人脸识别方法、装置、存储介质及计算机设备与流程

1.本发明涉及信息技术领域，尤其是涉及一种人脸识别方法、装置、存储介质及计算机设备。


背景技术：

2.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，已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域，特别应用在银行系统的资金交易过程中。
3.目前，通常通过对人脸整体进行分析来进行人脸识别。然而，如果待识别对象的脸部表情发生变化时，仅通过对人脸整体进行分析来进行人脸识别的方式，会导致人脸识别的准确度较低。


技术实现要素：

4.本发明提供了一种人脸识别方法、装置、存储介质及计算机设备，主要在于能够提高人脸识别的准确度。
5.根据本发明的第一个方面，提供一种人脸识别方法，包括：
6.获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；
7.基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；
8.确定所述全局图像对应的第一权重系数，以及确定所述局部图像对应的第二权重系数；
9.基于所述第一权重系数和所述第二权重系数，将所述第一相似度与对应第二相似度相加，得到所述待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；
10.基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别。
11.可选地，获取待识别人脸的全局图像对应的第一全局特征数据，包括：
12.获取所述待识别人脸中的全局图像对应的二值化像素矩阵；
13.计算所述二值化像素值矩阵中各个向量对应的向量均值；
14.计算所述二值化像素值矩阵中各个向量与所述向量均值之间的向量差值；
15.确定由各个向量差值组成的协方差矩阵中的特征向量，并将所述特征值确定为所述待识别人脸的全局图像对应的第一全局特征数据。
16.可选地，获取待识别人脸的局部图像对应的第一局部特征数据，包括：
17.获取待识别人脸中的局部图像对应的灰度图像；
18.按照预设收缩比例，将所述灰度图像进行收缩处理，得到收缩后的图像；
19.将所述收缩后的图像进行直方图均衡化处理，得到处理后的图像；
20.确定所述处理后的图像对应的像素矩阵，并基于所述像素矩阵，确定所述待识别人脸的局部图像对应的第一局部特征数据。
21.可选地，所述基于所述像素矩阵，确定所述待识别人脸中的局部图像对应的第一局部特征数据，包括：
22.基于所述像素矩阵，确定所述待识别人脸的局部图像对应的类内散布矩阵和类间散布矩阵；
23.将所述类内散布矩阵与所述类间散布矩阵相加，得到所述待识别人脸的局部图像对应的总体散布矩阵；
24.确定所述总体散布矩阵中的特征向量，并将所述总体散布矩阵中的特征向量确定为所述待识别人脸的局部图像对应的第一局部特征数据。
25.可选地，所述基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，包括：
26.获取所述预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据；
27.计算所述第一全局特征数据与各所述第二全局特征数据之间的欧式距离，得到所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度；
28.所述基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，包括：
29.获取所述预设人脸识别库中各个人脸的局部图像对应的第二局部特征数据；
30.计算所述第一局部特征数据与各所述第二局部特征数据之间的欧式距离，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
31.可选地，所述局部图像包括左眼图像、右眼图像、鼻子图像和嘴巴图像，所述局部特征数据包括左眼特征数据、右眼特征数据、鼻子特征数据和嘴巴特征数据，所述计算所述第一局部特征数据与各所述第二局部特征数据之间的欧式距离，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，包括：
32.计算待识别人脸的左眼特征数据与预设人脸识别库中各个人脸的左眼特征数据之间的欧式距离，得到所述待识别人脸的左眼图像与预设人脸识别库中各个人脸的左眼图像之间的左眼相似度；
33.计算待识别人脸的右眼特征数据与预设人脸识别库中各个人脸的右眼特征数据之间的欧式距离，得到所述待识别人脸的右眼图像与预设人脸识别库中各个人脸的右眼图像之间的右眼相似度；
34.计算待识别人脸的鼻子特征数据与预设人脸识别库中各个人脸的鼻子特征数据之间的欧式距离，得到所述待识别人脸的鼻子图像与预设人脸识别库中各个人脸的鼻子图像之间的鼻子相似度；
35.计算待识别人脸的嘴巴特征数据与预设人脸识别库中各个人脸的嘴巴特征数据之间的欧式距离，得到所述待识别人脸的嘴巴图像与预设人脸识别库中各个人脸的嘴巴图像之间的嘴巴相似度；
36.基于所述左眼图像、右眼图像、鼻子图像和嘴巴图像分别对应的特征系数，将所述左眼相似度、所述右眼相似度、所述鼻子相似度和所述嘴巴相似度相加，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
37.可选地，所述基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别，包括：
38.在所述总相似度中确定大于预设相似度阈值的目标相似度，并将所述预设人脸识别库中的所述目标相似度对应的目标人脸确定为所述待识别人脸。
39.根据本发明的第二个方面，提供一种人脸识别装置，包括：
40.获取单元，用于获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；
41.计算单元，用于基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；
42.确定单元，用于确定所述全局图像对应的第一权重系数，以及确定所述局部图像对应的第二权重系数；
43.相加单元，用于基于所述第一权重系数和所述第二权重系数，将所述第一相似度与对应第二相似度相加，得到所述待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；
44.识别单元，用于基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别。
45.根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上人脸识别方法。
46.根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上人脸识别方法。
47.根据本发明提供的一种人脸识别方法、装置、存储介质及计算机设备，与目前通过对人脸整体进行分析来进行人脸识别的方式相比，本发明通过获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；并基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；与此同时，确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；之后基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；最终基于总相似度，在预设人脸识别库中对待识别人脸进行识别，由此通过确定待识别人脸的全局特征与局部特征，并基于全局特征与局部特征，将待识别人脸分别与预设人脸识别库中各个人脸的进行相似度匹配，最终根据匹配结果来进行人脸识别，能够在待识别人脸产生任何一种面部表情的情况下，均能对人脸进行识别，从而提高人脸识别的准确度。
附图说明
48.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
49.图1示出了本发明实施例提供的一种人脸识别方法流程图；
50.图2示出了本发明实施例提供的另一种人脸识别方法流程图；
51.图3示出了本发明实施例提供的一种人脸识别装置的结构示意图；
52.图4示出了本发明实施例提供的另一种人脸识别装置的结构示意图；
53.图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
54.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
55.目前，通过对人脸整体进行分析来进行人脸识别的方式，如果待识别对象的脸部表情发生变化时，仅通过对人脸整体进行分析来进行人脸识别的方式，会导致人脸识别的准确度较低。
56.为了解决上述问题，本发明实施例提供了一种人脸识别方法，如图1所示，所述方法包括：
57.101、获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据。
58.其中，待识别人脸可以为扫描门禁系统中的人脸、登录某金融app进行登录验证时的人脸等；全局图像是指待识别人脸的整个面部图像；局部图像是指待识别人脸的左眼图像、右眼图像、鼻子图像和嘴巴图像等；第一全局特征数据是全局图像对一个的协方差矩阵中的特征向量，第一局部特征数据是局部图像对应的散布举证中的特征值。
59.具体地，当某一对象要进行人脸识别时，例如，当某一存款用户在银行系统中进行取款等资金交易过程中，首先获取该对象的整个面部图像，即全局图像，并对该全局图像进行灰度处理和二值化处理，得到二值化像素矩阵，并基于该二值化像素矩阵，确定该对象人脸的全局图像对应的第一全局特征数据，与此同时，获取该对象的眼睛、鼻子、嘴巴等局部图像，并确定上述局部图像对应的像素矩阵，并基于该像素矩阵，确定该对象人脸的局部图像对应的第一局部特征数据，之后基于第一全局特征数据和第一局部特征数据，在预设人脸识别库中对该对象进行人脸识别，由此通过对人脸的饿局部特征和全局特征进行综合分析，能够提高人脸的识别准确度，能够保证在人脸处于任何表情的情况下，均能进行人脸识别。
60.102、基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度。
61.其中，通过预先采集多个对象人脸的局部图像和全局图像，并将对象标识与局部图像和全局图像对应存储至预设人脸识别库中，即预设人脸识别库中记录着多种人脸的局部图像和全局图像。
62.对于本发明实施例，首先获取预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据，然后计算第一全局特征数据与第二全局特征数据之间的欧式距离，由此能够得到待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，通过各个第一相似度，在预设人脸识别库中确定与待识别人脸的全局图像相似的目标全局图像，具体地，可以利用主成分分析方法确定第一相似度，其中，主成分分析是一种常
用的基于变量协方差矩阵对信息进行处理、压缩和抽提的有效方法，由于其在降维和特征提取方面的有效性，在人脸识别领域得到广泛应用。主成分分析方法的基本原理是利用k-l变换得到预设人脸识别库中各个人脸的主要成分(第二全局热证数据)，构成特征脸空间，之后将待识别人脸的全局图像投影到此空间，通过与预设人脸识别库中的各个人脸图像比较进行相似度匹配。
63.103、基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
64.对于本发明实施例，多数人脸识别方法的主要依据还只是人脸的全局特征，但是局部特征和全局特征对于人脸识别来说都是不可缺少的。如果待识别的对象拥有特别明显的局部特征，对于识别来说是相当重要的信息，甚至全局特征的权重要小于局部特征。因此，在对待识别人脸的全局图像进行分析之后，还需要对待识别人脸的局部图像进行分析，基于此，所述方法为，获取预设人脸识别库中各个人脸的局部图像对应的第二局部特征数据，然后计算第一局部特征数据与第二局部特征数据之间的欧式距离，由此能够得到待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，之后根据待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，来对人脸进行识别，由此能够提高人脸的识别准确度。
65.104、确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数。
66.具体地，人脸的全局特征和局部特征对人脸识别的重要程度不同，因此首先需要确定人脸的全局图像对应的第一权重系数，以及人脸的局部图像对应的第二权重系数，之后基于第一相似度、第二相似度、第一权重系数和第二权重系数来确定待识别人脸与预设人脸识别库中各个人脸之间的总相似度，最终根据总相似度来对人脸进行识别，由此在人脸识别过程中，通过对人脸的全局特征和局部特征进行综合全面的分析，能够提高人脸识别的准确度，保证人脸处于各种面部表情的情况下均能准确地完成人脸识别，增加了人脸识别的适用范围。
67.105、基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度。
68.具体地，在获取全局图像对应的第一权重系数和局部图像对应的第二权重系数之后，将第一权重系数与第一相似度相乘，得到第一乘积，与此同时，将第二权重系数与第二相似度相乘，得到第二乘积，之后将第一乘积与第二乘积相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度，以便最终基于总相似度，来在预设人脸识别库中对待识别人脸进行识别，若待识别人脸拥有明显的局部特征，则局部图像对应的权重要高于全局图像对应的权重，由此能够提高人脸识别的准确度。
69.106、基于总相似度，在预设人脸识别库中对待识别人脸进行识别。
70.具体地，在确定待识别人脸与预设人脸识别库中各个人脸之间的总相似度之后，在总相似度中确定大于预设相似度阈值的目标相似度，并将目标相似度对应的目标人脸确定为与待识别人脸相同的人脸，此时人脸识别通过。
71.根据本发明提供的一种人脸识别方法，与目前通过对人脸整体进行分析来进行人
脸识别的方式相比，本发明通过获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；并基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；与此同时，确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；之后基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；最终基于总相似度，在预设人脸识别库中对待识别人脸进行识别，由此通过确定待识别人脸的全局特征与局部特征，并基于全局特征与局部特征，将待识别人脸分别与预设人脸识别库中各个人脸的进行相似度匹配，最终根据匹配结果来进行人脸识别，能够在待识别人脸产生任何一种面部表情的情况下，均能对人脸进行识别，从而提高人脸识别的准确度。
72.进一步的，为了更好的说明上述对人脸进行识别的过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种人脸识别方法，如图2所示，所述方法包括：
73.201、获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据。
74.对于本发明实施例，为了对待识别人脸进行人脸识别，首先需要获取待识别人脸的全局图像对应的第一全局特征数据，以及待识别人脸的局部图像对应的第一局部特征数据，基于此，步骤201具体包括：获取待识别人脸的全局图像对应的二值化像素矩阵；计算二值化像素值矩阵中各个向量对应的向量均值；计算二值化像素值矩阵中各个向量与向量均值之间的向量差值；确定由各个向量差值组成的协方差矩阵中的特征向量，并将特征值确定为待识别人脸的全局图像对应的第一全局特征数据。
75.具体地，利用opencv(人脸检测算法)采集待识别人脸的整个面部图像(全局图像)，并对全局图像进行灰度处理，同时进行二值化处理，得到全局图像对应的二值化像素矩阵如下：
76.x＝(x1,x2,x3,
…
,xn)
t
77.其中，x表示二值化像素矩阵，n表示二值化像素矩阵中向量的数量，x1，x2，...xn表示二值化像素矩阵中的各个向量，之后按照下述公式计算各个向量的向量均值：
[0078][0079]
其中，x表示向量均值，xi表示二值化像素矩阵中的任意一个向量，由此按照上述公式能够计算二值化像素举证中各个向量对应的向量均值，之后利用下述公式来计算各个向量与该向量均值之间的向量差值：
[0080][0081]
其中，di表示向量差值。由此按照上述公式能够确定二值化像素矩阵中各个向量与向量均值之间的向量差值，之后由各个向量差值组成全局图像对应的协方差矩阵，并确定协方差矩阵中的特征向量，最终将协方差矩阵中的特征向量确定为待识别人脸的局部图像对应的第一局部特征数据。
[0082]
进一步地，为了准确度地进行人脸识别，还需要确定待识别人脸的局部图像对应
的第一局部特征数据，基于此，步骤201还包括：获取待识别人脸中的局部图像对应的灰度图像；按照预设收缩比例，将灰度图像进行收缩处理，得到收缩后的图像；将收缩后的图像进行直方图均衡化处理，得到处理后的图像；确定处理后的图像对应的像素矩阵，并基于像素矩阵，确定待识别人脸的局部图像对应的第一局部特征数据。
[0083]
其中，预设收缩比例是根据实际情况设定的数据，保证图像能够清晰辨别的临界值；直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。局部图像包括左眼图像、右眼图像、鼻子图像和嘴巴图像，局部特征数据包括左眼特征数据、右眼特征数据、鼻子特征数据和嘴巴特征数据。
[0084]
具体地，分别用分类器提取待识别人脸的左眼、右眼、鼻子、嘴等局部图像，并对上述局部图像进行灰度处理，得到灰度图像，之后为了增加灰度图像的分辨率，或者减少存储空间，可以对灰度图像进行适当的收缩处理，得到收缩后的图像，之后为了增加局部图像的对比度，可以对收缩后的图像进行直方图均衡化处理，通过改变图像的直方图来改变图像中各像素的灰度，主要用于增强动态范围偏小的图像的对比度。收缩后的图像由于其灰度分布可能集中在较窄的区间，造成图像不够清晰。例如，过曝光图像的灰度级集中在高亮度范围内，而曝光不足将使图像灰度级集中在低亮度范围内。采用直方图均衡化，可以把收缩后的图像的直方图变换为均匀分布(均衡)的形式，这样就增加了像素之间灰度值差别的动态范围，从而达到增强图像整体对比度的效果。换言之，直方图均衡化的基本原理是：对在收缩后的图像中像素个数多的灰度值(即对画面起主要作用的灰度值)进行展宽，而对像素个数少的灰度值(即对画面不起主要作用的灰度值)进行归并，从而得到处理后的图像，由此通过对收缩后的图像进行直方图均衡化处理，能够增大对比度，使收缩后的图像清晰，达到增强图像对比度的目的。进一步地，在对局部图像进行收缩、直方图均衡化处理后，确定处理后的图像对应的像素矩阵，之后基于该像素矩阵，确定待识别人脸的局部图像对应的第一局部特征数据，具体基于像素矩阵确定第一局部特征数据的方法包括：基于像素矩阵，确定待识别人脸的局部图像对应的类内散布矩阵和类间散布矩阵；将类内散布矩阵与类间散布矩阵相加，得到待识别人脸的局部图像对应的总体散布矩阵；确定总体散布矩阵中的特征向量，并将总体散布矩阵中的特征向量确定为待识别人脸的局部图像对应的第一局部特征数据。
[0085]
具体地，确定待识别人脸的局部图像的像素矩阵对应的类内散布矩阵和类间散布矩阵，之后将类内散布矩阵和类间散布矩阵相加，得到总体散布矩阵，具体确定类内散布矩阵、类间散布矩阵和总体散布矩阵的公式如下：
[0086][0087][0088]st
＝sw+sb[0089]
其中，sw表示类内散布矩阵，sb表示类内散布矩阵，s
t
表示总体散布矩阵，ωy表示第y个类别，如鼻子、左眼、右眼等类别，c表示类别总数，aj表示局部图像对应的像素矩阵中的第j个向量，ay表示局部图像对应的像素矩阵中各个向量的向量均值，h表示局部图像对应的像素矩阵中的向量的总数量。按照上述公式能够确定待识别人脸的局部图像对应的总
体散布矩阵，之后确定总体散布矩阵的特征向量，并将总体散布矩阵的特征向量确定为待识别人脸的局部图像对应的第一局部特征数据，最终基于待识别人脸的全局图像对应的第一全局特征数据，以及待识别人脸的局部图像对应的第一局部特征数据，对待识别人脸进行人脸识别。
[0090]
202、获取预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据和各个人脸的局部图像对应的第二局部特征数据。
[0091]
具体地，按照步骤201中的方式可以确定预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据，以及确定各个人脸的局部图像对应的第二局部特征数据，在此不做重复叙述。
[0092]
203、计算第一全局特征数据与各第二全局特征数据之间的欧式距离，得到待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度。
[0093]
具体地，在确定待识别人脸的全局图像对应的第一全局特征数据，以及确定预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据后，计算第一全局特征数据与第二全局特征数据之间欧式距离，由此能够得到待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，与此同时，也可以计算第一全局特征数据与第二全局特征数据之间余弦距离，由此得到待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的余弦相似度。
[0094]
204、计算第一局部特征数据与各第二局部特征数据之间的欧式距离，得到待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
[0095]
具体地，在在确定待识别人脸的局部图像对应的第一局部特征数据，以及确定预设人脸识别库中各个人脸的局部图像对应的第二局部特征数据后，还需要基于第一局部特征数据和第二局部特征数据，确定待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，基于此，步骤204具体包括：计算待识别人脸的左眼特征数据与预设人脸识别库中各个人脸的左眼特征数据之间的欧式距离，得到待识别人脸的左眼图像与预设人脸识别库中各个人脸的左眼图像之间的左眼相似度；计算待识别人脸的右眼特征数据与预设人脸识别库中各个人脸的右眼特征数据之间的欧式距离，得到待识别人脸的右眼图像与预设人脸识别库中各个人脸的右眼图像之间的右眼相似度；计算待识别人脸的鼻子特征数据与预设人脸识别库中各个人脸的鼻子特征数据之间的欧式距离，得到待识别人脸的鼻子图像与预设人脸识别库中各个人脸的鼻子图像之间的鼻子相似度；计算待识别人脸的嘴巴特征数据与预设人脸识别库中各个人脸的嘴巴特征数据之间的欧式距离，得到待识别人脸的嘴巴图像与预设人脸识别库中各个人脸的嘴巴图像之间的嘴巴相似度；基于左眼图像、右眼图像、鼻子图像和嘴巴图像分别对应的特征系数，将左眼相似度、右眼相似度、鼻子相似度和嘴巴相似度相加，得到待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
[0096]
具体地，因为人脸的局部图像包括左眼图像、右眼图像、鼻子图像和嘴巴图像，从而第一局部特征数据包括左眼特征数据、右眼特征数据、鼻子特征数据和嘴巴特征数据，因此为了确定待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，首先需要分别计算左眼特征数据、右眼特征数据、嘴巴特征数据和鼻子特征数据与预设人脸识别库中的相应特征数据之间的欧式距离，并基于人脸各个部位对应的欧式距
离，确定左眼、右眼、鼻子、嘴巴等部位与预设人脸识别库中各个人脸上的相应部位之间的单元相似度，最终确定左眼、右眼、鼻子、嘴巴等部位对应的权重系数(特征系数)，最终将左眼对应的权重系数与左眼对应的单元相似度相乘，将右眼对应的权重系数与右眼对应的单元相似度相乘，将鼻子对应的权重系数与鼻子对应的单元相似度相乘，将嘴巴对应的权重系数与嘴巴对应的单元相似度相乘，最终将各项乘积相加，得到待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
[0097]
205、确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数。
[0098]
具体地，因为人脸全局图像和局部图像在人脸识别过程中的重要程度不同，因此，为了提高人脸识别的准确度，首先需要确定全局图像对应的第一权重系数和局部图像对应的第二权重系数，最终基于权重系数来对全局图像和局部图像进行综合分析，并根据分析结果来确定人脸识别结果。
[0099]
206、基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度。
[0100]
207、基于总相似度，在预设人脸识别库中对待识别人脸进行识别。
[0101]
具体地，若待识别人脸的全局图像对应的第一权重系数为0.4，待识别人脸的局部图像对应的第二权重系数为0.6，待识别人脸的全局图像与预设人脸识别库中人脸1的全局图像之间的第一相似度为0.85，待识别人脸的全局图像与预设人脸识别库中人脸2的全局图像之间的第一相似度为0.15，待识别人脸的局部图像与预设人脸识别库中人脸1的局部图像之间的第二相似度为0.65，待识别人脸的局部图像与预设人脸识别库中人脸2的局部图像之间的第二相似度为0.35，则最终确定待识别人脸与预设人脸识别库中的人脸1之间的总相似度为0.73，待识别人脸与预设人脸识别库中的人脸2之间的总相似度为0.27，最终在总相似度中确定大于预设相似度阈值的目标相似度(其中，预设相似度阈值是根据实际情况设定的数据，用来判断进行人脸识别结果的临界值)，并将预设人脸识别库中的目标相似度对应的目标人脸确定为待识别人脸，若预设相似度阈值为0.7，则最终确定预设人脸识别库中的人脸1与待识别人脸相似，则人脸识别通过。由此通过对人脸的全局特征和局部特征进行综合分析来进行人脸识别，能够很大程度提高人脸识别率，检测结果准确、完整，并且能满足实时性检测识别的要求。
[0102]
根据本发明提供的另一种人脸识别方法，与目前通过对人脸整体进行分析来进行人脸识别的方式相比，本发明通过获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；并基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；与此同时，确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；之后基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；最终基于总相似度，在预设人脸识别库中对待识别人脸进行识别，由此通过确定待识别人脸的全局特征与局部特征，并基于全局特征与局部特征，将待识别人脸分别与预设人脸识别库中各个人脸的进行相似度匹配，最终根据匹配结果来进行人脸识别，能够在待识别人脸产生任何一种面部表情的情
况下，均能对人脸进行识别，从而提高人脸识别的准确度。
[0103]
进一步地，作为图1的具体实现，本发明实施例提供了一种人脸识别装置，如图3所示，所述装置包括：获取单元31、计算单元32、确定单元33、相加单元34和识别单元35。
[0104]
获取单元31，可以用于获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据。
[0105]
计算单元32，可以用于基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
[0106]
确定单元33，可以用于确定所述全局图像对应的第一权重系数，以及确定所述局部图像对应的第二权重系数。
[0107]
相加单元34，可以用于基于所述第一权重系数和所述第二权重系数，将所述第一相似度与对应第二相似度相加，得到所述待识别人脸与预设人脸识别库中的各个人脸之间的总相似度。
[0108]
识别单元35，可以用于基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别。
[0109]
在具体应用场景中，为了获取待识别人脸的全局图像对应的第一全局特征数据，如图4所示，所述获取单元31，包括第一获取模块311、第一计算模块312和确定模块313。
[0110]
所述第一获取模块311，可以用于获取所述待识别人脸中的全局图像对应的二值化像素矩阵。
[0111]
所述第一计算模块312，可以用于计算所述二值化像素值矩阵中各个向量对应的向量均值。
[0112]
所述第一计算模块312，具体可以用于计算所述二值化像素值矩阵中各个向量与所述向量均值之间的向量差值。
[0113]
所述确定模块313，可以用于确定由各个向量差值组成的协方差矩阵中的特征向量，并将所述特征值确定为所述待识别人脸的全局图像对应的第一全局特征数据。
[0114]
在具体应用场景中，为了获取待识别人脸的局部图像对应的第一局部特征数据，所述获取单元31，还包括收缩模块314和处理模块315。
[0115]
所述第一获取模块311，还可以用于获取待识别人脸中的局部图像对应的灰度图像。
[0116]
所述收缩模块314，可以用于按照预设收缩比例，将所述灰度图像进行收缩处理，得到收缩后的图像。
[0117]
所述处理模块315，可以用于将所述收缩后的图像进行直方图均衡化处理，得到处理后的图像。
[0118]
所述确定模块313，还可以用于确定所述处理后的图像对应的像素矩阵，并基于所述像素矩阵，确定所述待识别人脸的局部图像对应的第一局部特征数据。
[0119]
在具体应用场景中，为了基于像素矩阵，确定待识别人脸中的局部图像对应的第一局部特征数据，所述确定模块313，包括确定子模块和相加子模块。
[0120]
所述确定子模块，可以用于基于所述像素矩阵，确定所述待识别人脸的局部图像
对应的类内散布矩阵和类间散布矩阵。
[0121]
所述相加子模块，可以用于将所述类内散布矩阵与所述类间散布矩阵相加，得到所述待识别人脸的局部图像对应的总体散布矩阵。
[0122]
所述确定子模块，还可以用于确定所述总体散布矩阵中的特征向量，并将所述总体散布矩阵中的特征向量确定为所述待识别人脸的局部图像对应的第一局部特征数据。
[0123]
在具体应用场景中，为了计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，所述计算单元32，包括第二获取模块321和第二计算模块322。
[0124]
所述第二获取模块321，可以用于获取所述预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据。
[0125]
所述第二计算模块322，可以用于计算所述第一全局特征数据与各所述第二全局特征数据之间的欧式距离，得到所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度。
[0126]
所述第二获取模块321，还可以用于获取所述预设人脸识别库中各个人脸的局部图像对应的第二局部特征数据。
[0127]
所述第二计算模块322，还可以用于计算所述第一局部特征数据与各所述第二局部特征数据之间的欧式距离，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
[0128]
在具体应用场景中，为了确定待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，所述第二计算模块322，具体可以用于计算待识别人脸的左眼特征数据与预设人脸识别库中各个人脸的左眼特征数据之间的欧式距离，得到所述待识别人脸的左眼图像与预设人脸识别库中各个人脸的左眼图像之间的左眼相似度；计算待识别人脸的右眼特征数据与预设人脸识别库中各个人脸的右眼特征数据之间的欧式距离，得到所述待识别人脸的右眼图像与预设人脸识别库中各个人脸的右眼图像之间的右眼相似度；计算待识别人脸的鼻子特征数据与预设人脸识别库中各个人脸的鼻子特征数据之间的欧式距离，得到所述待识别人脸的鼻子图像与预设人脸识别库中各个人脸的鼻子图像之间的鼻子相似度；计算待识别人脸的嘴巴特征数据与预设人脸识别库中各个人脸的嘴巴特征数据之间的欧式距离，得到所述待识别人脸的嘴巴图像与预设人脸识别库中各个人脸的嘴巴图像之间的嘴巴相似度；基于所述左眼图像、右眼图像、鼻子图像和嘴巴图像分别对应的特征系数，将所述左眼相似度、所述右眼相似度、所述鼻子相似度和所述嘴巴相似度相加，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。
[0129]
在具体应用场景中，为了对待识别人脸进行识别，所述识别单元35，具体可以用于在所述总相似度中确定大于预设相似度阈值的目标相似度，并将所述预设人脸识别库中的所述目标相似度对应的目标人脸确定为所述待识别人脸。
[0130]
需要说明的是，本发明实施例提供的一种人脸识别装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
[0131]
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待识别人脸的全局
图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；基于总相似度，在预设人脸识别库中对待识别人脸进行识别。
[0132]
基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；基于总相似度，在预设人脸识别库中对待识别人脸进行识别。
[0133]
通过本发明的技术方案，本发明通过获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；并基于第一全局特征数据，计算待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；与此同时，确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；之后基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；最终基于总相似度，在预设人脸识别库中对待识别人脸进行识别，由此通过确定待识别人脸的全局特征与局部特征，并基于全局特征与局部特征，将待识别人脸分别与预设人脸识别库中各个人脸的进行相似度匹配，最终根据匹配结果来进行人脸识别，能够在待识别人脸产生任何一种面部表情的情况下，均能对人脸进行识别，从而提高人脸识别的准确度。
[0134]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0135]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

技术特征：
1.一种人脸识别方法，其特征在于，包括：获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；确定所述全局图像对应的第一权重系数，以及确定所述局部图像对应的第二权重系数；基于所述第一权重系数和所述第二权重系数，将所述第一相似度与对应第二相似度相加，得到所述待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别。2.根据权利要求1所述的方法，其特征在于，获取待识别人脸的全局图像对应的第一全局特征数据，包括：获取所述待识别人脸的全局图像对应的二值化像素矩阵；计算所述二值化像素值矩阵中各个向量对应的向量均值；计算所述二值化像素值矩阵中各个向量与所述向量均值之间的向量差值；确定由各个向量差值组成的协方差矩阵中的特征向量，并将所述特征值确定为所述待识别人脸的全局图像对应的第一全局特征数据。3.根据权利要求1所述的方法，其特征在于，获取待识别人脸的局部图像对应的第一局部特征数据，包括：获取待识别人脸中的局部图像对应的灰度图像；按照预设收缩比例，将所述灰度图像进行收缩处理，得到收缩后的图像；将所述收缩后的图像进行直方图均衡化处理，得到处理后的图像；确定所述处理后的图像对应的像素矩阵，并基于所述像素矩阵，确定所述待识别人脸的局部图像对应的第一局部特征数据。4.根据权利要求3所述的方法，其特征在于，所述基于所述像素矩阵，确定所述待识别人脸中的局部图像对应的第一局部特征数据，包括：基于所述像素矩阵，确定所述待识别人脸的局部图像对应的类内散布矩阵和类间散布矩阵；将所述类内散布矩阵与所述类间散布矩阵相加，得到所述待识别人脸的局部图像对应的总体散布矩阵；确定所述总体散布矩阵中的特征向量，并将所述总体散布矩阵中的特征向量确定为所述待识别人脸的局部图像对应的第一局部特征数据。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，包括：获取所述预设人脸识别库中各个人脸的全局图像对应的第二全局特征数据；计算所述第一全局特征数据与各所述第二全局特征数据之间的欧式距离，得到所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度；
所述基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，包括：获取所述预设人脸识别库中各个人脸的局部图像对应的第二局部特征数据；计算所述第一局部特征数据与各所述第二局部特征数据之间的欧式距离，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。6.根据权利要求5所述的方法，其特征在于，所述局部图像包括左眼图像、右眼图像、鼻子图像和嘴巴图像，所述局部特征数据包括左眼特征数据、右眼特征数据、鼻子特征数据和嘴巴特征数据，所述计算所述第一局部特征数据与各所述第二局部特征数据之间的欧式距离，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度，包括：计算待识别人脸的左眼特征数据与预设人脸识别库中各个人脸的左眼特征数据之间的欧式距离，得到所述待识别人脸的左眼图像与预设人脸识别库中各个人脸的左眼图像之间的左眼相似度；计算待识别人脸的右眼特征数据与预设人脸识别库中各个人脸的右眼特征数据之间的欧式距离，得到所述待识别人脸的右眼图像与预设人脸识别库中各个人脸的右眼图像之间的右眼相似度；计算待识别人脸的鼻子特征数据与预设人脸识别库中各个人脸的鼻子特征数据之间的欧式距离，得到所述待识别人脸的鼻子图像与预设人脸识别库中各个人脸的鼻子图像之间的鼻子相似度；计算待识别人脸的嘴巴特征数据与预设人脸识别库中各个人脸的嘴巴特征数据之间的欧式距离，得到所述待识别人脸的嘴巴图像与预设人脸识别库中各个人脸的嘴巴图像之间的嘴巴相似度；基于所述左眼图像、右眼图像、鼻子图像和嘴巴图像分别对应的特征系数，将所述左眼相似度、所述右眼相似度、所述鼻子相似度和所述嘴巴相似度相加，得到所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度。7.根据权利要求1所述的方法，其特征在于，所述基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别，包括：在所述总相似度中确定大于预设相似度阈值的目标相似度，并将所述预设人脸识别库中的所述目标相似度对应的目标人脸确定为所述待识别人脸。8.一种人脸识别装置，其特征在于，包括：获取单元，用于获取待识别人脸的全局图像对应的第一全局特征数据和局部图像对应的第一局部特征数据；计算单元，用于基于所述第一全局特征数据，计算所述待识别人脸的全局图像与预设人脸识别库中各个人脸的全局图像之间的第一相似度，以及基于所述第一局部特征数据，计算所述待识别人脸的局部图像与预设人脸识别库中各个人脸的局部图像之间的第二相似度；确定单元，用于确定所述全局图像对应的第一权重系数，以及确定所述局部图像对应的第二权重系数；相加单元，用于基于所述第一权重系数和所述第二权重系数，将所述第一相似度与对
应第二相似度相加，得到所述待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；识别单元，用于基于所述总相似度，在所述预设人脸识别库中对所述待识别人脸进行识别。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本发明公开了一种人脸识别方法、装置、存储介质及计算机设备，涉及信息技术和金融科技技术领域，主要在于能够提高人脸识别的准确度。其中方法包括：获取待识别人脸的第一全局特征数据和第一局部特征数据；基于第一全局特征数据，计算待识别人脸与预设人脸识别库中各个人脸之间的第一相似度，以及基于第一局部特征数据，计算待识别人脸与预设人脸识别库中各个人脸之间的第二相似度；确定全局图像对应的第一权重系数，以及确定局部图像对应的第二权重系数；基于第一权重系数和第二权重系数，将第一相似度与对应第二相似度相加，得到待识别人脸与预设人脸识别库中的各个人脸之间的总相似度；基于总相似度，在预设人脸识别库中对待识别人脸进行识别。待识别人脸进行识别。待识别人脸进行识别。


技术研发人员：陈志勇
受保护的技术使用者：平安付科技服务有限公司
技术研发日：2023.05.15
技术公布日：2023/8/14