一种人脸识别方法、系统及存储介质与流程

本发明涉及深度学习技术领域，尤其是一种人脸识别方法、系统及存储介质。

背景技术：

近年来，随着“平安城市建设”的大力推进，越来越多的高清摄像头部署在各个重要场所，如机场、地铁、火车站、汽车站等。这些场所是人口流动必经之地，也是公安重点布控区域。很多地区提出的人脸识别需求，也是针对这些重要通道出入口场景，要求系统自动侦测视频画面中的人脸，并与数据库中的人脸数据进行一一比对，得到最有可能的身份信息。目前人脸检索算法有以下几种：

基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。

子空间分析法：因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。

局部保持投影法(localitypreservingprojections，lpp)：是一种新的子空间分析方法，它是非线性方法laplacianeigenmap的线性近似，既解决了pca等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。

主成分分析(pca)：pca模式识别领域一种重要的方法，已被广泛地应用于人脸识别算法中，基于pca人脸识别系统在应用中面临着一个重要障碍：增量学习问题。增量pca算法由新增样本重构最为重要pcs，但该方法随着样本的增加，需要不断舍弃一些不重要pc，以维持子空间维数不变，因而该方法精度稍差。

其他方法：弹性匹配方法、特征脸法(基于kl变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法。

以上方法的最大不足是在面临姿态、光照条件不同、表情变化以及脸部化妆等方面较为脆弱，识别的准确度受到很大限制，而这些都是人脸在自然状态下会随时表现出来的。

技术实现要素：

为解决上述技术问题，本发明的目的在于：提供一种准确度高的人脸识别方法、系统及存储介质。

本发明一方面所采取的技术方案为：

一种人脸识别方法，包括以下步骤：

对采集到的图像进行预处理，识别图像中的人脸位置和人脸大小；

根据人脸位置和人脸大小，获取人脸图像，并对人脸图像进行预处理；

对预处理后的人脸图像进行特征提取；

对先验数据进行训练，生成特征模板；

通过特征模板对提取到的人脸图像特征进行匹配，得到人脸识别结果；

其中，所述对先验数据进行训练，生成特征模板这一步骤，包括以下步骤：

预设人脸图像的关键特征点；

根据预设结果，对先验数据样本的关键特征点进行标记；

根据标记的关键特征点，生成特征点坐标数据；

根据特征点坐标数据生成形状向量训练样本；

根据形状向量训练样本，构建特征模板。

进一步，所述对采集到的图像进行预处理，识别图像中的人脸位置和人脸大小这一步骤，包括以下步骤：

通过摄像头采集图像，所述图像包括静态图像和动态图像；

从采集到的图像中识别人脸位置和人脸大小。

进一步，所述根据人脸位置和人脸大小，获取人脸图像，并对人脸图像进行预处理这一步骤，包括以下步骤：

根据人脸位置和人脸大小，从采集到的图像中截取得到人脸图像；

对截取到的人脸图像进行光线补偿处理；

对光线补偿处理后的人脸图像进行灰度变换处理；

对灰度变换处理后的人脸图像进行直方图均衡化处理；

对直方图均衡化处理后的人脸图像进行归一化处理；

对归一化处理后的人脸图像进行几何校正处理；

对几何校正处理后的人脸图像进行滤波处理；

对滤波处理后的人脸图像进行锐化处理。

进一步，所述预设人脸图像的关键特征点这一步骤，其具体为：

预设68个关键特征点，所述关键特征点包括：每个眉毛的两个角点；每个眼睛的两个角点；每个眼皮的最上点和最下点；鼻尖点；两个鼻翼点；嘴巴的两个角点；上嘴唇的最上点和最下点；下嘴唇的最上点和最下点；下颚点以及脸部轮廓的46个点。

进一步，所述根据预设结果，对先验数据样本的关键特征点进行标记这一步骤，其具体为：

根据预设的关键特征点的标定顺序，对训练样本中的68个关键特征点进行标定。

进一步，所述根据形状向量训练样本，构建特征模板这一步骤，其具体为：

根据形状向量训练样本构建全局形状模型和局部纹理模型；

所述根据形状向量训练样本构建全局形状模型和局部纹理模型这一步骤，包括以下步骤：

通过仿射变换方法将所述形状向量训练样本进行向量对齐；

通过pca算法对形状向量训练样本进行降维，分解得到变形模式，生成全局形状模型；

根据各个关键特征点周围的局部灰度分布规律，为每个关键特征点在当前位置附近寻找最佳候选位置。

进一步，还包括以下步骤：

在卷积神经网络中增加非共享卷积层；

通过自动调整训练参数，采用随机梯度下降法进行样本训练；

通过图像相似变换方法对数据进行扩充，所述图像相似变换方法包括图像旋转、图像缩放以及图像平移；

对训练样本进行归一化处理，并通过hyper-tangent函数对训练样本进行映射处理；

通过海量数据对训练得到的模型进行模型迭代优化处理。

本发明另一方面所采取的技术方案是：

一种人脸识别系统，包括：

采集模块，用于对采集到的图像进行预处理，识别图像中的人脸位置和人脸大小；

预处理模块，用于根据人脸位置和人脸大小，获取人脸图像，并对人脸图像进行预处理；

特征提取模块，用于对预处理后的人脸图像进行特征提取；

生成模块，用于对先验数据进行训练，生成特征模板；

识别模块，用于通过特征模板对提取到的人脸图像特征进行匹配，得到人脸识别结果；

其中，所述生成模块包括：

预设单元，用于预设人脸图像的关键特征点；

标记单元，用于根据预设结果，对先验数据样本的关键特征点进行标记；

第一生成单元，用于根据标记的关键特征点，生成特征点坐标数据；

第二生成单元，用于根据特征点坐标数据生成形状向量训练样本；

构建单元，用于根据形状向量训练样本，构建特征模板。

本发明另一方面所采取的技术方案是：

一种人脸识别系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的人脸识别方法。

本发明另一方面所采取的技术方案是：

一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的人脸识别方法。

本发明的有益效果是：本发明通过基于特征模板匹配的人脸识别方法，利用人的脸部特征规律建立一个立体可调的形状向量训练样本，在定位出人的脸部位置后，通过特征模板对人脸图像进行匹配，解决了现有技术在人脸识别过程中容易受到观察角度、遮挡和表情变化等因素影响的问题，提高了人脸识别的准确度。

附图说明

图1为本发明实施例的步骤流程图。

具体实施方式

下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1，本发明实施例提供了一种人脸识别方法，包括以下步骤：

对采集到的图像进行预处理，识别图像中的人脸位置和人脸大小；

根据人脸位置和人脸大小，获取人脸图像，并对人脸图像进行预处理；

对预处理后的人脸图像进行特征提取；

对先验数据进行训练，生成特征模板；

通过特征模板对提取到的人脸图像特征进行匹配，得到人脸识别结果；

其中，所述对先验数据进行训练，生成特征模板这一步骤，包括以下步骤：

预设人脸图像的关键特征点；

根据预设结果，对先验数据样本的关键特征点进行标记；

根据标记的关键特征点，生成特征点坐标数据；

根据特征点坐标数据生成形状向量训练样本；

根据形状向量训练样本，构建特征模板。

进一步作为优选的实施方式，所述对采集到的图像进行预处理，识别图像中的人脸位置和人脸大小这一步骤，包括以下步骤：

通过摄像头采集图像，所述图像包括静态图像和动态图像；

从采集到的图像中识别人脸位置和人脸大小。

进一步作为优选的实施方式，所述根据人脸位置和人脸大小，获取人脸图像，并对人脸图像进行预处理这一步骤，包括以下步骤：

根据人脸位置和人脸大小，从采集到的图像中截取得到人脸图像；

对截取到的人脸图像进行光线补偿处理；

对光线补偿处理后的人脸图像进行灰度变换处理；

对灰度变换处理后的人脸图像进行直方图均衡化处理；

对直方图均衡化处理后的人脸图像进行归一化处理；

对归一化处理后的人脸图像进行几何校正处理；

对几何校正处理后的人脸图像进行滤波处理；

对滤波处理后的人脸图像进行锐化处理。

进一步作为优选的实施方式，所述预设人脸图像的关键特征点这一步骤，其具体为：

预设68个关键特征点，所述关键特征点包括：每个眉毛的两个角点；每个眼睛的两个角点；每个眼皮的最上点和最下点；鼻尖点；两个鼻翼点；嘴巴的两个角点；上嘴唇的最上点和最下点；下嘴唇的最上点和最下点；下颚点以及脸部轮廓的46个点。

进一步作为优选的实施方式，所述根据预设结果，对先验数据样本的关键特征点进行标记这一步骤，其具体为：

根据预设的关键特征点的标定顺序，对训练样本中的68个关键特征点进行标定。

进一步作为优选的实施方式，所述根据形状向量训练样本，构建特征模板这一步骤，其具体为：

根据形状向量训练样本构建全局形状模型和局部纹理模型；

所述根据形状向量训练样本构建全局形状模型和局部纹理模型这一步骤，包括以下步骤：

通过仿射变换方法将所述形状向量训练样本进行向量对齐；

通过pca算法对形状向量训练样本进行降维，分解得到变形模式，生成全局形状模型；

根据各个关键特征点周围的局部灰度分布规律，为每个关键特征点在当前位置附近寻找最佳候选位置。

进一步作为优选的实施方式，还包括以下步骤：

在卷积神经网络中增加非共享卷积层；

通过自动调整训练参数，采用随机梯度下降法进行样本训练；

通过图像相似变换方法对数据进行扩充，所述图像相似变换方法包括图像旋转、图像缩放以及图像平移；

对训练样本进行归一化处理，并通过hyper-tangent函数对训练样本进行映射处理；

通过海量数据对训练得到的模型进行模型迭代优化处理。

与图1的方法相对应，本发明实施例还提供了一种人脸识别系统，包括：

采集模块，用于对采集到的图像进行预处理，识别图像中的人脸位置和人脸大小；

预处理模块，用于根据人脸位置和人脸大小，获取人脸图像，并对人脸图像进行预处理；

特征提取模块，用于对预处理后的人脸图像进行特征提取；

生成模块，用于对先验数据进行训练，生成特征模板；

识别模块，用于通过特征模板对提取到的人脸图像特征进行匹配，得到人脸识别结果；

其中，所述生成模块包括：

预设单元，用于预设人脸图像的关键特征点；

标记单元，用于根据预设结果，对先验数据样本的关键特征点进行标记；

第一生成单元，用于根据标记的关键特征点，生成特征点坐标数据；

第二生成单元，用于根据特征点坐标数据生成形状向量训练样本；

构建单元，用于根据形状向量训练样本，构建特征模板。

与图1的方法相对应，本发明实施例还提供了一种人脸识别系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的人脸识别方法。

与图1的方法相对应，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的人脸识别方法。

下面详细描述本发明的人脸识别方法的具体实施步骤：

a、人脸图像采集及检测；

具体地，所述步骤a具体包括：

a1、人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。

a2、人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。

b、人脸图像预处理；

优选地，所述步骤b具体为：对步骤a获取的人脸图像进行预处理。本发明对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于本发明的人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。

c、人脸图像特征提取；

具体地，所述步骤c具体为：使用通过海量数据进行训练得到的特征模型，对步骤b处理过的图像进行特征提取。人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。本发明采用针对人脸的68个不同特征点进行特征建模。

现有技术中，对于关键特征点的选取方式一般为：选取人脸的9个特征点，这些关键特征点的分布具有角度不变性，分别为2个眼球中心点、4个眼角点、两鼻孔的中点和2个嘴角点。在此基础上可以容易地获得与识别有关的人脸各器官特征以及扩展的其他特征点位置，用于进一步的识别算法。

而本发明改进的特征建模的方法包括以下步骤：

首先，预设68个关键特征点；所述68个关键特征点具体包括每个眉毛的两个角点、每个眼睛的两个角点、每个眼皮的最上点和最下点、鼻尖点、两个鼻翼点、嘴巴的两个角点、上嘴唇的最上点和最下点、下嘴唇的最上点和最下点，下颚点以及脸部轮廓的46个点。

接着，根据预设的关键特征点的标定顺序，在训练样本中标定所述关键特征点；

然后，根据作为训练样本的人脸图像生成一组特征点坐标数据，构成一组形状向量训练样本；

最后，根据所述形状向量训练样本进行全局形状模型和局部纹理模型的构建。

优选地，所述根据所述形状向量训练样本进行全局形状模型和局部纹理模型构建这一步骤，包括以下步骤：

通过仿射变换将所述形状向量训练样本向量对齐；

通过pca算法降维，分解出主要的变形模式，从而获得全局形状模型；

根据各个关键特征点周围的局部灰度分布规律，为每个关键特征点在当前位置附近寻找最佳候选位置。

d、人脸图像比对与识别。

具体地，本发明通过步骤c提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

相比于直接采用人脸检测器来预测人脸矩形框的现有技术，本发明采用cnn(卷积神经网络)预测最小包围盒(boundingbox)。一方面，由于采用人脸检测器检测到的人脸框包含了较多无关的背景，会对卷积神经网络有一定的干扰；另一方面，直接采用人脸检测器检测得到的人脸位置容易偏离矩形的中心，导致识别结果的准确性较低。

本发明用来进行样本训练的卷积神经网络模型采用了局部共享权重的设计方法，现有的卷积神经网络都是基于全局共享权重来设计的，而本发明增设了非共享卷积层，对于特征点的预测，由于五官的高层特征差别比较大，所以对于高层特征，本发明采用非共享权重的方式进行训练，而对于低层特征，本发明采用全局共享权重的方式进行训练。

具体地，在网络训练阶段：本发明通过自动调整训练参数，采用随机梯度下降法以及图片相似变换方法来对数据进行扩充，防止过拟合，其中，所述图片相似变换方法包括旋转、缩放、平移等。

在数据预处理阶段：本发明将数据归一化到：均值为0，方差为1，然后采用hyper-tangent函数，把数据映射到-1～1之间。另外，在进行图片裁剪的时候，本实施例将图片裁剪范围进行适度增大，以确保图片裁剪的准确率。

在模型优化阶段：本发明通过海量数据在原来的模型上不断进行模型迭代，从而达到更高的精确度。

下面举例说明本发明的人脸识别过程：

1.当摄像头获取的图像中出现人脸时，实时抓取图片中的人脸，通过算法智能选取人脸中角度和清晰度最高的一帧人脸图像；

2.对选取的人脸图像进行特征提取，生成对应特征值。

3.将生成的特征值与人脸库中的特征列表进行比对，获得置信度最高的也就是最相识的特征值与两个特征比对的得分。

4.将得分与设置的阈值进行比对，如果得分比阈值高则判定为同一个人。如果最高得分低于设定的阈值则判定为陌生人。

5.将比对结果保存。

综上所述，本发明采用基于模板匹配的方法，利用人的脸部特征规律建立一个立体可调的模型框架，在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位，解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响，准确识别包括人脸特征、性别、年龄等基本信息。

另外，本发明所提供的人脸识别方法可通过摄像头进行实时人脸识别，本发明所提供的方法适用于市面大部分摄像头获取的图像数据。与其他识别技术相比，本发明所提供的人脸识别方法具有以下优势：

1)、快速锁定：系统锁定人脸的速度，取决于摄像头与方法设备的传输速度。相较市面多数人脸产品的速度，人脸锁定要更加快捷；

2)、体验更佳：无需特意面对摄像头，有一定的旋转角度也可准确识别，真正做到无感识别；

3)、多路识别：系统可接入多个摄像头，每个摄像头可设置多个识别区域，本发明通过使用gpu进行计算加速，做到实时、准确识别。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。