CN108564019A - 一种人脸识别方法及系统 - Google Patents

Abstract

本发明公开一种人脸识别方法及系统，所述方法包括：获取待处理图像；对所述待处理图像进行预处理，得到预处理图像；对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；采用统计boosting创建多个分类器节点；采用各所述分类器节点对所述待识别图像进行人脸识别。本发明的人脸识别方法通过图像预处理，具有识别准确，识别快速，对人脸有较高的还原度，无需身体接触就可完成人脸的识别扫描系统。

Description

一种人脸识别方法及系统

技术领域

本发明涉及人脸识别领域，特别是涉及一种人脸识别方法及系统。

背景技术

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流.首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

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。

现代的生物识别技术已经达到了一定的高度，人们追求更复杂环境中的识别效果，而目前的人脸识别系统无法充分满足人们的这一需求。

发明内容

本发明的目的是提供一种人脸识别方法及系统，用来提高人脸识别的精度。

为实现上述目的，本发明提供了如下方案：

一种人脸识别方法，所述方法包括：

获取待处理图像；

对所述待处理图像进行预处理，得到预处理图像；

对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；

对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；

采用统计boosting创建多个分类器节点；

采用各所述分类器节点对所述待识别图像进行人脸识别。

可选的，所述采用各所述分类器节点对所述待识别图像进行人脸识别，具体包括：

将各所述述分类器节点按分辨率从小到大分为：第一分类器节点、第二分类器节点，...；

采用所述第一分类器节点对待识别图像进行人脸识别，得到判断结果；

若所述判断结果表示所述待识别图像包括人脸信息，采用所述第二分类器节点对所述待识别图像进行人脸识别，依次类推，直到最后一个分类器节点判断所述待识别图像包括人脸信息，确定所述待处理图像为人脸图像。

可选的，所述预处理包括：数字化、几何变换、归一化、平滑、复原和增强中的至少一种。

可选的，所述归一化包括：灰度归一化、几何归一化和变换归一化中的至少一种。

可选的，所述平滑包括：中值法、局部求平均法和k线近邻平均法中的至少一种。

可选的，所述增强包括：反差展宽、对数变换、密度分层和直方图中的至少一种。

可选的，所述几何变换为用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。

一种人脸识别系统，所述系统包括：

待处理图像获取模块，用于获取待处理图像；

预处理模块，用于对所述待处理图像进行预处理，得到预处理图像；

均衡化并归一化模块，用于对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；

阈值化处理模块，用于对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；

分类器节点创建模块，用于采用统计boosting创建多个分类器节点；

人脸识别模块，用于采用各所述分类器节点对所述待识别图像进行人脸识别。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明的人脸识别方法通过图像预处理，具有识别准确，识别快速，对人脸有较高的还原度，无需身体接触就可完成人脸的识别扫描系统。

附图说明

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明人脸识别方法的流程图；

图2为本发明人脸识别系统的结构连接图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种人脸识别方法及系统，用来提高人脸识别的精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供了一种人脸识别方法，图1为本发明人脸识别方法的流程图，如图1所示，所述方法包括：

步骤11：获取待处理图像；

步骤12：对所述待处理图像进行预处理，得到预处理图像。

所述预处理包括：数字化、几何变换、归一化、平滑、复原和增强中的至少一种。

所述归一化包括：灰度归一化、几何归一化和变换归一化中的至少一种。

所述平滑包括：中值法、局部求平均法和k线近邻平均法中的至少一种。

所述增强包括：反差展宽、对数变换、密度分层和直方图中的至少一种。

所述几何变换为用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。

步骤13：对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；

步骤14：对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；

步骤15：采用统计boosting创建多个分类器节点；

步骤16：采用各所述分类器节点对所述待识别图像进行人脸识别，具体包括：

将各所述述分类器节点按分辨率从小到大分为：第一分类器节点、第二分类器节点，...；

采用所述第一分类器节点对待识别图像进行人脸识别，得到判断结果；

若所述判断结果表示所述待识别图像包括人脸信息，采用所述第二分类器节点对所述待识别图像进行人脸识别，依次类推，直到最后一个分类器节点判断所述待识别图像包括人脸信息，确定所述待处理图像为人脸图像。

图像识别中，图像质量的好坏直接影响识别算法的设计与效果精准度，那么除了能在算法上的优化外，预处理技术在整个项目中占有很重要的因素，然而人们往往忽略这一点。

图像预处理，将每一个文字图像信息分检出来交给识别模块识别，这一过程称为图像预处理。

图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。

滤波：滤波(Wave fi ltering)是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施。(注:均值、中值、高斯滤波在一定程度上会影响图像的清晰度，一般都是有明显的噪点时才进行滤波处理。)

图像的归一化和直方图有相似性，在一定程度上可以将图像理解为0-255的像素值变为0-1之间，缩小了其分配距离。(注：在目标与背景灰度差别较大时用较好，否则会出现粘连导致无法分割。)

图像的平滑(滤波)是对图像灰度跳变的一种抑制，图像的锐化则相反，它是对图像的灰度跳变部分的一种增强，突出图像的细节变化信息。(注：平滑和锐化都属于滤波，都用同一个函数，都是先建立个滤波器，但区别在于选择的方式算子不同)。锐化往往也“增强”了噪声，可以将图像锐化和平滑结合使用，若图像本身就有很明显的噪声，可先平滑再锐化，若图像锐化后有了噪声，可再进一步去进行平滑处理。

数字化：一幅原始照片的灰度值是空间变量(位置的连续值)的连续函数。在M×N点阵上对照片灰度采样并加以量化(归为2b个灰度等级之一)，可以得到计算机能够处理的数字图像。为了使数字图像能重建原来的图像,对M、N和b值的大小就有一定的要求。在接收装置的空间和灰度分辨能力范围内,M、N和b的数值越大,重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期的一半时，重建图像的频谱等于原始图像的频谱，因此重建图像与原始图像可以完全相同。由于M、N和b三者的乘积决定一幅图像在计算机中的存储量，因此在存储量一定的条件下需要根据图像的不同性质选择合适的M、N和b值，以获取最好的处理效果。

几何变换：用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。对于卫星图像的系统误差，如地球自转、扫描镜速度和地图投影等因素所造成的畸变可以用模型表示，并通过几何变换来消除。随机误差如飞行器姿态和高度变化引起的误差，难以用模型表示出来，所以一般是在系统误差被纠正后，通过把被观测的图与已知正确几何位置的图相比较，用图中一定数量的地面控制点解双变量多项式函数组而达到变换的目的。

归一化：使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。图像的某些性质，例如物体的面积和周长，本来对于坐标旋转来说就具有不变的性质。在一般情况下，某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱，从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片，灰度直方图的归一化对于图像分析是十分必要的。灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。

平滑：平滑是消除图像中随机噪声的技术，是对平滑技术的基本要求，在消去噪声的同时不使图像轮廓或线条变得模糊不清。常用的平滑方法有中值法、局部求平均法和k线近邻平均法，局部区域大小可以是固定的，也可以是逐点随灰度值大小变化的。此外，有时应用空间频率域带通滤波方法。

复原：校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能逼近于理想无退化的像场，在实际应用中常常发生图像退化现象。例如大气流的扰动，光学系统的像差，相机和物体的相对运动都会使遥感图像发生退化。基本的复原技术是把获取的退化图像g(x，y)看成是退化函数h(x，y)和理想图像f(x，y)的卷积，它们的傅里叶变换存在关系G(u，v＝H(u，v)F(u，v)。根据退化机理确定退化函数后，就可从此关系式求出F(u，v)，再用傅里叶反变换求出f(x，y)。通常把它称为反向滤波器。实际应用时，由于H(u，v)随离开uv平面原点的距离增加而迅速下降，为了避免高频范围内噪声的强化，当u2+v2大于某一界限值W时，使M(u，v)[指什么](uv平面原点的距离)等于1。W0的选择应使H(u，v)在u2+v2≤W范围内不会出现零点。图像复原的代数方法是以最小二乘法最佳准则为基础。寻求一估值,使优度准则函数值最小。这种方法比较简单，可推导出最小二乘法维纳滤波器。当不存在噪声时，维纳滤波器成为理想的反向滤波器。

增强：对图像中的信息选择性地加强和抑制，来改善图像的视觉效果，或将图像转变为更适合于机器处理的形式，以便于数据抽取或识别。例如：一个图像增强系统可以通过高通滤波器来突出图像的轮廓线，从而使机器能够测量轮廓线的形状和周长。图像增强技术有多种方法，反差展宽、对数变换、密度分层和直方图均衡等都可用于改变图像灰调和突出细节。实际应用时往往要用不同的方法，反复进行试验才能达到满意的效果。

本发明的保护点在于图像要进行预处理，并且预处理的图像要准确，需要算法的精准计算，人脸检测的检测器需要有自动判断识别人脸的功能，能够把人脸的检测进行分类识别，实现快速识别检测人脸。

人脸检测

openCV的Haar分类器是一个监督分类器，首先对图像进行直方图均衡化并归一化到同样大小，然后标记里面是否包含要监测的物体。它最初由Paul Viola和Michael Jones设计，故称为Viola Jones检测器。Viola Jones分类器在级联的每个节点中使用AdaBoost来学习一个高检测率低拒绝率的多层树分类器。本发明对现有技术进行了改进，具体包括几下几个方面：

1.使用类Haar输入特征：对矩形图像区域的和或者差进行阈值化。(这句话是对使用类Haar输入特征的定义)

2.积分图像技术加速了矩形区域的45°旋转的值的计算，用来加速类Haar输入特征的计算。

3.使用统计boosting来创建两类问题(人脸和非人脸)的分类器节点(高通过率，低拒绝率)。

4.把弱分类器节点组成筛选式级联。即第一组分类器最优，能通过包含物体的图像区域，同时允许一些不包含物体通过的图像通过；第二组分类器为次优分类器，也是有较低的拒绝率。以此类推，对boosting分类器，只要有人脸都能检测到，同时拒绝一小部分非人脸，并将其传给下一个分类器，是为低拒绝率。以此类推，最后一个分类器将几乎所有的非人脸都拒绝掉，只剩下人脸区域。只要图像区域通过了整个级联，则认为里面有物体。

此技术虽然适用于人脸检测，但不限于人脸检测，还可用于其他物体的检测，如汽车、飞机等的正面、侧面、后面检测。在检测时，先导入训练好的参数文件，其中haarcascade_frontalface_alt2.xml对正面脸的识别效果较好，haarcascade_profileface.xml对侧脸的检测效果较好。

本发明还提供了一种人脸识别系统，图2为本发明人脸识别系统的结构连接图。如图2所示，所述系统包括：

待处理图像获取模块21，用于获取待处理图像；

预处理模块22，用于对所述待处理图像进行预处理，得到预处理图像；

均衡化并归一化模块23，用于对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；

阈值化处理模块24，用于对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；

分类器节点创建模块25，用于采用统计boosting创建多个分类器节点；

人脸识别模块26，用于采用各所述分类器节点对所述待识别图像进行人脸识别。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种人脸识别方法，其特征在于，所述方法包括：

获取待处理图像；

对所述待处理图像进行预处理，得到预处理图像；

对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；

对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；

采用统计boosting创建多个分类器节点；

采用各所述分类器节点对所述待识别图像进行人脸识别。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述采用各所述分类器节点对所述待识别图像进行人脸识别，具体包括：

将各所述述分类器节点按分辨率从小到大分为：第一分类器节点、第二分类器节点，...；

采用所述第一分类器节点对待识别图像进行人脸识别，得到判断结果；

若所述判断结果表示所述待识别图像包括人脸信息，采用所述第二分类器节点对所述待识别图像进行人脸识别，依次类推，直到最后一个分类器节点判断所述待识别图像包括人脸信息，确定所述待处理图像为人脸图像。

3.根据权利要求1所述的人脸识别方法，其特征在于，所述预处理包括：数字化、几何变换、归一化、平滑、复原和增强中的至少一种。

4.根据权利要求3所述的人脸识别方法，其特征在于，所述归一化包括：灰度归一化、几何归一化和变换归一化中的至少一种。

5.根据权利要求3所述的人脸识别方法，其特征在于，所述平滑包括：中值法、局部求平均法和k线近邻平均法中的至少一种。

6.根据权利要求3所述的人脸识别方法，其特征在于，所述增强包括：反差展宽、对数变换、密度分层和直方图中的至少一种。

7.根据权利要求3所述的人脸识别方法，其特征在于，所述几何变换为用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。

8.一种人脸识别系统，其特征在于，所述系统包括：

待处理图像获取模块，用于获取待处理图像；

预处理模块，用于对所述待处理图像进行预处理，得到预处理图像；

均衡化并归一化模块，用于对所述预处理图像进行直方图均衡化并归一化，得到矩形图像；

阈值化处理模块，用于对所述矩形图像的和或者差进行阈值化处理，得到待识别图像；

分类器节点创建模块，用于采用统计boosting创建多个分类器节点；

人脸识别模块，用于采用各所述分类器节点对所述待识别图像进行人脸识别。