CN103902958A

CN103902958A - 人脸识别的方法

Info

Publication number: CN103902958A
Application number: CN201210578261.2A
Authority: CN
Inventors: 屈景春; 吴军
Original assignee: CHONGQING KAIZE TECHNOLOGY Co Ltd
Current assignee: CHONGQING KAIZE TECHNOLOGY Co Ltd
Priority date: 2012-12-28
Filing date: 2012-12-28
Publication date: 2014-07-02

Abstract

本发明涉及一种人脸识别的方法，a.图像获取模块；b.图像预处理模块；c.人脸定位模块；d.特征提取模块；e.识别模块。本发明的人脸识别的方法，采用较为先进的技术力量，保证应用程序在技术上具备一定的优势；采用成熟的技术，保证应用程序的安全性和可靠性；应用程序便于扩展和维护，易于技术的更新；应用程序充分利用现有的资源，尽量减少不必要的再投资；编写的代码必须严谨易读，代码的解释必须清楚明白，为应用程序的再开发提供应尽的责任。

Description

人脸识别的方法

技术领域

本发明涉及人脸识别的领域，尤其是一种人脸识别的方法。

背景技术

随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。

人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。如今，虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题,因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。

在人脸检测的基础上，面部关键特征检测试图检测人脸上的主要的面部特征点的位置和眼睛和嘴巴等主要器官的形状信息。灰度积分投影曲线分析、模板匹配、可变形模板、Hough变换、Snake算子、基于Gabor小波变换的弹性图匹配技术、主动性状模型和主动外观模型是常用的方法。　可变形模板的主要思想是根据待检测人脸特征的先验的形状信息，定义一个参数描述的形状模型，该模型的参数反映了对应特征形状的可变部分，如位置、大小、角度等，它们最终通过模型与图像的边缘、峰、谷和灰度分布特性的动态地交互适应来得以修正。由于模板变形利用了特征区域的全局信息，因此可以较好地检测出相应的特征形状。由于可变形模板要采用优化算法在参数空间内进行能量函数极小化，因此算法的主要缺点在于两点：一、对参数初值的依赖程度高，很容易陷入局部最小；二、计算时间长。针对这两方面的问题，我们采用了一种由粗到细的检测算法：首先利用人脸器官构造的先验知识、面部图像灰度分布的峰谷和频率特性粗略检测出眼睛、鼻子、嘴、下巴的大致区域和一些关键的特征点；然后在此基础上，给出了较好的模板的初始参数，从而可以大幅提高算法的速度和精度。　　眼睛是面部最重要的特征，它们的精确定位是识别的关键。基于区域增长的眼睛定位技术，该技术在人脸检测的基础上，充分利用了眼睛是面部区域内脸部中心的左上方和右上方的灰度谷区这一特性，可以精确快速的定位两个眼睛瞳孔中心位置。该算法采用了基于区域增长的搜索策略，在人脸定位算法给出的大致人脸框架中，估计鼻子的初始位置，然后定义两个初始搜索矩形，分别向左右两眼所处的大致位置生长。该算法根据人眼灰度明显低于面部灰度的特点，利用搜索矩形找到眼部的边缘，最后定位到瞳孔的中心。实验表明，本算法对于人脸大小、姿态和光照的变化，都有较强的适应能力，但在眼部阴影较重的情况下，会出现定位不准。佩戴黑框眼镜，也会影响本算法的定位结果。

基于视觉通道信息的面部感知系统，包括人脸检测和跟踪、面部特征定位、面部识别、人脸归类（年龄、种族、性别等的判别）、表情识别、唇读等分系统，如图1-1所式，可以看出，继人脸检测和跟追之后，面部特征定位通常是面部感知的一个必备环节，是后续工作的基础，具有重要的意义。尽管人脸识别不能说是其他面部感知模块的必备功能，但是，可以肯定的是，利用已知的身份信息，结合特定人的先验知识，可以提高表情分析、唇读和语音识别、手势识别乃至手写体识别的可靠性。而计算机对使用者身份确认的最直接的应用就是基于特定使用者的环境设置：如使用者的个性化工作环境，信息的共享和隐私保护等等。

发明内容

本发明要解决的技术问题是：提供一种人脸识别的方法。

本发明解决其技术问题所采用的技术方案是：一种人脸识别的方法，其特征具体步骤是：

a.图像获取模块：从摄像头拍照后进行获取图片，也可以从图片库中获取，获取后的图片可以在软件的界面中显示出来以便进行识别；

b.图像预处理模块：包括图像光线补偿、图像变成灰色、高斯平滑、直方图均衡、实现图像对比度增强、二值化变换；

光线补偿模块：由于光线原因，所照的图像可能会存在光线不平衡的情况而造成色彩偏差，为了抵消这种整个图像中存在的色彩偏差，本系统采用的解决方法是：将整个图像中的所有像素的亮度从高到低进行排列，取前5%的像素，然后线性放大，使这些像素的平均亮度达到255。实际上就是调整图片像素的RGB值，因为系统得到的图片可能会存在光线不平衡的情况，这会影响我们对特征的提取，同时系统中要用到YcrCB色彩空间，所以有必要对图像进行光线补偿。尽可能将它的特征在图像中表现出来。YcrCB是一种色彩空间，它用于视频系统中，在该色彩空间中，Y分量表示像素的亮度，Cr表示红色分量，Cb表示蓝色分量，通常把Cr和Cb称为色度。YcrCB色彩空间是以演播室质量标准为目标的CC601编码方案中采用的彩色表示模型；

图像灰度模块的图像灰度化的过程就是把彩色图像转换为黑白色图像的过程，它也是为了将图像的信息更加具体、简单的表现出来，但是，这样做也将会丢失图像信息。因此，尽可能在转化的过程中用简单的方式表现图像复杂的信息，本系统中采用以下步骤来实现图像的灰度化：彩色转换成灰度、灰度比例变换、灰度线性变换、灰度线性截断、灰度取反；

高斯平滑模块将对图像进行平滑处理，在图像采集过程中，由于各种因素的影响，图像往往会出现一些不规则的噪声，入图像在传输、存储等都有可能产生数据的丢失。从而影响图像的质量。处理噪声的过程称为平滑。平滑可以降低图像的视觉噪声，同时出去图像中的高频部分后，那些本来不明显的低频成分更容易识别。平滑可以通过卷积来实现。经过卷积平滑后的水平投影后，二值化提供了较好的图像效果，在图像的采集过程中,由于各种因素的影响,图像中往往会出现一些不规则的随机噪声,如数据在传输、存储时发生的数据丢失和损坏等,这些都会影响图像的质量，因此需要将图片进行平滑操作以此来消除噪声。但是如果平滑不当，就会使图像本身的细节如边界轮廓、线条等变的模糊不清，为了既平滑掉噪声有尽量保持图像细节，本系统采用高斯平滑；

直方图均衡：直方图均衡化的目的是使一输入图像转换为在每一灰度级上都有相同的象素点数，它的处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，它的研究思路是：通过直方图变换式来进行直方图的均衡处理，直方图变换式是

使用该模块的目的是通过点运算使输入转换为在每一灰度级上都有相同的像素点数的输出图像。它的实现主要是利用灰度均衡的转换式

DB = f （DA）=

H（u）du。

图像对比度增强模块就是对图像的进一步处理，将对比度再一次拉开。它针对原始图像的每一个像素直接对其灰度进行处理的，其处理过程主要是通过增强函数对像素的灰度级进行运算并将运算结果作为该像素的新灰度值来实现的。通过改变选用的增强函数的解析表达式就可以得到不同的处理效果，为了将图像的特征一步一步显现出来，需要进行图像的对比度增强，它主要通过对图像的灰度值进行统计，对于小于Low则认为是有关的信息，则将它作为黑色处理，对于处于High以上的则认为是一些无关的信息，将它们去掉，而处于两者之间的，则进行对比度增强，将他们在总的灰度值里面的比例作为新的像素信息保存起来。

二值化模块是将采集获得的多层次灰度图像处理成二值图像，以便于分析理解和识别并减少计算量。二值化就是通过一些算法，通过一个阈值改变图像中的像素颜色，令整幅图像画面内仅有黑白二值，该图像一般由黑色区域和白色区域组成，可以用一个比特表示一个像素，“1”表示黑色，“0”表示白色，当然也可以倒过来表示，这种图像称之为二值图像。这便有利于我们对特征的提取，该设计中采用组内方差和组外方差来实现二值化。

c.人脸定位模块：将处理后的人脸图片进行定位，将眼睛、鼻子、嘴巴标记出来，以便进行特征提取，由于眼睛具有对称性，因此可以很快就能标记出来，而鼻子是在眼睛下面，且嘴巴在鼻子下面，所以只要眼睛标记好，鼻子和嘴巴也能相应的标记出来；

d.特征提取模块：在定位后的人脸图片中将眼睛、鼻子、嘴巴的特征值提取出来；

e.识别模块：将从图片中提取的特征值和后台数据库中的值进行比较来完成识别功能。

所述的图像预处理模块的具体步骤如下：（1）设计方案原则的选择；（2）图像文件格式选择；（3）开发工具选择；（4）算法选择分析。

所述的图像灰度化模块的具体步骤如下：（1）彩色转换成灰度；（2）灰度比例变换；（3）灰度线性变换；（4）灰度线性截断；（5）灰度取反。

所述的特征提取模块的具体步骤如下：（1）提取两只眼睛的距离；（2）眼睛的倾角度；（3）眼睛、嘴巴的重心；（4）用一个矩形标出每一个特征。

本发明的有益效果是：本发明的人脸识别的方法，采用较为先进的技术力量，保证应用程序在技术上具备一定的优势；采用成熟的技术，保证应用程序的安全性和可靠性；应用程序便于扩展和维护，易于技术的更新；应用程序充分利用现有的资源，尽量减少不必要的再投资；编写的代码必须严谨易读，代码的解释必须清楚明白，为应用程序的再开发提供应尽的责任。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的结构框图；

图2是图1中图像预处理模块的结构框图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示的人脸识别的方法，其具体步骤是：

b.图像预处理模块：包括图像光线补偿、图像变成灰色、高斯平滑、均衡直方图、实现图像对比度增强、二值化变换，图像光线补偿的想法的提出主要是考虑到肤色等色彩信息经常受到光源颜色、图像采集设备的色彩偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即我们通常所说的色彩偏冷、偏暖、照片偏黄、便蓝等等。这种现象在艺术照片中更为常见。所以Anil K.Jain等提出，为了抵消这种整个图像中存在着的色彩偏差，我们将整个图像中所有像素亮度（是经过了非线形r-校正后的亮度）从高到低进行排列，取前5%的像素，如果这些像素的数目足够多（例如，大于100），我们就将它们的亮度作为“参考白”（Reference White），也即将它们的色彩的R、G、B分量值都调整为255，整幅图像的其他像素点的色彩值也都按这一调整尺度进行交换，具体实现光线补偿功能：实现过程如下：

①、编辑菜单IDR_MAINFRAM，先在其中添加一菜单项，将其命名为“预处理”，并在其属性栏中将其设为“弹出”菜单，点击预处理该菜单项将会弹出一个新的子菜单，此时把该子菜单命名为“光线补偿”，并把其ID设为ID_READY_LIGHTINGCONPENSATE，对应文件FaceDetectView．Cpp中的函数ReadyLightingconpensate()实现，并在void CFaceDetectView:: OnReadyLightingconpensate()中添加如下代码：

hDIBTemp = gDib.CopyHandle(hDIB);

gDib.LightingCompensate(hDIB);

GlobalUnlock(hDIB);

Invalidate();

光线补偿功能实质上是用上段代码中的LightingCompensate（）函数来进行实现。函数LightingCompensate（）是类DIB的一个成员函数。其核心代码如下所述：

//下面的循环对图像进行光线补偿

for(i =0;i<height;i++)

for(int j=0;j<width;j++)

{

//获取像素偏移

lOffset = this->PixelOffset(i,j,wBytesPerLine);

//得到蓝色分量

*(lpData+lOffset) = colorb;

//绿色分量

colorb = *(lpData+lOffset+1);

colorb *=co;

if(colorb >255)

colorb = 255;

*(lpData+lOffset+1) = colorb;

//红色分量

colorb = *(lpData+lOffset+2);

colorb *=co;

if(colorb >255)

colorb = 255;

*(lpData+lOffset+2) = colorb；

图像灰度化模块的具体步骤如下：

（1）彩色转换成灰度：将彩色图像转化为灰阶图像常采用如下的经验式： gray＝0.39×R＋0.50×G＋0.11×B，其中，gray为灰度值，R、G、B分别为红色、绿色和蓝色分量值；

（2）灰度比例变换；灰度比例变换是把原像素的灰度乘以一个缩放因子，并最后截至[0,255]；

（3）灰度线性变换：当图像由于成像时曝光不足或曝光过度，会产生对比度不足的弊病，从而使图像中的细节分辨不清。将图像灰度进行线性扩展，常能显著地改善图像的外观。灰度线性变换的计算式为：

g =

f，其他

式中，f是原像素的灰度，g为变换后的灰度。该变换把属于[a,b]的灰度级变换至灰度区间[c,d]，而没有在[a,b]区间的原像素灰度将保持不变。这里a，b，c，d，f，g均为[0,255]之间的整数值。可见，a被映射为c，b被映射为d；

（4）灰度线性截断：如果原像素的灰度小于a，则该像素的灰度等于c；如果原像素的灰度大于b，则该像素的灰度等于d；

（5）灰度取反图像灰度化。

高斯平滑：模板操作是数字图像处理中经常用到的一种运算方法，图像的平滑、锐化以及细化、边缘检测都要用到模板操作。例如：有一种常见的平滑算法是将原图中一个像素的灰度值和它周围邻近八个像素的灰度值相加，然后求得的平均值（除以9）作为新图中该像素的灰度值，用如下方法来表示该操作：

上式类似于矩阵，我们通常称之为模板。中间的黑点表示该元素中心元素，即该个元素是要进行处理的元素。如果模板是：

则该操作应该描述为：将原图中一个像素的灰度值和它右下邻近的8个像素的灰度值相加，

然后将求得的平均值9（除以9）作为新图中该像素的灰度值。如果模板为

,

则表示将自身灰度值的2倍加下边的元素灰度值作为新值，而

则表示将自身

灰度值加上边元素灰度值的2倍作为新灰度值。通常模板不允许移出边界，所以处理后的图像会比原图小，

“-”表示边界上无法进行模板操作的点，一般的做法是复制原图的灰度值，不再进行任何其他的处理。模板操作实现了一种领域运算，即某个像素点的结果不仅和本像素灰度有关，而且和其领域点的值有关。下面对平滑的用途和解决方法进行详细介绍。

在图像的采集过程中,由于各种因素的影响,图像中往往会出现一些不规则的随机噪声,如数据在传输、存储时发生的数据丢失和损坏等,这些都会影响图像的质量。处理噪声点的过程称之为平滑,平滑可以降低图像的视觉噪声,同时除去图像中的高频部分后,那些本来不明显的低频成分更容易识别。而噪声点一般是孤

立的点,噪声点的像素灰度与它们的近邻像素有显著的区别,即灰度变化总在这附近有突变高频。平滑可用卷积来实现,平滑的频率截止点由卷积核的大小及卷积系数决定。用于平滑滤波的卷积核叫做低通过滤波器,低通过滤波器具有如下的特征:1卷积核的行、列数为奇数,通常为3×3的矩阵;2卷积系数以中心点为中心对称分布;3所有的卷积系数都为正数;4距离中心较远的卷积系数的值较小或保持不变;5卷积后的结果不改变图像的亮度。经过卷积平滑后给随后的水平投影、二值化提供了较好的图像效果。水平投影的曲线显得比较平滑,二值化后的图像孤立点比较少。以下是几个常用的卷积核:

1/9 1/9 1/9 1/10 1/10 1/10 1/16 2/16 1/16

1/9 1/9 1/9 1/10 1/5 1/10 2/16 4/16 2/16

1/9 1/9 1/9 1/10 1/10 1/10 1/16 2/16 1/16

L P1 LP2 LP3

通常的处理是:将中心点周围八个点的像素值乘于各自矩阵相应的系数后相加得到一个值,然后将这个值乘上中心点的系数,中心点的像素值赋为得到的最后值。一般来说,不同的噪声有各自针对性的卷积算法。本文使用的卷积算法是高斯卷积核,亦即上面卷积核的LP3。高斯卷积是通过采样2维高斯函数得到的。高斯平滑算法的优点是平滑后图像的失真少,算法更具备通用性,能去除不同的噪声干扰。需要注意的是:在平滑处理时,图像边界点无法处理,因此循环范围应设定在图像边界内。

① 其具体编程如下：编辑菜单IDR_MAINFRAM，在菜单“预处理”中添加一子菜单项，命名为“高斯平滑”并将其ID设为ID_READY_Template。

② 在类CFaceDetectView中添加“高斯平滑”菜单项的事件处理程序，其代码如下：

//进行模板操作

Template(tem ,3,3, xishu);

Invalidate(TRUE);

其中tem是模板参数，xishu是模板系数；Template（）函数是实现高斯平滑的主要函数，其核心代码是：

for(m=i-((tem_h-1)/2);m<=i+((tem_h-1)/2);m++)

{

for(n=j-((tem_w-1)/2);n<=j+((tem_w-1)/2);n++)

注：将以点（i，j）为中心，与模板大小相同的范围内的象素与模板对用位置的系数进行相乘并线形叠加

sum+=Gray[m][n]* tem[(m-i+((tem_h-1)/2))*tem_w+n-j+((tem_w-1)/2)];

}

将结果乘上总的模板系数

sum=(int)sum*xishu;

计算绝对值

sum = fabs(sum);

如果小于0，强制赋值为0

if(sum<0)

sum=0;

如果大于255，强制赋值为255

if(sum>255)

sum=255;

HeightTemplate[i][j] = sum；

直方图均衡目的是通过点运算使输入转换为在每一灰度级上都有相同的像素点数的输出图像（即输出的直方图是平的）。这对于在进行图像比较或分割之前将图像转化为一级的格式是十分有效的。

按照图像的概率密度函数（PDF，归一化带单位面积的直方图）的定义：

P（x）=

* H（x）（式5）

其中H（x）为直方图，A0为图像的面积，设转换前图像的概率密度函数为

Pr（r），转换后图像的概率密度函数为Ps（S），转换函数为s = f（r），由概率论知识，我们可以得到：

Ps（S） = Pr（r）*

（式6）

这样，如果想使转换后图像的概率密度函数为1（即直方图是平的）则必须满足：

Pr（r）=

（式4－5）

等式两边积分，得：

S = f（r）= ∫ ₀ ^rP2（u）du =

∫ ₀ ^r H（u）du (式7)

该转换式被称为图像的累积分布函数

上面的式是被归一化后推导的对于没有归一化的情况，只要求以最大的灰度值（DMax，对于灰度图就是255）即可，灰度均衡的转换式为：

DB = f （DA）= H（u）du （式1）

对于离散图像转换式为：

DB = f（DA）=

（式8）

式中Hi为第i级灰度的像素个数。

其编程如下：在灰度均衡操作同样不需要改变DIB的调色板和文件夹，只要把指向DIB像素起始位置的指针和DIB高度、宽度信息传递给子函数就可以完成灰度均衡变换工作，其核心代码如下：

*(lpData + lOffset)=state ; //显示灰度均衡

*(lpData + lOffset+1)=state ;

*(lpData + lOffset+2)=state ;

实现图像对比度增强：在对图像均衡直方图处理以后，便可对图像进行对比度增强，进一步拉开对比度。它通过对图像的灰度值进行统计，对于比最小设定值小的则认为是有关的信息，则将它作为黑色处理，比最大设定值大的则认为是一些无关的信息，将它们去掉，而处于两者之间的，则进行对比度增强，将他们在总的灰度值里面的比例作为新的像素信息保存起来。

这个工作的主要目的是将图像的特征一步一步显现出来。

（2）编码实现：

① 编辑菜单IDR_MAINFRAM，在菜单“预处理”中添加一子菜单项，命名为“实现图像对比度增强”，并将其ID设为ID_READY_ContrastEnhance。

② 类CFaceDetectView中添加“实现图像对比度增强”菜单项的事件处理程序，其代码如下；

lOffset = gDib.PixelOffset(i, j, gwBytesPerLine);

获取图像灰度增强函数

int state=IncreaseContrast(ZFT[k][k1], 100);

显示灰度增强后的图像

*(lpData + lOffset ) = state ;

*(lpData + lOffset+1) = state ;

*(lpData + lOffset+2) = state ;

其中IncreaseContras（）函数是实现图像对比度增强的关键函数，该根据参数n来调节对比度，n越大，对比越强烈，其核心是：

如果数据很小，设置为0

if(pByte<=Low)

return 0;

获得中间数据，并进行对比增强处理

else if ((Low<pByte)&&(pByte<High))

return int(((pByte-Low)/Grad));

如果数据很大，设置为255

else

return 255;

c.人脸定位模块：将处理后的人脸图片进行定位，将眼睛、鼻子、嘴巴标记出来，以便进行特征提取；

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims

1. 一种人脸识别的方法，其特征具体步骤是：

2. 根据权利要求1所述的人脸识别的方法，其特征是：所述的图像预处理模块的具体步骤如下：（1）设计方案原则的选择；（2）图像文件格式选择；（3）开发工具选择；（4）算法选择分析。

3. 根据权利要求1所述的人脸识别的方法，其特征是：所述的图像灰度化模块的具体步骤如下：（1）彩色转换成灰度；（2）灰度比例变换；（3）灰度线性变换；（4）灰度线性截断；（5）灰度取反。

4. 根据权利要求1所述的人脸识别的方法，其特征是：所述的特征提取模块的具体步骤如下：（1）提取两只眼睛的距离；（2）眼睛的倾角度；（3）眼睛、嘴巴的重心；（4）用一个矩形标出每一个特征。