本发明涉及一种人脸识别方法，具体为一种人脸检测和人脸比对的方法，属于生物特征识别技术领域。
背景技术：
随着现代信息技术的快速发展，以及各方面快速有效的自动身验证的迫切需求，生物特征识别技术在近几十年得到了飞速的发展，线代生物技术主要通过计算机与高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定，具有很强的自身稳定性和个体差异性，生物特征技术不会像密码那样需要经常更改，且不容易遗忘，也不像固定物本身担心别人窃取和丢失，因此，生物识别技术已经成为身份识别手段的新宠，它为用户带来更加安全、便捷、快捷的服务。更加安全，快捷的服务，常见的生物识别技术有：虹膜识别、人脸识别、签名识别、语音识别、指纹识别、以及视网膜识别。
人脸识别技术融合了数字图像处理、计算机图形学、模式识别、计算机视觉、人工神经网络、生物特征技术以及生理学、心理学等多个学科的理论和方法，虽然对于人脸识别的研究已经有了很大的进展，但目前的技术仍不能对复杂背景中的人脸等进行有效地处理和自动跟踪。因此，人脸识别技术在当前及未来很长一段时间内仍然是富有挑战性的课题。
技术实现要素：
本发明的目的就在于为了解决上述问题而提供一种人脸检测和人脸比对的方法。
本发明通过以下技术方案来实现上述目的：一种人脸检测和人脸比对的方法，包括
图像输入，将读取视频流或者图片中的人脸图像输入到神经网络。
计算特征，获得人脸相关部位的位置信息，如眼睛、鼻子等，并将其与已知人脸进行对比，从而识别每个人脸的身份。
输出类别，通过全连接层获得用于识别图像的计算特征，最终得到人脸图像的识别率。
其中，所述图像输入通过滤波器将人脸图像进行输送，所述计算特征由卷积层、下采样层和全连接层组成，所述计算特征使用dlib、opencv的人脸检测方法对人脸进行检测，所述输出类别通过多类别svm对获得的特征进行分类。
一种人脸检测和人脸比对的方法，包括如下步骤：
步骤1，读取视频流或者图片中的人脸。
步骤2，对获取的人脸进行检测，返回人脸的相关信息，在openface中，使用的是dlib、opencv现有的人脸检测方法。
步骤3，对于原始图像和上一步获得的人脸位置，然后根据关键点对人脸做对齐校准，使用仿射变换将人脸统一“摆正”。
步骤4，使用深度卷积网络，将输入的人脸图像，转换成一个向量的表示，在openface中使用的向量是128x1的，也就是一个128维的向量，输入神经网络的是图像，经过一系列卷积后，全连接分类得到类别概率，在通常的图像应用中可以去掉全连接层，用计算的特征来当作提取的特征进行计算。即用卷积层最后一层做为人脸的“向量表示”。
步骤5，输入目标通过与n个卷积核进行卷积，得到具有n个特征图的c1层；然后对特征图中的图像进行池化，池化尺度的大小可根据不同的需要设定，最后通过全连接层获得用于识别图像的特征，用多类别svm对获得的特征进行分类，最终得到人脸图像的识别率。
优选的，为了避免与检测单位发生直接的接触，所述图像输入中所使用的面部特征识别系统具有良好的隔离性和交互性。
优选的，为了实现全方位智能化，操作简单，所述计算特征能够通过预设的方法让系统自动完成检测识别。
优选的，为了找到关键点对人脸进行“校准”，所述步骤3中的关键点包括眼角的位置、鼻子的位置、脸的轮廓点等。
优选的，为了便于对人脸进行比对，所述步骤4中不同的人脸图像具有不同的向量。
本发明的有益效果是：该人脸检测和人脸比对的方法设计合理，图像输入中所使用的面部特征识别系统具有良好的隔离性和交互性，检测的人不需要与检测单位发生直接的接触就可以获取检测人的人脸图像，且对设备及安装要求不高，只需要普通摄像头、照相机等即可，计算特征能够通过预设的方法让系统自动完成检测识别，整个过程无需人工操作，更不需要检测人直接参与，实现全方位智能化，操作简单，易于实现，步骤3中的关键点包括眼角的位置、鼻子的位置、脸的轮廓点等，有了这些关键点，就可以对人脸进行“校准”，或者说是“对齐”，根据这些关键点，能够尽量去消除不用姿势带来的误差，步骤4中不同的人脸图像具有不同的向量，通过向量表示之间的距离就可以直接反映人脸的相似度，便于对人脸进行比对。
附图说明
图1为本发明结构示意图；
图2为本发明结构网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1～2，一种人脸检测和人脸比对的方法，包括
图像输入，将读取视频流或者图片中的人脸图像输入到神经网络。
计算特征，获得人脸相关部位的位置信息，如眼睛、鼻子等，并将其与已知人脸进行对比，从而识别每个人脸的身份。
输出类别，通过全连接层获得用于识别图像的计算特征，最终得到人脸图像的识别率。
其中，所述图像输入通过滤波器将人脸图像进行输送，所述计算特征由卷积层、下采样层和全连接层组成，所述计算特征使用dlib、opencv的人脸检测方法对人脸进行检测，所述输出类别通过多类别svm对获得的特征进行分类，所述图像输入中所使用的面部特征识别系统具有良好的隔离性和交互性，检测的人不需要与检测单位发生直接的接触就可以获取检测人的人脸图像，且对设备及安装要求不高，只需要普通摄像头、照相机等即可，所述计算特征能够通过预设的方法让系统自动完成检测识别，整个过程无需人工操作，更不需要检测人直接参与，实现全方位智能化，操作简单，易于实现。
一种人脸检测和人脸比对的方法，包括如下步骤：
步骤1，读取视频流或者图片中的人脸。
步骤2，对获取的人脸进行检测，返回人脸的相关信息，在openface中，使用的是dlib、opencv现有的人脸检测方法。
步骤3，对于原始图像和上一步获得的人脸位置，然后根据关键点对人脸做对齐校准，使用仿射变换将人脸统一“摆正”。
步骤4，使用深度卷积网络，将输入的人脸图像，转换成一个向量的表示，在openface中使用的向量是128x1的，也就是一个128维的向量，输入神经网络的是图像，经过一系列卷积后，全连接分类得到类别概率，在通常的图像应用中可以去掉全连接层，用计算的特征来当作提取的特征进行计算。即用卷积层最后一层做为人脸的“向量表示”。
步骤5，输入目标通过与n个卷积核进行卷积，得到具有n个特征图的c1层；然后对特征图中的图像进行池化，池化尺度的大小可根据不同的需要设定，最后通过全连接层获得用于识别图像的特征，用多类别svm对获得的特征进行分类，最终得到人脸图像的识别率。
所述步骤3中的关键点包括眼角的位置、鼻子的位置、脸的轮廓点等，有了这些关键点，就可以对人脸进行“校准”，或者说是“对齐”，根据这些关键点，能够尽量去消除不用姿势带来的误差，所述步骤4中不同的人脸图像具有不同的向量，通过向量表示之间的距离就可以直接反映人脸的相似度，便于对人脸进行比对。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。