残差图像上所有目标像素点的聚集度值的和;
[0069] 第四获取子模块,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。
[0070] 本发明预先存储至少一个类别的人脸图像,每个类别包括至少一张人脸图像,并 将所述人脸图像转化成向量的形式;在接收任一待识别人脸图像之后,将所述待识别人脸 图像转化成向量的形式;首先针对所述待识别人脸图像,分别计算每个类别的人脸图像对 应的编码向量;其次,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;再次,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;并分别将每个类别的残差向 量转化为残差图像;最后,分别获取每个残差图像上的目标像素点的聚集度平均值;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。与现有技术相比,本发明 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。
【附图说明】
[0071] 为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使 用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于 本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其 他的附图。
[0072] 图1为本发明提供的人脸识别的方法流程图;
[0073] 图2为本发明提供的同一个类别的人脸图像示意图;
[0074] 图3为本发明提供的各个类别对应的残差图像对比图;
[0075] 图4为本发明提供的人脸识别的装置结构图;
[0076] 图5为本发明提供的人脸识别的装置结构图;
[0077] 图6为本发明提供的所述第二获取模块的结构图;
[0078] 图7为本发明提供的所述第二获取模块的另一种结构图;
[0079] 图8为本发明提供的终端相关的手机的部分结构的框图。
【具体实施方式】
[0080] 下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完 整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于 本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都属于本申请保护的范围。
[0081] 实施例一
[0082] 参考图1,图1为本实施例提供的人脸识别的方法流程图,具体可以包括:
[0083] SlOl :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。
[0084] 本实施例中,接收任意一张人脸图像作为待识别人脸图像,所述待识别人脸图像 可以为带遮挡的人脸图像,如对人的眼部和\或嘴部遮挡的人脸图像。具体的,接收待识别 人脸图像的方式不做限制,如可以通过摄像头的拍照功能获取待识别人脸图像等。
[0085] 实际应用中,在对所述待识别人脸图像进行识别之前,首先将所述待识别人脸图 像转化成向量的形式。具体的,可以首先获取待识别人脸图像对应的像素矩阵,其次,将 获取的像素矩阵中的每行像素或者每列像素首尾连接,得到所述待识别人脸图像的向量形 式。
[0086] S102: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。
[0087] 本实施例中,预先存储至少一个类别的人脸图像,每个类别包括至少一张人脸图 像,并将所述人脸图像转化成向量的形式。
[0088] 实际应用中,预先存储N张人脸图像,并将属于同一个对象的人脸图像定义为属 于一个类别的人脸图像,如图2所示,图2为同一个类别的人脸图像示意图。通常属于同一 个类别的人脸图像为多张,而且,预先存储的人脸图像的尺寸一般被裁减为预设像素的格 式。
[0089] 实际应用中,在使用预先存储的人脸图像之前,首先将人脸图像转化成向量的形 式。具体的,可以首先获取每个人脸图像对应的像素矩阵,其次,将获取的像素矩阵中的每 行像素或者每列像素首尾连接,得到所述人脸图像的向量形式。
[0090] 由于同一个人的无遮挡的人脸图片可以认为是分布在一个线性子空间上,也就是 说属于同一个类别的人脸图像相互可以线性表达。也可以理解为,属于同一个类别的待识 别人脸图像可以被该类别的人脸图像线性表达。假如待识别人脸图像属于第k个类别,那 么待识别人脸图像可以被第k个类别的人脸图像线性表达,如y=Ak a k,其中,a k表示第k 个类别的编码向量,Ak表示第k个类别的人脸图像,y表示待识别人脸图像。
[0091] 但是当人脸图像上出现遮挡时,该待识别人脸图像就会偏离其所在的线性子空 间,使得属于同一个类别的待识别人脸图像不可以被该类别的人脸图像正确的线性表达。 现有技术中使得的一般线性回归方法不能恢复带有遮挡的待识别人脸图像的正确的编码 向量。本实施例根据线性编码纠错理论,通过解Ll范数优化问题获得带有遮挡的待识别人 脸图像的正确的编码向量。一般情况下,本实施例能够识别的待识别人脸图像为局部被遮 挡的人脸图像。
[0092] 实际应用中,针对预先接收的待识别人脸图像,可以利用公式(1),分别计算每个 类别的人脸图像对应的编码向量;
[0093]
(1)
[0094] 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。
[0095] S103: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。
[0096] 本实施例中,通过计算得到每个类别对应的编码向量后,可以利用得到的编码向 量与该类别的人脸图像重构所述待识别人脸图像,最终得到各个类别对应的重构人脸图 像。
[0097] 实际应用中,可以利用公式(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;
[0098]
(2)
[0099] 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,:T表示类别为i的人脸 图像对应的重构人脸图像。
[0100] S104: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。
[0101] 实际应用中,可以利用公式(3),得到每个类别对应的残差向量;
[0102]
(3)
[0103] 其中,y e ΓΧ1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,家=试4,…,<f表示类别为i的人脸图像对应的残差向量。
[0104] 另外,本实施例还可以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,并将处于所述阈值范围的元素值置为第一标识值,将不处于所述阈值范围的元素值置 为第二标识值。其中,元素值置为第一标识值的像素点是被人脸图像正确表达的像素点,同 理,元素值置为第二标识值的像素点是被人脸图像错误表达的像素点。
[0105] 实际应用中,可以通过公式(4)确定残差向量中的各个元素值;
[0106]
(4)
[0107] 其中,表示第i个类别对应的残差向量中的第j个元素值,[_t,t]为预先设置 的阈值范围,可以将t设置为0. 005。当残差向量中的元素值处于预设的阈值范围时,将所 述元素值置为〇,否则,将其设置为1。其中,元素值为〇的像素点是被正确表达的像素点, 同理,元素值为1的像素点是被错误表达的像素点。
[0108] S105 :分别将每个类别的残差向量转化为残差图像。
[0109] 本实施例在获取各个类别的残差向量后,把各个类别的残差向量转化为图像形 式,得到所述类别对应的残差图像,相当于把人脸图像转化成向量形式的逆过程。如图3所 示,(a)列表示带有遮挡的待识别人脸图像,(b)列表示预先存储的三个类别的人脸图像, (c)列表示(b)列中的各个类别对应的残差图像。另外,所述残差图像的尺寸一般为预设像 素的格式。
[0110] 实际应用中,在残差图像中,可以将元素值置为第二标识值的像素点标称黑色,以 明显的标识出该类别的待识别人脸图像未正确表达的像素,白色像素点表示被正确表达的 像素。如图3所示,可以看到正确类别所对应的残差图像完全把遮挡部分表现出来,其它类 别对应的残差图像未正确表达的像素比较分散。
[0111] S106 :分别获取每个残差图像上的目标像素点的聚集度平均值。
[0112] 本实施例中,在获取各个类别的残差图像后,分别获取每个残差图像上的目标像 素点的聚集度平均值,具体方法包括:
[0113] 方法一:
[0114] 首先将每个残差图像上与所述第二标识值对应的像素点确定为目标像素点;其 次,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;再次,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;最后,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