一种基于人工智能的图像识别方法

摘要

本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的图像识别方法，该方法包括获取面部图像中对应的人脸图像；对人脸图像的灰度图像进行去噪处理得到新灰度图像，获取新灰度图像中每个像素点的实际像素点关联范围，基于实际像素点关联范围计算每个像素点属于五官像素点的重要程度；根据重要程度计算每个灰度级的重要指标，根据重要指标对新灰度图像中每个灰度级的累积概率分布进行修正，得到新累积概率分布，根据新累积概率分布对新灰度图像进行图像增强，得到增强后的图像；获取增强后的图像对应的图像识别结果，根据修正的累积概率分布对人脸图像进行不同程度的均衡化处理，(56)对比文件赵同刚等“.基于监督学习的Canny图像边缘检测改进算法研究”《.半导体光电》.2016,第731-741页.

权利要求

1.一种基于人工智能的图像识别方法，其特征在于，所述图像识别方法包括：

采集用户的面部图像，对所述面部图像进行语义分割，得到所述面部图像中对应的人脸图像，获取所述人脸图像对应的灰度图像，对所述灰度图像进行去噪处理得到新灰度图像；

获取所述新灰度图像中每个像素点的梯度幅值和梯度方向，根据像素点之间的梯度幅值差异和梯度方向差异，计算所述新灰度图像中每个像素点属于五官边缘像素点的可信度；

根据已存储的所有用户的标准人脸图像获取初始像素点关联范围，根据所有像素点的可信度和所述初始像素点关联范围，计算所述新灰度图像中每个像素点的实际像素点关联范围，基于所有像素点的实际像素点关联范围计算所述新灰度图像中每个像素点属于五官像素点的重要程度；

根据所有像素点的重要程度计算所述新灰度图像中每个灰度级的重要指标，获取所述新灰度图像中每个灰度级的累积概率分布，根据所有灰度级的重要指标对每个所述灰度级的累积概率分布进行修正，得到新累积概率分布，根据所有灰度级的新累积概率分布对所述新灰度图像中的像素点进行灰度值映射，得到增强后的图像；

对所述增强后的图像进行图像识别，获取对应的图像识别结果。

2.根据权利要求1所述的图像识别方法，其特征在于，所述根据像素点之间的梯度幅值差异和梯度方向差异，计算所述新灰度图像中每个像素点属于五官边缘像素点的可信度的方法，包括：根据所述新灰度图像中所有像素点的梯度幅值获取最大梯度幅值；

以所述新灰度图像中的任一像素点为预设滑窗的中心像素点，针对所述预设滑窗中任一非中心像素点，计算所述非中心像素点的梯度幅值与所述中心像素点的梯度幅值之间的比值，若所述比值大于或等于预设的比值阈值，则将所述非中心像素点作为标记像素点；

获取所述预设滑窗中的所有标记像素点以及对应的标记像素点数量，分别计算每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度；

获取所述预设滑窗中的像素点总数量，根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度。

3.根据权利要求2所述的图像识别方法，其特征在于，所述根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度的方法，包括：计算所述标记像素点数量和所述像素点总数量之间的数量比值，计算所述中心像素点的梯度幅值与所述最大梯度幅值之间的梯度比值；

根据每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算方向相似度均值；

将所述数量比值、所述梯度比值和所述方向相似度均值之间的乘积作为所述中心像素点属于五官边缘像素点的可信度。

4.根据权利要求1所述的图像识别方法，其特征在于，所述根据已存储的所有用户的标准人脸图像获取初始像素点关联范围的方法，包括：分别获取每张所述标准人脸图像中五官区域所包含的像素点数量，根据所有标准人脸图像中五官区域所包含的像素点数量，计算像素点数量均值，将所述像素点数量均值作为初始像素点关联范围。

5.根据权利要求1所述的图像识别方法，其特征在于，所述根据所有像素点的可信度和所述初始像素点关联范围，计算所述新灰度图像中每个像素点的实际像素点关联范围的方法，包括：针对所述新灰度图像中的任一像素点，获取所述像素点的可信度与所述初始像素点关联范围之间的相乘结果，对所述相乘结果进行向上取整得到的结果作为所述像素点的实际像素点关联范围。

6.根据权利要求1所述的图像识别方法，其特征在于，所述基于所有像素点的实际像素点关联范围计算所述新灰度图像中每个像素点属于五官像素点的重要程度的方法，包括：以所述新灰度图像中的任一像素点为圆心，根据所述像素点的实际像素点关联范围在所述新灰度图像中构建所述像素点的关联范围圆；

在所述新灰度图像中构建每个像素点的关联范围圆，分别统计包含每个所述像素点的关联范围圆个数，计算所有像素点的关联范围圆个数的相加结果；

获取所述新灰度图像中的像素点总数量，针对所述新灰度图像中的任一像素点，以所述像素点的关联范围圆个数与所述像素点总数量之间的乘积作为分子，以所述相加结果作为分母，得到的比值作为所述像素点属于五官像素点的重要程度。

7.根据权利要求1所述的图像识别方法，其特征在于，所述根据所有像素点的重要程度计算所述新灰度图像中每个灰度级的重要指标的方法，包括：针对所述新灰度图像中的任一灰度级，获取所述灰度级下的目标像素点，计算所有目标像素点的重要程度的平均值，将所述平均值作为所述灰度级的重要指标。

8.根据权利要求1所述的图像识别方法，其特征在于，所述根据所有灰度级的重要指标对每个所述灰度级的累积概率分布进行修正，得到新累积概率分布，包括：获取每个所述灰度级的重要指标和累积概率分布之间的第一乘积，计算所有灰度级的重要指标的加和结果；

针对任一灰度级，计算所述灰度级之前的所有灰度级且包括所述灰度级之间的第一乘积的第一相加结果，以所述第一相加结果为分子，以所述加和结果为分母，得到的比值作为所述灰度级的新累积概率分布。

说明书

一种基于人工智能的图像识别方法

技术领域

[0001] 本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的图像识别方法。

背景技术

[0002] 图像识别是通过提取图像中具有区分性的特征信息，以用来描述和表示图像中的目标或特定模式，然而图像质量是引起图像识别准确性的关键因素，较高的图像质量可以提供更多的细节和特征，有助于识别算法更准确地提取和利用图像中的信息。而低质量的图像可能导致信息丢失、噪声、失真和畸变等问题，进而降低图像识别的准确性。

[0003] 在图像采集过程中，采集环境或多或少会影响图像质量，例如由于光照条件、背景噪声等各种环境影响因素，导致采集的图像的清晰度和可视性下降，故为了保证图像识别的准确性，需要对采集图像进行增强处理。

[0004] 现有技术中，通常直方图均衡化方法对采集的图像进行图像增强，以提高采集的图像的清晰度和可视性，进而对图像增强后的图像进行图像识别，以准确地提取并利用图像中的信息。但是，传统的直方图均衡化是对采集的图像进行全局处理，而受到光照条件等环境影响的图像的对比度较低，在利用传统的直方图均衡化进行图像增强时，极易造成图像的细节丢失，进而会降低图像识别的准确性。

[0005] 因此，如何提高图像的清晰度，以提高图像识别的准确性成为亟需解决的问题。

发明内容

[0006] 有鉴于此，本发明实施例提供了一种基于人工智能的图像识别方法，以解决如何提高图像的清晰度，以提高图像识别的准确性的问题。

[0007] 本发明实施例提供一种基于人工智能的图像识别方法，所述图像识别方法包括：

[0008] 基于预设的采样频率采集用户的面部图像，对所述面部图像进行语义分割，得到所述面部图像中对应的人脸图像，获取所述人脸图像对应的灰度图像，对所述灰度图像进行去噪处理得到新灰度图像；

[0009] 获取所述新灰度图像中每个像素点的梯度幅值和梯度方向，根据像素点之间的梯度幅值差异和梯度方向差异，计算所述新灰度图像中每个像素点属于五官边缘像素点的可信度；

[0010] 根据已存储的所有用户的标准人脸图像获取初始像素点关联范围，根据所有像素点的可信度和所述初始像素点关联范围，计算所述新灰度图像中每个像素点的实际像素点关联范围，基于所有像素点的实际像素点关联范围计算所述新灰度图像中每个像素点属于五官像素点的重要程度；

[0011] 根据所有像素点的重要程度计算所述新灰度图像中每个灰度级的重要指标，获取所述新灰度图像中每个灰度级的累积概率分布，根据所有灰度级的重要指标对每个所述灰度级的累积概率分布进行修正，得到新累积概率分布，根据所有灰度级的新累积概率分布对所述新灰度图像中的像素点进行灰度值映射，得到增强后的图像；

[0012] 对所有人脸图像对应的增强后的图像进行图像识别，获取对应的图像识别结果。

[0013] 优选的，所述根据像素点之间的梯度幅值差异和梯度方向差异，计算所述新灰度图像中每个像素点属于五官边缘像素点的可信度的方法，包括：

[0014] 根据所述新灰度图像中所有像素点的梯度幅值获取最大梯度幅值；

[0015] 以所述新灰度图像中的任一像素点为预设滑窗的中心像素点，针对所述预设滑窗中任一非中心像素点，计算所述非中心像素点的梯度幅值与所述中心像素点的梯度幅值之间的比值，若所述比值大于或等于预设的比值阈值，则将所述非中心像素点作为标记像素点；

[0016] 获取所述预设滑窗中的所有标记像素点以及对应的标记像素点数量，分别计算每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度；

[0017] 获取所述预设滑窗中的像素点总数量，根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度。

[0018] 优选的，所述根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度的方法，包括：

[0019] 计算所述标记像素点数量和所述像素点总数量之间的数量比值，计算所述中心像素点的梯度幅值与所述最大梯度幅值之间的梯度比值；

[0020] 根据每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算方向相似度均值；

[0021] 将所述数量比值、所述梯度比值和所述方向相似度均值之间的乘积作为所述中心像素点属于五官边缘像素点的可信度。

[0022] 优选的，所述根据已存储的所有用户的标准人脸图像获取初始像素点关联范围的方法，包括：

[0023] 分别获取每张所述标准人脸图像中五官区域所包含的像素点数量，根据所有标准人脸图像中五官区域所包含的像素点数量，计算像素点数量均值，将所述像素点数量均值作为初始像素点关联范围。

[0024] 优选的，所述根据所有像素点的可信度和所述初始像素点关联范围，计算所述新灰度图像中每个像素点的实际像素点关联范围的方法，包括：

[0025] 针对所述新灰度图像中的任一像素点，获取所述像素点的可信度与所述初始像素点关联范围之间的相乘结果，对所述相乘结果进行向上取整得到的结果作为所述像素点的实际像素点关联范围。

[0026] 优选的，所述基于所有像素点的实际像素点关联范围计算所述新灰度图像中每个像素点属于五官像素点的重要程度的方法，包括：

[0027] 以所述新灰度图像中的任一像素点为圆心，根据所述像素点的实际像素点关联范围在所述新灰度图像中构建所述像素点的关联范围圆；

[0028] 在所述新灰度图像中构建每个像素点的关联范围圆，分别统计包含每个所述像素点的关联范围圆个数，计算所有像素点的关联范围圆个数的相加结果；

[0029] 获取所述新灰度图像中的像素点总数量，针对所述新灰度图像中的任一像素点，以所述像素点的关联范围圆个数与所述像素点总数量之间的乘积作为分子，以所述相加结果作为分母，得到的比值作为所述像素点属于五官像素点的重要程度。

[0030] 优选的，所述根据所有像素点的重要程度计算所述新灰度图像中每个灰度级的重要指标的方法，包括：

[0031] 针对所述新灰度图像中的任一灰度级，获取所述灰度级下的目标像素点，计算所有目标像素点的重要程度的平均值，将所述平均值作为所述灰度级的重要指标。

[0032] 优选的，所述根据所有灰度级的重要指标对每个所述灰度级的累积概率分布进行修正，得到新累积概率分布，包括：

[0033] 获取每个所述灰度级的重要指标和累积概率分布之间的第一乘积，计算所有灰度级的重要指标的加和结果；

[0034] 针对任一灰度级，计算所述灰度级之前的所有灰度级且包括所述灰度级之间的第一乘积的第一相加结果，以所述第一相加结果为分子，以所述加和结果为分母，得到的比值作为所述灰度级的新累积概率分布。

[0035] 本发明实施例与现有技术相比存在的有益效果是：

[0036] 本发明通过采集用户的面部图像，并将面部图像中的五官区域分割出来，得到对应的人脸图像，然后对人脸图像进行灰度化和去噪的预处理，得到无噪声干扰的灰度图像，由于人脸的五官、胎记等区域的细节特征比较多，对应像素点的梯度幅值较大，且与周围像素点的关联性越强，因此根据灰度图像中每个像素点的梯度信息，分析对应像素点属于五官边缘像素点的可信度，可信度越大，约有可能为五官或胎记等区域的像素点，进而基于像素点以及周围像素点的可信度计算每个像素点的重要程度，以排除环境关照对部分像素点的可信度的影响，使得像素点属于五官像素点的重要程度的分析更加严谨，从而根据所有像素点的重要程度计算的每个灰度级的重要指标更加符合实际，同时提高了根据所有灰度级的重要指标对每个灰度级的累积概率分布进行修正的准确性，根据修正得到新累积概率分布对人脸图像进行不同程度的均衡化处理，得到清晰度高的人脸图像，基于清晰度高的人脸图像进行图像识别，在保证图像细节特征的同时大大增强图像的对比度，从而提高了图像识别结果的准确性。

附图说明

[0037] 为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

[0038] 图1是本发明实施例一提供的一种基于人工智能的图像识别方法的方法流程图。

具体实施方式

[0039] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

[0040] 应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0041] 还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

[0042] 如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

[0043] 另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0044] 在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

[0045] 应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

[0046] 为了说明本发明的技术方案，下面通过具体实施例来进行说明。

[0047] 本发明的适应场景为：例如门禁系统、安全监控系统等与身份验证识别相关的各种场景，本发明实施例以门禁系统的身份验证识别为例，通过采集用户的面部图像，对面部图像进行预处理后，得到人脸图像，通过对人脸图像进行图像增强，对图像增强后的人脸图像进行图像识别，得到用户身份特征，根据用户身份特征控制门禁系统的开闭。

[0048] 参见图1，是本发明实施例一提供的一种基于人工智能的图像识别方法的方法流程图，如图1所示，该图像识别方法可以包括：

[0049] 步骤S101，采集用户的面部图像，对面部图像进行语义分割，得到面部图像中对应的人脸图像，获取人脸图像对应的灰度图像，对灰度图像进行去噪处理得到新灰度图像。

[0050] 具体的，使用门禁系统中自带的图像采集设备对即将进行身份验证的用户进行视频图像采集，以得到用户的面部图像。值得说明的是，在进行图像采集时，首先检测是否有用户出现在门禁系统的图像采集范围内，若检测到用户出现在图像采集范围内，则对用户开始进行图像采集，得到用户的面部图像。

[0051] 为了减少面部图像之外的环境因素干扰，本发明实施例中采用DNN技术对每张面部图像进行语义分割，以排除背景干扰，从而得到背景分割之后的人脸图像，针对任一面部图像，使用DNN技术进行语义分割，得到对应的人脸图像的过程为：

[0052] (1)利用训练集对DNN网络进行训练，以得到训练好的DNN网络。

[0053] 具体的，DNN网络的训练过程为：首先采集人脸形态、肤色各异的多个用户的面部图像，然后对每张面部图像进行标签标注，将背景像素点的像素值置为0，属于用户五官的像素点的像素值置为1，然后，利用带有标签的面部图像对DNN网络进行训练，DNN网络的任务为分类，使用的损失函数为交叉熵损失函数。

[0054] 需要说明的是，DNN网络的训练过程为现有技术，此处不作过多赘述。

[0055] (2)将面部图像输入训练好的DNN网络中进行语义分割，得到对应的人脸图像。

[0056] 至此，利用训练好的DNN网络能够分别对N张面部图像进行语义分割，得到每张面部图像中对应的人脸图像。然后，对人脸图像进行灰度化处理，得到对应的灰度图像，然后，采用高斯滤波对灰度图像进行去噪出来，得到去噪后的灰度图像，也即是新灰度图像。值得说明的是，灰度化处理和高斯滤波都属于现有技术，本发明实施例中不再赘述。

[0057] 步骤S102，获取新灰度图像中每个像素点的梯度幅值和梯度方向，根据像素点之间的梯度幅值差异和梯度方向差异，计算新灰度图像中每个像素点属于五官边缘像素点的可信度。

[0058] 具体的，在得到新灰度图像之后，考虑到人脸的五官、胎记等区域的细节特征较多，在新灰度图像中对应像素点的梯度值较大，且像素点自身的梯度值越大，与其周围像素点的关联性越强，对应像素点的可信度越大，越有可能为五官细节部分的像素点，因此，本发明采用sobel算子获取新灰度图像中每个像素点在x方向的梯度fx和在y方向的梯度fy，针对任一像素点，根据该像素点的梯度fx和梯度fy计算得到对应的梯度方向梯度幅值

[0059] 像素点的梯度幅值越大，说明像素点越可能属于五官边缘像素点，但是孤立噪声点的梯度幅值也较大，若仅仅只考虑像素点的梯度幅值，则会很大程度的受到孤立噪声点的干扰，导致后续增强结果也受到很大程度的干扰。但考虑到像素点若属于五官边缘细节的像素点，则该像素点的附近存在多个梯度幅值较大的像素点，且由于五官具有较强的边缘特征，属于五官边缘的像素点的梯度方向较为相似，因此，根据像素点之间的梯度幅值差异和梯度方向差异，计算新灰度图像中每个像素点属于五官边缘像素点的可信度，具体过程为：

[0060] (1)根据所述新灰度图像中所有像素点的梯度幅值获取最大梯度幅值fmax。

[0061] (2)以所述新灰度图像中的任一像素点为预设滑窗的中心像素点，针对所述预设滑窗中任一非中心像素点，计算所述非中心像素点的梯度幅值与所述中心像素点的梯度幅值之间的比值，若所述比值大于或等于预设的比值阈值，则将所述非中心像素点作为标记像素点。

[0062] 具体的，在新灰度图像中以任一像素点为中心像素点建立n×n的滑窗，且n取经验值，n＝9。由于属于五官边缘像素点的梯度幅值较大，且其周围存在多个梯度幅值较大的像素点，因此，根据梯度幅值对滑窗中除中心像素值之外的像素点进行标记，以获取梯度幅值较大的像素点，具体的，分别计算滑窗中每个非中心像素点梯度幅值与中心像素点的梯度幅值之间的比值，则，比值公式为：

[0063]

[0064] 其中，gi为滑窗中的第i个非中心像素点的可信度，fi为滑窗中的第i个非中心像素点的梯度幅值。

[0065] 设置比值阈值为0.35，比值阈值可根据实施场景进行自适应设置，本发明不做要求。针对滑窗中的任一非中心像素点，将该非中心像素点对应的比值与比值阈值进行比较，若比值大于或等于比值阈值，将该非中心像素点作为标记像素点。

[0066] (3)获取所述预设滑窗中的所有标记像素点以及对应的标记像素点数量，分别计算每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度。

[0067] 具体的，利用步骤(2)得到滑窗中的所有标记像素点，并统计得到标记像素点数量。针对任一标记像素点，采用余弦相似度计算该标记像素点的梯度方向与中心像素点的梯度方向之间的方向相似度，其中，余弦相似度为现有技术，本发明实施例中不再进行详细赘述。

[0068] (4)获取所述预设滑窗中的像素点总数量，根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度。

[0069] 具体的，首先根据滑窗的尺寸能够确定滑窗中的像素点总数量，然后，计算所述标记像素点数量和所述像素点总数量之间的数量比值，计算所述中心像素点的梯度幅值与所述最大梯度幅值之间的梯度比值；根据每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算方向相似度均值；将所述数量比值、所述梯度比值和所述方向相似度均值之间的乘积作为所述中心像素点属于五官边缘像素点的可信度，相对应的，可信度的计算表达式为：

[0070]

[0071] 其中，hz为滑窗的中心像素点z属于五官边缘像素点的可信度，n2为滑窗中的像素点总数量，也即是滑窗的面积，fz为滑窗的中心像素点z的梯度幅值，kj为第j个标记像素点的梯度方向与中心像素点的梯度方向之间的方向相似度，M为标记像素点数量。

[0072] 需要说明的是，滑窗中标记像素点的占比越大，也即是标记像素点数量M越大，说明滑窗所在区域像素点的梯度幅值较大，可能为五官区域，对应中心像素点属于五官边缘像素点的可信度越大；标记像素点与滑窗的中心像素点的梯度方向越相似，也即是方向相似度均值 越大，越说明滑窗中像素点的梯度方向特征符合五官区域中像素点梯度方向的特征，则对应中心像素点属于五官边缘像素点的可信度越大；滑窗的中心像素点的梯度幅值越大，对应梯度比值 越大，说明滑窗中心像素点越可能为五官边缘像素点。

[0073] 至此，利用可信度的计算表达式，能够获取新灰度图像中每个像素点属于五官边缘像素点的可信度。

[0074] 步骤S103，根据已存储的所有用户的标准人脸图像获取初始像素点关联范围，根据所有像素点的可信度和初始像素点关联范围，计算新灰度图像中每个像素点的实际像素点关联范围，基于所有像素点的实际像素点关联范围计算新灰度图像中每个像素点属于五官像素点的重要程度。

[0075] 具体的，像素点的可信度越大，说明该像素点越有可能为五官边缘像素点，但受到环境光照条件的影响，过曝光或欠曝光均会导致像素点的梯度幅值变小，从而引起像素点的可信度变化，也即部分像素点的可信度理应较大，但由于受到环境光照的影响，导致像素点的可信度较小，但该类像素点是分布在可信度较大的像素点的附近的，故，根据像素点及其周围像素点的可信度获取每个像素点的重要程度，具体过程如下：

[0076] (1)分别获取每张所述标准人脸图像中五官区域所包含的像素点数量，根据所有标准人脸图像中五官区域所包含的像素点数量，计算像素点数量均值，将所述像素点数量均值作为初始像素点关联范围。

[0077] 具体的，在使用拍门系统时，拍门系统连接的数据库中会存储很多用户的面部图像，对每张面部图像使用训练好的DNN网络进行语义分割，对应得到每张面部图像的人脸图像，也即是用户验证身份时的标准人脸图像。

[0078] 分别统计每张标准人脸图像中五官区域所包含的像素点数量或五官区域面积，计算所有标准人脸图像中五官区域所包含的像素点数量或五官区域面积的均值，作为初始像素点关联范围，值得说明的是，初始像素点关联范围是指标准人脸图像中与每个像素点的相关性较高的周围像素点的数量，则可以根据面积的大小统计对应像素点的数量。

[0079] (2)针对所述新灰度图像中的任一像素点，获取所述像素点的可信度与所述初始像素点关联范围之间的相乘结果，对所述相乘结果进行向上取整得到的结果作为所述像素点的实际像素点关联范围。

[0080] 具体的，根据每个像素点的可信度和初始像素点关联范围，计算对应像素点的实际像素点关联范围，则实际关联像素点范围的计算表达式为：

[0081]

[0082] 其中，mr表示新灰度图像中第r个像素点的实际像素点关联范围，hr表示新灰度图像中第r个像素点的可信度，H表示初始像素点关联范围， 表示向上取整操作。

[0083] 需要说明的是，像素点的可信度越大，说明该像素点有可能为五官区域的像素点，故该像素点的像素关联范围越大。

[0084] (3)以所述新灰度图像中的任一像素点为圆心，根据所述像素点的实际像素点关联范围在所述新灰度图像中构建所述像素点的关联范围圆；在所述新灰度图像中构建每个像素点的关联范围圆，分别统计包含每个所述像素点的关联范围圆个数，计算所有像素点的关联范围圆个数的相加结果；获取所述新灰度图像中的像素点总数量，针对所述新灰度图像中的任一像素点，以所述像素点的关联范围圆个数与所述像素点总数量之间的乘积作为分子，以所述相加结果作为分母，得到的比值作为所述像素点属于五官像素点的重要程度。

[0085] 具体的，以新灰度图像中的任一像素点为圆心，建立该像素点的关联范围圆，通过改变关联范围圆的半径，令关联范围圆内恰好包含该像素点的实际像素点关联范围对应的像素点个数。同理，构建新灰度图像中每个像素点的关联范围圆。

[0086] 根据每个像素点的关联范围圆获取每个像素点的覆盖次数，也即是包含任一像素点的关联范围圆个数，具体的，针对新灰度图像中的任意一个像素点，且该像素点的坐标为(xi，yi)，若坐标为(xi，yi)的像素点包含于某一个像素点的关联范围圆，则坐标为(xi，yi)的像素点的覆盖次数加1，遍历所有像素点的关联范围圆，得到坐标为(xi，yi)的像素点的覆盖次数，记为si，同理，获取新灰度图像中所有像素点的覆盖次数s。

[0087] 根据新灰度图像中所有像素点的覆盖次数，计算每个像素点属于五官像素点的重要程度，则重要程度的计算表达式为：

[0088]

[0089] 其中，Qi表示坐标为(xi，yi)的像素点属于五官像素点的重要程度，si表示坐标为(xi，yi)的像素点的覆盖次数，也即是包含坐标为(xi，yi)的像素点的关联范围圆个数，T表示新灰度图像中的像素点总数量，sw表示新灰度图像中第w个像素点的覆盖次数。

[0090] 需要说明的是，像素点的覆盖次数越多，说明该像素点位于可信度较大的像素点的附近，则该像素点越可能为五官细节区域的像素点，故该像素点属于五官像素点的重要程度较大。

[0091] 至此，利用上述步骤(1)至(3)的方法，得到新灰度图像中每个像素点属于五官像素点的重要程度。

[0092] 步骤S104，根据所有像素点的重要程度计算新灰度图像中每个灰度级的重要指标，获取新灰度图像中每个灰度级的累积概率分布，根据所有灰度级的重要指标对每个灰度级的累积概率分布进行修正，得到新累积概率分布，根据所有灰度级的新累积概率分布对新灰度图像中的像素点进行灰度值映射，得到增强后的图像。

[0093] 具体的，在得到新灰度图像中每个像素点属于五官像素点的重要程度之后，根据新灰度图像中每个像素点的灰度值建立灰度统计直方图。然后，针对所述新灰度图像中的任一灰度级，根据灰度统计直方图获取所述灰度级下的目标像素点，计算所有目标像素点的重要程度的平均值，将所述平均值作为所述灰度级的重要指标，则重要指标的计算表达式为：

[0094]

[0095] 其中，qv表示第v个灰度级的重要指标，uv表示第v个灰度级下的目标像素点的数量，Qi表示第v个灰度级下第i个像素点属于五官像素点的重要程度。

[0096] 需要说明的是，第v个灰度级中重要程度大的像素点越多，则第v个灰度级的重要指标也越大。

[0097] 同理，利用重要指标的计算表达式，获取每个灰度级的重要指标。

[0098] 传统的直方图均衡化是利用相同权重的每个灰度级进行图像增强，这样会导致增强后的图像细节丢失，因此，根据各个灰度级中各个像素点的重要程度获取灰度级的重要指标，对于重要指标较大的灰度级赋予较大的权重，使得该灰度级对应的像素点更加凸显和突出，而对于灰度级权重较低的灰度级，将会受到较少的影响。故，本发明实施例利用传统的直方图均衡化，获取新灰度图像中每个灰度级的累积概率分布CDF，其中，累积概率分布CDF的获取方法与传统的直方图均衡化中的相关过程相同，传统的直方图均衡化为现有技术，本发明实施例不再赘述。

[0099] 将每个灰度级的重要指标作为对应累积概率分布CDF的权重，对每个灰度级的累积概率分布进行修正，得到新累积概率分布，具体为：获取每个所述灰度级的重要指标和累积概率分布之间的第一乘积，计算所有灰度级的重要指标的加和结果；针对任一灰度级，计算所述灰度级之前的所有灰度级且包括所述灰度级之间的第一乘积的第一相加结果，以所述第一相加结果为分子，以所述加和结果为分母，得到的比值作为所述灰度级的新累积概率分布。

[0100] 其中，新累积概率分布的计算表达式为：

[0101]

[0102] 其中，ΔCDFi表示加权调整后的第i个灰度级的累积概率分布，也即是新累积概率分布，qj表示第j个灰度级的权重，也即是第j个灰度级的的重要指标，CDFj表示第i个灰度级的累积概率分布，qi表示第i个灰度级的权重，也即是第i个灰度级的的重要指标。

[0103] 至此，得到新灰度图像中每个灰度级对应的新累积概率分布，则根据所有灰度级的新累积概率分布，将新灰度图像中每个灰度级映射到0‑255的灰度级范围内，每个灰度级下的每个像素点映射后得到新的灰度值，所有像素点映射完成后，得到增强后的图像。

[0104] 步骤S105，对所有人脸图像对应的增强后的图像进行图像识别，获取对应的图像识别结果。

[0105] 具体的，利用步骤S102至步骤S104的方法分别对N张人脸图像进行图像增强，得到每张人脸图像对应的增强后的图像。针对任一人脸图像对应的增强后的图像，将所述人脸图像对应的增强后的图像与已存储的所有用户的标准人脸图像进行特征匹配，得到对应的匹配结果，所述匹配结果也即是图像识别。

[0106] 在利用门禁系统进行用户的身份验证识别时，可进一步，根据多张人脸图像对应的增强后的图像的匹配结果对用户进行身份验证，进而根据身份验证结果控制门禁系统，具体控制方法为：从采集到用户面部图像的第一帧开始，每隔a帧进行一张面部图像的保留，优选的，本发明实施例中a取经验值10，从而能够得到N张面部图像，N至少为2。根据每张面部图像的人脸图像，获取每张人脸图像对应的增强后的图像，若存在预设数量的人脸图像的验证结果为通过，则门禁系统进行开门控制，因此，统计所述匹配结果为匹配成功的人脸图像的数量，当所述数量超过预设数量阈值时，则所述用户的身份验证通过；当所述数量不超过预设数量阈值时，则所述用户的身份验证失败，并提示所述用户重复进行身份验证，若所述用户的身份验证失败的次数超过预设次数，则进行报警处理。其中预设的数量阈值为 预设次数为3，也即是存在四分之三的人脸图像通过身份验证，则门禁系统控制开门，反之，若超过3次都身份验证失败，则进行报警处理，以通知相应的工作人员进行人工验证。

[0107] 综上所述，本发明实施例通过采集多张用户的面部图像，并将每张面部图像中的五官区域分割出来，得到对应的人脸图像，然后对人脸图像进行灰度化和去噪的预处理，得到无噪声干扰的灰度图像，由于人脸的五官、胎记等区域的细节特征比较多，对应像素点的梯度幅值较大，且与周围像素点的关联性越强，因此根据灰度图像中每个像素点的梯度信息，分析对应像素点属于五官边缘像素点的可信度，可信度越大，约有可能为五官或胎记等区域的像素点，进而基于像素点以及周围像素点的可信度计算每个像素点的重要程度，以排除环境关照对部分像素点的可信度的影响，使得像素点属于五官像素点的重要程度的分析更加严谨，从而根据所有像素点的重要程度计算的每个灰度级的重要指标更加符合实际，同时提高了根据所有灰度级的重要指标对每个灰度级的累积概率分布进行修正的准确性，根据修正得到新累积概率分布对人脸图像进行不同程度的均衡化处理，得到清晰度高的人脸图像，基于清晰度高的人脸图像进行图像识别，在保证图像细节特征的同时大大增强图像的对比度，从而提高了图像识别结果的准确性。

[0108] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。