一种基于深度学习的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，揭露了一种基于深度学习的人脸识别方法，包括：获取待识别的人脸图像，将人脸图像的RGB颜色空间转换为HSV颜色空间，得到基于HSV颜色空间的人脸图像；利用基于图像饱和度的自适应增强算法对基于HSV颜色空间的人脸图像进行光照补偿处理，得到光照补偿后的人脸图像；对光照补偿后的人脸图像进行局部采样处理，得到人脸图像的局部图像采样结果矩阵；利用基于空间局部信息的局部特征提取方法对局部图像采样结果矩阵进行特征提取，得到人脸图像的局部特征；将人脸图像的局部特征作为神经网络模型的输入，利用多任务卷积神经网络实现人脸识别。本发明专利技术还提供了一种基于深度学习的人脸识别系统。本发明专利技术实现了人脸识别。发明专利技术实现了人脸识别。发明专利技术实现了人脸识别。

【技术实现步骤摘要】
一种基于深度学习的人脸识别方法及系统


[0001]本专利技术涉及人脸识别的
，尤其涉及一种基于深度学习的人脸识别方法及系统。

技术介绍

[0002]随着科技的迅速进步，社会的信息化和智能化程度越来越高，传统的身份认证方式由于其局限性逐渐失去了人们的认同，在此基础上，生物识别技术逐渐出现在人们的视野之中并成为当前研究的热门话题。
[0003]在实际人脸识别场景中，各种外界因素的干扰极大地降低了人脸识别准确率，在各种外界因素中，光照变化给人脸识别系统带来巨大的影响，由光照变化造成的差异甚至比个体之间的差异还要显著。由于在现实环境中很难对光照条件进行约束，如何有效减弱光照对人脸识别算法的影响仍然是一个难题。
[0004]同时目前的人脸局部特征过于关注人脸图像局部信息，仅利用局部信息学习到的特征有限，若不融合其他特征，很难实现对人脸特征的充分表达。
[0005]鉴于此，如何有效减弱光照对人脸图像的影响，并改进现有局部特征的提取方式，实现更为准确的人脸识别，成为本领域技术人员亟待解决的问题。

技术实现思路

[0006]本专利技术提供一种基于深度学习的人脸识别方法，通过利用基于改进RetinexNet算法的光照补偿算法对人脸图像进行光照补偿处理，并利用基于空间局部信息的局部特征提取方法进行人脸图像局部特征的提取，从而利用多任务卷积神经网络实现人脸识别。
[0007]为实现上述目的，本专利技术提供的一种基于深度学习的人脸识别方法，包括：
[0008]获取待识别的人脸图像，将人脸图像的RGB颜色空间转换为HSV颜色空间，得到基于HSV颜色空间的人脸图像；
[0009]利用基于图像饱和度的自适应增强算法对基于HSV颜色空间的人脸图像进行光照补偿处理，得到光照补偿后的人脸图像；
[0010]对光照补偿后的人脸图像进行局部采样处理，得到人脸图像的局部图像采样结果矩阵；
[0011]利用基于空间局部信息的局部特征提取方法对局部图像采样结果矩阵进行特征提取，得到人脸图像的局部特征；
[0012]将人脸图像的局部特征作为神经网络模型的输入，利用多任务卷积神经网络实现人脸识别。
[0013]可选地，所述将人脸图像的RGB颜色空间转换为HSV颜色空间，包括：
[0014]所述人脸图像为在不同光照环境下的人脸图像，例如在夜晚微弱灯光下的人脸图像以及太阳光直射下的人脸图像等；
[0015]将人脸图像的RGB颜色空间转换为HSV颜色空间，得到基于HSV颜色空间的人脸图
像，其中H表示图像的色调，S表示图像的饱和度，V表示图像的明度；所述颜色空间转换公式为：
[0016]V＝M
max
[0017][0018][0019][0020]其中：
[0021]R，G，B为人脸图像像素在RGB颜色空间中的颜色值；
[0022]M
max
为人脸图像像素在RGB颜色空间中的最大颜色值；
[0023]N
min
为人脸图像像素在RGB颜色空间中的最小颜色值；
[0024]H，S，V为人脸图像像素在HSV颜色空间中的颜色值。
[0025]可选地，所述利用基于图像饱和度的自适应增强算法对基于HSV颜色空间的人脸图像进行光照补偿处理，包括：
[0026]1)对基于HSV颜色空间的人脸图像f(x，y)进行图像边缘增强处理：
[0027][0028]其中：
[0029]c为常数，0<c<1，本专利技术将其设置为0.1；
[0030]f(x，y)为基于HSV颜色空间的二维人脸图像；
[0031]为拉普拉斯算子；
[0032]g(x，y)为图像边缘增强后的图像；
[0033]2)采用自适应算子对边缘增强后的图像进行自适应光照补偿：
[0034][0035][0036]其中：
[0037]g
v
为边缘增强图像g(x，y)在V颜色通道中的颜色值，根据z值进行自适应的亮度调
整；
[0038]C为亮度图像的累计直方图(CDF)达到0.1时的强度级别；
[0039]z为自适应算子，若超过90％的像素值都超过150，则Z＝1；如果10％或者更多的所有像素的强度都在55以内，则Z取值为0。对于其他情况Z则根据C的表达式进行插值，即C是用来指示找出图像数据中10％的像素有多暗，此过程能够将图像中暗部像素亮度显著提高，与此同时，图像中原先比较亮的区域会获得较小幅度的亮度增强，甚至不增强；
[0040]在本专利技术一个具体实施例中，若图像中存在大量的偏暗像素，譬如C<55，则必须进一步提高这部分像素亮度；若图像中像素不是那么暗，譬如C＝100，则这部分像素的亮度增强强度将小一些，没有那么大；若图像中大多数像素具备足够高的亮度，譬如C>150，则这部分像素将将不需要进行亮度增强。
[0041]3)根据自适应光照补偿结果，利用相对系数对图像的饱和度S进行自适应调整，使得饱和度分量随着亮度分量的增强而增强，进而保持图像的对比度：
[0042]g
′
s
＝g
s
+t(g
′
v
‑
g
v
)
×
β
[0043][0044]其中：
[0045]g
′
v
，g
v
分别为光照补偿后的亮度值以及原图像亮度值；
[0046]g
′
s
，g
s
分别为自适应增强后的饱和度值以及原图像饱和度值；
[0047]t为比例常数，本专利技术将其设置为0.5；
[0048]W为n
×
n像素大小的邻域窗口；
[0049]分别代表邻域窗口中亮度和饱和度的均值；
[0050]δ
V
，δ
S
分别代表邻域窗口中亮度和饱和度的方差。
[0051]可选地，所述对光照补偿后的人脸图像进行局部采样处理，包括：
[0052]1)所述采样区域是以g为中心的5
×
5邻域，其中a0，a1，
…
，a7代表的是与中心点g相差1或像素距离的像素点，b0，b1，
…
，b
15
代表的是与中心点g相差2或像素距离的像素点：
[0053]b6b5b4b3b2b7a3a2a1b1b8a4ga0b0b9a5a6a7b
15
b
10
b
11
b
12
b
13
b
14
[0054]2)各方向采样与对应方向关联的6个点，设置主方向上的点权重为其他点的2倍以加大采样方向上像素点的作用，然后取采样点的加权平均值作为各方向的拟合像素值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人脸识别方法，其特征在于，所述方法包括：获取待识别的人脸图像，将人脸图像的RGB颜色空间转换为HSV颜色空间，得到基于HSV颜色空间的人脸图像；利用基于图像饱和度的自适应增强算法对基于HSV颜色空间的人脸图像进行光照补偿处理，得到光照补偿后的人脸图像；对光照补偿后的人脸图像进行局部采样处理，得到人脸图像的局部图像采样结果矩阵；利用基于空间局部信息的局部特征提取方法对局部图像采样结果矩阵进行特征提取，得到人脸图像的局部特征；将人脸图像的局部特征作为神经网络模型的输入，利用多任务卷积神经网络实现人脸识别。2.如权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，所述将人脸图像的RGB颜色空间转换为HSV颜色空间，包括：所述颜色空间转换公式为：V＝M
maxmaxmax
其中：R，G，B为人脸图像像素在RGB颜色空间中的颜色值；M
max
为人脸图像像素在RGB颜色空间中的最大颜色值；N
min
为人脸图像像素在RGB颜色空间中的最小颜色值；H，S，V为人脸图像像素在HSV颜色空间中的颜色值。3.如权利要求2所述的一种基于深度学习的人脸识别方法，其特征在于，所述利用基于图像饱和度的自适应增强算法对基于HSV颜色空间的人脸图像进行光照补偿处理，包括：1)对基于HSV颜色空间的人脸图像f(x，y)进行图像边缘增强处理：其中：c为常数，0＜c＜1，本发明将其设置为0.1；
f(x，y)为基于HSV颜色空间的二维人脸图像；为拉普拉斯算子；g(x，y)为图像边缘增强后的图像；2)采用自适应算子对边缘增强后的图像进行自适应光照补偿：2)采用自适应算子对边缘增强后的图像进行自适应光照补偿：其中：g
v
为边缘增强图像g(x，y)在V颜色通道中的颜色值，根据z值进行自适应的亮度调整；C为亮度图像的累计直方图(CDF)达到0.1时的强度级别；z为自适应算子；3)根据自适应光照补偿结果，利用相对系数对图像的饱和度S进行自适应调整：g
′
s
＝g
s
+t(g
′
v
‑
g
v
)
×
β其中：g
′
v
，g
v
分别为光照补偿后的亮度值以及原图像亮度值；g
′
s
，g
s
分别为自适应增强后的饱和度值以及原图像饱和度值；t为比例常数，本发明将其设置为0.5；W为n
×
n像素大小的邻域窗口；分别代表邻域窗口中亮度和饱和度的均值；δ
V
，δ
S
分别代表邻域窗口中亮度和饱和度的方差。4.如权利要求3所述的一种基于深度学习的人脸识别方法，其特征在于，所述对光照补偿后的人脸图像进行局部采样处理，包括：1)所述采样区域是以g为中心的5
×
5邻域，其中a0，a1，...，a7代表的是与中心点g相差1或像素距离的像素点，b0，b1，...，b
15
代表的是与中心点g相差2或像素距离的像素点：b6b5b4b3b2b7a3a2a1b1b8a4ga0b0b9a5a6a7b
15
b
10
b
11
b
12
b
13
b
14
2)各方向采样与对应方向关联的6个点，设置主方向上的点权重为其他点的2倍以加大采样方向上像素点的作用，然后取采样点的加权平均值作为各方向的拟合像素值；3)遍历人脸图像的每一个像素点g，根据其邻域信息以及拟合像素值确定每个像素点
的采样结果矩阵G：其中：g0，g1，...，g7分别代表在0，π/4，π/2，3π/4，π，5π/4，3π/2，7π/4方向上加权后的拟合像素值。5.如权利要求4所述的一种基于深度学习的人脸识...

【专利技术属性】
技术研发人员：肖玉连，
申请(专利权)人：肖玉连，
类型：发明
国别省市：