技术领域
[0001] 本
发明涉及
人工智能技术领域，具体来说，涉及一种人脸识别的方法。
背景技术
[0002] 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸
图像采集、人脸
定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
[0003]
生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、
视网膜、声音、体形、个人习惯(例如敲击
键盘的
力度和
频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、
虹膜识别、视网膜识别、
语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。人脸识别系统技术特指利用比较不同人脸视觉特征信息进行身份
鉴别的最新识别技术，属于生物特征识别技术的一种。人脸识别技术是一种基于人的脸部特征，对输入的人脸图像或者
视频流进行处理，根据每个脸的
位置、大小和各个主要面部器官的位置信息，进一步提取每个人脸中的身份特征，并将其与一直的人脸进行对比，配合人脸识别系统的一系列相关技术，确认具体人员的身份。现有人脸识别签到系统人脸识别准确率随着距离的增加大大降低同时现有人脸识别技术当实际人脸库与标准人脸库差异较大时，设定的值将无法满足判别依据的作用，并且现在市面上的人脸识别系统大多采用传统的识别技术，存在的问题是往往不能提高人脸的识别度，更是对人脸识别检测的不完整或不准确，而且不能对实际环境进行了图像的预处理和预提取，来提高人脸识别技术的识别率和识别距离。
[0004] 针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
[0005] 本发明的目的在于提供一种人脸识别的方法，以解决上述背景技术中提出的问题。
[0006] 为实现上述目的，本发明提供如下技术方案：一种人脸识别的方法，包括：
[0007] 步骤1：获取红外相机和RGB摄像头拍摄的原始图像数据，所述原始图像数据由拍摄到的活体人脸的图像数据组成，通过图像预处理，将拍摄到的图像进行
亮度调整；
[0008] 步骤2：采用PCA主成分析法，进行人脸
特征脸提取，形成特征脸矩阵，并且当有新的人脸加入时，重新更新特征人脸库；
[0009] 步骤3：进行图像数据的检测，将红外相机和RGB摄像头拍摄到的图片进行同步处理，采用特征点提取
算法，进行人脸的特征轮廓定位，使用取模的方式进行人脸的提取；
[0010] 步骤4：通过步骤3检测单次人脸特征，计算单次特征脸和人脸库中特征脸的欧拉距离，对比单次特征脸和人脸库中特征脸，欧拉距离小于
阈值，该阈值表示人脸识别比对的阈值，即可判断为人脸识别成功。
[0011] 进一步地，上述阈值的大小为50个
像素点。
[0012] 进一步地，特征点提取算法步骤包括：
[0013] S1：从图片中选取一个像素点P，把它的灰度值设为LP；
[0014] S2：设定一个合适的阙值t，该阈值表示人脸提取的阈值：当2个点的灰度值LP之差的绝对值大于阙值t时，认为这2个点不相同；
[0015] S3：如果像素点P周围的16个像素点中有连续n个点都和P点不同，那么它就是一个
角点，这里n的值设定为12，若是一个角点，其余四个像素点中至少有3个应该和像素点P相同，若都不满足，则不可能是一个角点。
[0016] 进一步地，活体人脸的图像数据包括双目活体数据，通过特征点提取算法计算红外相机和RGB摄像头拍摄到的图片的相对位移差作为双目活体数据。
[0017] 进一步地，图像预处理包括对图像进行直方图均衡、gamma校准、逆光补偿。
[0018] 进一步地，PCA主成分析法步骤包括：
[0019] S-1：将一个高维向量X,对X进行零均值化，即减去这一列的均值；
[0020] S-2：求出协方差矩阵和协方差矩阵的特征值及对应的
特征向量；
[0021] S-3：将特征值从大到小排列，将特征向量按特征值顺序组成一个矩阵，取前k个特征矢量组成特征向量矩阵U；
[0022] S-4：通过一个特征向量矩阵U，投影到一个低维的向量空间中，用低维向量y表示；
[0023] S-5：将大量具有相关性的数据变换为一个不相关的特征分量集合，集合中的分量按信息内容量降序排列。
[0024] 本发明利用红外相机和RGB摄像头拍摄的原始图像数据，进行图像预处理之后，通过特征点提取算法，进行人脸的特征轮廓定位，使用取模的方式进行人脸的提取，利用PCA主成分析法，形成特征脸矩阵，最终形成特征人脸库(当有新脸加入时，重新更新特征脸库)，将待测的人脸特征与特征人脸库的人脸特征进行对比，计算待测的人脸与人脸库中特征脸的欧拉距离，欧拉距离小于阈值，该阈值表示人脸识别比对的阈值，即可判断为人脸识别成功。
[0025] 与
现有技术相比，本发明具有以下有益效果：1.本发明通过特征点提取法提取人脸特征，事先对人脸进行了预处理，使人脸识别装置达到了更高的识别率；2.本发明为企业提供高性能的可用的人脸识别服务，可应用于智慧零售、智慧社区、智慧楼宇、在线身份认证等多种应用场景，充分满足各行业客户的人脸属性识别及用户身份确认等需求；3.本发明可支持人脸
活体检测，人脸识别、无需
接触、识别速度快；4.通过查询目标人像数据寻找人脸
数据库中是否存在人口基本信息，例如在机场、体育场、超级市场等公共场所对人群进行监视，可以人们迅速确定人员身份信息，达到身份识别的目的。
附图说明
[0026] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。
[0027] 图1是根据本发明一种人脸识别的方法。
具体实施方式
[0028] 下面结合具体实施方式对本
专利的技术方案作进一步详细地说明。
[0029] 下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。
[0030] 在本专利的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“
水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利的限制。
[0031] 在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。
[0032] 请参阅图1所示，根据本发明一种人脸识别的方法，包括：
[0033] 步骤1：获取红外相机和RGB摄像头拍摄的原始图像数据，所述原始图像数据由拍摄到的活体人脸的图像数据组成，通过图像预处理，将拍摄到的图像进行亮度调整；
[0034] 步骤2：采用PCA主成分析法，进行人脸特征脸提取，形成特征脸矩阵，并且当有新的人脸加入时，重新更新特征人脸库；
[0035] 步骤3：进行图像数据的检测，将红外相机和RGB摄像头拍摄到的图片进行同步处理，采用特征点提取算法，进行人脸的特征轮廓定位，使用取模的方式进行人脸的提取；
[0036] 步骤4：通过步骤3检测单次人脸特征，计算单次特征脸和人脸库中特征脸的欧拉距离，对比单次特征脸和人脸库中特征脸，欧拉距离小于阈值，该阈值表示人脸识别比对的阈值，即可判断为人脸识别成功。利用足够用于评价人脸特征的大量测试样本进行判断，样本图像应与实际应用中出现的图像尽可能相似，而且要有代表性。
[0037] 人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别(身份确认或者身份查找)，通过相机获取的一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象，通过特征点算法输出的则是一系列相似度得分，将相似度得分与阈值对比后分析得出结论，进行表明待识别的人脸特征的身份。
[0038] 根据上述内容，上述阈值的大小为50个像素点。
[0039] 根据上述内容，特征点提取算法步骤包括：
[0040] S1：从图片中选取一个像素点P，把它的灰度值设为LP；
[0041] S2：设定一个合适的阙值t，该阈值表示人脸提取的阈值：当2个点的灰度值LP之差的绝对值大于阙值t时，认为这2个点不相同；
[0042] S3：如果像素点P周围的16个像素点中有连续n个点都和P点不同，那么它就是一个角点，这里n的值设定为12，若是一个角点，其余四个像素点中至少有3个应该和像素点P相同，若都不满足，则不可能是一个角点。
[0043] 根据上述内容，活体人脸的图像数据包括双目活体数据，通过特征点提取算法计算红外相机和RGB摄像头拍摄到的图片的相对位移差作为双目活体数据。
[0044] 活体检测分为静默活体检测和双目活体检测，静默活体检测相对比较简单，直接采用多张人脸图片中的人脸差异进行比对得到，由于人体为活体，在一段时间内脸部会出现一定的活动，由相机采集之后进行对比。
[0045] 双目活体检测，主要依靠RGB相机和红外相机相结合作为参考依据，并且计算红外相机和RGB摄像头拍摄到的图片的相对位移差作为重要的判断依据，通过对比分数与阈值进行比较的结果，判断是否为真人活体。
[0046] 根据上述内容，图像预处理包括对图像进行直方图均衡、gamma校准、逆光补偿。图像预处理是改善图像
质量的
图像处理的方法，使图像的噪声去掉，而保留主体的像素，同时使图像明暗对比更明显，亮的地方更亮，暗的地方更暗，拉开了差距，保证了拍摄到的图片的高质量、高
分辨率。
[0047] PCA主成分分析的原理就是将高维向量x通过一个特殊的特征向量矩阵U，投影到一个低维的向量空间中，用低维向量y表示，并且损失的信息最少或者说仅仅损失了一些次要信息，PCA将大量具有相关性的数据变换为一个不相关的特征分量集合，集合中的分量按信息内容量降序排列。
[0048] PCA主成分析法步骤包括：
[0049] S-1：将一个高维向量X,对X进行零均值化，即减去这一列的均值；
[0050] S-2：求出协方差矩阵和协方差矩阵的特征值及对应的特征向量；
[0051] S-3：将特征值从大到小排列，将特征向量按特征值顺序组成一个矩阵，取前k个特征矢量组成特征向量矩阵U；
[0052] S-4：通过一个特征向量矩阵U，投影到一个低维的向量空间中，用低维向量y表示；
[0053] S-5：将大量具有相关性的数据变换为一个不相关的特征分量集合，集合中的分量按信息内容量降序排列。
[0054] 综上，本发明利用红外相机和RGB摄像头拍摄的原始图像数据，进行图像预处理之后，通过特征点提取算法，进行人脸的特征轮廓定位，使用取模的方式进行人脸的提取，利用PCA主成分析法，形成特征脸矩阵，最终形成特征人脸库(当有新脸加入时，重新更新特征脸库)，将待测的人脸特征与特征人脸库的人脸特征进行对比，计算待测的人脸与人脸库中特征脸的欧拉距离，欧拉距离小于阈值，即可判断为人脸识别成功。
[0055] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限定本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
