技术领域
[0001] 本发明属于人工智能领域，尤其涉及一种人脸识别方法及人脸识别系统，属于人工智能领域，尤其是人脸识别技术领域。
相关背景技术
[0002] 人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它通常采用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测、跟踪和识别人脸。被广泛应用于身份识别、活体检测、安防监控、社交平台、健康监控等场景中。相对于指纹识别、掌纹识别、虹膜识别等生物识别技术，人脸识别具有无入侵、易捕捉、已接受等特性。因此目前，人脸识别技术的应用成为AI技术重要着陆点。
[0003] 但是，人脸识别的准确率，会受到拍照姿势(正面或侧面)、光线(逆光、白天或夜晚)、天气(雨天、雾天)、遮挡物(头发、眼镜、胡须)等多种因素的影响。其中，影响准确率最大的因素，是长垂直眉间、眼角的头发。如何能够准确、快速地提取和识别人脸信息，是人脸识别技术着陆和应用中亟待解决问题。
[0004] 目前，人脸识别的常见处理方法有小波分析、直方图、PCA、SVM、神经网络、模拟识别、人工智能、深度学习等方法，需要大量样本信息。但是，收集人脸样本时费时费力、训练过程中参数优化的复杂性，是这些算法很难达到最优解，尤其是，由于用户在逆光的环境中或者佩戴不同样式的帽子、以及头发染成不同颜色，会导致上述参数需要进行适应性修改，很难应对上述用户行为而进行实时的调整，造成识别率难以达到令人满意的程度。
[0005] 针对以上问题，本发明旨在提供一种人脸识别方法及人脸识别系统，此系统引入灰色理论，利用其信息的非完全性原则、非唯一性原则与现实信息优先原则，对人脸图像融合预测处理，恢复人脸图像的细节与颜色信息，继而提高人脸识别率。
具体实施方式
[0021] 人证核验设备获取人脸信息，其组成如图三所示，利用灰度关联度获取关键帧。在系统初始化时，系统手动采集场景图像作为背景图像，并将其转化成HSV格式，其数据分别对其初值化如下：其中，k＝1,2，……n
均值化如下：
其中，k＝1,2，……n
确定第一帧图像 及第二帧图像 分别求出其关联度
此处，ρ＝0.5，
再此， 其中N为像素点数。
[0022] 利用图像的HSV序列灰色关联度来判断两帧图像的差异性，当模板为背景图像即当其大于阈值时，为关键图像，需要处理，当其小于阈值时，则时背景图像，不须重点处理。即ri大于阈值Ti，其中Ti根据不同系统而不同，在此处取值为Ti＝0.4；
[0023] 利用基于灰色预测的Retinex图像增强技术对人脸图像进行增强如图3基于灰色预测模型Retinex图像增强技术示意图所示。
[0024] 某时刻获取的关键图像为S(x，y)由反射图像R(x，y)和入射图像L(x，y)即S(x，y)＝R(x，y)·L(x，y) (5)由式5可以看出，图像由入射图像和反射图像构成，反射光照射在反射物体上，通过反射物体的反射，形成反射光进入人眼，最后形成的图像可表示为
M(x，y)＝R(x，y)·L(x，y) (6)
式中，M(x，y)表示被观察者或者照相机接收到的图像信号，L(x，y)代表环境光的照射分量；R(x，y)表示携带图像细节信息的目标物体的反射分量。
Log[R(x，y)]＝Log[M(x，y)]‑Log[L(x，y)] (7)
但是，L(x，y)不易获得，在经典Retinex理论中，利用获取的图像和高斯函数的卷积近视替代，
Log[R(x，y)]＝Log[M(x，y)]‑Log[M(x，y)*G(x，y)] (8)
其中，*表示卷积，G(x，y)表示高斯函数。
[0025] 灰色理论即GM(1，1)模型对获取的人脸图像进行预处理，对HSI中I进行预测滤波，利用图像融合技术将预测图像融合得到新的人脸图像；图像中I分量图像，可表示I＝{i(1)，i(2)，i(3)……i(n)}
其累加生成序列1次AGO为
(1) (1) (1) (1) (1)
I ＝AGO(I)＝{i (1)，i (2)，i (3)……i (n)} (9)
其中，
其预测模型GM(1，1)的白花形式的微分方程表示为
在预测模型中，设定
其，灰微方程解为：
记系数向量：
累加矩阵B为：
t
Yn＝[i(2)，i(3)……i(n)]
预测公式为：
其中，k＝1,2，……n。
[0026] 根据获取的图像转换成HSI，利用公式(13)对I向量图像进行预测，获取新的I向量图像 并将预测图像转换为RGB格式为图像 此处，L(x，y)＝M(x，y)*G(x，y)由其中如果 其值取0，Log[R(x，y)]中R/G/B各通
道数据的均值Mean和均方差Var。
并获取
MIN＝Mean‑Dyna min c*Var (13)
MAX＝Mean+Dyna min c*Var (14)
并线性映射：
其中，
[0027] 利用开源库OPENCV种算法针对增强的关键帧进行人脸检测，检测到人脸信息后利用矩形框将人脸标示出来；
[0028] 对检测到人脸关键特征如眼睛、口、鼻、眉、耳朵、头发等定位，并根据关键特征分区可分为眼眉、鼻口、耳朵、左半脸、右半脸等五区，如双眼的坐标为fyL(x，y)、fyR(x，y)、fmL(x，y)、fmR(x，y)；鼻口区坐标为fyL(x，y)、fyR(x，y)、fxL(x，y)、fxR(x，y)；左耳朵轮廓feLL(x，y)、feRL(x，y)、feSL(x，y)、feXL(x，y)；右耳朵轮廓feLR(x，y)、feRR(x，y)、feSR(x，y)、feXR(x，y)；左半脸fLLL(x，y)、fLRL(x，y)、fLSL(x，y)、fLXL(x，y)；右半脸fLLR(x，y)、fLRR(x，y)、fLSRx,y、fLXR(x，y)；针对眼间距、鼻口距、双耳形状，半边脸轮廓等几何特征值；以及肤色、头发颜色等次关键指标。
[0029] 按照分区进行各分区内几何特征值识别率，及各分区内肤色、色度分量等比率；以眼眉区为例，计算fyL(x，y)、fyR(x，y)、fmL(x，y)、fmR(x，y)区域内每像素的色度分量；具体步骤如下：
[0030] 首先将图像颜色空间域转换为YCgCr，其转换公式为获取所述几何区域内的像素个数；
获取所属区域内每一像素的Y值、Cr值、Cg值；
[0031] 计算所述每一像素的色度分量，其中所述色度分量取决与所述每一像素的Y值、Cr值、Cg值及预设的常量值；
[0032] 求出各分区内部Y值、Cr值、Cg值的均值及均方差；
[0033] 根据各分区的色度分量指标获取各分区的关联度。
[0034] 同时，求出各脸部肤色均值及头发颜色的均值及均方差，作为人脸识别的辅助指标。
[0035] 该系统采用信息融合技术，将各分区内识别值融合形成整个系统的人脸识别结果。此处k为人脸分区，一般取值5；
此处
[0036] 在系统中，针对人脸全部信息求取特征值，模式识别或者相似度，若利用关键部位分区获取相似度与整体获取相似度小于阈值，则认为同一人，否则利用遮挡相似度判别是否同一人，此处阈值取0.2。
[0037] 如图4一种人脸识别系统组成图所示，该系统主要由关键帧模块、人脸图像预处理模块、人脸检测模块、人脸关键部位定位模块、人脸分区模块、人脸遮挡判断模块、人脸识别模块组成。
[0038] 该系统利用该人脸识别方法，完成人脸识别、人证识别核验，继而实现小区、校园、关键部门、单位出入口管理，形成人脸识别系统。该系统也可用于支付、网络人脸核对、考试、考核防作弊等系统中。
[0039] 本发明实施例提供的人脸识别方法及人脸识别系统属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。
