一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法

一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法
1.技术领域
2.本发明涉及图像识别技术领域，具体涉及一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法。


背景技术：

3.近年来，网络发展迅速。信息安全的隐患日益突出，但是同时信息的识别与检测也被日益重视，现如今已经涉及我们生活的方方面面，生活中所使用的磁卡、号码等识别方式都存在着容易丢失、容易伪造的缺点，随着技术的不断革新，传统的身份识别方式已经受到越来越严峻的挑战。在这样的背景之下人们开始把视线转向基于生物特性上的识别尤其是人脸识别，由于人脸是与生俱来的，具有唯一性并且不容易被使用者复制，这为多种类型用户的生物身份识别方式提供了方便，这样的识别方式可以提高信息安全度，从而推动信息安全的发展。
4.文献“申请公布号是cn108090340a的中国发明专利”公开了一种人脸识别处理方法。该人脸识别处理方法包括：触发智能终端进行人脸识别；若人脸识别失败，则存储当次人脸识别所捕获的图像，并返回执行所述触发智能终端进行人脸识别的步骤，人脸识别成功时，判断之前人脸识别失败的原因是否存在姿态原因；若存在姿态原因，则输出第二提示信息，所述第二提示信息用以提示用户后续按照预设的姿态标准进行人脸识别，但是该方法人脸识别率较低，影响识别效果。
5.文献“申请公布号是cn111291740b的中国发明专利”公开了一种人脸识别模型的训练方法。该方法获取样本对象对应至少两种模态图像的人脸特征数据。对样本对象对应至少两种模态图像的人脸特征数据进行特征融合，得到样本对象对应的人脸融合特征数据。以样本对象对应的人脸融合特征数据作为人脸识别模型的输入，以样本对象对应的识别分类标签作为人脸识别模型的输出，对人脸识别模型进行训练。该方法主要进行人脸模型的训练，缺少对人脸的识别结果。
6.文献“申请公布号是cn112200115a的中国发明专利”公开了人脸识别训练方法、识别方法、装置、设备及存储介质。该人脸识别训练方法包括：将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到原始人脸识别模型的输出值；其中，原始人脸识别模型包括：特征提取网络、区域生成网络、第一筛选层、roialign池化层、分类层、第二筛选层以及框回归层；第一筛选层用于筛选区域生成网络的输出，第二筛选层用于筛选分类层的输出；采用输出值计算交叉熵损失；采用第二筛选层的输出计算eiou损失；将交叉熵损失与eiou损失之和作为目标损失优化原始人脸识别模型，得到目标人脸识别模型，该方法主要是对人脸进行训练及存储，缺乏人脸的分析匹配识别过程。
7.文献“申请公布号是cn112889062a的中国发明专利”公开了一种是动态人脸模型
识别数据处理方法。包括：移动设备接收动态人脸识别错误反馈信息，根据所述人脸识别错误反馈信息调整当前人脸识别算法中对应的识别控制阈值；及根据调整识别控制阈值后的当前人脸识别算法进行人脸识别。该方法主要基于对动态人脸进行数据处理，无法对人脸进行识别。
8.文献“申请公布号是cn112364698a的中国发明专利”公开了一种基于卷积神经网络的动态目标识别方法。该方法公开了一种基于卷积神经网络的人脸识别方法及装置。所述方法包括：采用第一人脸数据库对基于tensorflow的卷积神经网络进行训练，得到第一人脸识别模型；采用第二人脸数据库对所述第一人脸识别模型进行测试，根据测试结果对所述第一人脸识别模型进行修正，得到第二人脸识别模型；采用所述第二人脸识别模型进行人脸识别。本方案采用基于tensorflow的卷积神经网络，可以充分利用有限的数据提高卷积神经网络的性能。该方法主要通过卷积神经网络进行动态人脸识别，缺乏对人脸的分析匹配识别效果，识别速度慢。
9.综上，传统的人脸识别方法大部分都存在训练速度慢、人脸识别不精准的情况，亟需一种可以提升人脸模型的训练速度、提高人脸模型识别精准率的人脸识别方法。


技术实现要素：

10.发明目的：针对现有技术中存在的问题，本发明提供一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，利用改进的等密度线分析匹配统计模型算法，得到了训练后的人脸等密度分析匹配模型，从而实现人脸识别。
11.技术方案：本发明提供了一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，包括如下步骤：步骤1：获取用户人脸图像，并对其进行预处理；步骤2：对步骤1中预处理后的人脸图像数据进行数据增强，对增强后的数据图像进行标注，并将标注后的人脸图像数据集划分为训练集和测试集，根据等密度分类器输出改进的人脸图像训练集；步骤3：输入并遍历人脸图像训练集，改进等密度算子，生成人脸图像训练集样本的等密度近邻矩阵e，计算样本的等密度近邻距离l与等密度距离矩阵m，用圆形邻接区域代替正方形邻接区域，将人脸图像训练集样本输入局部二值模式均匀算子进行编码压缩，编码压缩后的人脸图像进行分块重组，重新组合的人脸图像经过流形空间降维后提取人脸特征，设置等密度线分析环境，得到人脸图像训练集样本的等密度图与等密度阈值dt，判断等密度阈值dt是否达到停止准则，完成人脸等密度分析匹配识别模型frm的训练与统计；步骤4：输入步骤2中人脸图像测试集与步骤3中人脸等密度分析匹配识别模型frm，寻找svm最优等密度参数；将人脸图像测试集样本与与步骤3中编码压缩并分块重组处理后的人脸图像样本进行比较后，识别出人脸图像测试集样本，并输出人脸等密度模型匹配分类图像识别结果；步骤5：利用人脸等密度分析匹配识别模型frm进行人脸识别。
12.进一步地，所述步骤1中的预处理过程包括：(1.1) 获取人脸图像后，经过pil解码为三通道的“rgb”图像格式；(1.2) 经过ycbcr模式将人脸图像img1转换为24位彩色图像，输出人脸图像img1；
(1.3) 对人脸图像进行阈值化，将人脸图像变换到同一个仿射尺度或者投影尺度上；(1.4)对人脸图像img1进行图像灰度化处理，得到人脸图像img1
s1
，并进行直方图均衡化，计算灰度级中每个像素在整幅图像中的个数，计算每个像素在人脸图像img1
s1
的概率分布，对灰度级进行遍历搜索、拉伸像素强度分布范围增强图像比对度，得到人脸图像img1
s2
；(1.5) 对img1
s2
进行灰度拉伸，得到人脸图像img1
s3
；(1.6) 运用otsu阈值化方法对img1
s3
进行图像二值化处理，得到人脸图像img1
s4
；(1.7) 对img1
s4
进行图像边缘检测分割处理，进行滤波去噪、边缘特性增强、阈值化检测，得到人脸图像img1
s5
，得到预处理后的人脸图像img2；(1.8) 对人脸图像img2经过变换到同一个方向和同一个尺度上后得到人脸图像img3。
13.进一步地，所述步骤2中数据增加操作具体包括：(2.1) 输入步骤2中获得的人脸图像img3，对人脸图像img3进行多次缩小，得到人脸图像数据集img3
d1
；(2.2) 对人脸图像img3进行多次放大，得到人脸图像数据集img3
d2
；(2.3) 对人脸图像img3失真处进行裁剪，得到人脸图像img3
s1
；(2.4) 对人脸图像img3进行翻转得到人脸图像img3
s2
；(2.5) 对人脸图像img3进行反射得到人脸图像img3
s3
；(2.6) 对人脸图像img3进行平移得到人脸图像img3
s4
；(2.7) 对人脸图像img3进行旋转得到人脸图像img3
s5
；(2.8) 组合人脸图像img3
s1
、img3
s2
、img3
s3
、img3
s4
、img3
s5
和人脸图像数据集img3
d1
、img3
d2
得到人脸图像数据集d1。
14.进一步地，所述步骤2中根据等密度分类器输出改进的人脸图像训练集的具体操作为：(2.9) 定义模式等密度类，选取人脸图像训练集输入等密度分类器；(2.10) 等密度分类器对人脸图像训练集进行等密度分析分类，得到总分类次数m；(2.11) 第d次等密度分类时输入等密度分类器输出响应，将等密度分类矩阵加入响应矩阵，输出最低响应，将最低响应加入训练集对等密度分类器进行等密度分类；(2.12) 得到等密度分析分类改进后的人脸图像训练集。
15.进一步地，所述步骤3中的人脸图像训练集输入均匀算子进行编码的操作为：(3.1) 输入步骤2中等密度分析分类改进后的人脸图像训练集d5，对等密度算子进行了改进，将 3
×
3 邻域扩展到任意邻接区域，并用圆形邻接区域代替了正方形邻接区域，生成人脸图像样本的等密度近邻矩阵e；(3.2) 输入等密度近邻矩阵e，计算样本间的等密度近邻距离，生成等密度距离矩阵m；(3.3) 输入等密度距离矩阵m，给特征加上人脸匹配尺度因子，将等密度分析分类改进后的人脸图像训练集d5输入局部二值模式均匀算子进行编码压缩。
16.进一步地，所述步骤3中人脸等密度分析匹配识别模型frm训练过程为：(3.4) 将经过局部二值模式均匀算子编码压缩后的人脸图像按照4
×
4进行不均匀分块，提取中间四块组合图像成人脸组合图像；(3.5) 构建流形空间，添加加法与数乘运算，将(3.4)中分块组合后的人脸图像输入到流形空间中经过降维后提取人脸特征，计算出等密度人脸特征中任意两个样本间的距离，得到距离矩阵dist，计算密度矩阵den；(3.6) 输入给定半径rt范围内的样本点数目，对于密度矩阵den中的每一行，找出其中距离小于半径距离rt的数目，得到样本矩阵的等密度图；(3.7) 根据密度矩阵den与等密度图确定等密度阈值dt；(3.8) 对于每一个密度大于密度阈值dt 的样本a，如果样本b和a 的距离小于rt，并且b的密度也大于dt，则把a所在的类和b所在的类合并为一个类，把所有这样的类都进行合并，得到等密度聚类结果；(3.9) 初始化局部累积变量，判断是否达到停止准则，满足条件转入步骤(3.11)，否则转入步骤(3.10)计算累积平方特征梯度，更新人脸特征梯度参数，通过等密度线阈值来调整密度阚值dt，从而对聚类结果进行优化，根据等密度阈值dt的值决定聚类结果；(3.10) 根据优化后的聚类结果调整邻域大小rt，使领域大小介于所有样本间距离的最小值min(dist)与最大值之间max(dist)，即min(dist)≤rt≤max(dist)；(3.11) 更新局部保留连接函数权值，调整损失最大偏导参数相应的等密度学习率；(3.12) 调整混合高斯分布损失函数加权系数值，扩大人脸等密度特征空间距离；调整正则化损失函数加权系数，使人脸模型更简单泛化；(3.13) 等密度分析分类改进后的人脸图像训练集d5的数据全部循环完毕后，人脸等密度分析匹配识别模型frm训练完成。
17.进一步地，所述步骤4中寻找svm最优等密度参数的具体操作为：(4.1) 选择 gauss 核函数作为 svm 等密度分类器的核函数；(4.2) 设置svm等密度参数范围；(4.3) 运用粒子群算法对等密度参数进行改进优化；(4.4) 获取svm最优等密度参数。
18.进一步地，所述步骤4中利用人脸图像测试集对人脸等密度分析匹配识别模型frm测试并输出人脸等密度模型匹配分类图像识别结果的具体操作为：(4.5) 根据最优等密度参数，建立最优svm等密度分类器；(4.6) 输入人脸图像测试集d4，将人脸图像测试集测试样本d4投影到步骤3训练阶段得到的人脸等密度分析匹配识别模型frm上；(4.7) 求取人脸图像测试集测试样本d4的协作表示系数；(4.8) 利用协作表示系数构造等密度人脸样本类型类内图与类间图；(4.9) 根据人脸样本类内图与类间图，构造人脸识别类内散布矩阵与类间散布矩阵；(4.10) 通过最大化类间散度与类内散度的比值求取人脸图像投影矩阵，并利用人脸图像投影矩阵提取人脸图像训练集d5与待识别测试样本d4的整体模型差异；
(4.11) 利用人脸等密度分析匹配识别模型frm对测试样本d4进行识别；(4.12) 根据(4.5)中最优svm等密度分类器与人脸标识信息，将人脸图像训练集d5与待识别测试样本d4进行分类匹配；(4.13) 根据人脸模型进行人脸模型匹配，并显示识别的人脸图像信息ft result
s3
；(4.14) 循环人脸图像测试集d4中的所有测试样本，循环（4.9）至（4.13），最终输出人脸等密度模型匹配分类图像识别结果集ft result。
19.有益效果：1、本发明基于人脸图像数据集，利用改进的等密度线分析匹配统计模型算法，得到了训练后的人脸等密度分析匹配模型，从而实现人脸识别。
20.2、本方法使用非重叠的采样窗口扫描图像，减少了人脸训练与识别的计算量，分析等密度线分析结果提高了识别的稳定性，不需要对每个人脸模型都计算相似度，并且几乎不降低识别率的前提下，提高识别的速度，提高了信息安全度，推动了信息安全的发展。
附图说明
21.图1为本发明的总体流程图；图2为人脸图像检测及预处理的流程图；图3为人脸数据增强并将其分成训练集和测试集的流程图；图4为训练人脸等密度分析匹配识别模型的流程图；图5为对人脸图像测试集进行识别的流程图。
具体实施方式
22.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
23.本发明公开了一种于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，参见附图1至附图5，主要包括如下步骤：步骤1：上传用户人脸图像，从中选出合适分析匹配的人脸图像img1，人脸检测判断是否含有人脸，对人脸图像进行筛选，将人脸图像转换成jpg格式的人脸图像img2，对img2进行预处理，得到预处理后的人脸图像img3。具体流程图参见附图2。
24.步骤1.1：打开人脸识别设备；步骤1.2：设备上传用户人脸图像，判断是否含有人脸。
25.步骤1.3：在整个人脸图像范围内逐个判定候选区域进行扫描；步骤1.4：限制得到人脸区域的范围maxsize；步骤1.5：接受人脸图像时，经过pil解码为三通道的“rgb”图像格式；步骤1.6：经过ycbcr模式将人脸图像img1转换为24位彩色图像，判断图像转换是否成功；步骤1.7：输出人脸图像img1；步骤1.8：对人脸图像进行阈值化，将人脸图像变换到同一个仿射尺度或者投影尺度上，使图像中各个像素的阈值随着周围领域块的变化而变化，转入步骤(1.9)；
步骤1.9：引入opencv运行库对人脸图像img1进行图像灰度化处理，得到人脸图像img1
s1
；步骤1.10：对img1
s1
进行直方图均衡化，计算灰度级中每个像素在整幅图像中的个数，计算每个像素在人脸图像img1
s1
的概率分布，对灰度级进行遍历搜索、拉伸像素强度分布范围增强图像比对度，得到人脸图像img1
s2
；步骤1.11：对img1
s2
进行灰度拉伸，得到人脸图像img1
s3
；步骤1.12：运用otsu阈值化方法对img1
s3
进行图像二值化处理，得到人脸图像img1
s4
；步骤1.13：对img1
s4
进行图像边缘检测分割处理，进行滤波去噪、边缘特性增强、阈值化检测，得到人脸图像img1
s5
；步骤1.14：得到预处理后的人脸图像img2，步骤1.15：经过变换到同一个方向和同一个尺度上，将图像变换到同一个仿射尺度或者投影尺度后得到人脸图像img3。
26.步骤2：预处理后的人脸图像变换到同一个方向和同一个尺度上，将图像变换到同一个仿射尺度或者投影尺度上，图像数据增强后得到人脸图像数据集d1，对人脸图像数据集d1进行标注得到人脸数据集d2，将标注后的人脸图像数据集d2分为人脸图像训练集d3与人脸图像测试集d4，根据分类器输出改进的人脸训练集d5。具体流程图参见附图3。
27.步骤2.1：输入人脸图像img3；步骤2.2：对人脸图像img3进行多次缩小，得到人脸图像数据集img3
d1
；步骤2.3：对人脸图像img3进行多次放大，得到人脸图像数据集img3
d2
；步骤2.4：对人脸图像img3失真处进行裁剪，得到人脸图像img3
s1
；步骤2.5：对人脸图像img3进行翻转得到人脸图像img3
s2
；步骤2.6：对人脸图像img3进行反射得到人脸图像img3
s3
；步骤2.7：对人脸图像img3进行平移得到人脸图像img3
s4
；步骤2.8：对人脸图像img3进行旋转得到人脸图像img3
s5
；步骤2.9：组合人脸图像img3
s1
、img3
s2
、img3
s3
、img3
s4
、img3
s5
和人脸图像数据集img3
d1
、img3
d2
得到人脸图像数据集d1；步骤2.10：人脸图像数据增强结束，得到数据增强后的人脸图像数据集d1；步骤2.11：定义变量size1，赋初值为1，用于计算数据增强后的人脸图像数据集d1的数据量；步骤2.12：定义循环变量s1，赋初值为1，用于遍历数据增强后的人脸图像数据集d1，并且满足s1∈[1,size1]；步骤2.13：若s1≤size1，则进入步骤2.14，否则进入步骤2.17；步骤2.14：输入人脸图像img
s1
；步骤2.15：人脸图像img
s1
进行定位标注；步骤2.16：令s1=s1 1，进入步骤2.15；步骤2.17：得到标注后的人脸图像数据集d2和人脸图像标签集fs；步骤2.18：按照7:3的比例将标注后的人脸图像数据集d2分为人脸图像训练集d3与人脸图像测试集d4。
[0028]
步骤2.19：定义模式等密度类，选取人脸训练集d3输入等密度分类器；步骤2.20：等密度分类器对人脸训练集d3进行等密度分析分类，得到总分类次数m；步骤2.21：第d次等密度分类时输入等密度分类器输出响应；步骤2.22：将等密度分类矩阵加入响应矩阵；步骤2.23：输出最低响应，将最低响应加入训练集对等密度分类器进行等密度分类；步骤2.24：得到等密度分析分类改进后的人脸图像训练集d5。
[0029]
步骤3：输入并遍历人脸图像训练集，改进等密度算子，生成人脸图像训练集样本的等密度近邻矩阵e，计算样本的等密度近邻距离l与等密度距离矩阵m，用圆形邻接区域代替正方形邻接区域，将人脸图像训练集样本输入局部二值模式均匀算子进行编码压缩，编码压缩后的人脸图像进行分块重组，重新组合的人脸图像经过流形空间降维后提取人脸特征，设置等密度线分析环境，得到人脸图像训练集样本的等密度图与等密度阈值dt，判断等密度阈值dt是否达到停止准则，完成人脸等密度分析匹配识别模型frm的训练与统计。具体流程图参见附图4。
[0030]
步骤3.1：输入等密度分析分类改进后的人脸图像训练集d5；步骤3.2：假设等密度分析分类人脸图像训练集d5的数据集大小为size2，满足size2= 7/10size1；步骤3.3：定义循环变量s2，用于遍历人脸图像训练集d5，赋初值为1，并且满足s2∈[1,size2]；步骤3.4：输入等密度分析分类人脸图像训练集d5
s2
；步骤3.5：为了适应不同的人脸纹理特征，并使人脸图像灰度和旋转性不变，对等密度算子进行改进，将3
×
3邻域扩展到任意邻接区域，并用圆形邻接区域代替了传统正方形邻接区域，等密度算子生成人脸图像d5
s2
的等密度近邻矩阵e
s2
；步骤3.6：输入等密度近邻矩阵e
s2
，计算样本间的等密度近邻距离l，生成等密度距离矩阵m；步骤3.7：输入等密度距离矩阵m，给特征加上人脸匹配尺度因子，将人脸图像d5
s2
输入局部二值模式均匀算子进行编码压缩，得到人脸图像d5
s2-1
；步骤3.8：将人脸图像d5
s2-1
按照4
×
4进行不均匀分块；步骤3.9：提取中间四块组合图像成人脸图像d5
s2-2
；步骤3.10：构建流形空间，添加加法与数乘运算，将分块组合后的人脸图像d5
s2-2
输入到流形空间中经过降维后提取人脸特征；步骤3.11：定义等密度线分析类与等密度线分析函数；步骤3.12：设置等密度线分析环境；步骤3.13：计算出任意两个人脸特征样本间的距离，得到距离矩阵dist，计算密度矩阵den；步骤3.14：输入给定半径rt范围内的样本点数目，对于密度矩阵den中的每一行，找出其中距离小于半径距离rt的数目，得到样本d5
s2
的等密度图；步骤3.15：根据密度矩阵与等密度图确定等密度阈值dt；
步骤3.16：初始化局部累积变量；步骤3.17：判断等密度阈值dt是否达到停止准则，满足条件转入步骤3.19，否则转入步骤3.18；步骤3.18：计算累积平方特征梯度，更新人脸特征梯度参数，调整等密度阚值dt，从而对聚类结果进行优化，根据等密度阈值dt与局部累计变量决定聚类结果，根据优化后的聚类结果调整邻域大小rt，使领域大小介于所有样本间距离的最小值min(dist)与最大值之间max(dist)，即min(dist)≤rt≤max(dist)；步骤3.19：更新局部保留连接函数权值，调整损失最大偏导参数相应的等密度学习率；步骤3.20：调整混合高斯分布损失函数加权系数值，扩大人脸等密度特征空间距离。调整正则化损失函数加权系数，使人脸模型更简单泛化，转入步骤3.4；步骤3.21：令s2=s2 1，进入步骤3.4，当循环变量s2《size2时，循环停止；步骤3.22：人脸等密度分析匹配识别模型frm训练完成，扩大模型统计规模，拟合优度检验。
[0031]
步骤4：输入人脸图像测试集d4与人脸等密度分析匹配识别模型frm，寻找svm最优等密度参数，选择 gauss 核函数作为 svm 等密度分类器的核函数，运用粒子群算法对等密度参数进行改进优化，将人脸图像测试集样本与与步骤3中编码压缩并分块重组处理后的人脸图像样本进行比较后，识别出人脸图像测试集测试样本d4
s3
，并输出人脸等密度模型匹配分类图像识别结果。在识别过程中，采用最近邻近法进行人脸模型分析匹配分类，利用欧式距离来衡量测试样本d4i的相似度。具体流程图参见附图5。
[0032]
步骤4.1：输入人脸图像测试集d4和人脸等密度分析匹配识别模型frm；步骤4.2：选择 gauss 核函数作为 svm 等密度分类器的核函数；步骤4.3：设置svm等密度参数范围；步骤4.4：运用粒子群算法对等密度参数进行改进优化；步骤4.5：判断是否找到svm最优等密度参数，找到最优等密度参数则进入步骤4.6，否则进入步骤4.4；步骤4.6：根据最优等密度参数，建立最优svm等密度分类器；步骤4.7：输入人脸图像测试集d4，假设人脸图像训练集d4的数据集大小为size3，满足size3= 3/10size1；步骤4.8：定义循环变量s3，用于遍历人脸图像测试集d4，赋初值为1，并且满足s3∈[1,size3]；步骤4.9：输入人脸图像测试机测试样本d4
s3
；步骤4.10：将测试样本d4
s3
投影到步骤3训练阶段得到的人脸等密度分析匹配识别模型frm；步骤4.11：求取测试样本d4
s3
的协作表示系数；步骤4.12：利用协作表示系数构造等密度人脸样本类型类内图与类间图；步骤4.13：根据人脸样本类内图与类间图，构造人脸识别类内散布矩阵与类间散布矩阵；步骤4.14：通过最大化类间散度与类内散度的比值求取人脸图像投影矩阵，并利
用人脸图像投影矩阵提取训练样本d5
s2
与待识别样本d4
s3
的整体模型差异；步骤4.15：利用人脸等密度分析匹配识别模型frm对人脸图像测试集测试样本d4
s3
进行识别；步骤4.16：根据最优svm等密度分类器与人脸标识信息将人脸图像训练集样本d5
s2
与待识别测试样本d4
s3
的进行分类匹配；步骤4.17：根据人脸模型进行人脸模型匹配，并显示识别出的人脸图像信息ft result
s3
；步骤4.18：令s3=s3 1，进入步骤4.9；步骤4.19：得到人脸等密度模型匹配分类图像识别结果集ft result。
[0033]
步骤5：利用人脸等密度分析匹配识别模型frm进行人脸识别，开放人脸等密度分析匹配识别接口fr api，人脸等密度分析匹配识别接口frm api对人脸进行等密度分析匹配识别，并将识别出的人脸信息face info返回。
[0034]
步骤5.1：开放人脸等密度分析匹配识别接口fr api；步骤5.2：创建线程池thread pool；步骤5.3：判断线程池thread pool所有任务是否执行完毕，如果所有任务执行完毕，则进入步骤5.16，否则进入步骤5.4；步骤5.4：打开进程池；步骤5.5：子线程child thread获取任务处理；步骤5.6：子线程child thread统计人脸等密度匹配模型进行人脸分析匹配；步骤5.7：人脸识别接口fr api调用人脸等密度分析匹配识别模型frm对人脸进行识别；步骤5.8：判断是否属于同一人脸，属于则进入步骤5.9，不属于则进入步骤5.10；步骤5.9：更新当前人脸标识符trackid；步骤5.10：分配给当前人脸新的人脸标识符trackid；步骤5.11：判断该人脸标识符是否已识别，已识别则转入步骤5.13，未识别则转入步骤5.12；步骤5.12：插入人脸等密度分析匹配识别处理队列；步骤5.13：显示人脸等密度分析匹配信息，以及当前识别度等信息；步骤5.14：将识别出的人脸等密度分析匹配信息face info返回；步骤5.15：结束该子进程child thread，进入步骤5.3；步骤5.16：关闭线程池thread pool；步骤5.17：人脸识别结束。
[0035]
按照上述步骤1-5进行改进等密度线分析匹配模型统计算法，如表2所示，对比未改进的人脸等密度线分析匹配模型算法与卷积神经网络算法，改进的人脸等密度线分析匹配模型算法在模型训练速度方面相比未改进的人脸等密度线分析匹配模型算法提高了13.8%，此外人脸识别速度与精度均得到提升，识别速度控制在0.5秒以内，人脸识别精度达到99.6%，未改进的人脸等密度线分析匹配模型算法有所提升。
[0036]
表2 算法结果比对 改进的人脸等密度线分析匹配模型算法未改进的人脸等密度线分析匹配模型算法卷积神经网络算法模型训练时间15.7小时16.8小时18小时
识别速度0.218秒0.221秒0.561秒识别精准度99.6�.2�.4%
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。