本发明涉及智能机器人技术领域，具体而言，涉及一种人脸识别方法、装置、机器人及存储介质。
背景技术：
随着城市的发展，人们在生活、工作中需要身份认证的场合越来越多，简单的身份证认证已经无法满足需求。目前，在种类繁多的认证中，人脸识别的认证方法集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，当前的机器人进行人脸识别时主要将待识别的人脸图像或者视频发送到云平台或者后台服务器上进行人脸特征提取和特征识别，得到识别结果发送给机器人，这种方法在网络时延大的或者网络负载高的时候，会导致服务器人脸识别运算负载重，从而影响人脸识别速度和用户体验，在断网的情况下无法正常进行人脸识别。
技术实现要素：
本发明实施例的目的在于提供一种人脸识别方法、装置、机器人及存储介质，用以改善上述问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种人脸识别方法，所述方法包括：获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值；依据人脸特征值对人脸图片进行特征识别，得到人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息；对所述人脸识别结果进行输出。
第二方面，本发明实施例还提供了一种人脸识别装置，所述装置包括初始信息获取模块、特征识别模块和识别结果输出模块。其中，初始信息获取模块用于获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值；特征识别模块用于依据人脸特征值对人脸图片进行特征识别，得到人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息；识别结果输出模块用于对人脸识别结果进行输出。
第三方面，本发明实施例还提供了一种机器人，所述机器人包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的人脸识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述人脸识别方法。
相对现有技术，本发明实施例提供的一种人脸识别方法、装置、机器人及存储介质，首先，获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值；然后，依据人脸特征值对人脸图片进行特征识别，得到人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息；最后，对所述人脸识别结果进行输出。本发明通过将视频流的图像分析、特征提取和特征识别从后台服务端移至机器人进行处理，一方面避免将大量的视频流传送到后台服务端，减轻了网络压力，降低了后台服务端的运算负载，提高了人脸识别的速度，另一方面使人脸识别不再受限于网络，即使断网的情况下也可以正常进行人脸识别。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例提供的人脸识别方法应用场景示意图。
图2示出了本发明实施例提供的机器人方框示意图。
图3示出了本发明实施例提供的人脸识别方法流程图。
图4为图3示出的步骤S101的子步骤流程图。
图5示出了本发明实施例提供的人脸识别装置的方框示意图。
图6为图5示出的人脸识别装置中初始信息获取模块的单元方框示意图。
图标：100-机器人；300-后台服务端；400-终端；101-存储器；102-存储控制器；103-处理器；104-外设接口；105-摄像装置；106-激光采集装置；107-输出装置；200-人脸识别装置；201-初始信息获取模块；202-特征识别模块；203-识别结果输出模块；2011-图像分析单元；2012-特征提取单元；2013-地点生成单元。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1示出了本发明实施例提供的机器人100、后台服务端300、终端400的交互示意图。后台服务端300可通过网络与机器人100和终端400均进行通信，以实现机器人100将通过对采集到的视频流进行图像分析和特征提取得到的人脸特征值，并对人脸特征值进行特征识别，当识别成功时将人脸识别结果输出，同时通过网络将人脸识别结果发送至后台服务端300，以实现后台服务端300通过终端400将人脸识别结果输出。
在本发明实施例中，后台服务端300可以是，但不限于，实体服务器、实体服务器上的虚拟机等能提供与所述服务器或者虚拟机有相同功能的实体或者虚拟的服务端。终端400可以是，但不限于智能手机、平板电脑、个人电脑(personal computer，PC)、服务器等等。终端400的操作系统可以是，但不限于，安卓(Android)系统、IOS(iPhone operating system)系统、Windows phone系统、Windows系统、Linux系统等。
请参照图2，图2示出了本发明实施例提供的机器人100的方框示意图。所述机器人100包括人脸识别装置200、存储器101、存储控制器102、处理器103、外设接口104、摄像装置105、激光采集装置106及输出装置107。
存储器101、存储控制器102、处理器103、外设接口104、摄像装置105、激光采集装置106及输出装置107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。机器人100包括至少一个可以软件或固件(firmware)的形式存储于存储器101中或固化在所述机器人100的操作系统(Robot Operating System，ROS)中的软件功能模块。处理器103用于执行存储器101中存储的可执行模块，例如人脸识别装置200所包括的软件功能模块及计算机程序等。
其中，存储器101可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序。
处理器103可以是一种集成电路芯片，具有信号处理能力。上述的处理器103可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、语音处理器以及视频处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
外设接口104将各种输入/输出装置(例如摄像装置105、激光采集装置106、输出装置107)耦合至所述处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
摄像装置105用于捕捉待识别人脸的视频流，摄像装置105可以是，但不限于摄像头，摄像机等具有采集视频流功能的摄像设备。
激光采集装置106用于采集机器人100所在的空间的空间信息和地理位置信息，激光采集装置106可以是，但不限于是脉冲激光雷达和连续波激光雷达等可以获取空间信息或地理位置的激光采集设备。
输出装置107用于将对待识别人脸的识别结果输出显示出来，输出装置107可以是，但不限于是显示屏、发声装置、闪光装置等可以表示识别结果的信息输出设备。
第一实施例
请参照图3，图3示出了本发明实施例提供的应用于机器人100的人脸识别的处理方法流程图。处理方法包括以下步骤：
步骤S101，获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值。
在本发明实施例中，待识别的人脸存在于利用机器人100的摄像装置105采集到的视频流中，待识别人脸的人脸图片是通过对所述视频流进行图像分析得到，对于同一个人的人脸只会得到一张最清晰的人脸图片。图片采集时间可以是与所述视频流中所述最清晰的人脸图片对应的时间，图片采集地点是机器人100在图片采集时间时在预先建立的空间地图中的相对位置。
请参照图4，步骤S101可以包括以下子步骤：
子步骤S1011，获取摄像装置采集的视频流，并进行图像分析，得到待识别人脸的人脸图片和图片采集时间。
在本发明实施例中，获取摄像装置105对待识别人脸进行摄像采集得到的包括待识别人脸的视频流，检测视频流中每一帧里每个人脸的位置，对于同一个人，截取一张清晰的人脸图片，作为一个待识别人脸的人脸图片，图片采集时间可以与待识别人脸的人脸图片对应的图像帧的采集时间。
子步骤S1012，对人脸图片进行人脸特征提取，得到人脸图片的人脸特征值；
在本发明实施例中，人脸特征提取是对人脸图片进行特征建模的过程，例如，人脸特征提取的方法可以是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些几何描述可以作为人脸特征值。
子步骤S1013，获取机器人的当前位置，并依据当前位置生成图片采集地点。
在本发明实施例中，获取机器人100的当前空间位置，并确定当前空间位置在预先建立的空间地图中的相对位置，该相对位置即为图片采集地点。
作为一种实施方式，获取机器人100的当前位置，并依据当前位置生成图片采集地点的方法可以包括：
首先，获取所述机器人100的当前空间位置，例如，通过激光采集装置106向周围发射激光，激光碰到周围物体并返回，可以计算出机器人100与周边物体的距离，根据该距离可以确定机器人100当前的空间位置。其次，依据当前空间位置，在预先建立的空间地图中确定出机器人100的图片采集地点，其中，空间地图是根据所述激光采集装置106采集的空间信息建立的，最后，确定机器人100的当前空间位置在空间地图中的相对位置即为图片采集地点。
步骤S102，依据人脸特征值对人脸图片进行特征识别。
在本发明实施例中，特征识别包括待识别人脸的人脸特征值搜索和待识别人脸的人脸图片的比对，首先，依据人脸特征值在预先建立的人脸数据库中确定出目标人脸模板，其中，人脸数据库包括多个人脸模板和与每个人脸模板对应的多个身份信息，人脸数据库的信息是机器人100初始化时预先写入的，根据机器人100实际应用的场景人脸数据库可以是不同的数据库，如用于会议展览的人脸数据库、小区门禁系统中的小区业主的人脸数据库、考生的人脸数据库等；其次，将待识别人脸的人脸图片与目标人脸模板进行对比，当人脸图片和目标人脸模板的相似度达到或高于预设阈值时，判定人脸图片和目标人脸模板一致，特征识别成功；最后，特征识别成功后依据初始信息和与目标人脸模板对应的身份信息生成人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息。
步骤S103，对人脸识别结果进行输出。
在本发明实施例中，人脸识别结果输出的方式可以是、但不限于显示屏显示、发出提示声音和提示闪光等。
需要说明的是，人脸识别结果生成后还会发送至后台服务端300，以使后台服务端300通过终端400将初始识别结果输出。
在本发明实施例中，首先，获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值；机器人100对摄像装置105采集的视频流进行图像分析得到人脸图片并对人脸图片进行人脸特征进行提取，一方面避免将大量的视频流传送到后台服务端300，减轻了网络压力，另一方面机器人100进行特征提取减轻了后台服务端300的压力，提高了人脸识别的速度；然后，依据人脸特征值对人脸图片进行特征识别，得到人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息，通过预先将人脸数据库保存在机器人100上，一方面提高了特征识别的速度，另一方面特征识别可以不受限于网络条件，即使断网的情况下也可以正常进行特征识别；最后，对所述人脸识别结果进行输出。人脸识别结果通过机器人100进行输出，可以使在机器人100附近的用户马上可以得到人脸识别结果，同时，发送至后台服务端300以使后台服务端300将人脸识别结果输出至终端400，可以使当前不在机器人100附近的用户也可以及时得到人脸识别结果。
第二实施例
请参照图5，图5示出了本发明实施例提供的人脸识别装置200的方框示意图。人脸识别装置200应用于机器人100，其包括初始信息获取模块201，特征识别模块202、识别结果输出模块203。
初始信息获取模块201，用于获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值。
本发明实施例中，初始信息获取模块201可以用于执行步骤S101。
请参照图6，图6为图5示出的人脸识别装置200中初始信息获取模块201的方框示意图。初始信息获取模块201包括图像分析单元2011、特征提取单元2012和地点生成单元2013。
图像分析单元2011，用于获取摄像装置采集的视频流，并进行图像分析，得到待识别人脸的人脸图片和图片采集时间。
在本发明实施例中，图像分析单元2011可以用于执行子步骤S1011。
特征提取单元2012，用于对人脸图片进行人脸特征提取，得到人脸图片的人脸特征值。
在本发明实施例中，特征提取单元2012可以用于执行子步骤S1012。
地点生成单元2013，用于获取机器人的当前位置，并依据当前位置生成图片采集地点。
在本发明实施例中，地点生成单元2013可以用于执行子步骤S1013。
特征识别模块202，用于依据人脸特征值对人脸图片进行特征识别，得到人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息。
本发明实施例中，特征识别模块202可以用于执行步骤S102。
识别结果输出模块203，用于对人脸识别结果进行输出。
本发明实施例中，识别结果输出模块203可以用于执行步骤S103。
本发明实施例还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器103执行时实现本发明前述实施例揭示的人脸识别方法。
综上所述，本发明提供的一种人脸识别方法、装置、机器人及存储介质，所述方法包括：获取待识别人脸的初始信息，其中，初始信息包括待识别人脸的人脸图片、图片采集时间、图片采集地点和人脸特征值；依据人脸特征值对人脸图片进行特征识别，得到人脸识别结果，其中，人脸识别结果包括识别后的人脸图片、图片采集时间、图片采集地点和待识别人脸的身份信息；对所述人脸识别结果进行输出。与现有技术相比，本发明通过将视频流的图像分析、特征提取和特征识别从后台服务端移至机器人进行处理，并将人脸数据库预先放置在机器人端，一方面避免将大量的视频流传送到后台服务端，减轻了网络压力，降低了后台服务端的运算负载，提高了人脸识别的速度，另一方面使人脸识别不再受限于网络，即使断网的情况下也可以正常进行人脸识别。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。