[发明专利]一种人脸识别方法、系统及存储介质

说明书

本发明公开了一种人脸识别方法、系统及存储介质，方法包括：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。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，可广泛应用于深度学习技术领域。

技术领域

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(Locality Preserving Projections，LPP)：是一种新的子空间分析方法，它是非线性方法Laplacian Eigen map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。

发明内容

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；