CN108664908A - 人脸识别方法、设备及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种人脸识别方法，所述方法包括以下步骤：采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；对所述第一图像进行人脸检测，获取人脸区域图像；将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；根据识别输出的结果获得眼镜框的镜框区域；赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；根据所述第一计算权值以及第二计算权值对人脸图像进行识别。本发明还公开了一种人脸识别设备及计算机可读存储介质。本发明能够弱化眼镜对人脸识别的影响，提高人脸识别的准确性。

Description

人脸识别方法、设备及计算机可读存储介质

技术领域

本发明涉及人脸识别领域，尤其涉及一种人脸识别方法、设备及计算机可读存储介质。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

目前，随着其技术的成熟和社会认同度的提高，人脸识别被应用在很多领域，例如，人脸识别门禁考勤系统，人脸识别防盗门，人脸识别手机解锁，人脸识别来运行的机器人等，但识别人脸图像存在遮挡物而模板图像无遮挡时，会由于图像之间特征的差异而降低识别率。

发明内容

本发明的主要目的在于提出一种人脸识别方法、设备及计算机可读存储介质，旨在解决识别人脸图像存在遮挡物而模板图像无遮挡时，会由于图像之间特征的差异而降低识别率的技术问题。

为实现上述目的，本发明提供一种人脸识别方法，所述方法包括：

采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；

对所述第一图像进行人脸检测，获取人脸区域图像；

将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；

根据识别输出的结果获得眼镜框的镜框区域；

赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；

根据所述第一计算权值以及第二计算权值对人脸图像进行识别。

可选地，所述根据对所述第一图像进行人脸检测，获取人脸区域图像的步骤之后，还包括：

计算所述人脸区域图像的反光度，并筛选所述人脸区域图像中反光度大于预设反光度阈值的第二图像；

将所述第二图像作为眼镜框的镜框区域。

可选地，所述根据所述第一计算权值以及第二计算权值对人脸图像进行识别的步骤包括：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述第一计算权值与镜框区域包含的人脸特征对应的匹配度相乘，获得第一匹配值，将第二计算权值与非镜框区域包含的人脸特征对应的匹配度相乘，获得第二匹配值，将所述第一匹配值与第二匹配值相加，获得赋予权值后的人脸特征匹配的匹配值；

将所述赋予权值后的人脸特征匹配的匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

可选地，所述将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度的步骤包括：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和预存的人脸图像脸部图像特征，计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

可选地，所述提取所述采集到的人脸图像特征的步骤包括：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

可选地，所述对所述第一图像进行人脸检测，获取人脸区域图像的步骤包括：

通过基于Haar分类器对所述第一图像进行人脸检测，获取人脸区域图像；

或，通过基于肤色检测方法对所述第一图像进行人脸检测，获取人脸区域图像。

可选地，所述计算所述人脸区域的反光度的步骤包括：

将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值；

根据各个子区域的灰度均值计算人脸区域的反光度。

此外，为实现上述目的，本发明还提供一种人脸识别设备，所述人脸识别设备包括处理器、网络接口、用户接口及存储器，所述存储器中存储有人脸识别程序；所述处理器用于执行所述人脸识别程序，以实现如上所述的人脸识别方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有人脸识别程序，所述人脸识别程序被处理器执行时实现如上所述的人脸识别方法的步骤。

本发明提出的人脸识别方法、设备及计算机可读存储介质，首先采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；然后对所述第一图像进行人脸检测，获取人脸区域图像；将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；根据识别输出的结果即可获得眼镜框的镜框区域；赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；根据所述第一计算权值以及第二计算权值对人脸图像进行识别，通过上述方式，从而弱化眼镜区域对人脸识别的影响，提高人脸识别的准确性。

附图说明

图1为本发明人脸识别方法第一实施例的流程示意图；

图2为本发明人脸识别方法第二实施例的流程示意图；

图3为本发明人脸识别方法计算所述人脸区域的反光度的步骤的细化流程示意图；

图4为本发明人脸识别方法将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值的步骤的细化流程示意图；

图5为本发明人脸识别方法第二实施例中根据所述第一计算权值以及第二计算权值对人脸图像进行识别的步骤的细化流程示意图；

图6为本发明人脸识别方法第三实施例中将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度的步骤的细化流程示意图；

图7为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：首先采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；然后对所述第一图像进行人脸检测，获取人脸区域图像；将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；根据识别输出的结果即可获得眼镜框的镜框区域；赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；根据所述第一计算权值以及第二计算权值对人脸图像进行识别，通过上述方式，从而弱化眼镜区域对人脸识别的影响，提高人脸识别的准确性。

本发明实施例考虑到，目前，随着其技术的成熟和社会认同度的提高，人脸识别被应用在很多领域，例如，人脸识别门禁考勤系统，人脸识别防盗门，人脸识别手机解锁，人脸识别来运行的机器人等，但识别人脸图像存在遮挡物而模板图像无遮挡时，会由于图像之间特征的差异而降低识别率。

为此，本发明实施例提出一种人脸识别方法，首先采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；然后对所述第一图像进行人脸检测，获取人脸区域图像；将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；根据识别输出的结果即可获得眼镜框的镜框区域；赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；根据所述第一计算权值以及第二计算权值对人脸图像进行识别，通过上述方式，从而弱化眼镜区域对人脸识别的影响，提高人脸识别的准确性。

本发明提供一种人脸识别方法。

参照图1，图1为本发明人脸识别方法第一实施例的流程示意图。

在本实施例中，该方法包括：

步骤S100，采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；

在本实施例中，当需要通过人脸图像识别，进行门禁考勤系统，或通过人脸图像识别，进行手机解锁，或通过人脸图像识别，进行机器人运行时，首先需要对人脸图像进行采集，具体地，用户可以站在图像采集设备前，图像采集设备配备有摄像头，通过摄像头采集用户的人脸图像，然后触发采集人脸图像指令，具体地，用户点击图像采集设备中的采集人脸图像按键即可，在用户触发采集人脸图像指令之后，图像采集设备即对用户的人脸图像进行采集，具体实施过程中，在图像采集设备检测到活体出现在镜头前的时间超过预设时间时，此时也可以对活体的人脸图像进行采集。在采集到用户人脸图像之后，可以通过图像采集设备的后台服务器，对采集到的人脸图像的图像帧进行灰度化处理，从而获得第一图像，其中，灰度化处理即将彩色图像转化成为灰度图像的过程，进行灰度化处理的方法为现有技术的通用方法，在此不再赘述，图像采集设备可以是PC，也可以是智能手机、平板电脑、便携计算机等终端设备。

步骤S200，对所述第一图像进行人脸检测，获取人脸区域图像；

在得到第一图像之后，可以对该第一图像进行人脸检测，获取人脸区域图像。其中，人脸检测的方法有两类：一类是基于机器学习的方法，如基于Haar分类器的人脸检测方法；另一类是基于肤色的检测方法，或是融合上述两种方法；考虑到用户肤色的多样性，自适应阈值较难获取。因此本实施例优先采用OpenCV库的人脸检测算法进行人脸检测，该算法是基于Haar分类器实现的。另外，考虑到OpenCV库的训练样本都是可见光环境下的图像库，本发明可以预先将多幅人脸图像(或具体为人脸的近红外图像)扩充至该Haar分类器中的OpenCV库中作为原始训练样本，重新进行级联训练得到新的数据模型。例如，用70000幅近红外图像扩充原始训练样本，重新进行级联训练得到新的数据模型。重建的数据模型能够较准确的对近红外人脸图像进行人脸区域定位。

进一步地，所述步骤S200中的对所述第一图像进行人脸检测，获取人脸区域图像的步骤包括：

通过基于Haar分类器对所述第一图像进行人脸检测，获取人脸区域；

或，通过基于肤色检测方法对所述第一图像进行人脸检测，获取人脸区域。

具体地，对人脸进行检测的方法可以包括：基于机器学习的方法，如基于Haar分类器的人脸检测方法；另一类是基于肤色的检测方法，或是融合上述两种方法，在此不做限定。

步骤S300，将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；

具体地，在获得人脸区域图像之后，即可将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别，具体地，所述主动轮廓模型为GVF-Snake模型，其中，GVF-Snake模型为识别轮廓的通用模型，在此不再赘述，而为了提高眼镜框的镜框区域识别的准确率，可以将同一个人佩戴眼镜和不佩戴眼镜的图像都输入至GVF-Snake模型进行重新训练，得到训练后的GVF-Snake模型，再将人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别。

步骤S400，根据识别输出的结果获得眼镜框的镜框区域；

在通过GVF-Snake模型进行眼镜框的镜框区域识别之后，即可输出镜框轮廓，从而根据镜框轮廓进行描绘，即可获得眼镜框的镜框区域。

步骤S500，赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；

在获得眼镜框的镜框区域之后，为了弱化镜框区域对人脸识别的影响，可以赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值，从而降低镜框区域对人脸识别的占比。

步骤S600，根据所述第一计算权值以及第二计算权值对人脸图像进行识别。

在赋予不同区域不同的权值之后，即可根据所述第一计算权值以及第二计算权值对人脸图像进行识别，具体地，首先将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度；然后将所述第一计算权值以及第二计算权值与对应的人脸特征的匹配度相乘，获得赋予权值后的人脸特征匹配的通过值；将所述通过值与预设通过值进行对比，即可获得人脸识别的识别结果。

本实施例提出的人脸识别方法，首先采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；然后对所述第一图像进行人脸检测，获取人脸区域图像；将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；根据识别输出的结果即可获得眼镜框的镜框区域；赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；根据所述第一计算权值以及第二计算权值对人脸图像进行识别，通过上述方式，从而弱化眼镜区域对人脸识别的影响，提高人脸识别的准确性。

进一步地，参照图2，基于本发明人脸识别方法第一实施例提出本发明人脸识别方法第二实施例。

所述步骤S200之后的步骤，还包括：

步骤S700，计算所述人脸区域图像的反光度，并筛选所述人脸区域图像中反光度大于预设反光度阈值的第二图像；

步骤S800，将所述第二图像作为眼镜框的镜框区域。

在本实施例中，还可以通过计算反光度获得眼镜框的镜框区域，具体地，计算所述人脸区域图像的反光度，具体地，然后获取预设反光阈值，并将第一图像中人脸区域各个子区域的反光度与所述预设反光阈值进行对比，获得反光度大于预设反光阈值的子区域，并将反光度大于预设反光阈值的子区域相连，即可获得反光度大于预设反光阈值的第二图像，并将所述第二图像作为眼镜框的镜框区域。

进一步地，参照图3，所述步骤S700包括：

步骤S710，将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值；

步骤S720，根据各个子区域的灰度均值计算人脸区域的反光度。

具体地，计算人脸区域的反光度时，需要将所述人脸区域平均分成若干个子区域，首先对用户的人脸区域进行特征点定位，根据特征点定位结果将用户的人脸区域分割成若干个子区域，然后计算各个子区域的灰度均值，具体地，可以根据人脸区域各个子区域的RGB值，计算各个子区域的灰度值，各个子区域的灰度值的具体计算方法可以包括：1、浮点算法：Gray＝R*0.3+G*0.59+B*0.11，2、整数方法：Gray＝(R*30+G*59+B*11)/100，3、平均值法：Gray＝(R+G+B)/3等，在此不再一一列举；在计算得到各个子区域的灰度值之后，即可计算各个子区域的灰度总值，然后将所述灰度总值除以子区域的个数，即可获得灰度均值，同理，假设将人脸区域平均划分为N个区域，可以进一步计算人脸区域上方的N/2个子区域的灰度总值以及人脸区域下方的N/2个子区域的灰度总值；然后将算人脸区域下方的N/2个子区域的灰度总值雨人脸区域上方的N/2个子区域的灰度总值进行相减，即可获得人脸区域的反光度。同理，可以进一步计算各个子区域的反光度，以便后续对人脸区域中是否存在镜框区域进行判断。

进一步地，参照图4，所述步骤S710包括：

步骤S711，对所述人脸区域进行特征点定位；

步骤S712，根据特征点定位结果将所述人脸区域分割成若干个子区域，并计算各个子区域的灰度均值。

在本实施例中，首先对用户的人脸区域进行特征点定位，根据特征点定位结果将用户的人脸区域分割成若干个子区域，然后计算各个子区域的灰度均值，具体地，可以根据人脸区域各个子区域的RGB值，计算各个子区域的灰度值，各个子区域的灰度值的具体计算方法可以包括：1、浮点算法：Gray＝R*0.3+G*0.59+B*0.11，2、整数方法：Gray＝(R*30+G*59+B*11)/100，3、平均值法：Gray＝(R+G+B)/3等，在此不再一一列举；在计算得到各个子区域的灰度值之后，即可计算各个子区域的灰度总值，然后将所述灰度总值除以子区域的个数，即可获得灰度均值。

进一步地，参照图5，基于本发明人脸识别方法第一实施例提出本发明人脸识别方法第三实施例。

在本实施例中，所述步骤S600包括：

步骤S610，将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度；

步骤S620，将所述第一计算权值与镜框区域包含的人脸特征对应的匹配度相乘，获得第一匹配值，将第二计算权值与非镜框区域包含的人脸特征对应的匹配度相乘，获得第二匹配值，将所述第一匹配值与第二匹配值相加，获得赋予权值后的人脸特征匹配的匹配值；

步骤S630，将所述赋予权值后的人脸特征匹配的匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

在本实施例中，首先将采集到的人脸图像与数据库中的人脸图像进行匹配，获得人脸特征之间的匹配度，比如将人脸图像中的鼻子与数据库中的人脸图像的鼻子进行匹配，然后计算分析两张图像的鼻子之间的匹配度，同理，计算分析采集到的人脸图像与数据库中的人脸图像之间的嘴巴等人脸特征之间的匹配度。然后将所述第一计算权值与镜框区域包含的人脸特征对应的匹配度相乘，获得第一匹配值，将第二计算权值与非镜框区域包含的人脸特征对应的匹配度相乘，获得第二匹配值，将所述第一匹配值与第二匹配值相加，获得赋予权值后的人脸特征匹配的匹配值，比如，将镜框区域中的人脸特征与镜框区域对应赋予的第一计算权值进行相乘，即可获得赋予权值后的人脸特征中镜框区域匹配的匹配值；然后获取预设匹配值，并将所述赋予权值后的人脸特征匹配的匹配值与预设匹配值进行对比，获得人脸识别的识别结果，具体地，若所述匹配值大于或等于预设匹配值，即可确定人脸识别通过，否则，即为人脸识别失败。

进一步地，参照图6，基于本发明人脸识别方法第二实施例提出本发明人脸识别方法第三实施例。

在本实施例中，所述步骤S610包括：

步骤S611，提取所述采集到的人脸图像特征；

步骤S612，根据所述采集到的人脸图像特征和预存的人脸图像脸部图像特征，计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

在本实施例中，具体提取所述采集到的人脸图像特征的预设算法可以为联合贝叶斯算法。在本发明实施例中，通过联合贝叶斯算法提取用户的人脸图像的图像特征，及预存的人脸图像特征，然后将提取到的用户的人脸图像的图像特征与预存的人脸图像特征进行匹配，分别计算用户的人脸图像和预存的人脸图像之间的匹配度。

进一步地，所述步骤S611包括：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

具体地，首先采用该人脸图像对应的深度网络模型对该人脸图像进行特征提取，然后将从人脸图像提取的特征进行重组，即可得到用户的人脸图像的图像特征。人脸图像中的关键特征点是指人脸中诸如双眼的中心、鼻尖、两侧嘴角之类的特征点。对于不同的人脸图像中包含的人脸区域，预先分别训练相应的深度网络模型。深度网络模型用于从人脸图像中提取图像特征，深度网络模型可采用深度卷积神经网络Convolutional NeuralNetworks，CNNs)。在本发明实施例中，采用基于深度学习的人脸识别算法获取人脸图像的图像特征，相较于其它人脸识别算法，识别准确度更高。另外，针对不同的人脸图像中包含的人脸区域(如眼部区域、鼻子区域、嘴部区域等)，分别训练各自对应的深度网络模型，并采用各自对应的深度网络模型进行特征提取，充分确保特征提取的准确度。

本发明实施例进一步提供一种人脸识别设备。

参照图7，图7为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

如图7所示，该人脸识别设备可以包括：处理器1001，例如CPU，网络接口1002，用户接口1003，存储器1004。这些组件之间的连接通信可以通过通信总线实现。网络接口1002可选的可以包括标准的有线接口(用于连接有线网络)、无线接口(如WI-FI接口、蓝牙接口、红外线接口等，用于连接无线网络)。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口(例如用于连接有线键盘、有线鼠标等)和/或无线接口(例如用于连接无线键盘、无线鼠标)。存储器1004可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储装置。

可选地，该人脸识别设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。

本领域技术人员可以理解，图中示出的人脸识别设备结构并不构成对人脸识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图7所示，作为一种计算机存储介质的存储器1004中可以包括操作系统、网络通信模块、用户接口模块以及人脸识别程序。其中，操作系统是管理和控制人脸识别设备硬件与软件资源的程序，支持网络通信模块、用户接口模块、人脸识别程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。

在图7所示的人脸识别设备中，网络接口1002主要用于连接数据库，与数据库进行数据通信；用户接口1003主要用于连接客户端(可以理解为用户端)，与客户端进行数据通信，如通过窗口展示信息给客户端，或者接收客户端发送的操作信息；而处理器1001可以用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；

对所述第一图像进行人脸检测，获取人脸区域图像；

将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；

根据识别输出的结果获得眼镜框的镜框区域；

赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；

根据所述第一计算权值以及第二计算权值对人脸图像进行识别。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

计算所述人脸区域图像的反光度，并筛选所述人脸区域图像中反光度大于预设反光度阈值的第二图像；

将所述第二图像作为眼镜框的镜框区域。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述第一计算权值与镜框区域包含的人脸特征对应的匹配度相乘，获得第一匹配值，将第二计算权值与非镜框区域包含的人脸特征对应的匹配度相乘，获得第二匹配值，将所述第一匹配值与第二匹配值相加，获得赋予权值后的人脸特征匹配的匹配值；

将所述赋予权值后的人脸特征匹配的匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和预存的人脸图像脸部图像特征，计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

通过基于Haar分类器对所述第一图像进行人脸检测，获取人脸区域；

或，通过基于肤色检测方法对所述第一图像进行人脸检测，获取人脸区域。

进一步地，所述处理器1001还用于执行存储器1004中存储的人脸识别程序，以实现以下步骤：

将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值；

根据各个子区域的灰度均值计算人脸区域的反光度。

本发明人脸识别设备的具体实施例与上述人脸识别方法各实施例基本相同，在此不作赘述。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；

对所述第一图像进行人脸检测，获取人脸区域图像；

将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；

根据识别输出的结果获得眼镜框的镜框区域；

赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；

根据所述第一计算权值以及第二计算权值对人脸图像进行识别。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

计算所述人脸区域图像的反光度，并筛选所述人脸区域图像中反光度大于预设反光度阈值的第二图像；

将所述第二图像作为眼镜框的镜框区域。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述第一计算权值与镜框区域包含的人脸特征对应的匹配度相乘，获得第一匹配值，将第二计算权值与非镜框区域包含的人脸特征对应的匹配度相乘，获得第二匹配值，将所述第一匹配值与第二匹配值相加，获得赋予权值后的人脸特征匹配的匹配值；

将所述赋予权值后的人脸特征匹配的匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和预存的人脸图像脸部图像特征，计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

通过基于Haar分类器对所述第一图像进行人脸检测，获取人脸区域；

或，通过基于肤色检测方法对所述第一图像进行人脸检测，获取人脸区域。

进一步地，所述一个或者多个程序可被所述一个或者多个处理器执行，还实现以下步骤：

将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值；

根据各个子区域的灰度均值计算人脸区域的反光度。

本发明计算机可读存储介质的具体实施例与上述人脸识别方法和人脸识别设备各实施例基本相同，在此不作赘述。

还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括以下步骤：

采集人脸图像，并对采集到的人脸图像的图像帧进行灰度化处理，获得第一图像；

对所述第一图像进行人脸检测，获取人脸区域图像；

将所述人脸区域图像输入至主动轮廓模型进行眼镜框的镜框区域识别；

根据识别输出的结果获得眼镜框的镜框区域；

赋予所述镜框区域第一计算权值，并赋予人脸区域中的非镜框区域第二计算权值，其中，所述第一计算权值小于第二计算权值；

根据所述第一计算权值以及第二计算权值对人脸图像进行识别。

2.如权利要求1所述的人脸识别方法，其特征在于，所述对所述第一图像进行人脸检测，获取人脸区域图像的步骤之后，还包括：

计算所述人脸区域图像的反光度，并筛选所述人脸区域图像中反光度大于预设反光度阈值的第二图像；

将所述第二图像作为眼镜框的镜框区域。

3.如权利要求1所述的人脸识别方法，其特征在于，所述根据所述第一计算权值以及第二计算权值对人脸图像进行识别的步骤包括：

将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度；

将所述第一计算权值与镜框区域包含的人脸特征对应的匹配度相乘，获得第一匹配值，将第二计算权值与非镜框区域包含的人脸特征对应的匹配度相乘，获得第二匹配值，将所述第一匹配值与第二匹配值相加，获得赋予权值后的人脸特征匹配的匹配值；

将所述赋予权值后的人脸特征匹配的匹配值与预设匹配值进行对比，获得人脸识别的识别结果。

4.如权利要求3所述的人脸识别方法，其特征在于，所述将采集到的人脸图像与数据库中预存的人脸图像进行匹配，获得人脸特征之间的匹配度的步骤包括：

提取所述采集到的人脸图像特征；

根据所述采集到的人脸图像特征和预存的人脸图像脸部图像特征，计算所述采集到的人脸图像和预存的人脸图像脸部之间的匹配度。

5.如权利要求4所述的人脸识别方法，其特征在于，所述提取所述采集到的人脸图像特征的步骤包括：

对所述人脸图像进行关键特征点定位；

根据关键特征点定位结果将所述用户的脸部图像分割成若干个人脸区域；

采用所述人脸区域对应的深度网络模型对所述人脸区域进行特征提取；

将从各个人脸区域提取到的特征进行重组，得到所述人脸图像的图像特征。

6.如权利要求1所述的人脸识别方法，其特征在于，所述对所述第一图像进行人脸检测，获取人脸区域图像的步骤包括：

通过基于Haar分类器对所述第一图像进行人脸检测，获取人脸区域图像；

或，通过基于肤色检测方法对所述第一图像进行人脸检测，获取人脸区域图像。

7.如权利要求1所述的人脸识别方法，其特征在于，所述计算所述人脸区域的反光度的步骤包括：

将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值；

根据各个子区域的灰度均值计算人脸区域的反光度。

8.如权利要求7所述的人脸识别方法，其特征在于，所述将所述人脸区域平均分成若干个子区域，并计算各个子区域的灰度均值的步骤包括：

对所述人脸区域进行特征点定位；

根据特征点定位结果将所述人脸区域分割成若干个子区域，并计算各个子区域的灰度均值。

9.一种人脸识别设备，其特征在于，所述人脸识别设备包括处理器、网络接口、用户接口及存储器，所述存储器中存储有人脸识别程序；所述处理器用于执行所述人脸识别程序，以实现如权利要求1至8中任一项所述的人脸识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有人脸识别程序，所述人脸识别程序被处理器执行时实现如权利要求1至8中任一项所述的人脸识别方法的步骤。