人脸识别方法和装置制造方法及图纸

本发明专利技术公开了一种人脸识别方法和装置，属于计算机技术领域。方法包括：提取目标人脸图像的局部二值模式LBP特征向量；根据LBP特征向量计算目标人脸图像的高维特征向量；获取训练矩阵，训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；根据目标人脸图像的高维特征向量以及训练矩阵，对目标人脸图像进行人脸识别；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。

Face recognition method and device

The invention discloses a method and a device for face recognition, belonging to the technical field of computer. Methods include: extraction of partial two valued LBP pattern vector of target facial image; calculate the high-dimensional feature vectors of target facial image based on LBP feature vector matrix; obtaining training, training matrix by combining Bayesian algorithm of face face image in the training; according to the high dimensional feature vector of face image target and the training matrix, face recognition of target facial image; solves the existing face recognition technology in the low accuracy problem can be achieved; the LBP algorithm and combined with Bayesian algorithm for face recognition and improve the recognition accuracy.

【技术实现步骤摘要】

本专利技术涉及计算机
，特别涉及一种人脸识别方法和装置。
技术介绍
人脸识别技术通常包括两个步骤。第一，对人脸图像进行特征提取；第二，对提取到的特征与参考人脸图像中的特征进行相似度计算。现有技术中，在计算特征的相似度时，通常采用基于马氏距离的计算方式来计算。然而受基于马氏距离的计算算法的限定，上述方案计算得到的相似度的准确度较低。
技术实现思路
为了解决现有技术中存在的问题，本专利技术实施例提供了一种人脸识别方法和装置。所述技术方案如下：第一方面，提供了一种人脸识别方法，包括：提取目标人脸图像的局部二值模式LBP特征向量；根据所述LBP特征向量计算所述目标人脸图像的高维特征向量；获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别。第二方面，提供了一种人脸识别装置，包括：特征提取模块，用于提取目标人脸图像的局部二值模式LBP特征向量；第一计算模块，用于根据所述特征提取模块提取到的所述LBP特征向量计算所述目标人脸图像的高维特征向量；矩阵获取模块，用于获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；人脸识别模块，用于根据所述第一计算模块计算得到的所述目标人脸图像的高维特征向量以及所述矩阵获取模块获取到的所述训练矩阵，对所述目标人脸图像进行人脸识别。本专利技术实施例提供的技术方案的有益效果是：通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化强烈时，仍然可以有较高的人脸识别准确率。附图说明为了更清楚地说明本专利技术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是本专利技术各个实施例提供的人脸识别方法所涉及的服务器的框图；图2是本专利技术一个实施例提供的人脸识别方法的方法流程图；图3A是本专利技术另一个实施例提供的人脸识别方法的方法流程图；图3B是本专利技术另一个实施例提供的提取目标人脸图像的LBP特征向量的提取方法的方法流程图；图3C是本专利技术另一实施例提供的终端定位得到的各个人脸关键点的示意图；图3D是本专利技术另一实施例提供的提取LBP特征向量时的目标人脸图像的示意图；图4是本专利技术一个实施例提供的人脸识别装置的结构方框图；图5是本专利技术另一个实施例提供的人脸识别装置的结构方框图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，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它实施例，都属于本专利技术保护的范围。本专利技术各个实施例所涉及的人脸识别方法可以用于服务器100中。具体的，请参考图1，所述服务器100包括中央处理单元(CPU)101、包括随机存取存储器(RAM)102和只读存储器(ROM)103的系统存储器104，以及连接系统存储器104和中央处理单元101的系统总线105。所述服务器100还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)106，和用于存储操作系统113、应用程序112和其他程序模块115的大容量存储设备107。所述基本输入/输出系统106包括有用于显示信息的显示器108和用于用户输入信息的诸如鼠标、键盘之类的输入设备109。其中所述显示器108和输入设备109都通过连接到系统总线105的输入输出控制器110连接到中央处理单元101。所述基本输入/输出系统106还可以包括输入输出控制器110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器110还提供输出到显示屏、打印机或其他类型的输出设备。所述大容量存储设备107通过连接到系统总线105的大容量存储控制器(未示出)连接到中央处理单元101。所述大容量存储设备107及其相关联的计算机可读介质为服务器100提供非易失性存储。也就是说，所述大容量存储设备107可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器104和大容量存储设备107可以统称为存储器。根据本专利技术的各种实施例，所述服务器100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器100可以通过连接在所述系统总线105上的网络接口单元111连接到网络112，或者说，也可以使用网络接口单元111来连接到其他类型的网络或远程计算机系统(未示出)。所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序用于执行下述实施例提供的人脸识别方法。请参考图2，其示出了本专利技术一个实施例提供的人脸识别方法的方法流程图，本实施例以该人脸识别方法用于图1所示的服务器中来举例说明。如图2所示，该人脸识别方法可以包括：步骤201，提取目标人脸图像的LBP特征向量。LBP(LocalBinaryPattern，局部二值模式)是一种图像纹理描述算子，其可以表达图像的局部纹理信息，对光照具有不变性。实际实现时，可以使用Uniform编码方式进行编码，具备算法复杂度较低，消耗内存小，计算速度快等特性。步骤202，根据LBP特征向量计算目标人脸图像的高维特征向量。步骤203，获取训练矩阵，训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵。步骤204，根据目标人脸图像的高维特征向量以及训练矩阵，对目标人脸图像进行人脸识别。综上所述，本实施例提供的人脸识别方法，通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化本文档来自技高网...

【技术保护点】
一种人脸识别方法，其特征在于，所述方法包括：提取目标人脸图像的局部二值模式LBP特征向量；根据所述LBP特征向量计算所述目标人脸图像的高维特征向量；获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，所述方法包括：提取目标人脸图像的局部二值模式LBP特征向量；根据所述LBP特征向量计算所述目标人脸图像的高维特征向量；获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别，包括：获取参考人脸图像的高维特征向量；设所述目标人脸图像的高维特征向量为x1，所述参考人脸图像的高维特征向量为x2，所述训练矩阵包括A和G；根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述训练矩阵，计算所述目标人脸图像和所述参考人脸图像的相似度，所述相似度为：r(x1,x2)=x1TAx1+x2TAx2-2x1TGx2;]]>其中，为x1的转置向量，为x2的转置向量。3.根据权利要求1所述的方法，其特征在于，所述提取目标人脸图像的局部二值模式LBP特征向量，包括：获取k个缩放后的目标人脸图像，k个所述缩放后的目标人脸图像为按照k个预设倍数对所述目标人脸图像分别进行缩放后得到的图像，k为正整数；对于所述目标人脸图像以及k个所述缩放后的目标人脸图像中的每一张人脸图像，确定所述人脸图像中的人脸关键点，提取所述人脸关键点处的LBP特征向量；根据提取到的各个所述人脸关键点的LBP特征向量，组合确定所述目标人脸图像的LBP特征向量。4.根据权利要求1所述的方法，其特征在于，所述根据所述LBP特征向量计算所述目标人脸图像的高维特征向量，包括：设所述目标人脸图像的LBP特征向量为xr；对xr进行主成分分析PCA降维，保留前N维特征，得到降维矩阵P，N为正整数；对所述xr，计算：xp＝Pxr；对所述xp进行...

【专利技术属性】
技术研发人员：丁守鸿，李季檩，汪铖杰，黄飞跃，吴永坚，谭国富，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44