一种人脸识别方法与流程

1.本发明属于人工智能技术领域，具体涉及一种人脸识别方法。


背景技术：

2.人脸识别是基于人的脸部的特征信息进行身份识别的技术，目前人脸识别技术被广泛应用于安全相关的身份验证领域，例如：人脸考勤、人脸解锁、人脸支付等领域。人脸识别设备对人脸的一系列的特征提取和比对，这些行为均是在终端完成。然而终端处理人脸识别的性能有限。终端设备常受限于环境、光纤、人脸遮挡、运动模糊、摄像头角度等因素，导致当采集人脸图像时，图像的质量存在不稳定性，难以保证人脸识别的效率或准确性，并且实时检测识别，大量占用了系统资源。
3.专利号为201710810714.2的发明专利公开了一种人脸识别方法，首先根据坐标变换判断同一视频流中是否为同一人；然后根据不同图像同一人的像素点位置进行高斯滤波，然后进行锐化及边缘检测，通过交叉对比判断视频流中的人是否为同一个人。
4.专利号为201310748379.x的发明专利公开了一种人脸识别方法，首先将拍摄到的人脸图像输入计算机中，先采用retinex算法计算人脸图像受光照影响的程度，并根据影响程度调整人脸图像的明暗值，然后用主动表观模型提取人脸特征属性，再采用自组织神经网络和粗糙集约简算法将人脸特征属性约简，用约简后的属性数据训练支持向量机分类器，最后使用训练好的支持向量机分类器分析待识别的人脸图像。


技术实现要素：

5.本发明的目的是提供一种人脸识别方法。
6.本发明方法首先进行人脸检测，然后人脸质量判断、环境质量判断、人脸优选，最后进行人脸识别。具体方法是：
7.步骤(1)对所需分析图像进行人脸检测；具体是：
8.(1-1)首先从图像传感器获取待检测的图像；
9.(1-2)将图像送入人脸检测神经网络模型中，得到人脸图像i、五官坐标、置信度c；
10.步骤(2)对人脸图像i、五官坐标、置信度c进行分析，通过模糊评价、置信度评价、正脸程度评价、五官质量评价、亮度评价，得到人脸质量得分s；具体是：
11.(2-1)对i进行归一化处理，通过计算水平梯度和垂直梯度的和平方q1，得到模糊评价得分s1：
12.h为人脸图像的高，w为人脸图像的宽，(i,j)为人脸图像i像素点坐标。
13.计算模糊评价得分t1为用户配置的模糊评价系数，5≤t1≤10，配置t1越大，模糊判断条件越严苛。
14.(2-2)通过置信度c得到置信度评价得分s2：如果c＞t2h，则s2＝1；如果t2m＜c≤t2h，则s2＝0.9；如果t2
l
≤c≤t2m，则s2＝0.8；如果c＜t2
l
，则s2＝0.7；t2h、t2m、t2
l
为用户配置的置信度评价阈值，且1≥t2h＞t2m＞t2
l
≥0.1。
15.(2-3)通过人脸图像i的左、右脸图像，得到正脸程度评价得分s3：
16.首先将人脸图像i从中间均分，得到左脸图像l和右脸图像r，分别对l、r进行直方图统计，统计出n个灰度级，得到n段直方图统计集合h_l[n]和h_r[n]，n＝1,2,
…
,n，n＝256；
[0017]
计算h_l[n]和h_r[n]的差平方
[0018]
然后计算正脸程度评价得分t3为用户配置的正脸评价系数，1≤t3≤4，配置t3越大，正脸判断条件越严苛。
[0019]
(2-4)通过五官坐标，得到五官评价得分s4：
[0020]
左眼中心点到右眼中心点的距离左眼中心点到嘴巴中心点的距离右眼中心点到嘴巴中心点的距离(a1,b1)、(a2,b2)、(a3,b3)分别为左眼、右眼、嘴巴中心点的坐标。
[0021]
五官评价得分max(
·
,
·
)表示取最大值，|
·
|表示取绝对值，为用户配置的五官评价系数，配置越大，五官判断条件越严苛。
[0022]
(2-5)通过人脸图像i，得到亮度评价得分θ为用户配置的亮度评价系数，0≤θ≤100，配置θ越大，光照判断条件越严苛。
[0023]
(2-6)人脸质量得分
[0024]
步骤(3)获取摄像头传感器的的增益值iso，得到当前环境的亮度信息；根据iso及最大增益，得到环境光照系数w；具体是：
[0025]
(3-1)获取摄像头传感器的增益值iso；
[0026]
(3-2)计算环境增益权重其中e为自然底数，β为用户配置的权重系数，0.1≤β≤1，β配置越大，权重分配越大。
[0027]
步骤(4)通过人脸质量得分和环境增益权重，进行人脸识别选择；具体是：
[0028]
(4-1)一次判定：如果进行人脸识别处理；如果则进行二次判定；如果则忽略此幅图像，进行下一张图像的采集；为用户设置的阈值，为用户设置的阈值，设置越大，一次判定条件越严格。
[0029]
(4-2)二次判定：如果则判定排除环境因素，人脸清晰，进行人脸识别处理；如果则判定图像为模糊图像，则忽略此幅图像，进行下一张图像的采集。
[0030]
本发明方法充分考虑了光线、人脸模糊等的情况，保证该方法可以在不同的光源、场景场景下，可通过判断人脸质量和环境广信，自适应的调节识别阈值，避免了同一阈值下，人脸在模糊、环境较为恶劣的场景下，无法正确识别，造成人脸识别率低等情况。本发明方法通过阈值限制，排除掉质量较差、模糊的人脸，从而节省了运算量巨大的人脸识别的系统资源，使得系统性能达到最佳。通过此本发明方法，可以根据摄像机的实际使用场景和针对不同的图像问题，进行自适应的人脸识别的调节。
附图说明
[0031]
图1是本发明方法流程示意图；
[0032]
图2是本发明实施例的环境质量权重系数曲线示意图。
具体实施方式
[0033]
如图1所示，一种人脸识别方法，首先进行人脸检测，然后人脸质量判断、环境质量判断、人脸优选，最后进行人脸识别。具体方法是：
[0034]
步骤(1)对所需分析图像进行人脸检测；具体是：
[0035]
(1-1)首先从图像传感器获取待检测的图像；
[0036]
(1-2)将图像送入人脸检测神经网络模型中，得到人脸图像i、五官坐标、置信度c；
[0037]
人脸检测神经网络模型是指ai模块搜寻到人脸信息及相关信息，属于现有开源技术，例如：mtcnn网络模型；也有各算法厂商各自的算法；这里是指设备使用的神经网络算法模型。
[0038]
步骤(2)对人脸图像i、五官坐标、置信度c进行分析，通过模糊评价、置信度评价、正脸程度评价、五官质量评价、亮度评价，得到人脸质量得分s；具体是：
[0039]
(2-1)对i进行归一化处理，通过计算水平梯度和垂直梯度的和平方q1，得到模糊评价得分s1：
[0040]
h为人脸图像的高，w为人脸图像的宽，(i,j)为人脸图像i像素点坐标。
[0041]
计算模糊评价得分t1为用户配置的模糊评价系数，5≤t1≤10，配置t1越大，模糊判断条件越严苛。本实施例采用t1＝7。
[0042]
(2-2)通过置信度c得到置信度评价得分s2：如果c＞t2h，则s2＝1；如果t2m＜c≤t2h，则s2＝0.9；如果t2
l
≤c≤t2m，则s2＝0.8；如果c＜t2
l
，则s2＝0.7；t2h、t2m、t2
l
为用户配置的置信度评价阈值，且1≥t2h＞t2m＞t2
l
≥0.1。本实施例采用t2h＝0.99，t2m＝0.95，t2
l
＝0.90。
[0043]
(2-3)通过人脸图像i的左、右脸图像，得到正脸程度评价得分s3：
[0044]
首先将人脸图像i从中间均分，得到左脸图像l和右脸图像r，分别对l、r进行直方图统计，统计出n个灰度级，得到n段直方图统计集合h_l[n]和h_r[n]，n＝1,2,
…
,n，n＝256；计算h_l[n]和h_r[n]的差平方
[0045]
然后计算正脸程度评价得分t3为用户配置的正脸评价系数，1≤t3≤4，配置t3越大，正脸判断条件越严苛。本实施例采用t3＝2.5。
[0046]
(2-4)通过五官坐标，得到五官评价得分s4：
[0047]
左眼中心点到右眼中心点的距离左眼中心点到嘴巴中心点的距离右眼中心点到嘴巴中心点的距离(a1,b1)、(a2,b2)、(a3,b3)分别为左眼、右眼、嘴巴中心点的坐标。
[0048]
五官评价得分max(
·
,
·
)表示取最大值，|
·
|表示取绝对值，为用户配置的五官评价系数，配置越大，五官判断条件越严苛。本实施例采用
[0049]
(2-5)通过人脸图像i，得到亮度评价得分θ为用户配置的亮度评价系数，0≤θ≤100，配置θ越大，光照判断条件越严苛。本实施例采用θ＝20。
[0050]
(2-6)人脸质量得分
[0051]
步骤(3)获取摄像头传感器的的增益值iso，得到当前环境的亮度信息；根据iso及最大增益，得到环境光照系数w；具体是：
[0052]
(3-1)获取摄像头传感器的增益值iso；
[0053]
(3-2)计算环境增益权重其中e为自然底数，β为用户配置的权重系数，0.1≤β≤1，β配置越大，权重分配越大。本实施例采用β＝0.2，环境质量权重系数曲线如图2所示，图中横坐标是iso，纵坐标是w。
[0054]
步骤(4)通过人脸质量得分和环境增益权重，进行人脸识别选择；具体是：
[0055]
(4-1)一次判定：如果进行人脸识别处理；如果则进行二次判定；如果则忽略此幅图像，进行下一张图像的采集；为用户设置的阈值，为用户设置的阈值，设置越大，一次判定条件越严格。本实施例采用
[0056]
(4-2)二次判定：如果则判定排除环境因素，人脸清晰，进行人
脸识别处理；如果则判定图像为模糊图像，则忽略此幅图像，进行下一张图像的采集。
[0057]
本发明方法充分考虑了光线、人脸模糊等的情况，保证该方法可以在不同的光源、场景场景下，可通过判断人脸质量和环境广信，自适应的调节识别阈值，避免了同一阈值下，人脸在模糊、环境较为恶劣的场景下，无法正确识别人脸，造成人脸识别率低等情况。并通过二次删选的方式，进一步提升了人脸识别的准确率。
[0058]
在通过阈值限制，排除掉质量较差、模糊的人脸，从而节省了运算量巨大的人脸识别的系统资源，在保证识别率的同时，使得系统性能达到最佳。通过此本发明方法，可以根据摄像机的实际使用场景和针对不同的图像问题，进行自适应的人脸识别的调节。
[0059]
以上所述仅是本发明的优选实施方式，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本发明的保护范围。

技术特征：
1.一种人脸识别方法，其特征在于，该方法具体如下：步骤(1)对所需分析图像进行人脸检测；具体是：(1-1)首先从图像传感器获取待检测的图像；(1-2)将图像送入人脸检测神经网络模型中，得到人脸图像i、五官坐标、置信度c；步骤(2)对人脸图像i、五官坐标、置信度c进行分析，通过模糊评价、置信度评价、正脸程度评价、五官质量评价、亮度评价，得到人脸质量得分s；具体是：(2-1)对i进行归一化处理，通过计算水平梯度和垂直梯度的和平方q1，得到模糊评价得分s1：h为人脸图像的高，w为人脸图像的宽，(i,j)为人脸图像i像素点坐标；计算模糊评价得分t1为用户配置的模糊评价系数；(2-2)通过置信度c得到置信度评价得分s2：如果c＞t2
h
，则s2＝1；如果t2
m
＜c≤t2
h
，则s2＝0.9；如果t2
l
≤c≤t2
m
，则s2＝0.8；如果c＜t2
l
，则s2＝0.7；t2
h
、t2
m
、t2
l
为用户配置的置信度评价阈值；(2-3)通过人脸图像i的左、右脸图像，得到正脸程度评价得分s3：首先将人脸图像i从中间均分，得到左脸图像l和右脸图像r，分别对l、r进行直方图统计，统计出n个灰度级，得到n段直方图统计集合h_l[n]和h_r[n]，n＝1,2,
…
,n，n＝256；计算h_l[n]和h_r[n]的差平方然后计算正脸程度评价得分t3为用户配置的正脸评价系数；(2-4)通过五官坐标，得到五官评价得分max(
·
,
·
)表示取最大值，|
·
|表示取绝对值，为用户配置的五官评价系数；其中，左眼中心点到右眼中心点的距离左眼中心点到嘴巴中心点的距离右眼中心点到嘴巴中心点的距离(a1,b1)、(a2,b2)、(a3,b3)分别为左眼中心点、右眼中心点、嘴巴中心点的坐标；(2-5)通过人脸图像i，得到亮度评价得分θ为用户配置的亮度评价系数；
(2-6)人脸质量得分步骤(3)获取摄像头传感器的的增益值iso，得到当前环境的亮度信息；根据iso及最大增益，得到环境光照系数w；具体是：(3-1)获取摄像头传感器的增益值iso；(3-2)计算环境增益权重其中e为自然底数，β为用户配置的权重系数；步骤(4)通过人脸质量得分和环境增益权重，进行人脸识别选择；具体是：(4-1)一次判定：如果进行人脸识别处理；如果则进行二次判定；如果则忽略此幅图像，进行下一张图像的采集；为用户设置的阈值；(4-2)二次判定：如果则判定排除环境因素，人脸清晰，进行人脸识别处理；如果则判定图像为模糊图像，则忽略此幅图像，进行下一张图像的采集。2.如权利要求1所述的一种人脸识别方法，其特征在于：(2-1)中，5≤t1≤10，配置t1越大，模糊判断条件越严苛。3.如权利要求1所述的一种人脸识别方法，其特征在于：(2-2)中，1≥t2
h
＞t2
m
＞t2
l
≥0.1。4.如权利要求1所述的一种人脸识别方法，其特征在于：(2-3)中，1≤t3≤4，配置t3越大，正脸判断条件越严苛。5.如权利要求1所述的一种人脸识别方法，其特征在于：(2-4)中，配置越大，五官判断条件越严苛。6.如权利要求1所述的一种人脸识别方法，其特征在于：(2-5)中，0≤θ≤100，配置θ越大，光照判断条件越严苛。7.如权利要求1所述的一种人脸识别方法，其特征在于：(3-2)中，0.1≤β≤1，β配置越大，权重分配越大。8.如权利要求1所述的一种人脸识别方法，其特征在于：(4-1)中，1)中，设置越大，一次判定条件越严格。

技术总结
本发明公开了一种人脸识别方法。现有方法常受限于环境、光纤、人脸遮挡、运动模糊、摄像头角度等因素，导致当采集人脸图像时，图像的质量存在不稳定性，难以保证人脸识别的效率或准确性，并且实时检测识别，大量占用了系统资源。本发明方法首先通过对所需分析的图像进行人脸检测，得到人脸信息，然后对人脸质量、环境质量进行判断，得到相关的质量信息，然后进行人脸优选；最后根据人脸优选的结果进行人脸识别。本发明方法能够有效地对人脸识别的场景进行有效的判断，减少因光线、环境等因素造成的人脸识别率低的同时，有效的节省系统资源。有效的节省系统资源。有效的节省系统资源。


技术研发人员：陈凯 黄俊斌 欧阳次山
受保护的技术使用者：杭州国芯科技股份有限公司
技术研发日：2021.12.02
技术公布日：2022/3/8