一种人脸识别方法技术

本发明专利技术公开了一种人脸识别方法，包括：对采集的待识别用户的人脸图像中关键点提取特征，由各关键点的特征构成特征向量；将特征向量与训练矩阵运算，生成模型，训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成；将模型与样本库中人脸图像进行比对，识别用户。本发明专利技术人脸识别方法通过提取人脸图像关键点的特征构成特征向量，并采用联合贝叶斯模型进行模型训练和识别，与现有基于深度学习的人脸识别算法相比，在进行模型训练时所需样本数量少，计算量少，可提高人脸识别效率。

Face recognition method

The invention discloses a method for face recognition, including: feature extraction of key points to identify the user's face image acquisition, by the characteristics of the key points to construct feature vectors; the training feature vector and matrix operations, generative model, feature vectors of training sample matrix from face images after feature extraction from the input combined with Bayesian model covariance matrix obtained from the training form; the model with the sample face images for comparison, user identification. The invention of face recognition method by extracting the key features of human face images constitute a feature vector, and combined Bayesian model for model training and recognition, compared with the existing face recognition algorithm based on deep learning, the model training required for small sample size, less calculation, can improve the efficiency of face recognition.

【技术实现步骤摘要】
一种人脸识别方法
本专利技术涉及计算机视觉处理
，特别是涉及一种人脸识别方法。
技术介绍
人脸识别是基于人的脸部特征信息进行身份认证的一种生物识别技术。通过采集含有人脸的图像或视频流，并在图像中检测和跟踪人脸，进而对检测到的人脸进行匹配与识别。目前，人脸识别的应用领域很广泛，在金融支付、门禁考勤、身份识别等众多领域起到非常重要的作用，给人们的生活带来很大便利。人脸识别方法有很多，基本上都可以归结为人脸特征提取结合分类算法。在所有算法中，基于深度学习的人脸识别算法能够达到较佳识别效果，近年来也越来越受到关注。但该算法中深度学习模型复杂，想要实现计算规模庞大，并不能适用于所有场合。
技术实现思路
鉴于此，本专利技术提供一种人脸识别方法，与现有方法相比，可降低计算量，提高识别效率。为实现上述目的，本专利技术提供如下技术方案：一种人脸识别方法，包括：S10：对采集的待识别用户的人脸图像中关键点提取特征，由各关键点的特征构成特征向量；S11：将所述特征向量与训练矩阵运算，生成模型，所述训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成；S12：将所述模型与样本库中人脸图像进行比对，识别用户。可选地，所述步骤S10具体包括：对人脸图像进行多尺度缩放，对于同一关键点在各尺度的人脸图像中提取特征并连接，再将各关键点的特征连接，构成所述特征向量。可选地，所述步骤S10还包括：对所述特征向量进行维度压缩。可选地，对人脸图像中关键点提取特征具体包括：在人脸图像中选取多个关键点，提取各关键点处的局部二值模式特征。可选地，提取关键点处的局部二值模式特征描述为：其中，gc表示中心点亮度，gp表示邻域点亮度，P表示邻域点数，R表示邻域半径，并定义函数：可选地，对所述特征向量进行维度压缩处理中，在进行矩阵乘法运算时控制运算芯片优先访问连续的内存区域，并进行并行运算。可选地，采集待识别用户的人脸图像包括：根据平均人脸模型计算采集到的人脸图像的投影矩阵，根据所述投影矩阵计算人脸角度，从采集的人脸图像中选取人脸角度位于预设范围内的人脸图像作为输入的人脸图像。可选地，将所述模型与样本库中人脸图像进行比对，识别用户通过评价函数实现，具体为：构造：其中th表示阈值；其中，Xi表示第i个人，N(Xi)表示第i个样本人脸图像；评价函数表示为：由上述技术方案可知，本专利技术所提供的人脸识别方法，首先对采集的待识别用户的人脸图像提取特征，对人脸图像中关键点提取特征，由各关键点的特征构成特征向量；将特征向量与训练矩阵运算生成模型，所述训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成；通过将生成的模型与样本库中人脸图像进行比对，识别出用户。与现有基于深度学习的人脸识别算法相比，本专利技术人脸识别方法在进行模型训练时所需样本数量少，计算量少，可提高人脸识别效率。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为本专利技术实施例提供的一种人脸识别方法的流程图。具体实施方式为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。本专利技术实施例提供一种人脸识别方法，请参考图1，为本实施例提供的人脸识别方法的流程图，方法包括步骤：S10：对采集的待识别用户的人脸图像中关键点提取特征，由各关键点的特征构成特征向量。人脸图像中的关键点指人脸图像中表现明显特征的位置，例如鼻子、眼睛等位置区域。提取各关键点处的特征后，将各关键点的特征连接构成特征向量。S11：将所述特征向量与训练矩阵运算，生成模型，所述训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成。本实施例中，采用联合贝叶斯模型进行模型训练，将样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行运算，得到的协方差矩阵构成训练矩阵。S12：将所述模型与样本库中人脸图像进行比对，识别用户。本实施例人脸识别方法，首先对采集的待识别用户的人脸图像提取特征，对人脸图像中关键点提取特征，由各关键点的特征构成特征向量；将特征向量与训练矩阵运算生成模型，所述训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成；通过将生成的模型与样本库中人脸图像进行比对，识别出用户。与现有基于深度学习的人脸识别算法相比，本实施例人脸识别方法在进行模型训练时所需样本数量少，计算量少，可提高人脸识别效率，可应用于各种场合。下面结合具体实施方式对本实施例人脸识别方法进行详细说明。本实施例人脸识别方法包括以下步骤：S10：对采集的待识别用户的人脸图像中关键点提取特征，由各关键点的特征构成特征向量。对于采集到的人脸图像，可先对人脸图像大小、角度进行归一化处理，并转化为灰度图，本方法中提取图像特征采用局部二值模式(LocalBinaryPatterns，LBP)特征。在图像中提取特征具体过程为，在人脸图像中选取多个关键点，提取各关键点处的局部二值模式特征。局部二值模式特征的提取方法是以窗口中心像素为阈值，与相邻8个像素的灰度值进行比较，若周围像素值大则置为1，否则置为0。具体的，定义函数：则提取关键点处的局部二值模式特征描述为：其中，gc表示中心点亮度，gp表示邻域点亮度，P表示邻域点数，R表示邻域半径。对某一关键点提取特征完毕后将得到一串二进制数表示的特征数据，经典情况下P＝8，R＝1.0，则得到一串8位二进制数，共计256种状态。在实际应用中，这256种状态出现的概率并不相同，为了压缩状态数，可以用这串数中01的改变次数来区分不同状态。90％以上的情况下，01最多只会改变两次。定义：当U≤2时，LBP特征共有58种；当U＞2时，LBP特征归为同一种。因此这样将产生的状态数压缩为58+1种。在采集到的人脸图像中拟合选取多个关键点，选取表现明显特征的部位作为关键点，例如眼睛、鼻子、嘴巴、眉毛以及脸部轮廓等部位，选择其中效果较好的关键点进行特征提取。示例性的，可拟合人脸图像中的68个人脸关键点，选择其中效果较好的关键点进行特征提取。优选的，在本实施例的一种具体实施方式中，为增加模型的普适性，本步骤中还具体包括对人脸图像进行多尺度缩放，对于同一关键点，在各尺度的人脸图像中提取特征并连接，再将各关键点的特征连接，构成所述特征向量。在提取特征时，对人脸图像进行金字塔式的多尺度缩放，对于同一关键点，在各尺度的人脸图像中均提取特征并连接，然后将所有关键点的特征连接，构成所述特征向量。通过对人脸图像进行金字塔式的多尺度缩放，使同时在大尺度下提取精细特征，在小尺度下提取广泛特征，提高对人脸图像特征提取的精准度。其中对图本文档来自技高网...

【技术保护点】
一种人脸识别方法，其特征在于，包括步骤：S10：对采集的待识别用户的人脸图像中关键点提取特征，由各关键点的特征构成特征向量；S11：将所述特征向量与训练矩阵运算，生成模型，所述训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成；S12：将所述模型与样本库中人脸图像进行比对，识别用户。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括步骤：S10：对采集的待识别用户的人脸图像中关键点提取特征，由各关键点的特征构成特征向量；S11：将所述特征向量与训练矩阵运算，生成模型，所述训练矩阵由样本人脸图像经过提取特征后得到的特征向量，输入联合贝叶斯模型进行训练得到的协方差矩阵构成；S12：将所述模型与样本库中人脸图像进行比对，识别用户。2.根据权利要求1所述的人脸识别方法，其特征在于，所述步骤S10具体包括：对人脸图像进行多尺度缩放，对于同一关键点在各尺度的人脸图像中提取特征并连接，再将各关键点的特征连接，构成所述特征向量。3.根据权利要求2所述的人脸识别方法，其特征在于，所述步骤S10还包括：对所述特征向量进行维度压缩。4.根据权利要求1-3所述的人脸识别方法，其特征在于，对人脸图像中关键点提取特征具体包括：在人脸图像中选取多个关键点，提取各关键点处的局部二值模式特征。5.根据权利要求4所述的人脸识别方法，其特征在于，提取关键点处的局部二值模式特征描述为：

【专利技术属性】
技术研发人员：李昂，
申请(专利权)人：深圳乐行天下科技有限公司，
类型：发明
国别省市：广东,44