本发明涉及图像识别术领域,特别是涉及一种图像识别方法及系统。
背景技术:
随着人机交互技术的应用日益广泛,在人机交互领域中,人脸识别技术具有非常重要的意义。人脸识别是指人的面部五官以及轮廓的分布,这些分布特征因人而异,与生俱来。
然而,人脸会随着表情、年龄的变化而发生改变,会因光照、角度、距离等对图像成像影响较大,这些都会影响人脸识别的准确性。
技术实现要素:
鉴于上述问题,本发明的一个目的是要提供一种克服上述问题或者至少部分地解决上述问题的图像识别方法及系统。
本发明一个进一步的目的是提高人脸识别的精度和实现快速识别人脸。
根据本发明的一个方面,本发明提供了一种图像识别方法,包括:
实时采集图像,获得原始图像;
对原始图像进行图像预处理,得到预处理后的图像;
对预处理后的图像进行检测,分理出图像中的人脸区域;
从人脸区域中提取面部特征信息;
将面部特征信息与人脸特征库进行比较,识别出相似度最高的人脸。
可选地,对原始图像进行图像预处理的步骤具体包括:
对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。
可选地,对预处理后的图像进行检测,分理出图像中的人脸区域的步骤具体包括:
对预处理后的图像进行粗检测,获得图像中人脸候选区域;
采用AdaBoost算法对人脸候选区域进行检测,分离出人脸区域。
可选地,对预处理后的图像进行粗检测,获得图像中人脸候选区域的步骤具体包括:
设置一个滑动窗口在预处理后的图像中不断的滑动,滑动窗口每到一个位置便计算该位置处的harr-like特征,若harr-like特征值大于预设的候选阙值,则确定该区域是人脸候选区域。
可选地,从人脸区域中提取面部特征信息的步骤具体包括:
采用Gabor小波变换提取人脸区域内的面部特征信息。
根据本发明另一个方面,还提供了一种图像识别系统,包括:
图像采集模块,配置为实时采集图像,获得原始图像;
图像预处理模块,配置为对原始图像进行图像预处理,得到预处理后的图像;
人脸检测模块,配置为对预处理后的图像进行检测,分理出图像中的人脸区域;
特征提取模块,配置为从人脸区域中提取面部特征信息;
识别模块,配置为将面部特征信息与人脸特征库进行比较,识别出相似度最高的人脸。
可选地,图像预处理模块还配置为:
对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。
可选地,人脸检测模块还配置为:
对预处理后的图像进行粗检测,获得图像中人脸候选区域;
采用AdaBoost算法对人脸候选区域进行检测,分离出人脸区域。
可选地,人脸检测模块还配置为:
设置一个滑动窗口在预处理后的图像中不断的滑动,滑动窗口每到一个位置便计算该位置处的harr-like特征,若harr-like特征值大于预设的候选阙值,则确定该区域是人脸候选区域。
可选地,特征提取模块还配置为:
采用Gabor小波变换提取人脸区域内的面部特征信息。
本发明的图像识别方法及系统,通过人脸检测、预处理、特征提取,从数据库中匹配出最具相似度的人脸,保证了人脸识别的准确性,具有广泛的应用前景。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的图像识别方法的流程图;
图2是根据本发明一个实施例的图像识别系统的示意性结构图。
具体实施方式
本实施例首先提供了一种图像识别方法,图1是根据本发明一个实施例的图像识别方法的流程图。
如图1所示,本实施例的图像识别方法包括:
S102,实时采集图像,获得原始图像;
S104,对原始图像进行图像预处理,得到预处理后的图像;
S106,对预处理后的图像进行检测,分理出图像中的人脸区域;
S108,从人脸区域中提取面部特征信息;
S110,将面部特征信息与人脸特征库进行比较,识别出相似度最高的人脸。
在步骤S104中,对原始图像进行图像预处理的步骤包括:对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。通过图像灰度化处理将彩色的原始图像转换为灰度图像,通过图像缩放处理将图像缩小在一个合适的尺寸,提升图像检测的速度,通过直方图光线均衡化处理改善图像的对比度和亮度,以避免光线不足或光线过亮对后续检测的影响。
在步骤S106中,对预处理后的图像进行检测,分理出图像中的人脸区域的步骤具体包括:对预处理后的图像进行粗检测,获得图像中人脸候选区域,采用AdaBoost算法对人脸候选区域进行检测,分离出人脸区域。其中,对预处理后的图像进行粗检测,获得图像中人脸候选区域的步骤具体包括:设置一个滑动窗口在预处理后的图像中不断的滑动,滑动窗口每到一个位置便计算该位置处的harr-like特征,若harr-like特征值大于预设的候选阙值,则确定该区域是人脸候选区域。
harr-1ike特征就是将黑白分半的图框放到滑动窗口中,将白色区域的像素减去黑色区域的像素和,然后设定一个候选阔值,大于候选阔值的区域就是得到的人脸候选区域。
AdaBoost算法是Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。
在步骤S108中,从人脸区域中提取面部特征信息的步骤具体包括:采用Gabor小波变换提取人脸区域内的面部特征信息。
由于Gabor小波变换可以提取图像特定区域内的多尺度、多方向空间频率特征,像显微镜一样放大灰度的变化,这样人脸图像中的眼睛、鼻子和嘴以及其它局部特征被放大,可以增强人脸图像中的一些关键特征,区分不同的人脸图像。
如图2所示,基于上述图像识别方法,本实施例还提供了一种图像识别系统10,包括图像采集模块11、图像预处理模块12、人脸检测模块13、特征提取模块14和识别模块15。
图像采集模块11配置为实时采集图像,获得原始图像。图像预处理模块12配置为对原始图像进行图像预处理,得到预处理后的图像,图像预处理模块12还配置为对原始图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理。通过图像灰度化处理将彩色的原始图像转换为灰度图像,通过图像缩放处理将图像缩小在一个合适的尺寸,提升图像检测的速度,通过直方图光线均衡化处理改善图像的对比度和亮度,以避免光线不足或光线过亮对后续检测的影响。
人脸检测模块13配置为对预处理后的图像进行检测,分理出图像中的人脸区域,人脸检测模还配置为对预处理后的图像进行粗检测,获得图像中人脸候选区域,采用AdaBoost算法对人脸候选区域进行检测,分离出人脸区域。人脸检测模块13还配置为设置一个滑动窗口在预处理后的图像中不断的滑动,滑动窗口每到一个位置便计算该位置处的harr-like特征,若harr-like特征值大于预设的候选阙值,则确定该区域是人脸候选区域。
harr-1ike特征就是将黑白分半的图框放到滑动窗口中,将白色区域的像素减去黑色区域的像素和,然后设定一个候选阔值,大于候选阔值的区域就是得到的人脸候选区域。
特征提取模块14配置为从人脸区域中提取面部特征信息,特征提取模块14还配置为采用Gabor小波变换提取人脸区域内的面部特征信息。由于Gabor小波变换可以提取图像特定区域内的多尺度、多方向空间频率特征,像显微镜一样放大灰度的变化,这样人脸图像中的眼睛、鼻子和嘴以及其它局部特征被放大,可以增强人脸图像中的一些关键特征,区分不同的人脸图像。
识别模块15配置为将面部特征信息与人脸特征库进行比较,识别出相似度最高的人脸。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。