本发明涉及人脸识别技术领域，尤其涉及一种人脸区域识别方法、装置及存储介质。
背景技术：
人脸识别系统是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术具有广阔的发展前景。而人脸区域识别提取历来是人脸识别系统中的难点问题。现有的一些人脸区域识别方法普遍存在识别算法复杂、识别速度慢和准确性不高的问题。
技术实现要素：
本发明实施例的目的是提供一种人脸区域识别方法、装置及存储介质，通过进化选择算法，能准确、快速地定位人脸区域，且简单易操作。
为实现上述目的，本发明一实施例提供了一种人脸区域识别方法，包括以下步骤：
获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
计算所述初始特征对象的亲和度；
根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象；
当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
优选地，所述获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象，具体包括：
获取待识别图像，以所述待识别图像的左下角为圆心建立坐标轴；其中，所述待识别图像的宽度为x，长度为y，其坐标记为(x,y)；
设定椭圆形区域的编码为(i,j,w,h)；其中，(i,j)是所述椭圆形区域外切矩形的左下角坐标，w是所述椭圆形区域的短轴，h是所述椭圆形区域的长轴；
根据约束条件采用综合随机和先验知识的初始化方式随机选择若干个椭圆形区域作为初始特征对象；其中，所述约束条件为0≤i≤x,0≤j≤y,0≤i w≤x,0≤j h≤y。
优选地，所述计算所述初始特征对象的亲和度，具体包括：
计算所述初始特征对象的灰度起伏次数的密度；
计算所述初始特征对象的波峰均值和波谷均值的灰度差；
根据所述密度和所述灰度差，得到所述初始特征对象的的亲和度。
优选地，所述根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象，具体包括：
根据亲和度大小对所述初始特征对象进行降序排列，选择排列在前的多个所述初始特征对象；
对选定多个所述初始特征对象进行复制操作，得到多个待优化特征对象；其中，复制操作为
优选地，所述将所述待优化特征对象进行特征优化操作，得到多个候选特征对象，具体包括：
以预设的第一概率选择一个或多个所述待优化特征对象，并获取所述待优化特征对象的编码；
对所述待优化特征对象的所述编码其中一位或多位进行变异操作；其中，所述编码包括四位，分别是i,j,w,h；
将变异后的所述待优化特征对象和未变异的所述待优化特征对象整合起来，得到多个候选特征对象。
优选地，所述根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象，具体包括：
根据亲和度大小对所述候选特征对象进行降序排序，选择排列在前的多个所述候选特征对象；
依次比较相邻两位所述候选特征对象的亲和度大小；
若当前高位的所述候选特征对象的亲和度小于当前低位的所述候选特征对象的亲和度，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度不是最高，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度最高，则令当前高位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
当每一个所述候选特征对象的下一次迭代取值对象确定后，将亲和度最高的所述候选特征对象作为当前最优特征对象。
优选地，所述令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象，具体包括：
以预设的第二概率令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；其中所述第二概率为
本发明另一实施例提供了一种人脸区域识别装置，所述装置包括：
图像获取模块，用于获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
计算模块，用于计算所述初始特征对象的亲和度；
复制模块，用于根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
优化模块，用于将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
迭代模块，用于根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象；
结果获取模块，用于当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
本发明另一实施例对应提供了一种使用人脸区域识别方法的装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的人脸区域识别方法。
本发明还有一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的人脸区域识别方法。
与现有技术相比，本发明实施例所提供的一种人脸区域识别方法、装置及存储介质，通过进化选择算法扩大人脸区域候选解的范围，达到准确、快速地对人脸区域识别的目的，而且该方法简单易操作。
附图说明
图1是本发明一实施例提供的一种人脸区域识别方法的流程示意图；
图2是本发明一实施例提供的一种人脸区域识别装置的结构示意图；
图3是本发明一实施例提供的一种使用人脸区域识别方法的装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参见图1，是本发明一实施例提供的一种人脸区域识别方法的流程示意图，所述方法包括步骤s1至步骤s6：
s1、获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
s2、计算所述初始特征对象的亲和度；
s3、根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
s4、将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
s5、根据预设的选择规则对所述候选特征对象进行迭代选择，确定当前最优特征对象；
s6、当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
需要说明的是，人脸目标区域有这些显著特点：(1)人脸的颜色往往与背景颜色有较大差异；(2)人脸有5个显著特征点：内眼角、鼻尖、鼻根、嘴巴和耳朵，因此在人脸的椭圆形区域内呈现出规则的人脸特征；(3)人脸颜色和背景底色在灰度值上存在跳变，而上述的5个人脸特征点与人脸本身都有较均匀灰度；(4)不同图像中人脸的具体大小、位置不确定，但其椭圆区域的长短轴变化有一定范围，存在一个最大和最小长短轴比。根据这些特点，可以在灰度图像的基础上提取相应的特征。
五官特征是人脸的主要特征，通过对图像水平方向上扫描的灰度级分析，可以发现人脸图像部分相对于其他部分的图像在灰度分布上具有明显的变化特征。
人脸区域识别，实质就是在图像空间上搜索最符合人脸特征的区域，也就是在图像空间上搜索人脸特征值最大的区域。进化选择算法用于人脸区域识别的关键是构造理想的亲和度函数，使得该函数可以表征人脸区域特征。在灰度图像上最明显的特征就是人脸区域灰度值起伏变化频繁且高低灰度值差异较大。
进化选择算法是依靠编码来实现与问题本身无关的搜索，并表现出更好的解决问题的潜力。在进化选择算法中，在进化过程中，在每一代候选解的附近，根据亲合度的大小进行复制，产生一个变异解的群体，从而扩大了搜索范围(即增加了特征对象的多样性)；同时实现全局搜索和局部搜索，有助于防止进化早熟和搜索陷于局部极小值；同时，通过复制选择来加快收敛速度。将一个低维空间(n维)的问题转化到更高维(n维)的空间中解决，然后将结果投影到低维空间(n维)中，从而获得对问题更全面的认识。
以上的内容为本发明构思的原理所在，能帮助加深对本发明的理解，下面对本发明的具体实施过程进行详细说明。
具体地，在进化选择算法中，一般采用初始特征对象随机产生，所以获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象，之所以选择椭圆形，是因为人脸区域一般呈椭圆形。
计算初始特征对象的亲和度。一般地，亲和度函数用于对各个特征对象的优劣程度进行评估。在人脸区域识别问题中，则需以亲和度函数来衡量特征对象所代表的区域是否满足人脸特征。
根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象。一般地，选择亲和度高的几个初始特征对象，因为亲和度高，代表满足人脸特征的可能性越大。复制操作可以扩大搜索范围，以实现全局搜索和局部搜索，以加快确定人脸区域。
将待优化特征对象进行特征优化操作，得到多个候选特征对象。该步骤也是为了扩大搜索范围，快速找到最优解，确定人脸区域。
根据预设的选择规则对候选特征对象进行迭代选择，确定当前最优特征对象。在每一次迭代中，产生的特征对象总有优劣之分，这样就要对这些特征对象进行筛选，以挑选更优的特征对象进入下一次迭代中。
当迭代次数达到预设的第一阈值时或者当当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将当前最优特征对象作为人脸区域。一般地，在开始人脸区域识别前，初始化的过程需要设定迭代次数，当达到了该迭代次数，就结束搜索。当当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则表示当前最优特征对象对应的区域是人脸区域的误差在允许的范围内。第二阈值一般小于1。
本发明实施例1提供的一种人脸区域识别方法，通过进化选择算法扩大人脸区域候选解的范围，达到准确、快速地对人脸区域识别的目的，而且该方法简单易操作。
作为上述方案的改进，所述获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象，具体包括：
获取待识别图像，以所述待识别图像的左下角为圆心建立坐标轴；其中，所述待识别图像的宽度为x，长度为y，其坐标记为(x,y)；
设定椭圆形区域的编码为(i,j,w,h)；其中，(i,j)是所述椭圆形区域外切矩形的左下角坐标，w是所述椭圆形区域的短轴，h是所述椭圆形区域的长轴；
根据约束条件采用综合随机和先验知识的初始化方式随机选择若干个椭圆形区域作为初始特征对象；其中，所述约束条件为0≤i≤x,0≤j≤y,0≤i w≤x,0≤j h≤y。
具体地，获取待识别图像，以待识别图像的左下角为圆心建立坐标轴；其中，待识别图像的宽度为x，长度为y，其坐标记为(x,y)。确定待识别图像的坐标，是为了方便初始特征对象的编码。
设定椭圆形区域的编码为(i,j,w,h)；其中，(i,j)是椭圆形区域外切矩形的左下角坐标，w是椭圆形区域的短轴，h是椭圆形区域的长轴。确定了椭圆形区域的编码，就可以根据编码知道椭圆形区域的位置。
因为很多图像中人脸位置相对来说是居中的，所以可以根据约束条件采用综合随机和先验知识的初始化方式随机选择若干个椭圆形区域作为初始特征对象；其中，约束条件为0≤i≤x,0≤j≤y,0≤i w≤x,0≤j h≤y。因为人脸区域是不能超出整个图像范围的，所以有这些约束条件。随机选择若干个椭圆形区域作为初始特征对象可以看作随机选择若干次，优选地，选择次数为[10，50]。
作为上述方案的改进，所述计算所述初始特征对象的亲和度，具体包括：
计算所述初始特征对象的灰度起伏次数的密度；
计算所述初始特征对象的波峰均值和波谷均值的灰度差；
根据所述密度和所述灰度差，得到所述初始特征对象的的亲和度。
具体地，亲和度函数用于对各个特征对象的优劣程度进行评估。在该问题中，则需以亲和度函数来衡量特征对象所代表的区域是否满足人脸特征。根据人脸特征的分析，需要在特征对象所表示的椭圆形区域内对每一行进行灰度起伏次数和波峰波谷灰度值的统计，则，
计算初始特征对象的灰度起伏次数的密度，用d表示；计算初始特征对象的波峰均值和波谷均值的灰度差，用δg表示；d和δg越大，该区域属于人脸区域的可能性就越大。
所以可以根据密度和灰度差，得到初始特征对象的亲和度。在实际应用中，也需要考虑椭圆区域的短轴与长轴即w和h的比值，如果在合理的范围，则函数值不变；否则需要乘以一个小于1的系数。因此，设定亲和度函数可表示为：
其中，r为比例系数，用来加强密度d在亲和度函数值中的作用，一般取0.8；t为比例系数，一般取0.4。
作为上述方案的改进，所述根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象，具体包括：
根据亲和度大小对所述初始特征对象进行降序排列，选择排列在前的多个所述初始特征对象；
对选定多个所述初始特征对象进行复制操作，得到多个待优化特征对象；其中，复制操作为
具体地，根据亲和度大小对初始特征对象进行降序排列，选择排列在前的多个初始特征对象，在该实施例中，即为选择k个初始特征对象。
对选定多个初始特征对象进行复制操作，得到多个待优化特征对象；其中，复制操作为
理论上，待优化特征对象跟初始特征对象是一样的，这一步只是为了后续变异做准备。
作为上述方案的改进，所述将所述待优化特征对象进行特征优化操作，得到多个候选特征对象，具体包括：
以预设的第一概率选择一个或多个所述待优化特征对象，并获取所述待优化特征对象的编码；
对所述待优化特征对象的所述编码其中一位或多位进行变异操作；其中，所述编码包括四位，分别是i,j,w,h；
将变异后的所述待优化特征对象和未变异的所述待优化特征对象整合起来，得到多个候选特征对象。
具体地，以预设的第一概率选择一个或多个待优化特征对象，并获取待优化特征对象的编码；
对待优化特征对象的编码其中一位或多位进行变异操作；其中，编码包括四位，分别是i,j,w,h。因为坐标(i,j)以及短轴w和长轴h都是相对独立的，所以变异针对位进行不受影响。另外，最优特征对象一般位于亲合度高的特征对象附近，对位变异有利于快速找到最优解。优选地，随机对待优化特征对象的编码其中一位进行变异操作。
将变异后的待优化特征对象和未变异的待优化特征对象整合起来，得到多个候选特征对象，这样就可以得到比原来数量多，种类多的特征对象，从而扩大搜索范围，以快速找到人脸区域。
作为上述方案的改进，所述根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象，具体包括：
根据亲和度大小对所述候选特征对象进行降序排序，选择排列在前的多个所述候选特征对象；
依次比较相邻两位所述候选特征对象的亲和度大小；
若当前高位的所述候选特征对象的亲和度小于当前低位的所述候选特征对象的亲和度，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度不是最高，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度最高，则令当前高位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
当每一个所述候选特征对象的下一次迭代取值对象确定后，将亲和度最高的所述候选特征对象作为当前最优特征对象。
具体地，根据亲和度大小对候选特征对象进行降序排序，选择排列在前的多个候选特征对象，再依次比较相邻两位候选特征对象的亲和度大小；
若当前高位的候选特征对象的亲和度小于当前低位的候选特征对象的亲和度，则令当前低位的候选特征对象成为当前高位的候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象，这时候，一般还没得到种群的最优特征对象，需要继续迭代求解。
若当前高位的候选特征对象的亲和度大于或等于当前低位的候选特征对象的亲和度且当前高位的候选特征对象的亲和度不是最高，则令当前低位的候选特征对象成为当前高位的候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象，这是为了保留种群多样性，继续搜索最优解，避免替代错误导致丢失最优解对应的原始解。
若当前高位的候选特征对象的亲和度大于或等于当前低位的候选特征对象的亲和度且当前高位的候选特征对象的亲和度最高，则令当前高位的候选特征对象成为当前高位的候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象，这种情况对应的是当前高位的候选特征对象是最优特征对象的可能性极高的时候。
当每一个候选特征对象的下一次迭代取值对象确定后，将亲和度最高的候选特征对象作为当前最优特征对象。
为了方便对本实施例的理解，这里提供了一些字母和式子进行说明。设候选特征对象ai(k)，bi(k)为其经过复制、变异操作后亲合度最大的对应特征对象,则当f(ai(k))＜f(bi(k))时，令ai(k 1)＝bi(k)；当f(ai(k))≥f(bi(k))且ai(k)不是目前种群的最优特征对象时，令ai(k 1)＝bi(k)；当f(ai(k))≥f(bi(k))且ai(k)是目前种群的最优特征对象时，令ai(k 1)＝ai(k)。
作为上述方案的改进，所述令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象，具体包括：
以预设的第二概率令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；其中所述第二概率为
具体地，以预设的第二概率令当前低位的所述候选特征对象成为当前高位的候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；其中第二概率为
根据第二概率pk决定赋值ai(k 1)，第二概率越大，越可能执行ai(k 1)＝bi(k)，从而增加了候选特征对象的多样性和扩大了搜索范围。根据第二概率决定赋值有利于避免搜索范围过大或过小。
参见图2，是本发明一实施例提供的一种人脸区域识别装置的结构示意图，所述装置包括：
图像获取模块11，用于获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
计算模块12，用于计算所述初始特征对象的亲和度；
复制模块13，用于根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
优化模块14，用于将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
迭代模块15，用于根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象；
结果获取模块16，用于当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
优选地，所述图像获取模块11具体包括：
待识别图像获取单元，用于获取待识别图像，以所述待识别图像的左下角为圆心建立坐标轴；其中，所述待识别图像的宽度为x，长度为y，其坐标记为(x,y)；
编码单元，用于设定椭圆形区域的编码为(i,j,w,h)；其中，(i,j)是所述椭圆形区域外切矩形的左下角坐标，w是所述椭圆形区域的短轴，h是所述椭圆形区域的长轴；
选择单元，用于根据约束条件采用综合随机和先验知识的初始化方式随机选择若干个椭圆形区域作为初始特征对象；其中，所述约束条件为0≤i≤x,0≤j≤y,0≤i w≤x,0≤j h≤y。
优选地，所述计算模块12具体包括：
密度计算单元，用于计算所述初始特征对象的灰度起伏次数的密度；
灰度差计算单元，用于计算所述初始特征对象的波峰均值和波谷均值的灰度差；
亲和度计算单元，用于根据所述密度和所述灰度差，得到所述初始特征对象的的亲和度。
优选地，所述复制模块13具体包括：
第一排序单元，用于根据亲和度大小对所述初始特征对象进行降序排列，选择排列在前的多个所述初始特征对象；
复制单元，用于对选定多个所述初始特征对象进行复制操作，得到多个待优化特征对象；其中，复制操作为
优选地，所述优化模块14具体包括：
编码获取单元，用于以预设的第一概率选择一个或多个所述待优化特征对象，并获取所述待优化特征对象的编码；
变异单元，用于对所述待优化特征对象的所述编码其中一位或多位进行变异操作；其中，所述编码包括四位，分别是i,j,w,h；
整合单元，用于将变异后的所述待优化特征对象和未变异的所述待优化特征对象整合起来，得到多个候选特征对象。
优选地，所述迭代模块15具体包括：
第二排序单元，用于根据亲和度大小对所述候选特征对象进行降序排序，选择排列在前的多个所述候选特征对象；
比较单元，用于依次比较相邻两位所述候选特征对象的亲和度大小；
第一赋值单元，用于若当前高位的所述候选特征对象的亲和度小于当前低位的所述候选特征对象的亲和度，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
第二赋值单元，用于若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度不是最高，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
第三赋值单元，用于若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度最高，则令当前高位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
当前最优特征对象确定单元，用于当每一个所述候选特征对象的下一次迭代取值对象确定后，将亲和度最高的所述候选特征对象作为当前最优特征对象。
优选地，所述第二赋值单元具体用于：
以预设的第二概率令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；其中所述第二概率为
本发明实施例所提供的一种人脸区域识别装置能够实现上述任一实施例所述的人脸区域识别方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的人脸区域识别方法的作用以及实现的技术效果对应相同，这里不再赘述。
参见图3，是本发明实施例提供的一种使用人脸区域识别方法的装置的示意图，所述使用人脸区域识别方法的装置包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10执行所述计算机程序时实现上述任一实施例所述的人脸区域识别方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器20中，并由处理器10执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在一种人脸区域识别方法中的执行过程。例如，计算机程序可以被分割成图像获取模块、计算模块、复制模块、优化模块、迭代模块和结果获取模块，各模块具体功能如下：
图像获取模块11，用于获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
计算模块12，用于计算所述初始特征对象的亲和度；
复制模块13，用于根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
优化模块14，用于将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
迭代模块15，用于根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象；
结果获取模块16，用于当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
所述使用人脸区域识别方法的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述使用人脸区域识别方法的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图3仅仅是一种使用人脸区域识别方法的装置的示例，并不构成对所述使用人脸区域识别方法的装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述使用人脸区域识别方法的装置还可以包括输入输出设备、网络接入设备、总线等。
处理器10可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器10也可以是任何常规的处理器等，处理器10是所述使用人脸区域识别方法的装置的控制中心，利用各种接口和线路连接整个使用人脸区域识别方法的装置的各个部分。
存储器20可用于存储所述计算机程序和/或模块，处理器10通过运行或执行存储在存储器20内的计算机程序和/或模块，以及调用存储在存储器20内的数据，实现所述使用人脸区域识别方法的装置的各种功能。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据程序使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述使用人脸区域识别方法的装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的人脸区域识别方法。
综上，本发明实施例所提供的一种人脸区域识别方法、装置及存储介质，通过进化选择算法扩大人脸区域候选解的范围，达到准确、快速地对人脸区域识别的目的，即使在光照条件不充分时或灯光条件较暗时，也能准确进行人脸区域识别，而且该方法简单易操作，不需要依赖终端以及云端服务器，能用于各种场景，特别适用于人脸考勤，能有效避免漏考勤、代考勤等问题，提高用户体验。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
1.一种人脸区域识别方法，其特征在于，包括以下步骤：
获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
计算所述初始特征对象的亲和度；
根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象；
当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
2.如权利要求1所述的人脸区域识别方法，其特征在于，所述获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象，具体包括：
获取待识别图像，以所述待识别图像的左下角为圆心建立坐标轴；其中，所述待识别图像的宽度为x，长度为y，其坐标记为(x,y)；
设定椭圆形区域的编码为(i,j,w,h)；其中，(i,j)是所述椭圆形区域外切矩形的左下角坐标，w是所述椭圆形区域的短轴，h是所述椭圆形区域的长轴；
根据约束条件采用综合随机和先验知识的初始化方式随机选择若干个椭圆形区域作为初始特征对象；其中，所述约束条件为0≤i≤x,0≤j≤y,0≤i w≤x,0≤j h≤y。
3.如权利要求1所述的人脸区域识别方法，其特征在于，所述计算所述初始特征对象的亲和度，具体包括：
计算所述初始特征对象的灰度起伏次数的密度；
计算所述初始特征对象的波峰均值和波谷均值的灰度差；
根据所述密度和所述灰度差，得到所述初始特征对象的的亲和度。
4.如权利要求1所述的人脸区域识别方法，其特征在于，所述根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象，具体包括：
根据亲和度大小对所述初始特征对象进行降序排列，选择排列在前的多个所述初始特征对象；
对选定多个所述初始特征对象进行复制操作，得到多个待优化特征对象；其中，复制操作为
5.如权利要求2所述的人脸区域识别方法，其特征在于，所述将所述待优化特征对象进行特征优化操作，得到多个候选特征对象，具体包括：
以预设的第一概率选择一个或多个所述待优化特征对象，并获取所述待优化特征对象的编码；
对所述待优化特征对象的所述编码其中一位或多位进行变异操作；其中，所述编码包括四位，分别是i,j,w,h；
将变异后的所述待优化特征对象和未变异的所述待优化特征对象整合起来，得到多个候选特征对象。
6.如权利要求4所述的人脸区域识别方法，其特征在于，所述根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象，具体包括：
根据亲和度大小对所述候选特征对象进行降序排序，选择排列在前的多个所述候选特征对象；
依次比较相邻两位所述候选特征对象的亲和度大小；
若当前高位的所述候选特征对象的亲和度小于当前低位的所述候选特征对象的亲和度，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度不是最高，则令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
若当前高位的所述候选特征对象的亲和度大于或等于当前低位的所述候选特征对象的亲和度且当前高位的所述候选特征对象的亲和度最高，则令当前高位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；
当每一个所述候选特征对象的下一次迭代取值对象确定后，将亲和度最高的所述候选特征对象作为当前最优特征对象。
7.如权利要求6所述的人脸区域识别方法，其特征在于，所述令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象，具体包括：
以预设的第二概率令当前低位的所述候选特征对象成为当前高位的所述候选特征对象在下一次复制操作和特征优化操作的迭代中的取值对象；其中所述第二概率为
8.一种人脸区域识别装置，其特征在于，包括：
图像获取模块，用于获取待识别图像，随机选择若干个椭圆形区域作为初始特征对象；
计算模块，用于计算所述初始特征对象的亲和度；
复制模块，用于根据亲和度大小选择多个初始特征对象进行复制操作，得到多个待优化特征对象；
优化模块，用于将所述待优化特征对象进行特征优化操作，得到多个候选特征对象；
迭代模块，用于根据预设的选择规则对所述候选特征对象进行迭代选择，以选择其中一部分的所述候选特征对象进行下一次复制操作和特征优化操作的迭代中，同时确定当前最优特征对象；
结果获取模块，用于当迭代次数达到预设的第一阈值时或者当所述当前最优特征对象对应的前后两次迭代的亲和度的差值小于预设的第二阈值，则停止迭代选择，将所述当前最优特征对象作为人脸区域。
9.一种使用人脸区域识别方法的装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的人脸区域识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的人脸区域识别方法。
技术总结