一种基于人脸图像的身份识别系统的制作方法

本发明涉及图像处理技术领域，具体涉及一种基于人脸图像的身份识别系统。

背景技术：

现有的自动人脸识别系统在用户配合、采集条件比较理想的情况下可以取得令人满意的结果。但是，当用户不配合，采集条件不理想，如光照恶劣、有遮挡、姿态变化等的情况下，现有系统的识别效果会直线下降。基于局部结构图像分解(localstructurebasedimagedecomposition,idls)的特征提取方法首先通过脊回归度量局部窗口内中心宏像素与其近邻宏像素之间的结构关系刻画图像的局部结构信息，然后依据局部结构信息，将图像分解成多个子图像，最后将多个子图像进行均匀下采样和归一化后依次连接成一个特征向量。但是，该方法在进行特征提取前并没有对图像进行特定的处理，随着人脸数据规模的大幅增加，人脸识别率会随之下降，造成后续对图像处理的效率并不理想，进而造成可靠性的降低。

综上所述，现有技术中在图像识别方面存在着效率和可靠性不高的问题。因此，需要提出有效的解决方案来解决以上问题。

技术实现要素：

针对上述问题，本发明提供一种基于人脸图像的身份识别系统。

本发明的目的采用以下技术方案来实现：

提供了一种基于人脸图像的身份识别系统，包括依次相连的人脸图像采集子系统、人脸图像处理识别子系统、显示子系统；所述图像采集子系统用于采集和存储待识别人脸图像，所述人脸图像处理识别子系统用于对所述采集和存储的待识别人脸图像进行识别，得出身份识别结果，通过所述显示子系统将所述身份识别结果显示出来。

本发明的有益效果为：当需要对人脸图像进行识别时，本发明是一种可靠性高和效率高的基于人脸图像的身份识别系统，通过该系统中的人脸图像采集子系统采集和存储待识别的人脸图像，然后经人脸图像处理识别子系统对采集和存储的待识别人脸图像进行识别，得出身份识别结果，通过显示子系统将身份识别结果显示出来，可以实现对身份的有效认证，从而能够实现对实名认证、网络账户安全、账户登录便利等的效果，提高身份认证的安全性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的结构连接框图；

图2是本发明人脸图像处理识别子系统的结构连接框图；

图3是本发明人脸图像压缩模块的结构连接框图。

附图标记：

人脸图像采集子系统1、人脸图像处理识别子系统2、显示子系统3、脸图像预处理模块201、人脸图像压缩模块202、人脸图像特征提取模块203、人脸图像识别模块204、人脸图像数据库205、目标特征区域提取单元2021和目标特征区域压缩单元2022。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供了一种基于人脸图像的身份识别系统，该系统包括依次相连的人脸图像采集子系统1、人脸图像处理识别子系统2、显示子系统3；所述图像采集子系统1用于采集和存储待识别人脸图像，所述人脸图像处理识别子系统2用于对所述采集和存储的待识别人脸图像进行识别，得出身份识别结果，通过所述显示子系统3将所述身份识别结果显示出来。

优选地，所述人脸图像采集子系统1包括依次相连的摄像设备、存储设备；所述摄像设备用于获取拍摄的待识别人脸图像，通过所述存储设备将所述待识别人脸图像存储起来。

优选地，所述摄像设备为多角度摄像设备。具体实施中，可以通过摄像设备从一个人脸的正面零度起始开始采集图像点，顺时针以每隔一定的角度采集一次图像点，直到采集到360度为止，将同一个人的各个采集的图像点保存到一个文件中通过存储设备将该文件夹保存下来。

本发明上述实施例，是一种可靠性高和效率高的基于人脸图像的身份识别系统，可以实现对身份的有效认证，从而能够实现对实名认证、网络账户安全、账户登录便利等的效果，提高身份认证的安全性。

优选地，参照图2，所述人脸图像处理识别子系统2包括依次相连的人脸图像预处理模块201、人脸图像压缩模块202、人脸图像特征提取模块203和人脸图像识别模块204、人脸图像数据库205；所述人脸图像预处理模块201用于对所述拍摄的待识别人脸图像进行预处理，得到预处理的待识别人脸图像；所述人脸图像压缩模块202用于对所述预处理的待识别人脸图像进行压缩，得到压缩的待识别人脸图像；所述人脸图像特征提取模块203用于对所述压缩的待识别人脸图像进行特征提取，得到待识别人脸图像的特征；所述人脸图像识别模块204用于将所述待识别人脸图像的特征与所述人脸图像数据库205中标准人脸图像的特征进行相似度的比对，输出身份识别结果。

优选地，所述人脸图像预处理模块用于对所述拍摄的待识别人脸图像进行预处理，得到预处理的待识别人脸图像，包括：

所述人脸图像预处理模块用于对所述拍摄的待识别人脸图像通过自定义过滤函数进行光照和噪声的过滤处理，形成过滤后的待识别人脸图像，自定义过滤函数为：

i(x,y)′＝log(i(x,y))-log(h*i(x,y))

式中，i(x,y)′为所述过滤后的待识别人脸图像中像素点(x,y)处的像素值，i(x,y)为所述拍摄的待识别人脸图像中像素点(x,y)处的像素值，h为高斯滤波器，*表示卷积操作，具体实施中，h除了可以是高斯滤波器外，还可以是其它滤波器。

本优选实施例，通过对拍摄的待识别人脸图像的预处理，将原始待识别人脸图像的光照和噪声去除掉，能够提高后续对待识别人脸图像的内在特征的提取，进而能够提高对待识别人脸图像的识别效率，从而提高后续的计算效率，减小后续系统的计算工作量，提高对图像的处理效率。

优选地，参照图3，所述人脸图像压缩模块202包括依次相连接的目标特征区域提取单元2021和目标特征区域压缩单元2022；

所述目标特征区域提取单元2021用于对所述过滤后的待识别人脸图像进行目标特征区域的提取，包括：

(2)设定尺寸均为l×k的搜索窗口和样板检测图，所述样板检测图与所述搜索窗口的形状均相同；

(2)将所述搜索窗口叠放在所述过滤后的待识别人脸图像上进行平移，形成多个实时检测子图，其中，所述实时检测子图为所述搜索窗口覆盖在所述过滤后的待识别人脸图像的部分，所述样板检测图的尺寸小于所述过滤后的待识别人脸图像的尺寸；

(3)依次计算各实时检测子图与所述样板检测图之间的各相似度值；定义相似度值的计算公式为：

式中，sm为第m个所述实时检测子图与所述样板检测图之间的相似度值，gi,j为所述样板检测图中坐标点(i,j)的灰度值，为第m个所述实时检测子图上坐标点(i,j)的灰度值；

(4)当所有所述搜索窗口叠放在过滤后的待识别人脸图像上的所述实时检测子图与所述样板检测图之间的相似度值计算完成后，取出各相似度值中满足设定条件的相似度值，将所述满足设定条件的相似度值对应的所述实时检测子图取出来，将所述满足设定条件的相似度值对应的实时检测子图视为边缘图，其余视为背景图；其中，所述设定条件为相似度值大于设定的阈值；

(5)将所述边缘像图进行拼接，得到所述目标特征区域。

本优选实施例，对过滤后的待识别人脸图像提取目标区域，有利于下一步针对目标区域进行相应的压缩编码处理，且不需对整个图像进行压缩，能够节省资源，同时能够达到对待识别人脸图像的高压缩比的目的，同时保持目标区域的信息，为节省系统后续对人脸图像处理的时间、提高系统处理的效率奠定了坚实基础。

优选地，所述目标特征区域压缩单元2022用于对所述目标特征区域进行压缩，包括：

(1)对所述目标特征区域进行离散小波变换，得到相应的离散小波变换系数；

(2)对所述目标特征区域编码后的离散小波变换系数进行量化，得到量化后的离散小波变换系数；

(3)对所述量化后的离散小波变换系数进行熵编码，得到压缩的目标特征区域。

本优选实施例，通过对待识别人脸图像的目标区域进行离散小波变换的处理得到对应的离散小波变换系数，然后对离散小波变换系数进行量化，得到量化后的离散小波变换系数，最后对量化后的离散小波变换系数进行熵编码，来实现对待识别图像的目标区域的压缩，不仅方法简单、能够提高系统的计算效率，节约处理时间和系统空间，而且还可以根据实际情况需要来进行图像压缩，有效节省资源，提高计算效率，此外，还可以根据具体实施中的需要，有针对性地对待识别人脸图像的目标特征区域和背景区域进行压缩，有效提高后续针对不同的区域而进行特征提取的效率和正确率，同时可以看出，该系统具有很好的灵活性。优选地，所述图像特征提取系统4对压缩的人脸图像进行特征提取，具体为：

本优选实施例，通过对压缩的待识别人脸图像的目标特征区域进行有针对性地特征提取，而不是对整个待识别人脸图像的区域进行特征提取，这样能够提高对待识别人脸图像特征提取的效率和正确性，同时能够有效节省图像处理的时间，降低特征提取的复杂度和系统资源。

优选地，所述人脸图像数据库205建立过程包括：

(1)将采集的包括多张所述样本图像的样本图像集按照一定的比例分成训练集和测试集，并转化所述样本图像集中的所有样本图像的格式，形成转化格式后的样本图像集，同时将测试集中的样本图像进行正负标记，所述正标记为包括预定图像类型的样本图像，所述负标记为不包括预定图像类型的样本图像；其中，一定的比例可以按照3:1、5:1等，可以根据具体的实施需要，转化格式可以为jpeg(jointphotographicexpertsgroup,联合图像专家小组)格式；

(2)对所述转化格式后的样本图像集进行归一化大小处理，形成归一化后的样本图像集，所述归一化后的样本图像集包括归一化后的训练集和归一化后的测试集；比如，可以将转化格式后的样本图像集归一化为p×p大小的方形样本图像，可以根据具体情况而设定；

(3)对所述归一化后的训练集进行特征提取，形成所述归一化后的训练集的特征向量；

其中，对归一化后的训练集进行特征提取，具体包括以下步骤：

a.针对训练集中的每一张样本图像，将样本图像分割成多个子图像块；

b.提取各子图像块的特征，形成各子图像块的特征向量，按如下公式进行特征提取：

式中，μi为第i个样本图像的灰度均值，δi为第i个样本图像块的灰度方差值，m为子图像块的个数，xm为第i个样本图像的第m个子图像块的灰度值的分量值；

c.将各子图像块的特征向量进行整合，形成该样本图像的特征向量f，即f(μi,δi；i＝1,2,…,n)，n为样本图像的个数；

(4)将所述归一化的训练集的特征向量作为支撑向量机分类器的输入，输入到支撑向量机分类器中进行迭代训练，训练出特征提取模型，并利用该特征提取模型测出所述归一化的测试集中的样本图像的正负样本图像结果；

(5)根据所述负样本图像结果不断更新所述特征提取模型，形成更新特征提取模型；

(6)将各样本图像输入到所述更新特征提取模型中，得到所述人脸图像数据库。

本优选实施例，通过样本图像集中的样本图像进行归一化处理并对样本图像集中的训练样本进行一系列处理，训练出特征提取模型；然后根据样本图像集中的测试样本对训练出的特征提取模型进行调整，确定出更新后的特征提取模型，通过该方法确定出的特征提取模型更有效，避免后面输入的样本图像因差距过大而产生误差；最后将所有样本图像输入到该更新后的特征提取模型中，得到人脸图像数据库，为后续提取人脸图像数据库中的各样本图像的特征向量奠定了基础。

优选地，所述人脸图像识别模块204用于将所述待识别人脸图像的特征与所述人脸图像数据库中标准人脸图像的特征进行相似度的比对，输出身份识别结果，具体包括：

所述人脸图像识别模块204用于将所述压缩的目标特征区域的特征向量与所述人脸图像数据库205中标准人脸图像的特征向量进行相似度的比对，输出身份识别结果；

(1)采用下述公式提取所述人脸图像数据库205中标准人脸图像的特征向量和提取所述压缩的目标特征区域的特征向量：

cn＝(μn,σn)；n＝1,2

式中，当n＝1时，cn＝c1＝(μ1,σ1)表示所述压缩的目标特征区域的特征向量，此时i1表示所述压缩的目标特征区域的平均像素值，o×l表示所述压缩的目标特征区域的尺寸；当n＝2时，cn＝c2＝(μ2,σ2)表示所述人脸图像数据库中标准人脸图像的特征向量，此时i2表示所述人脸图像数据库中标准人脸图像的平均像素值，s×p表示所述人脸图像数据库中标准人脸图像的尺寸；

(2)计算所述压缩的目标特征区域的特征向量与各标准人脸图像的特征向量的相似度值，所述相似度值的计算公式为：

式中，表示所述压缩的目标特征区域的特征向量与第t个所述标准人脸图像的特征向量的相似度值，norm(·)表示求范数，δc表示修正值，表示所述人脸图像数据库中第t个标准人脸图像的特征向量，n表示所述人脸图像数据库中标准人脸图像的个数；

(3)若所述相似度值大于设定的阈值，则输出所述身份识别结果。

其中，在具体实施中，人脸图像数据库中标准人脸图像的特征向量和提取所述压缩的目标特征区域的特征向量的获取，也可以通过基于局部结构分解的图像特征提取((localstructurebasedimagedecomposition,idls)的方法进行特征提取，以此获得各特征向量。

本优选实施例，根据压缩后的待识别人脸图像的目标区域的特征向量和人脸图像数据库中的各标准图像的特征向量的相似度来确定待识别人脸图像的识别结果，从而确定出身份识别结果，且在计算相似度时候加入了修正值，使计算出来的相似度结果更精准。在加入修正值计算相似度的基础上，再去判断相似度与设定阈值的比较，最终确定出待识别人脸图像的身份识别结果，同时解决了当待识别人脸图像的目标区域与多个标准图像都相似的情况时，从多个标准人脸图像中选取满足设定的阈值的标准人脸图像作为为待识别图像的身份，从而使确定待识别人脸图像类型过程更加细化，进而能够保证确定出的基于待识别人脸图像的身份识别的方法的正确性，提高了身份识别的效率。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。