一种人脸识别的方法、系统、设备及介质与流程

本发明涉及人脸识别领域，更具体地，特别是指一种人脸识别的方法、系统、计算机设备及可读介质。
背景技术：
：由于人脸是个几何结构，由三维曲面组成，人脸图像面部和轮廓都是由很多曲线构成的，具有一定的复杂度。目前存在的算法不能很好的提取人脸轮廓等曲线细节信息或者不能对提取到的多维数据信息进行降维去噪，因而造成人脸识别率较低。技术实现要素：有鉴于此，本发明实施例的目的在于提出一种人脸识别的方法、系统、计算机设备及计算机可读存储介质，通过对各个尺度的分量分配不同的权重以将所有尺度的分量均加入到人脸识别中，能够提高人脸识别的成功率。基于上述目的，本发明实施例的一方面提供了一种人脸识别的方法，包括如下步骤：选取人脸数据库中每个人第一数量的图片作为训练集，选取每个人第二数量的图片作为测试集；运用曲波变换分别对所述训练集和所述测试集的图像进行分解，得到多个尺度的分量；对所述多个尺度的分量分别进行降维处理，并对降维后的多个尺度的分量分配不同的权重；以及基于所述权重对所述训练集和所述测试集进行融合，并对融合后的所述训练集和所述测试集进行识别测试。在一些实施方式中，所述运用曲波变换分别对所述训练集和所述测试集的图像进行分解，得到多个尺度的分量包括：对所述图像进行预处理，并对预处理后的图像提取人脸特征；以及根据提取人脸特征的数量将所述图像分解成多个不同尺度的分量。在一些实施方式中，所述对降维后的多个尺度的分量分配不同的权重包括：基于多个尺度的分量分别包含的人脸特征的数量对所述尺度的分量分配对应的权重。在一些实施方式中，所述对融合后的所述训练集和所述测试集进行识别测试包括：对融合后的所述训练集和所述测试集运用最近邻算法进行分类。本发明实施例的另一方面，还提供了一种人脸识别的系统，包括：选取模块，配置用于选取人脸数据库中每个人第一数量的图片作为训练集，选取每个人第二数量的图片作为测试集；分解模块，配置用于运用曲波变换分别对所述训练集和所述测试集的图像进行分解，得到多个尺度的分量；降维模块，配置用于对所述多个尺度的分量分别进行降维处理，并对降维后的多个尺度的分量分配不同的权重；以及测试模块，配置用于基于所述权重对所述训练集和所述测试集进行融合，并对融合后的所述训练集和所述测试集进行识别测试。在一些实施方式中，分解模块还配置用于：对所述图像进行预处理，并对预处理后的图像提取人脸特征；以及根据提取人脸特征的数量将所述图像分解成多个不同尺度的分量。在一些实施方式中，所述降维模块还配置用于：基于多个尺度的分量分别包含的人脸特征的数量对所述尺度的分量分配对应的权重。在一些实施方式中，所述测试模块还配置用于：对融合后的所述训练集和所述测试集运用最近邻算法进行分类。本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。本发明具有以下有益技术效果：对各个尺度的分量分配不同的权重以将所有尺度的分量均加入到人脸识别中，能够提高人脸识别的成功率。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。图1为本发明提供的人脸识别的方法的实施例的示意图；图2为本发明提供的人脸识别的计算机设备的实施例的硬件结构示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。基于上述目的，本发明实施例的第一个方面，提出了一种人脸识别的方法的实施例。图1示出的是本发明提供的人脸识别的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：s1、选取人脸数据库中每个人第一数量的图片作为训练集，选取每个人第二数量的图片作为测试集；s2、运用曲波变换分别对训练集和测试集的图像进行分解，得到多个尺度的分量；s3、对多个尺度的分量分别进行降维处理，并对降维后的多个尺度的分量分配不同的权重；以及s4、基于权重对训练集和测试集进行融合，并对融合后的训练集和测试集进行识别测试。选取人脸数据库中每个人第一数量的图片作为训练集，选取每个人第二数量的图片作为测试集。读取orl数据库中的图像，在数据库中每个人的图像均有多张，例如可以是10张，可以将其中的6张作为训练集，将剩下的4张作为测试集。当然也可以将其中的5张作为训练集，将剩下的5张作为测试集，这可以根据具体的情况进行调整。运用曲波变换分别对训练集和测试集的图像进行分解，得到多个尺度的分量。在一些实施方式中，所述运用曲波变换分别对所述训练集和所述测试集的图像进行分解，得到多个尺度的分量包括：对所述图像进行预处理，并对预处理后的图像提取人脸特征；以及根据提取人脸特征的数量将所述图像分解成多个不同尺度的分量。针对采集到的人脸图像受光照、姿态、面部遮挡、表情变化等因素的影响，可以对人脸图像采取预处理手段，包括灰度变换、直方图均衡化、中值滤波，图像归一化等，并进行精确的人眼定位，提取出人脸的有效区域。对图像尺寸统一为128*128，运用曲波变换分别对训练集和测试集的图像进行分解。分解后的四个分量为c{1,1}，c{1,2}，c{1,3}，c{1,4}。其中，第一尺度成分含有人脸的大部分信息，其余尺度包含少量信息。对多个尺度的分量分别进行降维处理，并对降维后的多个尺度的分量分配不同的权重。对曲波分解后的四个分量分别进行pca变换，变换后的四个分量分别为u1，u2，u3，u4。在一些实施方式中，所述对降维后的多个尺度的分量分配不同的权重包括：基于多个尺度的分量分别包含的人脸特征的数量对所述尺度的分量分配对应的权重。将变换后的四个分量采取数据融合中的特征集融合算法进行加权融合。对每一个分量赋予不同的权重，w1+w2+w3+w4＝1，其中w1为第一尺度的分量的权重，w2为第二尺度的分量的权重，w3为第三尺度的分量的权重，w4为第四尺度的分量的权重，由于第一尺度含有的信息比较多，所以w1最大。基于权重对训练集和测试集进行融合，并对融合后的训练集和测试集进行识别测试。在一些实施方式中，所述对融合后的所述训练集和所述测试集进行识别测试包括：对融合后的所述训练集和所述测试集运用最近邻算法进行分类。将分类的结果与预期的结果进行对比，如果分类的结果与预期的结果相同，则说明分类正确，将分类正确的数量除以总的数量就得到识别率。本实施例通过将改进后的人脸识别方法和改进前的人脸识别方法进行对照试验，得到下表：模式训练数测试数识别率％curvelet+pca5590.5数据融合curvelet+pca5592curvelet+pca6493.75数据融合curvelet+pca6494.37实验表明，将各尺度系数融合起来的曲波经pca降维以后，得到的识别率比只使用第一尺度成分的曲波经pca降维的识别率要高，当训练数为5时，本发明实施例比传统的算法高出1.5％，当训练数为6时，本发明实施例比传统的算法高出0.62％，这证明了数据融合的有效性。识别率随权值的变化也会产生变化，具体如下表所示：w1w2w3w4识别率0.60.20.10.152％0.70.10.10.174％0.70.150.10.0582.5％0.80.10.050.0590.5％0.850.050.050.0590.5％0.90.050.030.0291.5％0.90.070.020.0192％从表格可以看出，当w1值为0.9，w2值为0.07，w3值为0.02，w4值为0.01的时候，人脸的识别率最高，值为92％。由此结果可以看出，曲波分解后的各尺度人脸图像包含有不同的人脸信息，第一尺度人脸图像含有人脸的大部分信息，所以在数据融合中所占的比值较高，而第二、第三和第四尺度人脸图像含有人脸的边缘，曲线，五官等细节信息，含有的人脸的信息较少，因此在数据融合中所占的比值较少。而第二尺度含有的人脸信息大于第三尺度，且第三尺度又大于第四尺度，因此所占的比重依次降低。本发明实施例对曲波分解算法进行了改进。在曲波分解算法中加入数据融和的思想。此算法的改进能够将图像经曲波分解后的各尺度成分信息按照一定比例融合起来，充分利用曲波各个尺度含有的人脸特征信息。需要特别指出的是，上述人脸识别的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于人脸识别的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。基于上述目的，本发明实施例的第二个方面，提出了一种人脸识别的系统，包括：选取模块，配置用于选取人脸数据库中每个人第一数量的图片作为训练集，选取每个人第二数量的图片作为测试集；分解模块，配置用于运用曲波变换分别对所述训练集和所述测试集的图像进行分解，得到多个尺度的分量；降维模块，配置用于对所述多个尺度的分量分别进行降维处理，并对降维后的多个尺度的分量分配不同的权重；以及测试模块，配置用于基于所述权重对所述训练集和所述测试集进行融合，并对融合后的所述训练集和所述测试集进行识别测试。在一些实施方式中，分解模块还配置用于：对所述图像进行预处理，并对预处理后的图像提取人脸特征；以及根据提取人脸特征的数量将所述图像分解成多个不同尺度的分量。在一些实施方式中，所述降维模块还配置用于：基于多个尺度的分量分别包含的人脸特征的数量对所述尺度的分量分配对应的权重。在一些实施方式中，所述测试模块还配置用于：对融合后的所述训练集和所述测试集运用最近邻算法进行分类。基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：s1、选取人脸数据库中每个人第一数量的图片作为训练集，选取每个人第二数量的图片作为测试集；s2、运用曲波变换分别对训练集和测试集的图像进行分解，得到多个尺度的分量；s3、对多个尺度的分量分别进行降维处理，并对降维后的多个尺度的分量分配不同的权重；以及s4、基于权重对训练集和测试集进行融合，并对融合后的训练集和测试集进行识别测试。在一些实施方式中，所述运用曲波变换分别对所述训练集和所述测试集的图像进行分解，得到多个尺度的分量包括：对所述图像进行预处理，并对预处理后的图像提取人脸特征；以及根据提取人脸特征的数量将所述图像分解成多个不同尺度的分量。在一些实施方式中，所述对降维后的多个尺度的分量分配不同的权重包括：基于多个尺度的分量分别包含的人脸特征的数量对所述尺度的分量分配对应的权重。在一些实施方式中，所述对融合后的所述训练集和所述测试集进行识别测试包括：对融合后的所述训练集和所述测试集运用最近邻算法进行分类。如图2所示，为本发明提供的上述人脸识别的计算机设备的一个实施例的硬件结构示意图。以如图2所示的装置为例，在该装置中包括一个处理器301以及一个存储器302，并还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图2中以通过总线连接为例。存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的人脸识别的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的人脸识别的方法。存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据人脸识别的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。输入装置303可接收输入的用户名和密码等信息。输出装置304可包括显示屏等显示设备。一个或者多个人脸识别的方法对应的程序指令/模块存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的人脸识别的方法。执行上述人脸识别的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，人脸识别的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)或快闪存储器。易失性存储器可以包括随机存取存储器(ram)，该ram可以充当外部高速缓存存储器。作为例子而非限制性的，ram可以以多种形式获得，比如同步ram(dram)、动态ram(dram)、同步dram(sdram)、双数据速率sdram(ddrsdram)、增强sdram(esdram)、同步链路dram(sldram)、以及直接rambusram(drram)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其它这种配置。结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在asic中。asic可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括ram、rom、eeprom、cd-rom或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(dsl)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、dsl或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。当前第1页12