一种提升人脸识别准确率的方法和人脸识别系统与流程

本发明涉及人脸识别技术领域，具体为一种提升人脸识别准确率的方法和人脸识别系统。

背景技术

人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体(一般特指人)本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。

目前的人脸识别技术能够在一定程度上对人脸图像进行快速识别，但是其识别精度低，容易出现误识别现象。

技术实现要素：

本发明的目的在于提供一种提升人脸识别准确率的方法和人脸识别系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种人脸识别系统,所述人脸识别系统包括中央处理器、人脸图像采集模块、图像预处理模块、图像分割模块、图像特征提取模块和数据库模块，所述人脸图像采集模块通过图像预处理模块连接中央处理器，所述中央处理器分别连接图像分割模块、图像特征提取模块和数据库模块。

优选的，所述图像预处理模块中预处理方法包括以下步骤：

a、图像灰度化，把彩色图像变为单通道数据的灰度图像，根据加权平均值法得到灰度图像；

b、图像增强，对原图像变换数据突出图像中轮廓特征，去除图像中不需要的纹理特征；

c、图像滤波，用序贯滤波对图像进行处理，然后进行融合处理，具体公式如下：

t(x,y)＝max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))

其中，t(x,y)为融合后的图像在坐标点(x,y)处的灰度值，ga(x,y)、gb(x,y)、gc(x,y)、gd(x,y)分别为水平、45度、垂直、135度方向的序贯滤波结果图在坐标点(x,y)处的灰度值；

d、图像二值化，把256个亮度等级的灰度图像通过阈值选取而获得反映图像整体和局部特征的二值化图像，使用基于直方图的自适应阈值分割来获得二值图像。

优选的，所述图像特征提取模块特征提取方法如下：

a、提取图像中全部像素点的位置信息和rgb颜色分量；

b、将图像中每个像素点的rgb颜色分量变换为hsv颜色分量，并对hsv的三个分量进行非均匀化量化，得到n种颜色，即得到每个像素点的颜色信息；

c、对图像进行提取边缘区域的处理，得到图像的边缘区域，进而得到边缘区域每个像素点的位置信息和颜色信息；

d、对图像的边缘区域提取颜色自相关特征，得到边缘区域的颜色自相关图ercac，即得到一组a维的特征向量；

e、对图像i的全部区域提取边缘方向自相关特征，得到全局的边缘方向自相关图eoac，即得到一组b维的特征向量；

f、对图像i的全部区域内提取颜色自相关特征，得到全局的颜色自相关图cac，即得到一组c维的特征向量；

g、将边缘区域的颜色自相关图ercac、全局的边缘方向自相关图eoac和全局的颜色自相关图cac进行特征前融合，得到图像i的特征，即得到一组(a+b+c)维的特征向量，即实现对图像的特征提取。

优选的，一种提升人脸识别准确率的方法，包括以下步骤：

a、人脸图像采集模块采集人脸图像，并将人脸图像通过图像预处理模块进行预处理后传输至中央处理器；

b、中央处理器发送图像分割指令，对采集的人脸图像进行分割，分割成眼部区域、脸部区域、唇部区域和鼻部区域；

c、之后对分割后的每块区域图像进行特征提取，提取特征图像；

d、之后特征图像合并后发送至数据库模块中，与预先存储的人脸图像进行比较，并根据比对结果对人脸图像进行识别。

与现有技术相比，本发明的有益效果是：

(1)本发明原理简单，能够实现对人脸特征的快速识别，识别准确度高，防止出现误识别现象。

(2)本发明中采用的图像预处理方法处理效率高，处理后的图像质量好，便于后续的高精度识别。

(3)本发明采用的图像特征提取方法减小了计算量且提高了性能；通过特征融合，实现了更为全面的基于图像结构的内容描述，进一步提高了人脸识别效率。

附图说明

图1为本发明系统原理框图；

图2为本发明图像特征提取方法流程图；

图3为本发明流程图。

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，本发明提供一种技术方案：一种人脸识别系统,所述人脸识别系统包括中央处理器1、人脸图像采集模块2、图像预处理模块3、图像分割模块4、图像特征提取模块5和数据库模块6，所述人脸图像采集模块2通过图像预处理模块3连接中央处理器1，所述中央处理器1分别连接图像分割模块4、图像特征提取模块5和数据库模块6。

本发明中，图像预处理模块中预处理方法包括以下步骤：

a、图像灰度化，把彩色图像变为单通道数据的灰度图像，根据加权平均值法得到灰度图像；

b、图像增强，对原图像变换数据突出图像中轮廓特征，去除图像中不需要的纹理特征；

c、图像滤波，用序贯滤波对图像进行处理，然后进行融合处理，具体公式如下：

t(x,y)＝max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))

其中，t(x,y)为融合后的图像在坐标点(x,y)处的灰度值，ga(x,y)、gb(x,y)、gc(x,y)、gd(x,y)分别为水平、45度、垂直、135度方向的序贯滤波结果图在坐标点(x,y)处的灰度值；

d、图像二值化，把256个亮度等级的灰度图像通过阈值选取而获得反映图像整体和局部特征的二值化图像，使用基于直方图的自适应阈值分割来获得二值图像。

本发明中采用的图像预处理方法处理效率高，处理后的图像质量好，便于后续的高精度识别。

如图2所示，图像特征提取模块特征提取方法如下：

a、提取图像中全部像素点的位置信息和rgb颜色分量；

b、将图像中每个像素点的rgb颜色分量变换为hsv颜色分量，并对hsv的三个分量进行非均匀化量化，得到n种颜色，即得到每个像素点的颜色信息；

c、对图像进行提取边缘区域的处理，得到图像的边缘区域，进而得到边缘区域每个像素点的位置信息和颜色信息；

d、对图像的边缘区域提取颜色自相关特征，得到边缘区域的颜色自相关图ercac，即得到一组a维的特征向量；

e、对图像i的全部区域提取边缘方向自相关特征，得到全局的边缘方向自相关图eoac，即得到一组b维的特征向量；

f、对图像i的全部区域内提取颜色自相关特征，得到全局的颜色自相关图cac，即得到一组c维的特征向量；

g、将边缘区域的颜色自相关图ercac、全局的边缘方向自相关图eoac和全局的颜色自相关图cac进行特征前融合，得到图像i的特征，即得到一组(a+b+c)维的特征向量，即实现对图像的特征提取。

本发明采用的图像特征提取方法减小了计算量且提高了性能；通过特征融合，实现了更为全面的基于图像结构的内容描述，进一步提高了人脸识别效率。

如图3所示，一种提升人脸识别准确率的方法，包括以下步骤：

a、人脸图像采集模块采集人脸图像，并将人脸图像通过图像预处理模块进行预处理后传输至中央处理器；

b、中央处理器发送图像分割指令，对采集的人脸图像进行分割，分割成眼部区域、脸部区域、唇部区域和鼻部区域；

c、之后对分割后的每块区域图像进行特征提取，提取特征图像；

d、之后特征图像合并后发送至数据库模块中，与预先存储的人脸图像进行比较，并根据比对结果对人脸图像进行识别。

综上所述，本发明原理简单，能够实现对人脸特征的快速识别，识别准确度高，防止出现误识别现象。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。