一种基于重点区域特征比对的人脸识别方法与系统

摘要

本发明属于人脸识别技术领域，具体涉及一种识别速度更快、精度更高的基于重点区域特征比对的人脸识别方法与系统。一种基于重点区域特征比对的人脸识别方法，包括人脸图像采集；人脸校准；通过分类器对人脸特征进行分类；进行重点区域的人脸特征提取；对重点区域的人脸特征进行比对完成人脸识别；特征分析进行深度学习。本发明包括了提取人脸特征、进行特征校准、用误差率判断和分类，最终来达到人脸识别的目的，通过多模型融合来达到提高准确率的目的。

说明书

技术领域

本发明属于人脸识别技术领域，具体涉及一种识别速度更快、精度更高的基于重点区域特征比对的人脸识别方法与系统。

背景技术

人脸识别无时无刻发生在日常生活中，它是指根据人的脸部特征信息进行身份确认的过程。人类大脑可以轻而易举地通过观察到的人脸来判断其身份，但对于计算机而言却不是一件容易的事情。一般而言，自动人脸识别是指首先采用图像采集设备采集包含人脸的静态图像或动态视频流，然后通过计算机算法自动在图像或视频流中检测和跟踪人脸，进而对检测或跟踪到的人脸进行脸部特征信息提取并识别的过程。人脸识别的始研究于上世纪六十年代，历经五十多年的发展，己经取得了长足的进步。尤其是近几年来，随着人工智能技术发展所掀起的热潮，人脸识别技术更是引起了学术界和产业界的广泛关注，其不但是计算视觉研究领域的一个重要分支，更是模式识别领域的热门话题，同时也是人工智能在社会生活中一个重要的应用实例。

那么，为什么如今人脸识别会受到如此关注？为什么能够成为时下科技界和产业界的“宠儿”一个重要的原因在于其在理论研究和实际应用中都意义重大。在学术研究领域，一方面，人脸识别的研究有助于对人类自身人脸识别机制的深入了解和研究；另一方面，作为计算机视觉研究领域的重要分支，对人脸识别算法的研究可以促进相关学科的发展。在应用领域，随着图像采集技术的进步和采集设备的普及(无人机，高清摄像头，手持设备等)以及互联网技术的快速发展，使得采集到的人脸在数量和质量上都有了很好的改善；同时随着大数据技术的发展，促进了非结构化数据向结构化的转换，这些技术的进步使得人脸识别的实用价值越来越大，涉及范围也越来越广，加快了人脸识别技术的全面实用化进程。具体而言，人脸识别广泛应用于以下方面：

身份验证：通常将预先采集的人脸注册图像作为数字身份，一旦注册成功，就可以与待验证的人脸图像进行比对并判断其身份。如今，电子商务变得越来越普及，“刷脸”支付的时代也即将到来，如何保证网上交易的快捷性和可靠性越来越受到人们的重视。阿里巴巴、百度钱包等逐步推行”刷脸”支付系统，另外，旷视科技也在着力推进人脸识别在金融服务领域的应用，即将推出人脸开户系统。安全领域：安全领域是人脸识别最早也是最主要的应用领域，主要包括安防监控和公共安全。随着平安城市和智慧城市建设的开展，人脸识别在视频监控系统领域大展拳脚，用于对人物属性和身份的智能分析。以海康威视为代表的安防企业相继推出人脸信息提取识别检索系统，主要功能包括：人脸检索、人脸抓拍以及人脸实时比对。人脸图像检索：人脸图像检索和分析是人脸识别在互联网时代的一个重要应用。互联网上有海量的图像，而且每天都有大量新的图像上传到互联网上，这些图像又包含很多人物图像，要对这些人物图像进行检索和分析，人脸识别是不可或缺的技术手段。在对人脸识别的研究方向进行探索时，清华大学的舒畅、下晓青、方驰等人在2011年发表的《多特征局部与全局融合的人脸识别方法》中，提出了一种在肯定局部特征作用的前提下，于分数层上对全局和局部特征进行融合的人脸识别方法；武没大学的张霎、王文伟等人在2015年发表的《基于局部二值模式和深度学习的人脸识别》中提出了一种在深度学习的同时保留人脸局部结构特征的识别方法。电子科技大学的宋铁成等人在2015年发表的《图像局部特征的提取与描述方法研究》中提出，研究局部特征方法具有重要意义。北京大学的马晓、张番栋、封举富等人在2016年发表的《基于深度学习特征的稀疏表示的人脸识别方法》中依然选择了从特征的层面入手去增强人脸识别的准确度；这些研巧思路均不同程度的表明了局部特征方法对于人脸识别具有重要意义，说明对局部特征方法进行改进是十分有意义的研究方向。

然而上述方法在进行局部特征分析时对于重点区域的研究还不够成熟，或者说对于重点区域特征分析对于提高识别效果的意义认识还不够充分，将人脸的重点区域进行识别进一步减少了识别方法的运算量，同时也有利于进一步提高辨识精度。

发明内容

本发明的目的在于提供一种能够提高辨识速度和辨识准确度的基于重点区域特征比对的人脸识别方法与系统。

本发明的目的是这样实现的：

一种基于重点区域特征比对的人脸识别方法，包括如下步骤：

(1)人脸图像采集：

图像采集设备实时采集彩色图像，按照RGB(红绿蓝)颜色模式，即每个像素的颜色由红绿蓝三个分量表示，将彩色图像进行灰度化处理，取值范围均为0至255的灰度值或亮度值；0为最暗表示黑色，255为最亮表示白色；

所述的灰度化处理具体包括：以彩色图像左上角为零点坐标、彩色图像上边界为x轴、彩色图像左边界为y轴；对于坐标为(x，y)的像素，分别用R(x，y)、G(x，y)、B(x，y)表示该像素点的红绿蓝三个分量，用q(x，y)表示灰度化后该像素的灰度值；则：

q(x,y)＝Max[R(x,y),G(x,y),B(x,y)]，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于150；

R(x,y),G(x,y),B(x,y)中任意一项亮度值小于等于100；

q(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于100，小于等于150；

(2)人脸校准：

确定采集到的彩色图片中人脸重点区域的各个基准点，重点区域包括：眼角区域Y，嘴角区域Z，鼻尖区域J，瞳孔区域T的坐标；根据基准点的坐标(x,y)以及各个基准点所在重点区域的特征曲线，进行人脸切割，得到校正的图像用于人脸特征提取；

所述的，人脸切割包括：

设定各基准点所在区域的标准曲线及标准曲线的斜率范围K_标和斜率库；

将将各基准点的特征曲线均匀地划分为n个小段，并把这些小段调整为直线，即样本直线，计算出样本直线的斜率K_样，当K_样的取值范围在K_标内时，保留该直线，当K_样的取值范围不在K_标内时，计算标准曲线和样本曲线在同一区域内各个小段的斜率，

K_标n为第n个小段标准曲线的斜率，K_样n为第n个小段样本曲线的斜率；

计算样本曲线个小段的斜率相对误差

当相对误差在阈值T范围内时，则保留第n段曲线；当相对误差不在误差范围内时则取消第n段曲线；

遍历各个区域的所有曲线后完成人脸校准；

(3)通过分类器对人脸特征进行分类，将经过校准的人脸图像的重点区域分解出来；所有样本图像被赋予相同权值，对于样本数为N的训练集，样本初始权值为1/N；通过迭代方法突出未被正确分类的样本，弱化己被区分的样本；在迭代过程中对弱分类器进行区分，分类正确率越高的弱分类器在最终的强分类器中的权值越大；

对于样本图像{(x₁,y₁,z₁)，(x₂,y₂,z₂)，…，(x_n,y_n,z_n)}，z_n∈(-1,1)，n∈N，表示正确或错误；

对全部样本图像的权值进行初始化，

D_i＝(w_i)，i＝1，…，n；

D_i表示初始化权值分布，为1/N；

m表示迭代的轮数，M为最大轮数，使用权值分布D_i对样本图像进行学习后，得到的分类器记为G_m(x_i)；

分类器对全部样本进行分类后的误差率为：

分类器在最后得到的强分类器中所占的权重为：

迭代后，下一轮样本图像的权值分布为D_i+1；

最终的强分类器为：

(4)进行重点区域的人脸特征提取：

首先确定以该像素为中心像素的设定的区域Z，对于该区域按照先从横坐标进行遍历，再按纵坐标进行遍历的顺序遍历图像中的每个像素，对该区域Z的像素点(x，y)和它的邻接像素点的灰度值进行比较，如果像素点(x，y)的灰度值小于其邻接像素的灰度值，则将这个邻接像素标记为0；如果中心像素的灰度值大于或等于邻接像素灰度值，则将这个邻接像素标记为1-255中的某一固定的阈值O；

(5)对重点区域的人脸特征进行比对完成人脸识别：

该区域经过人脸特征提取后的图片与图片库中对应该区域的标准图片进行比对，如果像素值的分类损失函数波动在某一预设阈值范围E内，则识别为图片库中的某一录入人脸图像对应的身份信息；如果像素值的分类损失函数波动在某一预设阈值范围E外，则识别为不合格，返回步骤(1)重新进行人脸图像采集；

所述的分类损失函数为：

其中f为提取的人脸特征，t表示特征所在区域，θ_i表示特征提取的容错率参数，pi为人脸特征的目标概率分布、为人脸特征的预测概率分布；

(6)特征分析进行深度学习，将新采集的人脸特征纳入学习库：

计算新提取的重点区域的人脸特征与图片库中对应该区域的标准图片的人脸特征的验证损失函数，如果验证损失函数波动在阈值I范围内则认定为新的标准图片，更新图片库中原有的该区域的标准图片；如果验证损失函数波动在阈值I范围外，则认定为参考图片存入参考图片库；所述步骤(4)提取的人脸特征与标准图片进行比对，对于相互匹配的人脸特征纳入学习库作为后来人脸识别的数据源；

所述的验证损失函数：

f_i为提取的重点区域的人脸特征，f_j图片库中对应该区域的标准图片的人脸特征，y_ij＝1表示特征对应同一人，y_ij＝-1表示特征对应不同人，θ_e＝m为验证损失函数的定向参数。

一种基于重点区域特征比对的人脸识别系统，包括如下结构：

(1)人脸图像采集模块：

图像采集设备实时采集彩色图像，按照RGB颜色模式，即每个像素的颜色由红绿蓝三个分量表示，将彩色图像进行灰度化处理，取值范围均为0至255的灰度值或亮度值；0为最暗表示黑色，255为最亮表示白色；

(2)人脸校准模块：

确定采集到的彩色图片中人脸重点区域的各个基准点，重点区域包括：眼角区域Y，嘴角区域Z，鼻尖区域J，瞳孔区域T的坐标；根据基准点的坐标(x,y)以及各个基准点所在重点区域的特征曲线，进行人脸切割，得到校正的图像用于人脸特征提取；

(3)特征分类器：

通过分类器对人脸特征进行分类，将经过校准的人脸图像的重点区域分解出来；所有样本图像被赋予相同权值，对于样本数为N的训练集，样本初始权值为1/N；通过迭代方法突出未被正确分类的样本，弱化己被区分的样本；在迭代过程中对弱分类器进行区分，分类正确率越高的弱分类器在最终的强分类器中的权值越大；

(4)重点区域的人脸特征提取模块：

首先确定以该像素为中心像素的设定的区域Z，对于该区域按照先从横坐标进行遍历，再按纵坐标进行遍历的顺序遍历图像中的每个像素，对该区域Z的像素点(x，y)和它的邻接像素点的灰度值进行比较，如果像素点(x，y)的灰度值小于其邻接像素的灰度值，则将这个邻接像素标记为0；如果中心像素的灰度值大于或等于邻接像素灰度值，则将这个邻接像素标记为1-255中的某一固定的阈值O；

(5)人脸识别模块：

对重点区域的人脸特征进行比对完成人脸识别：该区域经过人脸特征提取后的图片与图片库中对应该区域的标准图片进行比对，如果像素值的分类损失函数波动在某一预设阈值范围E内，则识别为图片库中的某一录入人脸图像对应的身份信息；如果像素值的分类损失函数波动在某一预设阈值范围E外，则识别为不合格，返回步骤(1)重新进行人脸图像采集；

(6)特征分析学习模块：

进行深度学习，将新采集的人脸特征纳入学习库：计算新提取的重点区域的人脸特征与图片库中对应该区域的标准图片的人脸特征的验证损失函数，如果验证损失函数波动在阈值I范围内则认定为新的标准图片，更新图片库中原有的该区域的标准图片；如果验证损失函数波动在阈值I范围外，则认定为参考图片存入参考图片库；所述步骤(4)提取的人脸特征与标准图片进行比对，对于相互匹配的人脸特征纳入学习库作为后来人脸识别的数据源。

所述的灰度化处理具体包括：以彩色图像左上角为零点坐标、彩色图像上边界为x轴、彩色图像左边界为y轴；对于坐标为(x，y)的像素，分别用R(x，y)、G(x，y)、B(x，y)表示该像素点的红绿蓝三个分量，用q(x，y)表示灰度化后该像素的灰度值；则：

q(x,y)＝Max[R(x,y),G(x,y),B(x,y)]，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于150；

R(x,y),G(x,y),B(x,y)中任意一项亮度值小于等于100；

q(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于100，小于等于150；

所述的人脸切割包括：

设定各基准点所在区域的标准曲线及标准曲线的斜率范围K_标和斜率库；

将将各基准点的特征曲线均匀地划分为n个小段，并把这些小段调整为直线，即样本直线，计算出样本直线的斜率K_样，当K_样的取值范围在K_标内时，保留该直线，当K_样的取值范围不在K_标内时，计算标准曲线和样本曲线在同一区域内各个小段的斜率，

K_标n为第n个小段标准曲线的斜率，K_样n为第n个小段样本曲线的斜率；

计算样本曲线个小段的斜率相对误差，

当相对误差在阈值T范围内时，则保留第n段曲线；当相对误差不在误差范围内时则取消第n段曲线；

遍历各个区域的所有曲线后完成人脸校准。

所述步骤(3)中特征分类器对于样本图像{(x₁,y₁,z₁)，(x₂,y₂,z₂)，…，(x_n,y_n,z_n)}，z_n∈(-1,1)，n∈N，表示正确或错误；

对全部样本图像的权值进行初始化，

D_i＝(w_i)，i＝1，…，n；

D_i表示初始化权值分布，为1/N；

m表示迭代的轮数，M为最大轮数，使用权值分布D_i对样本图像进行学习后，得到的分类器记为G_m(x_i)；

分类器对全部样本进行分类后的误差率为：

分类器在最后得到的强分类器中所占的权重为：

迭代后，下一轮样本图像的权值分布为D_i+1；

最终的强分类器为：

所述的分类损失函数为：

其中f为提取的人脸特征，t表示特征所在区域，θ_i表示特征提取的容错率参数，pi为人脸特征的目标概率分布、为人脸特征的预测概率分布；

所述的验证损失函数：

f_i为提取的重点区域的人脸特征，f_j图片库中对应该区域的标准图片的人脸特征，y_ij＝1表示特征对应同一人，y_ij＝-1表示特征对应不同人，θ_e＝m为验证损失函数的定向参数。

本发明有益效果在于：

本发明提出了一种能够提高辨识速度和辨识准确度的基于重点区域特征比对的人脸识别方法与系统。包括了提取人脸特征、进行特征校准、用误差率判断和分类，最终来达到人脸识别的目的，通过多模型融合来达到提高准确率的目的。

附图说明

图1为本发明系统结构示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

一种基于重点区域特征比对的人脸识别方法，包括如下步骤：

(1)人脸图像采集：

图像采集设备实时采集彩色图像，按照RGB(红绿蓝)颜色模式，即每个像素的颜色由红绿蓝三个分量表示，将彩色图像进行灰度化处理，取值范围均为0至255的灰度值或亮度值；0为最暗表示黑色，255为最亮表示白色；

所述的灰度化处理具体包括：以彩色图像左上角为零点坐标、彩色图像上边界为x轴、彩色图像左边界为y轴；对于坐标为(x，y)的像素，分别用R(x，y)、G(x，y)、B(x，y)表示该像素点的红绿蓝三个分量，用q(x，y)表示灰度化后该像素的灰度值；则：

q(x,y)＝Max[R(x,y),G(x,y),B(x,y)]，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于150；

R(x,y),G(x,y),B(x,y)中任意一项亮度值小于等于100；

q(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于100，小于等于150；

(2)人脸校准：

确定采集到的彩色图片中人脸重点区域的各个基准点，重点区域包括：眼角区域Y，嘴角区域Z，鼻尖区域J，瞳孔区域T的坐标；根据基准点的坐标(x,y)以及各个基准点所在重点区域的特征曲线，进行人脸切割，得到校正的图像用于人脸特征提取；

所述的，人脸切割包括：

设定各基准点所在区域的标准曲线及标准曲线的斜率范围K_标和斜率库；

将将各基准点的特征曲线均匀地划分为n个小段，并把这些小段调整为直线，即样本直线，计算出样本直线的斜率K_样，当K_样的取值范围在K_标内时，保留该直线，当K_样的取值范围不在K_标内时，计算标准曲线和样本曲线在同一区域内各个小段的斜率，

K_标n为第n个小段标准曲线的斜率，K_样n为第n个小段样本曲线的斜率；

计算样本曲线个小段的斜率相对误差

当相对误差在阈值T范围内时，则保留第n段曲线；当相对误差不在误差范围内时则取消第n段曲线；

遍历各个区域的所有曲线后完成人脸校准；

(3)通过分类器对人脸特征进行分类，将经过校准的人脸图像的重点区域分解出来；所有样本图像被赋予相同权值，对于样本数为N的训练集，样本初始权值为1/N；通过迭代方法突出未被正确分类的样本，弱化己被区分的样本；在迭代过程中对弱分类器进行区分，分类正确率越高的弱分类器在最终的强分类器中的权值越大；

对于样本图像{(x₁,y₁,z₁)，(x₂,y₂,z₂)，…，(x_n,y_n,z_n)}，z_n∈(-1,1)，n∈N，表示正确或错误；

对全部样本图像的权值进行初始化，

D_i＝(w_i)，i＝1，…，n；

D_i表示初始化权值分布，为1/N；

m表示迭代的轮数，M为最大轮数，使用权值分布D_i对样本图像进行学习后，得到的分类器记为G_m(x_i)；

分类器对全部样本进行分类后的误差率为：

分类器在最后得到的强分类器中所占的权重为：

迭代后，下一轮样本图像的权值分布为D_i+1；

最终的强分类器为：

(4)进行重点区域的人脸特征提取：

首先确定以该像素为中心像素的设定的区域Z，对于该区域按照先从横坐标进行遍历，再按纵坐标进行遍历的顺序遍历图像中的每个像素，对该区域Z的像素点(x，y)和它的邻接像素点的灰度值进行比较，如果像素点(x，y)的灰度值小于其邻接像素的灰度值，则将这个邻接像素标记为0；如果中心像素的灰度值大于或等于邻接像素灰度值，则将这个邻接像素标记为1-255中的某一固定的阈值O；

(5)对重点区域的人脸特征进行比对完成人脸识别：

该区域经过人脸特征提取后的图片与图片库中对应该区域的标准图片进行比对，如果像素值的分类损失函数波动在某一预设阈值范围E内，则识别为图片库中的某一录入人脸图像对应的身份信息；如果像素值的分类损失函数波动在某一预设阈值范围E外，则识别为不合格，返回步骤(1)重新进行人脸图像采集；

所述的分类损失函数为：

其中f为提取的人脸特征，t表示特征所在区域，θ_i表示特征提取的容错率参数，pi为人脸特征的目标概率分布、为人脸特征的预测概率分布；

(6)特征分析进行深度学习，将新采集的人脸特征纳入学习库：

计算新提取的重点区域的人脸特征与图片库中对应该区域的标准图片的人脸特征的验证损失函数，如果验证损失函数波动在阈值I范围内则认定为新的标准图片，更新图片库中原有的该区域的标准图片；如果验证损失函数波动在阈值I范围外，则认定为参考图片存入参考图片库；所述步骤(4)提取的人脸特征与标准图片进行比对，对于相互匹配的人脸特征纳入学习库作为后来人脸识别的数据源；

所述的验证损失函数：

f_i为提取的重点区域的人脸特征，f_j图片库中对应该区域的标准图片的人脸特征，y_ij＝1表示特征对应同一人，y_ij＝-1表示特征对应不同人，θ_e＝m为验证损失函数的定向参数。

本发明对实际图像采集与处理过程中出现的光照、对比度、噪声以及模糊等问题，进行了图像预处理，且有针对性的对图像灰度化均衡化的滤波降噪和图像锐化操作进行了处理，从图像处理前后的比较中可以看出，图像灰度化效果更佳，特征对比度得到了增强，人的脸部与肩部和背景之间的界线变的更加清晰，面部的鼻子与嘴部的轮廓更加明湿，有利于以后的特征提取与人脸识别；利用人脸切割和人脸校准为后续的特征提取打好了基础，是人脸识别有效性的保证。针对单训练样本条件下因光照、遮挡和形变等因素带来的人脸识别问题，本发明提出了一种基于单样本人脸识别方法。通过采用上述模型对样本集进行特征提取可以有效解决训练样本数量有限的难题，除此之外，对于光照和遮挡有很好的鲁棒性。为解决形变问题，本发明对图像采取了分区域处理，并对所有重点区域的图像块的识别结果通过加权阶段技术进行融合。在多个数据集上的实验结果表明，本发明能够有效提高单训练样本条件下人脸识别的准确率，同时提高了本发明对光照、遮挡及形变等因素的鲁棒性。

一种基于重点区域特征比对的人脸识别系统，包括如下结构：

(1)人脸图像采集模块：

图像采集设备实时采集彩色图像，按照RGB颜色模式，即每个像素的颜色由红绿蓝三个分量表示，将彩色图像进行灰度化处理，取值范围均为0至255的灰度值或亮度值；0为最暗表示黑色，255为最亮表示白色；

(2)人脸校准模块：

确定采集到的彩色图片中人脸重点区域的各个基准点，重点区域包括：眼角区域Y，嘴角区域Z，鼻尖区域J，瞳孔区域T的坐标；根据基准点的坐标(x,y)以及各个基准点所在重点区域的特征曲线，进行人脸切割，得到校正的图像用于人脸特征提取；

(3)特征分类器：

通过分类器对人脸特征进行分类，将经过校准的人脸图像的重点区域分解出来；所有样本图像被赋予相同权值，对于样本数为N的训练集，样本初始权值为1/N；通过迭代方法突出未被正确分类的样本，弱化己被区分的样本；在迭代过程中对弱分类器进行区分，分类正确率越高的弱分类器在最终的强分类器中的权值越大；

(4)重点区域的人脸特征提取模块：

首先确定以该像素为中心像素的设定的区域Z，对于该区域按照先从横坐标进行遍历，再按纵坐标进行遍历的顺序遍历图像中的每个像素，对该区域Z的像素点(x，y)和它的邻接像素点的灰度值进行比较，如果像素点(x，y)的灰度值小于其邻接像素的灰度值，则将这个邻接像素标记为0；如果中心像素的灰度值大于或等于邻接像素灰度值，则将这个邻接像素标记为1-255中的某一固定的阈值O；

(5)人脸识别模块：

对重点区域的人脸特征进行比对完成人脸识别：该区域经过人脸特征提取后的图片与图片库中对应该区域的标准图片进行比对，如果像素值的分类损失函数波动在某一预设阈值范围E内，则识别为图片库中的某一录入人脸图像对应的身份信息；如果像素值的分类损失函数波动在某一预设阈值范围E外，则识别为不合格，返回步骤(1)重新进行人脸图像采集；

(6)特征分析学习模块：

进行深度学习，将新采集的人脸特征纳入学习库：计算新提取的重点区域的人脸特征与图片库中对应该区域的标准图片的人脸特征的验证损失函数，如果验证损失函数波动在阈值I范围内则认定为新的标准图片，更新图片库中原有的该区域的标准图片；如果验证损失函数波动在阈值I范围外，则认定为参考图片存入参考图片库；所述步骤(4)提取的人脸特征与标准图片进行比对，对于相互匹配的人脸特征纳入学习库作为后来人脸识别的数据源。

所述的灰度化处理具体包括：以彩色图像左上角为零点坐标、彩色图像上边界为x轴、彩色图像左边界为y轴；对于坐标为(x，y)的像素，分别用R(x，y)、G(x，y)、B(x，y)表示该像素点的红绿蓝三个分量，用q(x，y)表示灰度化后该像素的灰度值；则：

q(x,y)＝Max[R(x,y),G(x,y),B(x,y)]，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于150；

R(x,y),G(x,y),B(x,y)中任意一项亮度值小于等于100；

q(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)，

R(x,y),G(x,y),B(x,y)中任意一项亮度值大于100，小于等于150；

所述的人脸切割包括：

设定各基准点所在区域的标准曲线及标准曲线的斜率范围K_标和斜率库；

将将各基准点的特征曲线均匀地划分为n个小段，并把这些小段调整为直线，即样本直线，计算出样本直线的斜率K_样，当K_样的取值范围在K_标内时，保留该直线，当K_样的取值范围不在K_标内时，计算标准曲线和样本曲线在同一区域内各个小段的斜率，

K_标n为第n个小段标准曲线的斜率，K_样n为第n个小段样本曲线的斜率；

计算样本曲线个小段的斜率相对误差，

当相对误差在阈值T范围内时，则保留第n段曲线；当相对误差不在误差范围内时则取消第n段曲线；

遍历各个区域的所有曲线后完成人脸校准。

所述步骤(3)中特征分类器对于样本图像{(x₁,y₁,z₁)，(x₂,y₂,z₂)，…，(x_n,y_n,z_n)}，z_n∈(-1,1)，n∈N，表示正确或错误；

对全部样本图像的权值进行初始化，

D_i＝(w_i)，i＝1，…，n；

D_i表示初始化权值分布，为1/N；

m表示迭代的轮数，M为最大轮数，使用权值分布D_i对样本图像进行学习后，得到的分类器记为G_m(x_i)；

分类器对全部样本进行分类后的误差率为：

分类器在最后得到的强分类器中所占的权重为：

迭代后，下一轮样本图像的权值分布为D_i+1；

最终的强分类器为：

所述的分类损失函数为：

其中f为提取的人脸特征，t表示特征所在区域，θ_i表示特征提取的容错率参数，pi为人脸特征的目标概率分布、为人脸特征的预测概率分布；

所述的验证损失函数：

f_i为提取的重点区域的人脸特征，f_j图片库中对应该区域的标准图片的人脸特征，y_ij＝1表示特征对应同一人，y_ij＝-1表示特征对应不同人，θ_e＝m为验证损失函数的定向参数。