The invention belongs to the field of face recognition technology, and discloses a face recognition method suitable for psychology, which collects images to obtain high-definition images, recognizes and segmentes face images from high-definition images, processes face images segmented by segmentation module, and generates feature vectors for face details to be recognized. The feature vectors of known faces are pre-stored in the module of face feature library; the output feature vectors to be recognized are matched with all the feature vectors in the feature library, and the identity results corresponding to the feature vectors to be recognized are output; the information of the collected images and the matching results are displayed. The invention constructs a face feature database through the face feature database module, and matches quickly through the feature matching module, so that the identity of the face image to be recognized can be real-time judged on the system with limited computing resources, which takes short time and has high accuracy.
【技术实现步骤摘要】
一种适用于心理学的面部识别方法
本专利技术属于面部识别
，尤其涉及一种适用于心理学的面部识别方法。
技术介绍
目前，业内常用的现有技术是这样的：面部识别---面部识别又称人脸识别、面像识别、面容识别等等，面部识别使用通用的摄像机作为识别信息获取装置。以非接触的方式获取识别对象的面部图像，计算机系统在获取图像后与数据库图像进行比对后完成识别过程。然而，现有面部识别对面部图像提取不精确，影响对面部的识别准确性；同时面部识别效率低、耗时长。对图形的认知与理解是人类获取外部信息并做出判断和反映的重要基础。其中，自动识别图形的相似性是实现提高人类视觉认知效率和拓展智能化认知领域的重要技术之一。它广泛应用于工业技术、图形图像处理、模式识别和人工智能领域，对我们的日常生活起着未知的深远影响。开发出一套图形相似度识别技术是十分必要的。随着计算机数字化和图形技术的日益发展，图形几何特征信息的数字化处理效率也得到了很大提高。合理、高效的算法和环境平台的支持，也使得研究具有充分的可行性。现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率，但也存在一些不足：算法的实现过程和视觉分辨的匹配性不直观；算法复杂，导致数据处理量大，运行成本高；算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响，导致准确性和稳定性存在一定偏差。综上所述，现有技术存在的问题是：现有面部识别对面部图像提取不精确，影响对面部的识别准确性；同时面部识别效率低、耗时长。现有的图形分割中，相似度常用识别方法实现过程和视觉分辨的...
【技术保护点】
1.一种适用于心理学的面部识别系统，其特征在于，所述适用于心理学的面部识别系统包括：图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得高清图像；图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理。所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：S1＝(l1,α1,l2，α2…lN‑1,αN‑1,lN,αN)；S1和该多边形有一一映射关系，其表示与边角初始顺序无关；所述完备向量组，按逆时针方向，有2N个向量S1、S2……S2N－1、S2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：S1＝(l1,α1,l2，α2…lN‑1,αN‑1,lN,αN)；S2＝(α1,l2，α2…lN‑1,αN‑1,lN,αN,l1)；……S2N－1＝(lN,αN,l1,α1,l2，α2…lN‑1,αN‑1)；S2N＝(αN,l1,α1,l2，α2…lN‑1,α...
【技术特征摘要】
1.一种适用于心理学的面部识别系统，其特征在于，所述适用于心理学的面部识别系统包括：图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得高清图像；图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理。所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：S1＝(l1,α1,l2，α2…lN-1,αN-1,lN,αN)；S1和该多边形有一一映射关系，其表示与边角初始顺序无关；所述完备向量组，按逆时针方向，有2N个向量S1、S2……S2N－1、S2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：S1＝(l1,α1,l2，α2…lN-1,αN-1,lN,αN)；S2＝(α1,l2，α2…lN-1,αN-1,lN,αN,l1)；……S2N－1＝(lN,αN,l1,α1,l2，α2…lN-1,αN-1)；S2N＝(αN,l1,α1,l2，α2…lN-1,αN-1,lN)；用矩阵SE表示完备向量，并定义SE为该多边形的特征矩阵，SE表示如下：主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；匹配计算方法包括：步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m：其中，xi∈样本训练集X＝(x1，x2，…，xN)；步骤二、求出散布矩阵S：求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；取出p个值，λ1，λ2，…，λp确定出脸空间E＝(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点由下式得到：x'i＝Etxi，t＝1，2，…，N；由上式得到的是将原向量经过PCA降维后的p维向量；采用SRC人脸识别算法进行多人脸识别，包括：对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份；其中，计算待识别图片与人脸库各类别间的重建误差{r1，r2……rn}，r1<r2<……<rn，将得到的相似度值按照的规则确定最终识别结果；其中T1为比率值，T1＝0.6；显示模块，与主控模块连接，用于显示采集图像信息及匹配结果信息。2.如权利要求1所述的适用于心理学的面部识别系统，其特征在于，所述图形中源图形和目标图形作预处理包括:根据图形最小包容矩形长宽比设置适当域值，进行过滤；根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；对目标图形边数作化简处理，使和源图形具有相同边数；化简处理包括：1)对去除目标图形中的奇化部分的源信号进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；2)找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中3)利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个...
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。