到的结果输出。
[0027]进一步的，所述的步骤4)人脸图像匹配及识别具体为：提取的人脸图像的特征数据与数据库中存储的特征模板进行基于深度学习的搜索匹配，当相似度超过这一阈值，则把匹配得到的结果输出。
[0028]本专利技术基于人的脸部特征，针对输入的人脸图像或者视频流，首先判断其是否存在人脸, 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
具体实施方式
[0029]下面结合实施例对本专利技术作进一步的说明。
[0030]本专利技术的实现人脸识别的方法，包括下述步骤；
[0031]1)采用深度学习算法对人脸图像采集，检测；
[0032]人脸图像采集，是将不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实现人脸识别的方法，其特征在于，所述的方法包括下述步骤；1)采用深度学习算法对人脸图像采集，检测；2)对采集到的人脸图像进行预处理；3)基于深度学习人脸图像特征提取；4)人脸图像匹配及识别。2.如权利要求1所述的实现人脸识别的方法，其特征在于，所述的步骤3)基于深度学习人脸图像特征提取具体为：21)基于深度学习的人脸图像特征定位，22)基于深度学习的人脸特征建模。3.如权利要求1所述的实现人脸识别的方法，其特征在于，对于人脸的图像预处理包括光线变换，灰度...

【专利技术属性】
技术研发人员：于洪海，
申请(专利权)人：于洪海，
类型：发明
国别省市：