一种基于高维局部二值模式特征的人脸识别方法及系统的制作方法

文档序号:10553348阅读:412来源:国知局
一种基于高维局部二值模式特征的人脸识别方法及系统的制作方法
【专利摘要】本发明公开了一种基于高维局部二值模式特征的人脸识别方法,包括:实时进行人脸检测,获取人脸图像;判断人脸图像是否达到定位准确度的标准,若是,则:提取人脸图像的高维局部二值模式特征;将提取的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果,能够提高人脸识别的应用范围和人脸识别的精度。本发明还公开了一种基于高维局部二值模式特征的人脸识别系统。
【专利说明】
一种基于高维局部二值模式特征的人脸识别方法及系统
技术领域
[0001]本发明涉及人脸识别技术领域,尤其涉及一种基于高维局部二值模式特征的人脸识别方法及系统。
【背景技术】
[0002]在现有的人脸识别算法中,主要的应用场景都是在基于网络图像静止人脸图像识别或者人员配合情况下的人脸识别。比如face++的人脸识别算法,支付宝刷脸支付等。但是现有的这些算法对于室内光线相对不足或者逆光的情况下无法正确的识别身份,或者在仰视角拍摄到的人脸加上光线等因素的干扰时,人脸识别算法的精度无法达到要求。

【发明内容】

[0003]本发明提供了一种基于高维局部二值模式特征的人脸识别方法,能够提高人脸识别的应用范围和人脸识别的精度。
[0004]本发明提供了一种基于高维局部二值模式特征的人脸识别方法,包括:
[0005]实时进行人脸检测,获取人脸图像;
[0006]判断所述人脸图像是否达到定位准确度的标准,若是,则:
[0007]提取所述人脸图像的高维局部二值模式特征;
[0008]将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0009]优选地,所述判断所述人脸图像是否达到定位准确度的标准包括:
[0010]基于人脸关键点算法在所述人脸图像中定位N个关键点;
[0011]依据显示形状回归算法计算出每个关键点的标准差;
[0012]判断N个关键点的平均标准差是否小于预设值。
[0013]优选地,所述提取所述人脸图像的高维局部二值模式特征具体为:
[0014]以每个关键点为中心,提取预设个尺度的局部图像块,对每个图像块提取高维局部二值模式特征。
[0015]优选地,所述将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果具体为:
[0016]将提取的所述高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0017]优选地,所述N的值为16。
[0018]—种基于高维局部二值模式特征的人脸识别系统,包括:
[0019]人脸图像获取单元,用于实时进行人脸检测,获取人脸图像;
[0020]判断单元,用于判断所述人脸图像是否达到定位准确度的标准;
[0021 ]特征提取单元,用于当所述判断单元判断所述人脸图像达到定位准确度的标准时,提取所述人脸图像的高维局部二值模式特征;
[0022]匹配单元,用于将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0023]优选地,所述判断单元包括:
[0024]定位单元,用于基于人脸关键点算法在所述人脸图像中定位N个关键点;
[0025]计算单元,用于依据显示形状回归算法计算出每个关键点的标准差;
[0026]标准差判断单元,用于判断N个关键点的平均标准差是否小于预设值。
[0027]优选地,所述特征提取单元具体用于:
[0028]以每个关键点为中心,提取预设个尺度的局部图像块,对每个图像块提取高维局部二值模式特征。
[0029]优选地,所述匹配单元具体用于:
[0030]将提取的所述高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0031]优选地,所述N的值为16。
[0032]由上述方案可知,本发明提供的一种基于高维局部二值模式特征的人脸识别方法,通过实时进行人脸检测,获取人脸图像,对获取到的人脸图像进行判断,判断人脸图像是否达到定位准确度的标准,对于达到定位准确度标准的人脸图像提取高维局部二值模式特征,将提取的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。通过对人脸图像定位准确度的判断以及人脸图像高维局部二值模式特征的提取,解决了现有技术中因光线或人脸图像获取角度因素无法精确识别的问题。
【附图说明】
[0033]为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0034]图1为本发明实施例一公开的一种基于高维局部二值模式特征的人脸识别方法的流程图;
[0035]图2为本发明实施例二公开的一种基于高维局部二值模式特征的人脸识别方法的流程图;
[0036]图3为本发明实施例三公开的一种基于高维局部二值模式特征的人脸识别系统的结构示意图;
[0037]图4为本发明实施例四公开的一种基于高维局部二值模式特征的人脸识别系统的结构示意图。
【具体实施方式】
[0038]下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
[0039]如图1所示,为本发明实施例一公开的一种基于高维局部二值模式特征的人脸识别方法,包括:
[0040]S101、实时进行人脸检测,获取人脸图像;
[0041]当需要对环境中的人脸进行识别时,实时的对环境进行检测,当检测到环境中有人脸时,获取检测到的人脸的图像。例如,以机器人为例,机器人高度大概为60厘米,将镜头安装在机器人的头部,通过镜头实时的对环境中的人脸进行检测获取人脸图像,当采集到的当前帧图像里面人脸大于100像素时,将人脸图像作为有效图像。
[0042]S102、判断所述人脸图像是否达到定位准确度的标准,若是,则进入S103:
[0043]当获取到满足像素要求的人脸图像后,进一步对人脸图像是否达到定位准确度的标准进行判断。对于定位准确度未达到的人脸图像不做分析,定位准确度低的图像主要包含误检测、姿态差、模糊的图像。
[0044]S103、提取所述人脸图像的高维局部二值模式特征;
[0045]对于定位准确度达到标准的人脸图像进行高维局部二值模式特征的提取。
[0046]S104、将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0047]将提取的人脸图像的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,也就是说将提取的人脸图像的高维局部二值模式特征与标准的人脸图像进行匹配,判断获取的人脸图像是否为标准的人脸图像。所述的预先注册好身份的人脸图像是指,对于环境中的家庭成员需要提前注册好人脸图像,注册时,以机器人为例,需要人员同机器人进行交互,当机器人提醒注册开始时,注册人员站在机器人前1.5米左右,眼睛同机器人对视10秒左右,机器人采集注册人员的人脸信息,完成注册。
[0048]综上所述,在上述实施例中,通过实时进行人脸检测,获取人脸图像,对获取到的人脸图像进行判断,判断人脸图像是否达到定位准确度的标准,对于达到定位准确度标准的人脸图像提取高维局部二值模式特征,将提取的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。通过对人脸图像定位准确度的判断以及人脸图像高维局部二值模式特征的提取,解决了现有技术中因光线或人脸图像获取角度因素无法精确识别的问题。
[0049]如图2所示,为本发明实施例二公开的一种基于高维局部二值模式特征的人脸识别方法,包括:
[0050]S201、实时进行人脸检测,获取人脸图像;
[0051]当需要对环境中的人脸进行识别时,实时的对环境进行检测,当检测到环境中有人脸时,获取检测到的人脸的图像。例如,以机器人为例,机器人高度大概为60厘米,将镜头安装在机器人的头部,通过镜头实时的对环境中的人脸进行检测获取人脸图像,当采集到的当前帧图像里面人脸大于100像素时,将人脸图像作为有效图像。
[0052]S202、基于人脸关键点算法在所述人脸图像中定位N个关键点;
[0053]对于每张人脸图像,由人脸关键点定位算法在人的脸部定位N个关键点,例如,定位16个关键点。
[0054]S203、依据显示形状回归算法计算出每个关键点的标准差;
[0055]根据显示形状回归算法,每个定位点定位好之后会有一个标准差。
[0056]S204、判断N个关键点的平均标准差是否小于预设值,若是,则进入S205:
[0057]标准差越小表明定位越准确,因此可以根据16个关键点的平均标准差来判断准确度。例如,在人脸的双眼瞳孔距离为40像素这个尺度下,平均标准差小于1.2像素,则认为是定位准确的人脸图像。
[0058]S205、以每个关键点为中心,提取预设个尺度的局部图像块,对每个图像块提取高维局部二值模式特征;
[0059]对于定位准确的人脸图像,以每个关键点为中,提取预设个尺度的局部图像块,例如,提取5个尺度的局部图像块,并且对每个图像块提取高维局部二值模式特征,最终在对人脸上的16个关键点一共提取75520维度的高维局部二值模式特征。
[0060]S206、将提取的所述高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0061]将提取的人脸图像的高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,也就是说将提取的人脸图像的高维局部二值模式特征与标准的人脸图像进行匹配,判断获取的人脸图像是否为标准的人脸图像。所述的预先注册好身份的人脸图像是指,对于环境中的家庭成员需要提前注册好人脸图像,注册时,以机器人为例,需要人员同机器人进行交互,当机器人提醒注册开始时,注册人员站在机器人前1.5米左右,眼睛同机器人对视10秒左右,机器人采集注册人员的人脸信息,完成注册。
[0062]综上所述,在上述实施例中,通过实时进行人脸检测,获取人脸图像,对获取到的人脸图像进行判断,判断人脸图像是否达到定位准确度的标准,对于达到定位准确度标准的人脸图像提取高维局部二值模式特征,将提取的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。通过对人脸图像定位准确度的判断以及人脸图像高维局部二值模式特征的提取,解决了现有技术中因光线或人脸图像获取角度因素无法精确识别的问题。尤其适用于通过机器人对人脸进行识别时。
[0063]如图3所示,为本发明实施例三公开的一种基于高维局部二值模式特征的人脸识别系统,包括:
[0064]人脸图像获取单元301,用于实时进行人脸检测,获取人脸图像;
[0065]当需要对环境中的人脸进行识别时,实时的对环境进行检测,当检测到环境中有人脸时,获取检测到的人脸的图像。例如,以机器人为例,机器人高度大概为60厘米,将镜头安装在机器人的头部,通过镜头实时的对环境中的人脸进行检测获取人脸图像,当采集到的当前帧图像里面人脸大于100像素时,将人脸图像作为有效图像。
[0066]判断单元302,用于判断所述人脸图像是否达到定位准确度的标准;
[0067]当获取到满足像素要求的人脸图像后,进一步对人脸图像是否达到定位准确度的标准进行判断。对于定位准确度未达到的人脸图像不做分析,定位准确度低的图像主要包含误检测、姿态差、模糊的图像。
[0068]特征提取单元303,用于当判断单元302判断所述人脸图像达到定位准确度的标准时,提取所述人脸图像的高维局部二值模式特征;
[0069]对于定位准确度达到标准的人脸图像进行高维局部二值模式特征的提取。
[0070]匹配单元304,用于将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0071]将提取的人脸图像的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,也就是说将提取的人脸图像的高维局部二值模式特征与标准的人脸图像进行匹配,判断获取的人脸图像是否为标准的人脸图像。所述的预先注册好身份的人脸图像是指,对于环境中的家庭成员需要提前注册好人脸图像,注册时,以机器人为例,需要人员同机器人进行交互,当机器人提醒注册开始时,注册人员站在机器人前1.5米左右,眼睛同机器人对视10秒左右,机器人采集注册人员的人脸信息,完成注册。
[0072]综上所述,在上述实施例中,通过实时进行人脸检测,获取人脸图像,对获取到的人脸图像进行判断,判断人脸图像是否达到定位准确度的标准,对于达到定位准确度标准的人脸图像提取高维局部二值模式特征,将提取的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。通过对人脸图像定位准确度的判断以及人脸图像高维局部二值模式特征的提取,解决了现有技术中因光线或人脸图像获取角度因素无法精确识别的问题。
[0073]如图4所示,为本发明实施例四公开的一种基于高维局部二值模式特征的人脸识别系统,包括:
[0074]人脸图像获取单元401,用于实时进行人脸检测,获取人脸图像;
[0075]当需要对环境中的人脸进行识别时,实时的对环境进行检测,当检测到环境中有人脸时,获取检测到的人脸的图像。例如,以机器人为例,机器人高度大概为60厘米,将镜头安装在机器人的头部,通过镜头实时的对环境中的人脸进行检测获取人脸图像,当采集到的当前帧图像里面人脸大于100像素时,将人脸图像作为有效图像。
[0076]定位单元402,用于基于人脸关键点算法在所述人脸图像中定位N个关键点;
[0077]对于每张人脸图像,由人脸关键点定位算法在人的脸部定位N个关键点,例如,定位16个关键点。
[0078]计算单元403,用于依据显示形状回归算法计算出每个关键点的标准差;
[0079]根据显示形状回归算法,每个定位点定位好之后会有一个标准差。
[0080]标准差判断单元404,用于判断N个关键点的平均标准差是否小于预设值;
[0081]标准差越小表明定位越准确,因此可以根据16个关键点的平均标准差来判断准确度。例如,在人脸的双眼瞳孔距离为40像素这个尺度下,平均标准差小于1.2像素,则认为是定位准确的人脸图像。
[0082]特征提取单元405,用于当标准差判断单元404判断N个关键点的平均标准差小于预设值时,以每个关键点为中心,提取预设个尺度的局部图像块,对每个图像块提取高维局部二值模式特征;
[0083]对于定位准确的人脸图像,以每个关键点为中,提取预设个尺度的局部图像块,例如,提取5个尺度的局部图像块,并且对每个图像块提取高维局部二值模式特征,最终在对人脸上的16个关键点一共提取75520维度的高维局部二值模式特征。
[0084]匹配单元406,用于将提取的所述高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,输出匹配结果。
[0085]将提取的人脸图像的高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,也就是说将提取的人脸图像的高维局部二值模式特征与标准的人脸图像进行匹配,判断获取的人脸图像是否为标准的人脸图像。所述的预先注册好身份的人脸图像是指,对于环境中的家庭成员需要提前注册好人脸图像,注册时,以机器人为例,需要人员同机器人进行交互,当机器人提醒注册开始时,注册人员站在机器人前1.5米左右,眼睛同机器人对视10秒左右,机器人采集注册人员的人脸信息,完成注册。
[0086]综上所述,在上述实施例中,通过实时进行人脸检测,获取人脸图像,对获取到的人脸图像进行判断,判断人脸图像是否达到定位准确度的标准,对于达到定位准确度标准的人脸图像提取高维局部二值模式特征,将提取的高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。通过对人脸图像定位准确度的判断以及人脸图像高维局部二值模式特征的提取,解决了现有技术中因光线或人脸图像获取角度因素无法精确识别的问题。尤其适用于通过机器人对人脸进行识别时。
[0087]本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(R0M,Read-0nly Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0088]本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
[0089]对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
【主权项】
1.一种基于高维局部二值模式特征的人脸识别方法,其特征在于,包括: 实时进行人脸检测,获取人脸图像; 判断所述人脸图像是否达到定位准确度的标准,若是,则: 提取所述人脸图像的高维局部二值模式特征; 将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。2.根据权利要求1所述的方法,其特征在于,所述判断所述人脸图像是否达到定位准确度的标准包括: 基于人脸关键点算法在所述人脸图像中定位N个关键点; 依据显示形状回归算法计算出每个关键点的标准差; 判断N个关键点的平均标准差是否小于预设值。3.根据权利要求2所述的方法,其特征在于,所述提取所述人脸图像的高维局部二值模式特征具体为: 以每个关键点为中心,提取预设个尺度的局部图像块,对每个图像块提取高维局部二值模式特征。4.根据权利要求3所述的方法,其特征在于,所述将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果具体为: 将提取的所述高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,输出匹配结果。5.根据权利要求4所述的方法,其特征在于,所述N的值为16。6.—种基于高维局部二值模式特征的人脸识别系统,其特征在于,包括: 人脸图像获取单元,用于实时进行人脸检测,获取人脸图像; 判断单元,用于判断所述人脸图像是否达到定位准确度的标准; 特征提取单元,用于当所述判断单元判断所述人脸图像达到定位准确度的标准时,提取所述人脸图像的高维局部二值模式特征; 匹配单元,用于将提取的所述高维局部二值模式特征与预先注册好身份的人脸图像进行匹配,输出匹配结果。7.根据权利要求6所述的系统,其特征在于,所述判断单元包括: 定位单元,用于基于人脸关键点算法在所述人脸图像中定位N个关键点; 计算单元,用于依据显示形状回归算法计算出每个关键点的标准差; 标准差判断单元,用于判断N个关键点的平均标准差是否小于预设值。8.根据权利要求7所述的系统,其特征在于,所述特征提取单元具体用于: 以每个关键点为中心,提取预设个尺度的局部图像块,对每个图像块提取高维局部二值模式特征。9.根据权利要求8所述的系统,其特征在于,所述匹配单元具体用于: 将提取的所述高维局部二值模式特征根据概率线性判别分析模型与预先注册好身份的人脸图像进行匹配,输出匹配结果。10.根据权利要求9所述的系统,其特征在于,所述N的值为16。
【文档编号】G06K9/00GK105913050SQ201610352428
【公开日】2016年8月31日
【申请日】2016年5月25日
【发明人】刘畅
【申请人】苏州宾果智能科技有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1