人脸识别系统及方法技术方案

本发明专利技术提供一种人脸识别系统及方法，涉及智能设备领域，该人脸识别系统，包括：多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。

Face Recognition System and Method

【技术实现步骤摘要】
人脸识别系统及方法
本专利技术涉及智能设备
，尤其涉及一种人脸识别系统及方法。
技术介绍
随着人工智能技术和图像处理等技术的不断发展，人脸识别已经被广泛地应用到社会活动各个领域。例如，人脸识别智能开锁、人脸识别智能支付、人脸识别追捕逃犯等等。人脸识别技术一般是基于人脸图像，及通过摄像头采集人脸图像，然后发送给云端，云端对采集到的人脸图像进行检测、人脸定位和特征提取等，然后根据提取的特征与预存的特征进行对比，实现人脸识别技术。图像拼接技术指的是将一张物体不同角度的图像拼接成该物体完整图像。目前，传统的人脸识别系统中，通常是只设置一个摄像头，通过该摄像头采集人脸图像，然后发送到云端进行特征提取和人脸识别。但是，专利技术人发现现有的人脸识别系统中至少存在如下技术问题：现有技术中，仅一个摄像头采集人脸图像往往采集的人脸图像不完整，常需要被采集人员必须弯腰或调整姿势，导致人脸识别过程效率较低。
技术实现思路
鉴于上述问题，本专利技术实施例提供一种人脸识别系统及方法，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。为了实现上述目的，本专利技术提供如下技术方案：本专利技术的第一方面提供一种人脸识别系统，包括：多个固定支架、多个图像采集设备、中转服务器和识别服务器；每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像；所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像；所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别。可选地，所述识别服务器用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机SVM分类器进行分类，得到所述人脸图像的人脸图像识别结果；将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。可选地，所述识别服务器还用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；提取所述训练样本的人脸图像纹理特征；将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。可选地，所述识别服务器用于所述提取所述训练样本的人脸图像纹理特征的过程，包括：设定局部二值模式LBP共生矩阵纹理特征提取算法的参数；根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；基于双线性插值计算所述亚像素及其对应邻域点的灰度值；根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。可选地，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；所述识别服务器用于所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点的过程，包括：根据所述统计距离和统计方向，确定原图像素对应的亚像素；根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。可选地，所述报警设备为蜂鸣报警器、声光报警器或语音报警器。本专利技术实施例的第二方面提供一人脸识别方法，用于第一方面任一项所述的人脸识别系统的识别服务器，包括：将所述完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的SVM(SupportVectorMachine，支持向量机)分类器进行分类，得到所述人脸图像的人脸图像识别结果；将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。可选地，所述方法还包括：对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本和第二预设数量的测试样本；提取所述训练样本的人脸图像纹理特征；将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。可选地，所述提取所述训练样本的人脸图像纹理特征还，包括：设定LBP(LocalBinaryPattern，局部二值模式)共生矩阵纹理特征提取算法的参数；根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；基于双线性插值计算所述亚像素及其对应邻域点的灰度值；根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。可选地，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：根据所述统计距离和统计方向，确定原图像素对应的亚像素；根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。与现有技术相比，本专利技术实施例提供的系统及其方法具有如下优点：本专利技术实施例包括多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。除了上面所描述的本专利技术实施例解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的有益效果外，本专利技术实施例提供的人脸识别系统所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的有益效果，将在具体实施方式中作出进一步详细的说明。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一简单地介绍，显而易见地，下面描述中的附图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为本专利技术一实施例提供的人脸识别系统的结构示意图；图2为本专利技术另一实施例提供的人脸识别系统的结构示意图；图3为本专利技术另一实施例提供的人脸识别系统的结构示意图；图4为本专利技术一实施例提供的人脸识别方法的流程示意图；图5为本专利技术另一实施例提供的人脸识别方法的流程示意图；图6为本专利技术再一实施例提供的人脸识别方法的流程示意图；图7为本专利技术一实施例提供的人脸识别装置的框图。附图标记说明：固定支架101、支腿1011、主体件1012、图像采集设备102、图像采集摄像头1021、灯源设备1022、中转服务器103、识别服务器104、电子切换开关105、报警设备106、云台1013。具体实施方式为了使本专利技术所要解决本文档来自技高网...

【技术保护点】
1.一种人脸识别系统，其特征在于，包括：多个固定支架、多个图像采集设备、中转服务器和识别服务器；每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像；所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像；所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别。

【技术特征摘要】
1.一种人脸识别系统，其特征在于，包括：多个固定支架、多个图像采集设备、中转服务器和识别服务器；每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像；所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像；所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别。2.根据权利要求1所述的人脸识别系统，其特征在于，所述识别服务器用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机SVM分类器进行分类，得到所述人脸图像的人脸图像识别结果；将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。3.根据权利要求2所述的人脸识别系统，其特征在于，所述识别服务器还用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；提取所述训练样本的人脸图像纹理特征；将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。4.根据权利要求3所述的人脸识别系统，其特征在于，所述识别服务器用于所述提取所述训练样本的人脸图像纹理特征的过程，包括：设定局部二值模式LBP共生矩阵纹理特征提取算法的参数；根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；基于双线性插值计算所述亚像素及其对应邻域点的灰度值；根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素LBP图像；基于LBP共生矩阵纹理特征提取算法，计算所述亚像素LBP图像的亚像素LBP共生矩阵，得到所述训练样本的人脸图像纹理特征。5.根据权利要求4所述的人脸识别系统，其特征在于，所述LBP共生矩阵纹理特征提取算法的参数包括LBP参数和共生矩阵参数，所述LBP参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；所述识别服务器用于所述根据所述参数确定训练样本和测试样本的原图...

【专利技术属性】
技术研发人员：任凤国，王文清，黄蕾，曾锦祥，黄宇婷，李静，高慧，侯世亮，李萍，
申请(专利权)人：北京工业职业技术学院，北京市煤炭矿用机电设备技术开发有限公司，
类型：发明
国别省市：北京,11