【技术实现步骤摘要】
本专利技术涉及人脸识别，更具体地说，本专利技术涉及一种基于ai智能的人脸识别方法和系统。
技术介绍
1、申请公开号为cn110705419a的专利公开了一种情绪识别方法、预警方法、模型训练方法和相关装置，涉及生物特征识别
，包括：从待识别图像中提取出人脸区域图像，利用卷积层和池化层对所述人脸区域图像进行特征提取，得到所述人脸区域图像中人脸的情绪特征向量，利用gap层对所述情绪特征向量进行处理，得到所述人脸区域图像中人脸分别在各个情绪标签下的置信度，基于各个情绪标签的置信度，识别出所述人脸区域图像中人脸反映的情绪，能够提高识别人脸情绪的效率。
2、首先，传统方法往往只能局部捕捉人脸图像的部分视觉信息，无法全面刻画人脸的独特特征，为后续的识别任务带来了诸多困难和局限性，由于缺乏对人脸丰富特征的充分表达，识别的准确率和泛化能力常常无法令人满意；其次，在特征提取过程中，通常采用固定的参数设置，无法根据图像的实际质量和复杂程度进行动态调整，这可能导致特征提取效果失真或过度增强，另外，缺乏对人脸整体和局部信息的同步把握，难以全面刻画人脸的独特识别模式，识别准确率和泛化能力自然受到了一定程度的限制，最后，现有方式无法有效应对人脸图像在姿态、表情、光照等方面的多样变化，导致后续的身份匹配过程出现较多错误，降低了匹配的精度和可靠性，总的来说，现有技术在捕捉人脸信息、特征提取、模型构建和身份匹配等多个环节都存在一定不足，这直接制约了人脸识别系统的性能和实用价值。
3、鉴于此，本专利技术提出一种基于ai智能的人脸识别方法
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：一种基于ai智能的人脸识别方法，包括：s1、采集人脸图像数据，并将人脸图像数据进行预处理，得到人脸区域图像；
2、s2、从人脸区域图像中提取高维人脸特征向量；
3、s3、将高维人脸特征向量输入至预先构建完成的注意力特征分类模型中，得到n个身份标签以及n个身份标签对应的置信度评分；
4、s4、预设员工匹配模板库，基于高维人脸特征向量、n个身份标签以及n个身份标签对应的置信度评分，从员工匹配模板库中识别到员工身份。
5、进一步地，所述将人脸图像数据进行预处理的方式包括：
6、将人脸图像数据进行自适应图像去噪处理得到去噪图像数据，将去噪图像数据进行自适应直方图均衡化处理得到均衡图像数据；
7、将均衡图像数据利用人脸检测分割方法处理得到人脸区域图像；
8、所述进行自适应图像去噪处理的方式包括：
9、将人脸图像数据初始划分为n个固定大小的图像块，对图像块进行梯度计算，得到水平梯度和垂直梯度，基于水平梯度和垂直梯度计算得到图像块的梯度幅值；
10、并统计图像块的梯度幅值的均值和方差，作为统计量特征；
11、根据方差的值调整图像块的大小，图像块的大小为，计算方差的阈值范围[tmin，tmax]，若方差小于tmin，则将图像块的大小调整至；
12、，；
13、其中，为图像块大小的宽度增量，为图像块大小的高度增量；
14、若方差大于tmax，则将图像块b0的大小调整至；
15、，；
16、其中，为图像块大小的宽度减量，为图像块大小的高度减量，图像块大小的宽度下限，为图像块大小的高度下限；
17、其中，，其中，为当前的图像块的梯度幅值方差，为当前的图像块的小波系数方差，为平均权衡参数；
18、对大小调整后的图像块进行梯度计算，得到大小调整后的图像块的梯度幅值，统计的均值和方差，作为的统计量特征；
19、对图像块进行小波变换，得到各尺度的小波系数，在最细小的尺度，统计小波系数的均值和方差，作为小波系数的统计量特征；
20、基于统计量特征获取最匹配的噪声类型；噪声类型包括高斯噪声和椒盐噪声，对所有图像块重复获得对应的噪声类型；对于高斯噪声，在小波域或傅里叶域使用软阈值或硬阈值滤波的方式进行去噪，对于椒盐噪声，在小波域使用自适应阈值滤波或中值滤波的方式进行去噪，即完成了自适应图像去噪处理。
21、进一步地，所述获取最匹配的噪声类型的方式包括：
22、定义梯度幅值统计量模型和小波系数统计量模型，计算统计量特征与和的距离度量值，距离度量值的计算公式为：
23、；
24、其中，为的均值，为的方差，为小波系数距离函数；为距离度量值；
25、小波系数距离函数，其中，为的均值，为的方差；
26、找到距离度量值最小的噪声类型，即为最匹配的噪声类型。
27、进一步地，所述进行自适应直方图均衡化处理的方式包括：
28、将去噪图像数据划分为m1×n1个重叠的子区域，其中为处于区间[1，m1]的正整数，为处于区间[1，n1]的正整数，子区域的大小的计算公式为：，其中，其中，为子区域的初始宽度，是子区域的初始高度，为子区域的局部对比度，为子区域的纹理特征，和是调整参数；
29、为子区域的宽度，为子区域的高度，宽度乘以高度即为子区域的大小；
30、对于每个子区域，计算灰度级在子区域中的像素数量，其中为处于区间内的正整数，是灰度级数；
31、基于计算累积分布函数的值，计算公式为：
32、，其中，为在子区域中计算的灰度级的累积分布概率，即为累积分布函数的值；
33、为子区域中的总像素数量，为灰度级求和索引；
34、对于去噪图像数据中的每个像素，其灰度值被映射到增强后的灰度值，映射的公式为：；
35、其中，为在子区域中计算的的累积分布概率；
36、将含有增强后的灰度值的子区域拼接回原始的去噪图像数据的大小，形成均衡图像数据。
37、进一步地，所述将均衡图像数据利用人脸检测分割方法处理得到人脸区域图像的方式包括：
38、将均衡图像数据基于haar特征和adaboost分类器的快速人脸检测方法，输出检测到的人脸区域的边界框坐标；
39、收集n2组人脸图像，并将人脸图像手动标注出人脸关键点的坐标，并将标注的人脸关键点的坐标进行归一化，得到人脸形状向量；
40、基于人脸形状向量计算平均人脸形状和主成分矩阵，得到统计形状模型；
41、其中，为形状参数；
42、输入检测到的人脸区域的边界框坐标，在人脸区域内搜索使得统计形状模型与实际的人脸区域最匹配的形状参数，记为最匹配参数；
43、即为最终的人脸区域分割结果；
44、限制最匹配参数的取值范围，限制的公式为：
45、，其中，为正则化参数，用于平衡拟合误差和参数复杂度；
46、利用得到的最终的人脸区域分割结果，从均衡图像数据中提取出人脸区域图像。
47、进一步地，所述高本文档来自技高网...
【技术保护点】
1.一种基于AI智能的人脸识别方法，其特征在于，包括：S1、采集人脸图像数据，并将人脸图像数据进行预处理，得到人脸区域图像；
2.根据权利要求1所述的基于AI智能的人脸识别方法，其特征在于，所述将人脸图像数据进行预处理的方式包括：
3.根据权利要求2所述的基于AI智能的人脸识别方法，其特征在于，所述获取最匹配的噪声类型的方式包括：
4.根据权利要求3所述的基于AI智能的人脸识别方法，其特征在于，所述进行自适应直方图均衡化处理的方式包括：
5.根据权利要求4所述的基于AI智能的人脸识别方法，其特征在于，所述将均衡图像数据利用人脸检测分割方法处理得到人脸区域图像的方式包括：
6.根据权利要求5所述的基于AI智能的人脸识别方法，其特征在于，所述高维人脸特征向量的提取方式包括：
7.根据权利要求6所述的基于AI智能的人脸识别方法，其特征在于，所述注意力特征分类模型的构建方式包括：
8.根据权利要求7所述的一种基于AI智能的人脸识别方法，其特征在于，所述输入层用于接收高维人脸特征向量作为输入，特征变换层将输
9.根据权利要求8所述的基于AI智能的人脸识别方法，其特征在于，所述员工匹配模板库的预设方式包括：
10.一种基于AI智能的人脸识别系统，其用于实现权利要求1至9任一项所述的基于AI智能的人脸识别方法，其特征在于，包括：图像采集处理模块，用于采集人脸图像数据，并将人脸图像数据进行预处理，得到人脸区域图像；
...【技术特征摘要】
1.一种基于ai智能的人脸识别方法，其特征在于，包括：s1、采集人脸图像数据，并将人脸图像数据进行预处理，得到人脸区域图像；
2.根据权利要求1所述的基于ai智能的人脸识别方法，其特征在于，所述将人脸图像数据进行预处理的方式包括：
3.根据权利要求2所述的基于ai智能的人脸识别方法，其特征在于，所述获取最匹配的噪声类型的方式包括：
4.根据权利要求3所述的基于ai智能的人脸识别方法，其特征在于，所述进行自适应直方图均衡化处理的方式包括：
5.根据权利要求4所述的基于ai智能的人脸识别方法，其特征在于，所述将均衡图像数据利用人脸检测分割方法处理得到人脸区域图像的方式包括：
6.根据权利要求5所述的基于ai智能的人脸识别方法，其特征在于...
【专利技术属性】
技术研发人员：张美炎，张世荣，
申请(专利权)人：深圳市宏辉智通科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。