本申请涉及智慧城市技术领域，尤其涉及一种智慧社区人脸识别的方法和系统。
背景技术：
智慧社区是智慧城市技术的有机组成部分，包括智能楼宇、智能家庭、智慧公共服务等多个方面，旨在综合运用模式识别、物联网、移动互联网、云技术、大数据等多种手段，为社区居民提供安全、便利、舒适的生活居住体验，并且增强物业、安保、居委会、公安等机构对社区的管理与服务，降低人力物力成本并提升管理效率。
实现身份识别，是智慧社区的基础性需求，可以在智慧社区的门禁权限控制、人员和房屋登记、业主专享设施和服务等方面发挥重要作用。由于社区中的视频监控正在快速普及，众多已有视频监控设备已经可以进行远距离、用户非配合状态下的快速图像采集，以求远距离快速确认人员身份，实现智能预警，因此，在智慧社区中采用人脸识别技术来实现身份识别无疑是最佳的选择。
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。该技术包括用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的特征信息提取，基于脸部特征信息的比对识别人的身份等一系列的相关技术，通常也叫做人像识别、面部识别。
人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：1.非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；2.非接触性：用户不需要和设备直接接触就能获取人脸图像；3.并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别。除此之外，人脸识别还具有操作简单、结果直观、隐蔽性好等特点。
现有技术中人脸识别技术的一般手段是从监控视频图像中实时查找人脸并提取脸部特征信息，并与人脸数据库中登记的脸部特征信息进行实时比对，从而实现快速身份识别。然而，现有技术中的人脸识别方法，在识别过程中需要采集大量的人脸特征，且比对运算量大，算法复杂，因此导致的识别速度较慢、消耗的软硬件资源多、对系统硬件配置的要求高。
在智慧社区身份识别这一应用场景下，人脸识别需要面对以下特定的技术问题：首先，需要加以身份识别的人物数量极为众多，包括全部在智慧社区空间范围内出现的人物，其中需要在数据库中保存脸部特征信息的人物至少会包括全体业主、全体登记访客、全体社区工作人员等，可见，采用的脸部特征信息越精细，则系统数据库的数据量越庞大，存储、管理和查询这些脸部特征信息相应的软硬件成本开销也就越大，并且从海量数据中执行脸部特征信息比对的延迟也会增大。第二，智慧社区的应用场景下人脸识别的触发频次非常高，例如每一个人物在进出社区、使用楼宇门禁、验证业主身份乃至在视频监控区的活动期间，都会触发人脸识别，可见必须采用精简的算法，才能够保证智慧社区不需要投入过多的软硬件计算资源，并且能够将完成身份识别的时间长度降低到可接受的程度。
可见，在智慧社区的应用环境中，必须要在分布式低配置硬件资源、海量识别对象、高频次触发等实际条件下，满足高效、可靠、快速、低成本的人脸识别需求。
技术实现要素：
有鉴于此，本申请的目的在于提出一种智慧社区人脸识别的方法和系统。本申请目的是解决现有技术中人脸识别方法在识别过程中需要采集大量的人脸特征数据，运算量大且算法复杂，导致识别速度较慢、消耗软硬件资源多、实现成本高的问题，适应智慧社区场景下分布式低配置硬件资源、海量识别对象、高频次触发的实际条件，高效、可靠、快速、低成本实现人脸识别。
基于上述目的，在本申请的一个方面，提出了一种智慧社区人脸识别方法，包括：
获取目标人体的人脸图像；
对所述人脸图像进行边缘检测，根据闭合边缘将所述人脸图像划分为多个区域；
对所述多个区域中的重点区域进行纹理提取，生成所述重点区域的纹理特征向量，其中，所述重点区域是根据聚类规则确定的人脸器官区域；
基于所述纹理特征向量，对所述重点区域进行比对识别，进而确定所述目标人体的身份信息。
在一些实施例中，在所述对所述人脸图像进行边缘检测，根据闭合边缘将所述人脸图像划分为多个区域之前，所述方法还包括：
对所述人脸图像进行图像增强，滤波去除噪声干扰，并去除伪影，然后再增强对比度，增强所述人脸图像不同灰度颜色区域的反差。
在一些实施例中，所述对所述人脸图像进行边缘检测，根据闭合边缘将所述人脸图像划分为多个区域，具体包括：
采用canny边缘检测算子对所述人脸图像进行边缘检测，提取由封闭边缘包围的图像区域，根据闭合边缘将所述人脸图像划分为多个区域。
在一些实施例中，所述采用canny边缘检测算子对所述人脸图像进行边缘检测，提取由封闭边缘包围的图像区域，包括：
对人脸图像与高斯mask作卷积，对所述人脸图像进行平滑处理；
利用sobel算子计算平滑处理后的所述人脸图像的每个像素点的梯度；
保留所述人脸图像的每个像素点上梯度强度的极大值，删除其他值；
设定所述人脸图像的每个像素点上梯度强度的极大值的阈值上界和阈值下界，将梯度强度的极大值大于所述阈值上界的像素点确认为边界，将梯度强度的极大值大于所述阈值下界小于所述阈值上界的像素点确认为弱边界，将梯度强度的极大值小于所述阈值下界的像素点确认为非边界；
将与所述边界相连的弱边界确认边界，将其他的弱边界确认为非边界。
在一些实施例中，所述重点区域是通过以下步骤预先确定的：
建立人脸图像样本集合，获取每个样本人脸图像的n维人脸器官特征值，构成多个n维特征向量，其中n为正整数；
对样本集合中所述多个n维特征向量进行聚类，将所述的多个n维的特征向量划分为s个类，其中s为正整数；
对每个类中的n维特征向量进行n个维度上的统计，选取其中m个方差最小的特征值维度，构成重点特征维度，其中m为小于n的正整数；
将所述重点特征维度对应的人脸器官区域确定为重点器官区域。
在一些实施例中，所述对每个类中的n维特征向量进行n个维度上的统计，选取其中m个方差最小的特征值维度，构成重点特征维度，包括：
对每个类中的n维特征向量的每个维度的特征值，利用直方图进行统计，选取其中m个方差最小的特征值构成重点特征维度。
基于上述目的，在本申请的另一个方面，还提出了一种智慧社区人脸识别系统，包括：
人脸图像获取模块，用于获取目标人体的人脸图像；
区域划分模块，用于对所述人脸图像进行边缘检测，根据闭合边缘将所述人脸图像划分为多个区域；
纹理提取模块，用于对所述多个区域中的重点区域进行纹理提取，生成所述重点区域的纹理特征向量，其中，所述重点区域是根据聚类规则确定的人脸器官区域；
重点区域识别模块，用于基于所述纹理特征向量，对所述重点区域进行比对识别，进而确定所述目标人体的身份信息。
在一些实施例中，还包括：
图像预处理模块，用于对所述人脸图像进行图像增强，滤波去除噪声干扰，并去除伪影，然后再增强对比度，增强所述人脸图像不同灰度颜色区域的反差。
在一些实施例中，所述区域划分模块包括：边缘检测单元，所述边缘检测单元用于采用canny边缘检测算子对所述人脸图像进行边缘检测。
在一些实施例中，所述边缘检测单元，具体用于：
对人脸图像与高斯mask作卷积，对所述人脸图像进行平滑处理；
利用sobel算子计算平滑处理后的所述人脸图像的每个像素点的梯度；
保留所述人脸图像的每个像素点上梯度强度的极大值，删除其他值；
设定所述人脸图像的每个像素点上梯度强度的极大值的阈值上界和阈值下界，将梯度强度的极大值大于所述阈值上界的像素点确认为边界，将梯度强度的极大值大于所述阈值下界小于所述阈值上界的像素点确认为弱边界，将梯度强度的极大值小于所述阈值下界的像素点确认为非边界；
将与所述边界相连的弱边界确认边界，将其他的弱边界确认为非边界。
在一些实施例中，所述纹理提取模块具体包括：聚类判断子模块和纹理特征向量计算子模块；
其中，聚类判断子模块从历史人脸图像中随机选取一定数量的人脸图像构成所述人脸图像样本集合，获取每个样本人脸图像的n维人脸器官特征值，构成多个n维特征向量；对样本集合中所述多个n维特征向量进行聚类，将所述的多个n维特征向量划分为s个类；对每个类中的n维特征向量进行n个维度上的统计，选取其中m个方差最小的特征值维度，构成重点特征维度；将所述重点特征维度对应的人脸器官区域确定为重点器官区域；并且，对于目标人体的人脸图像，该聚类判断子模块提取该目标人体人脸图像的n维的人脸器官特征值，构成n维特征向量，进而判断该目标人体人脸图像的n维特征向量与上述s个类中的哪一个聚类中心距离最近，从而将该目标人体的人脸图像归属于其中的一个类，根据该目标人体人脸图像所属的类确定该目标人体人脸图像的重点器官区域；
所述纹理特征向量计算子模块根据该目标人体人脸图像的每一个重点器官区域，取得每一个重点器官区域的纹理特征向量。
本申请实施例的人脸识别方法，通过对目标人体的人脸图像进行区域划分，并基于聚类规则对人脸图像中的重点器官区域进行识别，并提取重点器官区域的纹理特征，通过重点器官区域纹理特征比对来确定目标人体的身份信息，使得在人脸识别过程中，采集的人脸特征较少，运算量小，且算法简单，识别速度块，从而提高人脸识别的速度，适应智慧社区场景下分布式低配置硬件资源、海量识别对象、高频次触发的实际条件，实现高效、可靠、快速、低成本的人脸识别。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例一的智慧社区人脸识别方法的流程图；
图2是本申请实施例二的智慧社区人脸识别方法的重点区域确认的流程图；
图3是本申请实施例三的智慧社区人脸识别系统的结构图；
图4是本申请实施例三的智慧社区人脸识别系统的纹理提取模块结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
作为本申请的一个实施例，如图1所示，是本申请实施例一的智慧社区人脸识别方法的流程图。从图中可以看出，本实施例提供的智慧社区人脸识别方法，包括以下步骤：
s101：获取目标人体的人脸图像。
在本实施例中，可以通过智慧社区的监控摄像头、可视化门禁机等图像采集设备采集目标人体的人脸图像，例如，可以通过视频监控摄像头采集包括目标人体人脸区域的视频，从所述视频中提取包含所述目标人体的人脸图像的关键帧，进而获取目标人体的人脸图像，或者，也可以通过图像采集设备直接采集目标人体的静态人脸图像，此外，所述目标人体的人脸图像还可以是图像采集设备发送或者上传的人脸图像，例如在访客登记环节接收智能手机、移动电脑等智能设备发送的人脸图像。在本实施例中，所述目标人体是预识别人脸图像对应的人体，例如对人体a的人脸图像进行识别，则该人体a即为目标人体。需要说明的是，上述实例旨在示例性地对如何获取目标人体的人脸图像进行说明，而不应当被理解为对本申请技术方案的限定。
s102：对所述人脸图像进行边缘检测，根据闭合边缘将所述人脸图像划分为多个区域。
在本实施例中，在获取到目标人体的人脸图像后，需要对获取到目标人体的人脸图像进行区域划分。本实施例采用的是利用边缘检测算法，根据闭合边缘将上述人脸图像划分为多个区域。具体地，可以采用canny边缘检测算子对所述人脸图像进行边缘检测，提取由封闭边缘包围的图像区域，进而根据闭合边缘将所述人脸图像划分为多个区域。采用canny边缘检测算子对所述人脸图像进行边缘检测包括以下步骤：
首先，先目标人体的人脸图像与高斯mask作卷积，对所述人脸图像进行平滑处理；
然后，利用sobel算子计算平滑处理后的所述人脸图像的每个像素点的梯度；
保留所述人脸图像的每个像素点上梯度强度的极大值，删除其他值；
设定所述人脸图像的每个像素点上梯度强度的极大值的阈值上界和阈值下界，将梯度强度的极大值大于所述阈值上界的像素点确认为边界，将梯度强度的极大值大于所述阈值下界小于所述阈值上界的像素点确认为弱边界，将梯度强度的极大值小于所述阈值下界的像素点确认为非边界；
将与所述边界相连的弱边界确认边界，将其他的弱边界确认为非边界。
在确定了上述目标人体的人脸图像中的边界后，可以根据闭合边界(即闭合边缘)的数量，将所述目标人体的人脸图像划分为与闭合边界数量对用的多个区域。
s103：对所述多个区域中的重点区域进行纹理提取，生成所述重点区域的纹理特征向量，其中，所述重点区域是根据聚类规则确定的人脸器官区域。
在本实施例中，在将所述目标人体的人脸图像划分为多个区域后，可以对所述的多个区域中的重点区域进行纹理提取，其中，所述重点区域是根据聚类规则，针对每一张特定的人脸图像确定的重点人脸器官区域。
作为一张人脸图像来说，从整体的脸型，到人脸划分出来的左眼、右眼、鼻子、嘴巴、左脸和右脸等六个器官区域的整体分布，再到眉、眼、鼻、口、脸、下巴等每个器官区域的大小和形态，以及各个器官区域之间的相互位置关系，例如眉间距、眼间距、眼鼻间距、口鼻距离、鼻孔间距、双眼的水平位置一致性等，都是可以用于人脸识别的特征信息。但是，对于不同的人脸图像来说，这些器官区域给该人脸图像带来的辨识度是不一样的，例如有些人脸的眼部大小和形态相对于其他人脸图像的眼部表现出更大一些的差异，因此其眼部器官区域具有较强的辨识度，应作为重点区域；而另一幅人脸图像的口部区域以及口鼻间距相对于其他人脸图像的口部和口鼻间距来说表现出更大的差异度，则将口部区域以及口鼻间距作为该人脸图像的重点区域，而该人脸图像的眼部器官区域就不是重点区域。对于不同外貌类型的人脸来说，其具有高辨识度的重点器官区域并不一样，我们的大脑能够潜意识地提取某一张人脸中高辨识度的重点器官区域，从而进行识别，同时选择性地淡化或者忽视非重点器官区域。本申请作为计算机实现的人脸识别算法，显然，如果将人脸特征信息的提取和比对也只集中在每一人脸图像具有高辨识度的重点器官区域，针对该重点器官区域进行更为精细的特征信息提取与比对，例如纹理特征提取与比对，则相对于现有技术中全脸范围的纹理提取和比对来说，可以明显降低这一过程产生的数据量和计算量，同时仍然能够保证与全脸纹理识别一样的准确率和可靠性。那么，对于每一张人脸图像来说，哪些器官区域属于重点器官区域，这一点对于不同外貌类型的人脸来说都是各不相同的，难以用明确的规则来描述。因此，本申请运用了机器学习的聚类规则，根据人脸图像各个器官区域的大小、形态、相对位置关系等因素进行聚类，从而将人脸数据库中的全部人脸图像划分为若干个类，每一个类当中的人脸图像的器官区域的大小、形态、相对位置关系等特征信息差异度最小化，而不同类之间这些特征信息的差异度最大化，进而，根据每一类的特征信息差异情况，或者根据先验经验等因素，确定每一类人脸图像适用的重点器官区域。
进而，对于目标人体的人脸图像，提取其各个器官的特征信息之后，根据其与上述每一类的聚类中心的距离，决定其属于哪一个类，并且确定该所属类的重点区域。例如，根据目标人体的人脸图像所属的类，将左眼、右眼和嘴巴确定为重点区域，则可以只对该目标人体人脸图像的重点区域(左眼、右眼和嘴巴)进行纹理提取，生成所述重点区域的纹理特征向量。
s104：基于所述纹理特征向量，对所述重点区域进行比对识别，进而确定所述目标人体的身份信息。
在对重点区域进行纹理提取，并生成对应的纹理特征向量后，可以基于所述纹理特征向量，对所述重点区域进行识别，进而确定所述目标人体的身份信息。例如，可以将所述纹理特征向量与数据库中预先存储的人脸图像的对应重点区域的纹理特征向量进行匹配，匹配方法可以是技术生成的纹理特征向量和数据库中存储的纹理特征向量的距离值。并当该距离值小于预设阈值时，则将数据库中存储的纹理特征向量对应的人体的身份信息确认为所述目标人体的身份信息，进而实现对目标人体的身份的识别。
本申请实施例的人脸识别方法通过对目标人体的人脸图像进行区域划分，并基于聚类规则对重点区域进行识别，并根据重点区域更为精细的特征信息确定目标人体的身份信息，使得在人脸识别过程中，采集的人脸特征较少，运算量小，且算法简单，识别速度块，可靠性高，从而适用于智慧社区场景下的人脸识别。
作为本申请的一个实施例，如图2所示，是本申请实施例二的智慧社区人脸识别方法的重点区域确认的流程图。本申请实施例中，对于实施例一的人脸识别方法中的重点区域确认，可以通过以下步骤实现：
s201：建立人脸图像样本集合，获取每个样本人脸图像的n维人脸器官特征值，构成多个n维的特征向量，其中n为正整数。
例如，可以从历史人脸图像中随机选取一定数量的人脸图像构成所述人脸图像样本集合，根据选取的每一张样本人脸图像生成一个包含n维的人脸器官特征值的特征向量，作为样本。这里的人脸器官特征值包括脸型长宽比、左眼在脸部的横纵位置参数、右眼在脸部的横纵位置参数、鼻子在脸部的横纵位置参数、嘴巴在脸部的横纵位置参数、左脸长宽比、左脸面积占比、右脸长宽比、右脸面积占比、眉长、眉宽、眼长、眼宽、鼻长、鼻宽、口长、口宽、下巴宽度、眉间距、眼间距、眼鼻间距、口鼻距离、鼻孔间距、双眼的水平位置差等，以上每一种特征值作为n维向量的一个维度，而该特征值的数值作为n维向量一个维度的取值，从而样本集合中的每一个样本人脸图像可以对应一个n维的特征向量。为了使本申请实施例的基于重点区域特征比对的人脸识别方法的人脸识别的准确率提高，应选取较为大量的人脸图像构成所述样本集合。
s202：对样本集合中所述多个n维的特征向量进行聚类，将所述的多个n维的特征向量划分为s个类，其中s为正整数。
在根据人脸器官特征值构成多个n维的特征向量，可以利用聚类算法，对上述的多个n维的特征向量进行聚类，将上述的作为样本的多个n维特征向量划分为多个类。不难理解，根据聚类算法的规则，每个类中的n维的特征向量彼此的差异度是最小化的，对应的人脸图像在人的视觉效果中是类似的；而不同类中的n维特征向量彼此的差异度是最大化的。本实施例中的聚类算法可以是k聚类算法，或者其他类似的聚类算法，这里不再做详细说明。
s203：对每个类中的n维特征向量进行n个维度上的统计，选取其中m个方差最小的特征值维度，构成重点特征维度，其中m为小于n的正整数。
在本实施例中，在对由人脸器官特征值构成的n维特征向量进行聚类后，可以从每个类中选取特征向量与每个类的中心特征向量的距离值小于预设阈值的一定数量的n维特征向量，并对这些被选取的n维特征向量进行n个维度上的统计，选取其中m个方差最小的特征值维度，构成重点特征维度，即这些重点特征维度对应的器官特征值给该类的人脸图像带来的辨识度最明显。
s204：将所述重点特征维度对应的人脸器官区域确定为重点器官区域。即将每一类人脸图像在人的视觉效果中最具辨识度的m维的特征向量对应的区域确定为重点区域。
进而，对于某一目标人体的人脸图像，可以按照步骤s201相同的方法，提取该目标人体人脸图像的n维的人脸器官特征值，构成n维特征向量，进而判断该目标人体人脸图像的n维特征向量与上述步骤s202中形成的s个类中的哪一个聚类中心距离最近，从而将该目标人体的人脸图像归属于其中的一个类，进而根据步骤s204的结果，确定该目标人体人脸图像的重点器官区域。
根据该目标人体人脸图像的每一个重点器官区域，按照如下方式取得每一个重点器官区域的纹理特征向量：将每一个重点器官区域的外接矩形分解为n×n个子区域，n的取值范围为5-10；针对其中每一个子区域，为该子区域内的每一个像素提取以该像素为中心像素、包括该像素左上、上、右上、右、右下、下、左下、左侧相邻像素的3×3像素块；该中心像素的图像纹理特征值tc为：
其中ic表示中心像素的像素灰度值，ip表示相邻像素的像素灰度值，按照左上、上、右上、右、右下、下、左下、左的顺序，p的取值依次由1至8；且
也就是说，在3×3像素块内，以中心像素的灰度值为阈值，将相邻的8个像素的灰度值与其进行比较，若相邻像素灰度值大于等于中心像素灰度值，则该相邻像素被标记为1，否则该相邻像素标记为0。这样，3×3像素块内的8个相邻像素经比较可产生8个数值为0或者1的标记，按照左上、上、右上、右、右下、下、左下、左的顺序将相邻像素对应的标记排列为一个8位的二进制数，该8位二进制数转化为十进制即为tc，作为中心像素的图像纹理特征值，并用这个值来反映该像素块的纹理信息。对于n×n个子区域中的每一个子区域，获得其中每一个像素的图像纹理特征值，进而进行该子区域像素图像纹理特征值的直方图统计，获得每个子区域的直方图数据；将全部子区域的直方图数据组合在一起，形成的特征向量作为该重点器官区域的纹理特征向量。
进而，将该目标人体人脸图像的纹理特征向量与人脸数据库中预存某一幅人脸图像的纹理特征向量进行比对，如果二者比对相符合，则可以将该预存的人脸图像对应的身份识别为目标人体对应的身份。具体来说：目标人体人脸图像的纹理特征向量表示为fi,j,其中，i表示目标人体人脸图像的每一个所述重点器官区域,j表示该区域统计出来的图像纹理特征值直方图中的每一列，fi,j表示第i个重点器官区域直方图第j列的值；同理，数据库预存的人脸图像的纹理特征向量表示为mi,j，mi,j表示该预存图像的第i个重点器官区域直方图第j列的值；则以上二者差异度s表示为
其中，αi表示重点器官区域中每个器官区域的权重值，在眼睛、嘴巴等关键位置处的器官区域权重值更大。如果计算出来的差异度s小于第一阈值，则确认该目标人体和预存的人脸属于同一个人物，最终实现了身份的识别。
本实施例的的人脸识别方法，通过聚类规则确定每一类样本人脸图像中的重点器官区域；进而确定目标人体所属的类，根据该类提取目标人体人脸图像的重点器官区域的纹理特征，从而利用人脸一部分的纹理特征就能够高效、可靠、准确进行比对和识别；从而，简化了运算量，使得在人脸识别过程中，采集的人脸特征较少，运算量小，且算法简单，识别速度块，从而提高人脸识别的速度。
作为本申请实施例的一个具体实现方式，上述对每个类中的n维的特征向量进行n个维度上的统计，选取其中m个方差最小的特征值构成重点特征向量，可以包括：
对每个类中的n维的特征向量的每个维度的特征值，利用直方图进行统计，选取其中m个方差最小的特征值构成重点特征维度。
作为本申请的一个可选实施例，在上述实施例中，在所述对所述人脸图像进行边缘检测，根据闭合边缘的数量将所述人脸图像划分为多个区域之前，所述方法还可以包括：
对所述人脸图像进行图像增强，滤波去除噪声干扰，并去除伪影，然后再增强对比度，增强所述人脸图像不同灰度颜色区域的反差。
通过对人脸图像进行预处理，可以提高边缘检测的准确度，使得将人脸图像划分的区域更加明确。
如图3所示，是本申请实施例三的基于重点区域特征比对的人脸识别系统的结构图。作为本申请的一个实施例，所述基于重点区域特征比对的人脸识别系统，包括：
人脸图像获取模块301，用于获取目标人体的人脸图像；
区域划分模块302，用于对所述人脸图像进行边缘检测，根据闭合边缘将所述人脸图像划分为多个区域；
纹理提取模块303，用于对所述多个区域中的重点区域进行纹理提取，生成所述重点区域的纹理特征向量，其中，所述重点区域是根据聚类规则确定的人脸器官区域；
重点区域识别模块304，用于基于所述纹理特征向量，对所述重点区域进行比对识别，进而确定所述目标人体的身份信息。
本申请实施例的基于重点区域特征比对的人脸识别系统，能够取得与上述方法实施例相类似的技术效果，这里不再赘述。
作为本申请基于重点区域特征比对的人脸识别系统的一个可选实施例，上述系统还可以包括图像预处理模块，所述图像预处理模块可以用于对所述人脸图像进行图像增强，滤波去除噪声干扰，并去除伪影，然后再增强对比度，增强所述人脸图像不同灰度颜色区域的反差。
作为本申请基于重点区域特征比对的人脸识别系统的一个可选实施例，所述区域划分模块包括：边缘检测单元，所述边缘检测单元用于采用canny边缘检测算子对所述人脸图像进行边缘检测。
作为本申请基于重点区域特征比对的人脸识别系统的一个可选实施例，所述边缘检测单元，具体用于：
对人脸图像与高斯mask作卷积，对所述人脸图像进行平滑处理；
利用sobel算子计算平滑处理后的所述人脸图像的每个像素点的梯度；
保留所述人脸图像的每个像素点上梯度强度的极大值，删除其他值；
设定所述人脸图像的每个像素点上梯度强度的极大值的阈值上界和阈值下界，将梯度强度的极大值大于所述阈值上界的像素点确认为边界，将梯度强度的极大值大于所述阈值下界小于所述阈值上界的像素点确认为弱边界，将梯度强度的极大值小于所述阈值下界的像素点确认为非边界；
将与所述边界相连的弱边界确认边界，将其他的弱边界确认为非边界。
如图4所示，所述纹理提取模块303具体包括聚类判断子模块303a、纹理特征向量计算子模块303b。其中，聚类判断子模块303a从历史人脸图像中随机选取一定数量的人脸图像构成所述人脸图像样本集合，获取每个样本人脸图像的n维人脸器官特征值，构成多个n维特征向量；对样本集合中所述多个n维的特征向量进行聚类，将所述的多个n维的特征向量划分为s个类；对每个类中的n维特征向量进行n个维度上的统计，选取其中m个方差最小的特征值维度，构成重点特征维度；将所述重点特征维度对应的人脸器官区域确定为重点器官区域。并且，对于目标人体的人脸图像，该聚类判断子模块303a提取该目标人体人脸图像的n维的人脸器官特征值，构成n维特征向量，进而判断该目标人体人脸图像的n维特征向量与上述s个类中的哪一个聚类中心距离最近，从而将该目标人体的人脸图像归属于其中的一个类，根据该目标人体人脸图像所属的类确定该目标人体人脸图像的重点器官区域。
进而，纹理特征向量计算子模块303b根据该目标人体人脸图像的每一个重点器官区域，按照如下方式取得每一个重点器官区域的纹理特征向量：将每一个重点器官区域的外接矩形分解为n×n个子区域，n的取值范围为5-10；针对其中每一个子区域，为该子区域内的每一个像素提取以该像素为中心像素、包括该像素左上、上、右上、右、右下、下、左下、左侧相邻像素的3×3像素块；该中心像素的图像纹理特征值tc为：
其中ic表示中心像素的像素灰度值，ip表示相邻像素的像素灰度值，按照左上、上、右上、右、右下、下、左下、左的顺序，p的取值依次由1至8；且
也就是说，在3×3像素块内，以中心像素的灰度值为阈值，将相邻的8个像素的灰度值与其进行比较，若相邻像素灰度值大于等于中心像素灰度值，则该相邻像素被标记为1，否则该相邻像素标记为0。这样，3×3像素块内的8个相邻像素经比较可产生8个数值为0或者1的标记，按照左上、上、右上、右、右下、下、左下、左的顺序将相邻像素对应的标记排列为一个8位的二进制数，该8位二进制数转化为十进制即为tc，作为中心像素的图像纹理特征值，并用这个值来反映该像素块的纹理信息。对于n×n个子区域中的每一个子区域，获得其中每一个像素的图像纹理特征值，进而进行该子区域像素图像纹理特征值的直方图统计，获得每个子区域的直方图数据；将全部子区域的直方图数据组合在一起，形成的特征向量作为该重点器官区域的纹理特征向量。
重点区域识别模块304将该目标人体人脸图像的纹理特征向量与人脸数据库中预存某一幅人脸图像的纹理特征向量进行比对，如果二者比对相符合，则可以将该预存的人脸图像对应的身份识别为目标人体对应的身份。具体来说：目标人体人脸图像的纹理特征向量表示为fi,j,其中，i表示目标人体人脸图像的每一个所述重点器官区域,j表示该区域统计出来的图像纹理特征值直方图中的每一列，fi,j表示第i个重点器官区域直方图第j列的值；同理，数据库预存的人脸图像的纹理特征向量表示为mi,j，mi,j表示该预存图像的第i个重点器官区域直方图第j列的值；则以上二者差异度s表示为
其中，αi表示重点器官区域中每个器官区域的权重值，在眼睛、嘴巴等关键位置处的器官区域权重值更大。如果计算出来的差异度s小于第一阈值，则确认该目标人体和预存的人脸属于同一个人物。
本申请实施例的人脸识别方法，通过对目标人体的人脸图像进行区域划分，并基于聚类规则对人脸图像中的重点器官区域进行识别，并提取重点器官区域的纹理特征，通过重点器官区域纹理特征比对来确定目标人体的身份信息，使得在人脸识别过程中，采集的人脸特征较少，运算量小，且算法简单，识别速度块，从而提高人脸识别的速度，适应智慧社区场景下分布式低配置硬件资源、海量识别对象、高频次触发的实际条件，实现高效、可靠、快速、低成本的人脸识别。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。