本發(fā)明涉及人臉識別技術領域，尤其涉及一種基于眨眼檢測的人臉識別方法。

背景技術：

人臉識別技術是一項熱門的計算機應用研究技術，它屬于生物特征識別技術，通過對生物體本身的生物特征來區(qū)分生物體個體。人臉識別是最為自然的、可視化的一種生物身份識別方式，符合人類自身的生理視覺習慣。隨著人臉識別技術的發(fā)展，在精確度、可靠性都將有很大的提高?，F已有非常廣泛的應用，包括公安、安全、海關、金融、軍隊、機場、安防等等多個重要行業(yè)及領域，以及智能門禁、考勤等民用市場，市場應用前景非常廣闊。

人臉識別技術主要包含幾個部分：人臉檢測、人臉匹配、人臉跟蹤、活體檢測等等。目前針對每一個部分都有較為成熟的算法，但是對于復雜環(huán)境下的活體檢測則需要把更多的研究綜合在一起形成進一步改良算法。

現有技術中的人臉識別方案主要包括如下的幾種：

①人臉識別：

a)膚色模型法：依據面貌膚色在色彩空間中分布相對集中的規(guī)律來進行檢測；

b)樣品學習法：采用模式識別中人工神經網絡的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；

c)基于特征臉(PCA)的人臉識別方法：將所有面像集合視為一個面像子空間，并基于檢測樣品與其在子空間的投影之間的距離判斷是否存在面像。

②眨眼檢測：

ASM+Canny：利用ASM(Active Shape Model主動形狀模型)算法作為人眼區(qū)域的檢測方法，再利用Canny算子計算人眼的邊緣輪廓，通過人眼邊緣輪廓的上下距離判斷眨眼。

③人臉匹配：

特征向量法：先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。

上述現有技術中的人臉識別方案的缺點為：

①現有技術中的大部分人臉識別軟件利用注冊者的照片也能通過驗證，并不能區(qū)分是活人還是照片，這大大降低了人臉識別的安全性。。

②ASM+Canny的眨眼檢測方法，對光線的要求很高。弱光下，ASM對人眼的定位效果和Canny對人眼邊緣檢測效果并不好。

③針對弱光條件下不能很好識別人臉。

④現有算法在不同光照環(huán)境下人臉匹配度不高。

技術實現要素：

本發(fā)明的實施例提供了一種基于眨眼檢測的人臉識別方法，以實現很好地對用戶的圖像進行人臉識別。

為了實現上述目的，本發(fā)明采取了如下技術方案。

一種基于眨眼檢測的人臉識別方法，包括：

通過攝像頭拍攝用戶的圖像，通過人臉檢測器從所述用戶的圖像中檢測 出人臉圖像；

通過人臉匹配算法將所述人臉圖像與預先存儲的已經注冊的人臉圖像進行匹配，當所述匹配的結果為相似度大于設定的匹配閾值時，則確定所述人臉圖像已經注冊；

通過眨眼檢測算法檢測多個所述用戶的圖像中是否存在眨眼，當檢測出存在眨眼，則確定所述用戶的圖像來自活體。

進一步地，所述的通過攝像頭拍攝用戶的圖像，通過人臉檢測器從所述用戶的圖像中檢測出人臉圖像，包括：

利用Adaboost方法構造人臉檢測器，所述人臉檢測器為篩選式的級聯分類器，級聯的各個節(jié)點按照瀑布分類算法布置，在每個節(jié)點上設置判斷閾值，位置越靠后的節(jié)點包含越多的弱分類器；

將攝像頭拍攝的各個幀的所述用戶的圖像輸入所述人臉檢測器，所述人臉檢測器依次對各個幀的所述用戶的圖像進行檢測，從所述用戶的圖像中檢測出人臉圖像。

進一步地，所述的通過人臉匹配算法將所述人臉圖像與預先存儲的已經注冊的人臉圖像進行匹配，當所述匹配的結果為相似度大于設定的匹配閾值時，則確定所述人臉圖像已經注冊，包括：

當從當前幀的用戶的圖像中檢測出人臉圖像后，將所述人臉圖像裁剪后轉化為單通道圖像，將預先存儲的已注冊的人臉圖像轉化為單通道圖像，將所述兩個單通道圖像作4種直方圖比較，得出4個相似度值：CV_COMP_CHISQR卡方,CV_COMP_BHATTACHARYYA距離，CV_COMP_CORREL相關度,CV_COMP_INTERSECT相交系數；

根據所述4個相似度值確定所述兩個單通道圖像之間的最終相似度，當所述最終相似度大于預先設定的相似度閾值，則判斷所述兩個單通道圖像匹配成功，確定所述人臉圖像已經注冊。

進一步地，所述的方法還包括：

當所述最終相似度不大于預先設定的相似度閾值，則判斷所述兩個單通道圖像匹配失敗，對所述已注冊的人臉圖像的亮度和/或對比度進行調整，重新生成調整后的人臉圖像的單通道圖像；

按照上述匹配過程將兩個單通道圖像重新匹配，當兩個單通道圖像匹配成功，確定所述人臉圖像已經注冊；當兩個單通道圖像匹配失敗，則繼續(xù)對所述已注冊的人臉圖像的亮度和/或對比度進行調整，繼續(xù)按照上述匹配過程將兩個單通道圖像重新匹配，當匹配失敗的次數大于設定數值，則確定所述人臉圖像沒有注冊。

進一步地，所述的方法還包括：

對所述已注冊的人臉圖像的亮度和/或對比度進行調整采用點算子算法，公式如下：

g(i,j)＝αf(i,j)+β

參數α>0，為增益，用來調整對比度，β為偏置參數，用來調整亮度，f(i,j)是源圖像像素，g(i,j)是輸出圖像像素，i,j表示像素位于第i行第j列。

進一步地，所述的通過眨眼檢測算法檢測多個所述用戶的圖像中是否存在眨眼，當檢測出存在眨眼，則確定所述用戶的圖像來自活體，包括：

將各個幀的所述用戶的圖像轉換為二值圖像，在所述二值圖像中搜索組件對，根據預先設定的眼睛組件的寬度、高度、水平距離和垂直距離的限制條件，對搜索出的組件對進行過濾，獲取滿足過濾條件的眼睛組件對，并獲取眼睛組件對所在的搜索區(qū)域；

根據所述滿足過濾條件的組件對構建眼睛模板，利用歸一化相關系數算法計算出所述眼睛模板和所述搜索區(qū)域之間的相似值，當連續(xù)前后兩幀用戶 的圖像中的搜索區(qū)域與所述眼睛模板之間的相似值之間的差值大于設定的判斷閾值，則確定所述用戶的圖像中包含眨眼，所述用戶的圖像來自活體。

由上述本發(fā)明的實施例提供的技術方案可以看出，本發(fā)明實施例提供的基于眨眼檢測的人臉識別方法通過檢測眨眼能很好的區(qū)分檢測的是照片、雕塑還是活體。相比于ASM+Canny的眨眼檢測方法對光線的要求很高的缺點(弱光下，ASM對人眼的定位效果和Canny對人眼邊緣檢測效果并不好)，而本發(fā)明利用形態(tài)學對圖像進行差分處理，能很好的適應弱光檢測條件。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種基于眨眼檢測的人臉識別方法的處理流程；

圖2為本發(fā)明實施例提供的一種基于adaboost的人臉檢測的方法的原理示意圖；

圖3為本發(fā)明實施例提供的一種活體眨眼檢測的原理圖。

具體實施方式

下面詳細描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功 能的元件。下面通過參考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。

本技術領域技術人員可以理解，除非特意聲明，這里使用的單數形式“一”、“一個”、“所述”和“該”也可包括復數形式。應該進一步理解的是，本發(fā)明的說明書中使用的措辭“包括”是指存在所述特征、整數、步驟、操作、元件和/或組件，但是并不排除存在或添加一個或多個其他特征、整數、步驟、操作、元件、組件和/或它們的組。應該理解，當我們稱元件被“連接”或“耦接”到另一元件時，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這里使用的“連接”或“耦接”可以包括無線連接或耦接。這里使用的措辭“和/或”包括一個或更多個相關聯的列出項的任一單元和全部組合。

本技術領域技術人員可以理解，除非另外定義，這里使用的所有術語(包括技術術語和科學術語)具有與本發(fā)明所屬領域中的普通技術人員的一般理解相同的意義。還應該理解的是，諸如通用字典中定義的那些術語應該被理解為具有與現有技術的上下文中的意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。

為便于對本發(fā)明實施例的理解，下面將結合附圖以幾個具體實施例為例做進一步的解釋說明，且各個實施例并不構成對本發(fā)明實施例的限定。

本發(fā)明通過檢測眨眼能很好的區(qū)分檢測的是照片還是活人。本發(fā)明利用形態(tài)學差分圖像，能很好的適應弱光檢測條件。本發(fā)明利用Harr+Adaboost方法是十分有效的正面人臉檢測方法，其在算法速度上有非常大的優(yōu)勢，且正面人臉的檢測率很高。利用此方法進行訓練得到的模型文件，對弱光條件下的人臉檢測有很不錯的效果。本發(fā)明利用點算子，多次改變已注冊人臉照片的亮度和對比度，再進行人臉匹配驗證，從而提高匹配成功率。

本發(fā)明實施例提供的一種基于眨眼檢測的人臉識別方法的處理流程如圖1所示，包括如下的處理步驟：

步驟1、將驗證過的用戶的圖像存儲在服務器中。

將驗證過的用戶的圖像在服務器中進行注冊，按照用戶設定的名稱將驗證過的用戶的圖像以jpg等格式保存在服務器中，用戶的注冊名可以保存在TXT格式的注冊表中。當多個用戶注冊，可以用Xn表示注冊表中的第n張人臉圖像。

步驟2、通過攝像頭拍攝用戶的圖像，通過人臉檢測器從所述用戶的圖像中檢測出人臉圖像。

利用Adaboost方法構造人臉檢測器，所述人臉檢測器為篩選式的級聯分類器，級聯的各個節(jié)點按照瀑布分類算法布置，在每個節(jié)點上設置判斷閾值，位置越靠后的節(jié)點包含越多的弱分類器；

將攝像頭拍攝的各個幀的所述用戶的圖像輸入所述人臉檢測器，所述人臉檢測器依次對各個幀的所述用戶的圖像進行檢測，從所述用戶的圖像中檢測出人臉圖像。

本發(fā)明提供的一種基于adaboost的人臉檢測的方法的原理示意圖如圖2所示，利用Adaboost方法構造了人臉檢測器，利用瀑布(Cascade)算法分類器組織為篩選式的級聯分類器，級聯的每個節(jié)點是AdaBoost訓練得到的強分類器。在級聯的每個節(jié)點設置閾值b，使得幾乎所有人臉樣本都能通過，而絕大部分非人臉樣本不能通過。節(jié)點由簡單到復雜排列，位置越靠后的節(jié)點越復雜，即包含越多的弱分類器。這樣能最小化拒絕圖像但區(qū)域時的計算量，通知保證分類器的高檢測率和低拒絕率。例如在識別率為99.9％，拒絕率為50％時，(99.9％的人臉和50％的非人臉可以通過)，20個節(jié)點的總識別率為：0.999²⁰≈98％，而錯誤接受率僅為：0.5²⁰≈0.0001％。對于畫面檢測出的人臉，用紅框進行標注。

步驟3、通過人臉匹配算法將所述人臉圖像與預先存儲的已經注冊的人臉圖像進行匹配，當匹配的結果為相似度大于設定的匹配閾值時，則確定所述人臉圖像已經注冊。

當從當前幀的用戶的圖像中檢測出人臉圖像后，把人臉部分裁剪后轉化為單通道圖像，將預先存儲的已注冊的人臉圖像轉化為單通道圖像，將兩個單通道圖像作4種直方圖比較，得出4個相似度值：CV_COMP_CHISQR卡方,CV_COMP_BHATTACHARYYA距離，CV_COMP_CORREL相關度,CV_COMP_INTERSECT相交系數；

根據4個相似度值確定兩個單通道圖像之間的最終相似度，當最終相似度大于預先設定的相似度閾值，則判斷兩個單通道圖像匹配成功，確定人臉圖像已經注冊。

CV_COMP_CHISQR(卡方),CV_COMP_BHATTACHARYYA(Bhattacharyya距離)這兩種直方圖的比較得出的值越小，說明圖像越相似，而CV_COMP_CORREL(相關度)，CV_COMP_INTERSECT(相交系數)這兩種直方圖比較得出值越大，說明圖像越相似。通過這四個相似度值即可確定最終相似度值。

不妨設a，b，c，d分別表示CV_COMP_CHISQR卡方，CV_COMP_BHATTACHARYYA距離，CV_COMP_CORREL相關度,CV_COMP_INTERSECT相交系數四種直方圖比較得出的值

當a，b至少有一個小于等于0.1，且c，d至少有一個大于等于0.9時，判定為兩張圖像相似達到90％；

以此類推，

當a，b至少有一個小于等于0.2，且c，d至少有一個大于等于0.8時，判定為兩張圖像相似達到80％。

當所述最終相似度不大于預先設定的相似度閾值，則判斷所述兩個單通道圖像匹配失敗。由于這種直方圖比較人臉圖像的方法受圖片的亮度影響，對已注冊的人臉圖像的亮度和/或對比度進行調整，重新生成調整后的人臉圖像的單通道圖像。按照上述匹配過程將兩個單通道圖像重新匹配，當兩個單通道圖像匹配成功，確定所述人臉圖像已經注冊；當兩個單通道圖像匹配失敗，則繼續(xù)對所述已注冊的人臉圖像的亮度和/或對比度進行調整，繼續(xù)按照上述匹配過程將兩個單通道圖像重新匹配，當匹配失敗的次數大于設定數值，則確定所述人臉圖像沒有注冊。

對已注冊的人臉圖像的亮度和/或對比度進行調整采用點算子算法，公式如下：

g(i,j)＝αf(i,j)+β

兩個參數α>0和β一般稱作增益和偏置參數。這兩個參數來分別控制對比度和亮度。f(i,j)是源圖像像素，g(i,j)是輸出圖像像素。i,j表示像素位于第i行第j列。

步驟4、通過眨眼檢測算法檢測多個所述用戶的圖像中是否存在眨眼，當檢測出存在眨眼，則確定所述用戶的圖像來自活體。

將各個幀的用戶的圖像轉換為二值圖像，在二值圖像中搜索組件對，根據預先設定的眼睛組件的寬度、高度、水平距離和垂直距離的限制條件，對搜索出的組件對進行過濾，獲取滿足過濾條件的眼睛組件對，并獲取眼睛組件對所在的搜索區(qū)域。

根據所述滿足過濾條件的組件對構建眼睛模板，利用歸一化相關系數算法計算出所述眼睛模板和所述搜索區(qū)域之間的相似值，當連續(xù)前后兩幀用戶的圖像中的搜索區(qū)域與所述眼睛模板之間的相似值之間的差值大于設定的判斷閾值，則確定所述用戶的圖像中包含眨眼，所述用戶的圖像來自活體。

本發(fā)明實施例提供的一種活體眨眼檢測的原理圖如圖3所示，具體處理過程包括：

預處理：先圖像灰度化，然后創(chuàng)建每一幀與前一幀的差分圖像，再設定閾值，最終就會通過二值圖像顯示前后兩幀圖像的運動區(qū)域。然后通過圖像形態(tài)學運算的開運算，使對象的輪廓變的光滑,斷開狹窄的間斷和消除較細的突出物，從而消除噪聲以及光照環(huán)境的影響。所以在光線較弱的情況下適用性也很好。

搜索眼睛：當用戶人眨眼時，在二值圖像中就會閃現一對組件(一對眼睛的二值圖像輪廓)，過濾掉不合適的組件后，再通過輪廓檢索，當確定組件數為2(一雙眼睛)時，就判斷為眼睛。過濾是依據每一對中兩個組件的寬、高，以及兩組件中心的水平和垂直距離。

追蹤眼睛：當找到代表用戶的眼睛的組件對后，在這對組件中選擇更大的那個組件用來創(chuàng)建眼睛模板。眼睛模板的大小是和那個選中組件的大小成正比的，選擇更大的那一個，因為有更多亮度信息，這將會使得追蹤和得到的相關分數更精確。這里的更大組件是指組件的長寬高更大。因為在弱光環(huán)境下，用戶眨眼時，在二值差分圖像上顯示的眼睛輪廓(組件對)，通常是一大一小的，選擇形狀更大的那個組件創(chuàng)建眼睛模板。

如何創(chuàng)建模板：選擇大組件后，得到組件的邊界位置(這個邊界剛好把這個組件對應的這只眼睛包含在內)，選定這個邊界內的灰度圖像為睜眼模板。

利用歸一化相關系數實現追蹤，每一幀圖像對會用到下面的公式：

f(x,y)是視頻幀在點(x,y)的亮度，是當前搜索區(qū)域視頻幀亮度的平均值，t(x,y)是模板圖片在點(x,y)的亮度，是模板圖片亮度的平均值。上 述公式1計算的結果是-1和1之間的相關性分數，它表明在眼睛模板和視屏幀搜索區(qū)域所有點之間的相似性。分數越接近0表明低水平的相似性,而分數越接近1表示這是它可能匹配睜眼模板。使用這一相似性度量追蹤的一個主要好處是對環(huán)境照明條件的不斷變化不敏感。在非常暗的時候，眼睛追蹤和眨眼檢測都能很好的工作。

由于這一方法要求大量計算，所以把搜索區(qū)域就被限制在用戶眼睛周圍的一個很小的區(qū)域，大大減少了需要在每一幀進行的相關度查詢計算，讓系統(tǒng)保持平穩(wěn)運行。

眼睛模板的匹配方法計算公式為：

其中，I表示圖像，T表示眼睛模板,R表示結果，眼睛模板與圖像重疊區(qū)域x'＝0..w-1,y'＝0..h-1之間求和。

公式2結果的含義：利用模板匹配函數依次計算模板與待測圖片的重疊區(qū)域的相似度，并將結果存入映射圖像R當中，也就是說R圖像中的每一個點(x,y)的值代表了一次相似度比較結果。

公式1和2的關系：公式2的結果R(x,y)就是公式1中的t(x，y)，即公式1中的t(x,y)由公式2計算得到。

定位眼睛后，當用戶的眼睛在眨眼過程為閉狀態(tài)時，它與人眼模板的相似性降低。同樣的，當眨眼完成并且用戶的眼睛重新完全睜開時，它又重新獲得相似性。當這相似性的一降一升超過閾值就判斷為眨眼。在二值圖像的顯示效果為，當用戶眨眼時，在定位的搜索框內會閃現一個白色的圓點，通過這一圓點的閃現判斷是否為眨眼。

在使用紅外光源的環(huán)境下，因為光譜上紅外線的波長大于可見光線，所以對于波長在400nm以下或者700nm以上的輻射，人眼無能為力。但是紅外光卻可以識別人臉。所以在整個電磁波段上，不僅可見光可用于人臉識別，紅 外光也可以。所以之后進行的人臉識別、匹配也都可以利用紅外光源進行。

綜上所述，本發(fā)明實施例提供的基于眨眼檢測的人臉識別方法通過檢測眨眼能很好的區(qū)分檢測的是照片、雕塑還是活體。相比于ASM+Canny的眨眼檢測方法對光線的要求很高的缺點(弱光下，ASM對人眼的定位效果和Canny對人眼邊緣檢測效果并不好)，而本發(fā)明利用形態(tài)學對圖像進行差分處理，能很好的適應弱光檢測條件。

相比于在不同光照環(huán)境下人臉匹配度不高的缺點。本發(fā)明利用點算子，多次改變已注冊人臉照片的亮度和對比度，再進行人臉匹配驗證，從而提高匹配成功率。在亮光下注冊的人臉照片，在弱光下也能匹配成功。

本領域普通技術人員可以理解：附圖只是一個實施例的示意圖，附圖中的模塊或流程并不一定是實施本發(fā)明所必須的。

通過以上的實施方式的描述可知，本領域的技術人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺的方式來實現。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品可以存儲在存儲介質中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。

本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置或系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所描述的裝置及系統(tǒng)實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元 上?？梢愿鶕嶋H的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍為準。