侧脸识别方法、侧脸构建方法及系统的制作方法

侧脸识别方法、侧脸构建方法及系统的制作方法
【技术领域】
[0001] 本申请设及人脸识别技术领域，特别设及一种侧脸识别方法、侧脸构建方法及系 统。
【背景技术】
[0002] 随着人脸识别技术快速发展，人脸识别被应用到包括生活、安全监控等很多方面。
[0003] 除了正脸识别，还发展出侧脸识别的技术，W应对缺乏正脸、仅拍摄到侧脸的情 况。现有技术中一种侧脸识别的方法如图1所示，包括如下步骤：
[0004] 步骤A1 ;对包含一定样本的脸部图像（W下将关于脸的图像简称为脸、侧脸、平均 脸等）进行PDM求解，得到包括固定点分布模型（PointDistributionModel，PDM)的平均 脸。本步骤采用的样本一般包括较大数量的多个人的人脸。相应地，求解得到的包括固定 点分布模型的平均脸，可W包括正脸的平均脸。
[0005] 步骤A2 ;对所述平均脸通过主成分识别（PrincipalComponentAnalysis,PCA) 和反向构建，获得与识别目标脸第一角度一致的第一PDM虚拟脸。对所述平均脸进行PCA 处理，可W识别平均脸向量中影响侧脸角度的主要成分（一般为向量组）；通过对识别的具 有不同角度的主成分进行反向构建，可W进一步得到不同角度的侧脸的PDM虚拟脸。识别 目标脸一般为具有一定角度的侧脸，例如该里提到的第一角度。该样，可W从得到的不同角 度的侧脸的PDM虚拟脸中得到与目标识别脸角度一致的第一PDM虚拟脸，即第一角度的第 一PDM虚拟脸。
[0006] 步骤A3 ;利用DelaunayS角剖析与仿射变换将第一真实脸的面部纹理特征匹配 至第一PDM虚拟脸，从而获得第一真实脸对应的第一角度人脸。第一真实脸例如是数据库 中存有的匹配对象，一般与目标识别脸的角度不同，例如为正脸图像或与目标识别脸角度 不同的侧脸，目的是识别该匹配对象是否与拍摄到的目标识别脸是否为同一人。可W对第 一真实脸进行Delaunay=角剖析，得到的第一真实脸上划分出的每一小=角形区域的颜 色及纹理之类的特征；通过仿射变换，可W将该小=角形区域的颜色及纹理之类的特征复 制到所述第一角度的第一PDM虚拟脸的对应位置上，从而使得处理结果的第一PDM虚拟脸 具有与第一真实脸颜色、纹理等特征对应相同的且具有一定角度的第一角度人脸。
[0007] 步骤A4 ;基于纹理匹配的人脸识别技术判断第一角度人脸是否与识别目标脸相 符。在具有了包括与第一真实脸颜色、纹理等特征相同且具有与识别目标脸角度相同的第 一角度人脸的基础上，可W通过已有的基于纹理匹配的人脸识别技术识别出第一角度人脸 是否与目标识别脸相符。
[000引在实现本申请过程中，发明人发现现有技术中至少存在如下问题；
[0009] 现有技术中，训练的对象是包含一定样本的脸，例如400个不同人的脸，该些样本 脸一般是多个不同的人的脸；而且，不同人的脸可能脸部的长度特征并不相同，例如胖、瘦、 长、短情况不同，具体例如鼻子、眼睛等器官位置和大小等的不同。该样，得到的将是包括固 定点分布模型的平均脸，即综合了多个不同样本的人脸之后的平均长度特征的脸。其脸部 长度特征也是平均值，例如具有平均的脸部胖、瘦、长、短和平均的眼睛、鼻子等器官的位置 和大小。进而，通过PCA和反向构建并将第一真实脸的颜色、纹理等特征通过DelaunayS 角剖析与仿射变换到第一PDM虚拟脸上，得到的也是平均脸的第一角度人脸，并不能准确 的反映第一真实脸的真实脸部长度特征，即不能准确的反映第一真实脸在第一角度下的第 一角度人脸。该样，给判断第一角度人脸是否与识别目标脸相符的也会带来较大的误差。

【发明内容】

[0010] 本申请实施例的目的是提供一种侧脸识别方法、侧脸构建方法及系统，W提高侧 脸识别的准确度和构建的侧脸的准确度。
[0011] 为解决上述技术问题，本申请实施例提供一种侧脸识别方法、侧脸构建方法及系 统是该样实现的：
[0012] 一种侧脸识别方法，包括：
[0013] 根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0014] 基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量；
[0015] 通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相一致的 第二虚拟脸；
[0016] 将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应的第二 角度人脸；
[0017] 判断第二角度人脸是否与所述识别目标脸相符，若是则得出第一真实脸与所述识 别目标脸相符。
[0018] 一种侧脸构建方法，包括：
[0019] 根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0020] 基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量；
[0021] 通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相一致的 第二虚拟脸；
[0022] 将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应的第二 角度人脸。
[0023] 一种侧脸识别系统，包括：
[0024] 求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0025] 分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征 向量；
[0026] 反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸具有 的第一角度相一致的第二虚拟脸；
[0027] 匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真 实脸对应的第二角度人脸；
[002引判断单元，用于判断第二角度人脸是否与所述识别目标脸相符，若是则得出第一 真实脸与所述识别目标脸相符。
[0029] 一种侧脸构建系统，包括；
[0030] 求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0031] 分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征 向量；
[0032] 反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸具有 的第一角度相一致的第二虚拟脸；
[0033] 匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真 实脸对应的第二角度人脸。
[0034] 由W上本申请实施例提供的技术方案可见，本申请实施例通过上述方式，特别是 对各组的平均脸及第一真实脸进行主成分分析，得到影响脸的角度的特征向量中包含有很 多第一真实脸的特征，例如第一真实脸的轮廓W及眼睛、鼻子等器官的位置和大小之类的 特征；该样，经过主成分分析后，将保留该样的特征，即获得与识别目标脸具有的第一角度 相一致的第二虚拟脸的同时，保持与第一真实脸的特征，例如第一真实脸的轮廓W及眼睛、 鼻子等器官的位置和大小之类的特征。从而，在后续的判断过程中，利于更加准确的判断 第二角度人脸是否与所述识别目标脸相符，进而得到第一真实脸是否与所述识别目标脸相 符。
【附图说明】
[0035] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提 下，还可W根据该些附图获得其他的附图。
[0036] 图1为本申请侧脸识别方法一个实施例的流程图；
[0037] 图2为本申请侧脸识别方法中固定点分布模型的脸的示意图；
[003引图3a-3c为通过固定增减特征向量中向量的特征值得到的不同角度的脸示意图；
[0039] 图4为本申请实施例中利用DelaunayS角剖析的具体方式原理图；
[0040] 图5为本申请实施例中利用Delaunay=角剖析与仿射变换将第一真实脸的面部 纹理特征匹配至第二虚拟脸的效果示意图：
[0041] 图6为本申请实施例中侧脸识别方法一个实施例的流程图；
[0042] 图7为本申请实施例中侧脸构建方法一个实施例的流程图；
[0043] 图8为本申请实施例中侧脸构建方法一个实施例的流程图；
[0044]图9为本申请实施例中侧脸识别系统一个实施例的模块图；
[0045] 图10为本申请实施例中侧脸识别系统一个实施例的模块图。
【具体实施方式】
[0046] 本申请实施例提供一种侧脸识别方法、侧脸构建方法及系统。
[0047] 为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实 施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施 例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通 技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护 的范围。
[0048] W下结合附图1说明本申请一种侧脸识别方法的流程：
[0049] S100;根据样本集合中的一组正脸和预设数量的组的侧脸，得到各组的平均脸。
[0化0] 所述样本中可W包括一组正脸，并可W包括多组预设不同角度的脸，每一角度的 组中包括预设数量的脸。如果仅有正脸，而没有侧脸，则后续进行主成分分析时将无法得到 侧脸角度的特征向量，从而无法实现S120中的反向构建。该里，所述预设数量的组的侧脸 中，至少包括一组第一预设角度的侧脸；当然，在此之上还可W包括一组第二预设角度的侧 脸，一组第=预设角度的侧脸…。
[0051] 具体的，所述对包含一定样本的脸进行计算，可W是对包含一定样本的脸进行PDM 求解；相应地，得到PDM平均脸。
[0052] 所述样本中可W包括预设不同角度的脸，每一预设角度下包括预设数量的脸。作 为一个例子加W说明，例如为7组的情况，选择总量为280张脸的样本。其中，正脸（设为 0° )样本为40张，左侧15。（设为-15° )脸样本为40张，左侧30。（设为-30° )脸 都样本为40张，左侧45° (设为-45° )脸样本为40张，右侧15° (设为+15° )脸样本 为40张，右侧30° (设为+30° )脸都样本为40张，右侧45° (设为+45° )脸样本为40 张。
[005引 W下W对各组均进行PDM求解处理加W说明。本领域技术人员可W知道，为了能 够处理不同的多个角度的目标识别脸，最好在S100中包括多个角度的组的样本分别进行PDM求解，而且包括的角度越多越好。但是，考虑到计算量不至于太大和对最终结果不会产 生精确度的影响，或者说是误差控制在可接受范围内W使得侧脸识别的效果达到一个较高 比例，可W选择几个典型的角度作为不同的组。例如上面-45°，-30°，-15°，0°，+15°， +30°，+45°该样的7组，每组40个样本。
[0054] 可W通过对每组角度的脸进行PDM(PointDistributionModel)求解，得到该角 度的包括固定点分布模型的平均脸。该里的样本集合后续也称为训练集。
[0055] W下W对正脸的一组进行PDM求解进行说明。其它角度的组，求解方式类似，不再 寶述。
[0化6] 在PDM求解中，外形相似的物体，例如多张人脸的几何 形状可W通过若干关键特 征点（Ian血arks)的坐标依次排列形成一个形状向量来表示。通过PDM求解，可W根据人 脸特征而标记出一些特征点的集合。该固定点分布模型的脸可W如图2中所示，诸如包括 68个特征点分布的点分布模型。本步骤采用的样本一般包括一定数量的脸。相应地，求解 得到的包括固定点分布模型的平均脸，可W包括正脸的平均脸。
[0057] 具体的，可W采用主动形状模型（ActiveaiapeModel，ASM)来进行PDM求解。ASM 是一种基于点分布模型（PointDistributionModel,PDM)的算法。
[0化引本步骤中利用ASM算法，具体可W包括：
[0化9] S101;对于每个样本脸，记录其k个关键特征点（landmarks)。
[0060] 例如，可W通过设置的程序，使得计算机可W接收用户的点击操作。所述点击操作 中的每次点击可W是针对样本脸图像中关键点的点击。通过对多个样本脸的点击操作的记 录，可W将点击操作的位置标记为关键特征点。
[0061] 当然，基于人脸图像中人脸轮廓和五官边缘上图像像素与周边图像像素的颜色 (如RGB值）差异，通过图像分析的方式可W识别出每个样本中人脸的边缘及明显五官的边 界，并按照预定间隔在识别的轮廓线上标记点，也可W自动完成Sioi中的记录工作。在此 不再寶述。
[0062] 对于样本，例如图2中的68个关键特征点中的任一关键特征点，可W分别标记其 坐标为；Pk=(Xk，yk)
[0063] 其中，Pk表示第k个点的坐标，X k表示第k个点的横坐标，yk表示第k个点的纵坐 标。
[0064] 则对于第i个样本脸，其坐标可W记为：
其中
[00化]S102 ;基于记录的关键特征点构建每个样本脸的形状向量。
[0066] 对于n个样本的脸来说，每个样本的形状向量可W构建为如下：
[0067]
[0068] 其中，n可W表示样本脸的个数。
[0069] 该样，对于n个样本脸可W构建n个形状向量。
[0070] S103 ;对上述样本脸的形状向量进行归一化处理。
[0071] 该步骤的目的在于对前面S101中得到的关键特征点进行归一化处理，具体的，可 W是对齐操作，从而消除不同样本脸图像中人脸由于不同角度、距离远近或姿态变化等外 界因素干扰，从而使得最终建立的点分布模型更加有效。
[0072] 从该里的描述也可知，归一化处理目的是排除干扰W使结果更准确；也就是说，对 于基本对准的样本脸，也可W不需进行归一化处理。该里的S103并不是限定的。
[0073] 一般地，S103种可W采用Procrustes方法进行归一化处理。通过Procrustes方 法，可W将样本脸图片上的关键特征点进行适当平移、旋转、缩放之类的变化，在不改变点 分布模型的基础上对齐到同一个点分布模型，从而改变获取的原始数据杂乱无章的状态， 减少分形状因素的干扰。
[0074] 利用Procrustes方法对31 = {a。32,…，a。}该样的训练集进行对齐，可W对其中 的每个a;计算的如下参数：旋转角度01，缩放尺度Si,水平方向平移量Xxf，垂直方向平移 量Xy;。
[0075] 令M(s。01)[aj表示对a;做旋转角度为01、缩放尺度为Si的变换。
[0076] a;向a 1对齐的过程即是求解一组值01、Si、Xd、Xyi，使得&二巧W卸的值最小 的过程。
[0077]可W设马二a; - -[Xx;,Xw…，] 式似
[007引该里，W为对角矩阵，可W通过W下方式得到：
[0079]令Rki表示一副图像中第k个点和第1个点之间的距离，令K?kl表示整个训练集中 不同图像之间Rki的方差，通过计算
从而可W得到：
[0080]
[0081] 通过上述Procrustes算法求解变换矩阵，可w得到对齐后的人脸向量。利用该算 法，可W进行如下操作：
[0082] (A1)将训练集中的所有人脸模型对齐到第1个人脸模型；
[008引（A。计算平均人脸模型立；
[0084]例如，
式（4)
[0085] (A3)将所有人脸模型对齐到平均人脸模型a;
[0086] (A4)重复（A2)、（A3)直至结果收敛。
[0087] 经过上述S101~S103W及（A1)~（A4)的处理，可W求解得到平均脸，即得到平 均脸的向量。
[008引如前所述，该里仅W正脸组举例说明。按照上述方式，类似的，可W对不同角度的 侧脸组进行相应处理，该里不再寶述。
[0089] 另外，如前所述，对于基本对准的样本脸，也可W不需进行归一化处理。因此，相应 地，经过上述S101~S102和（A2)的处理，可W求解得到平均脸，即得到平均脸的向量。
[0090] S110;基于所述各组的平均脸与第一真实脸，得到影响脸的角度的特征向量。
[0091] 如前所述，S100中可W得到样本脸中各组的平均脸的向量。第一真实脸，可W是 数据库中待与拍摄到的目标识别脸进行匹配的脸的图像。一般的，第一真实脸与目标识别 脸的角度不同，因此，按照现有技术无法直接进行匹配或者匹配效果不佳。该里，可W将各 组的平均脸与第一真实脸一同进行主成分分析，得到影响脸的角度的特征向量。
[0092] 该里的第一真实脸，为与平均脸向量相同维度的向量。例如，如图2中的68个关 键特征点的例子，该里的目标识别脸也具有该68个关键特征点。
[0093] 本步骤中，可W基于所述各组的平均脸及第一真实脸的PDM脸进行PCA中的算法 来识别得到影响脸的角度的特征向量。
[0094] 主成分分析的原理是将一个高维向量X，通过一个特殊的特征向量矩阵P，投影到 一个低维的向量空间中，表征为一个低维向量y，并且仅仅损失了一些次要信息。相应地，通 过低维向量和特征向量矩阵P，可W基本重构出所对应的高维向量。在人脸识别中，特征向 量矩阵P称为特征脸（eigenface)空间，因此其中的特征向量进行量化后可W看出人脸轮 廓。
[0095] 本步骤中，对所述各组的平均脸及第一真实脸进行主成分分析W得到影响脸的角 度的特征向量，具体方式如下：
[0096] Sill ;基于所述各组的平均脸向量和第一真实脸向量计算得到协方差矩阵。
[0097] 例如通过下式计算：
[009引
式巧）
[0099] 其中，S代表协方差矩阵。代表各组平均脸与第一真实脸的再次平均得到的平 均脸，该里称为二次平均脸。bi代表各组平均脸和第一真实脸；i= 1，…，S，S代表组的数 量与第一真实脸的数量之和。
[0100] 结合如前所述的例子，如果280张人脸图像分为了7组，将得到7个平均脸（相对 于第二平均脸，该7个平均脸可W称为第一平均脸），分别代表7组中每组的平均脸；如果 是1个第一真实脸，则该时，i= 1，…8屯代表各组平均脸和第一真实脸。相应地，g代表 7组平均脸与第一真实脸的再次平均得到的平均脸。
[0101]S112;计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排序。
[0102] 该样，可W得到 ^1，^2，…，其中 ^1〉〇,i= 1，2,…，q。
[0103]S113;基于预设值选出所述排序结果中前n个对特征值总值影响最大的特征向 量。
[0104] 可W设置一个比例系数f；，例如设置为90%，从而根据下式可W得到对人脸整体 特征影响最大（影响总和达90% )的前t个特征向量C= (Cl, C2,…，Ct):
[0105]
式化）
[0106] 其中，Vt是所有特征值之和，即；
[0107]Vx=EAi式（7)
[010引 t一般明显小于固定点分布模型中关键特征点的数量。相应地，（Cl,C2,…，Ct)代 表了对角度影响最大的特征向量。而且，更重要的是，由于对所述各组平均脸及第一真实脸 一同进行主成分分析，因此得到影响脸的角度的特征向量，包含有很多第一真实脸的特征， 例如第一真实脸的轮廓W及眼睛、鼻子等器官的位置和大小之类的特征。
[0109] 例如，比例系数f；设置为90%时，得到特征向量C=(C1，C2,C3)。该样，该3个值 Cl,C2，C3即代表最主要成分的向量。该样保留了90%的脸部特征，也就是说仅仅损失了一 些次要信息。
[0110] 例如，任何一个训练集中的形状向量a,都可W表示为：
[0111] at+Pc式巧）
[0112] 其中，P代表特征向量矩阵。该特征向量矩阵的列数可W根据主成分的数量而定， 列中每个元素可W理解为原有向量的线性组合。该特征向量矩阵的第一列代表原始空间最 重要的变化模式。该特征向量矩阵可W通过对训练集中的向量进行K-L变换（卡洛南-洛 伊变换，Karhunen-Loeve)得到，该里不再寶述。
[0113] 类似的，第一真实脸也可W表现为此形式。
[0114] 结合本申请实施例，利用该个特征向量矩阵可W通过反向构建的方式得到不同角 度的人脸。
[0115] 相应地，对各组的平均脸及第一真实脸的PDM脸进行主成分分析的过程，包括如 下：
[0116]Slir :基于各组的平均脸向量和第一真实脸的PDM脸向量计算得到协方差矩阵；
[0117] 与Sill不同的是，本步骤中可W基于第一真实脸的PDM脸向量进行相应的计算。 具体计算方式与Sill中类似，不再寶述。
[0118]S112' ：计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排序；
[0119]S113' ：基于预设值选出所述排序结果中前n个对特征值总值影响最大的构成特 征向量。
[0120] 上述S112'、S113'分别与前述S112、S113的过程类似，不再寶述。
[0121] S120 ;对SllO中得到的所述特征向量进行反向构建，获得与识别目标脸具有的第 一角度相一致的第二虚拟脸。
[0122] 利用上述式（8)可W将S110中得到的所述特征向量进行反向构建得到高绅向量。 W下，将式（8)作一个变形，W更清楚的显示该一点：
[0123]
式巧）
[0124] 例如，通过调整特征向量b中某个向量对应的特征值，可W反向构建出不同姿势 的TOM脸。
[0125] 具体的，例如：
[0126] 通过固定增减特征向量C中向量Cl的特征值，可W得到如图3a中的不同角度的 脸；
[0127] 通过固定增减特征向量C中向量C2的特征值，可W得到如图3b中的不同角度的 脸；
[012引通过固定增减特征向量C中向量C3的特征值，可W得到如图3c中的不同角度的 脸。
[0129] 通过上述结果可知，特征向量C中向量Cl与侧脸不同角度最相关。
[0130] 该样，本步骤中可W通过W固定的间隔增减特征向量对应的特征值来反向构建 PDM脸，从而可W得到与待识别样本最相似姿势的第二虚拟脸。具体的，可W通过比对反向 构建的PDM脸中某两个点的距离与目标识别脸的PDM脸中对应两个点的距离各自所占比例 来判断反向构建的PDM脸是否与目标识别脸的角度一致。例如，反向构建的PDM脸中第U 个点与第V个点之间的距离与第U个点与第W个点之间的距离的比值，与目标识别脸的PDM 脸中对应的第U个点与第V个点之间的距离与第U个点与第W个点之间的距离的比值相 同，或者在预设比例之内，则可W判断两者角度相同。该里也可W是比较第二PDM脸与目标 识别脸PDM脸的对应的欧氏距离，距离最小的，说明该第二PDM脸与目标识别脸的侧脸角度 最接近；相应地，可W选择距离最小的第二PDM脸，从而作为后续步骤中纹理匹配的对象。 类似的，可W通过比对反向构建的PDM脸中某S个点构成的S角形的面积与目标识别脸的 PDM脸中对应S个点构成的S角形的面积来判断反向构建的PDM脸是否与目标识别脸的角 度一致。侧脸角度的不同对所述S角形面积的影响明显大于反向构建脸与目标识别脸PDM 脸的细节差异。因此，在合理预设范围内的差值可W判断为两者角度相同。还存在其它类 似算法，在此不再寶述。
[013U 通过上述方式，可W获得与识别目标脸具有的第一角度相一致的PDM脸作为第二 虚拟脸。
[0132] S130 ;将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应 的第二角度人脸。
[0133] 所述将第一真实脸的面部纹理特征匹配至第二虚拟脸，可W通过DelaunayS角 剖析与仿射变换将第一真实脸的面部纹理特征匹配至第二虚拟脸。
[0134] 图4示出了Delaunays角剖析的具体方式原理图。例如，可W对第一真实脸标记 与S100种样本脸相同的关键特征点，并W标记的关键特征点为基础进行=角剖析。通过= 角剖析，可W将整个脸划分为多个互不重叠的=角形区域。可W知道的，第二虚拟脸也存在 类似的=角剖析结果。
[01巧]在s角剖析基础上，可w通过仿射变换将第一真实脸的面部纹理特征匹配至第二 虚拟脸。具体的，可W将=角剖析后第一真实脸的每个互不重叠的=角形区域的纹理特征 移至第二虚拟脸的对应=角形区域上。
[0136] 经过上述处理，可W得到与第一真实脸对应的第二角度人脸。该第二角度人脸具 有与第一真实脸相同的面部纹理特征，且与识别目标脸具有相同的第一角度，即相同的姿 势。
[0137] 如图5中所示的，例如第一行中的7张不同角度的脸，可W是在初始时仅中间的正 脸是第一真实脸，而其它不同角度的脸为该第一真实脸的纹理特征匹配至S120反向构建 的多个不同角度的第二虚拟脸上所得的结果。类似的，第二行、第=行、第四行也可W由初 始的第一真实脸相应得到不同角度的对应第二虚拟脸。并且，由于S110中利用各组平均脸 和第一真实脸共同进行主成分分析得到特征向量，结合S120进行反向构建得到的第二虚 拟脸保留了第一真实脸较多特征，因而S130中匹配得到的第二虚拟脸仍然与第一真实脸 具有大致相同的轮廓和例如器官位置。
[0138] S140;判断第二角度人脸是否与所述识别目标脸相符，若是则得出第一真实脸与 所述识别目标脸相符。
[0139] 所述判断第二角度人脸是否与所述识别目标脸相符，可W基于纹理匹配的人脸识 别技术判断第一角度人脸是否与识别目标脸相符。具体的，可W对目标识别脸及第二角度 人脸进行两个维度的纹理比较，如局部的特征匹配与尺度不变特征转换（Scale-invariant featuretransform,SIFT)特征点匹配。根据匹配结果计算相似度，并通过合理的阔值来 判断第二角度人脸与所述识别目标脸相符是否是同一人，若是则可W得到第一真实脸与所 述识别目标脸相符。该里不再寶述。
[0140] 在S130基础上，由于匹配得到的第二虚拟脸仍然与第一真实脸具有大致相同的 轮廓和例如器官位置，因而S140中的判断，可W排除现有技术中仅仅是平均脸而不包括第 一真实脸的轮廓与器官位置导致的不利因素，即将比对主要集中在纹理特征的匹配上，因 而能够更为准确的得到是否是同一人的判断结果。
[0141] W下结合附图6介绍本申请一种侧脸识别方法的实施例，该方法包括：
[0142] S600 ;根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0143] S610 ;基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量；
[0144] S620 ;通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相 一致的第二虚拟脸；
[0145] S630 ;将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应 的第二角度人脸；
[0146]S640;判断第二角度人脸是否与所述识别目标脸相符，若是则得出第一真实脸与 所述识别目标脸相符。
[0147] 与图1实施例的主要区别在于，本实施例中的样本集合可W不必限定必须包括正 脸，而是可W包括一定数量的不同角度脸，例如只包括一定数量的不同角度侧脸。由于对一 定数量的不同角度脸求解平均脸，同样可W得到PDM平均脸。具体求解方法与图1实施例 类似。
[0148] 优选地，S610具体可W包括：
[0149] 对所述各组的平均脸及第一真实脸进行主成分分析，得到影响脸的角度的特征向 量；或者，对所述各组的平均脸及第一真实脸的PDM脸进行主成分分析，得到影响脸的角度 的特征向量。
[0150] 本步骤具体实现与S110类似。
[015U 优选地，S620具体可W包括：
[015引 S621 ;通过调整特征向量中的向量对应的特征值，反向构建出不同姿势的PDM脸；
[0153] S622 ;从所述反向构建出的不同姿势的PDM脸中，选择与识别目标脸具有的第一 角度相一致的PDM脸作为第二虚拟脸。
[0154] 上述具体实现过程与S120中类似。
[0155] 本申请实施例通过上述方式，特别是对各组的平均脸及第一真实脸进行主成分分 析，得到影响脸的角度的特征向量中包含有很多第一真实脸的特征，例如第一真实脸的轮 廓W及眼睛、鼻子等器官的位置和大小之类的特征；该样，经过主成分分析后，将保留该样 的特征，即获得与识别目标脸具有的第一角度相一致的第二虚拟脸的同时，保持与第一真 实脸的特征，例如第一真实脸的轮廓W及眼睛、鼻子等器官的位置和大小之类的特征。从 而，在后续的判断过程中，利于更加准确的判断第二角度人脸是否与所述识别目标脸相符。
[0156] W下结合附图7介绍本申请一种侧脸构建方法实施例，具体包括：
[0157] S700 ;根据样本集合中的一组正脸和预设数量的组的侧脸，得到各组的平均脸；
[0158] S710 ;基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量；
[0159] S720 ;通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相 一致的第二虚拟脸；
[0160] S730 ;将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应 的第二角度人脸。
[0161] 优选地，S710具体可W包括：
[0162] 基于所述各组的平均脸及第一真实脸的PDM脸进行主成分分析，得到影响脸的角 度的特征向量。
[0163] 优选地，S720具体可W包括：
[0164] 通过调整特征向量中的向量对应的特征值，反向构建出不同姿势的PDM脸；
[0165] 从所述反向构建出的不同姿势的PDM脸中，选择与识别目标脸具有的第一角度相 一致的PDM脸作为第二虚拟脸。
[0166] 优选地，S730具体可W包括：
[0167] 通过比对反向构建的PDM脸中某两个点的距离与目标识别脸的PDM脸中对应两个 点的距离各自所占比例来判断反向构建的PDM脸是否与目标识别脸的角度一致，若比对后 比例相同或者在预设比例内，则判定角度一致。
[0168] 优选地，S730具体可W包括：
[0169] 通过比对反向构建的PDM脸中某S个点构成的S角形的面积与目标识别脸的PDM 脸中对应S个点构成的S角形的面积来判断反向构建的PDM脸是否与目标识别脸的角度 一致，若比对后面积差在预设范围内，则判定角度一致。。
[0170] W下结合附图8介绍本申请一种侧脸构建方法实施例，具体包括：
[0171] S800 ;根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0172] S810 ;基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量；
[0173] S820 ;通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相 一致的第二虚拟脸；
[0174] S830;将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应 的第二角度人脸。
[01巧]优选地，S810具体可W包括：
[0176] 基于所述各组的平均脸及第一真实脸的PDM脸进行主成分分析，得到影响脸的角 度的特征向量。
[0177] 优选地，S820具体可W包括：
[017引通过调整特征向量中的向量对应的特征值，反向构建出不同姿势的PDM脸；
[0179] 从所述反向构建出的不同姿势的PDM脸中，选择与识别目标脸具有的第一角度相 一致的PDM脸作为第二虚拟脸。
[0180] W下结合附图9介绍本申请一种侧脸识别系统实施例，具体包括：
[0181] 第一求解单元910,用于根据样本集合中的一组正脸和预设数量的组的侧脸，得到 各组的平均脸；
[0182] 第一分析单元920,用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度 的特征向量；
[0183] 第一反向构建单元930,用于通过对所述特征向量进行反向构建，获得与识别目标 脸具有的第一角度相一致的第二虚拟脸；
[0184] 第一匹配单元940,用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与 第一真实脸对应的第二角度人脸；
[0185] 第一判断单元950,用于判断第二角度人脸是否与所述识别目标脸相符，若是则得 出第一真实脸与所述识别目标脸相符。
[0186] 优选地，所述第一求解单元910具体可W包括：
[0187] 第一求解子单元，用于根据样本集合中的一组正脸和预设数量的组的侧脸，得到 各组的PDM平均脸。
[0188] 优选地，所述第一分析单元920具体可W包括：
[0189] 第一分析子单元，用于基于所述各组的平均脸及第一真实脸的PDM脸进行主成分 分析，得到影响脸的角度的特征向量。
[0190] 优选地，所述第一分析子单元具体可W包括：
[0191] 第一计算单元，基于平均脸向量和第一真实脸向量计算得到协方差矩阵；
[0192] 第一排序单元，计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排 序；
[0193] 第一选择单元，用于基于预设值选出所述排序结果中前n个对特征值总值影响最 大的构成特征向量。
[0194] 优选地，所述第一反向构建单元930具体可W包括：
[01巧]第一反向构建子单元，通过调整特征向量中的向量对应的特征值，反向构建出不 同姿势的PDM脸；
[0196] 第二选择单元，从所述反向构建出的不同姿势PDM脸中选择与识别目标脸具有的 第一角度相一致的第二虚拟脸。
[0197] 优选地，所述第二选择单元具体可W包括：
[0198] 第一比对单元，用于比对通过比对反向构建的PDM脸中某两个点的距离与目标识 别脸的PDM脸中对应两个点的距离各自所占比例，
[0199] 第二判断单元，用于根据第一比对单元的比对结果判断反向构建的PDM脸是否与 目标识别脸的角度一致。
[0200] 优选地，所述第二选择单元具体可W包括：
[0201] 第二比对单元，用于比对反向构建的PDM脸中某S个点构成的S角形的面积与目 标识别脸的PDM脸中对应S个点构成的S角形的面积；
[020引第S判断单元，用于根据第二比对单元判断反向构建的PDM脸是否与目标识别脸 的角度一致，若是则得出第一真实脸与所述识别目标脸相符。
[0203] W下结合附图10介绍本申请一种侧脸识别系统实施例，具体包括：
[0204] 第二求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均 脸；
[0205] 第二分析单元，用于基于所述各组平均脸及第一真实脸，得到影响脸的角度的特 征向量；
[0206] 第二反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸 具有的第一角度相一致的第二虚拟脸；
[0207] 第二匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第 一真实脸对应的第二角度人脸；
[0208] 第二判断单元，用于判断第二角度人脸是否与所述识别目标脸相符，若是则得出 第一真实脸与所述识别目标脸相符。
[0209] 优选地，所述第二分析单元具体可W包括：
[0210] 第二分析子单元，基于所述各组的平均脸及第一真实脸的PDM脸进行主成分分 析，得到影响脸的角度的特征向量。
[0211] 优选地，所述第二反向构建单元具体可W包括：
[0212] 第二反向构建子单元，通过调整特征向量中的向量对应的特征值，反向构建出不 同姿势的PDM脸；
[021引第二选择单元，从所述反向构建出的不同姿势PDM脸中选择与识别目标脸具有的 第一角度相一致的第二虚拟脸。
[0214] 综上，结合图9和图10对应的实施例，本申请中的一种侧脸识别系统，可W包括如 下：
[0215] 求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0216] 分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征 向量；
[0217] 反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸具有 的第一角度相一致的第二虚拟脸；
[0218] 匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真 实脸对应的第二角度人脸；
[0219] 判断单元，用于判断第二角度人脸是否与所述识别目标脸相符，若是则得出第一 真实脸与所述识别目标脸相符。
[0220] 优选地，所述分析单元，具体可W包括：
[0221] 计算单元，用于基于平均脸向量和第一真实脸向量计算得到协方差矩阵；
[0222] 排序单元，用于计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排 序；
[0223] 第一选择单元，用于基于预设值选出所述排序结果中前n个对特征值总值影响最 大的构成特征向量。
[0224] 优选地，所述反向构建单元，具体可W包括：
[0225] 反向构建子单元，用于通过调整特征向量中的向量对应的特征值，反向构建出不 同姿势的PDM脸；
[0226] 第二选择单元，用于从所述反向构建出的不同姿势的PDM脸中，选择与识别目标 脸具有的第一角度相一致的PDM脸作为第二虚拟脸。
[0227] W下介绍本申请一种侧脸构建系统实施例，具体包括：
[022引第一求解单元，用于根据样本集合中的一组正脸和预设数量的组的侧脸，得到各 组的平均脸；
[0229] 第一分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的 特征向量；
[0230] 第一反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸 具有的第一角度相一致的第二虚拟脸；
[0231] 第一匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第 一真实脸对应的第二角度人脸。
[0232] 优选地，所述第一求解单元具体可W包括：
[0233] 第一求解子单元，用于根据样本集合中的一组正脸和预设数量的组的侧脸进行 PDM计算，得到各组的PDM平均脸。
[0234] 优选地，所述第一分析单元具体可W包括：
[0235] 第一分析子单元，用于基于所述各组的平均脸及第一真实脸的PDM脸进行主成分 分析，得到影响脸的角度的特征向量。
[0236] 优选地，所述第一分析子单元具体可W包括：
[0237] 第一计算单元，基于平均脸向量和第一真实脸向量计算得到协方差矩阵；
[0238] 第一排序单元，计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排 序；
[0239] 第一选择单元，用于基于预设值选出所述排序结果中前n个对特征值总值影响最 大的构成特征向量。
[0240] 优选地，所述第一反向构建单元具体可W包括：
[0241 ] 第一反向构建子单元，通过调整特征向量中的向量对应的特征值，反向构建出不 同姿势的PDM脸；
[024引第二选择单元，从所述反向构建出的不同姿势PDM脸中选择与识别目标脸具有的 第一角度相一致的第二虚拟脸。
[0243] 优选地，所述第二选择单元具体可W包括：
[0244] 第一比对单元，用于比对通过比对反向构建的PDM脸中某两个点的距离与目标识 别脸的PDM脸中对应两个点的距离各自所占比例，
[0245] 第二判断单元，用于根据第一比对单元的比对结果判断反向构建的PDM脸是否与 目标识别脸的角度一致。
[0246] 优选地，所述第二选择单元具体可W包括：
[0247] 第二比对单元，用于比对反向构建的PDM脸中某S个点构成的S角形的面积与目 标识别脸的PDM脸中对应S个点构成的S角形的面积；
[0248] 第S判断单元，用于根据第二比对单元判断反向构建的PDM脸是否与目标识别脸 的角度一致。
[0249] W下介绍本申请一种侧脸构建系统实施例，具体包括：
[0巧0] 第二求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均 脸；
[0巧1] 第二分析单元，用于基于所述各组平均脸及第一真实脸，W得到影响脸的角度的 特征向量；
[0252] 第二反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸 具有的第一角度相一致的第二虚拟脸；
[0巧3] 第二匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第 一真实脸对应的第二角度人脸。
[0巧4] 优选地，所述第二分析单元具体可W包括：
[0巧5] 第二分析子单元，基于所述各组的平均脸及第一真实脸的PDM脸进行主成分分 析，得到影响脸的角度的特征向量。
[0巧6] 优选地，所述第二反向构建单元具体可W包括：
[0257] 第二反向构建子单元，通过调整特征向量中的向量对应的特征值，反向构建出不 同姿势的PDM脸；
[0258] 第二选择单元，从所述反向构建出的不同姿势PDM脸中选择与识别目标脸具有的 第一角度相一致的第二虚拟脸。
[0259] 综上，结合上述侧脸构建系统的实施例，本申请中的一种侧脸构建系统，可W包括 如下：
[0%0] 求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均脸；
[0%1] 分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征 向量；
[0262] 反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸具有 的第一角度相一致的第二虚拟脸；
[0%3] 匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真 实脸对应的第二角度人脸。
[0264] 在20世纪90年代，对于一个技术的改进可W很明显地区分是硬件上的改进（例 如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改 进）。然而，随着技术的发展，当今的很多方法流程的改进已经可W视为硬件电路结构的直 接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路 结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑 器件（Programm油leLogicDevice,PLD)(例如现场可编程口阵列（FieldProgramm油le GateArray,FPGA))就是该样一种集成电路，其逻辑功能由用户对器件编程来确定。由设 计人员自行编程来把一个数字系统"集成"在一片PLD上，而不需要请巧片制造厂商来设 计和制作专用的集成电路巧片2。而且，如今，取代手工地制作集成电路巧片，该种编程也 多半改用"逻辑编译器（logiccompiler)"软件来实现，它与程序开发撰写时所用的软件 编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描 述语言（HardwareDescriptionLanguage,皿L)，而皿L也并非仅有一种，而是有许多种， 女日ABEL(AdvancedBooleanExpressionLanguage)、AHDL(AlteraHardwareDescription Language)、Confluence、CUPL(CornellUniversityProgrammingLanguage)、HDCal、 JHDL(JavaHardwareDescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescriptionLanguage)等，目前最普遍使用的是VHDL(Ve;ry-Hi曲-Speed IntegratedCircuitHardwareDescriptionLanguage)与Verilog2。本领域技术人员 也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路 中，就可W很容易得到实现该逻辑方法流程的硬件电路。
[02化]控制器可W按任何适当的方式实现，例如，控制器可W采取例如微处理器或处理器W及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算 机可读介质、逻辑口、开关、专用集成电路（Application Specific Integrated Cir州it, ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于W下微控制 器；ARC 625D、Atmel AT91SAM、Microchip PIC18巧服20 W及Silicone L油SC8051F320， 存储器控制器还可W被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了 W纯计算机可读程序代码方式实现控制器W外，完全可W通过将方法步骤进行逻辑编程来 使得控制器W逻辑口、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来 实现相同功能。因此该种控制器可W被认为是一种硬件部件，而对其内包括的用于实现各 种功能的装置也可W视为硬件部件内的结构。或者甚至，可W将用于实现各种功能的装置 视为既可W是实现方法的软件模块又可W是硬件部件内的结构。
[0%6] 上述实施例阐明的系统、装置、模块或单元，具体可W由计算机巧片或实体实现， 或者由具有某种功能的产品来实现。
[0%7] 为了描述的方便，描述W上装置时W功能分为各种单元分别描述。当然，在实施本 申请时可W把各单元的功能在同一个或多个软件和/或硬件中实现。
[0268] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序 产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实 施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产 品的形式。
[0269] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一 流程和/或方框、W及流程图和/或方框图中的流程和/或方框的结合。可提供该些计算 机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理 器W产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生 用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能 的装置。
[0270] 该些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备W特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0271] 该些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤W产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图 一个方框或多个方框中指定的功能的步骤。
[0272] 在一个典型的配置中，计算设备包括一个或多个处理器（CPU)、输入/输出接口、 网络接口和内存。
[0273] 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM)和/ 或非易失性内存等形式，如只读存储器（ROM)或闪存（flashRAM)。内存是计算机可读介质 的示例。
[0274] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可W由任何方法 或技术来实现信息存储。信息可W是计算机可读指令、数据结构、程序的模块或其他数据。 计算机的存储介质的例子包括，但不限于相变内存（PRAM)、静态随机存取存储器（SRAM)、 动态随机存取存储器值RAM)、其他类型的随机存取存储器（RAM)、只读存储器（ROM)、电 可擦除可编程只读存储器巧EPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘值VD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁 性存储设备或任何其他非传输介质，可用于存储可W被计算设备访问的信息。按照本文中 的界定，计算机可读介质不包括暂存电脑可读媒体（transitorymedia),如调制的数据信 号和载波。
[0275] 还需要说明的是，术语"包括"、"包含"或者其任何其他变体意在涵盖非排他性的 包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包 括没有明确列出的其他要素，或者是还包括为该种过程、方法、商品或者设备所固有的要 素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括所述 要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0276] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。 因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的 形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存 储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形 式。
[0277] 本申请可W在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序 模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组 件、数据结构等等。也可W在分布式计算环境中实践本申请，在该些分布式计算环境中，由 通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可w位于包括存储设备在内的本地和远程计算机存储介质中。
[0278] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部 分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实 施例而言，由于其基本相似于方法实施例，所W描述的比较简单，相关之处参见方法实施例 的部分说明即可。
[0279] W上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员 来说，本申请可W有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同 替换、改进等，均应包含在本申请的权利要求范围之内。
【主权项】
1. 一种侧脸识别方法，其特征在于，包括： 根据样本集合中的至少两组不同角度脸，得到各组的平均脸； 基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量； 通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相一致的第二 虚拟脸； 将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应的第二角度 人脸； 判断第二角度人脸是否与所述识别目标脸相符，若是，则得出第一真实脸与所述识别 目标脸相符。2. 如权利要求1所述的方法，其特征在于，所述根据样本集合中的至少两组不同角度 脸，得到各组的平均脸，具体包括： 对样本集合中的至少两组不同角度脸进行点分布模型PDM求解，得到各组的PDM平均 脸。3. 如权利要求1所述的方法，其特征在于，所述基于各组的平均脸及第一真实脸，得到 影响脸的角度的特征向量，具体包括： 对所述各组的平均脸及第一真实脸进行主成分分析，得到影响脸的角度的特征向量； 或， 对各组的平均脸及第一真实脸的PDM脸进行主成分分析，得到影响脸的角度的特征向 量。4. 如权利要求3所述的方法，其特征在于， 所述对各组的平均脸及第一真实脸进行主成分分析，得到影响脸的角度的特征向量， 具体包括： 基于各组的平均脸向量和第一真实脸向量计算得到协方差矩阵； 计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排序； 基于预设值选出所述排序结果中前n个对特征值总值影响最大的构成特征向量； 所述对各组的平均脸及第一真实脸的PDM脸进行主成分分析，得到影响脸的角度的特 征向量，具体包括： 基于各组的平均脸向量和第一真实脸的PDM脸向量计算得到协方差矩阵； 计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排序； 基于预设值选出所述排序结果中前n个对特征值总值影响最大的构成特征向量。5. 如权利要求1所述的方法，其特征在于，所述通过对所述特征向量进行反向构建，获 得与识别目标脸具有的第一角度相一致的第二虚拟脸，具体包括： 通过调整特征向量中的向量对应的特征值，反向构建出不同姿势的PDM脸； 从所述反向构建出的不同姿势的PDM脸中，选择与识别目标脸具有的第一角度相一致 的PDM脸作为第二虚拟脸。6. 如权利要求5所述的方法，其特征在于，所述从反向构建出的不同姿势的PDM脸中， 选择与识别目标脸具有的第一角度相一致的TOM脸作为第二虚拟脸，具体包括： 通过比对反向构建的PDM脸中某两个点的距离与目标识别脸的PDM脸中对应两个点的 距离各自所占比例，判断反向构建的PDM脸是否与目标识别脸的角度一致； 或， 通过比对反向构建的PDM脸中某三个点构成的三角形的面积与目标识别脸的PDM脸中 对应三个点构成的三角形的面积，判断反向构建的PDM脸是否与目标识别脸的角度一致。7. 如权利要求1至6中任一项所述的方法，其特征在于，所述样本集合中的至少两组不 同角度脸，具体包括： 一组正脸和预设数量的组的侧脸。8. -种侧脸构建方法，其特征在于，包括： 根据样本集合中的至少两组不同角度脸，得到各组的平均脸； 基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向量； 通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相一致的第二 虚拟脸； 将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应的第二角度 人脸。9.一种侧脸识别系统，其特征在于，包括： 求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均脸； 分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向 量； 反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸具有的第 一角度相一致的第二虚拟脸； 匹配单元，用于将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸 对应的第二角度人脸； 判断单元，用于判断第二角度人脸是否与所述识别目标脸相符，若是，则得出第一真实 脸与所述识别目标脸相符。10. 如权利要求9所述的系统，其特征在于，所述分析单元，具体包括： 计算单元，用于基于平均脸向量和第一真实脸向量计算得到协方差矩阵； 排序单元，用于计算协方差矩阵的特征值并将其结果按照从大到小的顺序依次排序； 选择单元，用于基于预设值选出所述排序结果中前n个对特征值总值影响最大的构成 特征向量。11. 如权利要求9所述的系统，其特征在于，所述反向构建单元，具体包括： 反向构建子单元，用于通过调整特征向量中的向量对应的特征值，反向构建出不同姿 势的HM脸； 选择单元，用于从所述反向构建出的不同姿势的PDM脸中，选择与识别目标脸具有的 第一角度相一致的PDM脸作为第二虚拟脸。12. -种侧脸构建系统，其特征在于，包括： 求解单元，用于根据样本集合中的至少两组不同角度脸，得到各组的平均脸； 分析单元，用于基于所述各组的平均脸及第一真实脸，得到影响脸的角度的特征向 量； 反向构建单元，用于通过对所述特征向量进行反向构建，获得与识别目标脸具有的第 一角度相一致的第二虚拟脸；
【专利摘要】本申请实施例公开了一种侧脸识别方法，包括：根据样本集合中至少两组不同角度脸，得到各组的平均脸；基于各组的平均脸及第一真实脸，得到特征向量；通过对所述特征向量进行反向构建，获得与识别目标脸具有的第一角度相一致的第二虚拟脸；将第一真实脸的面部纹理特征匹配至第二虚拟脸，获得与第一真实脸对应的第二角度人脸；判断第二角度人脸是否与所述识别目标脸相符，若是则得出所述第一真实脸与所述识别目标脸相符。利用本申请中的实施例，利于更加准确的判断第一真实脸是否与所述识别目标脸相符。此外，本申请实施例还公开了一种侧脸构建方法及系统，侧脸识别系统。
【IPC分类】G06K9/00
【公开号】CN104881657
【申请号】CN201510309716
【发明人】李聪颖
【申请人】微梦创科网络科技（中国）有限公司
【公开日】2015年9月2日
【申请日】2015年6月8日