一种人脸快速识别分析设备及系统技术方案

本发明专利技术涉及人脸图像分析识别技术领域，且公开了一种人脸快速识别分析系统，包括：图像输入模块、图像预处理模块、人脸分析识别模块，人脸分析识别模块只对人脸面部嘴、鼻子、眼睛、眉毛处提取特征点进行提取，并将提取的人脸训练图像投影到低秩特征子空间，计算类间离散度最大、类内离散度最小的特征子空间，获得人脸融合特征空间，之后将测试人脸样本投影至融合特征空间，最后利用最近邻准则实现对测试人脸样本的识别；本发明专利技术还公开了一种人脸快速识别分析设备，包括：相互之间进行通信连接且运行有人脸分析识别系统的本地服务器LSfars和人脸识别设备FREi。本发明专利技术解决了如何对人脸图像进行快速分析并识别的技术问题。

【技术实现步骤摘要】
一种人脸快速识别分析设备及系统
本专利技术涉及人脸图像分析识别
，具体为一种人脸快速识别分析设备及系统。
技术介绍
随着科技、互联网的发展，人们的生活方式逐渐数字化、网络化，由此带来的信息量呈现出爆炸式增长，传统的身份识别系统已经不能保护信息拥有者的权益，如何有效地利用生物特征，快速、高效、精准的提取出用户特征，快速的核实用户身份信息，已经成为信息安全领域的重要问题之一。在目前的生物特征识别技术研究和应用领域中，人脸识别技术已经成为身份识别技术中的重要研究方向之一。人脸识别的目的是通过计算机技术分析处理图像信息，从中提取生物特征点，通过与数据库中用户的信息对比，从而核实用户身份。人脸识别系统一般包括人脸图像采集、人脸检测及定位、图片预处理、特征点提取、分类器等部分。首先是通过硬件设备获取到人脸图像，然后对图像进行人脸检测定位，接下来对图像预处理及进一步优化，进行特征点提取，把生物特征存入数据库之后，分类器可以将数据库中的生物特征数据对应给某一个已知的特征，从而实现对已知特征的用户进行预测。在进行人脸特征点提取时，经常容易出现小样本高维数的状况，就是说实际人脸样本中数据个数很小，但是对其特征提取时，人脸数据会有很高的维度，这些维度给后续的处理带来了很大的挑战，存入数据库中之后，当再次查询核实用户信息时，耗费时间较长，降低了效率，不能达到信息同步的实时性。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供一种人脸快速识别分析设备及系统，以解决如何对人脸图像进行快速分析并识别的技术问题。(二)技术方案为实现上述目的，本专利技术提供如下技术方案：一种人脸快速识别分析系统，包括：图像输入模块、图像预处理模块、人脸分析识别模块，该图像输入模块与图像预处理模块进行通信连接，图像预处理模块与人脸分析识别模块进行通信连接；所述人脸分析识别模块只对人脸面部嘴、鼻子、眼睛、眉毛处提取特征点进行提取，并将提取的人脸训练图像投影到低秩特征子空间，计算类间离散度最大、类内离散度最小的特征子空间，获得人脸融合特征空间，之后将测试人脸样本投影至融合特征空间，最后利用最近邻准则实现对测试人脸样本的识别。进一步的，所述人脸分析识别模块的分析识别方法如下：Step1，将训练集合中的所有图像转换为列向量，计算每类图像的类内平均图像μj＝(1/Nj)∑x∈Xjx和总体平均图像μ＝(1/N)∑x∈Xx；计算每幅图像相对于所属类平均图像的差值图像计算每类图像相对于总体平均图像的差值图像Step2，计算特征差值的协方差矩阵Step3，求取差值协方差矩阵Φ的非零特征值λ＝(λ1,λ2,…,λN)，进而求取对应特征向量V＝(v1,v2,…,vN)，并对特征向量按照特征值降序方式进行排列：Φ·V＝λ·V(5)；Step4，计算协方差矩阵特征值的累积贡献率选择前r个较大特征值对应的特征向量Vr＝(v1,v2,…,vr)作为训练特征差值的特征子空间W＝(v1,v2,…,vr)；Step5，将输入图像x、每类平均图像μj和总体平均图像μ投影到训练特征差值的特征子空间：x～＝WTx(6)；μj～＝WTμj(7)；μ～＝WTμ(8)；Step6，计算每个类内散步矩阵Sj、总体类内散步矩阵SW、及类间散步矩阵SB：Sj＝∑x∈Xj(x～-μj～)(x～-μj～)T(9)；Step7，使类间离散度SB最大和类内离散度SW最小，得到最佳投影子空间满足：Step8，根据拉格朗日乘法可得：将矩阵的特征值按降序排列，选择前p个较大特征值λ＝(λ1，λ2，…，λd，…，λp)对应的特征向量构成低秩的特征子空间Wd＝(W1，W2，…，Wd，…，Wp)∈Rl×p；Step9，将Step5的特征子空间W和Step8的特征子空间Wd进行融合，结果为：Wr＝WTWdT(14)；对于任意一训练样本图像的列向量Xi，在融合特征空间的投影关系可表示为：Yi＝WrTXi＝WTWdTXi(15)；其中，Yi表示训练样本类Xi投影后特征；Step10，令在融合的投影空间Wr中测试样本的任意一图像列向量x到训练样本类Xi的距离为D(x，Xi)＝‖y，Yi‖，其中，y表示测试样本x投影后特征；将测试图像投影至融合的特征空间Wr，利用最近邻准则实现对测试人脸样本的识别。进一步的，所述图像预处理模块用于将图像输入模块输入的人脸图像进行几何位置规范化预处理。进一步的，所述图像预处理模块的预处理方法如下：依据双眼在图像中的纵横坐标对人脸图像进行角度旋转、尺度缩放和平移变换的处理，若旋转中心位于图像的左上角，左、右眼的中心坐标分别为(xl，yl)、(xr，yr)，绕图像左上角逆时针旋转的角度θ＝arctan((yr-yl)/(xr-xl))。进一步的，所述图像预处理模块中人脸图像的像素(x，y)经过旋转、缩放和平移预处理之后的坐标(x′，y′)可以表示为：进一步的，所述人脸识别设备FREi通过人脸分析识别系统用户端与运行本地服务器LSfars在上的人脸分析识别系统服务端进行相互之间的通信连接。一种人脸快速识别分析设备，包括：相互之间进行通信连接的本地服务器LSfars和人脸识别设备FREi，在该本地服务器LSfars上安装并运行有人脸分析识别系统服务端软件，在该人脸识别设备FREi上安装并运行有人脸分析识别系统用户端软件。(三)有益的技术效果与现有技术相比，本专利技术具备以下有益的技术效果：本专利技术为了提高人脸识别速度，使得人脸分析识别模块只对人脸面部嘴、鼻子、眼睛、眉毛处提取特征点进行提取，将提取的人脸训练图像投影到低秩特征子空间，计算类间离散度最大、类内离散度最小的特征子空间，获得人脸融合特征空间，并且将测试人脸样本投影至融合的特征空间，利用最近邻准则实现对测试人脸样本的识别，从而实现降维策略，减少信息验证发送量，提高速度，增加用户体验，达到信息核实的可靠性、实时性的技术效果。具体实施方式下面将结合本专利技术实施例，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，都属于本专利技术保护的范围。一种人脸快速识别分析系统，包括：运行有人脸分析识别系统服务端软件且配置有人脸图像数据库的本地服务器LSfars，运行有人脸分析识别系统用户端软件且用于采集人脸图像的人脸识别设备FREi(i＝1,2,…,n)，该人脸识别设备FREi通过人脸分析识别系统用户端与运行在本地服务器LSfars上的人脸分析识别系统服务端进行相互之间的通信连接；所述人脸分析识别系统包括：图像输入模块、图像预处理模块、本文档来自技高网...

【技术保护点】
1.一种人脸快速识别分析系统，其特征在于，包括：图像输入模块、图像预处理模块、人脸分析识别模块，该图像输入模块与图像预处理模块进行通信连接，图像预处理模块与人脸分析识别模块进行通信连接；/n所述人脸分析识别模块只对人脸面部嘴、鼻子、眼睛、眉毛处提取特征点进行提取，并将提取的人脸训练图像投影到低秩特征子空间，计算类间离散度最大、类内离散度最小的特征子空间，获得人脸融合特征空间，之后将测试人脸样本投影至融合特征空间，最后利用最近邻准则实现对测试人脸样本的识别。/n

【技术特征摘要】
1.一种人脸快速识别分析系统，其特征在于，包括：图像输入模块、图像预处理模块、人脸分析识别模块，该图像输入模块与图像预处理模块进行通信连接，图像预处理模块与人脸分析识别模块进行通信连接；
所述人脸分析识别模块只对人脸面部嘴、鼻子、眼睛、眉毛处提取特征点进行提取，并将提取的人脸训练图像投影到低秩特征子空间，计算类间离散度最大、类内离散度最小的特征子空间，获得人脸融合特征空间，之后将测试人脸样本投影至融合特征空间，最后利用最近邻准则实现对测试人脸样本的识别。


2.根据权利要求1所述的人脸快速识别分析系统，其特征在于，所述人脸分析识别模块的分析识别方法如下：
Step1，将训练集合中的所有图像转换为列向量，计算每类图像的类内平均图像μj＝(1/Nj)∑x∈Xjx和总体平均图像μ＝(1/N)∑x∈Xx；
计算每幅图像相对于所属类平均图像的差值图像
计算每类图像相对于总体平均图像的差值图像
Step2，计算特征差值的协方差矩阵
Step3，求取差值协方差矩阵Φ的非零特征值λ＝(λ1,λ2,…,λN)，进而求取对应特征向量V＝(v1,v2,…,vN)，并对特征向量按照特征值降序方式进行排列：
Φ·V＝λ·V(5)；
Step4，计算协方差矩阵特征值的累积贡献率
选择前r个较大特征值对应的特征向量Vr＝(v1,v2,…,vr)作为训练特征差值的特征子空间W＝(v1,v2,…,vr)；
Step5，将输入图像x、每类平均图像μj和总体平均图像μ投影到训练特征差值的特征子空间：









Step6，计算每个类内散步矩阵Sj、总体类内散步矩阵SW、及类间散步矩阵SB：









Step7，使类间离散度SB最大和类内离散度SW最小，得到最佳投影子空间满足：



Step8，根据拉格朗日乘法可得：



将矩阵SW-1SB的特征值按降序排列，选择前p个较大特征值λ＝(λ1...

【专利技术属性】
技术研发人员：许安，孙键，陈科恒，雷望，林佳宏，
申请(专利权)人：深圳市心和未来教育科技有限公司，
类型：发明
国别省市：广东;44