基于人脸识别的大角度侧脸识别方法及系统技术方案

本发明专利技术属于人脸识别技术领域，公开了基于人脸识别的大角度侧脸识别方法及系统，其中方法包括：获取人脸图像，构建训练数据集，随后将人脸图像的像素模块表示为若干个特征点，接着对特征点的坐标进行分析，判断出人脸图像的朝向和侧脸角度，从训练数据集中选取对应的人脸图像进行透视变换，之后对透视变换后的人脸图像进行数据增广，将数据增广后的人脸图像与训练数据集的人脸图像进行对比。本发明专利技术通过对人脸图像进行采集和特征点分析，当人脸图像的角度不符合识别要求时，可以重构大角度人脸，将人脸图像转换为可识别的类型，进而提高了人脸识别的精度。识别的精度。识别的精度。

【技术实现步骤摘要】
基于人脸识别的大角度侧脸识别方法及系统


[0001]本专利技术属于人脸识别
，特别涉及基于人脸识别的大角度侧脸识别方法及系统。

技术介绍

[0002]近年来，随着新能源汽车的蓬勃发展，在车上应用到了各种最新的前沿技术，如人脸识别，智能驾驶汽车合成孔径雷达，智能网联汽车根本数据云控平台，高功率密度碳化硅车用机电驱动控制器技术等。其中以深度学习为基础的人脸识别虽然识别准确率高，但往往对硬件设备要求严格，且需要长达数周的训练时间，又有样本量需求过大等不足之处。与其相比，基于稀疏字典的图像识别训练简单省时，具有强鲁棒性。
[0003]但有时对人脸识别的目标，由于监控设备安装位置受限，或识别目标没有正对着监控设备，使得形成的目标图像在一定程度上发生畸变。一般的数据增广方式都能在一定程度上提高模型的泛化能力，提高精度。但是对于应用当中出现的大角度目标，数据增强方式并不能有效地在这种场景应用。

技术实现思路

[0004]为了解决
技术介绍
中至少一个问题，本专利技术提出基于人脸识别的大角度侧脸识别方法及系统。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]基于人脸识别的大角度侧脸识别方法，包括以下步骤：
[0007]获取人脸图像；
[0008]基于人脸图像构建训练数据集；
[0009]将人脸图像的像素模块表示为若干个特征点；
[0010]对特征点的坐标进行分析，判断出人脸图像的朝向和侧脸角度，从训练数据集中选取对应的人脸图像进行透视变换；
[0011]对透视变换后的人脸图像进行数据增广；
[0012]将数据增广后的人脸图像与训练数据集的人脸图像进行对比，若对比结果符合目标阈值则对比成功，并生成人脸识别记录；
[0013]若对比失败，则重新获取人脸图像。
[0014]优选地，基于人脸图像构建训练数据集，包括以下步骤：
[0015]打开本地的摄像头，获取本地的人脸图像数据，将人脸图像保存到第数据库中；
[0016]将数据库的人脸图像作为训练集，选取其中的目标角度人脸图像，处理所采集到的人脸图像。
[0017]优选地，将人脸图像的像素模块表示为若干个特征点，包括以下步骤：
[0018]设置训练数据集和第一测试数据集；
[0019]基于训练数据集获得第二测试数据集；
[0020]对比第一测试数据集和第二测试数据集；
[0021]根据对比结构获取特征点。
[0022]优选地，所述第二测试数据集的表达式如下：
[0023]y
i
＝A
i.1a1
+A
i.2a2
+....+A
i.kak
；
[0024]式中，y
i
表示第i类测试样本的重构结果，A
i.1a1
～A
i.kak
表示样本。
[0025]优选地，对比第一测试数据集和第二测试数据集，公式如下：
[0026][0027]式中，y为测试样本，y
i
为第i类测试样本的重构结果，，id(y)为y与y
i
的误差值。
[0028]优选地，进行所述透视变换，包括以下公式：
[0029][0030][0031]式中，表示变换后的图像像素坐标值x，表示变换后的图像像素坐标值y，u,v表示原始图像像素坐标值，a
11
～a
33
表示乘积因子。
[0032]优选地，所述数据增广包括对人脸图像进行缩放、剪切或旋转。
[0033]基于人脸识别的大角度侧脸识别系统，包括：
[0034]采集单元，用于获取人脸图像；
[0035]构建单元，用于基于人脸图像构建训练数据集；
[0036]提取单元，用于将人脸图像的像素单元表示为若干个特征点；
[0037]分析单元，用于对特征点的坐标进行分析，判断出人脸图像的朝向和侧脸角度，从训练数据集中选取对应的人脸图像进行透视变换；
[0038]增广单元，用于对透视变换后的人脸图像进行数据增广；
[0039]对比单元，用于将数据增广后的人脸图像与训练数据集的人脸图像进行对比，若对比结果符合目标阈值则对比成功，并生成人脸识别记录；
[0040]若对比失败，则重新获取人脸图像。
[0041]优选地，所述构建单元包括：
[0042]采集模块，用于打开本地的摄像头，获取本地的人脸图像数据，将人脸图像保存到第数据库中；
[0043]处理模块，用于将数据库的人脸图像作为训练集，选取其中的目标角度人脸图像，处理所采集到的人脸图像。
[0044]优选地，所述提取单元包括：
[0045]设置模块，用于设置训练数据集和第一测试数据集；
[0046]计算模块，用于基于训练数据集获得第二测试数据集；
[0047]测试模块，用于对比第一测试数据集和第二测试数据集；
[0048]提取模块，用于根据对比结构获取特征点。
[0049]本专利技术的有益效果：
[0050]1、本专利技术通过对人脸图像进行采集和特征点分析，当人脸图像的角度不符合识别要求时，可以重构大角度人脸，将人脸图像转换为可识别的类型，进而提高了人脸识别的精度；
[0051]2、本专利技术通过采用计算机视觉和深度学习领域的算法，包括数据增广、透视变换、字典学习、稀疏表示等，提高了传统的人脸识别能力，解决了传统人脸识别方法针对大角度人脸目标下难以进行有效检测的问题，通过透视变换和数据增广对样本图片处理，再对处理后的样本模型进行稀疏字典学习，解决了传统人脸识别对样本人脸图像角度要求高，训练时间长，需要高机器性能等问题；
[0052]3、本专利技术以稀疏字典学习算法为基础，与通常的机器学习需要较高机器性能且训练时间较长不同，该算法在训练过程中，通过尝试学习蕴藏在样本背后最质朴的特征，也就是最好的特征，在训练时就能有效减少需要时间，且不需要使用性能太高的设备也能达到不错的结果，节约了各方面的开销，提高了相同时间和设备条件下的效率和准确性；
[0053]4、本专利技术使用了透视变换，将大角度的人脸识别图像当做一个平面，在保持基本人脸姿态条件下透视变换，将图片投影到一个新的视平面，可以在不对复杂的检测算法进行修改的情况下，显著提高斜视目标的检测精度；
[0054]5、本专利技术根据数字图像处理原理，对训练图片进行多种数据增广，包括水平/垂直翻转，旋转，缩放，裁剪，剪切，平移，对比度，色彩抖动，噪声等，提高训练图片的利用率，增加样本的多样性，一定程度上，提升模型的鲁棒性和泛化能力，调高后续稀疏字典学习的准确性。
[0055]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人脸识别的大角度侧脸识别方法，其特征在于，包括以下步骤：获取人脸图像；基于人脸图像构建训练数据集；将人脸图像的像素模块表示为若干个特征点；对特征点的坐标进行分析，判断出人脸图像的朝向和侧脸角度，从训练数据集中选取对应的人脸图像进行透视变换；对透视变换后的人脸图像进行数据增广；将数据增广后的人脸图像与训练数据集的人脸图像进行对比，若对比结果符合目标阈值则对比成功，并生成人脸识别记录；若对比失败，则重新获取人脸图像。2.根据权利要求1所述的基于人脸识别的大角度侧脸识别方法，其特征在于，基于人脸图像构建训练数据集，包括以下步骤：打开本地摄像头，采集人脸图像数据，将人脸图像保存到数据库中；将数据库的人脸图像作为训练集，选取其中的目标角度人脸图像，处理所采集到的人脸图像。3.根据权利要求2所述的基于人脸识别的大角度侧脸识别方法，其特征在于，将人脸图像的像素模块表示为若干个特征点，包括以下步骤：设置训练数据集和第一测试数据集；基于训练数据集获得第二测试数据集；对比第一测试数据集和第二测试数据集；根据对比结果获取特征点。4.根据权利要求3所述的基于人脸识别的大角度侧脸识别方法，其特征在于，所述第二测试数据集的表达式如下：y
i
＝A
i.1a1
+A
i.2a2
+....+A
i.kak
；式中，y
i
表示第i类测试样本的重构结果，A
i.1a1
～A
i.kak
表示样本。5.根据权利要求4所述的基于人脸识别的大角度侧脸识别方法，其特征在于，对比第一测试数据集和第二测试数据集，公式如下：式中，y为测试样本，y
i
为第i类测试样本的重构结...

【专利技术属性】
技术研发人员：王红余，李广宇，
申请(专利权)人：奇瑞新能源汽车股份有限公司，
类型：发明
国别省市：