一种智慧门锁用人脸影像优化识别方法与流程

本发明涉及电子设备数据识别，具体涉及一种智慧门锁用人脸影像优化识别方法。

背景技术：

1、人脸识别开锁是智慧门锁的重要功能，智慧门锁的位置固定在门上，因此及容易收到光线的影响，导致采集到的人脸图像出现过曝或者过暗的情况，进一步影响智慧门锁对人脸的识别，因此对人脸影像的优化增强是智慧门锁要实现的重要功能之一。

2、对于智慧门锁识别人脸的场景而言，在图像增强之前需要先提取出图像中的人脸区域，进而对人脸区域进行针对性的增强，避免了全局增强带来的误差和复杂的计算量。但是在现有技术中通常采用神经网络或者云端计算的方式识别图像中的人脸区域，这种方法依托于高速网络和成本较大的计算模型，对于智慧门锁而言并不适用，因此无法实现快速准确的确定人脸区域，无法针对人脸区域图像进行优化增强，导致智慧门锁识别人脸效果较差。

技术实现思路

1、为了解决智慧门锁场景下无法快速准确识别人脸区域进而影响图像增强质量的技术问题，本发明的目的在于提供一种智慧门锁用人脸影像优化识别方法，所采用的技术方案具体如下：

2、本发明提出了一种智慧门锁用人脸影像优化识别方法，所述方法包括：

3、获取智能门锁采集到的正视人脸的人脸图像；获得所述人脸图像的横向梯度图像和纵向梯度图像；

4、将所述横向梯度图像中的边缘进行排列组合，获得横向排列边缘组，根据所述横向排列边缘组中边缘之间的距离获得每条边缘的横向置信度；将所述纵向梯度图像中的边缘进行排列组合，获得纵向排列边缘组，根据所述纵向排列边缘组中边缘之间的距离获得每条边缘的纵向置信度；

5、根据所述横向梯度图像和所述纵向梯度图像获得综合梯度图像；根据所述综合梯度图像中边缘上的梯度信息获得每条边缘的响应程度；根据所述综合梯度图像中每条边缘在所述横向梯度图像中对应的横向置信度、在所述纵向梯度图像中对应的纵向置信度和所述响应程度获得每条边缘的人脸边缘置信度；

6、根据所述人脸边缘置信度筛选出人脸边缘，根据所述人脸边缘获得所述人脸图像中的人脸区域；

7、根据所述人脸区域的亮度变化程度和所述人脸区域内的整体亮度，确定线性增强参数，根据所述线性增强参数对所述人脸图像图像增强优化；根据增强优化后的人脸图像进行人脸识别。

8、进一步地，所述获得所述人脸图像的横向梯度图像和纵向梯度图像包括：

9、利用横向索贝尔算子处理所述人脸图像，获得初始横向梯度图像；利用纵向索贝尔算子处理所述人脸图像，获得初始纵向梯度图像；分别利用大津阈值法进行处理，获得所述初始横向梯度图像对应的所述横向梯度图像和所述初始纵向梯度图像对应的所述纵向梯度图像。

10、进一步地，所述距离获取方法包括：

11、在所述横向梯度图像中，获取每条边缘的平均横坐标，以边缘之间平均横坐标的差异作为所述距离；

12、在所述纵向梯度图像中，获取每条边缘的平均纵坐标，以边缘之间平均纵坐标的差异作为所述距离。

13、进一步地，所述横向置信度的获取方法包括：

14、选择四条边缘进行排列组合获得所述横向排列边缘组，采用横向组合置信度公式获取所述横向排列边缘组的横向组合置信度，所述横向组合置信度公式包括：

15、

16、其中，为横向排列边缘组的横向组合置信度；、、、分别为所述横向排列边缘组中四条边缘按照横向顺序依次排序的序号；为边缘和边缘之间的距离，为边缘和边缘之间的距离；为边缘和边缘之间的距离；

17、将每条边缘对应的所有所述横向排列边缘组中的最大横向组合置信度作为对应边缘的所述横向置信度。

18、进一步地，所述纵向置信度的获取方法包括：

19、选择六条边缘进行排列组合获得所述纵向排列边缘组，采用纵向组合置信度公式获取所述纵向排列边缘组的纵向组合置信度，所述纵向组合置信度公式包括：

20、

21、其中，为纵向排列边缘组的纵向组合置信度；、、、、、分别为所述纵向排列边缘组中六条边缘按照纵向顺序依次排序的序号；为边缘和边缘之间的距离，为边缘和边缘之间的距离；为边缘和边缘之间的距离；为边缘和边缘之间的距离，为边缘和边缘之间的距离；

22、将每条边缘对应的所有所述纵向排列边缘组中的最大纵向组合置信度作为对应边缘的所述纵向置信度。

23、进一步地，所述根据所述横向梯度图像和所述纵向梯度图像获得综合梯度图像包括：

24、分别获取所述横向梯度图像对应的横向边缘二值图和所述纵向梯度图像对应的纵向边缘二值图；将所述横向边缘二值图和所述纵向边缘二值图合并获得边缘二值图；

25、根据所述横向梯度图像和所述纵向梯度图像中每个像素点的梯度值获得综合梯度值，将所述边缘二值图中的每个边缘像素点的像素值设置为所述综合梯度值，获得所述综合梯度图像。

26、进一步地，所述根据所述综合梯度图像中边缘上的梯度信息获得每条边缘的响应程度包括：

27、将所述综合梯度图像中每个边缘像素点的所述综合梯度值归一化，获得初始响应程度；将所述综合梯度图像中每条边缘上边缘像素点的平均初始响应程度作为所述响应程度。

28、进一步地，所述人脸边缘置信度的获取方法包括：

29、获取所述综合梯度图像中每条边缘在所述横向梯度图像中所有对应边缘的平均横向置信度；获取所述综合梯度图像中每条边缘在所述纵向梯度图像中所有对应边缘的平均纵向置信度；将所述平均横向置信度、所述平均纵向置信度和所述响应程度之间的平均值作为所述人脸边缘置信度。

30、进一步地，所述线性增强参数获取方法包括：

31、所述线性增强参数包括第一线性增强参数和第二线性增强参数；

32、以所述人脸区域中的平均灰度值作为所述整体亮度，以所述人脸区域中所有相邻两个像素点之间的灰度值差异的平均值作为所述亮度变化程度；获取智慧门锁数据库中历史人脸区域的平均整体亮度和平均亮度变化程度；将所述平均整体亮度与所述人脸区域的所述整体亮度之间的差值作为第一线性增强参数；将所述人脸区域的所述亮度变化程度与所述平均亮度变化程度之间的差异作为第二线性增强参数。

33、进一步地，所述根据所述线性增强参数对当前帧的所述人脸图像图像增强优化包括：

34、将所述人脸区域中像素点的原始灰度值乘以所述第二线性增强参数后与所述第一线性增强参数相加，获得所述人脸区域中每个像素点的增强灰度值。

35、本发明具有如下有益效果：

36、本发明考虑到人脸各个部分具有明显的比例，因此将人脸图像分为横向梯度图像和纵向梯度图像并分别分析两张梯度图像中边缘之间的距离比例。根据现有已知的人脸比例信息，通过排列组合获得的横向排列边缘组或者纵向排列边缘组分析每条边缘的横向置信度或者纵向置信度。进一步考虑到边缘自身的梯度信息，梯度信息越大说明对应边缘参考性越强，因此获得响应程度并结合横向置信度和纵向置信度获得人脸边缘置信度。根据人脸边缘置信度能够准确筛选出参考性强的人脸边缘并确定人脸图像中的人脸区域。使得智慧门锁能够根据本地算法快速准确的识别出人脸区域，降低了识别算法成本。进一步分析人脸区域中的亮度特征，通过线性增强系数消除光照对人脸图像的影响，实现准确的人脸区域识别和人脸影像优化，进而使得智慧门锁能够有效识别出人脸信息。