一种基于人脸属性的人脸识别方法及系统与流程

本发明涉及图像处理技术领域，尤其涉及一种基于人脸属性的人脸识别方法及系统。

背景技术：

随着人脸识别领域的研究不断发展，人脸识别准确率越来越高。特别是随着计算机硬件的不断提升，以及大型人脸数据库的获取越来越方便，基于深度学习的人脸识别方法越来越使用化，使得人脸识别的应用越来越广泛。移动支付、门禁系统、员工签到系统、安防系统、vip客户管理系统等都嵌入了人脸识别算法。

虽然人脸识别已经被广泛使用，但是常见的人脸识别系统都是定制型的，能够识别的人脸数量有限，比如一个小区的门禁系统最多不过几千人，这样的系统只能成为小型人脸识别系统。由于人脸库中的人脸数量较少，对速度影响不大。但是对于百万级别的人脸数据库，要进行1:n的人脸对比，则需要较长的时间，对于公安部门嫌犯检索等场合，快速锁定嫌犯身份是非常重要的，而要对整个人脸库进行检索，非常耗时。

技术实现要素：

本发明针对现有技术中存在的问题，提供了一种基于人脸属性的人脸识别方法及系统，能够有效提高人脸识别的效率。

本发明就上述技术问题而提出的技术方案如下：

一方面，本发明提供一种基于人脸属性的人脸识别方法，包括：

获取待识别的人脸图像；

在检测到所述人脸图像清晰时，识别所述人脸图像中的人脸属性；

检索人脸库中与识别出的人脸属性所对应的子库，以对所述人脸图像进行人脸识别；所述人脸库由存储具有不同人脸属性的人脸样本图像的多个子库组成。

进一步地，所述人脸属性包括性别和年龄；

在所述获取待识别的人脸图像之前，还包括：

获取人脸样本图像；

对所述人脸样本图像进行性别识别；

对所述人脸样本图像进行年龄识别；

将人脸库划分为多个子库，使具有相同性别和年龄的人脸样本图像存储在一个子库中。

进一步地，所述在检测到所述人脸图像清晰时，识别所述人脸图像中的人脸属性，具体包括：

采用拉普拉斯方法对所述人脸图像的清晰度进行检测；

在检测到所述清晰度大于预设阈值时，判定所述人脸图像清晰，识别所述人脸图像中的人脸属性。

进一步地，所述方法还包括：

在检测到所述清晰度小于预设阈值时，判定所述人脸图像不清晰，检索整个人脸库，以对所述人脸图像进行人脸识别。

进一步地，所述检索人脸库中与识别出的人脸属性所对应的子库，以对所述人脸图像进行人脸识别，具体包括：

检索人脸库中与识别出的人脸属性所对应的子库；

分别计算所述人脸图像与所述子库中每个人脸样本图像的相似度；

将计算出的最高相似度与预设相似阈值进行比较；

若所述最高相似度大于预设相似阈值，则将所述人脸图像中的人脸识别为所述最高相似度的人脸样本图像所对应的人脸；

若所述最高相似度小于预设相似阈值，则将所述人脸图像中的人脸识别为陌生人脸。

另一方面，本发明提供一种基于人脸属性的人脸识别系统，能够实现上述基于人脸属性的人脸识别方法的所有流程，所述系统包括：

图像获取模块，用于获取待识别的人脸图像；

识别模块，用于在检测到所述人脸图像清晰时，识别所述人脸图像中的人脸属性；以及，

第一检索模块，用于检索人脸库中与识别出的人脸属性所对应的子库，以对所述人脸图像进行人脸识别；所述人脸库由存储具有不同人脸属性的人脸样本图像的多个子库组成。

进一步地，所述人脸属性包括性别和年龄；

所述系统还包括：

样本图像获取模块，用于获取人脸样本图像；

性别识别模块，用于对所述人脸样本图像进行性别识别；

年龄识别模块，用于对所述人脸样本图像进行年龄识别；以及，

划分模块，用于将人脸库划分为多个子库，使具有相同性别和年龄的人脸样本图像存储在一个子库中。

进一步地，所述识别模块具体包括：

检测单元，用于采用拉普拉斯方法对所述人脸图像的清晰度进行检测；

识别单元，用于在检测到所述清晰度大于预设阈值时，判定所述人脸图像清晰，识别所述人脸图像中的人脸属性。

进一步地，所述系统还包括：

第二检索模块，用于在检测到所述清晰度小于预设阈值时，判定所述人脸图像不清晰，检索整个人脸库，以对所述人脸图像进行人脸识别。

进一步地，所述第一检索模块具体包括：

检索单元，用于检索人脸库中与识别出的人脸属性所对应的子库；

相似度计算单元，用于分别计算所述人脸图像与所述子库中每个人脸样本图像的相似度；

比较单元，用于将计算出的最高相似度与预设相似阈值进行比较；

第一人脸识别单元，用于在所述最高相似度大于预设相似阈值时，将所述人脸图像中的人脸识别为所述最高相似度的人脸样本图像所对应的人脸；以及，

第二人脸识别单元，用于在所述最高相似度小于预设相似阈值时，将所述人脸图像中的人脸识别为陌生人脸。

本发明实施例提供的技术方案带来的有益效果是：

先对待识别的人脸图像的人脸属性进行识别，再对人脸库中与该人脸属性相对应的子库进行检索来识别人脸图像，大大减小人脸图像的检索范围，提高检索效率，同时，考虑到由于人脸属性识别存在的误差，因此仅对清晰的人脸图像进行人脸属性的识别，有效改善由于图像清晰度以及人脸属性识别存在的误差所造成的误匹配问题，降低误识率和人脸拒绝率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于人脸属性的人脸识别方法的一个实施例的流程示意图；

图2是本发明提供的基于人脸属性的人脸识别方法中人脸库的布局示意图；

图3是本发明提供的基于人脸属性的人脸识别方法的另一个实施例的流程示意图；

图4是本发明提供的基于人脸属性的人脸识别系统的一个实施例结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供了一种基于人脸属性的人脸识别方法，参见图1，所述方法包括：

s1、获取待识别的人脸图像；

s2、在检测到所述人脸图像清晰时，识别所述人脸图像中的人脸属性；

s3、检索人脸库中与识别出的人脸属性所对应的子库，以对所述人脸图像进行人脸识别；所述人脸库由存储具有不同人脸属性的人脸样本图像的多个子库组成。

需要说明的是，在步骤s1中，人脸图像的获取可通过直接读取图像文件来获取，也可通过摄像头获取。若图像中的人脸占比较小，可采用人脸检测方法将图像中的人脸区域检测出来，并将其裁剪后存储。

进一步地，所述人脸属性包括性别和年龄；

在所述获取待识别的人脸图像之前，还包括：

获取人脸样本图像；

对所述人脸样本图像进行性别识别；

对所述人脸样本图像进行年龄识别；

将人脸库划分为多个子库，使具有相同性别和年龄的人脸样本图像存储在一个子库中。

需要说明的是，在对人脸图像进行识别前，需重新对人脸库进行布局。先获取人脸样本图像，每个人对应设有一个独立文件夹，每个人的人脸样本图像存放在其独立文件夹中。进而，采用深度神经网络或其它任何机器学习方法遍历获取的人脸样本图像，以对人脸样本图像进行性别识别，其中，深度神经网络的输出神经元个数为2，分别代表男性和女性的概率，采用概率高的性别作为该人脸样本图像的性别识别结果，识别结束，根据性别识别结果对该人脸样本图像添加性别标签。同样，采用深度神经网络或其它任何机器学习方法遍历获取的人脸样本图像，以对人脸样本图像进行年龄识别，其中，深度神经网络的输出神经元个数优选为8，分别代表0-2岁、4-6岁、8-13岁、15-20岁、25-32岁、38-43岁、48-53岁、60岁以上的概率，采用概率高的年龄段作为该人脸样本图像的年龄识别结果，识别结束，根据年龄识别结果对该人脸样本图像添加年龄标签。其中，由于考虑到年龄识别具有一定的误差，因此采用区间非连续型年龄段划分。

根据性别和年龄标签，对人脸库重新布局。先按照性别将人脸库划分为两个大子库，再按照年龄将每个大子库划分为8个子库，使每个子库对应有一个性别和年龄标签，同时将与每个子库具有相同性别和年龄标签的人脸样本图像存储在所述子库中，如图2所示。其中，由于人脸样本图像存放于每个人的独立文件夹中，因此将每人的独立文件夹存放于相应子库中。

进一步地，在步骤s2中，所述在检测到所述人脸图像清晰时，识别所述人脸图像中的人脸属性，具体包括：

采用拉普拉斯方法对所述人脸图像的清晰度进行检测；

在检测到所述清晰度大于预设阈值时，判定所述人脸图像清晰，识别所述人脸图像中的人脸属性。

进一步地，所述方法还包括：

在检测到所述清晰度小于预设阈值时，判定所述人脸图像不清晰，检索整个人脸库，以对所述人脸图像进行人脸识别。

需要说明的是，在获取待识别的人脸图像后，先利用拉普拉斯方法对人脸图像的清晰度进行评估，若清晰度高，利用卷积神经网络或者其它任何机器学习方法分别对人脸图像的性别和年龄进行识别，进而在该性别和年龄所对应的子库中进行人脸检索，以识别人脸图像；若清晰度低，直接在整个人脸库中进行人脸检索，以识别人脸图像。

进一步地，在步骤s3中，所述检索人脸库中与识别出的人脸属性所对应的子库，以对所述人脸图像进行人脸识别，具体包括：

检索人脸库中与识别出的人脸属性所对应的子库；

分别计算所述人脸图像与所述子库中每个人脸样本图像的相似度；

将计算出的最高相似度与预设相似阈值进行比较；

若所述最高相似度大于预设相似阈值，则将所述人脸图像中的人脸识别为所述最高相似度的人脸样本图像所对应的人脸；

若所述最高相似度小于预设相似阈值，则将所述人脸图像中的人脸识别为陌生人脸。

需要说明的是，在子库中检索人脸前，先根据人脸样本图像训练深度神经网络，获取每个人脸样本图像的特征向量相应保存在子库中。检索时，先利用人脸对齐方法对待识别的人脸图像进行缩放和旋转，使人脸图像中的人脸与训练深度神经网络的人脸样本图像中的人脸对齐，进而将对齐后的人脸图像作为深度神经网络的的输入，使深度神经网络输出一个特征向量(行向量)，将该特征向量分别与子库中的每个人脸样本图像的特征向量进行对比，计算相似度，其中相似度可选择欧式距离、余弦相似度或者马氏距离等方法进行计算。进而，将对比结果中的最大相似度与预设相似阈值进行比较，最大相似度高于预设相似阈值，则判定该人脸图像中的人脸为最高相似度的人脸样本图像所对应的人脸，否则判定该人脸图像中的人脸为陌生人脸。另外，在待识别的人脸图像的清晰度低时，在整个人脸库中进行检索和识别，其采用的方法与在子库中进行检索和识别的方法相同，在此不再详细赘述。

参见图3，是本发明提供的基于人脸属性的人脸识别方法的另一个实施例的流程示意图，所述方法包括：

s301、获取人脸图像。

s302、判断图像质量是否高；若是，则执行步骤s303，若否，则执行步骤s306。

s303、人脸性别识别。

s304、人脸年龄识别。

s305、针对对应性别及年龄的子人脸库进行人脸检索。

s306、针对整个人脸库进行人脸检索。

本发明实施例先对待识别的人脸图像的人脸属性进行识别，再对人脸库中与该人脸属性相对应的子库进行检索来识别人脸图像，大大减小人脸图像的检索范围，提高检索效率，同时，考虑到由于人脸属性识别存在的误差，因此仅对清晰的人脸图像进行人脸属性的识别，有效改善由于图像清晰度以及人脸属性识别存在的误差所造成的误匹配问题，降低误识率和人脸拒绝率。

本发明实施例提供了一种基于人脸属性的人脸识别系统，能够实现上述基于人脸属性的人脸识别方法的所有流程，参见图4，所述系统包括：

图像获取模块1，用于获取待识别的人脸图像；

识别模块2，用于在检测到所述人脸图像清晰时，识别所述人脸图像中的人脸属性；以及，

第一检索模块3，用于检索人脸库中与识别出的人脸属性所对应的子库，以对所述人脸图像进行人脸识别；所述人脸库由存储具有不同人脸属性的人脸样本图像的多个子库组成。

进一步地，所述人脸属性包括性别和年龄；

所述系统还包括：

样本图像获取模块，用于获取人脸样本图像；

性别识别模块，用于对所述人脸样本图像进行性别识别；

年龄识别模块，用于对所述人脸样本图像进行年龄识别；以及，

划分模块，用于将人脸库划分为多个子库，使具有相同性别和年龄的人脸样本图像存储在一个子库中。

进一步地，所述识别模块具体包括：

检测单元，用于采用拉普拉斯方法对所述人脸图像的清晰度进行检测；

识别单元，用于在检测到所述清晰度大于预设阈值时，判定所述人脸图像清晰，识别所述人脸图像中的人脸属性。

进一步地，所述系统还包括：

第二检索模块，用于在检测到所述清晰度小于预设阈值时，判定所述人脸图像不清晰，检索整个人脸库，以对所述人脸图像进行人脸识别。

进一步地，所述第一检索模块具体包括：

检索单元，用于检索人脸库中与识别出的人脸属性所对应的子库；

相似度计算单元，用于分别计算所述人脸图像与所述子库中每个人脸样本图像的相似度；

比较单元，用于将计算出的最高相似度与预设相似阈值进行比较；

第一人脸识别单元，用于在所述最高相似度大于预设相似阈值时，将所述人脸图像中的人脸识别为所述最高相似度的人脸样本图像所对应的人脸；以及，

第二人脸识别单元，用于在所述最高相似度小于预设相似阈值时，将所述人脸图像中的人脸识别为陌生人脸。

本发明实施例先对待识别的人脸图像的人脸属性进行识别，再对人脸库中与该人脸属性相对应的子库进行检索来识别人脸图像，大大减小人脸图像的检索范围，提高检索效率，同时，考虑到由于人脸属性识别存在的误差，因此仅对清晰的人脸图像进行人脸属性的识别，有效改善由于图像清晰度以及人脸属性识别存在的误差所造成的误匹配问题，降低误识率和人脸拒绝率。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。