[发明专利]一种人脸识别方法及系统

说明书

本发明涉及一种人脸识别的技术领域，揭露了一种人脸识别方法，包括：获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图，并利用高斯滤波对灰度图进行降噪处理；利用基于线性拉伸的对比度增强算法将所述灰度图进行图像对比度增强，并利用OTSU算法对图像进行二值化处理，得到待识别人脸图像的二值化图像；利用级联的外部关键点检测模型检测二值化图像中的人脸外部关键点区域；利用五官检测模型检测人脸内部关键点区域，并利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子；根据所提取的SIFT特征描述子，利用预训练的F‑GAN模型进行人脸识别。本发明还提出一种人脸识别系统。本发明实现了人脸的识别。

技术领域

本发明涉及人脸识别的技术领域，尤其涉及一种人脸识别方法及系统。

背景技术

人脸识别是一种提取面部信息并采用分类器进行识别的技术，能作为辨别一个人的唯一标识。人脸识别系统具有非接触性、非侵占性、可靠性等优势，因此在实际生活中的应用较为广泛，如高铁入站、考勤签到、考生识别等。

目前的图像识别技术主要为深度学习图像识别技术，其中深度卷积网络可以根据分类任务自适应地提取到局部和全局的图像特征，有很好的识别性能。但是，基于深度卷积网络的图像识别方法需要大量的数据进行训练，且需要舍弃训练样本中的困难样本，导致训练样本不足，致使图像识别效果的降低，其中困难样本是模型容易识别错误，但是也含有边界信息的样本，对模型训练有指导作用。

同时，现有面部关键点定位算法在限定环境下已达到很高的识别率，但在非限定环境下，仍易受到环境光线不均、测试角度范围广、检测目标姿态多样及遮挡模糊等因素的影响。且现有技术一般采用提取人脸图像中的SIFT描述子进行人脸图像的识别，但传统SIFT算法生成的描述子具有高维性，在描述子的生成以及匹配阶段，计算过程复杂且计算量大。

鉴于此，如何对现有特征提取算法进行改进，提取出人脸图像中的有效特征，并提高面部关键点的检测精度，从而实现人脸的准确识别，成为本领域技术人员亟待解决的问题。

发明内容

本发明提供一种人脸识别方法，通过对现有特征提取算法进行改进，提取出人脸图像中的有效特征，并提供了一种面部关键点检测算法以提高面部关键点的检测精度，从而实现人脸的准确识别。

为实现上述目的，本发明提供的一种人脸识别方法，包括：

获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图；

利用高斯滤波对灰度图进行降噪处理；

利用基于线性拉伸的对比度增强算法将所述灰度图进行图像对比度增强，并利用OTSU算法对图像进行二值化处理，得到待识别人脸图像的二值化图像；

利用级联的外部关键点检测模型检测二值化图像中的人脸外部关键点区域；

利用五官检测模型检测人脸内部关键点区域；

利用改进的SIFT特征提取算法提取关键点区域的SIFT特征描述子；

根据所提取的SIFT特征描述子，利用预训练的F-GAN模型进行人脸识别。

可选地，所述获取待识别人脸图像，利用各比例法将待识别人脸图像转换为灰度图，包括：

利用各比例法将待识别人脸图像转换为灰度图，所述各比例法的计算公式为：

O_i＝0.30*R_i+0.59*G_i+0.11*B_i

其中：

R_i，G_i，B_i分别为当前像素i的三个像素分量；