一种人脸图像的识别方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及人工智能技术，具体涉及图像识别技术，尤其涉及一种人脸图像的识别方法、装置、电子设备及存储介质。


背景技术：

2.人脸图像的识别和分类可以应用在各个领域，在住宅安全和自助服务等方面提供极大的便利。
3.现有技术中，基于图像的低维数据进行图像识别，低维数据包含的人脸描述信息较少，存在信息损失，人脸识别精度相对低。对于高维数据的聚类，则由于数据量大，导致计算较慢，影响人脸识别的效率。


技术实现要素：

4.本发明实施例提供一种人脸图像的识别方法、装置、电子设备及存储介质，以提高人脸图像的识别精度。
5.第一方面，本发明实施例提供了一种人脸图像的识别方法，该方法包括：
6.从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将所述待识别人脸图像划分为至少两块图像块；
7.根据预设的特征提取算法，对所述图像块进行特征提取，得到所述待识别人脸图像库的纹理特征向量集；
8.根据所述待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图；
9.根据预设的图像聚类算法对所述权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
10.第二方面，本发明实施例还提供了一种人脸图像的识别装置，该装置包括：
11.图像划分模块，用于从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将所述待识别人脸图像划分为至少两块图像块；
12.纹理特征提取模块，用于根据预设的特征提取算法，对所述图像块进行特征提取，得到所述待识别人脸图像库的纹理特征向量集；
13.相似图获得模块，用于根据所述待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图；
14.图像识别模块，用于根据预设的图像聚类算法对所述权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
15.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的人脸图像的识别方法。
16.第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述
计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的人脸图像的识别方法。
17.本发明实施例通过对人脸图像库中的待识别人脸图像进行分块，提取图像块高维数据的纹理特征，获得更多的人脸描述信息，避免信息损失。根据整个人脸图像库中的所有人脸图像的纹理特征，得到纹理特征向量集。根据纹理特征向量集，得到可以描述人脸图像相似度的权值矩阵相似图，根据预设的聚类算法对相似图进行聚类，得到人脸图像的识别分类结果，提高了高维人脸数据聚类识别的速度。解决了现有技术中，低维人脸数据所导致的信息丢失的问题，提高人脸识别的精度和效率。
附图说明
18.图1是本发明实施例一中的一种人脸图像的识别方法的流程示意图；
19.图2是本发明实施例一中的图像块的像素点以及像素点比较结果示意图；
20.图3是本发明实施例二中的一种人脸图像的识别方法的流程示意图；
21.图4是本发明实施例三中的一种人脸图像的识别装置的结构框图；
22.图5是本发明实施例四中的一种人脸图像的识别设备的结构示意图。
具体实施方式
23.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
24.实施例一
25.图1为本发明实施例一所提供的一种人脸图像的识别方法的流程示意图，本实施例可适用于对人脸图像进行识别和分类的情况，该方法可以由一种人脸图像的识别装置来执行。如图1所示，该方法具体包括如下步骤：
26.步骤110、从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将待识别人脸图像划分为至少两块图像块。
27.其中，待识别人脸图像库中包括多张待识别的人脸图像，本实施例中的待识别人脸图像库可以是yale(耶鲁)人脸数据库，例如，可以是yale b人脸数据库。从待识别人脸图像库中获取一张待识别人脸图像，对该待识别人脸图像进行分块，因此，所获取的待识别人脸图像是还未分块的人脸图像。预先设置图像划分规则，根据图像划分规则，将待识别人脸图像划分为多个图像块，例如，图像划分规则可以是将图像均分为四块区域。
28.本实施例中，可选的，从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将待识别人脸图像划分为至少两块图像块，包括：从待识别人脸图像库中获取未分块的待识别人脸图像；对未分块的待识别人脸图像进行网格划分，得到m
×
n块图像块；其中，m
×
n＞2。
29.具体的，待识别人脸图像库中的人脸图像包括已分块的人脸图像和未分块的人脸图像，获取未分块的人脸图像作为待识别人脸图像。预设的图像划分规则可以是对待识别人脸图像进行网格划分，可以划分出m
×
n块图像块，m和n分别为图像横向和纵向划分的图像块数。本实施例中，m和n可以均取值为7，即将待识别人脸图像划分为49块。这样设置的有
益效果在于，可以对待识别人脸图像进行自动分块，便于确定待识别人脸图像的局部特征，避免直接对整张图像进行特征提取造成信息丢失，提高人脸图像的识别精度。
30.本实施例中，可选的，图像块为网格图像块或圆形图像块。
31.具体的，可以对待识别人脸图像进行网格划分，划分出多张矩形的图像块，也可以将待识别人脸图像划分为圆形图像块或其他形状的图像块。不限制图像块的形状，使待识别人脸图像可以被完全划分，避免图像信息遗漏，增加了图像划分的多样性和图像识别的精度。
32.步骤120、根据预设的特征提取算法，对图像块进行特征提取，得到待识别人脸图像库的纹理特征向量集。
33.其中，特征提取算法可以用于提取图像的纹理特征，根据预设的特征提取算法，可以得到图像块的纹理特征。根据待识别人脸图像中所有图像块的纹理特征，可以得到整张待识别人脸图像的纹理特征。待识别人脸图像库中所有人脸图像的纹理特征，可以组合成待识别人脸图像库的纹理特征向量集。例如，第i张待识别人脸图像的纹理特征为y
i
，待识别人脸图像库的纹理特征向量集为y＝[y1,y2,...,y
n
]，n为待识别人脸图像库中人脸图像的数量，1≤i≤n。
[0034]
本实施例中，可选的，根据预设的特征提取算法，对图像块进行特征提取，得到待识别人脸图像库的纹理特征向量集，包括：根据预设的特征提取算法，获得图像块的局部纹理特征；根据图像块的局部纹理特征，得到待识别人脸图像的纹理特征集合；根据待识别人脸图像的纹理特征集合，生成待识别人脸图像库的纹理特征向量集。
[0035]
具体的，预设的特征提取算法可以是lbp(local binary pattern，局部二值模式)算法，lbp算法可以用来提取图像的纹理特征。基本的lbp算法所得到的特征向量有上千维，因此，根据lbp算法可以得到高维数据的特征向量。为了减少数据维度，可以采用等价模式的lbp算法，将上千维数据缩减为上百维，减少数据的计算量，且依然保持为高维数据的特征向量，避免信息丢失。采用预设的等价模式的lbp算法，对每个图像块进行特征提取，得到每个图像块的局部纹理特征。根据图像块的局部纹理特征，可以得到图像块所对应的待识别人脸图像的整体纹理特征，组合成纹理特征集合。待识别人脸图像库中所有人脸图像的纹理特征集合，可以组合得到待识别人脸图像库的纹理特征向量集。这样设置的有益效果在于，可以分块得到整张图像的纹理特征，进而得到整个图像库的纹理特征。现有的人脸识别大部分是基于低维数据，低维数据包含的人脸描述信息较少，存在信息损失，人脸识别精度相对低。而一般的基于高维数据聚类则由于数据量大，导致计算较慢。本实施例中所提供的基于高维数据聚类的人脸识别方法，对人脸图像进行分块，分块后基于lbp算子计算图像纹理信息得到高维数据的人脸纹理特征向量。采用等价模式的lbp算法，实现对高维数据的获取，等价模式的lbp算法可以表示90％以上的图像纹理信息，既避免信息丢失，又减少后续数据聚类的计算量，提高人脸图像识别的精度和效率。
[0036]
本实施例中，可选的，根据预设的特征提取算法，获得图像块的局部纹理特征，包括：根据预设的lbp算法，确定图像块的基本lbp值；选取基本lbp值中等价模式的lbp值，作为图像块的局部纹理特征。
[0037]
具体的，获取图像块中的各像素点的值，例如，图像块为以一个像素点为中心点，取3*3的邻域窗口。将除中心点之外的8个点的像素值与中心点像素值比较，大于或等于中
心像素值的标记为1，否则标记为0。图2为本实施例中图像块的像素点以及像素点比较结果示意图。将中心点周围的0和1进行排列，得到一个8位二进制数，例如，可以按照顺时针的顺序排列，图2中像素点比较结果的二进制数为11010011。将二进制数转化为十进制数，这个十进制整数就可以表征这个窗口的基本lbp值，并用这个值来反映该区域的纹理信息。根据预设的lbp算法，可以得到每个图像块的基本lbp值。基本lbp值数量过多，为了给lbp算子的数据进行降维，可以从基本lbp值中选取等价模式的lbp值，将等价模式的lbp值作为图像块的局部纹理特征。等价模式是指，当某个lbp值所对应的二进制数从0到1或从1到0最多有两次跳变时，该lbp值所对应的二进制就称为等价模式类。例如，00000000为0次跳变；00000111只含一次从0到1的跳变；10001111是先由1跳到0，再由0跳到1，共两次跳变。上述三种情况均为等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类。通过从所有的基本lbp值中选择等价模式类，使二进制模式的种类大大减少，而且不会丢失图像的有用信息。既保证了数据的高维，又使特征向量的维数减少，提高计算速度。
[0038]
步骤130、根据待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图。
[0039]
其中，在得到待识别人脸图像库的纹理特征向量集后，可以确定待识别人脸图像库中任意两张待识别人脸图像之间的相似度。预先设置权值矩阵确定算法，权值矩阵确定算法用于根据纹理特征向量集，确定待识别人脸图像库中任意两张待识别人脸图像的权值矩阵相似图，权值矩阵中的元素用于表示待识别人脸图像的相似度，权值矩阵相似图可以是网状图。即根据权值矩阵绘制权值矩阵相似图，可以将人脸识别图像进行两两连接，相似度越高，连接越紧密。
[0040]
本实施例中，可选的，根据待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图，包括：根据待识别人脸图像库的纹理特征向量集，基于预设的数据聚类算法，得到中间矩阵；根据中间矩阵和预设的权值矩阵计算公式，得到权值矩阵；根据权值矩阵，构造权值矩阵相似图。
[0041]
具体的，权值矩阵确定算法可以先根据待识别人脸图像库的纹理特征向量集，得到权值矩阵，再根据权值矩阵得到权值矩阵相似图。权值矩阵的获取可以是先根据预设的数据聚类算法得到中间矩阵，再根据中间矩阵，得到权值矩阵。预设的数据聚类算法可以是稀疏子空间聚类算法，根据稀疏子空间聚类算法，可以得到纹理特征向量集的稀疏矩阵，稀疏矩阵即为中间矩阵。可以根据如下公式确定稀疏矩阵：
[0042][0043]
s.t.y＝yc+e+z，diag(c)＝0；
[0044]
其中，y为纹理特征向量集，c为稀疏矩阵，e为孤立点集矩阵，z为噪声矩阵，λ
e
和λ
z
为中间参数，l是指利用l范数可以促使c和e稀疏，f是指利用frobenius范数使得z的列中具有较少的数据点，frobenius范数是指矩阵的每个元素的平方和的开方。c、e和z可以根据方程组，利用凸优化工具包计算得出。预先设置权值矩阵计算公式，根据中间矩阵计算得到权值矩阵，进而得到待识别人脸图像之间的相似度。再根据权值矩阵，构造权值矩阵相似图。这样设置的有益效果在于，根据预设的稀疏子空间聚类算法，得到稀疏矩阵，便于后续确定待识别人脸图像的相似度，实现对人脸图像的自动分类。在确定纹理特征向量集时，选取了
等价模式的lbp值，减小了数据维度，因此，在采用稀疏子空间聚类算法时，有效提高了计算速度。
[0045]
本实施例中，可选的，根据中间矩阵和预设的权值矩阵计算公式，得到权值矩阵，包括：根据稀疏矩阵和预设的权值矩阵计算公式，得到权值矩阵；根据如下公式确定所述权值矩阵：
[0046]
w＝|c|+|c|
t
；
[0047]
其中，w为权值矩阵，c为稀疏矩阵。
[0048]
具体的，在得到稀疏矩阵后，根据稀疏矩阵计算得到权值矩阵，预设的权值矩阵计算公式可以是：
[0049]
w＝|c|+|c|
t
；
[0050]
其中，权值矩阵w可以是由稀疏矩阵c和稀疏矩阵的置换进行计算得到。权值矩阵w中的元素w
ij
表示待识别人脸图像i和待识别人脸图像j之间的相似度。通过稀疏矩阵计算权值矩阵，可以快速确定图像之间的相似度，有利于对图像进行分类，实现对高维数据的聚类。
[0051]
步骤140、根据预设的图像聚类算法对权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
[0052]
其中，根据权值矩阵构造权值矩阵相似图，实现对各待识别人脸图像相似度的直观查看。根据预设的图像聚类算法对权值矩阵相似图中的待识别人脸图像进行图像聚类，将相似度高的图像聚类为一类。本实施例中，预设的图像聚类算法可以是k
‑
means算法。通过权值矩阵相似图，实现对高维数据的聚类，减少由于数据量大，导致计算较慢的问题，提高人脸识别的效率。根据聚类结果，实现对待识别人脸图像的分类，即得到图像所属分类，确定待识别人脸图像的识别结果。例如，可以确定多张待识别人脸图像为积极情绪的类别，将另外的多张待识别人脸图像为消极情绪的类别。
[0053]
本实施例的技术方案，通过对人脸图像库中的待识别人脸图像进行分块，提取图像块高维数据的纹理特征，提取出更多的人脸描述信息，避免信息损失。根据整个人脸图像库中的所有人脸图像的纹理特征，得到纹理特征向量集。根据纹理特征向量集，得到可以描述人脸图像相似度的权值矩阵相似图，根据预设的聚类算法对相似图进行聚类，得到人脸图像的识别分类结果，提高了高维人脸数据聚类识别的速度。解决了现有技术中，低维人脸数据所导致的信息丢失的问题，提高人脸识别的精度和效率。
[0054]
实施例二
[0055]
图3为本发明实施例二所提供的一种人脸图像的识别方法的流程示意图，本实施例以上述实施例为基础进行进一步的优化，该方法可以由一种人脸图像的识别装置来执行。如图3所示，该方法具体包括如下步骤：
[0056]
步骤310、从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将待识别人脸图像划分为至少两块图像块。
[0057]
步骤320、根据预设的特征提取算法，获得图像块的局部纹理特征。
[0058]
步骤330、根据图像块的局部纹理特征，得到待识别人脸图像的纹理特征集合。
[0059]
其中，根据一张待识别人脸图像的所有图像块的局部纹理特征，得到该待识别人脸图像的纹理特征集合。若生成了待识别人脸图像库中的所有待识别人脸图像的纹理特征
集合，则可以得到待识别人脸图像库的纹理特征向量集。
[0060]
本实施例中，可选的，在根据图像块的局部纹理特征，得到待识别人脸图像的纹理特征集合之后，还包括：判断待识别人脸图像库中是否存在未分块的待识别人脸图像，若否，则根据待识别人脸图像的纹理特征集合，生成待识别人脸图像库的纹理特征向量集。
[0061]
具体的，在得到待识别人脸图像的纹理特征集合后，先确定待识别人脸图像库中的待识别人脸图像是否已经全部得到了自己的纹理特征集合，即判断待识别人脸图像库中是否还存在未分块的待识别人脸图像。若待识别人脸图像库中不存在未分块的待识别人脸图像，则确定所有的待识别人脸图像已经完成分块和特征提取的过程，可以根据各个待识别人脸图像的纹理特征集合得到整个待识别人脸图像库的纹理特征向量集。这样设置的有益效果在于，可以保证待识别人脸图像库中的所有图像均得到纹理特征集合，从而得到完整的纹理特征向量集，避免信息遗漏，提高对待识别人脸图像库中图像的识别精度。
[0062]
本实施例中，可选的，在判断待识别人脸图像库中是否存在未分块的待识别人脸图像之后，还包括：若待识别人脸图像库中存在未分块的待识别人脸图像，则将未分块的待识别人脸图像划分为至少两块图像块，并得到未分块的待识别人脸图像的纹理特征集合。
[0063]
具体的，判断待识别人脸图像库中是否存在未分块的待识别人脸图像，若存在，则确定还不能生成待识别人脸图像库的纹理特征向量集。从待识别人脸图像库中获取还未分块的待识别人脸图像，基于预设的图像划分规则，将待识别人脸图像划分为至少两块图像块。再根据预设的特征提取算法，对图像块进行特征提取，得到该待识别人脸图像的纹理特征集合。再次判断待识别人脸图像库中是否存在未分块的待识别人脸图像，直至待识别人脸图像库中不存在未分块的待识别人脸图像，则生成待识别人脸图像库的纹理特征向量集。这样设置的有益效果在于，保证待识别人脸图像库中的所有图像均被分块和纹理特征提取，避免遗漏待识别人脸图像，造成人脸识别分类错误，提高人脸图像的识别精度和效率，实现对人脸图像的自动识别。
[0064]
步骤340、根据待识别人脸图像的纹理特征集合，生成待识别人脸图像库的纹理特征向量集。
[0065]
步骤350、根据待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图。
[0066]
步骤360、根据预设的图像聚类算法对权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
[0067]
本发明实施例通过对人脸图像库中的待识别人脸图像进行分块，提取图像块高维数据的纹理特征，提取出更多的人脸描述信息，避免信息损失。在确定待识别人脸图像库中的图像均被处理后，再根据整个人脸图像库中的所有人脸图像的纹理特征，得到纹理特征向量集。根据纹理特征向量集，得到可以描述人脸图像相似度的权值矩阵相似图，根据预设的聚类算法对相似图进行聚类，得到人脸图像的识别分类结果，提高了高维人脸数据聚类识别的速度。解决了现有技术中，低维人脸数据所导致的信息丢失的问题，避免识别时遗漏人脸图像，减少用户对图像是否遗漏的检查过程，提高人脸识别的精度和效率。
[0068]
实施例三
[0069]
图4为本发明实施例三所提供的一种人脸图像的识别装置的结构框图，可执行本发明任意实施例所提供的一种人脸图像的识别方法，具备执行方法相应的功能模块和有益
效果。如图4所示，该装置具体包括：
[0070]
图像划分模块401，用于从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将所述待识别人脸图像划分为至少两块图像块；
[0071]
纹理特征提取模块402，用于根据预设的特征提取算法，对所述图像块进行特征提取，得到所述待识别人脸图像库的纹理特征向量集；
[0072]
相似图获得模块403，用于根据所述待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图；
[0073]
图像识别模块404，用于根据预设的图像聚类算法对所述权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
[0074]
可选的，图像划分模块401，包括：
[0075]
图像获取单元，用于从所述待识别人脸图像库中获取未分块的待识别人脸图像；
[0076]
图像分块单元，用于对所述未分块的待识别人脸图像进行网格划分，得到m
×
n块图像块；其中，m
×
n＞2。
[0077]
可选的，图像块为网格图像块或圆形图像块。
[0078]
可选的，纹理特征提取模块402，包括：
[0079]
局部特征获得单元，用于根据预设的特征提取算法，获得所述图像块的局部纹理特征；
[0080]
特征集合获得单元，用于根据所述图像块的局部纹理特征，得到所述待识别人脸图像的纹理特征集合；
[0081]
向量集生成单元，用于根据所述待识别人脸图像的纹理特征集合，生成待识别人脸图像库的纹理特征向量集。
[0082]
可选的，预设的特征提取算法为lbp算法。
[0083]
可选的，局部特征获得单元，具体用于：
[0084]
根据预设的lbp算法，确定所述图像块的基本lbp值；
[0085]
选取所述基本lbp值中等价模式的lbp值，作为所述图像块的局部纹理特征。
[0086]
可选的，纹理特征提取模块402，还包括：
[0087]
人脸图像判断单元，用于在根据所述图像块的局部纹理特征，得到所述待识别人脸图像的纹理特征集合之后，判断所述待识别人脸图像库中是否存在未分块的待识别人脸图像，若否，则根据所述待识别人脸图像的纹理特征集合，生成待识别人脸图像库的纹理特征向量集。
[0088]
可选的，纹理特征提取模块402，还包括：
[0089]
图像继续分块单元，用于在判断所述待识别人脸图像库中是否存在未分块的待识别人脸图像之后，若所述待识别人脸图像库中存在未分块的待识别人脸图像，则将未分块的待识别人脸图像划分为至少两块图像块，并得到所述未分块的待识别人脸图像的纹理特征集合。
[0090]
可选的，相似图获得模块403，包括：
[0091]
中间矩阵获得单元，用于根据所述待识别人脸图像库的纹理特征向量集，基于预设的数据聚类算法，得到中间矩阵；
[0092]
权值矩阵获得单元，用于根据所述中间矩阵和预设的权值矩阵计算公式，得到权
值矩阵；
[0093]
相似图构造单元，用于根据所述权值矩阵，构造权值矩阵相似图。
[0094]
可选的，中间矩阵获得单元，具体用于：
[0095]
根据待识别人脸图像库的纹理特征向量集，基于预设的稀疏子空间聚类算法，得到稀疏矩阵。
[0096]
可选的，权值矩阵获得单元，具体用于：
[0097]
根据所述稀疏矩阵和预设的权值矩阵计算公式，得到所述权值矩阵；
[0098]
根据如下公式确定所述权值矩阵：
[0099]
w＝|c|+|c|
t
；
[0100]
其中，w为权值矩阵，c为稀疏矩阵。
[0101]
可选的，预设的图像聚类算法为k
‑
means聚类算法。
[0102]
本发明实施例通过对人脸图像库中的待识别人脸图像进行分块，提取图像块高维数据的纹理特征，提取出更多的人脸描述信息，避免信息损失。根据整个人脸图像库中的所有人脸图像的纹理特征，得到纹理特征向量集。根据纹理特征向量集，得到可以描述人脸图像相似度的权值矩阵相似图，根据预设的聚类算法对相似图进行聚类，得到人脸图像的识别分类结果，提高了高维人脸数据聚类识别的速度。解决了现有技术中，低维人脸数据所导致的信息丢失的问题，提高人脸识别的精度和效率。
[0103]
实施例四
[0104]
图5是本发明实施例四提供的一种人脸图像的识别设备的结构示意图。人脸图像的识别设备是一种电子设备，图5示出了适于用来实现本发明实施方式的示例性电子设备500的框图。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0105]
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：一个或者多个处理器或者处理单元501，系统存储器502，连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
[0106]
总线503表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0107]
电子设备500典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备500访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0108]
系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)504和/或高速缓存存储器505。电子设备500可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd
‑
rom,dvd
‑
rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发
明各实施例的功能。
[0109]
具有一组(至少一个)程序模块507的程序/实用工具508，可以存储在例如存储器502中，这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
[0110]
电子设备500也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口511进行。并且，电子设备500还可以通过网络适配器512与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图5所示，网络适配器512通过总线503与电子设备500的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0111]
处理单元501通过运行存储在系统存储器502中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种人脸图像的识别方法，包括：
[0112]
从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将所述待识别人脸图像划分为至少两块图像块；
[0113]
根据预设的特征提取算法，对所述图像块进行特征提取，得到所述待识别人脸图像库的纹理特征向量集；
[0114]
根据所述待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图；
[0115]
根据预设的图像聚类算法对所述权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
[0116]
实施例五
[0117]
本发明实施例五还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种人脸图像的识别方法，包括：
[0118]
从待识别人脸图像库中获取待识别人脸图像，基于预设的图像划分规则，将所述待识别人脸图像划分为至少两块图像块；
[0119]
根据预设的特征提取算法，对所述图像块进行特征提取，得到所述待识别人脸图像库的纹理特征向量集；
[0120]
根据所述待识别人脸图像库的纹理特征向量集，基于预设的权值矩阵确定算法，得到权值矩阵相似图；
[0121]
根据预设的图像聚类算法对所述权值矩阵相似图进行图像聚类，确定待识别人脸图像库中待识别人脸图像的分类结果。
[0122]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者
任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0123]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0124]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0125]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0126]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。