本发明涉及一种人脸识别技术领域，尤其是涉及一种人脸识别系统及其方法。
背景技术：
现今社会各界对个人身份认证进行有效识别的需求变得越来越迫切，使得生物特征识别技术在近几十年来取得了飞速的发展。作为人的一种内在属性，人脸具有很强的自身稳定性和个体差异性，并且相比于指纹识别等方式，人脸识别因具有非强制性、非接触性和并行性等优点，而成为了自动身份验证的最理想的依据。
当前的人脸识别技术在以下几个方面有着广泛的应用：刑侦部门根据预先存储在档案系统的罪犯照片，当获取到嫌疑犯的照片或者面部特征的描述后，可以从数据库中迅速查找确认，大大提高刑侦破案的准确率和效率；在海关、机场等公共场所，使用人脸识别技术，可以实现快速、高效以及自动化的通关服务，提高通行的效率和服务的质量；在银行、公司和公共场所可设立24小时的视频监控，当有黑名单人员进入时，可以进行实时跟踪、识别和报警等。
但是现有存在的问题为人脸识别检测速度太慢。
技术实现要素：
本发明所要解决的技术问题在于提供一种人脸识别系统及其方法，避免了现有技术人脸识别检测速度太慢的问题。
为解决上述技术问题，本发明的技术解决方案是：
一种人脸识别系统，包括配置有摄像头的智能终端；
所述智能终端通过网络同后台服务器相连接；
所述智能终端里包含有人脸检测模块、预处理模块、特征提取模块；
所述后台服务器里包含人脸匹配模块和识别库；
所述识别库中存有用来对比的人脸模板。
所述人脸识别系统的方法，具体如下：
通过智能终端的摄像头来采集人脸图像，然后对该人脸图像进行特征提取，然后把特征提取后的图像发送到后台服务器中来和识别库中的人脸模板进行对比，找到最相似的人脸模板。
所述进行特征提取的步骤如下：
步骤1：启动人脸检测模块来对采集来的人脸图像进行人脸检测，其人脸检测采用haar特征+adaboost分类器来检测人脸图像，haar特征是一种基于积分图的特征，主要在灰度图像中使用，该特征计算简单，提取速度较快。积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算。积分图能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。
adaboost分类器的算法为首先提取人脸图像中的haar特征，然后通过训练从中选出最优的haar特征，在将训练得到的haar特征转换成若分类器，最后将得到的弱分类器进行优化组合用于人脸检测，其算法描述如下：
1)给定标定的训练样本集真假样本。
2)初始化权重其中分别表示真假样本的数据和总样本数；
3)对于所有样本的权重进行归一化：
对于每个样本中的第j个haar-like特征，可以得到一个简单分类器，也就是确定阈值和偏置，使得误差εj达到最小：
其中，代表第个训练图像的第个haar特征，偏置两种情况；
在确定的简单分类器中，找出一个具有最小误差的弱分类器；
对所有的样本的权重进行更新；
4)最后得到的强分类器；
步骤2：再启动预处理模块进行预处理，预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。
人脸图像的预处理主要包括人脸矫正、人脸图像的增强以及归一化，人脸矫正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别；归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像；系统采用asm模型匹配、同态滤波和直方图规定化进行人脸预处理；
主动形状模型(asm)是一种基于统计模型的方法，该方法对训练集中大量形状实例进行统计，建立起反映目标形状变化规律的形状统计模型和反映灰度分布规律的局部灰度模型，在搜索过程中，首先利用训练得到的局部灰度模型进行搜索，之后利用形状模型来对搜索到的形状进行近似表达，同时对不合理的形状进行调整，通过循环迭代，得到理想的匹配结果；
同态滤波的主要步骤包括为：(1)对亮度函数两边作对数变换，再取傅氏变换；(2)通过一滤波器；(3)对滤波器的输出取傅氏反变换；选取合适的滤波器，可以适当压缩照度分量的动态范围，同时提升反射度分量，可以改善图像对比度，突出物体轮廓。
直方图规定化：(1)对源图像进行直方图均衡化；(2)对规定的标准图进行直方图均衡化；(3)确定源图像直方图与规定直方图的对应映射关系，原则是针对源图像均衡化后的直方图的每一个灰度级概率密度，查找最接近的规定直方图灰度概率密度，建立灰度映射表；(4)根据映射结果对像素点进行处理，实现对输入图像的增强；
步骤3：接着启动特征提取模块来进行特征提取，特征提取的任务包括如何从众多的特征中提取出对分类识别最有效的特征，提取的特征应当满足有较高的区分度、稳定性和鲁棒性这样的特性；
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。因此，采用gabor小波变换来处理人脸图像，可以增强一些关键特征，区分不同的人脸图像。
二维gabor小波变换的核函数定义为：
采用gabor小波变换提取出的面部特征信息的维数一般较高，可以利用主成分分析以及线性判别分析降低采用gabor小波变换提取出的面部特征信息的维数后，保存面部特征信息，用于人脸识别。
步骤4：把特征提取后的人脸图像发送到后台服务器，启动人脸识别模块将提取出的人脸特征与识别库中的每一个特征进行比较，相似度最高的被认为是该人脸的匹配对象。度量方式采用余弦距离，取值范围为【-1，1】，越接近1相似度越高，反之相似度越低，分别为待匹配人脸的特征数据和识别库中某一特征模板数据。这样，就实现了该人脸的识别。
经由本发明的结构，与现有技术相比，本发明的优点在于：
haar特征是一种基于积分图的特征，主要在灰度图像中使用，该特征计算简单，提取速度较快。积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算。积分图能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。
附图说明
图1是所述人脸识别系统的整体结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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。
如图1所示，人脸识别系统，包括配置有摄像头的智能终端；
所述智能终端通过网络同后台服务器相连接；
所述智能终端里包含有人脸检测模块、预处理模块、特征提取模块；
所述后台服务器里包含人脸匹配模块和识别库；
所述识别库中存有用来对比的人脸模板。
所述人脸识别系统的方法，具体如下：
通过智能终端的摄像头来采集人脸图像，然后对该人脸图像进行特征提取，然后把特征提取后的图像发送到后台服务器中来和识别库中的人脸模板进行对比，找到最相似的人脸模板。
所述进行特征提取的步骤如下：
步骤1：启动人脸检测模块来对采集来的人脸图像进行人脸检测，其人脸检测采用haar特征+adaboost分类器来检测人脸图像，haar特征是一种基于积分图的特征，主要在灰度图像中使用，该特征计算简单，提取速度较快。积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算。积分图能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。
adaboost分类器的算法为首先提取人脸图像中的haar特征，然后通过训练从中选出最优的haar特征，在将训练得到的haar特征转换成若分类器，最后将得到的弱分类器进行优化组合用于人脸检测，其算法描述如下：
1)给定标定的训练样本集真假样本。
2)初始化权重其中分别表示真假样本的数据和总样本数；
3)对于所有样本的权重进行归一化：
对于每个样本中的第j个haar-like特征，可以得到一个简单分类器，也就是确定阈值和偏置，使得误差εj达到最小：
其中，代表第个训练图像的第个haar特征，偏置两种情况；
在确定的简单分类器中，找出一个具有最小误差的弱分类器；
对所有的样本的权重进行更新；
4)最后得到的强分类器；
步骤2：再启动预处理模块进行预处理，预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。
人脸图像的预处理主要包括人脸矫正、人脸图像的增强以及归一化，人脸矫正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别；归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像；系统采用asm模型匹配、同态滤波和直方图规定化进行人脸预处理；
主动形状模型(asm)是一种基于统计模型的方法，该方法对训练集中大量形状实例进行统计，建立起反映目标形状变化规律的形状统计模型和反映灰度分布规律的局部灰度模型，在搜索过程中，首先利用训练得到的局部灰度模型进行搜索，之后利用形状模型来对搜索到的形状进行近似表达，同时对不合理的形状进行调整，通过循环迭代，得到理想的匹配结果；
同态滤波的主要步骤包括为：(1)对亮度函数两边作对数变换，再取傅氏变换；(2)通过一滤波器；(3)对滤波器的输出取傅氏反变换；选取合适的滤波器，可以适当压缩照度分量的动态范围，同时提升反射度分量，可以改善图像对比度，突出物体轮廓。
直方图规定化：(1)对源图像进行直方图均衡化；(2)对规定的标准图进行直方图均衡化；(3)确定源图像直方图与规定直方图的对应映射关系，原则是针对源图像均衡化后的直方图的每一个灰度级概率密度，查找最接近的规定直方图灰度概率密度，建立灰度映射表；(4)根据映射结果对像素点进行处理，实现对输入图像的增强；
步骤3：接着启动特征提取模块来进行特征提取，特征提取的任务包括如何从众多的特征中提取出对分类识别最有效的特征，提取的特征应当满足有较高的区分度、稳定性和鲁棒性这样的特性；
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。因此，采用gabor小波变换来处理人脸图像，可以增强一些关键特征，区分不同的人脸图像。
二维gabor小波变换的核函数定义为：
采用gabor小波变换提取出的面部特征信息的维数一般较高，可以利用主成分分析以及线性判别分析降低采用gabor小波变换提取出的面部特征信息的维数后，保存面部特征信息，用于人脸识别。
步骤4：把特征提取后的人脸图像发送到后台服务器，启动人脸识别模块将提取出的人脸特征与识别库中的每一个特征进行比较，相似度最高的被认为是该人脸的匹配对象。度量方式采用余弦距离，取值范围为【-1，1】，越接近1相似度越高，反之相似度越低，分别为待匹配人脸的特征数据和识别库中某一特征模板数据。这样，就实现了该人脸的识别。
对于3g网络的信息发送架构，其单位时间的信息输送位数比以往的同类网络有了很高的改善，基本上都能超过每秒3兆位，但是3g链路体系非常繁琐，因为信息的强度降低还有杂波的影响，就能够使得信息输送临时中止以及再次输送，这样让信息发生阻塞，在很高的信息量和实时性不低的情况下，此缺陷就格外严重，若无法处理此缺陷，必然将出现很多信息的报文组的遗失，让信息输送无法实现正确性。
为了防止报文组的遗失缺陷，往往就须得将还没处置的信息先写入后台服务器的硬盘中，在这里所述信息为后台服务器要发送给服务器d9的特征提取后的人脸图像和此时的本地后台服务器时间，且所述信息以报文组的形式存在，直到3g网络内存在能用的链路时才把信息执行输送，但是一般后台服务器的硬盘容量是不大的，特别是pad就越发小了，所以后台服务器的硬盘架构如何搭建就很重要，以前的模式为设置一对设定大小的硬盘空间，分别为第一硬盘空间与第二硬盘空间，在第一硬盘空间与第二硬盘空间均无报文组之际，就能收受信息的报文组，且把它写入到第一硬盘空间，且实时地把第一硬盘空间的报文组执行处置，同步地还能够接着收受信息的报文组，把它们写入到第二硬盘空间，等到第一硬盘空间内的报文组处置结束后且输送也结束后，这样第一硬盘空间还能够接着收受信息的报文组，同步的还能够执行对第二硬盘空间的处置，由此周而复始的进行，这样的模式在以往的数据输送体系下实现了好的效果，但是在3g网络条件下，一旦发生信息的强度降低还有杂波的影响，就能够使得信息输送临时中止以及再次输送，这样一对硬盘空间的报文组哪怕处置结束了，但是也无法进行输送，这样也就无法接着收受下一批的报文组，因为处在3g网络的条件下，单位时间发送的信息的报文组的位数不少，若多次无法收受报文组，即发生很多信息的遗失，所以此类模式在3g网络内有缺陷。
所以，为了解决这个问题，提出了如下的方法：
所述后台服务器的硬盘含有y个被清空的硬盘空间，y为不小于3的正整数，在所述智能终端中的重量处理模块把发送来的特征提取后的人脸图像传送到后台服务器中时，这里发送来的特征提取后的人脸图像是以报文组的形式发送过来的，然后进行如下步骤的处置：
步骤1a：智能终端依赖获取到的报文组的次序来按序写入已被清空的硬盘空间中；
步骤2a：于结束了步骤1a之际同步把写入的报文组按写入的次序执行处置，该处置的方式就是把步骤5中所述此时的本地后台服务器时间添加进报文组，处置结束后的报文组依然按序执行输送，所述输送也就是通过3g网络发送到服务器，输送报文组结束后把硬盘空间清空，使之成为已被清空的硬盘空间；
步骤3a：收受后续的报文组，循环执行步骤1a与步骤2a，使得硬盘空间被反复采用。
在把报文组写入已被清空的硬盘空间中之际，已被清空的硬盘空间能够用来写入报文组，写入了报文组的硬盘空间就接着处置，处置结束后执行输送，且清空硬盘空间的报文组，再次构成已被清空的硬盘空间，实现一个报文组的处置。
所述硬盘空间的个数y的设定方式为：
步骤1b：把报文组的收受、处置、输送的进程实施构建方程，即设定单位时间内收受报文组的个数是不变量p，而对收受到报文组所形成的比特流在单位时间内处置的报文组的个数是v，出于信息的强度降低还有杂波的影响使得再次输送报文须要的耗时的标准差是
步骤2b：用式(1)、(2)与(3)来得到硬盘空间的个数y：
这里，q、z均是中间系数；
所述出于信息的强度降低还有杂波的影响使得再次输送报文须要的耗时的标准差
所述硬盘空间的个数y的值为600、4或500。
而由此得到的实施例如下：
设定单位时间内收受报文组的个数是不变量p，该不变量p=3*106/l，其中3*106为单位时间内收受报文组的位数，l为最长报文组的位数，对收受到报文组所形成的比特流在单位时间内处置的个数在本实施例中为v＝4.5*106/l，而l的值能够根据实际报文组的标准来获取，所述出于信息的强度降低还有杂波的影响使得再次输送报文须要的耗时的标准差
这样把上述数值代入式(1)、(2)与(3)，就能知道，信息的强度降低不小还有杂波的影响也不小的情况下，再次输送的次数就更多，这样硬盘空间的数量也多，而在信息的强度降低还有杂波的影响忽略不计的情况下，也就是k(z)为零的状态下，就能得到n为122.7，也就是需要至少123个硬盘空间才能满足安全的输送。
本方式彻底颠覆了现有的方式，替换为反复调节写入硬盘空间的模式，高效地实现了防止报文组遗失使得信息不正确的缺陷。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。