一種人臉識別方法及裝置製造方法
2023-08-07 21:18:06
一種人臉識別方法及裝置製造方法
【專利摘要】本申請公開了一種人臉識別方法及裝置，所述方法包括獲取待測人臉圖像中每個像素點的梯度數據，依據梯度數據中的梯度幅度值，獲取每個像素點的鄰域內每個梯度方向值對應的累加幅度值；依據每個累加幅度值，獲取待測人臉圖像在每個梯度方向值上各自對應的累加幅度圖；依據累加幅度圖，獲取待測人臉圖像的紋理匹配特徵；對紋理匹配特徵進行分類，得到待測人臉圖像的人臉類別信息。相對於現有方案中僅將局部方向信息作為識別計算基礎導致人臉識別準確率低的情況，本申請提取的定向幅值特徵充分通過像素點在不同梯度方向上的幅度值與周圍鄰域幅度值進行計算獲得，進而進行人臉識別得到人臉類別信息，提高了人臉識別的準確率。
【專利說明】一種人臉識別方法及裝置
【技術領域】
[0001]本申請涉及計算機應用【技術領域】，特別涉及一種人臉識別方法及裝置。
【背景技術】
[0002]人臉識別是指，對待測圖片中的人臉進行識別得到該人臉類別或標識，即為，通過將待測圖片的人臉圖像與具有已知人臉類別或標識的目標人臉圖像進行特徵匹配，得到待測人臉圖像的類別或標識。
[0003]目前，常見的基於梯度信息的人臉識別方法，主要是基於HOG(梯度直方圖)的人臉識別方法，即為:將待測人臉圖像分成無重疊的若干個網格Block，每個Block分成若干個小塊Cell，然後在每個Block上以Cell為單位計算梯度方向和幅值，在每個Block內再對每一個Cell統計梯度方向直方圖,然後將Block內各Cell的直方圖連成一個向量,再對每一個塊的直方圖向量進行歸一化，之後，將所有歸一化後的直方圖向量串聯用於表示人臉HOG特徵，進而測量不同人臉特徵間的距離，並用最近鄰分類器識別人臉，最終得到待測人臉的類別信息。
[0004]但是，上述基於HOG的方案中僅僅將局部的方向信息作為識別計算基礎，且用於匹配分類的HOG特徵僅僅是對局部區域內分布在不同方向上像素點個數的簡單統計，因此，該方案進行人臉識別的準確率較低。
【發明內容】
[0005]本申請所要解決的技術問題是提供一種人臉識別方法及裝置，用以解決現有技術中基於HOG的人臉識別方案中，僅將局部的方向信息作為識別計算基礎，且其進行匹配分類的HOG特徵僅僅是對局部區域內分布在不同方向上像素點個數的簡單統計，使得該方案進行人臉識別準確率較低的技術問題。
[0006]本申請提供了一種人臉識別方法，包括:
[0007]獲取待測人臉圖像中每個像素點的梯度數據，所述梯度數據包括梯度方向值和梯度幅度值；
[0008]依據所述梯度幅度值，獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值；
[0009]依據每個所述累加幅度值，獲取所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖；
[0010]依據所述累加幅度圖，獲取所述待測人臉圖像的紋理匹配特徵；
[0011]對所述紋理匹配特徵進行分類，得到所述待測人臉圖像的人臉類別信息。
[0012]上述方法，優選的，在所述獲取待測人臉圖像中每個像素點的梯度數據之後，在所述獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值之前，所述方法還包括:
[0013]對每個所述像素點的梯度方向值進行N區間的量化操作，得到每個所述像素點的梯度方向值對應的方向量化區間值，其中，N大於或等於2 ；
[0014]其中，所述依據所述梯度幅度值，獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值，包括:
[0015]在每個所述像素點的鄰域內，對具有相同方向量化區間值的像素點的梯度幅度值進行累加，得到每個所述像素點的鄰域內N個所述方向量化區間值各自對應的累加幅度值。
[0016]上述方法，優選的，所述依據每個所述累加幅度值，獲取所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖，包括:
[0017]在所述待測人臉圖像中，對每個所述像素點對應的N個累加幅度值依據其各自的方向量化區間值進行分解；
[0018]將同一方向量化區間值對應的每個所述像素點的累加幅度值進行組合，得到每個所述方向量化區間值各自對應的累加幅度圖。
[0019]上述方法，優選的，所述依據所述累加幅度圖，獲取所述待測人臉圖像的紋理匹配特徵，包括:
[0020]利用局部二值模式LBP，獲取每幅所述累加幅度圖各自對應的LBP紋理圖；
[0021]分別對每幅所述LBP紋理圖進行特徵提取操作，生成所述待測人臉圖像的紋理匹配特徵。
[0022]上述方法，優選的，所述分別對每幅所述LBP紋理圖進行特徵提取操作，生成所述待測人臉圖像的紋理匹配特徵，包括:
[0023]分別將每幅所述LBP紋理圖劃分為至少一個紋理圖塊；
[0024]提取每個所述紋理圖塊的直方圖特徵；
[0025]將每個所述紋理圖塊對應的直方圖特徵進行串聯組合，得到所述待測人臉圖像的紋理匹配特徵。
[0026]本申請還提供了一種人臉識別裝置，包括:
[0027]梯度數據獲取單元，用於獲取待測人臉圖像中每個像素點的梯度數據，所述梯度數據包括梯度方向值和梯度幅度值；
[0028]累加幅度值獲取單元，用於依據所述梯度幅度值，獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值；
[0029]累加幅度圖獲取單元，用於依據每個所述累加幅度值，獲取所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖；
[0030]匹配特徵獲取單元，用於依據所述累加幅度圖，獲取所述待測人臉圖像的紋理匹配特徵；
[0031]類別信息獲取單元，用於對所述紋理匹配特徵進行分類，得到所述待測人臉圖像的人臉類別信息。
[0032]上述裝置，優選的，還包括:
[0033]梯度方向量化單元，用於在所述梯度數據獲取單元獲取待測人臉圖像中每個像素點的梯度數據之後，在所述累加幅度值獲取單元獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值之前，對每個所述像素點的梯度方向值進行N區間的量化操作，得到每個所述像素點的梯度方向值對應的方向量化區間值，其中，N大於或等於2 ；[0034]其中，所述累加幅度值獲取單元具體用於:
[0035]對每個所述像素點的鄰域內，對具有相同方向量化區間值的像素點的梯度幅度值進行累加，得到每個所述像素點的鄰域內N個所述方向量化區間值各自對應的累加幅度值。
[0036]上述裝置，優選的，所述累加幅度圖獲取單元，包括:
[0037]累加幅度值分解子單元，用於在所述待測人臉圖像中，對每個所述像素點對應的N個累加幅度值依據其各自的方向量化區間值進行分解；
[0038]累加幅度圖組合子單元，用於將同一方向量化區間值對應的每個所述像素點的累加幅度值進行組合，得到每個所述方向量化區間值各自對應的累加幅度圖。
[0039]上述裝置，優選的，所述匹配特徵獲取單元，包括:
[0040]紋理圖獲取子單元，用於利用局部二值模式LBP，獲取每幅所述累加幅度圖各自對應的LBP紋理圖；
[0041]紋理圖操作獲取子單元，用於分別對每幅所述LBP紋理圖進行特徵提取操作，生成所述待測人臉圖像的紋理匹配特徵。
[0042]上述裝置，優選的，所述紋理圖操作獲取子單元，包括:
[0043]紋理圖分塊模塊，用於分別將每幅所述LBP紋理圖劃分為至少一個紋理圖塊；
[0044]特徵提取模塊，用於提取每個所述紋理圖塊的直方圖特徵；
[0045]特徵組合模塊，用於將每個所述紋理圖塊對應的直方圖特徵進行串聯組合，得到所述待測人臉圖像的紋理匹配特徵。
[0046]由上述方案可知，本申請提供的一種人臉識別方法及裝置，通過獲取待測人臉圖像中每個像素點的梯度方向值和梯度幅度值，在利用梯度方向值和梯度幅度值獲取待測人臉圖像中每個像素點鄰域內每個梯度方向值對應的累加幅度值，進而獲取到所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖，進而獲取到待測人臉圖像的紋理匹配特徵，從而對紋理匹配特徵進行分類，得到人臉類別信息。相對於現有的HOG方案中僅將局部方向信息作為識別計算基礎，且用於匹配分類的HOG特徵僅僅是對局部區域內分布在不同方向上像素點個數的簡單統計，導致人臉識別準確率低的情況，本申請提取的定向幅值特徵充分通過像素點在不同梯度方向上的幅度值與周圍鄰域幅度值進行計算獲得，進而進行人臉圖像的識別，得到人臉類別信息，提高了人臉識別的準確率。
【專利附圖】
【附圖說明】
[0047]為了更清楚地說明本申請實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
[0048]圖1為本申請提供的一種人臉識別方法實施例一的流程圖；
[0049]圖2為本申請實施例一的應用示例圖；
[0050]圖3為本申請提供的一種人臉識別方法實施例二的流程圖；
[0051]圖4為本申請實施例二的應用示例圖；
[0052]圖5為本申請提供的一種人臉識別方法實施例二的部分流程圖；[0053]圖6為本申請提供的一種人臉識別方法實施例三的部分流程圖；
[0054]圖7為本申請的應用流程圖；
[0055]圖8為本申請提供的一種人臉識別裝置實施例四的結構示意圖；
[0056]圖9為本申請提供的一種人臉識別裝置實施例五的結構示意圖；
[0057]圖10為本申請提供的一種人臉識別裝置實施例五的部分結構示意圖；
[0058]圖11為本申請提供的一種人臉識別裝置實施例六的部分結構示意圖；
[0059]圖12為本申請實施例六的另一部分結構示意圖。
【具體實施方式】[0060]下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基於本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本申請保護的範圍。
[0061]目前，大多數識別效果較好的人臉識別系統均需要在識別前對待測人臉圖像進行各種預處理操作，例如，需要首先對待測人臉圖像進行各種形式的濾波處理，然後進行特徵提取，或者需要預先對提取特徵進行進一步學習，但是，對圖像進行濾波處理時不僅會增加系統的計算複雜度，同時會使得系統識別速度較慢，效率較低，而基於學習的人臉識別方案中，往往需要大量的訓練數據且最終的識別結果往往依賴於訓練數據的分布情況，因而子實際應用中往往遇到推廣型的問題。
[0062]如前文【背景技術】部分所提及，利用梯度信息進行人臉識別的方法如鯽魚HOG的人臉識別方法僅考慮了圖像的局部梯度直方圖信息，因而識別準確率較低，識別效果不夠理
本巨
ο
[0063]以下為基於HOG的人臉識別方案的具體實現步驟:
[0064]1、將人臉分成無重疊的若干個網格，此時的每個網格稱為Block。
[0065]2、將每個Block分成若干個小塊，每一個小塊稱為一個Ce 11,之後在每個Block上以Cell為單位計算梯度方向和幅值。其中，為了避免邊緣問題，實際做法往往是先對整個人臉求一次梯度方向和幅值。
[0066]3、在每個Block內對每一個Cell統計梯度方向直方圖。需要說明的是，HOG算法中沒有計算高斯加權範圍，因而Cell內相同的梯度幅值都按照權值為I相加。之後，將Block內各Cell的直方圖連成一個向量。
[0067]4、對每一個塊的直方圖向量進行歸一化。
[0068]5、將所有歸一化後的直方圖向量串聯用於表不人臉HOG特徵。
[0069]6、測量不同人臉特徵間的距離，並用最近鄰分類器識別人臉。
[0070]上述基於HOG的方案僅僅考慮了局部的梯度方向信息，而並未對梯度的幅度信息加以利用計算，而且用於匹配分類的HOG特徵僅僅是對局部區域內分布在不同方向區間的像素點個數的簡單統計，忽略了像素點的幅度或與其周圍鄰域內像素點的幅度或方向之間的聯繫，因而基於HOG特徵的人臉識別方案對人臉的區分能力有限，準確率較低。
[0071]參考圖1，為本申請提供的一種人臉識別方法實施例一的流程圖，所述方法可以包括以下步驟:[0072]步驟101 :獲取待測人臉圖像中每個像素點的梯度數據。
[0073]其中，所述梯度數據包括其所屬像素點的梯度方向值和梯度幅度值。所述待測人臉圖像中每個像素點的梯度方向值組成該待測人臉圖像的梯度方向圖，每個所述像素點的梯度幅度值組成該待測人臉圖像的梯度幅度圖。
[0074]在具體實現中，所述步驟101可以通過以下方式具體實現：
[0075]利用以下公式（I)獲取待測人臉圖像中每個所述像素點的梯度方向值，井利用以
下公式（2)獲取待測人臉圖像中每個所述像素點的梯度幅度值。
[0076]
【權利要求】
1.一種人臉識別方法，其特徵在於，包括: 獲取待測人臉圖像中每個像素點的梯度數據，所述梯度數據包括梯度方向值和梯度幅度值； 依據所述梯度幅度值，獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值； 依據每個所述累加幅度值，獲取所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖； 依據所述累加幅度圖，獲取所述待測人臉圖像的紋理匹配特徵； 對所述紋理匹配特徵進行分類，得到所述待測人臉圖像的人臉類別信息。
2.根據權利要求1所述的方法，其特徵在於，在所述獲取待測人臉圖像中每個像素點的梯度數據之後，在所述獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值之前，所述方法還包括: 對每個所述像素點的梯度方向值進行N區間的量化操作，得到每個所述像素點的梯度方向值對應的方向量化區間值，其中，N大於或等於2 ; 其中，所述依據所述梯度幅度值，獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值，包括: 在每個所述像素點 的鄰域內，對具有相同方向量化區間值的像素點的梯度幅度值進行累加，得到每個所述像素點的鄰域內N個所述方向量化區間值各自對應的累加幅度值。
3.根據權利要求2所述的方法，其特徵在於，所述依據每個所述累加幅度值，獲取所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖，包括: 在所述待測人臉圖像中，對每個所述像素點對應的N個累加幅度值依據其各自的方向量化區間值進行分解； 將同一方向量化區間值對應的每個所述像素點的累加幅度值進行組合，得到每個所述方向量化區間值各自對應的累加幅度圖。
4.根據權利要求1或3所述的方法，其特徵在於，所述依據所述累加幅度圖，獲取所述待測人臉圖像的紋理匹配特徵，包括: 利用局部二值模式LBP，獲取每幅所述累加幅度圖各自對應的LBP紋理圖； 分別對每幅所述LBP紋理圖進行特徵提取操作，生成所述待測人臉圖像的紋理匹配特徵。
5.根據權利要求4所述的方法，其特徵在於，所述分別對每幅所述LBP紋理圖進行特徵提取操作，生成所述待測人臉圖像的紋理匹配特徵，包括: 分別將每幅所述LBP紋理圖劃分為至少一個紋理圖塊； 提取每個所述紋理圖塊的直方圖特徵； 將每個所述紋理圖塊對應的直方圖特徵進行串聯組合，得到所述待測人臉圖像的紋理匹配特徵。
6.一種人臉識別裝置，其特徵在於，包括: 梯度數據獲取單元，用於獲取待測人臉圖像中每個像素點的梯度數據，所述梯度數據包括梯度方向值和梯度幅度值； 累加幅度值獲取單元，用於依據所述梯度幅度值，獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值； 累加幅度圖獲取單元，用於依據每個所述累加幅度值，獲取所述待測人臉圖像在每個所述梯度方向值上各自對應的累加幅度圖； 匹配特徵獲取單元，用於依據所述累加幅度圖，獲取所述待測人臉圖像的紋理匹配特徵； 類別信息獲取單元，用於對所述紋理匹配特徵進行分類，得到所述待測人臉圖像的人臉類別信息。
7.根據權利要求6所述的裝置，其特徵在於，還包括: 梯度方向量化單元，用於在所述梯度數據獲取單元獲取待測人臉圖像中每個像素點的梯度數據之後，在所述累加幅度值獲取單元獲取每個所述像素點的鄰域內每個所述梯度方向值對應的累加幅度值之前，對每個所述像素點的梯度方向值進行N區間的量化操作，得到每個所述像素點的梯度方向值對應的方向量化區間值，其中，N大於或等於2 ； 其中，所述累加幅度值獲取單元具體用於: 對每個所述像素點的鄰域內，對具有相同方向量化區間值的像素點的梯度幅度值進行累加，得到每個所述像素點的鄰域內N個所述方向量化區間值各自對應的累加幅度值。
8.根據權利要求7所述的裝置，其特徵在於，所述累加幅度圖獲取單元，包括: 累加幅度值分解子單元，用於在所述待測人臉圖像中，對每個所述像素點對應的N個累加幅度值依據其各自的方向量化區間值進行分解； 累加幅度圖組合子單元，用於將同一方向量化區間值對應的每個所述像素點的累加幅度值進行組合，得到每個所述方向量化區間值各自對應的累加幅度圖。
9.根據權利要求6或8所述的裝置，其特徵在於，所述匹配特徵獲取單元，包括: 紋理圖獲取子單元，用於利用局部二值模式LBP，獲取每幅所述累加幅度圖各自對應的LBP紋理圖； 紋理圖操作獲取子單元，用於分別對每幅所述LBP紋理圖進行特徵提取操作，生成所述待測人臉圖像的紋理匹配特徵。
10.根據權利要求9所述的裝置，其特徵在於，所述紋理圖操作獲取子單元，包括: 紋理圖分塊模塊，用於分別將每幅所述LBP紋理圖劃分為至少一個紋理圖塊； 特徵提取模塊，用於提取每個所述紋理圖塊的直方圖特徵； 特徵組合模塊，用於將每個所述紋理圖塊對應的直方圖特徵進行串聯組合，得到所述待測人臉圖像的紋理匹配特徵。
【文檔編號】G06K9/46GK103544488SQ201310551496
【公開日】2014年1月29日 申請日期:2013年11月7日 優先權日:2013年11月7日
【發明者】吳希賢 申請人:湖南創合製造有限公司