基于船舶安防数据识别的人脸图片补偿识别方法与流程

1.本发明涉及人工智能领域，具体涉及一种基于船舶安防数据识别的人脸图片补偿识别方法。


背景技术：

2.伴随着现代化的发展，船舶的产业规模更加扩大，船用安防系统也越来月多样化，现阶段船用安防系统用到的人脸识别方法有几何特征人脸识别法、线段距离人脸识别法、基于深度神经网络的人脸识别法等。其中基于几何特征的人脸识别方法、线段距离人脸识别法对人脸结构变化较为敏感，脸部结构比例变化就会影响人脸识别精度。
3.现阶段人脸识别方法通常是比对现有人脸数据图片和库里提前录入的图片数据之间的相似度，来判别人脸的身份信息。但是由于识别人脸时焦距的不同会导致人脸胖瘦变形，因此就会出现胖瘦程度的变化导致的人脸不能被识别的现象。对于该情况的发生非常影响生活的便利性，因此有必要在人脸识别系统中消除焦距对胖瘦程度的影响。


技术实现要素：

4.为了克服上述现有技术的缺点，本发明的目的是提供一种补偿焦距影响人脸变形方法、一种人脸识别方法及系统。本发明采用以下技术方案：一种基于船舶安防数据识别的人脸图片补偿识别方法，包括以下步骤：分别对受焦距影响的被识别人脸图片与未受影响的标准人脸图片进行同心圆环分区，将被识别人脸图片中每个区域的特征点与标准图片中对应区域的特征点进行匹配；分别获取被识别人脸图片与标准图片中相对应两个特征点之间的距离，根据相对应两个特征点之间的距离得到图片形变比例；通过图片形变比例得到形变强度数据；通过形变强度数据得到脸部特征点的形变量；根据形变量对特征点进行补偿。
5.进一步的，所述对特征点进行恢复补偿的方法为：通过形变量对被识别人脸图片中特征点到中心区域的形变距离进行恢复，完成对特征点的补偿；所述补偿方法的表达式为：其中，为特征点距图像中心点的距离，为当前特征点的形变量；式中所述获取脸部特征点形变量的表达式如下：其中：为当前特征点的形变量，为中心区域的形变比例，为跨越区域的个数，为该图片的平均形变强度。
6.进一步的，所述形变比例的获取方法为： 分别提取被识别人脸图片中某一区域的两个特征点以及其相邻区域的两个特征点，分别计算两特征点间连线的距离与，分别计算对应标准图片对应两特征点连线的距离和，图片形变发生在垂直于区域分界线的方向，根据两特征点的距离计算其垂直于区域分界线的距离与，同样的，计算对应标准图片两特征点垂直于区域分界线的距离与，通过被识别人脸图片内各个区域中两个特征点与标准图片两特征点垂直于区域分界线的距离之间的比值得到被识别人脸图片中一个区域两特征点与其相邻区域两特征点的形变比例与。
7.所述平均形变强度的获取方法为：根据上述得到的两个相邻区域的形变比例与之差得到相邻垂直区域边界的形变强度值；对形变强度值取平均值得到平均形变强度数据；所述分别对被识别人脸图片与标准人脸图片进行同心圆环分区的方法如下：利用像素找出人脸图片的中心位置，以图片中心点为圆心，以r为半径增量画圆，直到最大圆弧与图片短边相切，得到了不同圆环组成的圆环区域。
8.进一步的，识别方法包括：根据焦距影响人脸的补偿方法对受焦距影响的被识别人脸图片进行补偿。
9.提取补偿后的被识别人脸图片特征，量化得到胖瘦特征变量值；所述人脸图片特征包括人脸双下巴的面积，眼、鼻、嘴面积占比以及嘴的宽度在腮部宽度的占比；对被识别人脸图片的胖瘦程度分级得到胖瘦层级分类标量，根据胖瘦层级分类标量与胖瘦特征变量值得到胖瘦成都标签值，通过胖瘦成都标签值计算胖瘦程度差异，根据胖瘦程度差异值调整人脸轮廓特征权重值，根据人脸轮廓特征权重进行相似性比较，实现人脸识别。
10.一种人脸识别系统，该系统包括：特征点补偿模块、特征提取模块和相似性比较模块；特征点补偿模块：根据焦距影响人脸的补偿方法对受焦距影响的被识别人脸图片进行补偿。
11.特征提取模块： 分别提取补偿后的被识别人脸图片以及标准人脸图片的焦距信息和人脸特征点信息；相似性比较模块：通过对补偿后的被识别人脸特征信息进行量化，结合胖瘦程度差异值调整被识别人脸轮廓特征权重，进行相似性比较，实现人脸识别.本发明的有益效果是：（1）相对于传统船用安防系统用到的人脸识别，本发明考虑不同焦距下胖瘦形变的干扰对人脸识别的精度的影响，通过分析不同焦距人脸图片中各区域的形变规律得到人脸特征点形变量，利用特征点形变量对特征点进行相应的补偿，进而提高人脸识别精度。
12.（2）本发明考虑了人脸胖瘦变化对人脸识别精度影响，在进行人脸识别时，利用两
图中人脸的胖瘦程度差异调整人脸轮廓特征点权重，减低了胖瘦程度对人脸识别精度的影响，从而提高检测精度。
附图说明
13.图1是本发明中一种基于船舶安防数据识别的人脸图片补偿识别方法的方法示意图；图2是本发明中一种基于船舶安防数据识别的人脸图片补偿识别方法中图片分区示意图；图3是本发明中一种基于船舶安防数据识别的人脸图片补偿识别方法中形变比例示意图；图4是本发明中一种人脸识别方法示意图；图5是本发明中一种人脸识别系统模块示意图。
具体实施方式
14.下面结合附图和实施例对本发明进行详细的描述。
15.在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
16.术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
17.实施例1如图1所示，该实施例提供了一种基于船舶安防数据识别的人脸图片补偿识别方法，包括：分别对被识别人脸图片与标准人脸图片进行分区，获取不同区域被识别人脸特征图片特征点并与标准图片进行匹配，根据特征点连线获取形变比例。
18.如图2所示，给出了对人脸图片进行分区的示意图，首先，控制其他变量拍摄一组不同焦距长度的图片，以5mm作为焦距长度间隔变动焦距长度，拍摄一组从15mm
‑
200mm的不同焦距长度人像图片，利用像素坐标找出图片的中心位置，以图片中心为圆心，以r为半径间隔画圆，直到最大圆圆弧与图像的短边相切位置，此时即可得到如图2所示不同圆环组成的图像区域。
19.在本实施例中，以50mm的图片为基准，利用面部关键点检测算法得到特征点，提取基准图片的人脸特征点和其他图片的特征点,,
…
,，将其他图片与基准图片进行匹配得到一组组匹配对应点，以第i张
图片为例，其匹配的对应点可以表示为：。
20.得到特征点信息后，选取两个相邻区域分别计算出各区域内两个特征点之间的距离，以图2中的区域为例，选取其中某一个区域，在该区域中选取两个特征点分别为，，同样的，在相邻区域中选取两个特征点，在标准图片中找到对应的匹配特征点，和，假设个特征点的对应坐标为：，则根据坐标我们可以得到特征点间的距离为：同一被识别人脸图片中区域中两特征点的距离为:相邻区域中两特征点的距离为：同样的方法可以得到标准图片中区域中两特征点的距离为：相邻区域中两特征点的距离为：由于图片形变主要发生在垂直于区域分界线的方向，因此需将距离投影到该方向上得到该方向的距离，计算该方向的距离过程为：先利用圆心点和其中一个特征点计算该方向的直线方程，然后求另一个特征点到该直线的距离为：利用勾股定理即可以求得区域两特征点垂直于区域分界线方向的距离：
同理可以得到标准图像中两特征点垂直于区域分界线方向的距离：根据两特征点垂直于区域分界线方向的距离就可以得到区域在梯度方向的形变。
21.区域内两特征点距离相较于标准图片中特征点距离在梯度方向的形变比例为：区域内两特征点距离相较于标准图片中特征点距离在梯度方向的形变比例为：区域内两特征点相较于基准图片中特征点距离在梯度方向的形变比例为：如图1所示，根据形变比例得到形变强度数据，通过焦距和形变强度数据得到焦距与形变强度数据的相关关系以及焦距与中心区域形变数据的相关关系。
22.如图3所示，给出了被识别人脸图片相较于标准人脸图片形变比例强度的示意图，通过上述步骤得到相邻区域内两特征点连线的形变比例后，根据形变比例得到垂直区域边界的形变比例变化强度为:由于利用一个形变比例变化强度精度较小，因此需要计算多个形变比例变化强度,,求取其平均值：通过将上述得到的焦距数据与形变强度数据输入dnn网络进行训练，此处所用的dnn网络为fc连接网络，具体训练过程为：将上述步骤得到的焦距数据与形变强度数据构建数据集，其中80%作为训练集，20%作为验证集，将焦距作为输入数据，形变强度数据作为输出，训练网络得到焦距与形变强度之间的相关关系。
23.同理，将焦距与被识别人脸图片中心区域的形变数据输入dnn网络进行训练，焦距为输入数据，被识别人脸图片中心区域的形变数据为输出，训练网络得到焦距与被识别人脸图片中心区域形变数据之间的相关关系。
24.如图1所示，根据两个相关关系得到不同焦距下从图片中心区域到边缘区域的形变变化规律，得到被识别人脸图片特征点的形变量，根据形变量对特征点进行补偿。
25.通过上述训练好的dnn网络可以得出不同焦距下从图片中心区域到边缘区域的形变变化规律，将待识别人脸图片中的一个特征点以及焦距信息输入训练好的网络中，得到中心区域到该特征点的形变比例以及该图片的平均梯度，进而得到该特征点处
的形变量，步骤包括:计算该特征点距图像中心点的距离为：d=其中为图片中心坐标，为该特征点坐标。
26.计算该特征点距图像中心跨越的区域个数为：：其中，r为分区的半径间隔。
27.该特征点的形变量为：其中：为当前特征点的形变量，为中心区域的形变比例，为跨越区域的个数，为该图片的平均形变强度。
28.根据形变量对该特征点进行恢复补偿：其中，为特征点距图像中心点的距离，为当前特征点的形变量。
29.补偿后该特征点的坐标为：补偿后该特征点的坐标为：实施例2如图4所示，本发明提供了一种人脸识别方法，包括以下内容：在一个实施例中，通过对被识别人脸的特征点进行补偿后进行人脸识别，包括：获取补偿后的被识别人脸特征点，将其量化得到人脸胖瘦程度度量标准，然后对人脸胖瘦程度分级，通过dnn网络训练得到人脸胖瘦程度标签值，根据人脸胖瘦程度标签值确实人脸轮廓特征权重值，从而进行相似性比较，完成人脸识别。
30.一般情况下，相机拍摄的图片文件中都会赋存图片的拍摄参数信息，因此通过使用“焦距”作为关键词来检索即可得到图片的焦距信息。
31.为了反映人脸的胖瘦程度，需要用一些能够反映胖瘦特征的特征变量进行衡量，本实施例中采用人脸双下巴的面积，眼、鼻、嘴面积占比以及嘴的宽度在腮部宽度的占比作为衡量人脸胖瘦程度的特征变量，提取方法包括以下内容：通过语义分割得到鼻子、嘴巴、眼睛、双下巴以及脸部区域，分别标注鼻子像素值、嘴巴像素值、眼睛像素值、双下巴像素值以及脸部区域像素值；双下巴面积通过双下巴的像素点个数得到，表示为：；眼、鼻、嘴面积占比：，其中，表示眼、鼻、嘴的面积占比，
为眼、鼻、嘴的像素点个数，为整个脸部的像素个数；嘴的宽度在腮部宽度占比： ，其中，为嘴巴宽度占腮部宽度比值，为嘴巴的宽度，为腮部的宽度。
32.然后对胖瘦程度进行分级，本实施例中将胖瘦程度分为11级，取最胖的等级标记为10，次胖为9，以此类推，标准的为5，最瘦的为0。
33.将获取的补偿后的人脸胖瘦特征值与胖瘦层级分类标量对dnn网络进行训练，其中，人脸胖瘦特征值为输入数据，胖瘦程度层级标量为输出数据，通过dnn网络评估被识别人脸图片与标准数据库中预存人脸图片胖瘦程度得到胖瘦程度标签值。
34.由于人脸的胖瘦需要影响人脸部轮廓变化，对于人脸部眼、鼻、嘴的位置和大小影响较小，因此在进行人脸识别时需根据被识别图片与标准库里预存图片人脸胖瘦差异调整脸部轮廓在进行相似性比较时的权值，然后根据权值调整人脸轮廓在人脸相似性识别的权重。
35.被识别人脸图片与预存库标准人脸图片的胖瘦程度差异值：，根据胖瘦程度差异值调整脸部轮廓特征点权重值：根据经验当时人脸部轮廓特征点的权值取0.01，当时人脸部轮廓特征点权值为0.3，当时权值取0.8，当时人脸部特征点轮廓权值取1。
36.利用几何特征进行人脸识别，同时将人脸轮廓特征点权值融入相似性判断中，即可实现人脸识别。
37.如图5所示，给出了一种人脸识别系统流程图，包括特征提取模块、特征点补偿模块和相似性比较模块。
38.特征点补偿模块：利用像素找出人脸图片的中心位置，以图片中心点为圆心，以r为半径增量画圆，直到最大圆弧与图片短边相切，得到了不同圆环组成的圆环区域。
39.在另一个实施例中，对人脸图片进行分区的方法可以有其他方式，如可以将人脸图片区域分块处理或分段处理，满足控制变量，且焦距间隔相同即可，获得的不同焦距人脸图片的焦距可以有不同的方式，同时在分区处理时焦距间隔也不唯一，本实施例仅是举了一种可行的分区方法，通过其他方法得到的分区图片也属于本发明所保护的内容。
40.在对人脸图片分区后，通过对不同区域内两个特征点连线与标准图片特征点连线进行匹配，获取对应特征点连线的形变比例；由于图片形变主要发生在垂直于区域分界线的方向，所以需要先将两特征点连线后的距离投影到该方向上，然后计算得到被识别而内敛图片特征点相较于标准图片中特征点在梯度方向的形变比例。
41.通过获取的形变比例计算得到平均形变强度数据，通过平均形变强度数据得到特征点的形变量，根据形变量对被识别图像的特征点进行补偿。
42.特征提取模块：提取补偿后的被识别人脸与标准人脸图片的特征信息和对应焦距信息。
43.相似性比较模块：通过提取补偿后的人脸特征信息，综合人脸胖瘦程度层级确定进行人脸轮廓权重值，根据人脸轮廓权重值进行相似性比较，实现人脸识别。
44.以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。