本发明涉及防盗门锁技术领域，尤其涉及一种基于人脸识别的防盗门锁的识别方法、防盗门锁以及介质。
背景技术：
现有的防盗门锁的人脸识别算法误检率较高，从而使得主人在使用时也难以进入的情况的发生。
因此，亟需一种能够提高人脸识别算法成功率的基于人脸识别的防盗门锁的识别方法、防盗门锁以及介质，从而解决现有的防盗门锁的人脸识别算法误检率较高，从而使得主人在使用时也难以进入的情况的发生的问题。
技术实现要素：
本发明的主要目的在于提供能够提高人脸识别算法成功率的基于人脸识别的防盗门锁的识别方法、防盗门锁以及介质，从而解决现有的防盗门锁的人脸识别算法误检率较高，从而使得主人在使用时也难以进入的情况的发生的问题。
为实现上述目的，本发明第一方面提供了一种基于人脸识别的防盗门锁的识别方法，所述方法包括：
接收终端设备获取并发送的人脸图像；
通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；
根据验证结果控制电子门锁的开关；
如果身份验证通过则打开电子门锁；
如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。
优选地，所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法的步骤，具体包括：
对所述人脸图像进行处理获取肤色区域和非肤色区域；
根据训练的肤色识别模型对所述肤色区域进行圈定；
检测并获取所述肤色区域的特征部位；所述特征部位包括眼睛、鼻端、眉毛、嘴巴或其他面部特征；
对肤色区域进行马赛克处理的图像；
通过拉普拉斯算子对经过马赛克处理的图像进行水平边缘检测；其中，马赛克图像每一像素点的亮度值是该图像马赛克矩阵内所有像素点亮度值的均值。
优选地，所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法的步骤，还包括：
获取显示的边缘线；
将显示的边缘线的重心点计算出来，利用这些重心点来代替对应的忽略的边缘线；
对显示的边缘线和被代替的忽略的边缘线进行几何分布判决并判决是否符合人脸的特征几何分布；
如果符合人脸的特征几何分布，则对显示的边缘线和被代替的忽略的边缘线进行提取人脸特征。
优选地，所述对显示的边缘线和被代替的忽略的边缘线进行提取人脸特征，具体包括：
基于主成分分析法对人脸特征提取。
优选地，所述基于主成分分析法对人脸特征提取，具体包括：
对输入图像进行预处理；
接收数据库存储的训练样本并进行训练，形成特征脸；
获取训练图像和测试图像在特征子空间中的投影；
使用距离函数进行评估，判定测试图像是否在特征空间存在。
优选地，接收数据库存储的训练样本并进行训练，形成特征脸具体包括：
读入人脸图像训练库；
根据人脸图像训练库计算出平均脸；
获取各张人脸与平均人脸的差值；
计算协方差矩阵以及协方差矩阵的特征值及其特征向量；
对特征值从大到小排列；
根据预设能量大小，求出选择的特征值个数；
计算特征脸形成的子坐标系；
获取待测人脸图像；
将人脸映射到坐标系中；
根据距离分类器识别人脸。
优选地，所述训练过程包括：
将每张大小为lw×lh的二维人脸图像的灰度值转化成一个n维的向量，转化原则是元素从左到右首位相接，其中n＝lw×lh；
计算类内离散度矩阵与类间离散度矩阵的公式计算sw和sb,sw和sb对应的m个最大特征值为ri(i＝1，2……，m)，ui(i＝1，2……，m)是满足sbui＝riswui(i＝1，2……，m)。
优选地，所述训练过程还包括：
计算出sw-1sb的特征值；
将求解得到的特征值从大到小排列；
将求解得到的特征值中前m个最大的特征值筛选出来；
计算这些特征值相应的特征向量；
计算得到的特征向量即为最后的投影向量。
本发明第二方面公开了一种基于人脸识别的防盗门锁，所述防盗门锁包括：
接收模块：用于接收终端设备获取并发送的人脸图像；
处理模块：用于通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；
控制模块：用于根据验证结果控制电子门锁的开关；
控制模块：还用于如果身份验证通过则打开电子门锁；
控制模块：还用于如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。
本发明第三方面公开了一种存储介质，所述存储介质存储有可执行程序，所述可执行程序被执行时，实现上述基于人脸识别的防盗门锁的识别方法。
本发明提供的技术方案，具有以下优点：
接收终端设备获取并发送的人脸图像；通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；根据验证结果控制电子门锁的开关；如果身份验证通过则打开电子门锁；如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。能够提高人脸识别算法成功率。
附图说明
图1为本发明提供的一实施例提供的一种基于人脸识别的防盗门锁的识别方法的流程示意图。
图2为本发明提供的另一实施例提供的一种基于人脸识别的防盗门锁的识别方法的场景示意图。
图3为本发明提供的一实施例提供的一种基于人脸识别的防盗门锁的结构示意图。
图4为本申请另一实施例提供的服务器的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参看图1和2，本发明的一方面提供了一种基于人脸识别的防盗门锁的识别方法，应用于图像采集模块，服务器，电子门锁等组成的人脸识别系统，所述方法包括：
步骤s10：接收终端设备获取并发送的人脸图像。
当用户靠近终端设备时，终端设备识别到人脸靠近时可以唤醒灯光以使终端设备获取视频流以及视频流中的人脸图像，并将人脸图像发送给服务器。为了提高系统稳定性和识别率，在硬件上选用高清的摄像头采集人脸图像。终端模块主要负责图像的采集，图像采集的设备主要是摄像头，摄像头感光元件选用cmos，之所以选择cmos是因为该感光技术的摄像头将图像信号在采集设备输出的信号是数字信号在内部已经完成ad转换，可以直接和数字系统相连。
当然，图像处理模块可以对图像的预处理和传送，摄像头监测到的是视频数据，将视频关键图像截取，并将关键图像通过图像处理的方法进行压缩，并通过计算机网络传递到服务器。
步骤s20：通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法。具体地，利用物理中的电流磁效应，利用通电电磁铁的磁力将门吸附，达到锁门的效果。当接收到开门信号后就断开电磁铁的通电，被吸附的门会自然打开。而开门信号是控制器的arm发出的电平信号。电子门锁的外围电路设计了无线接收器，当人脸识别结果为可以通过时，服务器向电子门发送打开信号即可。
再服务器端进行身份的验证和识别，通过在算法上不断进行实验和优化提升算法识别率。例如，通过肤色信息将人脸和背景区别开；具体地，肤色检测可以在多个色度空间中进行：rgb归一化、his、cymk、cbcr方法等。亮度信息随光照，阴影的变化有较大的变动；相反，色调信息却相对稳定。而肤色和非肤色又有较为明显的区别，使得建立一个基于色度分析的肤色滤波器能够更准确的定位人脸区域。通过对不同性别、不同年龄及不同肤色的人脸图像的肤色和非肤色分布情况的统计，可以得出亮度信息归一化以后肤色和非肤色各自具有相对稳定的色度聚类特性的结论，从而建立统计模型。具体包括步骤s21-步骤s28。
步骤s21：对所述人脸图像进行处理获取肤色区域和非肤色区域；
步骤s22：根据训练的肤色识别模型对所述肤色区域进行圈定；
步骤s23：检测并获取所述肤色区域的特征部位；所述特征部位包括眼睛、鼻端、眉毛、嘴巴或其他面部特征；具体地，人脸有其特有的特点，比如一张正面人脸图像，眼睛、鼻端、眉毛、嘴巴等面部主要特征都是水平方向的，而且在垂直方向上的距离比较接近，利用这样的特征，如果将图像进行转化形成合适大小的马赛克图像，就能够用较短的时间找到面部特征。通过实验验证当马赛克大小为2×2时效果最好。除了在几何位置上的特征外，眼睛、眉毛、鼻基线和嘴的两度值都比周边像素点的亮度值小。利用拉普拉斯算子对经过马赛克处理的图像进行水平边缘检测，计算的过程中马赛克图像每一像素点的亮度值是该图像马赛克矩阵内所有像素点亮度值的均值。在计算的过程中发现边缘检测阈值设置为40时边缘检测的效果最明显。
步骤s24：对肤色区域进行马赛克处理的图像；
步骤s25：通过拉普拉斯算子对经过马赛克处理的图像进行水平边缘检测；其中，马赛克图像每一像素点的亮度值是该图像马赛克矩阵内所有像素点亮度值的均值；
步骤s26：获取显示的边缘线；
步骤s27：将显示的边缘线的重心点计算出来，利用这些重心点来代替对应的忽略的边缘线；
在经过水平边缘化处理的图像中，往往会忽略一些太长的边缘线，需要将显示的边缘线的重心点计算出来，利用这些重心点来代替对应的忽略的边缘线。
步骤s28：对显示的边缘线和被代替的忽略的边缘线进行几何分布判决并判决是否符合人脸的特征几何分布；
步骤s28：如果符合人脸的特征几何分布，则对显示的边缘线和被代替的忽略的边缘线进行提取人脸特征。例如基于主成分分析法对人脸特征提取。
一般情况下我们采集到的图像信息量较大，而且往往模式比较复杂，因此需要对图像进行降维等相关变化。可以采用的算法有pca、ica、gabor、对称变化等。在人脸特征提取时，往往不直接用原始颜色信息来表示面部特征，而是通过函数映射或函数变换，转化为机器易于区分的特征信息，提高识别系统的准确性和健壮性。下面将根据gabor滤波算法进行举例阐述，并对比其在人脸识别的应用上体现了何种特征。
人脸图像经过k-l变换形成一个特征子空间，特征空间中的点与人脸图像一一对应。也可以说一张人脸图像是特征空间中的点的组合。因此，可以将利用特征空间中的点来表示一张人脸图像，特征点的组合包含人脸的特征。步骤s28具体包括：
步骤s281：对输入图像进行预处理；
步骤s282：接收数据库存储的训练样本并进行训练，形成特征脸；
步骤s283：获取训练图像和测试图像在特征子空间中的投影；
步骤s284：使用距离函数进行评估，判定测试图像是否在特征空间存在。
步骤s285：读入人脸图像训练库；
步骤s286：根据人脸图像训练库计算出平均脸；
步骤s287：获取各张人脸与平均人脸的差值；
步骤s288：计算协方差矩阵以及协方差矩阵的特征值及其特征向量；
步骤s289：对特征值从大到小排列；
步骤s290：根据预设能量大小，求出选择的特征值个数；
步骤s291：计算特征脸形成的子坐标系；
步骤s292：获取待测人脸图像；
步骤s293：将人脸映射到坐标系中；
步骤s294：根据距离分类器识别人脸。
所述训练过程包括：步骤s295-步骤s302。
步骤s295：将每张大小为lw×lh的二维人脸图像的灰度值转化成一个n维的向量，转化原则是元素从左到右首位相接，其中n＝lw×lh；
步骤s296：计算类内离散度矩阵与类间离散度矩阵的公式计算sw和sb,sw和sb对应的m个最大特征值为ri(i＝1，2……，m)，ui(i＝1，2……，m)是满足sbui＝riswui(i＝1，2……，m)。
步骤s297：计算出sw-1sb的特征值；
步骤s298：将求解得到的特征值从大到小排列；
步骤s299：将求解得到的特征值中前m个最大的特征值筛选出来；
步骤s300：计算这些特征值相应的特征向量；
步骤s301：计算得到的特征向量即为最后的投影向量
步骤s302：控制电子门锁开关的主要部件是电磁锁。
当然，也可以通过线性判别分析(lda:lineardiseriminantanalysis)也称fisherface线性判别(fld)，从而解决新样本的分配问题，它的逻辑是当一个新的样本出现后，选择一个判断标准，将该样本映射到己知的分类样本类别中去，如何选择判断标准是算法的关键，也可以用于本实施例中的人脸识别。
步骤s30：根据验证结果控制电子门锁的开关。
步骤s40：如果身份验证通过则打开电子门锁。
电子门锁在普通情况下呈闭合状态，当人脸识别结果为可通过时控制模块发送开门信号，将会打开门锁。
步骤s50：如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。
请参看图3，本申请还提供一种基于人脸识别的防盗门锁，所述防盗门锁包括：
接收模块10：用于接收终端设备获取并发送的人脸图像；
处理模块20：用于通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；
控制模块30：用于根据验证结果控制电子门锁的开关；
控制模块30：还用于如果身份验证通过则打开电子门锁；
控制模块30：还用于如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来；
显示模块40：用于显示未识别结果的文字。
请参阅图4，本申请还提供一种服务器30，可以用于图像采集模块，服务器，电子门锁等组成的人脸识别系统，其中，存储器301与所述处理器302通过总线303电连接。
其中，存储器301至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器301在一些实施例中可以是服务器30的内部存储单元，例如该服务器30的硬盘。存储器301在另一些实施例中也可以是服务器30的外部存储设备，例如服务器30上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。存储器301不仅可以用于存储安装于车载设备的应用软件及各类数据，例如计算机可读程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据，也即该第一存储器可以作为存储介质，存储介质存储有计算机可执行的车辆出行预约程序。
处理器302在一些实施例中可以是中央处理器(centralprocessingunit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，处理器302可调用存储器301中存储的车辆出行预约程序，以实现如下步骤：
步骤s10：接收终端设备获取并发送的人脸图像。
当用户靠近终端设备时，终端设备识别到人脸靠近时可以唤醒灯光以使终端设备获取视频流以及视频流中的人脸图像，并将人脸图像发送给服务器。为了提高系统稳定性和识别率，在硬件上选用高清的摄像头采集人脸图像。终端模块主要负责图像的采集，图像采集的设备主要是摄像头，摄像头感光元件选用cmos，之所以选择cmos是因为该感光技术的摄像头将图像信号在采集设备输出的信号是数字信号在内部已经完成ad转换，可以直接和数字系统相连。
当然，图像处理模块可以对图像的预处理和传送，摄像头监测到的是视频数据，将视频关键图像截取，并将关键图像通过图像处理的方法进行压缩，并通过计算机网络传递到服务器。
步骤s20：通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法。具体地，利用物理中的电流磁效应，利用通电电磁铁的磁力将门吸附，达到锁门的效果。当接收到开门信号后就断开电磁铁的通电，被吸附的门会自然打开。而开门信号是控制器的arm发出的电平信号。电子门锁的外围电路设计了无线接收器，当人脸识别结果为可以通过时，服务器向电子门发送打开信号即可。
再服务器端进行身份的验证和识别，通过在算法上不断进行实验和优化提升算法识别率。例如，通过肤色信息将人脸和背景区别开；具体地，肤色检测可以在多个色度空间中进行：rgb归一化、his、cymk、cbcr方法等。亮度信息随光照，阴影的变化有较大的变动；相反，色调信息却相对稳定。而肤色和非肤色又有较为明显的区别，使得建立一个基于色度分析的肤色滤波器能够更准确的定位人脸区域。通过对不同性别、不同年龄及不同肤色的人脸图像的肤色和非肤色分布情况的统计，可以得出亮度信息归一化以后肤色和非肤色各自具有相对稳定的色度聚类特性的结论，从而建立统计模型。具体包括步骤s21-步骤s28。
步骤s21：对所述人脸图像进行处理获取肤色区域和非肤色区域；
步骤s22：根据训练的肤色识别模型对所述肤色区域进行圈定；
步骤s23：检测并获取所述肤色区域的特征部位；所述特征部位包括眼睛、鼻端、眉毛、嘴巴或其他面部特征；具体地，人脸有其特有的特点，比如一张正面人脸图像，眼睛、鼻端、眉毛、嘴巴等面部主要特征都是水平方向的，而且在垂直方向上的距离比较接近，利用这样的特征，如果将图像进行转化形成合适大小的马赛克图像，就能够用较短的时间找到面部特征。通过实验验证当马赛克大小为2×2时效果最好。除了在几何位置上的特征外，眼睛、眉毛、鼻基线和嘴的两度值都比周边像素点的亮度值小。利用拉普拉斯算子对经过马赛克处理的图像进行水平边缘检测，计算的过程中马赛克图像每一像素点的亮度值是该图像马赛克矩阵内所有像素点亮度值的均值。在计算的过程中发现边缘检测阈值设置为40时边缘检测的效果最明显。
步骤s24：对肤色区域进行马赛克处理的图像；
步骤s25：通过拉普拉斯算子对经过马赛克处理的图像进行水平边缘检测；其中，马赛克图像每一像素点的亮度值是该图像马赛克矩阵内所有像素点亮度值的均值；
步骤s26：获取显示的边缘线；
步骤s27：将显示的边缘线的重心点计算出来，利用这些重心点来代替对应的忽略的边缘线；
在经过水平边缘化处理的图像中，往往会忽略一些太长的边缘线，需要将显示的边缘线的重心点计算出来，利用这些重心点来代替对应的忽略的边缘线。
步骤s28：对显示的边缘线和被代替的忽略的边缘线进行几何分布判决并判决是否符合人脸的特征几何分布；
步骤s28：如果符合人脸的特征几何分布，则对显示的边缘线和被代替的忽略的边缘线进行提取人脸特征。例如基于主成分分析法对人脸特征提取。
一般情况下我们采集到的图像信息量较大，而且往往模式比较复杂，因此需要对图像进行降维等相关变化。可以采用的算法有pca、ica、gabor、对称变化等。在人脸特征提取时，往往不直接用原始颜色信息来表示面部特征，而是通过函数映射或函数变换，转化为机器易于区分的特征信息，提高识别系统的准确性和健壮性。下面将根据gabor滤波算法进行举例阐述，并对比其在人脸识别的应用上体现了何种特征。
人脸图像经过k-l变换形成一个特征子空间，特征空间中的点与人脸图像一一对应。也可以说一张人脸图像是特征空间中的点的组合。因此，可以将利用特征空间中的点来表示一张人脸图像，特征点的组合包含人脸的特征。步骤s28具体包括：
步骤s281：对输入图像进行预处理；
步骤s282：接收数据库存储的训练样本并进行训练，形成特征脸；
步骤s283：获取训练图像和测试图像在特征子空间中的投影；
步骤s284：使用距离函数进行评估，判定测试图像是否在特征空间存在。
步骤s285：读入人脸图像训练库；
步骤s286：根据人脸图像训练库计算出平均脸；
步骤s287：获取各张人脸与平均人脸的差值；
步骤s288：计算协方差矩阵以及协方差矩阵的特征值及其特征向量；
步骤s289：对特征值从大到小排列；
步骤s290：根据预设能量大小，求出选择的特征值个数；
步骤s291：计算特征脸形成的子坐标系；
步骤s292：获取待测人脸图像；
步骤s293：将人脸映射到坐标系中；
步骤s294：根据距离分类器识别人脸。
所述训练过程包括：步骤s295-步骤s302。
步骤s295：将每张大小为lw×lh的二维人脸图像的灰度值转化成一个n维的向量，转化原则是元素从左到右首位相接，其中n＝lw×lh；
步骤s296：计算类内离散度矩阵与类间离散度矩阵的公式计算sw和sb,sw和sb对应的m个最大特征值为ri(i＝1，2……，m)，ui(i＝1，2……，m)是满足sbui＝riswui(i＝1，2……，m)。
步骤s297：计算出sw-1sb的特征值；
步骤s298：将求解得到的特征值从大到小排列；
步骤s299：将求解得到的特征值中前m个最大的特征值筛选出来；
步骤s300：计算这些特征值相应的特征向量；
步骤s301：计算得到的特征向量即为最后的投影向量
步骤s302：控制电子门锁开关的主要部件是电磁锁。
当然，也可以通过线性判别分析(lda:lineardiseriminantanalysis)也称fisherface线性判别(fld)，从而解决新样本的分配问题，它的逻辑是当一个新的样本出现后，选择一个判断标准，将该样本映射到己知的分类样本类别中去，如何选择判断标准是算法的关键，也可以用于本实施例中的人脸识别。
步骤s30：根据验证结果控制电子门锁的开关。
步骤s40：如果身份验证通过则打开电子门锁。
电子门锁在普通情况下呈闭合状态，当人脸识别结果为可通过时控制模块发送开门信号，将会打开门锁。
步骤s50：如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。
本发明提供的技术方案，具有以下优点：
接收终端设备获取并发送的人脸图像；通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；根据验证结果控制电子门锁的开关；如果身份验证通过则打开电子门锁；如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。能够提高人脸识别算法成功率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于人脸识别的防盗门锁的识别方法，其特征在于，所述方法包括：
接收终端设备获取并发送的人脸图像；
通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；
根据验证结果控制电子门锁的开关；
如果身份验证通过则打开电子门锁；
如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。
2.如权利要求1所述的基于人脸识别的防盗门锁的识别方法，其特征在于，所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法的步骤，具体包括：
对所述人脸图像进行处理获取肤色区域和非肤色区域；
根据训练的肤色识别模型对所述肤色区域进行圈定；
检测并获取所述肤色区域的特征部位；所述特征部位包括眼睛、鼻端、眉毛、嘴巴或其他面部特征；
对肤色区域进行马赛克处理的图像；
通过拉普拉斯算子对经过马赛克处理的图像进行水平边缘检测；其中，马赛克图像每一像素点的亮度值是该图像马赛克矩阵内所有像素点亮度值的均值。
3.如权利要求2所述的基于人脸识别的防盗门锁的识别方法，其特征在于，所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法的步骤，还包括：
获取显示的边缘线；
将显示的边缘线的重心点计算出来，利用这些重心点来代替对应的忽略的边缘线；
对显示的边缘线和被代替的忽略的边缘线进行几何分布判决并判决是否符合人脸的特征几何分布；
如果符合人脸的特征几何分布，则对显示的边缘线和被代替的忽略的边缘线进行提取人脸特征。
4.如权利要求3所述的基于人脸识别的防盗门锁的识别方法，其特征在于，所述对显示的边缘线和被代替的忽略的边缘线进行提取人脸特征，具体包括：
基于主成分分析法对人脸特征提取。
5.如权利要求4所述的基于人脸识别的防盗门锁的识别方法，其特征在于，所述基于主成分分析法对人脸特征提取，具体包括：
对输入图像进行预处理；
接收数据库存储的训练样本并进行训练，形成特征脸；
获取训练图像和测试图像在特征子空间中的投影；
使用距离函数进行评估，判定测试图像是否在特征空间存在。
6.如权利要求5所述的基于人脸识别的防盗门锁的识别方法，其特征在于，接收数据库存储的训练样本并进行训练，形成特征脸具体包括：
读入人脸图像训练库；
根据人脸图像训练库计算出平均脸；
获取各张人脸与平均人脸的差值；
计算协方差矩阵以及协方差矩阵的特征值及其特征向量；
对特征值从大到小排列；
根据预设能量大小，求出选择的特征值个数；
计算特征脸形成的子坐标系；
获取待测人脸图像；
将人脸映射到坐标系中；
根据距离分类器识别人脸。
7.如权利要求5所述的基于人脸识别的防盗门锁的识别方法，其特征在于，所述训练过程包括：
将每张大小为lw×lh的二维人脸图像的灰度值转化成一个n维的向量，转化原则是元素从左到右首位相接，其中n＝lw×lh；
计算类内离散度矩阵与类间离散度矩阵的公式计算sw和sb,sw和sb对应的m个最大特征值为ri(i＝1，2……，m)，ui(i＝1，2……，m)是满足sbui＝riswui(i＝1，2……，m。
8.如权利要求7所述的基于人脸识别的防盗门锁的识别方法，其特征在于，所述训练过程还包括：
计算出sw-1sb的特征值；
将求解得到的特征值从大到小排列；
将求解得到的特征值中前m个最大的特征值筛选出来；
计算这些特征值相应的特征向量；
计算得到的特征向量即为最后的投影向量。
9.一种基于人脸识别的防盗门锁，其特征在于，所述防盗门锁包括：
接收模块：用于接收终端设备获取并发送的人脸图像；
处理模块：用于通过人脸识别算法对所述人脸图像进行身份验证并得出验证结果；所述人脸识别算法为将肤色检测和特征部位几何分布模板匹配相结合的算法；
控制模块：用于根据验证结果控制电子门锁的开关；
控制模块：还用于如果身份验证通过则打开电子门锁；
控制模块：还用于如果未识别则将未识别结果通过向终端设备发送语音和显示文字结合的数据并通过终端设备显示出来。
10.一种介质，其特征在于，所述介质存储有可执行程序，所述可执行程序被执行时，实现如权利要求1-8任一项所述的基于人脸识别的防盗门锁的识别方法。
技术总结