基于中智集相似度量的人脸识别方法

1.本发明属于计算机视觉和模式识别技术领域，具体涉及一种基于中智集相似度量的人脸识别方法。


背景技术：

2.人脸识别技术是一种广泛应用于安全领域的重要技术。目前，基于神经网络的人脸识别方法在准确性方面取得了显著的成果，如公开号为cn111539247b的中国专利文献中公开了一种超光谱人脸识别方法、装置、电子设备及其存储介质。然而，这些方法通常依赖于大量的训练数据来训练复杂的神经网络模型，以实现高准确性的人脸识别。这种数据依赖性限制了这些方法在数据稀缺或者资源受限的情况下的应用。
3.传统的人脸识别方法在处理特征不确定性的人脸图像时也存在一定的挑战，如公开号为cn100426314c的中国专利文献中公开了一种基于特征分组的多分类器组合人脸识别方法。这些图像可能受到噪声、光照变化、姿态变化或者遮挡等因素的影响，导致人脸特征不清晰或失真，进而影响识别的准确性。
4.因此，发明人期望提供一种基于中智集相似度量的人脸识别方法，该方法可以在不依赖大量训练数据和高性能硬件的情况下，实现对特征不确定性的人脸图像的高精度识别。


技术实现要素：

5.本发明的目的在于解决现有方法在数据稀缺或资源受限的情况下应用受到限制，提高在人脸特征不清晰或失真情况下的识别准确性，提供了一种基于中智集相似度量的人脸识别方法；本发明主要针对在不依赖大量训练数据和高性能硬件的情况下，通过对待识别的人脸图像进行高斯滤波模糊化和锐化操作，以实现去噪和增强特征效果。接着，通过将待识别的人脸图像从灰度像素矩阵转换为中智像素矩阵，利用每个灰度值对应的中智集进行β-增强运算，从而使人脸图像中的重要特征得以增强，减少了特征不确定性对识别结果的影响。通过中智相似度量计算待识别图像与数据库中图像的相似度，实现了对特征不确定性的人脸图像的高精度识别。
6.为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
7.本发明提供一种基于中智集相似度量的人脸识别方法，包括如下步骤：
8.s1、采集待识别的人脸图像；
9.s2、对待识别的人脸图像进行预处理；
10.s3、将预处理后的图像和数据库中的人脸图像进行中智相似度量计算；
11.s4、当相似度量值超过设定的阈值时，确认人脸特征匹配，完成人脸识别过程。
12.进一步地，步骤s2包括以下分步骤：
13.1)对待识别的人脸图像边缘进行高斯滤波模糊化操作，以实现去噪效果；
14.2)对模糊化后的人脸图像进行锐化操作，以增强脸部特征；
15.3)将图像转换为灰度像素矩阵并读取图像的像素值；
16.4)将图像域中强度值为g(i,j)的像素p(i,j)变换到中智域中；
17.5)计算子集i的熵eni；
18.6)计算β的值；
19.7)对p
ns
(i,j)进行β-增强运算。
20.进一步地，步骤1)中，高斯滤波模糊化操作的公式为：
[0021][0022]
其中，σ表示高斯核的标准差。
[0023]
进一步地，步骤4)中，像素p(i,j)转换成中智域p
ns
(i,j)＝{t(i,j),i(i,j),f(i,j)}的公式为：
[0024][0025]
其中，g(i,j)是位置(i,j)的像素强度，是g(i,j)的局部平均值，是g(i,j)的局部平均值，是g(i,j)的局部平均值，是图像中所有位置的局部平均值的最小值，是图像中所有位置的局部平均值的最大值，δ
min
是图像中所有位置δ的最小值，δ
max
是图像中所有位置δ的最大值。
[0026]
进一步地，步骤5)中，计算子集i的熵e
ni
的公式为：
[0027][0028]
其中，pi＝ni/n，ni为i中经过四舍五入得到整数i的频率，为i中经过四舍五入得到整数i的频率，
[0029]
进一步地，步骤6)中，每张人脸图像的β值通过线性缩放技术计算的公式为:
[0030][0031]
其中，h和w分别为图像的高度和宽度，en
min
＝0，β
min
＝0，β
max
＝0.25。
[0032]
进一步地，步骤7)中，中β增强操作的公式为：
[0033][0034][0035]
其中，δ
′
tmin
是图像中所有位置δ
′
t
的最小值，δ
′
tmax
是图像中所有位置δ
′
t
的最大值。
[0036]
进一步地，步骤s3中两张人脸图像之间的中智相似度量计算公式为：
[0037][0038][0039]
其中，m和n分别是两张人脸图像所对应的中智集合，t1＝2,t2＝3。
[0040]
本发明的有益效果是：
[0041]
1、本发明通过利用中智集特有的不确定隶属度以及高斯滤波模糊化和锐化操作，能够进一步增强人脸图像中的重要特征，减少特征不确定性对识别结果的影响。这种处理方式有利于后续相似度量的计算，并提高了人脸识别的准确性。
[0042]
2、本发明采用的基于中智集相似度量的公式不仅满足相似度量性质和排序定义，还克服了除零错误、反直觉现象和无法区分正负差等问题。由此得出的识别结果具有高可信度，能够提供可靠的人脸识别结果。
[0043]
3、本发明相比传统的人脸识别方法，解决了处理特征不确定性的人脸图像时存在的识别困难问题。同时，它还克服了基于神经网络的方法对大量训练数据和复杂模型的依赖，更适用于数据稀缺或资源受限的应用场景。
[0044]
当然，实施本发明的任一产品并不一定需要同时达到以上的所有优点。
附图说明
[0045]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为基于中智集相似度量的人脸识别方法过程示意图；
[0047]
图2为人脸识别实例结果示意图；
[0048]
图3为待检测人脸图像和经过锐化后的人脸图像；
[0049]
图4为人脸图像预处理过程示意图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0051]
本发明提供一种基于中智集相似度量的人脸识别方法，包括如下步骤：
[0052]
s1、采集待识别的人脸图像；
[0053]
s2、对待识别的人脸图像进行预处理；
[0054]
s3、将预处理后的图像和数据库中的人脸图像进行中智相似度量计算；
[0055]
s4、当相似度量值超过设定的阈值时，确认人脸特征匹配，完成人脸识别过程。
[0056]
本发明中，步骤s2包括以下分步骤：
[0057]
1)对待识别的人脸图像边缘进行高斯滤波模糊化操作，以实现去噪效果；
[0058]
2)对模糊化后的人脸图像进行锐化操作，以增强脸部特征；
[0059]
3)将图像转换为灰度像素矩阵并读取图像的像素值；
[0060]
4)将图像域中强度值为g(i,j)的像素p(i,j)变换到中智域中；
[0061]
5)计算子集i的熵eni；
[0062]
6)计算β的值；
[0063]
7)对p
ns
(i,j)进行β-增强运算。
[0064]
步骤1)中，高斯滤波模糊化操作的公式为：
[0065][0066]
其中，σ表示高斯核的标准差。
[0067]
步骤4)中，像素p(i,j)转换成中智域p
ns
(i,j)＝{t(i,j),i(i,j),f(i,j)}的公式为：
[0068][0069]
其中，g(i,j)是位置(i,j)的像素强度，是g(i,j)的局部平均值，是g(i,j)的局部平均值，是g(i,j)的局部平均值，是图像中所有位置的局部平均值的最小值，是图像中所有位置的局部平均值的最大值，δ
min
是图像中所有位置δ的最小值，δ
max
是图像中所有位置δ的最大值。
[0070]
步骤5)中，计算子集i的熵e
ni
的公式为：
[0071][0072]
其中，pi＝ni/n，ni为i中经过四舍五入得到整数i的频率，为i中经过四舍五入得到整数i的频率，
[0073]
步骤6)中，每张人脸图像的β值通过线性缩放技术计算的公式为:
[0074][0075]
其中，h和w分别为图像的高度和宽度，en
min
＝0，β
min
＝0，β
max
＝0.25。
[0076]
步骤7)中，中β增强操作的公式为：
[0077][0078][0079]
其中，δ
′
tmin
是图像中所有位置δ
′
t
的最小值，δ
′
tmax
是图像中所有位置δ
′
t
的最大值。
[0080]
本发明中，步骤s3中两张人脸图像之间的中智相似度量计算公式为：
[0081][0082][0083]
其中，m和n分别是两张人脸图像所对应的中智集合，t1＝2,t2[0084]
＝3
[0085]
本发明公开了一种基于中智集相似度量的人脸识别方法。该方法通过对待识别的人脸图像边缘进行高斯滤波模糊化操作，以实现去噪效果，并对模糊化后的人脸图像进行锐化操作，达到增强特征目的。接着，通过将待识别的人脸图像从灰度像素矩阵转换为中智像素矩阵，利用每个灰度值对应的中智集进行β-增强运算，以使不确定隶属度中的元素分布更加均匀，真隶属度和假隶属度中的元素分布更加明显。最后，利用中智相似度量计算待识别图像与数据库中图像的相似度，从而解决了基于神经网络的人脸识别方法需要大量训练数据、识别精度不高以及对硬件要求较高等问题。本发明具有处理步骤简单、对特征不确
定性的人脸图像具有高识别精度且适应性强等特点。
[0086]
本发明的相关具体实施例为：
[0087]
实施例1
[0088]
本实施例采集了10个人在不同表情下的人脸图像作为实验样本。
[0089]
首先，对待检测的人脸图像进行高斯滤波模糊化和锐化操作，以进行初步的去噪和特征增强。图3a)和图3(b)展示了原始待检测图像和经过局部模糊化和锐化操作后的图像。
[0090]
然后，将灰度像素矩阵转换为中智像素矩阵，并利用β-增强运算进一步增强特征。
[0091]
最后，利用相似度量公式计算待检测人脸图像与数据库中人脸图像的相似度值，设置相似度量阈值为0.9，大于等于都可视为完成人脸识别。
[0092]
实验结果表明，本实施例方法能够在多张人脸图像中识别出属于同一个人的人脸图像，即使在图像具有不同夸张的表情下，也能取得良好的识别结果，如图2所示。因此，本实施例的方法能够在数据稀缺或资源受限的情况下提供可靠的技术支持。
[0093]
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的方案及实施例，均应属于本发明的保护范围。
[0094]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：
1.基于中智集相似度量的人脸识别方法，其特征在于，包括如下步骤：s1、采集待识别的人脸图像；s2、对待识别的人脸图像进行预处理；s3、将预处理后的图像和数据库中的人脸图像进行中智相似度量计算；s4、当相似度量值超过设定的阈值时，确认人脸特征匹配，完成人脸识别过程。2.根据权利要求1所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤s2包括以下分步骤：1)对待识别的人脸图像边缘进行高斯滤波模糊化操作，以实现去噪效果；2)对模糊化后的人脸图像进行锐化操作，以增强脸部特征；3)将图像转换为灰度像素矩阵并读取图像的像素值；4)将图像域中强度值为g(i,j)的像素p(i,j)变换到中智域中；5)计算子集i的熵en
i
；6)计算β的值；7)对p
ns
(i,j)进行β-增强运算。3.根据权利要求2所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤1)中，高斯滤波模糊化操作的公式为：其中，σ表示高斯核的标准差。4.根据权利要求3所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤4)中，像素p(i,j)转换成中智域p
ns
(i,j)＝{t(i,j),i(i,j),f(i,j)}的公式为：其中，g(i,j)是位置(i,j)的像素强度，是g(i,j)的局部平均值，是g(i,j)的局部平均值，是图像中所有位置的局部平均值的最小值，是图像中所有位置的局部平均值的最大值，δ
min
是图像中所有位置δ的最小值，δ
max
是图像中所有位置δ的最大值。5.根据权利要求4所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤5)中，计算子集i的熵e
ni
的公式为：其中，p
i
＝n
i
/n，n
i
为i中经过四舍五入得到整数i的频率，为i中经过四舍五入得到整数i的频率，6.根据权利要求5所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤6)中，每张人脸图像的β值通过线性缩放技术计算的公式为:
其中，h和w分别为图像的高度和宽度，en
min
＝0，β
min
＝0，β
max
＝0.25。7.根据权利要求6所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤7)中，中β增强操作的公式为：中，中β增强操作的公式为：中，中β增强操作的公式为：中，中β增强操作的公式为：其中，δ
′
tmin
是图像中所有位置δ
′
t
的最小值，δ
′
tmax
是图像中所有位置δ
′
t
的最大值。8.根据权利要求7所述的基于中智集相似度量的人脸识别方法，其特征在于，步骤s3中两张人脸图像之间的中智相似度量计算公式为：其中，m和n分别是两张人脸图像所对应的中智集合，t1＝2,t2＝3。

技术总结
本发明属于计算机视觉和模式识别技术领域，具体涉及一种基于中智集相似度量的人脸识别方法，该方法通过对待识别的人脸图像边缘进行高斯滤波模糊化操作，以实现去噪效果，并对模糊化后的人脸图像进行锐化操作，达到增强特征目的；接着通过将待识别的人脸图像从灰度像素矩阵转换为中智像素矩阵，利用每个灰度值对应的中智集进行β-增强运算，以使不确定隶属度中的元素分布更加均匀，真隶属度和假隶属度中的元素分布更加明显。最后利用中智相似度量计算待识别图像与数据库中图像的相似度，从而解决了基于神经网络的人脸识别方法需要大量训练数据、识别精度不高以及对硬件要求较高等问题。问题。问题。


技术研发人员：纪滨 周褚豪 吴昊
受保护的技术使用者：安徽工业大学
技术研发日：2023.07.04
技术公布日：2023/9/20