一种人脸认证的方法和装置制造方法及图纸

本发明专利技术公开了一种人脸认证的方法，该方法包括：利用基于主元分析的费舍尔ｆｉｓｈｅｒ特征脸方法，计算待认证目标的费舍尔ｆｉｓｈｅｒ系数；利用查找表分类器计算所述ｆｉｓｈｅｒ系数对应的相似匹配度；比较所述相似匹配度和预先设定的阈值得出认证结果。本发明专利技术还同时公开了一种人脸认证的装置，该装置包括：系数计算模块，计算待认证目标的费舍尔ｆｉｓｈｅｒ系数；输出计算模块，利用查找表分类器计算所述ｆｉｓｈｅｒ系数对应的相似匹配度；认证模块，比较所述相似匹配度和预先设定的阈值得出认证结果。本发明专利技术的这种人脸认证的方法和装置，通过引入比单阈值表示能力更强的查找表分类器，能够对训练样本进行更好的分类，从而提高了人脸认证的识别率，降低了误检几率。

【技术实现步骤摘要】

本专利技术涉及模式识别技术，具体涉及一种人脸认证的方法和装置。
技术介绍
随着计算机技术的迅速发展，计算机处理能力得到了大幅度的提升，出 现了模式识别、运动检测等许多新兴的技术手段。其中，人脸检测作为模式 识别技术的 一种，是计算机视觉系统中人机交互最便捷的方式之一 。人脸检测，是指在图像或图像序列中确定所有人脸的位置、大小等信息， 人脸检测不仅是人脸认证、表情识别、姿势识别和人脸合成等技术的必要前 提，而且人脸检测本身在智能人机交互、智能视频监控、视频会议和图片及 视频检索等各领域有着重要的实用价值。人脸认证，是指采用人脸4全测、脸 部特征点定位等技术获取图像中人脸位置信息，并以人脸位置信息为基础提 取人脸图像所包含的信息，并进一 步采用人脸图像所包含信息确定对象是否 为所声明身份的一种方法。人脸认证首先需要利用待认证的人的脸部图像对分类器进行训练，建立 该人的分类器模型。当某人进行人脸认证时，通常先声明自己的身份信息，认证系统根据声 明的信息从验证数据库中找到该信息对应的分类器模型，采用该分类器模型 对该人进行人脸认证，若认证的结果与此人声明的身份信息吻合，则表示认 证通过，否则表示认证未通过。所述的待认证的人，下文称为待认证目标。对于进行人脸认证的每一个待认证目标，都需要为该待认证目标Pn训练一个模型，而对于该待认证目标而言，所有的训练样本可以分为两类第一类是该Pn对应的人脸图像，第二类是所有不是该Pn的人对应的人脸图像。 通常采用的人脸i人证的方法为基于主元分析(Principal Components Analysis, PCA)的人脸识别方法，PCA是一种线性数据降维及特征提取的 方法，该方法分为训练和〗吏用两个阶|殳首先训练得到PCA空间假定训练时的训练图像(一般为矩形图像) 的宽度为1、高度为h,将该二维输入图像按照各像素点从左至右、从上到 下的顺序展开为一维列向量，得到「《令M:Ph，则该一维列图像向量的长度为M。假定输入图像的数目为N,则N个图像列向量分别为Ii，A"…A， N个向量的均值向量为 ^佥"，用 所述的N个图像列向量分别减去均值向量，组成一个一维行向量 z^不-"，x2-"，…J^-w]，则图像向量的协方差矩阵为《="\显然，《为对称矩阵，进行特征值分解后得到《=『A『\令j^r^r,则7^= 即经 过线性变换^后，消除了数据间冗余。假定上述得到的特征向量矩阵『中，非零特征值对应的特征向量共有k 个，为了进一步降低算法中所采用特征向量的数目，以降低运算量，还可以 进一步选择特征值最大的前t个特征向量作为最终使用的人脸特征向量(又 称特征脸)。然后，使用训练得到的PCA空间进行人脸认证获取输入图像对应的 一维列向量X,将所述列向量X向上述由训练得到的t个特征向量组成的空 间投影，得到一个由t个系数组成的投影向量。以该t维投影向量作为特征 进行识别，便是所述的基于PCA的人脸识别方法。其中，对于人脸认证而言，所述的输入图像为根据眼睛、嘴巴等脸部特 征点位置割取人脸区域并放缩到固定大小后得到的人脸图像。虽然基于PCA的人脸认证方法是人脸识别领域比较成熟，同时性能也 比较稳定的方法，但该方法识别率不高，且容易发生误检。因此，在PCA 的基础上进行改进的算法很多，比如核主元分析的方法或者二元主元分析的 方法，但是，应用最广泛的是基于PCA和费舍尔(Fisher)线性鉴别分析 (Linear Discriminant Analysis, LDA )的fisher特征脸方法。 下面先介绍基于PCA的线性鉴别分析方法。所谓Fisher线性鉴别分析方法，是寻求一个线性变换对样本进行变换， 使得变换后的样本特征更容易分类，例如存在d维样本Xp X2, ...Xn,其中Ni个属于Cd类，N2个属于0)2类。分别将各样本向方向W上做投影，得到标量yn=WTXn,这样N个d维样本可以得到N个标量，则集合{yi，y2， ...yn} 可以分为两个子集Yi和Y2。Fisher方法的目标是为了寻找分类方向W"吏得Y,，Y2被最佳地分类， 为此定义d维X空间中，附/<formula>formula see original document page 8</formula>各类样本均值<formula>formula see original document page 8</formula>样本类内离散度矩阵Si为 ;总类内离散度矩阵Sw为&=Sl+&;样本类间离散度矩阵Sb为& = — - m2) *- w2,。m,.'=丄Z》 z' = 1,2 对一维Y空间，定义样本均值 ;样本类内离散度 -' ; 总类内离散度&'=《'"2'。j"w) = ( )2 进一 步定义Fisher准则函数<formula>formula see original document page 8</formula>为了使投影后的数据更加容易分类，因此要求所述Fisher准则函数厶(w)取最小值，从而需要投影后的 一 维数据的总类内离散度Sw'尽量小而类间离 散度尽量大。<formula>formula see original document page 9</formula>Fisher准则函数可以变形为 『&『，则w =argmaX(^(w))。由于A(w)是广义Rayleigh商，可以采用拉格朗日(Lagrange)乘子法求解。最<formula>formula see original document page 9</formula>后得到义 ，其中W-(附'—附2)W为标量，则w'的方向为所述PCA+fisher特征脸的认证方法，流程如图1所示，其中包括步骤101:采用训练样本训练得到PCA空间，计算得到PCA空间的特 征向量，取最大的前t个特征值对应的特征向量构成特征脸空间。步骤102:根据特征脸空间计算fisher方法中的样本X，根据所述样本 X计算出分类方向W*。根据所述的fisher方法，需要计算\￥*，以便对将Y^ 丫2两个集合进行 最佳的分类。在人脸认证中，对于一张待认证图像，需要得到的判定结果是 该图像中的人脸是不是某个人，因此对每张待认证图像认证后产生的是或不 是的结果的集合，就是所述的Yp 丫2集合。为了达到最佳的人脸认证的效 果，就必须要对Yi集合、Y2集合进行正确的分类，以避免产生误检。因此，步骤102所述的方法具体为将训练使用的人脸图像投影到特征脸空间上，得到一个长度为t的投影 向量，将所述长度为t的投影向量作为fisher特征脸方法中的样本X,由该样本X,根据fisher方法中定义的公式计算出分类方向^"(" _W2)。由于训练使用的人脸图像都是已经进行了标定的输入图像，即，对于一 个已知身份的人，训练时使用的人脸图像是否是该已知身份的人的人脸是已知的。因此，根据所述标定好的输入图像最终计算出的分类方向Wf具有相 当的区分性，能够比较准确的区分开Yi集合和Y2集合，提高了人脸认证时 的准确性。步骤103:获本文档来自技高网...

【技术保护点】
一种人脸认证的方法，其特征在于，该方法包括：利用基于主元分析的费舍尔ｆｉｓｈｅｒ特征脸方法，计算待认证目标的ｆｉｓｈｅｒ系数；利用查找表分类器计算所述ｆｉｓｈｅｒ系数对应的相似匹配度；比较所述相似匹配度和预先设定的阈 值得出认证结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：邓亚峰，黄英，王浩，
申请(专利权)人：北京中星微电子有限公司，
类型：发明
国别省市：11[中国|北京]