[发明专利]人脸识别方法及系统、人脸识别模型训练方法及系统

说明书

技术领域

本发明涉及一种人脸识别方法及系统，与人脸识别模型训练方法及系统，尤其涉及一种基于三维信息的人脸识别方法及系统，与人脸识别模型训练方法及系统。 

背景技术

人脸识别是将输入的人脸图像与已知库中的模板进行比较并确定身份的一种技术，由于人脸是人们区分不同人的重要途径，是最主要的信息来源之一，因此人脸识别是一种较指纹、视网膜和虹膜等识别更自然、更直接的一种识别方式，在多个领域如视频监控、签到系统、人机交互、系统开机等有着非常大的应用潜力。 

在人脸识别领域中，主要有两类方法，一类是基于二维亮度图像的人脸识别方法，另一类是基于三维人脸的人脸识别方法。其中，前者只需要采集人脸的亮度图像，从采集的亮度图像中抽取人脸特征并进行识别。不过这类方法的主要问题是抗光照干扰的能力较差，这个缺陷也是目前人脸识别算法发展的一个瓶颈。后者采用获取人脸面部各点的三维特征，利用人脸面部各个器官的三维几何特征进行识别，由于这类识别方法主要利用各点的坐标，而不是图像中各点的亮度，因此基于三维人脸的人脸识别方法不受光照、姿态的干扰。不过，这类方法的人脸数据需要用复制昂贵的三维激光扫描仪采集，数据采集难度极大，且采集时间较长，实用的可能性不大。 

因此，如何提供一种成本较低且能够降低光照干扰的人脸识别方案是目前急需解决的一个问题。 

发明内容

有鉴于此，本发明中一方面提供一种人脸识别方法及系统，另一方面提供一种人脸识别模型训练方法及系统，以便在降低成本的情况下降低光照对人脸识别的干扰。 

本发明所提供的人脸识别方法，包括： 

A、为每个需要识别的用户训练获得所述用户的人脸识别模型； 

B、在设定的人脸姿态范围内，采集当前待识别用户同时刻的带有结构光编码的人脸图像和没有结构光编码的人脸图像； 

C、根据所述带有结构光编码的人脸图像，得到所述用户的人脸深度图像，根据所述没有结构光编码的人脸图像，得到所述用户的人脸灰度图像； 

D、利用所述人脸灰度图像进行标定，确定所述图像中的人脸器官特征点位置，根据所述人脸器官特征点位置对所述人脸灰度图像和所述人脸深度图像进行人脸预处理； 

E、分别计算经过人脸预处理后的所述人脸深度图像和所述人脸灰度图像的特征； 

F、将所述特征输入到所述人脸识别模型中，进行人脸识别，返回与各人脸识别模型的相似度数据； 

G、根据所述返回的相似度数据，输出最终的人脸识别结果； 

所述设定的人脸姿态包括：一个或一个以上的互不相同的人脸姿态； 

每个人脸姿态由一个左右深度旋转角度范围和一个上下深度旋转角度范围共同表示； 

步骤A进一步包括对所述用户的人脸姿态分别训练获得人脸识别模型； 

步骤F之前，进一步包括：根据所述人脸深度图像，计算当前待识别用户的人脸姿态； 

步骤F中所述将特征输入到所述人脸识别模型中为：将所述特征输入到对应所述人脸姿态的人脸识别模型中。 

较佳地，所述步骤A包括： 

A1、针对每个需要识别的用户，在设定的人脸姿态范围内，采集正样本与对比样本的带有结构光编码的人脸图像和没有结构光编码的人脸图像； 

A2、对每个样本的人脸图像，根据所述带有结构光编码的人脸图像，得到所述样本的人脸深度图像，根据所述没有结构光编码的人脸图像，得到所述样本的人脸灰度图像； 

A3、利用所有样本的人脸灰度图像进行标定，确定人脸灰度图像和人脸深度图像中的人脸器官特征点位置，根据所述人脸器官特征点位置，对对应样本的人脸灰度图像和人脸深度图像进行人脸预处理； 

A4、分别计算各样本经过人脸预处理后的人脸深度图像的特征和人脸灰度图像的特征； 

A5、利用所述特征对所述用户进行训练，得到所述用户对应的人脸识别模型。 

较佳地，所述步骤A4和步骤A5之间，进一步包括：分别从所计算的人脸深度图像的特征和人脸灰度图像的特征中挑选出对于Gabor特征分类能力最强的部分特征构成对应样本的低维特征； 

步骤A5中所述利用特征对所述用户进行训练为：利用所述低维特征，对所述用户进行训练。 

较佳地，所述步骤E和步骤F之间，进一步包括：分别从所计算的人脸深度图像的特征和人脸灰度图像的特征中挑选出对于Gabor特征分类能力最强的部分特征构成低维特征；