[发明专利]基于人脸识别的无人值守门店客户数据整合方法

说明书

技术领域

本发明包括一种基于人脸识别的无人值守门店客户数据整合方法，通过使用人脸识别技术在无人值守门店中对客户数据进行整合，具体涉及人脸检测、图像处理、人脸识别算法、数据整合等领域的知识。尤其适用于无人值守门店领域内基于人脸识别图像采集完善和支付阶段的快速处理，该方法对数据传输的统一性整合处理可以使传输过程和识别过程快捷准确。

技术背景

在数据科学大背景下，越来越多的新技术随之诞生，人脸识别技术就是其中之一。它属于计算机技术的研究领域，还包括人脸追踪侦测、自动调整影像放大、夜间红外侦测等等技术。严格上来说它是属于生物特征识别技术，是对生物体(本文特指人)本身的生物特征(这里是指脸部)来区分生物体个体。

对于人脸识别技术的应用目前还不是很广泛，主要是由于人脸特征信息的提取过程很繁杂并且识别率也不是很理想，还有一方面原因是由于相关设备的更新率不高使得识别变得困难。除此之外，人脸图像的存储和传输在应用上也是一大难题，主要体现在对数据库中的存储硬件设备提出更高的要求，在网络间传输一方面需要足够高的带宽，另一方面需要其他硬件设备给予支撑。所以本文针对上述中数据传输和人脸识别等问题给出了解决方法。

发明内容

本发明要克服现有技术的上述缺点，提出一种基于人脸识别的无人值守门店客户数据整合方法。

基于人脸识别的无人值守门店客户数据整合方法，具体包括以下步骤：

步骤1.人脸图像数据库：这里的数据库是一个图片集合，假设图片是关于u_v个人物的。每个人都拍摄了u_w张不同表情的面部照片(这里将拍摄角度、光照等不同条件都当作不同的表情)，每一张图片是一个

行列的矩阵，则每张图片的像素点的总数为令即u_j代表图片的像素点总数。通常情况下，u_j≥5000，且u_j>u_wu_v。将每张同一人物在不同表情下的图片的所有列向量按照从左到右的顺序从上到下拼接起来，形成列向量，每张图片就可以表示成一个长度为u_j的列向量。最终可以将数据库中的图片组织成张量的形式，并且张量A的三个模态分别为图像模态，表情模态，人物模态。

步骤2.人脸图像采集及检测：本文所描述的是在支付阶段的人脸识别，只要客户进入到采集设备的拍摄范围内，采集设备就会自动搜索并拍摄用户的人脸图像。人脸检测机制在图像中准确标定出人脸的位置和大小，将有用的信息挑出来。

步骤3.人脸图像预处理(压缩处理)：数据库是一个图片的集合，所以在支付阶段为了实现快速支付，图像的传输速度是关键。所以对人脸图像进行压缩传输是解决支付阶段中图像传输速度最好的解决办法。

若将人脸图像表示为m×n维矩阵Q，将矩阵Q进行奇异值分解得到

Q＝WΣT^S(1)

式中，W、T分别成为左、右标架矩阵，Σ则称为奇异值矩阵。对人脸图像的数据压缩就是对W、Σ、T采取标架矩阵替代法进行压缩。将采集到人脸图像转换为矩阵Σ＝W^SQT利用它来提取奇异值；传输奇异值矩阵Σ、左标架矩阵假W和右标架矩阵T的数据，将采集到的下一帧人脸图像转换为矩阵Q，利用式Σ＝W^SQT提取奇异值。利用奇异值矩阵∑替代原人脸图像矩阵进行传输。假定压缩后的人脸图像为Q'，根据人脸图像矩阵的压缩规则有：

SNR(R-R')≥SNR_M(2)

因此可以直接利用∑代替人脸图像进行传输和压缩。同时实现将传输过来的奇异值矩阵数据利用式Q＝W∑T^S在输出端恢复为人脸图像。这种压缩方法的压缩比较高，为：

步骤4.匹配与识别：若u_j>u_wu_v,可对张量A进行精简的操作：

A＝P×_jK×_wY×_vC(4)

其中是核心张量，与都是正交阵，是列正交阵，矩阵K，Y,C分别对应张量的图像模态分量、表情模态分量和人物模态分量。也可将(4)式写成如下形式：

A＝D×_vC,D＝P×_jK×_wY(5)

将表情的值固定，则对于某个确定的w值为：