一种人脸识别方法及系统技术方案

本发明专利技术涉及一种人脸识别的技术领域，揭露了一种人脸识别方法，包括：获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图，并利用高斯滤波对灰度图进行降噪处理；利用基于线性拉伸的对比度增强算法将所述灰度图进行图像对比度增强，并利用OTSU算法对图像进行二值化处理，得到待识别人脸图像的二值化图像；利用级联的外部关键点检测模型检测二值化图像中的人脸外部关键点区域；利用五官检测模型检测人脸内部关键点区域，并利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子；根据所提取的SIFT特征描述子，利用预训练的F‑GAN模型进行人脸识别。本发明专利技术还提出一种人脸识别系统。本发明专利技术实现了人脸的识别。

【技术实现步骤摘要】
一种人脸识别方法及系统
本专利技术涉及人脸识别的
，尤其涉及一种人脸识别方法及系统。
技术介绍
人脸识别是一种提取面部信息并采用分类器进行识别的技术，能作为辨别一个人的唯一标识。人脸识别系统具有非接触性、非侵占性、可靠性等优势，因此在实际生活中的应用较为广泛，如高铁入站、考勤签到、考生识别等。目前的图像识别技术主要为深度学习图像识别技术，其中深度卷积网络可以根据分类任务自适应地提取到局部和全局的图像特征，有很好的识别性能。但是，基于深度卷积网络的图像识别方法需要大量的数据进行训练，且需要舍弃训练样本中的困难样本，导致训练样本不足，致使图像识别效果的降低，其中困难样本是模型容易识别错误，但是也含有边界信息的样本，对模型训练有指导作用。同时，现有面部关键点定位算法在限定环境下已达到很高的识别率，但在非限定环境下，仍易受到环境光线不均、测试角度范围广、检测目标姿态多样及遮挡模糊等因素的影响。且现有技术一般采用提取人脸图像中的SIFT描述子进行人脸图像的识别，但传统SIFT算法生成的描述子具有高维性，在描述子的生成以及匹配阶段，计算过程复杂且计算量大。鉴于此，如何对现有特征提取算法进行改进，提取出人脸图像中的有效特征，并提高面部关键点的检测精度，从而实现人脸的准确识别，成为本领域技术人员亟待解决的问题。
技术实现思路
本专利技术提供一种人脸识别方法，通过对现有特征提取算法进行改进，提取出人脸图像中的有效特征，并提供了一种面部关键点检测算法以提高面部关键点的检测精度，从而实现人脸的准确识别。为实现上述目的，本专利技术提供的一种人脸识别方法，包括：获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图；利用高斯滤波对灰度图进行降噪处理；利用基于线性拉伸的对比度增强算法将所述灰度图进行图像对比度增强，并利用OTSU算法对图像进行二值化处理，得到待识别人脸图像的二值化图像；利用级联的外部关键点检测模型检测二值化图像中的人脸外部关键点区域；利用五官检测模型检测人脸内部关键点区域；利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子；根据所提取的SIFT特征描述子，利用预训练的F-GAN模型进行人脸识别。可选地，所述获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图，包括：利用各比例法将待识别人脸图像转换为灰度图，所述各比例法的计算公式为：Oi＝0.30*Ri+0.59*Gi+0.11*Bi其中：Ri，Gi，Bi分别为当前像素i的三个像素分量；Oi为当前像素i的灰度转换像素。可选地，所述利用高斯滤波对灰度图进行降噪处理的过程为：用一个圆形模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，所述模板中心像素点的计算公式为：其中：σ为邻域像素值的标准差，其值越大，图像越模糊；N为模板的维度，本专利技术将其设为2；r为模糊半径，模糊半径是指模板元素到模板中心像素点的距离。可选地，所述利用OTSU算法对图像进行二值化处理，包括：所述对图像进行二值化处理的公式为：g(t)＝w0*w1*(u0-u1)*(u-u0)u＝w0*u0+w1*u1其中：t为前景与背景的分割阈值；w0为前景点数占图像比例；u0为前景的平均灰度；w1为背景点数占图像比例；u1为背景的平均灰度；u为图像的总平均灰度；当图像方差g(t)最大时，可以认为此时前景和背景差异最大，此时的灰度t是最佳阈值，本专利技术根据此时的阈值进行图像二值化处理，得到待识别人脸图像的二值化图像。可选地，所述利用级联的外部关键点检测模型检测人脸外部关键点区域，包括：所述级联的外部关键点检测模型包含人脸检测层和外部关键点定位层；所述人脸检测层共包含四个卷积层，其中：1)第1卷积层由64个3×3的卷积核构成，跨度为2；2)第2卷积层由128个3×3的卷积核构成，跨度为1；3)第3卷积层由256个3×3的卷积核构成，跨度为1；4)第4卷积层由600个3×3的卷积核构成，跨度为1，各卷积层之后均为2×2，跨度为2的最大池化层；采用如下函数作为检测误差函数，通过结合人脸五官位置坐标，对人脸检测层进行迭代训练，完成人脸与五官位置的同时检测：其中：λ用于平衡人脸检测误差errFace和五官检测errPart，本专利技术将其设置为1；i由人脸的左右眉毛、左右眼眼角、鼻子、嘴巴的左右嘴角共12个五官关键点构成；(x，y)为检测坐标点；(x′，y′)为真实坐标点；将人脸检测层中定位到的人脸位置以人脸中心进行1.2倍的尺寸扩大，并裁剪重塑为96×96像素大小的图像，作为外部关键点定位层的输入；所述外部关键点定位层包含两层：1)第1层：输入重塑得到的人脸图像与人脸外部轮廓点坐标依次经过三层卷积层得到人脸外部轮廓框所述三层卷积层分别由64个5×5卷积核、96个5×5卷积核以及128个5×5卷积核组成；2)第2层：固定第1层网络权值，并将第1层估计的外部轮廓点扩大1.2倍抠取原人脸图像，以得到的新图像和外部轮廓的17个关键点作为该层的输入，并依次经过四层卷积层输出得到代表外部轮廓关键点区域的34维向量所述四层卷积层分别由64个3×3卷积核、128个3×3卷积核、256个3×3卷积核以及600个3×3卷积核组成。可选地，所述利用五官检测模型检测人脸图像内部关键点区域，包括：根据所述人脸检测层定位到的人脸位置，本专利技术将人脸检测层中定位到的人脸位置坐标以1.2倍的尺寸扩大，裁剪重塑为96×96像素的图像；采用人脸检测层中的网络结构，结合五官位置信息，同时完成人脸内部轮廓边界框与五官位置的定位；通过固定网络权值，并将定位到的五官位置坐标以1.5倍扩大，抠取左右眉毛、左右眼、鼻子、嘴巴共6个局部图像，缩放为48×48像素的尺寸，记录图像间的空间变换参数，并采用同外部关键点定位层相同的卷积网络分别对局部图像进行关键点区域的定位。可选地，所述利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子的过程为：1)将关键点区域图像转换到尺度空间中的图像，同时得到图像的Gaussian金字塔，其中Gaussian金字塔包含有若干阶，而每一阶又包含有若干层，同阶相邻两层之间比例系数为k,而相邻阶之间尺度因子为kσ2，其中将关键点区域图像转换成尺度空间中的图像的公式为：L(x，y，σ)＝G(x，y，σ)*I(x，y)其中：σ为空间尺度因子；*为高斯核函数与图像间的卷积运算；I(x，y)为关键点区域图像；G(x，y，σ)为高斯核函数；L(x，y，σ)为尺度空间中的图像；2)进行尺度空间极值点的检测，即本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，所述方法包括：/n获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图；/n利用高斯滤波对灰度图进行降噪处理；/n利用基于线性拉伸的对比度增强算法将所述灰度图进行图像对比度增强，并利用OTSU算法对图像进行二值化处理，得到待识别人脸图像的二值化图像；/n利用级联的外部关键点检测模型检测二值化图像中的人脸外部关键点区域；/n利用五官检测模型检测人脸内部关键点区域；/n利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子；/n根据所提取的SIFT特征描述子，利用预训练的F-GAN模型进行人脸识别。/n

【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：
获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图；
利用高斯滤波对灰度图进行降噪处理；
利用基于线性拉伸的对比度增强算法将所述灰度图进行图像对比度增强，并利用OTSU算法对图像进行二值化处理，得到待识别人脸图像的二值化图像；
利用级联的外部关键点检测模型检测二值化图像中的人脸外部关键点区域；
利用五官检测模型检测人脸内部关键点区域；
利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子；
根据所提取的SIFT特征描述子，利用预训练的F-GAN模型进行人脸识别。


2.如权利要求1所述的一种人脸识别方法，其特征在于，所述获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图，包括：
利用各比例法将待识别人脸图像转换为灰度图，所述各比例法的计算公式为：
Oi＝0.30*Ri+0.59*Gi+0.11*Bi
其中：
Ri，Gi，Bi分别为当前像素i的三个像素分量；
Oi为当前像素i的灰度转换像素。


3.如权利要求2所述的一种人脸识别方法，其特征在于，所述利用高斯滤波对灰度图进行降噪处理的过程为：
用一个圆形模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，所述模板中心像素点的计算公式为：



其中：
σ为邻域像素值的标准差，其值越大，图像越模糊；
N为模板的维度，本发明将其设为2；
r为模糊半径，模糊半径是指模板元素到模板中心像素点的距离。


4.如权利要求3所述的一种人脸识别方法，其特征在于，所述利用OTSU算法对图像进行二值化处理，包括：
所述对图像进行二值化处理的公式为：
g(t)＝w0*w1*(u0-u1)*(u-u0)
u＝w0*u0+w1*u1
其中：
t为前景与背景的分割阈值；
w0为前景点数占图像比例；
u0为前景的平均灰度；
w1为背景点数占图像比例；
u1为背景的平均灰度；
u为图像的总平均灰度；
当图像方差g(t)最大时，此时前景和背景差异最大，此时的灰度t是最佳阈值，根据此时的阈值进行图像二值化处理，得到待识别人脸图像的二值化图像。


5.如权利要求4所述的一种人脸识别方法，其特征在于，所述利用级联的外部关键点检测模型检测人脸外部关键点区域，包括：
所述级联的外部关键点检测模型包含人脸检测层和外部关键点定位层；
所述人脸检测层共包含四个卷积层，其中：1)第1卷积层由64个3×3的卷积核构成，跨度为2；2)第2卷积层由128个3×3的卷积核构成，跨度为1；3)第3卷积层由256个3×3的卷积核构成，跨度为1；4)第4卷积层由600个3×3的卷积核构成，跨度为1，各卷积层之后均为2×2，跨度为2的最大池化层；
采用如下函数作为检测误差函数，通过结合人脸五官位置坐标，对人脸检测层进行迭代训练，完成人脸与五官位置的同时检测：






其中：
λ用于平衡人脸检测误差errFace和五官检测errPart，本发明将其设置为1；
i由人脸的左右眉毛、左右眼眼角、鼻子、嘴巴的左右嘴角共12个五官关键点构成；
(x，y)为检测坐标点；
(x′，y′)为真实坐标点；
将人脸检测层中定位到的人脸位置以人脸中心进行1.2倍的尺寸扩大，并裁剪重塑为96×96大小的图像，作为外部关键点定位层的输入；
所述外部关键点定位层包含两层：1)第1层：输入重塑得到的人脸图像与人脸外部轮廓点坐标依次经过三层卷积层得到人脸外部轮廓框所述三层卷积层分别由64个5×5卷积核、96个5×5卷积核以及128个5×5卷积核组成；2)第2层：固定第1层网络权值，并将第1层估计的外部轮廓点扩大1.2倍抠取原人脸图像，以得到的新图像和外部轮廓的17个关键点作为该层的输入，并依次经过四层卷积层输出得到代表外部轮廓关键点区域的34维向量所述四层卷积层分别由64个3×3卷积核、128个3×3卷积核、256个3×3卷积核以及600个3×3卷积核组成。


6.如权利要求5所述的一种人脸识别方法，其特征在于，所述利用五官检测模型检测人脸图像内部关键点区域，包括：
根据所述人脸检测层定位到的人脸位置，本发明将人脸检测层中所定位到的人脸位置坐标以1.2倍的尺寸扩大，裁剪重塑为96×96像素的图像；
采用人脸检测层中的网络结构，结合五官位置信息，同时完成人脸内部轮廓边界框与五官位置的定位；
通过固定网络权值，并将定位到的五...

【专利技术属性】
技术研发人员：汪秀英，
申请(专利权)人：汪秀英，
类型：发明
国别省市：湖南;43