人脸识别系统及方法与流程

本发明涉及智能设备技术领域，尤其涉及一种人脸识别系统及方法。

背景技术：

随着人工智能技术和图像处理等技术的不断发展，人脸识别已经被广泛地应用到社会活动各个领域。例如，人脸识别智能开锁、人脸识别智能支付、人脸识别追捕逃犯等等。人脸识别技术一般是基于人脸图像，及通过摄像头采集人脸图像，然后发送给云端，云端对采集到的人脸图像进行检测、人脸定位和特征提取等，然后根据提取的特征与预存的特征进行对比，实现人脸识别技术。图像拼接技术指的是将一张物体不同角度的图像拼接成该物体完整图像。

目前，传统的人脸识别系统中，通常是只设置一个摄像头，通过该摄像头采集人脸图像，然后发送到云端进行特征提取和人脸识别。

但是，发明人发现现有的人脸识别系统中至少存在如下技术问题：现有技术中，仅一个摄像头采集人脸图像往往采集的人脸图像不完整，常需要被采集人员必须弯腰或调整姿势，导致人脸识别过程效率较低。

技术实现要素：

鉴于上述问题，本发明实施例提供一种人脸识别系统及方法，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。

为了实现上述目的，本发明提供如下技术方案：

本发明的第一方面提供一种人脸识别系统，包括：

多个固定支架、多个图像采集设备、中转服务器和识别服务器；

每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像；

所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像；

所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别。

可选地，所述识别服务器用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机svm分类器进行分类，得到所述人脸图像的人脸图像识别结果；将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。

可选地，所述识别服务器还用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；提取所述训练样本的人脸图像纹理特征；将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。

可选地，所述识别服务器用于所述提取所述训练样本的人脸图像纹理特征的过程，包括：

设定局部二值模式lbp共生矩阵纹理特征提取算法的参数；

根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；

基于双线性插值计算所述亚像素及其对应邻域点的灰度值；

根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素lbp图像；

基于lbp共生矩阵纹理特征提取算法，计算所述亚像素lbp图像的亚像素lbp共生矩阵，得到所述训练样本的人脸图像纹理特征。

可选地，所述lbp共生矩阵纹理特征提取算法的参数包括lbp参数和共生矩阵参数，所述lbp参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；

所述识别服务器用于所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点的过程，包括：

根据所述统计距离和统计方向，确定原图像素对应的亚像素；

根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。

可选地，所述报警设备为蜂鸣报警器、声光报警器或语音报警器。

本发明实施例的第二方面提供一人脸识别方法，用于第一方面任一项所述的人脸识别系统的识别服务器，包括：

将所述完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的svm(supportvectormachine，支持向量机)分类器进行分类，得到所述人脸图像的人脸图像识别结果；

将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。

可选地，所述方法还包括：对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本和第二预设数量的测试样本；

提取所述训练样本的人脸图像纹理特征；

将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。

可选地，所述提取所述训练样本的人脸图像纹理特征还，包括：

设定lbp(localbinarypattern，局部二值模式)共生矩阵纹理特征提取算法的参数；

根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；

基于双线性插值计算所述亚像素及其对应邻域点的灰度值；

根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素lbp图像；

基于lbp共生矩阵纹理特征提取算法，计算所述亚像素lbp图像的亚像素lbp共生矩阵，得到所述训练样本的人脸图像纹理特征。

可选地，所述lbp共生矩阵纹理特征提取算法的参数包括lbp参数和共生矩阵参数，所述lbp参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；

所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：

根据所述统计距离和统计方向，确定原图像素对应的亚像素；

根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。

与现有技术相比，本发明实施例提供的系统及其方法具有如下优点：本发明实施例包括多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。

除了上面所描述的本发明实施例解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的有益效果外，本发明实施例提供的人脸识别系统所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的有益效果，将在具体实施方式中作出进一步详细的说明。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的人脸识别系统的结构示意图；

图2为本发明另一实施例提供的人脸识别系统的结构示意图；

图3为本发明另一实施例提供的人脸识别系统的结构示意图；

图4为本发明一实施例提供的人脸识别方法的流程示意图；

图5为本发明另一实施例提供的人脸识别方法的流程示意图；

图6为本发明再一实施例提供的人脸识别方法的流程示意图；

图7为本发明一实施例提供的人脸识别装置的框图。

附图标记说明：

固定支架101、支腿1011、主体件1012、图像采集设备102、图像采集摄像头1021、灯源设备1022、中转服务器103、识别服务器104、电子切换开关105、报警设备106、云台1013。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。

人脸识别：指的是基于人脸图像，及通过摄像头采集人脸图像，然后发送给云端，云端对采集到的人脸图像进行检测、人脸定位和特征提取等，然后根据提取的特征与预存的特征进行对比，实现人脸识别技术。

图像拼接：指的是将一张物体不同角度的图像拼接成该物体完整图像。

参考图1，图1为本发明一实施例提供的人脸识别系统的结构示意图。在本实施例中，所述人脸识别系统，具体包括：

多个固定支架101、多个图像采集设备102、中转服务器103和识别服务器104。

每个固定支架101上安装有一个图像采集设备102，每个图像采集设备102上各设有一个图像采集摄像头1021和一个灯源设备1022，图像采集摄像头1021用于灯源设备1022照射下的采集待识别对象的面部人脸图像。

中转服务器103与每个图像采集摄像头1021均连接，用于接收各图像采集摄像头1021发送人脸图像，得到完整的人脸图像。

识别服务器104与中转服务器103连接，用于根据完整的人脸图像对待识别对象进行人脸识别。

在本实施例中，接收各图像采集摄像头1021发送人脸图像，得到完整的人脸图像的过程属于现有的任何可以实现图像拼接的过程。

识别服务器104根据完整的人脸图像对待识别对象进行人脸识别的过程也属于现有的任何可以实现人脸识别的过程。

固定支架101可以由多个支腿1011和主体件1012构成，其中主体件1012设置在多个支腿1011上。

图像采集摄像头1021可以是普通摄像头和/或红外摄像头。

灯源设备1022有电源设备和发光设备组成，其中电源设备可以是市电，发光设备为无影灯。

本实施例的人脸识别系统的工作过程为：待识别对象进入识别区域内，采集待识别对象的多张人脸图像，并将多张人脸图像发给中转服务器，中转服务器将多张人脸图像拼接成完整的人脸图像，中转服务器将完整的人脸图像发送给识别服务器，识别服务器根据所述完整的人脸图像对所述待识别对象进行人脸识别。

本实施例的人脸识别系统，包括多个固定支架、多个图像采集设备、中转服务器和识别服务器，每个固定支架上安装有一个图像采集设备，每个图像采集设备上各设有一个图像采集摄像头和一个灯源设备，所述图像采集摄像头用于灯源设备照射下的采集待识别对象的面部人脸图像，所述中转服务器与每个图像采集摄像头均连接，用于接收各图像采集摄像头发送人脸图像，得到完整的人脸图像，所述识别服务器与所述中转服务器连接，用于根据所述完整的人脸图像对所述待识别对象进行人脸识别，可同时采集多张人脸图像，并得到完整的人脸图像，能够提高人脸识别过程的效率。

参考图2，图2为本发明另一实施例提供的人脸识别系统的结构示意图。在图1的实施例的基础上，所述人脸识别系统，还可以包括：

电子切换开关105；电子切换开关105分别于各图像采集摄像头1021和中转服务器103连接，中转服务器103控制电子切换开关105循环、依次将各图像采集摄像头与中转服务器通信连接。

在本实施例中，电子切换开关为多切一型，中转服务器103控制图像采集摄像头依次采集待识别对象的面部人脸图像，并依次将人脸图像发送至中转服务器103。

从上述实施例可知，通过电子切换开关，依次采集待识别对象的面部人脸图像，并依次将人脸图像发送至中转服务器，可以减小图像采集摄像头与中转服务器通信的带宽，保证数据的传输，避免同时发送大量的人脸图像数据出现通信拥堵的情况。

参考图2，作为本发明提供的人脸识别系统的一种具体实施方式中，所述系统还包括：

报警设备106；报警设备106与识别服务器104连接，报警设备106根据识别服务器104人脸识别结果进行报警工作。

在本实施例中，别服务器104对完整的人脸图像进行人脸识别，当人脸信息识别通过时，报警设备106不进行报警工作；当人脸信息识别没有通过时，报警设备106进行报警工作。

具体地，所述报警设备106为蜂鸣报警器、声光报警器或语音报警器。

参考图3，作为本发明提供的人脸识别系统的一种具体实施方式中，各固定支架上设有云台1013，云台1013用于固定各图像采集设备。

通过云台可以根据需要调整图像采集设备的角度，使图像采集设备采集的人脸图像更清晰准确。

参考图4，图4为本发明一实施例提供的人脸识别方法的流程示意图，该方法应用于上述实施例的人脸识别系统的识别服务器104，详述如下：

s401：将完整的人脸图像输入至训练好的卷积深度信念网络，经过卷积深度信念网络的svm分类器进行分类，得到人脸图像的人脸图像识别结果。

在本实施例中，训练好的卷积深度信念网络包括深度信念网络与卷积神经网络的算法。

s402：将人脸图像识别结果与预存的人脸图像进行对比，判断人脸识别是否通过。

在本实施例中，当人脸图像识别结果与预存的人脸图像匹配时，则确定人脸识别通过；当人脸图像识别结果与预存的人脸图像不匹配时，则确定人脸识别没有通过。这里，人脸图像识别结果与预存的人脸图像匹配为：人脸图像信息的纹理特征与预存的人脸图像的纹理特征相一致。

从上述实施例可知，通过融合深度信念网络与卷积神经网络的算法的卷积深度信念网络，能够解决图像全尺寸高效率衡量的难点。

参考图5，图5为本发明另一实施例提供的人脸识别方法的流程示意图，本实施例详细描述识别服务器104训练卷积深度信念网络的过程，详述如下：

s501：对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本。

在本实施例中，进行归一化处理的目的是使得人脸图像满足卷积深度信念网络训练需要。

s502：提取训练样本的人脸图像纹理特征。

在本实施例中，可以通过lbp共生矩阵纹理特征提取算法提取人脸图像纹理特征。

s503：将训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。

参考图6，图6为本发明再一实施例提供的人脸识别方法的流程示意图，本实施例详细描述，提取训练样本的人脸图像纹理特征的过程，包括：

s601：设定局部二值模式lbp共生矩阵纹理特征提取算法的参数。

s602：根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点。

具体地，所述lbp共生矩阵纹理特征提取算法的参数包括lbp参数和共生矩阵参数，所述lbp参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；

所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：根据所述统计距离和统计方向，确定原图像素对应的亚像素；根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。

s603：基于双线性插值计算所述亚像素及其对应邻域点的灰度值。

s604：根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素lbp图像。

s605：基于lbp共生矩阵纹理特征提取算法，计算所述亚像素lbp图像的亚像素lbp共生矩阵，得到所述训练样本的人脸图像纹理特征。

所述lbp共生矩阵纹理特征提取算法的参数包括lbp参数和共生矩阵参数，所述lbp参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；

所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：

根据所述统计距离和统计方向，确定原图像素对应的亚像素；

根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。

从上述实施例可知，通过lbp共生矩阵纹理特征提取算法提取训练样本的人脸图像纹理特征，能解决纹理丢失的问题。

参考图7，图7为本发明一实施例提供的人脸识别装置的框图，所述人脸识别装置包括：

卷积深度信念网络处理模块701，用于将完整的人脸图像输入至训练好的卷积深度信念网络，经过所述卷积深度信念网络的支持向量机svm分类器进行分类，得到所述人脸图像的人脸图像识别结果；

人脸识别判断模块702，用于将人脸图像识别结果与预存的人脸图像进行对比，判断所述人脸识别是否通过。

参考图7，在本发明的一个实施例中，所述装置还包括：

预处理模块703，用于对预先获取的多个人脸图像进行归一化处理及标记，得到第一预设数量的训练样本；

特征提取模块704，用于提取所述训练样本的人脸图像纹理特征；

训练模块705，用于将所述训练样本的人脸图像纹理特征输入至初始的卷积深度信念网络中，采用贪心逐层训练算法对每一层网络的参数进行优化训练，得到训练好的卷积深度信念网络。

在本发明的一个实施例中，所述特征提取模块704，具体用于设定局部二值模式lbp共生矩阵纹理特征提取算法的参数；根据所述参数确定训练样本的原图像素对应的亚像素及其对应邻域点；基于双线性插值计算所述亚像素及其对应邻域点的灰度值；根据所述亚像素及其对应邻域点的灰度值，确定所述训练样本的亚像素lbp图像；基于lbp共生矩阵纹理特征提取算法，计算所述亚像素lbp图像的亚像素lbp共生矩阵，得到所述训练样本的人脸图像纹理特征。

在本发明的一个实施例中，所述lbp共生矩阵纹理特征提取算法的参数包括lbp参数和共生矩阵参数，所述lbp参数包括邻域半径和领域点个数，所述共生矩阵参数包括统计距离和统计方向；所述特征提取模块704，用于所述根据所述参数确定训练样本和测试样本的原图像素对应的亚像素及其对应邻域点，包括：根据所述统计距离和统计方向，确定原图像素对应的亚像素；根据所述邻域半径和领域点个数，确定每个亚像素对应的领域点。

在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。