CN108664840A - 图像识别方法及装置 - Google Patents

Abstract

本发明提供的一种图像识别方法及装置，从接收到的图像中检测目标物，并从图像中确定目标图像；对目标图像进行质量评估，以确定相应的目标图像评判值，并判断评判值是否满足预设阈值；当评判值不小于预设阈值时，将目标图像与预存目标数据进行对比以识别目标，以确定目标识别结果。特别的在对目标图像进行质量评估时，在评判值不小于预设阈值时，退出对当前图像的识别，尽快进行对接下来接收的图像进行前述处理过程，可大幅节省处理图像的时间，保证识别的精度，提高识别过程的处理速度，且检测目标物的模型与评估模型一致，节省了模型的存储空间，不需要在重新构造模型，降低了成本，使本发明在识别目标物的领域更具有发展前景，特别是人脸识别。

Description

图像识别方法及装置

技术领域

本发明涉及图像识别技术领域，特别涉及一种图像识别方法及装置。

背景技术

现有的图像识别被广泛用于各个行业，常用于检测我们期待的目标物，在检测时，以计算机为基础，并在此基础上进行图像处理和检测，在处理时，常通过分析提供的图像，在提供图像中提取需要进行检测的目标物，图像识别技术广泛用于视频、识别、界面图像搜索、监控系统等其他各种领域。然而在这种方法中，由于采用的是非接触式方法进行目标的识别，由于拍摄的环境或者拍摄设备等会导致拍摄的图像发生降质，如模糊、低光照和背光等，但图像降质可通过现有的图像质量评价方法进行筛选识别，而图像内容的降质还无法通过现有的图像质量评价方法进行筛选识别，如算法失败导致图像内容的损坏、人脸识别时人脸角度过大等，同时在对图像内容降质的图像进行筛选识别时，装置无法给出结果，并花费大量的时间对其进行筛选识别，不仅浪费了时间，还降低了装置识别精度的下降，也可能给出错误匹配的结果。

发明内容

基于此，有必要针对上述提到的至少一个问题，提供一种图像识别方法，并相应提供一种图像识别装置。

一种图像识别方法，包括：

从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像；

对所述目标图像进行质量评估；

将所述目标图像进行识别处理以确定目标识别结果。

进一步的，步骤：对所述目标图像进行质量评估，包括：确定所述目标图像的评判值，并判断所述评判值是否满足预设阈值。

进一步的，步骤：对所述目标图像进行质量评估，以确定相应的目标图像评判值，并判断所述评判值是否满足预设阈值中，还包括：

当所述目标图像的所述评判值小于预设阈值时，则退出对当前帧图像的目标物的识别，并进入下一帧图像进行目标物识别；

当所述目标图像的所述评判值不小于预设阈值时，将所述目标图像进行识别处理以确定目标识别结果。

在其中一种实施方式中，步骤:从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像中，还包括：

接收图像，从所述图像中检测目标物，并从所述图像中获取所述目标物所在的目标区域；

依据所述目标区域，获取所述目标区域图像，并提取出所述目标区域图像中的至少一个目标特征信息；

依据所述目标特征信息，对所述目标区域图像进行预处理，获得归一化的目标图像。

进一步的，步骤：接收图像，从所述图像中检测目标物，并从所述图像中获取所述目标物所在的目标区域中，还包括：

对所述图像进行目标物检测，以确定所述图像中存在目标物；

对所述图像进行指定目标特征检测，确定所述图像中的目标区域。

在其中一种实施例中，步骤：从所述图像中获取所述目标物所在的目标区域，包括：以第一目标物模型获从所述图像中获取所述目标物所在的目标区域。

在其中一种实施例中，步骤：对所述目标图像进行质量评估，包括：以第二目标物模型获取所述目标图像的评判值。

进一步的，所述第一目标模型和所述第二目标模型为同一模型，且均是相同的用于检测的Adaboost自适应提升算法分类器。

进一步的，所述目标特征信息包括一个或任意多个所述目标区域内的目标特征的相对位置和/或各特征在所述目标区域内所占的面积。

在其中一种实施例中，步骤：依据所述目标特征信息，对所述目标区域图像进行预处理，获得归一化的所述目标图像中，包括：

依据目标特征信息，对所述目标区域图像进行计算，得到初处理图像；

对所述初处理图像进行尺度归一化处理，获得尺度归一化处理后的所述目标图像；

对尺度归一化处理后的所述目标图像进行光照归一化，获得归一化的所述目标图像。

进一步的，步骤:对所述初处理图像进行尺度归一化处理，获得尺度归一化处理后的所述目标图像中，还包括：

对所述初处理图像后的所述目标图像进行目标特征信息校准，且所述目标特征信息校准包括目标特征信息尺寸的校准和/或角度的校准。

在其中一种实施例中，所述目标图像像素值为预设像素值。

在其中一种实施例中，所述Adaboost采用MB-LBP基于区域的局部二元模式检测并提取图像和所述目标图像中的目标特征信息。

在其中一种实施例中，所述Adaboost分类器以Multiple Branch Tree多叉树作为弱分类器。

一种图像识别装置，包括：

检测模块，用于从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像；

评估模块，用于对所述目标图像进行质量评估；

识别模块，用于将所述目标图像进行识别处理以确定目标识别结果。

本发明提供的一种图像识别方法及装置，与现有技术相比，通过从接收的图像并从中检测出目标物，用以确定目标图像，对确定的目标图像进行质量评估，得到目标图像的一个评判值，将评估值与预设阈值进行对比，在评判值不小于预设阈值时，从而可进行后续识别动作及得到识别结果，在评判值不小于预设阈值时，退出对当前图像的识别，尽快进行对接下来接收的图像进行前述处理过程，可大幅节省处理图像的时间，保证识别的精度，提高识别过程的处理速度。

进一步的，通过本发明的优选实施例方式，可实现具有如下优点：

1、本发明结合计算机视觉进一步对图像处理的过程后，增加了质量评估步骤，该步骤中不仅考虑了图像本身的降质，还考虑了图像内容降质对人脸图像识别的影响，避免因预处理算法导致人脸变形、大角度人脸或非人脸，即避免了错误匹配的情况。

2、通过人为设定阈值评价人脸图像与人脸模型的符合程度，分数越高，则人脸图像越符合人脸特性，分数越低，则越背离人脸特性，以此提高了本案在进行人脸识别上的精度，同时在分数小于预设阈值时，即可退出对当前人脸图像的识别过程，并可尽快进入到对接下来接收的图像处理过程中，从而提高了人脸识别的速度。

3、在人脸检测和人脸质量评估过程中采用了同样的人脸模型，节省了模型的存储空间，不需要在重新构造模型，降低了成本。

4、在人脸模型中，采用了Adaboost训练的模型，不仅使人脸检测步骤中的计算速度更快，且该模型输出的相似分数可反映人脸图像的质量。

附图说明

图1为本发明一实施例中图像识别的原理示意图；

图2为本发明一实施例中人脸模型示意图；

图3为本发明一实施例中MB-LBP特征结构图；

图4为本发明一实施例中图像识别的结构示意图。

具体实施方式

下面详细描述本发明的实施例，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，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

图像识别通常是在一终端对当前拍摄或其他设备传输的图像进行识别，其主要针对图像中的目标物进行识别，在识别前需要对从图像中提取出的目标物进行预处理，避免拍摄设备、拍摄环境及拍摄内容对图像质量的影响，以提高图像识别的精度，特别地，可针对人脸识别，实现监控、查询、安防、人机交互等不同行业以及领域的人脸识别。

在本发明的一个实施例中，如图1所示，提供了一种图像识别方法，具体包括以下步骤：

S100：从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像；

服务器、计算机等任何一种终端设备接收到各种场景的原始图像后，从该原始图像中检测出需要被检测到目标物，即检测该原始图像中是否存在需要被检测到的目标物，检测到目标物存在后，从原始图像中提取出与所述目标物相应的图像，从而获得目标图像，提取目标物方法是基于对同一类型的目标物构造模型，在模型中存在同一类型目标物的不同角度的目标物形态，即目标模型为同一类型目标物不同形态模型的集合，其中目标模型是利用统计学并结合同一类型目标物属性的原理进行分析建立数学模型，在得到的目标图像之前，需要对目标图像进行预处理，以便于后续评估和识别，提高识别的精度，其具体的处理方法是采用Adboost算法训练的分类器进行处理。

具体的，如服务器、计算机等任何一种终端设备接收到各种场景的原始图像后，从该原始图像中检测人脸存在，并从原始图像中分离出人脸图像，从而获得需要用于后续识别的人脸图像，人脸检测根据预先构造的人脸模型进行检测，人脸模型中包括不同脸型和不同角度的人脸型，在得到人脸图像前，需要对人脸图像进行预处理，以便用于后续的评判，使评判精度更高，其中具体人脸检测和人脸图像预处理将在下文进行详述，其具体的处理方法是采用Adboost算法，具体的人脸模型结合了生物统计学的原理进行分析并建立的数学模型。

S200：对所述目标图像进行质量评估；

为了提高对图像识别的的精度和速度，避免花费大量的时间用于识别图像内容降质的图像，基于步骤S100获得的目标图像，对获取到的所述目标图像进行评估，得到一个评判值，将得到的评判值与提前人为设定阈值进行对比，用于判断所述目标图像质量的好与差，评判值越高表示所述目标图像的质量越好，目标图像的评判值越低表示所述目标图像的质量越差，在进行目标图像评估时，同样是将目标图像输入以同一类型目标物构造的目标模型中，且目标模型中同样存在同一类型目标物不同形态的模型，即目标模型为同一类型目标物不同形态模型的集合，目标模型为在统计学的基础上加上目标物的属性进行分析建立的数学模型，且所述目标模型由Adboost算法构造。

具体的，在人脸识别中，通过步骤S100已经获得了目标的人脸图像，将所述人脸图像输入人为提前构造的人脸模型中，在人脸模型中包括了不同的脸型以及不同角度下的人脸型，人脸模型对输入其中的人脸图像给出一个评判值，并将其与预设的阈值进行对比，在人脸图像的评判值小于阈值时，说明该人脸图像与人脸模型的相似程度低，即该人脸图像与人脸模型匹配度较低导致不适合用于人脸识别，或者该人脸图像在获取人脸图像的过程中由于算法失败，导致人脸图像损坏而不适合用于人脸识别，如大角度人脸、人脸变形或则非人脸，或者由于拍摄的图像为变形扭曲、姿态怪异、低光照和模糊等环境和被拍着自身的因素导致的评判值较低不适用用于人脸识别等等；在人脸图像的评判值不小于阈值时，说明该人脸图像的质量适用于人脸识别，，其中目标模型是利用生物统计学的原理进行分析建立数学模型，且具体所述人脸模型由Adboost算法构造。

S300：将所述目标图像进行识别处理以确定目标识别结果。

在步骤S200的基础上，如若所述目标图像的评判值不小于预设阈值时，将该目标图像与其所应用的领域或者场合中预存的同一类型目标物的数据进行对比，并识别目标，从而确定目标的识别结果。

具体的，如在步骤S200的基础上，在人脸的图像的评判值不小于预设的阈值时，则将该人脸图像与存储人脸的大数据中进行对比，获得该人脸的图像的识别结果，如在安防领域，如若被拍摄者的人脸图像的评判值不小于预设值时，则将该人脸图像与预存人脸数据进行对比，获取被拍摄者的人物信息，从而确定该拍摄者是否是被允许进入的人员。

进一步的，步骤：对所述目标图像进行质量评估，包括：确定所述目标图像的评判值，并判断所述评判值是否满足预设阈值。

为了提高对图像识别的的精度和速度，避免花费大量的时间用于识别图像内容降质的图像，基于步骤S100获得的目标图像，对获取到的所述目标图像进行评估，将评判值与预设阈值进行对比，以判断目标图像质量的好与差，具体描述见前文。

进一步的，步骤S200：对所述目标图像进行质量评估，以确定相应的目标图像评判值，并判断所述评判值是否满足预设阈值中，还包括：

S210：当所述目标图像的所述评判值小于预设阈值时，则退出对当前帧图像的目标物的识别，并进入下一帧图像进行目标物识别；

同样在步骤S200的基础上，如若所述目标图像的评判值小于预设阈值时，则不再进行对该图像的识别，进入下一帧图像进行目标物的识别，下一帧图像可以是同一目标物一次连续拍摄的多帧中的按帧顺序的接下来一帧图像，也可以是同一目标物多次拍摄的不同帧中按规律排序的接下来一帧图像，或者是同一类型目标物的一帧图像，以此节约对图像的识别时间，从而提高识别的精度和识别的速度，且进入下一帧图像进行目标物的识别是对下一帧图像进行上述的处理过程，即步骤S100-S300。

具体的，同样在步骤S200的基础上，在人脸的图像的评判值小于预设的阈值时，则不再进行对该图像的识别，退出对当前人脸图像的识别，进而进入下一帧图像进行目标物的识别，下一帧图像可以是同一个被拍摄者一次连续拍摄的多帧中的按帧顺序的接下来一帧图像，或者是同一拍摄者多次拍摄的不同帧中按规律排序的接下来一帧图像，或者是另一拍摄者的一帧图像，从而节约了识别的时间，并避免了低质量人脸图像对识别精度和识别速度的降低。

S220：当所述目标图像的所述评判值不小于预设阈值时，将所述目标图像进行识别处理以确定目标识别结果。

在步骤S200的基础上，如若所述目标图像的评判值不小于预设阈值时，将该目标图像与其所应用的领域或者场合中预存的同一类型目标物的数据进行对比，并识别目标，从而确定目标的识别结果，具体描述见前文。

在其中一种实施方式中，步骤S100:从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像中，还包括：

S110:接收图像，从所述图像中检测目标物，并从所述图像中获取所述目标物所在的目标区域；

如上述由服务器、计算机等任何一种终端设备接收到各种场景的原始图像，并从该原始图像中检测目标物后，从原始图像中提取出目标物的区域，即从原始图像中提取出目标物部分的图像，在检测目标物和提取目标区域都是根据上述提前构造的目标模型进行检测和提取的。

具体的，如上述服务器、计算机等任何一种终端设备接收到各种场景的原始图像，并从该原始图像中检测人脸存在后，从原始图像中提取出人脸区域，即从原始图像中提取出人的脸部分的图像，且检测人脸存在和提取人脸区域是根据上述提前构造的人脸模型进行的。

S120:依据所述目标区域，获取所述目标区域图像，并提取出所述目标区域图像中的至少一个目标特征信息；

根据步骤S110提取出来的目标区域，得到该目标区域的图像，从该目标区域中提取出至少一个用于识别的目标特征信息，目标特征信息为人为设定的可明显识别目标物的特有的目标特征，目标特征信息包括目标特征、目标特征的轮廓、目标特征在目标区域图像中所占的面积及各目标特征的相对位置等。

具体的，如上述人脸识别，在步骤S110的基础上提取出来人脸区域后，得到人脸区域的图像，从人脸图像即为目标区域，从人脸图像中提取出人脸上人为设定的人脸特征信息，人脸特征信息包括眼睛、鼻子、轮廓、嘴唇、眉毛等，以及眼睛、鼻子、轮廓、嘴唇、眉毛等的形状，同时还包括人脸各特征的在人脸区域中所占的面积以及各特征之间的相对位置等，各特征的信息的获取方法主要应用SDM，SDM主要是用于最小化非线性最小二乘函数，用它来进行人脸特征点检测主要是用在目标函数的优化求解上，即对人脸各特征信息的函数进行优化求解。

S130:依据所述目标特征信息，对所述目标区域图像进行预处理，获得归一化的目标图像。

根据步骤S120中提取出来的目标特征信息，即上述的目标特征、目标特征的轮廓、目标特征在目标区域图像中所占的面积及各目标特征的相对位置等，根据目标特征信息对所述目标区域图像进行预处理，预处理包括矫正目标物特征的尺寸、光照以及旋转角度等方面的变化，得到规范化的目标图像，其矫正方法包括缩放公式对目标区域图像进行计算，通过伽马变换、高斯差分滤波和对比度均衡化对图像进行光照预处理等，具体方法在后文进行详述。

具体的，根据步骤S120提取出的人脸目标特征信息，即上述的眼睛、鼻子、轮廓、嘴唇、眉毛等，以及眼睛、鼻子、轮廓、嘴唇、眉毛等的形状，同时还包括人脸各特征的在人脸区域中所占的面积以及各特征之间的相对位置等，根据目标特征信息对人脸区域图像进行预处理，包括矫正眼睛、鼻子、轮廓、嘴唇、眉毛等的尺寸，整个人脸区域图像的光照以及各特征旋转角度整个人脸区域图像旋转角度等方面的变化，得到规范化的正面的人脸图像，其矫正方法包括缩放公式对目标区域图像进行计算，通过伽马变换、高斯差分滤波和对比度均衡化对图像进行光照预处理等，具体方法在后文进行详述。

进一步的，步骤S110：接收图像，从所述图像中检测目标物，并从所述图像中获取所述目标物所在的目标区域中，还包括：

S111：对所述图像进行目标物检测，以确定所述图像中存在目标物；

如上述步骤S100及S110中检测目标物，首先检测原始图像中需要被检测到的目标物，检测到存在目标物，进入后续步骤，具体检测方法采用Adboost算法将在后文进行详述。

具体的，在步骤S100及S110中检测人脸图像，首先检测原始图像图像中需要被检测到的人脸，检测出存在人脸后，进入下一步骤的确定，具体检测方法采用Adboost算法将在后文详述。

S112：对所述图像进行指定目标特征检测，确定所述图像中的目标区域。

在步骤S112采用Adaboost算法检测出目标物，在检测到目标物的基础上，将AdaBoost算法用于目标特征再次进行检测，目标物检测的基本原理与目标特征检测相同。

具体的，在步骤S112采用Adboost算法检测出人脸，在检测到人脸的基础上，将AdaBoost算法用于人眼检测，人眼检测的基本原理与人脸检测相同。

在其中一种实施例中，步骤S100：从所述图像中获取所述目标物所在的目标区域，包括：以第一目标物模型从所述图像中获取所述目标物所在的目标区域。

在步骤S100和S110中简述了在进行目标图像的检测以及目标区域的检测和提取中采用了Adboost算法构造的目标模型，同样在步骤S100和S110中Adboost算法可构造人脸模型用于检测人脸区域并分离出人脸区域。

在其中一种实施例中，步骤S200：对所述目标图像进行质量评估，包括：以第二目标物模型获取所述目标图像的评判值。

步骤S200进行了对目标模型的简述，且说明了由Adboost算法构造，具体在人脸模型中利用生物统计学的原理进行分析建立数学模型也是由Adboost算法构造。

进一步的，所述第一目标模型和所述第二目标模型为同一模型，且均是相同的用于检测的Adaboost自适应提升算法分类器。

AdaBoost是一种迭代算法，其核心思想是把弱分类器集合起来，构造一个更强的分类器。具体方法为：在所有候选弱分类器中，选择一个弱分类器，该弱分类使得分类误差函数最小。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它的权重就被降低；相反，如果某个样本点没有被准确地分类，那么它的权重就得到提高。然后，权重更新过的样本集被用于训练下一个弱分类器，整个训练过程如此迭代地进行下去。

误差函数可定义为：

其中N为样本数量，为样本的权重，样本标签，为弱分类器，为样本特征。最终强分类器定义为：

当强分类器在测试样本集的检测率和准确率达到给定阈值时，或者所有弱分类器都已被使用，则训练停止。强分类器F(x)是区别目标物和背景的分数，也作为目标物与目标模型的相似度分数，具体的，强分类器F(x)是区别人脸和背景的分数，也作为图像与人脸的相似度分数。

具体的，在经过人脸检测、人脸目标特征信息提取和人脸图像矫正后，人脸图像进入到人脸质量评估步骤S200。在进行人脸图像质量评估时直接使用人脸检测训练的模型，将Adaboost输出的分数作为图像与人脸模型的相似分数。如图2所述流程，预设人脸图像可用于识别的阈值A为450时，人脸图像的质量评判值B＜A时，则认为人脸图像不满足后续人脸识别的要求，而当人脸图像的质量评判值B≥A时，则认为人脸图像满足后续人脸识别的要求，人脸图像进入后续识别步骤，如步骤S300，其中450为实验得到的结果，在此结果下，可去除尽可能多的低质，并保留清晰的人脸图像。

进一步的，所述目标特征信息包括一个或任意多个所述目标区域内的目标特征的相对位置和/或各特征在所述目标区域内所占的面积。

在步骤S130中简述了目标特征信息，其中目标特征具体包括一个或任意多个所述目标区域内的目标特征，其主要在于在目标物的目标区域由于拍摄不完整或者在提取目标特征信息之前由于算法原因导致图像内容的损坏，从而导致在目标区域内并不包括所有目标特征，从而导致在提取目标特征信息时，只能获取部分目标特征的信息，其中目标特征信息包括目标特征在目标区域内的相对位置及各特征在所述目标区域内所占的面积，更具体的，还包括目标特征的形状、尺寸。

具体的，如在步骤S130中简述的人脸识别，在步骤S120的基础上从人脸区域内提取目标特征信息，即步骤S120中叙述的眼睛、鼻子、轮廓、嘴唇、眉毛等，以及眼睛、鼻子、轮廓、嘴唇、眉毛等的形状的信息，还包括人脸各特征的在人脸区域中所占的面积以及各特征之间的相对位置等信息，用于后续步骤的计算以及矫正。

在其中一种实施例中，步骤S130：依据所述目标特征信息，对所述目标区域图像进行预处理，获得归一化的所述目标图像中，包括：

S131：依据目标特征信息，对所述目标区域图像进行计算，得到初处理图像；

根据目标特征信息，对目标区域图像进行计算，从而获得预设规范化范围内的初处理目标图像，由于常规的识别的图像都有设定一范围，仅图像的大小在设定的范围内才能进行对目标物的识别，如原始图像较大，可根据缩放公式等对目标区域的图像以及目标特征进行计算，使目标特征形状、尺寸及所在所述目标区域内占面积按比例进行缩放，得到规范化尺寸范围内的目标图像，以便于质量评估以及后续识别。直接根据缩放公式计算得到的目标图像中，某些映射源坐标可能不是整数，从而找不到对应的像素位置，因此需要进一步进行近似处理。近似处理方法主要有：最邻近插值、双线性插值、高阶插值、lagrange插值、Newton插值等。具体的，在人脸识别时，根据从人脸区域中提取的前文所述的目标特征信息，对人脸区域图像进行计算，根据前述缩放公式等对人脸区域的图像以及目标特征进行计算，使目标特征眼睛、鼻子、轮廓、嘴唇、眉毛等形状、尺寸及所在所述目标区域内占面积按比例进行缩放，得到规范化尺寸范围内的目标图像，以便于质量评估以及后续识别。

S132：对所述初处理图像进行尺度归一化处理，获得尺度归一化处理后的所述目标图像；

对初处理图像进行尺度归一化处理，即对目标区域内的目标特征进行角度和尺寸的再次校准，其中角度的校准包括绕原点旋转、以任意点为中心进行图像旋转，对于初处理图像旋转后可能导致图像的像素增加，图像变大，超出了规定的用于识别的图像的范围，从而需要对图像进行剪切，使目标图像的大小在设定的范围内。具体的，如前述人脸通过计算得到规范化尺寸范围内的目标图像，然后人脸图像的角度不在规范化的范围内，需要对人脸图像的角度进行旋转矫正，使人脸图像的角度保持在规范化的范围内，便于后续的识别，具体旋转可以绕原点旋转，也可以以任意点为中心进行图像旋转。

S133：对尺度归一化处理后的所述目标图像进行光照归一化，获得归一化的所述目标图像。

获得尺度归一化的目标图像后，由于拍摄环境以及中间处理过程等导致目标图像低光照、对比度等进行光照归一化处理，使目标图像的光照情况变得便于识别，光照的归一化处理包括伽马变换、高斯差分滤波和对比度均衡化，伽马变换校正是一种灰度范围内的非线性变换，通过改变不同的参数伽马将原图像灰度进行变换，从而有效的增强图像中低光区域的灰度范围，并且相的压缩高光区域的灰度范围，进而控制图像的整体亮度。其基本原理是根据物体对象的反射光强是由入射光强和表面反射系数所决定的，反射系数包含对象的结构信息，因此可以对图像进行对数变换来获得独立于光照的对象结构信息。高斯差分滤波能够获得带通滤波的效果，它类似于高斯函数的二次微分，使用中心区与周边区的两个高斯函数响应之差获得高斯平滑化以及对平滑化后的结果进行二次微分处理，从而实现图像边缘检测与定位功能，高斯差分滤波可以消除或减少噪声给图像带来的失真和降质，以改善图像的质量从而提高人脸识别的正确率，对比度均衡化目的是对整个图像的灰度级重新进行调节，使图像整体对比度和亮度变化趋于一种标准化。

具体的，人脸图像信息容易受到光源的颜色，图像采集设备的色彩偏差的影响，使其在色彩上偏离本质色彩，造成图像色彩的偏暖、偏冷、偏蓝、偏黄等，并且在计算机存储、传输、处理的过程往往也会产生色彩失真，这些因素使得图像的灰度值及其对比度发生很大的变化。这些变化往往会影响人脸识别的效果，因此在人脸预处理阶段要进行有效的光照归一化。前述人脸图像进过尺度归一化后，对人脸图像进行光照归一化的伽马变换、高斯差分滤波和对比度均衡化降低前述光源的颜色，图像采集设备的色彩偏差的影响的影响，从而获得必要的人脸识别所必要的视觉因素。

进一步的，步骤S132:对所述初处理图像进行尺度归一化处理，获得尺度归一化处理后的所述目标图像中，还包括：

步骤S1321:对所述初处理图像后的所述目标图像进行目标特征信息校准，且所述目标特征信息校准包括目标特征信息尺寸的校准和角度的校准。

在本步骤中对目标图像矫正主要包括对目标特征信息的尺寸和角度矫正，使目标图像为规范化范围内的“标准图像”，如前述人脸图像的人脸正面的人脸图像。具体的实现方法参照前述方法流程，此处不再赘述。

在其中一种实施例中，所述目标图像像素值为预设像素值。

为了便于计算以及识别，在归一化的处理过程中，如步骤S131、S132、S133将目标图像的像素值进行预设，所述目标图像像素值可以为一定值，也可以为一像素值范围，如前述人脸图像的像素值经过步骤S131、S132、S133后，将其像素值调整到预设像素值范围内或者预设的像素定值。

在其中一种实施例中，所述Adaboost采用MB-LBP基于区域的局部二元模式检测并提取图像和所述目标图像中的目标特征信息。

在本实施例中采用MB-LBP特征作为弱分类器的输入。MB-LBP是3x3的网格区域，它可以放置在图像的任何位置。MB-LBP的结构可由图3所示。

MB-LBP计算网格内每个区域像素的平均值，并将周围网格像素的平均值与中心网格像素平均值进行比较，比较结果使用二进制编码。则每个MB-LBP是一个0到255之间的数字：

在其中一种实施例中，所述Adaboost分类器以Multiple Branch Tree多叉树作为弱分类器。

由于MB-LBP特征是不可度量的，使用Multi-Branch Tree作为弱分类器。Multi-Branch Tree定义为

其中，x^k是MB-LBP特征值，a_j(j＝0,…,255)是分类器参数。分类器参数通过如下公式所得：

其中是样本i的权重,是样本i的MB-LBP特征值,是样本i的标签.

一种图像识别装置，如图4所示包括：

S10：检测模块，用于从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像；

S20：评估模块，用于对所述目标图像进行质量评估；

S30：识别模块，用于将所述目标图像进行识别处理以确定目标识别结果。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种图像识别方法，其特征在于，包括：

从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像；

对所述目标图像进行质量评估；

将所述目标图像进行识别处理以确定目标识别结果。

2.根据权利要求1所述的图像识别方法，其特征在于，步骤：对所述目标图像进行质量评估，包括：确定所述目标图像的评判值，并判断所述评判值是否满足预设阈值。

3.根据权利要求2所述的图像识别方法，其特征在于，步骤：对所述目标图像进行质量评估，以确定相应的目标图像评判值，并判断所述评判值是否满足预设阈值中，还包括：

当所述目标图像的所述评判值小于预设阈值时，则退出对当前帧图像的目标物的识别，并进入下一帧图像进行目标物识别；

当所述目标图像的所述评判值不小于预设阈值时，将所述目标图像进行识别处理以确定目标识别结果。

4.根据权利要求1、2或3所述的图像识别方法，其特征在于，步骤：从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像中，还包括：

接收图像，从所述图像中检测目标物，并从所述图像中获取所述目标物所在的目标区域；

依据所述目标区域，获取所述目标区域图像，并提取出所述目标区域图像中的至少一个目标特征信息；

依据所述目标特征信息，对所述目标区域图像进行预处理，获得归一化的目标图像。

5.根据权利要求4所述的图像识别方法，其特征在于，步骤：接收图像，从所述图像中检测目标物，并从所述图像中获取所述目标物所在的目标区域中，还包括：

对所述图像进行目标物检测，以确定所述图像中存在目标物；

对所述图像进行指定目标特征检测，确定所述图像中的目标区域。

6.根据权利要求4所述的图像识别方法，其特征在于，步骤：从所述图像中获取所述目标物所在的目标区域，包括：

以第一目标物模型从所述图像中获取所述目标物所在的目标区域。

7.根据权利要求1所述的图像识别方法，其特征在于，步骤：对所述目标图像进行质量评估，包括：

以第二目标物模型获取所述目标图像的评判值。

8.根据权利要求6或7所述的图像识别方法，其特征在于，所述第一目标模型和所述第二目标模型为同一模型，且均是相同的用于检测的Adaboost自适应提升算法分类器。

9.根据权利要求4所述的图像识别方法，其特征在于，所述目标特征信息包括一个或任意多个所述目标区域内的目标特征的相对位置和/或各特征在所述目标区域内所占的面积。

10.根据权利要求4所述的图像识别方法，其特征在于，步骤：依据所述目标特征信息，对所述目标区域图像进行预处理，获得归一化的所述目标图像中，包括：

依据目标特征信息，对所述目标区域图像进行计算，得到初处理图像；

对所述初处理图像进行尺度归一化处理，获得尺度归一化处理后的所述目标图像；

对尺度归一化处理后的所述目标图像进行光照归一化，获得归一化的所述目标图像。

11.根据权利要求10所述的图像识别方法，其特征在于，步骤:对所述初处理图像进行尺度归一化处理，获得尺度归一化处理后的所述目标图像中，还包括：

对所述初处理图像后的所述目标图像进行目标特征信息校准，且所述目标特征信息校准包括目标特征信息尺寸的校准和/或角度的校准。

12.根据权利要求1所述的图像识别方法，其特征在于，所述目标图像像素值为预设像素值。

13.根据权利要求8所述的图像识别方法，其特征在于，所述Adaboost采用MB-LBP基于区域的局部二元模式检测并提取图像和所述目标图像中的目标特征信息。

14.根据权利要求8所述的图像识别方法，其特征在于，所述Adaboost分类器以Multiple Branch Tree多叉树作为弱分类器。

15.一种图像识别装置，其特征在于，包括：

检测模块，用于从接收到的图像中检测目标物，并从所述图像中确定与所述目标物相应的目标图像；

评估模块，用于对所述目标图像进行质量评估；

识别模块，用于将所述目标图像进行识别处理以确定目标识别结果。