[发明专利]人脸识别方法及系统

权利要求书

1.一种人脸识别方法，其特征在于，包括：

通过人脸图像采集及检测模块对人脸图像进行实时采集，对采集的人脸图像进行预处理，获取对图像中人脸区域的检测；

将人脸图像导入预先建立的人脸图像特征模型数据库，得到人脸图像的二值化人脸特征，所述人脸特征模型数据库中的人脸特征模型用于表征人脸图像与二值化人脸特征的对应关系；

将人脸图像的二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，所述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；

根据相似度计算结果，如果计算相似度值小于设定的误差阈值，则确定人脸图像所包含的人脸对象的身份标识；

如果相似度计算的结果大于设定的误差阈值，则将人脸图像依次输入按照预设顺序串行排列的N个人脸图像识别的分类器中，在每个分类器中分别计算人脸图像和样本库中预存的样本图像之间的特征相似度，得到第N个分类器的相似度数据，并根据该相似度数据确定每一个分类器的识别结果；

若第i个分类器的识别结果为识别成功，则将第i个所述分类器识别出的目标样本图像作为人脸图像的匹配结果，i为大于0小于N的正整数；

若N个分类器的识别结果均为识别失败，则基于加权投票算法，对得到的N个分类器的相似度数据进行投票，并根据投票结果确定所述待识别人脸。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸图像特征模型的训练步骤包括：

对某一人脸对象获取多个人脸图像样本，且多个人脸图像样本的指向人脸对象相同但人脸图像样本不同；

采用机器学习方法，将多个人脸图像样本基于预先构建的损失函数训练得到人脸特征生成模型，其中，所述损失函数是基于多个人脸图像的特征向量得到的；

将人脸特征模型分别预存于人脸图像特征模型数据库，并同时装入N个分类器，通过N个分类器展示当前人脸对象的不同人脸图像特征。

3.根据权利要求2所述的人脸识别方法，其特征在于，所述人脸图像特征把包括对人脸图像的特征部位进行标记、并对标记的特征部位提取特征值，训练后得到人脸图像特征模型，以及，

肤色区域检测，对获取的人脸图像采用YCbCr色彩空间，减少光照对肤色的影响；

人脸候选区域分割，通过对人脸图像特征部位的色彩和亮度映射的结合，实现对人脸图像特征部位的区域大小和位置的检测；

人脸候选区域分类，对人脸图像特征部位进行积分图计算，计算haar特征，将弱分类器组合成为强分类器。

4.根据权利要求2所述的人脸识别方法，其特征在于，所述人脸特征生成模型包括特征提取网络和二值化编码层，其中，所述特征提取网络为卷积神经网络；以及，

采用机器学习方法，利用所述多个人脸图像样本，基于预先构建的损失函数训练得到所述人脸特征生成模型，包括：将所述多个人脸图像样本分别输入初始卷积神经网络得到多个人脸图像样本的特征向量；

将所述多个人脸图像样本的特征向量分别输入至二值化编码层，得到多个人脸图像样本的二值化人脸特征，其中，所述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；

基于所述多个人脸图像样本的特征向量，以及所述损失函数更新所述初始卷积神经网络的网络参数，得到所述人脸特征生成模型。

5.根据权利要求1所述的人脸识别方法，其特征在于，所述根据相似度计算结果，如果计算相似度值小于设定的误差阈值，则确定人脸图像所包含的人脸对象的身份标识包括：

在分析度量人脸图像特征模型的基础上，将人脸图像看作高维向量空间；

将高维向量空间通过子空间算法进行空间转换，将高维的人脸图像数据压缩至低维的子空间中；

对人脸图像与人脸图像特征模型数据库中的人脸图像特征模型进行相似度计算；

判断人脸图像与每一个人脸图像特征模型计算的相似度值与设定的误差阈值大小；

如果与某一人脸特征图像模型相似度值小于设定的误差阈值，则确定人脸图像所包含的人脸对象的身份标识为该人脸特征图像模型对应的人脸对象；

如果与所有人脸图像特征模型计算的相似度值都大于设定的误差阈值，则转换判别方法。