本发明涉及人脸识别技术领域,尤其涉及基于图像特征融合对比技术的人脸识别方法。
背景技术
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
技术实现要素:
,尤其是在公安部门,对于抓捕罪犯和寻找失踪人口起到了重大作用。但是目前的人脸识别技术,采集范围大,识别人群多,使得抓捕罪犯任然有困难。
发明内容
本发明提供了一种基于图像特征融合对比技术的人脸识别方法,提取脸部特征,并对重要眼部特征进行矫正,提高了图像质量,匹配准确性更高。
本发明还设计开发了一种基于图像特征融合对比技术的人脸识别方法,包括:
步骤一、利用电子设备采集实时图像样本;
步骤二、计算图像样本的像素灰度值得到灰度图像,并对灰度图像进行阈值分割,然后采用直方图均衡化处理,最后采用滤波方法滤除独立噪声,得到预处理后的图像样本;
步骤三、对所述图像样本进行人像分析,并进行特征提取,计算图像中人像面积,得到人像的眼睛占比,并对所述眼睛向量进行矫正;
步骤四、比较目标人的原始图像与对比头像的相似度,识别出目标人。
优选的是,所述图像样本为视频或图片信息。
优选的是,所述步骤二中像素灰度值的计算公式为:
其中r为图像中包含的红色分量,g为绿色分量,b为蓝色分量。
优选的是,所述步骤二中阈值分割后二值图像为:
其中,f(x,y)为原始灰度图像;g(x,y)为阈值分割后二值图像,t为灰度值,即为分割阈值。
优选的是,所述直方图均衡化过程包括:
步骤a、列出原图像和变换后图像的灰度级fk(k=0,1,2,···l-1),其中l是灰度等级总数。
步骤b、计算直方图各灰度等级的出现总数
其中,nk为原图像各灰度级的像素个数,k=0,1,2,···l-1,n为原图像的像素总个数,l是灰度等级总数,pf(fk)表示该灰度出现的频率;
步骤c、计算累积分布函数
nk为原图像各灰度级的像素个数,k=0,1,2,···l-1;n为原图像的像素总个数;l是灰度等级总数;
步骤d、计算出直方图均衡后图像的灰度等级gi
gi=int[(gmax-gmin)c(f)+gmin+0.5]
其中,gi直方图均衡后图像的灰度等级,i=0,1,2···,255;int是取整运算,gmax为灰度等级最大值,gmin灰度等级最小值
步骤e、计算出输出图像的灰度等级
ni是各个灰度级的像素个数,i=0,1,2···,255,对原始图像进行直方图均衡时利用的是gi和fk的映射关系,映射后可得到直方图均衡后的图像。
优选的是,所述滤波方法采用中值滤波算法。
优选的是,所述步骤三包括:
步骤a、采用主成分分析pca算法构建数学模型,使用k-l变换得到人脸各部分的特征集,这些特征组成坐标系,每个坐标轴就是一个特征图像,所述特征集中至少包括:眼睛、鼻子、嘴、眼距、眉毛;
步骤b、提取特征眼睛对应的面积,计算眼睛与人脸的占比;
步骤c、根据两个眼睛的面积比,综合分析特征集中其他特征,获得脸部角度,并对眼睛特征向量进行矫正。
优选的是,所述步骤c中矫正计算公式为:
其中,ωi(i,m)为矫正后眼部对应特征向量,ei为两个眼睛的面积比,di为眼距,β为眼睛角度,
其中,
优选的是,所述步骤四中原始图像与对比头像的相似度判断,包括:
计算原始图像和对比图像之间的欧式距离:
其中,y为原始图像的特征向量集合,d为对比图像的特征向量集合,yi为原始图像对应的单个特征向量,di为对比图像对应的单个特征向量,n为特征集中人脸特征个数;
当φ(y,d)≤σ时认为匹配成功完成识别;
其中,σ为设定的特征阈值。
本发明的有益效果
本发明提供的一种基于图像特征融合对比技术的人脸识别方法,提取脸部特征,并对重要眼部特征进行矫正,提高了图像质量,匹配准确性更高。
附图说明
图1为本发明所述的于图像特征融合对比技术的人脸识别方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供一种基于图像特征融合对比技术的人脸识别方法,按照如下步骤实施:
步骤s110:在本发明中首先采集图像,利用电子眼在特定场所所在位置的一定范围里采集图像,采集到的图像包含视频或图片信息。
步骤s120:图像预处理将采集到的原图像按照以下过程处理:
步骤s121:图像的灰度化,首先输入采集到的图像数据,得到原图像rgb三个分量的值,然后通过公式计算像素灰度值,最后通过像素灰度值得到灰度图像。
其中,r为图像中包含的红色分量,g为绿色分量,b为蓝色分量;
步骤s122:二值化,通过动态阈值法,将2.1步骤得到的灰度图像的灰度值变为只剩0和255的黑白图像。
其中,f(x,y)为原始灰度图像;g(x,y)为阈值分割后二值图像,t为灰度值,即为分割阈值
步骤s123、直方图均衡化,所述直方图均衡化过程包括:
步骤a.列出原图像和变换后图像的灰度级fk(k=0,1,2,···l-1),其中l是灰度等级总数。
步骤b.计算直方图各灰度等级的出现总数
其中,nk为原图像各灰度级的像素个数,(k=0,1,2,···l-1),n为原图像的像素总个数,l是灰度等级总数,pf(fk)表示该灰度出现的频率;
步骤c.计算累积分布函数
nk为原图像各灰度级的像素个数,(k=0,1,2,···l-1);n为原图像的像素总个数(k=0,1,2,···l-1);l是灰度等级总数;
步骤d.计算出直方图均衡后图像的灰度等级gi
gi=int[(gmax-gmin)c(f)+gmin+0.5]
其中,gi直方图均衡后图像的灰度等级,i=0,1,2···,255;int是取整运算,gmax为灰度等级最大值,gmin灰度等级最小值
步骤e.计算出输出图像的灰度等级
ni是各个灰度级的像素个数,i=0,1,2···,255,对原始图像进行直方图均衡时利用的是gi和fk的映射关系,映射后可得到直方图均衡后的图像。
步骤s124、中值滤波。将步骤s123得到的图像集去除独立噪声。实现过程:首先,将模板与步骤123得到的图像进行比较,然后把模板中心与图像中某个像素位置重合;接下来读取模板下各对应像素的灰度值,将这些灰度值从小到大排成一列,找出这些值里排在中间的一个,然后将这个值赋给对应模板中心位置的像素。
步骤s130:人脸特征提取,
步骤s131:采用主成分分析法即pca,对预处理过的图像进行特征提取。使用k-l变换得到人脸各部分的主成分集,这些主成分组成坐标系,每个坐标轴就是一个特征脸图像。在进行识别时,只要把被识别的图像进行空间投影,就可以得到一组投影向量,再通过与人脸库的图像进行匹配,进而进行识别。这些特征组成坐标系,每个坐标轴就是一个特征图像,所述特征集中至少包括:眼睛、鼻子、嘴、眼距、眉毛;
假设y为n维的随机变量,那么y可以表示为:
ai为加权系数,
转换为矩阵形式:
公式中
取向量为正交向量,得到下式
由于φ式正交向量组成的,所以φ应该是正交矩阵
φtφ=i
两边同时乘以φt可以得到
a=φty
ai=φity
为了满足a向量的各个向量间互不相关,随机向量矩阵形式为:
r=e[yty]
得到
r=φe[ata]φt
为了满足a的各个分量间互补相关,需要满足关系式
写成矩阵形式,
变换得到
rφ=φγ
rφj=λjφj(j=1,2,···n)
λj是y的特征值,φj是特征向量。
步骤s132、提取特征眼睛对应的面积,计算眼睛与人脸的占比;
步骤133、根据两个眼睛的面积比,综合分析特征集中其他特征,获得脸部角度,并对眼睛特征向量进行矫正,矫正计算公式为:
其中,ωi(i,m)为矫正后眼部对应特征向量,ei为两个眼睛的面积比,di为眼距,β为眼睛角度,
其中,
步骤是140:人脸识别,计算原始图像和对比图像之间的欧式距离:
其中,y为原始图像的特征向量集合,d为对比图像的特征向量集合,yi为原始图像对应的单个特征向量,di为对比图像对应的单个特征向量,n为特征集中人脸特征个数;
当φ(y,d)≤σ时认为匹配成功完成识别;
其中,σ为设定的特征阈值,其取值根据筛选要求确定一般取值为
当目标人特定场所目消失,特定场所位置是l采集目标人的图像以及信息s,特定场所名称。然后时刻采集该范围里的图像,采集信息包括图像,图像所在位置及所在位置名称。一旦目标人再次进入特定场所所在位置的一定范围时,则将采集到的现有图像与目标人图像,通过对比人脸特征,识别出目标人。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。