[发明专利]基于图像特征点匹配的人脸识别方法和装置

说明书

本发明提供一种基于图像特征点匹配的人脸识别方法和装置，上述方法包括：根据人脸的标准图像，确认标准图像的第一余弦相似度cosθ1、最优余弦相似度theta和标准数值范围；根据人脸的实时图像，确认实时图像的第二余弦相似度cosθ2；步骤S3：判断所述实时图像的第二余弦相似度cosθ2是否均不在标准数值范围内；若否，则计算在所述标准数值范围内的第二余弦相似度cosθ2对应的特征点的匹配相似度s；根据所述匹配相似度s，确定第三余弦相似度cosθ3；判断第三余弦相似度cosθ3是否在标准数值范围内；若是，则实时图像与该标准图像匹配成功；若否，则实时图像与该标准图像匹配失败。本申请能够实现更加精准的人脸识别。

技术领域

本发明涉及人脸识别技术领域，尤其是涉及一种基于图像特征点匹配的人脸识别方法和装置。

背景技术

当前，随着智能、物联等前沿技术的迅速发展，智能时代已悄然到来，刷脸逐渐成为了新的风潮，刷脸办事正愈发常见。而特征点匹配则是人脸识别中非常重要的环节，它直接影响人脸特征的提取与识别的速度与准确度。在现实应用中，为了保证特征提取的准确性，会选用SIFT、SURF等以准确率为优先的算法，这也导致了为了提高算法计算速度，不得不提升硬件性能。

综上所述，急需寻找一种准确性与实时性兼顾的特征点匹配算法来进行人脸识别。

现有技术一般利用ORB（oriented FAST and rotated BRIEF）图像匹配算法进行人脸识别；ORB图像匹配算法作为实时性图像特征匹配算法的代表，在实时性上满足算法实时性要求（即计算速度快），但其缺点也很明显：

(1)ORB特征描述符是通过随机选择特征点为中心，半径为r的邻域圆内的几组点对比较大小，并按位记录结果（汉明距离匹配算法），所以当图像出现尺度变化时，对应的邻域也会发生变化，导致特征描述符发生变化，从而导致失配。

(2)ORB特征描述符本身不具备邻域的位置和空间信息，它只能描述以特征点为圆心，半径为r的邻域圆的像素信息，如果图像内部出现较多相似区域，会导致相似区域内的特征点其邻域内的像素信息基本一致。这时如果使用汉明距离匹配算法进行匹配，结果会因为相似区域无法分辨而出现较多的误匹配。

发明内容

基于此，本发明的目的在于提供一种基于图像特征点匹配的人脸识别方法和装置，该技术能够提高人脸识别的准确度和速度。

第一方面，本发明实施例提供一种基于图像特征点匹配的人脸识别方法，所述方法包括：步骤S1：根据人脸的标准图像，确认标准图像的第一余弦相似度cosθ1、最优余弦相似度theta和标准数值范围；步骤S2：根据人脸的实时图像，确认实时图像的第二余弦相似度cosθ2；步骤S3：判断所述实时图像的第二余弦相似度cosθ2是否均不在标准数值范围内；步骤S4：若是，则实时图像与该标准图像匹配失败；步骤S5：若否，则计算在所述标准数值范围内的第二余弦相似度cosθ2对应的特征点的匹配相似度s；根据所述匹配相似度s，确定第三余弦相似度cosθ3；步骤S6：判断第三余弦相似度cosθ3是否在标准数值范围内；步骤S7：若是，则实时图像与该标准图像匹配成功；步骤S8：若否，则实时图像与该标准图像匹配失败。

进一步地，步骤S1包括：步骤S1-1：根据标准数据库中的标准图像，获取所述标准图像的特征，得到多个特征点；根据所述特征点，确认特征点矩阵；步骤S1-2：随机抽取所述特征点矩阵中的N个特征点，计算所述N个特征点中的任意两个特征点之间的汉明距离，得到汉明距离值；根据所述汉明距离值，确定第一点对；步骤S1-3：根据所述第一点对中的每个特征点和预设的半径值，确认特征点对；根据所述特征点对，确认每个特征点的描述符；步骤S1-4：根据第一点对中的任意两个特征点的描述符，确认所述两个特征点之间的第一余弦相似度cosθ1；步骤S1-5：根据多个所述第一余弦相似度cosθ1，确定标准图像的最优余弦相似度theta和标准数值范围。