Nothing Special   »   [go: up one dir, main page]

CN104537336B - 一种具备自学习功能的人脸识别方法和系统 - Google Patents

一种具备自学习功能的人脸识别方法和系统 Download PDF

Info

Publication number
CN104537336B
CN104537336B CN201410780135.4A CN201410780135A CN104537336B CN 104537336 B CN104537336 B CN 104537336B CN 201410780135 A CN201410780135 A CN 201410780135A CN 104537336 B CN104537336 B CN 104537336B
Authority
CN
China
Prior art keywords
data
face
user
image
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410780135.4A
Other languages
English (en)
Other versions
CN104537336A (zh
Inventor
马俊锋
陈毅城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Leelen Technology Co Ltd
Original Assignee
Xiamen Leelen Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Leelen Technology Co Ltd filed Critical Xiamen Leelen Technology Co Ltd
Priority to CN201410780135.4A priority Critical patent/CN104537336B/zh
Publication of CN104537336A publication Critical patent/CN104537336A/zh
Application granted granted Critical
Publication of CN104537336B publication Critical patent/CN104537336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, e.g. identification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/179Human faces, e.g. facial parts, sketches or expressions metadata assisted face recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种具备自学习功能的人脸识别方法和系统,通过人脸静态图像采集模块、人脸静态特征提取模块获取人脸特征数据,该数据作为初始的无偏移图像经分类器存储于用户数据储存单元,当用户进行身份识别时,通过人脸动态采集模块、人脸动态特征提取模块获得人脸动态特征数据,将该动态特征数据输入分类预处理模块进行分类并导入人脸特征对比模块,进行用户的人脸特征数据识别,一旦用户识别通过后,该系统的用户图像自学习模块会将符合要求的人脸动态特征数据持续在用户数据储存单元进行有效补充或替换更新,以解决待识别用户随着时间的变化,参照系图像与本人特征数据存在较大偏差导致无法识别的问题及提高识别率,通过该系统可提高用户识别的准确性及识别速度。

Description

一种具备自学习功能的人脸识别方法和系统
技术领域
本发明涉及一种人机交互技术,特别涉及一种人脸识别方法和系统。
背景技术
人脸识别技术作为人体生物特征识别的一种技术手段,已经得到广泛应用,在考勤管理,楼宇、车站、海关人员出入管理等方面均发挥重要作用。特别是人脸识别技术以其非接触性、便利性等方面具有广泛应用。
传统的人脸识别技术主要处理流程包括:注册采集用户人脸特征信息保存到数据库中;用户身份认证时,采集提取当前人脸特征;与数据库中已有数据进行比对,相似度达到限定的阈值时,判定为身份认证成功,但传统的人脸识别技术存在注册采集的图片单一无变化、一旦用户随着年龄的增长,其面部表情、体态产生较大的变化,势必会影响其人脸识别的准确性,此时只能对上述用户重新采集其人脸特征信息,流程繁琐,识别效率低下。
发明内容
本发明目的在于提供一种具备自学习功能的人脸识别方法和系统,用于以提高人脸识别系统的准确性。
本发明的次要目的在于提供一种既能提高人脸识别系统的准确性,同时能够提高其识别效率的人脸识别系统。
为实现上述目的,本发明是这样实现的:一种具备自学习功能的人脸识别方法,包括如下步骤:
S1、采集待识别用户的人脸静态图像,该静态图像为正面且亮度、清晰度符合要求;
S2、将采集到的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据作为标准图像数据样本;
S3、保存用户的人脸特征数据,其中包括将S2获取的人脸静态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的标准图像数据样本进行保存,还包括将S8输出的人脸动态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的辅助图像数据样本进行保存,当辅助图像数据样本数量超过预置值时,后采集的辅助图像数据样本自动覆盖先采集的辅助图像数据样本;
S4、当用户进行人脸动态识别时,采集至少1幅成像效果符合要求的图像;
S5、将动态采集的符合要求的人脸图像,按照统一尺寸进行归一化处理,并通过算法获取该图像的人脸动态特征数据;
S6、将该图像的人脸动态特征数据与S2存储的用户的人脸特征数据作比对,判断两者数据是否匹配;
S7、若数据匹配成功,则视为用户通过人脸识别,并运用声音、文字、图像或指示灯的提示信息输出识别结果;
S8、判断通过人脸识别的人脸图像的成像效果是否符合要求,若是,则将该人脸图像所对应的人脸动态特征数据输出至S3步骤。
当该用户再次进行人脸识别时,重复S4至S8。
进一步,S3优化为:将用户的人脸特征数据依照人脸图像偏移角度的不同进行分类存储,其中人脸静态特征数据存储在无偏移图像数据分类中,人脸动态特征数据存储在有偏移图像数据分类中;
同时在S5与S6之间增加S5.5,对采集到人脸动态特征数据依照人脸图像偏移角度的不同进行预先分类,该分类方法与S3的分类方法一致;
同时S6进一步优化为:将经分类后的人脸动态特征数据优先与该用户的人脸特征数据所对应的分类进行比对识别,如在该分类中无匹配数据,再从其他分类进行比对识别;
同时S8进一步优化为:判断通过人脸识别的人脸图像的成像效果是否符合预设值,且根据S5.5步骤所获得的人脸图像偏移角度是否符合预设值,如果两者均符合要求,该将人脸动态特征数据输出至S3步骤,用于扩充更新该用户的人脸特征数据的辅助图像数据样本。
进一步,所述S3步骤中用户的人脸特征数据分类方法为:将采集到的人脸图像自前到后定义为Y方向,通过投影法计算人脸在Y方向上的偏移角度属性值Pr,并根据其属性值建立有偏移图像数据分类及无偏移图像数据分类,所述的有偏移图像数据分类包括左偏移图像数据分类、右偏移图像数据分类。
进一步,所述的S8步骤中用于判断人脸图像偏移角度是否符合预设值的方法是:需根据Pr值判断其Y方向偏移角度的绝对值与无偏移阈值0之差的绝对值是否在ΔP以内,其中ΔP典型值=5。
进一步,所述S3步骤中用于更新用户的人脸特征数据的辅助图像数据样本的步骤进一步优化为:该用户的人脸特征数据的辅助图像数据样本为两个,分别为Y方向左偏移图像数据样本和Y方向右偏移图像数据样本,所述的左偏移图像数据样本及右偏移图像数据样本为S8步骤判断识别成功的图像,其与无偏移图像进行图像在Y方向偏移角度的对比,如果左偏移或右偏移的角度≤30度,系统判断新采集的图像满足条件可作为辅助图像数据样本,自动覆盖更新原先保存于所对应的左偏移图像数据分类或右偏移图像数据分类中用户的人脸特征数据的辅助图像数据样本。
根据上述步骤,本发明还提供一种具备自学习功能的人脸识别装置,包括:
人脸静态图像采集模块,用于采集待识别用户的人脸静态图像,该静态图像为正面且亮度、清晰度符合要求;
人脸静态特征提取模块,用于将采集到的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据;
用户数据存储模块,用于保存用户的人脸特征数据,其中包括将人脸静态特征提取模块获取的人脸静态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的标准图像数据样本进行保存,还包括将用户图像自学习模块输出的人脸动态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的辅助图像数据样本进行保存,当辅助图像数据样本数量超过预置值时,后采集的辅助图像数据样本自动覆盖先采集的辅助图像数据样本;
人脸动态图像采集模块,用于当用户进行人脸动态识别时,采集至少1幅成像效果符合要求的图像;
人脸动态特征提取模块,用于将人脸在动态时采集的符合要求的图像,按照统一尺寸进行归一化处理,并通过算法获取该图像的人脸动态特征数据;
人脸特征对比模块,用于将该图像的人脸动态特征数据与系统之前存储用户的人脸特征数据相互比对识别,判断两者数据是否相互匹配;
人脸识别结果展示模块,用于当用户一旦通过人脸识别,则运用声音、文字、图像或指示灯等提示信息输出识别结果;
用户图像自学习模块,用于判断通过人脸识别的人脸图像的成像效果是否符合要求,若是,则将该人脸图像所对应的人脸动态特征数据输出至用户数据存储模块。
进一步,所述的用户数据存储模块前端设有分类器,该分类器用于将用户的人脸特征数据依照人脸图像偏移角度的不同进行分类存储,其中人脸静态特征数据存储在无偏移图像数据分类中,人脸动态特征数据存储在有偏移图像数据分类中;
同时在人脸动态特征提取模块与人脸特征对比模块之间增设分类预处理模块,该分类预处理模块用于对采集到人脸动态特征数据根据前述分类器使用的数据分类方法进行分类预处理;
同时人脸特征对比模块,进一步用于将经分类后的人脸动态特征数据优先与该分类所对应的用户特征数据进行比对识别,如无匹配数据,再进行其他分类的比对识别;
同时用户图像自学习模块,进一步用于判断通过人脸识别的人脸图像的成像效果是否符合预设值,且根据分类预处理模块所获得的人脸图像偏移角度是否符合预设值,如果两者均符合要求,该将人脸动态特征数据输出至用户数据存储模块,用于扩充更新该用户的人脸特征数据的辅助图像数据样本。
进一步,所述的前端具有分类器的用户数据存储模块,进一步用于将采集到的人脸图像自前到后定义为Y方向,通过投影法计算人脸在Y方向上的偏移角度属性值Pr,并根据其属性值建立有偏移图像数据分类及无偏移图像数据分类,所述的有偏移图像数据分类包括左偏移图像数据分类、右偏移图像数据分类。
进一步,所述的用户图像自学习模块用于判断人脸图像偏移角度是否符合预设值的方法是:需根据Pr值判断其Y方向偏移角度的绝对值与无偏移阈值0之差的绝对值是否在ΔP以内,其中ΔP典型值=5。
进一步,所述的前端具有分类器的用户数据存储模块进一步用于更新用户的人脸特征数据的辅助图像数据样本为两个,分别为Y方向左偏移图像数据样本和Y方向右偏移图像数据样本,所述的左偏移图像数据样本及右偏移图像数据样本为用户图像自学习模块判断识别成功的图像,其与无偏移图像进行图像在Y方向偏移角度的对比,如果左偏移或右偏移的角度≤30度,系统判断新采集的图像满足条件可作为辅助图像数据样本,,自动覆盖更新原先保存于所对应的左偏移图像数据分类或右偏移图像数据分类中用户的人脸特征数据的辅助图像数据样本。
以现有技术相比,本发明具有以下优点及有益效果:
1、 待识别用户的人脸特征数据可实时更新,避免随时间的推移,由于待识别用户脸貌特征的变动,而降低其识别的准确性;
2、同时系统还提供一种针对特征数据分类保存及比对的解决方案,提高了用户在识别过程中的响应速度,大大提高其识别效率。
附图说明
图1是本发明一种人脸识别方法实施例一的步骤流程图;
图2是本发明一种人脸识别方法实施例一的结构框图;
图3是本发明一种人脸识别方法实施例二的步骤流程图;
图4是本发明一种人脸识别方法实施例二的结构框图。
具体实施方式
下面参照附图结合实施例对本发明作进一步的说明。
实施例一:
如图1所示,一种具备自学习功能的人脸识别方法,包括:
S1、采集待识别用户的人脸静态图像,用户在进行静态图像采集时,人脸与采集设备(如摄像镜头)之间的偏转角度固定,确保采集到的人脸图像为正面图像且亮度符合要求;
S2、将采集到的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据,所述的算法包括但不限于常用的“基于Gabor小波变换”、“结合混合遗传算法和共轭梯度法的人脸特征数据提取”等方法;
S3、保存用户的人脸特征数据,其中包括将S2步骤获取的人脸静态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的标准图像数据样本进行保存,还包括将S8步骤输出的人脸动态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的辅助图像数据样本进行保存,当辅助图像数据样本数量超过预置值时,后采集的辅助图像数据样本自动覆盖先采集的辅助图像数据样本;
S4、当用户进行人脸动态识别时,采用自动补光、红外图像采集、逆光补偿等手段之一或组合手段支持低照度下图像采集,同时采集1幅或多幅图像供选择,并选择成像符合要求的图像;
S5、将人脸在动态时采集的符合要求的图像,按照统一尺寸进行归一化处理,并通过算法获取人脸动态特征数据,该动态特征数据生成机制与S2静态特征数据生成机制一致;
S6、将该人脸动态特征数据与系统之前S3所保存的用户的人脸特征数据相互比对识别,判断两者数据是否相互匹配,如果匹配则继续执行下一步指令,如果不匹配,则返回S4;
S7、用户一旦通过人脸识别,则运用声音、文字、图像或指示灯等提示信息输出识别结果;
S8、判断通过人脸识别的人脸动态特征数据图像的成像效果是否符合预设值,比方判断当前人脸采集到的人脸图像亮度、对比度数据是否处于正常范围内,如处于正常范围,则将该人脸动态特征数据输出至S3步骤;
当该用户再次进行人脸识别时,重复S4至S8的步骤。
如图2所示,一种具备自学习功能的人脸识别装置,包括:
人脸静态图像采集模块11,用于采集待识别用户的人脸静态图像;
人脸静态特征提取模块12,用于将采集到的符合要求的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据;
用户数据存储模块13,用于保存用户的人脸特征数据,其中包括将人脸静态特征提取模块12获取的人脸静态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的标准图像数据样本进行保存,还包括将用户图像自学习模块18输出的人脸动态特征数据与所对应的用户个人资料关联,该关联数据作为用户的人脸特征数据的辅助图像数据样本进行保存,当辅助图像数据样本数量超过预置值时,后采集的辅助图像数据样本自动覆盖先采集的辅助图像数据样本;
人脸动态图像采集模块14,用于当用户进行人脸动态识别时,采集至少1幅成像符合要求的图像;支持采用自动补光、红外图像采集、逆光补偿等手段之一或组合手段支持低照度下图像采集,同时采集1幅或多幅图像供选择,并选择成像效果最佳的图像;
人脸动态特征提取模块15,用于将人脸在动态时采集的图像,按照统一尺寸进行归一化处理,并通过算法获取人脸动态特征数据,该动态特征数据生成机制与12静态特征数据生成机制一致;
人脸特征对比模块16,用于将该人脸动态特征数据与用户数据存储模块13所存储用户的人脸特征数据相互比对识别,判断两者数据是否相互匹配,如果匹配则继续执行下一步指令,如果不匹配,则人脸动态图像采集模块14重新进行采集;
人脸识别结果展示模块17,用于当用户一旦通过人脸识别,则运用声音、文字、图像或指示灯等提示信息输出识别结果;
用户图像自学习模块18,用于判断通过人脸识别的人脸动态特征数据图像的成像效果是否符合预设值,比方判断当前人脸采集到的人脸图像亮度、对比度数据是否处于正常范围内,如处于正常范围,则将该人脸动态特征数据输出至用户数据存储模块13。
采用上述方法和装置,该用户新采集的人脸动态特征数据可以不断地更新扩充该用户的图像样本数据,当然其图像样本数据不是无限制扩充,一般扩充的样本数据优选为2件,这样可以节省数据比对的时间,随着时间的推移,即便待识别用户原先采集的静态图像(即标准图像数据样本)与实际本人采集的图像已经存在较大的偏差,该系统仍可通过图像自学习模块18所扩充的辅助图像数据样本进行识别,提高了该系统识别的准确性。
实施例二:
如图3所示,一种具备自学习功能的人脸识别方法,包括:
S1、采集待识别用户的人脸静态图像,用户在进行静态图像采集时,人脸与采集设备(如摄像镜头)之间的偏转角度固定;
S2、将采集到的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据,所述的算法包括但不限于常用的“基于Gabor小波变换”、“结合混合遗传算法和共轭梯度法的人脸特征数据提取”等方法;
S3、保存用户的人脸特征数据,同时对于保存的人脸特征数据进行预先分类;将S2步骤所获取的人脸静态特征数据与用户个人资料相互关联,其作为标准图像数据样本保存于无偏移图像分类中;还包括将S8步骤输出的人脸动态特征数据根据其采集到的人脸动态图像的水平二维空间定义为X、Y方向,其中X方向为自左到右、Y方向为自前到后,通过投影法计算人脸在Y方向上的偏移角度属性值Pr,利用该属性值建立左偏移图像数据分类及右偏移图像数据分类,并将该人脸动态图像与所对应的用户个人资料相互关联作为辅助图像数据样本保存至对应的数据分类中;理论上,一个用户可保存多个辅助图像数据样本用于参考,考虑到系统容量及复杂性,通常建议另外保存2个辅助参考图像数据样本,分别为Y方向右偏移阈值角度样本和Y方向左偏移阈值角度样本;阈值的设置根据统计规律来定,典型值定为30度,超过30度则图像人脸特征数据会与正面无偏移图像数据失真较大,导致综合识别率下降很大;另外本部分增加自动更新机制,在系统判断新采集的图像满足条件可作为辅助参考图像数据样本时,则自动覆盖更新左偏移图像数据分类或右偏移图像数据分类中的数据样本;
S4、当用户进行人脸动态识别时,采用自动补光、红外图像采集、逆光补偿等手段之一或组合手段支持低照度下图像采集,同时采集1幅或多幅图像供选择,并选择成像符合要求的图像;
S5、将人脸在动态时采集的符合要求的图像,按照统一尺寸进行归一化处理,并通过算法获取人脸动态特征数据,该动态特征数据生成机制与S2静态特征数据生成机制一致;
S5.5、对采集到人脸动态特征数据根据其对应的人脸图像偏移角度预先进行分类,该分类算法与S3的分类算法一致;
S6、先根据S5.5得到的人脸图像Y方向偏移角度的属性Pr,判断其值与偏移阈值P0或无偏移阈值0的差值,根据差值判断当前图像是更接近左偏移阈值、右偏移阈值、或无偏移移阈值,并相应在S3建立的分类数据中进行查询,Pr接近右偏移阈值时相应在右偏移图像数据库中的分类用户数据范围内来进行人脸特征数据对比;Pr接近无偏移阈值时相应在无偏移图像数据库中的分类用户数据范围内来进行人脸特征数据对比;Pr接近左偏移阈值时相应在左偏移图像数据库中的分类用户数据范围内来进行人脸特征数据对比;如无匹配数据,再从其他分类进行比对识别,当找到相应匹配数据时,则继续执行下一步指令,否则返回S4;
S7、用户一旦通过人脸识别,则运用声音、文字、图像或指示灯等提示信息输出识别结果;
S8、判断通过人脸识别的人脸动态特征数据图像的成像效果是否符合预设值,比方判断当前人脸采集到的人脸图像亮度、对比度数据是否处于正常范围内;同时判断采集的人脸图像偏移角度是否符合预设值,由S5.5步骤计算采集的人脸图像的Pr值,根据Pr值判断该图像在Y方向偏移角度的绝对值与偏移阈值P0之差的绝对值是否在ΔP以内,该ΔP的典型值设置为5;如果是两者均满足条件,认为本次采集后用于人脸识别的图像为有助于提高系统性能的数据,则将本次人脸识别中提取的人脸特征数据及人脸图像Y方向偏移角度的属性值输出至S3步骤中用于扩充到该用户的人脸特征数据;
当该用户再次进行人脸识别时,重复S4至S8的步骤。
如图4所述,一种针对上述步骤进一步优化的具备自学习功能的人脸识别装置,包括:
人脸静态图像采集模块21,用于采集待识别用户的人脸静态图像;
人脸静态特征提取模块22,用于将采集到的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据;
用户数据存储模块23,该用户数据存储模块23前端具有分类器231,用于保存用户的人脸特征数据,同时对于保存的人脸特征数据进行预先分类;将人脸静态特征提取模块22所获取的人脸静态特征数据与用户个人资料相互关联,其作为标准图像数据样本保存于无偏移图像分类中;还包括将用户图像自学习模块29输出的人脸动态特征数据根据其采集到的人脸动态图像的水平二维空间定义为X、Y方向,其中X方向为自左到右、Y方向为自前到后,通过投影法计算人脸在Y方向上的偏移角度属性值Pr,利用该属性值建立左偏移图像数据分类及右偏移图像数据分类,并将该人脸动态图像与所对应的用户个人资料相互关联作为辅助图像数据样本保存至对应的数据分类中;理论上,一个用户可保存多个辅助图像数据样本用于参考,考虑到系统容量及复杂性,通常建议另外保存2个辅助参考图像数据样本,分别为Y方向右偏移阈值角度样本和Y方向左偏移阈值角度样本;阈值的设置根据统计规律来定,典型值定为30度,超过30度则图像人脸特征数据会与正面无偏移图像数据失真较大,导致综合识别率下降很大;另外本部分增加自动更新机制,在系统判断新采集的图像满足条件可作为辅助参考图像数据样本时,则自动覆盖更新左偏移图像数据分类或右偏移图像数据分类中的数据样本;
人脸动态图像采集模块24,用于当用户进行人脸动态识别时,采集至少1幅成像效果符合要求的图像;支持采用自动补光、红外图像采集、逆光补偿等手段之一或组合手段支持低照度下图像采集,同时采集1幅或多幅图像供选择,并选择成像效果符合要求的图像;
人脸动态特征提取模块25,用于将人脸在动态时采集的图像,按照统一尺寸进行归一化处理,并通过算法获取人脸动态特征数据,该动态特征数据生成机制与12静态特征数据生成机制一致;
分类预处理模块26,用于对采集到人脸动态特征数据根据其对应的人脸图像偏移角度预先进行分类,该分类算法与用户数据存储模块23的前端分类器231的分类算法一致;
人脸特征对比模块27,用于先根据分类预处理模块26得到的人脸图像Y方向偏移角度的属性Pr,判断其值与偏移阈值P0或无偏移阈值0的差值,根据差值判断当前图像是更接近左偏移阈值、右偏移阈值、或无偏移移阈值,并相应在用户数据存储模块23中由前端分类器231建立的分类数据中进行查询,Pr接近右偏移阈值时相应在右偏移图像数据库中的分类用户数据范围内来进行人脸特征数据对比;Pr接近无偏移阈值时相应在无偏移图像数据库中的分类用户数据范围内来进行人脸特征数据对比;Pr接近左偏移阈值时相应在左偏移图像数据库中的分类用户数据范围内来进行人脸特征数据对比;如无匹配数据,再从其他分类进行比对识别,当找到相应匹配数据时,则继续执行下一步指令,否则返回人脸动态图像采集模块24;
人脸识别结果展示模块28,用于当用户一旦通过人脸识别,则运用声音、文字、图像或指示灯等提示信息输出识别结果;
用户图像自学习模块29,用于判断通过人脸识别的人脸动态特征数据图像的成像效果是否符合预设值,比方判断当前人脸采集到的人脸图像亮度、对比度数据是否处于正常范围内;同时判断采集的人脸图像偏移角度是否符合预设值,由分类预处理模块26计算采集的人脸图像的Pr值,根据Pr值判断该图像在Y方向偏移角度的绝对值与偏移阈值P0之差的绝对值是否在ΔP以内,该ΔP的典型值设置为5;如果是两者均满足条件,认为本次采集后用于人脸识别的图像为有助于提高系统性能的数据,则将本次人脸识别中提取的人脸特征数据及人脸图像Y方向偏移角度的属性值输出至用户数据存储模块23中用于扩充到该用户的人脸特征数据。
该实施例与实施例一最大的区别在:用户数据在进行保存时,需根据其图像的偏移角度进行分类保存,同时人脸特征对比模块27在进行数据比对时,先根据采集的图像数据偏移角度的分类,优先在该分类中进行比对识别,因为人脸图像短时间不会大幅变化,且站立时会有习惯性偏移,所以上述处理方法会一定程度上加快识别速度,且免去图像采集环节需要用户主动配合采集不同角度图像数据的麻烦,同时可减少因年龄等变化引起的识别率下降的问题,使得该人脸识别系统的准确性及识别效率均大大提高。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种具备自学习功能的人脸识别方法,其特征在于包括:
S1、采集待识别用户的人脸静态图像该静态图像为正面且亮度、清晰度符合要求;
S2、将采集到的人脸静态图像按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据作为标准图像数据样本;
S3、保存用户的人脸特征数据,其中包括将S2获取的人脸静态特征数据与所对应的用户个人资料关联形成第一关联数据,该第一关联数据作为用户的人脸特征数据的标准图像数据样本进行保存,还包括将S8输出的人脸动态特征数据与所对应的用户个人资料关联形成第二关联数据,该第二关联数据作为用户的人脸特征数据的辅助图像数据样本进行保存,当辅助图像数据样本数量超过预置值时,后采集的辅助图像数据样本自动覆盖先采集的辅助图像数据样本;
S4、当用户进行人脸动态识别时,采集至少1幅成像效果符合要求的图像;
S5、将动态采集的符合要求的人脸图像,按照统一尺寸进行归一化处理,并通过算法获取该图像的人脸动态特征数据;
S6、将该图像的人脸动态特征数据与S3存储的用户的人脸特征数据作比对,判断两者数据是否匹配;
S7、若数据匹配成功,则视为用户通过人脸识别,并运用声音、文字、图像或指示灯的提示信息输出识别结果;
S8、判断通过人脸识别的人脸图像的成像效果是否符合要求,若是,则将该人脸图像所对应的人脸动态特征数据输出至S3步骤;
当该用户再次进行人脸识别时,重复S4至S8。
2.如权利要求1所述的一种具备自学习功能的人脸识别方法,其特征在于:
该S3进一步优化为:将用户的人脸特征数据依照人脸图像偏移角度的不同进行分类存储,其中人脸静态特征数据存储在无偏移图像数据分类中,人脸动态特征数据存储在有偏移图像数据分类中;
同时在S5与S6之间增加S5.5,对采集到人脸动态特征数据依照人脸图像偏移角度的不同进行预先分类,该分类方法与S3的分类方法一致;
同时S6进一步优化为:将经分类后的人脸动态特征数据优先与该用户的人脸特征数据所对应的分类进行比对识别,如在该分类中无匹配数据,再从其他分类进行比对识别;
同时S8进一步优化为:判断通过人脸识别的人脸图像的成像效果是否符合预设值,且根据S5.5步骤所获得的人脸图像偏移角度是否符合预设值,如果两者均符合要求,将该人脸动态特征数据输出至S3步骤,用于扩充更新该用户的人脸特征数据的辅助图像数据样本。
3.如权利要求2所述的一种具备自学习功能的人脸识别方法,其特征在于:所述S3步骤中用户的人脸特征数据分类方法为:将采集到的人脸图像自前到后定义为Y方向,通过投影法计算人脸在Y方向上的偏移角度属性值Pr,并根据其属性值建立有偏移图像数据分类及无偏移图像数据分类,所述的有偏移图像数据分类包括左偏移图像数据分类、右偏移图像数据分类。
4.如权利要求3所述的一种具备自学习功能的人脸识别方法,其特征在于:所述的S8步骤中用于判断人脸图像偏移角度是否符合预设值的方法是:需根据Pr值判断其Y方向偏移角度的绝对值与无偏移阈值0之差的绝对值是否在ΔP以内,其中ΔP典型值=5。
5.如权利要求3或4所述的一种具备自学习功能的人脸识别方法,其特征在于:所述S3步骤中用于更新用户的人脸特征数据的辅助图像数据样本的步骤进一步优化为:该用户的人脸特征数据的辅助图像数据样本为两个,分别为Y方向左偏移图像数据样本和Y方向右偏移图像数据样本,所述的左偏移图像数据样本及右偏移图像数据样本为S8步骤判断识别成功的图像,其与无偏移图像进行图像在Y方向偏移角度的对比,如果左偏移或右偏移的角度≤30度,系统判断新采集的图像满足条件可作为辅助图像数据样本,自动覆盖更新原先保存于所对应的左偏移图像数据分类或右偏移图像数据分类中用户的人脸特征数据的辅助图像数据样本。
6.一种具备自学习功能的人脸识别装置,其特征在于包括:
人脸静态图像采集模块,用于采集待识别用户的人脸静态图像,该静态图像为正面且亮度、清晰度符合要求;
人脸静态特征提取模块,用于将采集到的人脸静态图像,按照统一尺寸进行归一化处理,并通过算法获取人脸静态特征数据;
用户数据存储模块,用于保存用户的人脸特征数据,其中包括将人脸静态特征提取模块获取的人脸静态特征数据与所对应的用户个人资料关联形成第一关联数据,该第一关联数据作为用户的人脸特征数据的标准图像数据样本进行保存,还包括将用户图像自学习模块输出的人脸动态特征数据与所对应的用户个人资料关联形成第二关联数据,该第二关联数据作为用户的人脸特征数据的辅助图像数据样本进行保存,当辅助图像数据样本数量超过预置值时,后采集的辅助图像数据样本自动覆盖先采集的辅助图像数据样本;
人脸动态图像采集模块,用于当用户进行人脸动态识别时,采集至少1幅成像效果符合要求的图像;
人脸动态特征提取模块,用于将人脸在动态采集的符合要求的图像,按照统一尺寸进行归一化处理,并通过算法获取人脸动态特征数据;
人脸特征对比模块,用于将该人脸动态特征数据与用户数据存储模块所保存的用户的人脸特征数据相互比对识别,判断两者数据是否相互匹配;
人脸识别结果展示模块,用于当用户一旦通过人脸识别,则运用声音、文字、图像或指示灯的提示信息输出识别结果;
用户图像自学习模块,用于判断通过人脸识别的人脸图像的成像效果是否符合要求,若是,则将该人脸图像所对应的人脸动态特征数据输出至用户数据存储模块。
7.如权利要求6所述的一种具备自学习功能的人脸识别装置,其特征在于:所述的用户数据存储模块前端设有分类器,该分类器用于将用户的人脸特征数据依照人脸图像偏移角度的不同进行分类存储,其中人脸静态特征数据存储在无偏移图像数据分类中,人脸动态特征数据存储在有偏移图像数据分类中;
同时在人脸动态特征提取模块与人脸特征对比模块之间增设分类预处理模块,该分类预处理模块用于对采集到人脸动态特征数据根据前述分类器使用的数据分类方法进行分类预处理;
同时人脸特征对比模块,进一步用于将经分类后的人脸动态特征数据优先与该分类所对应的用户的人脸特征数据进行比对识别,如无匹配数据,再进行其他分类的比对识别;
同时用户图像自学习模块,进一步用于判断通过人脸识别的人脸图像的成像效果是否符合预设值,且根据分类预处理模块所获得的人脸图像偏移角度是否符合预设值,如果两者均符合要求,该将人脸动态特征数据输出至用户数据存储模块,用于扩充更新该用户的人脸特征数据的辅助图像数据样本。
8.如权利要求7所述的一种具备自学习功能的人脸识别装置,其特征在于:所述的前端具有分类器的用户数据存储模块,进一步用于将采集到的人脸图像自前到后定义为Y方向,通过投影法计算人脸在Y方向上的偏移角度属性值Pr,并根据其属性值建立有偏移图像数据分类及无偏移图像数据分类,所述的有偏移图像数据分类包括左偏移图像数据分类、右偏移图像数据分类。
9.如权利要求8所述的一种具备自学习功能的人脸识别装置,其特征在于:
所述的用户图像自学习模块用于判断人脸图像偏移角度是否符合预设值的方法是:需根据Pr值判断其Y方向偏移角度的绝对值与无偏移阈值0之差的绝对值是否在ΔP以内,其中ΔP典型值=5。
10.如权利要求8或9所述的一种具备自学习功能的人脸识别装置,其特征在于:所述的前端具有分类器的用户数据存储模块进一步用于更新用户的人脸特征数据的辅助图像数据样本为两个,分别为Y方向左偏移图像数据样本和Y方向右偏移图像数据样本,所述的左偏移图像数据样本及右偏移图像数据样本为用户图像自学习模块判断识别成功的图像,其与无偏移图像进行图像在Y方向偏移角度的对比,如果左偏移或右偏移的角度≤30度,系统判断新采集的图像满足条件可作为辅助图像数据样本,自动覆盖更新原先保存于所对应的左偏移图像数据分类或右偏移图像数据分类中用户的人脸特征数据的辅助图像数据样本。
CN201410780135.4A 2014-12-17 2014-12-17 一种具备自学习功能的人脸识别方法和系统 Active CN104537336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410780135.4A CN104537336B (zh) 2014-12-17 2014-12-17 一种具备自学习功能的人脸识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410780135.4A CN104537336B (zh) 2014-12-17 2014-12-17 一种具备自学习功能的人脸识别方法和系统

Publications (2)

Publication Number Publication Date
CN104537336A CN104537336A (zh) 2015-04-22
CN104537336B true CN104537336B (zh) 2017-11-28

Family

ID=52852857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410780135.4A Active CN104537336B (zh) 2014-12-17 2014-12-17 一种具备自学习功能的人脸识别方法和系统

Country Status (1)

Country Link
CN (1) CN104537336B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160011916A (ko) * 2014-07-23 2016-02-02 삼성전자주식회사 얼굴 인식을 통한 사용자 식별 방법 및 장치
CN107085822B (zh) * 2016-02-16 2020-09-04 北京小米移动软件有限公司 人脸图像处理方法及装置
CN105938552B (zh) * 2016-06-29 2020-04-24 北京旷视科技有限公司 底图自动更新的人脸识别方法及装置
CN106295549A (zh) * 2016-08-05 2017-01-04 深圳市鹰眼在线电子科技有限公司 多角度人脸数据采集方法和装置
US10846386B2 (en) * 2016-08-22 2020-11-24 Lenovo (Singapore) Pte. Ltd. Pulse sensors for biometric identification
CN106446816B (zh) * 2016-09-14 2019-12-27 北京旷视科技有限公司 人脸识别方法及装置
CN106485221B (zh) * 2016-09-30 2019-09-17 江苏四一五安全科技有限公司 一种根据相似集中度自动替换基准相片的方法
CN108241836A (zh) * 2016-12-23 2018-07-03 同方威视技术股份有限公司 用于安检的方法及装置
CN107423606A (zh) * 2017-08-01 2017-12-01 黄河科技学院 一种基于模糊控制理论的身份识别系统
CN108021882B (zh) * 2017-12-01 2021-12-21 宁波高新区锦众信息科技有限公司 一种基于时段的机器人的人脸识别系统
CN112288932B (zh) * 2017-12-26 2022-11-25 杭州数梦工场科技有限公司 乘客身份的验证方法及装置、计算机可读存储介质
CN108764169A (zh) * 2018-05-31 2018-11-06 厦门大学 一种基于机器学习的驾驶员情绪识别与显示装置及方法
CN109165543A (zh) * 2018-06-30 2019-01-08 恒宝股份有限公司 基于面部动作的设备开锁方法和装置
CN109544714A (zh) * 2018-10-16 2019-03-29 广州师盛展览有限公司 一种基于生物特征的人面识别签到系统
CN109472269A (zh) * 2018-10-17 2019-03-15 深圳壹账通智能科技有限公司 图像特征配置及校验方法、装置、计算机设备及介质
CN109598203A (zh) * 2018-11-06 2019-04-09 平安科技(深圳)有限公司 基于人脸识别的照片添加方法、装置、终端及存储介质
CN109376686A (zh) * 2018-11-14 2019-02-22 睿云联(厦门)网络通讯技术有限公司 一种多维度人脸数据采集方案、采集系统及采集方法
CN110222623A (zh) * 2019-05-31 2019-09-10 深圳市恩钛控股有限公司 微表情研判方法和系统
CN110363150A (zh) * 2019-07-16 2019-10-22 深圳市商汤科技有限公司 数据更新方法及装置、电子设备和存储介质
CN110390290A (zh) * 2019-07-17 2019-10-29 北京天正聚合科技有限公司 一种识别目标对象的方法、装置、电子设备及存储介质
CN110428522B (zh) * 2019-07-24 2021-04-30 青岛联合创智科技有限公司 一种智慧新城的智能安防系统
CN110379031A (zh) * 2019-07-24 2019-10-25 广东电网有限责任公司 一种会议签到方法、装置、设备及计算机可读存储介质
CN110473306A (zh) * 2019-08-15 2019-11-19 优估(上海)信息科技有限公司 一种基于面部识别的考勤方法、装置和系统
CN110363187B (zh) * 2019-08-29 2020-12-25 上海云从汇临人工智能科技有限公司 一种人脸识别方法、装置、机器可读介质及设备
CN111243156A (zh) * 2020-04-29 2020-06-05 四川智水信息技术有限公司 一种变电站安全出入及运维系统
CN111625470A (zh) * 2020-06-12 2020-09-04 杭州当虹科技股份有限公司 一种基于算法的静态比对测试方法
CN112199530B (zh) * 2020-10-22 2023-04-07 天津众颐科技有限责任公司 多维度脸库图片自动更新方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339607A (zh) * 2008-08-15 2009-01-07 北京中星微电子有限公司 人脸识别方法及系统、人脸识别模型训练方法及系统
US8135220B2 (en) * 2007-05-03 2012-03-13 Samsung Electronics Co., Ltd Face recognition system and method based on adaptive learning
CN103605466A (zh) * 2013-10-29 2014-02-26 四川长虹电器股份有限公司 一种基于面部识别操控终端的方法
CN103634118A (zh) * 2013-12-12 2014-03-12 山东神思电子技术股份有限公司 基于证卡和复合生物特征识别的生存认证方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8135220B2 (en) * 2007-05-03 2012-03-13 Samsung Electronics Co., Ltd Face recognition system and method based on adaptive learning
CN101339607A (zh) * 2008-08-15 2009-01-07 北京中星微电子有限公司 人脸识别方法及系统、人脸识别模型训练方法及系统
CN103605466A (zh) * 2013-10-29 2014-02-26 四川长虹电器股份有限公司 一种基于面部识别操控终端的方法
CN103634118A (zh) * 2013-12-12 2014-03-12 山东神思电子技术股份有限公司 基于证卡和复合生物特征识别的生存认证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姿态变化的人脸识别及关键技术研究;应竞舟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015(第10期);全文 *

Also Published As

Publication number Publication date
CN104537336A (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
CN104537336B (zh) 一种具备自学习功能的人脸识别方法和系统
CN103714347B (zh) 人脸识别方法及人脸识别装置
CN109522853B (zh) 面向监控视频的人脸检测与搜索方法
CN110941594B (zh) 一种视频文件的拆分方法、装置、电子设备及存储介质
CN109558810B (zh) 基于部位分割与融合目标人物识别方法
CN101584575B (zh) 一种基于人脸识别技术的年龄评估方法
CN104303193B (zh) 基于聚类的目标分类
CN110414559B (zh) 智能零售柜商品目标检测统一框架的构建方法及商品识别方法
US20210034840A1 (en) Method for Recognzing Face from Monitoring Video Data
CN106250877A (zh) 近红外人脸识别方法及装置
CN106294774A (zh) 基于对话服务的用户个性化数据处理方法及装置
CN107315795B (zh) 联合特定人物和场景的视频实例检索方法及系统
JP2006252559A (ja) 画像において対象物の位置を特定する方法および対象物の画像を相異なる画像カテゴリに分類する方法
JP2017168057A (ja) 画像分類装置、画像分類システム及び画像分類方法
CN109635643A (zh) 一种基于深度学习的快速人脸识别方法
CN112150692A (zh) 一种基于人工智能的门禁控制方法及系统
CN106980844A (zh) 一种基于人脸识别系统的人物关系挖掘系统及方法
US20240153267A1 (en) Display method and display system for plant disease diagnosis information, and readable storage medium
CN111191535A (zh) 基于深度学习的行人检测模型构建方法及行人检测方法
US9135562B2 (en) Method for gender verification of individuals based on multimodal data analysis utilizing an individual's expression prompted by a greeting
WO2023065989A1 (zh) 植物病虫害诊断方法、诊断系统及可读存储介质
WO2019091988A1 (en) Change-aware person identification
CN110348366B (zh) 一种自动化最优人脸搜索方法及装置
CN107273435A (zh) 基于MapReduce的视频人员模糊检索并行化方法
CN103207995A (zh) 基于pca的3d人脸识别方法

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant