一种面部局部特征分析系统的制作方法

本发明涉及互联网技术领域，具体为一种面部局部特征分析系统。

背景技术：

人脸识别，是指对输入的人脸图像或者视频．判断其中是否存在人脸，

如果存在人脸，则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息。并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。

现如今的人脸识别系统多采用面部整体识别，在拍摄脸部一部分图像时的准确度低下或者不能正确识别。鉴于此，我们提供一种面部局部特征分析系统。

技术实现要素：

本发明的目的在于提供一种面部局部特征分析系统，以解决上述背景技术中提出现如今人脸识别系统多采用面部整体识别，在拍摄脸部一部分图像时的准确度低下或者不能正确识别的问题。

为实现上述目的，本发明提供如下技术方案：

一种面部局部特征分析系统，包括单个人脸面部局部特征分析和多个人脸局部特征对比。

作为优选，单个人脸面部局部特征分析包括摄像头采集图像或图片库获取图像、图像预处理、获取脸部区域、人脸区域分割、提取人脸单一区域特征以及对人脸信息进行分析，具体步骤如下：

S1：应用程序通过摄像头采集一张图像或打开图片库从图片库中选取其中一张图像；

S2：将拍摄的图像或选取的图像进行图像预处理工作，使其具有的特征在图像中明显的显示出；

S3：根据肤色获取脸部区域，并通过肤色非线形分段色彩变换实现脸部区域的获取；

S4：将获取脸部区域进行区域分割，截取了人脸的5个区域图像；

S5：采用4层卷积神经网络模型用来提取人脸一个区域的深度特征，输入层的数据经过尺寸均归一化为64*64个像素点，将人脸每个区域图像用一个16维向量表示，则每张人脸由5*16=80维特征向量表示；

S6：对选取的人脸进行信息分析；

作为优选，所述卷积神经网络模型包括一个输入层以及若干隐藏层，所述隐藏层设置有有卷积层、池化层以及全连接层。

作为优选，每层卷积池化层又由卷积层、最大池化层以及Relu层三层组成。

作为优选，图像预处理包括中值滤波、图像灰度化、Sobel边缘提取、对比度增强、相似度计算和二值化。

作为优选，5个区域图像由上至下依次是以左眼、右眼、鼻子、左嘴角、右嘴角分别为中心的区域，包含了便于区分人脸的五官信息和五官相互间位置关系。

作为优选，多个人脸局部特征对比包括输入人脸图像、人脸区域分割、CNN并行识别、提取线性关系特征、判断是否为同一人，具体步骤如下：

S1：应用程序打开两张人脸图像；

S2：将每张人脸图像分割为5个区域；

S3：并行提取每个区域的4*4维深度特征向量,并用Caffe架构中的concat层汇总每个人脸的5个区域特征向量，即每张人脸由一个4*4*5=80维深度特征向量表示；

S4：使用Caffe架构中的eltwise层，从两张图像的深度特征向量中提取两者的关系特征，代入两层全连接层，获取关系特征的深度特征向量；

S5：代入softmax层得到一个二维特征向量，向量中两个元素同为0或者同为1，则两张人脸来自于同一个人，否则来自不同人。

作为优选，输入两张人脸图像，每张图像分为5个区域图像，每个区域图像大小为64*64个像素点，转换成LMDB数据类型；每个区域图像都经过4层卷积层、3层池化层以及4层Relu层得到一个4*4=16维的低维特征向量。

与现有技术相比，本发明的有益效果是：本面部局部特征分析系统采取图像分割预处理，将区域图像结果代入并行神经网络模型提取局部特征信息，这样做可以获取人脸的细节描述，增加人脸识别判断信息，提高识别准确率，利用图像分割算法提取人脸的局部特征，分别对每个区域提取特征进行人脸识别，这样提取到的特征信息较全局特征更稳定，对于人脸角度变化、光照不均匀等情况具可以实现分析识别。

附图说明

图1为本发明单个人脸面部局部特征分析的流程框图；

图2为本发明多个人脸局部特征对比的的流程框图；

图3为本发明并行识别网络模型图；

图4为本发明的图像预处理的框图。

具体实施方式

下面将结合本发明实施例，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。

实施例1

一种面部局部特征分析系统，包括单个人脸面部局部特征分析和多个人脸局部特征对比。

具体的，如图1所示，单个人脸面部局部特征分析包括摄像头采集图像或图片库获取图像、图像预处理、获取脸部区域、人脸区域分割、提取人脸单一区域特征以及对人脸信息进行分析，具体步骤如下：

S1：应用程序通过摄像头采集一张图像或打开图片库从图片库中选取其中一张图像；

S2：将拍摄的图像或选取的图像进行图像预处理工作，使其具有的特征在图像中明显的显示出；

S3：根据肤色获取脸部区域，并通过肤色非线形分段色彩变换实现脸部区域的获取；

S4：将获取脸部区域进行区域分割，截取了人脸的5个区域图像；

S5：采用4层卷积神经网络模型用来提取人脸一个区域的深度特征，输入层的数据经过尺寸均归一化为64*64个像素点，将人脸每个区域图像用一个16维向量表示，则每张人脸由5*16=80维特征向量表示；

S6：对选取的人脸进行信息分析；

进一步的，卷积神经网络模型包括一个输入层以及若干隐藏层，隐藏层设置有有卷积层、池化层以及全连接层，卷积层是特征提取层，可以获取人脸的深度特征信息，池化层具有降采样作用，减少冗余，所以在输入较小时不适用池化层，只在刚开始数据量大的时候才考虑添加池化层，且都添加到卷积层之后；全连接层可将全部样本的特征向量转化为一个列向量。

值得说明的是，每层卷积池化层又由卷积层、最大池化层以及Relu层三层组成。

此外，如图4所示，图像预处理包括中值滤波、图像灰度化、Sobel边缘提取、对比度增强、相似度计算和二值化。

值得注意的是，5个区域图像由上至下依次是以左眼、右眼、鼻子、左嘴角、右嘴角分别为中心的区域，包含了便于区分人脸的五官信息和五官相互间位置关系。

如图2所示，多个人脸局部特征对比包括输入人脸图像、人脸区域分割、CNN并行识别、提取线性关系特征、判断是否为同一人，具体步骤如下：

S1：应用程序打开两张人脸图像；

S2：将每张人脸图像分割为5个区域；

S3：并行提取每个区域的4*4维深度特征向量,并用Caffe架构中的concat层汇总每个人脸的5个区域特征向量，即每张人脸由一个4*4*5=80维深度特征向量表示；

S4：使用Caffe架构中的eltwise层，从两张图像的深度特征向量中提取两者的关系特征，代入两层全连接层，获取关系特征的深度特征向量；

S5：代入softmax层得到一个二维特征向量，向量中两个元素同为0或者同为1，则两张人脸来自于同一个人，否则来自不同人。

具体的，两张人脸作识别经过CNN并行识别网络模型后，得到10个区域的特征提取结果，网络模型如图3所示。

本实施例中采取图像分割预处理，将区域图像结果代入并行神经网络模型提取局部特征信息，这样做可以获取人脸的细节描述，增加人脸识别判断信息，提高识别准确率，利用图像分割算法提取人脸的局部特征，分别对每个区域提取特征进行人脸识别，这样提取到的特征信息较全局特征更稳定，对于人脸角度变化、光照不均匀等情况具可以实现分析识别。

实施例2

作为本发明的第二种实施例，输入两张人脸图像，每张图像分为5个区域图像，每个区域图像大小为64*64个像素点，转换成LMDB数据类型；每个区域图像都经过4层卷积层、3层池化层以及4层Relu层得到一个4*4=16维的低维特征向量，之后通过concat层将5个区域的深度特征汇总为一个4*4*5=80维的特征向量；将两个图像的特征向量代入eltwise层得到一个4*4*5=80维特征向量；在经过两层全连接层得到一个2维特征向量，带入softmax层后得到二分类结果即判断两张人脸是否来自于一个人，类别号为0表示两张图像是来自于同一个人，类别号为1表示两张图像不是来自同一个人。

本实施例中的Caffe架构是用C语言编写的，给出了开源代码，支持Python、Matlab以及命令行接口，使用Caffe架构是在Linux系统下，利用CPU运行Caffe架构中搭建的深度学习模型，这要比在CPU上运行快了几十倍。Caffe中包括3个基本项，第一是blobs，它是一种存储结构，专门用来保存Caffe架构中的数据；第二项是layer，Caffe架构的每一层的参数以及每层所要执行的前向传递函数(forward)和反向传播函数(backward)都保存在layer类中，其中layer中的参数就是各个神经元的权重以及该层的偏置量，前向传递函数则是进行特征提取或是特征映射，而反向传播函数是根据损失函数逐层对各层参数权重进行求导，使得权重沿着梯度下降最快方向更新本层参数的权重值；第三项是net类，它是将众多layer连接起来形成神经网络的纽带。以上就是一个Caffe架构必不可少的几个重要参数。

Caffe的优点如下所示：

（1）模块化：Caffe能够以layer的形式添加多种特征提取或是特征映射层，对于数据格式和损失函数也可以进行修改和添加，使用很方便。

（2）表示和实现分离：Caffe的模型(model)定义是用ProtocolBuffer语言写进配置文件的。通过在配置文件中修改依赖项可以简单的在Caffe架构中实现CPU与CPU之间的切换调用。

（3）预训练参考模型：Caffe架构针对视觉算法领域开发出了若干应用在非商业领域的深度学习模型，可以直接进行调用。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。