[发明专利]一种面部识别系统

说明书

本发明公开了一种面部识别系统，涉及图像处理及模式识别技术领域，首先采用深度学习的方法确定待识别面部图像的性别，然后再结合深度学习识别出来的性别，基于卷积神经网络的方法高准确率的确定待识别面部图像的面部身份，最后再采用双目视觉技术基于待识别面部图像的视差特征确定待识别面部图像的面部微表情，实现了结合待识别面部图像的性别信息、身份信息和表情信息的面部识别，将深度学习方法、卷积神经网络和双目视觉技术相结合，降低了光照条件和面部姿态等因素对面部识别率的影响，同时减小面部识别过程的数据计算量，实现对面部的快速、高准确率的识别，并降低面部识别过程中的成本，提高了不同面部姿态下面部识别的准确率。

技术领域

本发明涉及图像处理及模式识别技术领域，尤其涉及一种面部识别系统。

背景技术

面部识别技术是通过分析面部器官的位移形状和位置关系来进行身份鉴别的，是一种重要的生物识别技术，广泛应用于安防、门禁以及监控等领域。面部识别技术的主要算法包括基于几何特征的模板匹配的面部识别方法、基于几何特征的面部识别方法、基于样本学习的面部识别方法以及基于纹理特征的面部识别方法。其中，基于面部纹理特征的面部识别方法主要依靠LBP(Local Binary Pattern)即局部二值模式进行面部特征提取。

目前，面部识别系统根据处理的数据不同分为二维面部识别系统和三维面部识别系统。

其中，二维面部识别系统所采用的方法相对成熟，早于1991年Turk和Pentland提出的特征脸(Eigenfaces)方法就具有较好的识别效果。随后的研究中，基于神经网络的面部识别方法、基于支持向量机(SVM)的面部识别方法和基于小波变换的面部识别方法等等都不断的涌现。但是，不论如何改进都无法克服二维面部识别固有的缺陷，即光照条件和面部姿态等因素的变化影响了待识别图像特征与样本库中图像特征的匹配，从而降低了识别性能。

而大部分的三维面部识别方法是基于较抽象的空间几何特征，如采用迭代最近点方法进行曲面相似度匹配的识别方法、根据三维模型特征点定位提取局部区域进行曲线的匹配的识别方法。但是，三维面部识别技术还不够成熟，三维数据又过于庞大，计算复杂度高，数据计算量大，面部识别速率低，并且三维数据获取设备昂贵、三维数据获取条件受限，所以，已有技术中的三维面部识别难以在实际应用中推广。

发明内容

本发明实施例提供一种面部识别系统，旨在降低光照条件和面部姿态等因素对面部识别率的影响，减小面部识别过程的数据计算量，实现对面部的快速、高准确率的识别，并降低面部识别过程中的成本。

本发明提供的具体技术方案如下：

一种面部识别系统，所述面部识别系统包括：

面部图像处理模块，用于基于面部特征点定位算法确定待处理图像中的面部区域后进行面部图像的截取，并对截取后的待识别面部图像进行降噪、补光、加亮和归一化处理；

面部特征提取模块，用于基于面部图像的关键点，提取待识别面部图像的面部特征，其中，所述面部特征包括方向梯度直方图HOG特征、局部二值模式LBP特征和面部像素点的视差特征；

基于大数据的面部识别模块，用于根据所述方向梯度直方图HOG特征和所述局部二值模式LBP特征基于大数据识别所述待识别面部图像的性别；

基于卷积神经网络的面部识别模块，用于根据所述方向梯度直方图HOG特征和所述局部二值模式LBP特征采用训练好的卷积神经网络模型，实现所述待识别面部图像多角度下的高准确率的面部身份识别；

基于双目视觉技术的面部识别模块，用于根据所述面部像素点的视差特征，获取所述待识别面部图像的面部表情检测专属图像，基于所述面部表情检测专属图像识别所述待识别面部图像的面部微表情。

可选的，所述面部图像处理模块具体包括：