一种人脸识别的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及数据处理领域，具体涉及一种人脸识别的方法及装置。
【背景技术】
[0002] 人脸识别技术是生物特征识别的一个重要发展方向，目前该技术仍然面临多方面 的挑战。其中就包括面部图像出现随机遮挡时，识别准确出现明显下降的问题。
[0003] 利用预先存储的人脸图像线性表达输入的待识别人脸图像是目前一种较为流行 的人脸识别方法。这些方法基于一个重要假设，就是属于同一个人的人脸图像分布在一个 特有的线性子空间上。因此一张人脸图像可以由来自同一个类别(每个人就是一个类别)的 其他人脸图像所线性表达，但不能被其他类别的人脸图像正确线性表达。
[0004] 但是，当人脸图像上出现遮挡时，以上线性子空间的假设就不再成立，也就是说被 遮挡图片不能被同一类别的其他图片所正确的线性表达了。为解决这一问题，现有的方法 一般需要先判断图片是否为被遮挡图片，再设计有针对性的方法来识别遮挡图片。
【发明内容】
[0005] 针对上述问题，本发明提供了一种人脸识别的方法及装置，不需要预先判断图片 是否为遮挡图片，而是自适应的识别有遮挡的图像。
[0006] 本发明提供了一种人脸识别的方法，所述方法包括：
[0007] 接收任一待识别人脸图像，并将所述待识别人脸图像转化成向量的形式；
[0008] 针对所述待识别人脸图像，分别计算预先存储的每个类别的人脸图像对应的编码 向量，其中，每个类别包括至少一张人脸图像，每张人脸图像被预先转化成向量的形式；
[0009] 利用每个类别的人脸图像和所述类别对应的编码向量，分别重构所述待识别人脸 图像，得到每个类别对应的重构人脸图像；
[0010] 根据每个类别对应的重构人脸图像和所述待识别人脸图像，得到每个类别对应的 残差向量；
[0011] 分别将每个类别的残差向量转化为残差图像；
[0012] 分别获取每个残差图像上的目标像素点的聚集度平均值；
[0013] 将最大聚集度平均值对应的类别确定为所述待识别人脸图像的类别。
[0014] 优选地，所述针对所述待识别人脸图像，分别计算预先存储的每个类别的人脸图 像对应的编码向量，包括：
[0015] 利用公式（1)，分别计算每个类别的人脸图像对应的编码向量；
[0016]
[0017] 其中，Af =[<?·" JpeiT"1表示类别为i的人脸图像所构成的线性空间模型， y e ΓΧ1表示所述待识别人脸图像，a i e Rpxi (i=l，L，C)表示类别为i的人脸图像对应的 编码向量。
[0018] 优选地，所述利用每个类别的人脸图像和所述类别对应的编码向量，分别重构所 述待识别人脸图像，得到每个类别对应的重构人脸图像，包括：
[0019] 利用公式（2)，分别重构所述待识别人脸图像，得到每个类别对应的重构人脸图 像；
[0020]
η) V *****9* *·*?··**·*?* **·*?*?>*·*?*?>* 春 春 ***?>* 春 《?#?>* 春 春
[0021] 其中，- 表示类别为i的人脸图像所构成的线性空间模型， a i e Rpxi (i=l，L，c)表示类别为i的人脸图像对应的编码向量，f'表示类别为i的人脸 图像对应的重构人脸图像。
[0022] 优选地，所述根据每个类别对应的重构人脸图像和所述待识别人脸图像，得到每 个类别对应的残差向量，包括：
[0023] 利用公式（3)，得到每个类别对应的残差向量；
[0024]
…………………………………………… ."(3)
[0025] 其中，y e Rmxi表示所述待识别人脸图像，F表示类别为i的人脸图像对应的重构 人脸图像，g,···,表示类别为i的人脸图像对应的残差向量。
[0026] 优选地，所述方法还包括：
[0027] 判断所述残差向量中的各个元素值是否处于预设的阈值范围；
[0028] 将处于所述阈值范围的元素值置为第一标识值，以及将不处于所述阈值范围的元 素值置为第二标识值。
[0029] 优选地，所述分别获取每个残差图像上的目标像素点的聚集度平均值，包括：
[0030] 将每个残差图像上与所述第一标识值对应的像素点确定为目标像素点；
[0031] 计算任一目标像素点的聚集度值，所述聚集度值包括与所述目标像素点距离为1 的8个像素点的残差值和所述目标像素点的残差值；
[0032] 获取每个残差图像对应的聚集度值，所述聚集度值包括所述残差图像上所有目标 像素点的聚集度值的和；
[0033] 分别将每个残差图像对应的聚集度值除以所述残差图像上的目标像素点的总数， 得到所述残差图像上的目标像素点的聚集度平均值。
[0034] 优选地，所述分别获取每个残差图像上的目标像素点的聚集度平均值，包括：
[0035] 将每个残差图像上与所述第一标识值对应的像素点确定为目标像素点；
[0036] 计算任一目标像素点的聚集度值，所述聚集度值包括与所述目标像素点距离为1 的8个像素点中具有第一标识值的像素点的个数；
[0037] 获取每个残差图像对应的聚集度值，所述聚集度值包括所述残差图像上所有目标 像素点的聚集度值的和；
[0038] 分别将每个残差图像对应的聚集度值除以所述残差图像上的目标像素点的总数， 得到所述残差图像上的目标像素点的聚集度平均值。
[0039] 本发明还提供了一种人脸识别的装置，所述装置包括：
[0040] 接收模块，用于接收任一待识别人脸图像，并将所述待识别人脸图像转化成向量 的形式；
[0041] 计算模块，用于针对所述待识别人脸图像，分别计算预先存储的每个类别的人脸 图像对应的编码向量，其中，每个类别包括至少一张人脸图像，每张人脸图像被预先转化成 向量的形式；
[0042] 重构模块，用于利用每个类别的人脸图像和所述类别对应的编码向量，分别重构 所述待识别人脸图像，得到每个类别对应的重构人脸图像；
[0043] 第一获取模块，用于根据每个类别对应的重构人脸图像和所述待识别人脸图像， 得到每个类别对应的残差向量；
[0044] 转化模块，用于分别将每个类别的残差向量转化为残差图像；
[0045] 第二获取模块，用于分别获取每个残差图像上的目标像素点的聚集度平均值；
[0046] 确定模块，用于将最大聚集度平均值对应的类别确定为所述待识别人脸图像的类 别。
[0047] 优选地，所述计算模块为利用公式（1 )，分别计算每个类别的人脸图像对应的编码 向量的模块；
[0048]
(1)
[0049] 其中，
表示类别为i的人脸图像所构成的线性空间模型， y e Rmxi表示所述待识别人脸图像，a i e Rpxi (i=l，L，C)表示类别为i的人脸图像对应的 编码向量。
[0050] 优选地，所述重构模块为利用公式（2)，分别重构所述待识别人脸图像，得到每个 类别对应的重构人脸图像的模块；
[0051]
(2)
[0052] 其中，
表示类别为i的人脸图像所构成的线性空间模型， CIi e Rpxi (i=l，L，c)表示类别为i的人脸图像对应的编码向量，;T表示类别为i的人脸 图像对应的重构人脸图像。
[0053] 优选地，所述第一获取模块为利用公式（3)，得到每个类别对应的残差向量的模 块；
[0054]
[0055] 其中，y e Rmxi表示所述待识别人脸图像，f表示类别为i的人脸图像对应的重 构人脸图像，，f表示类别为i的人脸图像对应的残差向量。
[0056] 优选地，所述装置还包括：
[0057] 判断模块，用于判断所述残差向量中的各个元素值是否处于预设的阈值范围；
[0058] 第一标记模块，用于将处于所述阈值范围的元素值置为第一标识值；
[0059] 第二标记模块，用于将不处于所述阈值范围的元素值置为第二标识值。
[0060] 优选地，所述第二获取模块包括：
[0061] 第一确定子模块，用于将每个残差图像上与所述第一标识值对应的像素点确定为 目标像素点；
[0062] 第一计算子模块，用于计算任一目标像素点的聚集度值，所述聚集度值包括与所 述目标像素点距离为1的8个像素点的残差值和所述目标像素点的残差值；
[0063] 第一获取子模块，用于获取每个残差图像对应的聚集度值，所述聚集度值包括所 述残差图像上所有目标像素点的聚集度值的和；
[0064] 第二获取子模块，用于分别将每个残差图像对应的聚集度值除以所述残差图像上 的目标像素点的总数，得到所述残差图像上的目标像素点的聚集度平均值。
[0065] 优选地，所述第二获取模块包括：
[0066] 第二确定子模块，用于将每个残差图像上与所述第一标识值对应的像素点确定为 目标像素点；
[0067] 第二计算子模块，用于计算任一目标像素点的聚集度值，所述聚集度值包括与所 述目标像素点距离为1的8个像素点中具有第一标识值的像素点的个数；
[0068] 第三获取子模块，用于获取每个残差图像对应的聚集度值，所述聚集度值包括所 述