專利名稱：一種人臉認(rèn)證的方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別技術(shù)，具體涉及一種人臉認(rèn)證的方法和裝置。
背景技術(shù)：
隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，計(jì)算機(jī)處理能力得到了大幅度的提升，出 現(xiàn)了模式識(shí)別、運(yùn)動(dòng)檢測(cè)等許多新興的技術(shù)手段。其中，人臉檢測(cè)作為模式 識(shí)別技術(shù)的 一種，是計(jì)算機(jī)視覺(jué)系統(tǒng)中人機(jī)交互最便捷的方式之一 。
人臉檢測(cè)，是指在圖像或圖像序列中確定所有人臉的位置、大小等信息， 人臉檢測(cè)不僅是人臉認(rèn)證、表情識(shí)別、姿勢(shì)識(shí)別和人臉合成等技術(shù)的必要前 提，而且人臉檢測(cè)本身在智能人機(jī)交互、智能視頻監(jiān)控、視頻會(huì)議和圖片及 視頻檢索等各領(lǐng)域有著重要的實(shí)用價(jià)值。人臉認(rèn)證，是指采用人臉4全測(cè)、臉 部特征點(diǎn)定位等技術(shù)獲取圖像中人臉位置信息，并以人臉位置信息為基礎(chǔ)提 取人臉圖像所包含的信息，并進(jìn)一 步采用人臉圖像所包含信息確定對(duì)象是否 為所聲明身份的一種方法。
人臉認(rèn)證首先需要利用待認(rèn)證的人的臉部圖像對(duì)分類器進(jìn)行訓(xùn)練，建立 該人的分類器模型。
當(dāng)某人進(jìn)行人臉認(rèn)證時(shí)，通常先聲明自己的身份信息，認(rèn)證系統(tǒng)根據(jù)聲 明的信息從驗(yàn)證數(shù)據(jù)庫(kù)中找到該信息對(duì)應(yīng)的分類器模型，采用該分類器模型 對(duì)該人進(jìn)行人臉認(rèn)證，若認(rèn)證的結(jié)果與此人聲明的身份信息吻合，則表示認(rèn) 證通過(guò)，否則表示認(rèn)證未通過(guò)。所述的待認(rèn)證的人，下文稱為待認(rèn)證目標(biāo)。
對(duì)于進(jìn)行人臉認(rèn)證的每一個(gè)待認(rèn)證目標(biāo)，都需要為該待認(rèn)證目標(biāo)Pn訓(xùn)
練一個(gè)模型，而對(duì)于該待認(rèn)證目標(biāo)而言，所有的訓(xùn)練樣本可以分為兩類第
一類是該P(yáng)n對(duì)應(yīng)的人臉圖像，第二類是所有不是該P(yáng)n的人對(duì)應(yīng)的人臉圖像。 通常采用的人臉i人證的方法為基于主元分析(Principal Components Analysis, PCA)的人臉識(shí)別方法，PCA是一種線性數(shù)據(jù)降維及特征提取的 方法，該方法分為訓(xùn)練和〗吏用兩個(gè)階|殳
首先訓(xùn)練得到PCA空間假定訓(xùn)練時(shí)的訓(xùn)練圖像(一般為矩形圖像) 的寬度為1、高度為h,將該二維輸入圖像按照各像素點(diǎn)從左至右、從上到 下的順序展開為一維列向量，得到
「《
令M:Ph，則該一維列圖像向量的長(zhǎng)度為M。假定輸入圖像的數(shù)目為N,
則N個(gè)圖像列向量分別為Ii，A"…A， N個(gè)向量的均值向量為 ^僉"，用 所述的N個(gè)圖像列向量分別減去均值向量，組成一個(gè)一維行向量 z^不-"，x2-"，…J^-w]，則圖像向量的協(xié)方差矩陣為《="\顯然，《為對(duì)
稱矩陣，進(jìn)行特征值分解后得到《=『A『\令j^r^r,則7^= 即經(jīng) 過(guò)線性變換^后，消除了數(shù)據(jù)間冗余。
假定上述得到的特征向量矩陣『中，非零特征值對(duì)應(yīng)的特征向量共有k 個(gè)，為了進(jìn)一步降低算法中所采用特征向量的數(shù)目，以降低運(yùn)算量，還可以 進(jìn)一步選擇特征值最大的前t個(gè)特征向量作為最終使用的人臉特征向量(又 稱特征臉)。
然后，使用訓(xùn)練得到的PCA空間進(jìn)行人臉認(rèn)證獲取輸入圖像對(duì)應(yīng)的 一維列向量X,將所述列向量X向上述由訓(xùn)練得到的t個(gè)特征向量組成的空 間投影，得到一個(gè)由t個(gè)系數(shù)組成的投影向量。以該t維投影向量作為特征 進(jìn)行識(shí)別，便是所述的基于PCA的人臉識(shí)別方法。
其中，對(duì)于人臉認(rèn)證而言，所述的輸入圖像為根據(jù)眼睛、嘴巴等臉部特 征點(diǎn)位置割取人臉區(qū)域并放縮到固定大小后得到的人臉圖像。
雖然基于PCA的人臉認(rèn)證方法是人臉識(shí)別領(lǐng)域比較成熟，同時(shí)性能也 比較穩(wěn)定的方法，但該方法識(shí)別率不高，且容易發(fā)生誤檢。因此，在PCA 的基礎(chǔ)上進(jìn)行改進(jìn)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，應(yīng)用最廣泛的是基于PCA和費(fèi)舍爾(Fisher)線性鑒別分析 (Linear Discriminant Analysis, LDA )的fisher特征臉?lè)椒ā?下面先介紹基于PCA的線性鑒別分析方法。
所謂Fisher線性鑒別分析方法，是尋求一個(gè)線性變換對(duì)樣本進(jìn)行變換， 使得變換后的樣本特征更容易分類，例如存在d維樣本Xp X2, ...Xn,其
中Ni個(gè)屬于Cd類，N2個(gè)屬于0)2類。分別將各樣本向方向W上做投影，得
到標(biāo)量yn=WTXn,這樣N個(gè)d維樣本可以得到N個(gè)標(biāo)量，則集合{yi，y2， ...yn} 可以分為兩個(gè)子集Yi和Y2。
Fisher方法的目標(biāo)是為了尋找分類方向W"吏得Y,，Y2被最佳地分類， 為此定義d維X空間中，
附/<formula>formula see original document page 8</formula>
各類樣本均值<formula>formula see original document page 8</formula>樣本類內(nèi)離散度矩陣Si為 ;
總類內(nèi)離散度矩陣Sw為&=Sl+&;
樣本類間離散度矩陣Sb為& = — - m2) *- w2,。
m,.'=丄Z》 z' = 1,2 對(duì)一維Y空間，定義樣本均值 ;
樣本類內(nèi)離散度 -' ; 總類內(nèi)離散度&'=《'"2'。
j"w) = ( )2 進(jìn)一 步定義Fisher準(zhǔn)則函數(shù)<formula>formula see original document page 8</formula>
為了使投影后的數(shù)據(jù)更加容易分類，因此要求所述Fisher準(zhǔn)則函數(shù)厶(w)
取最小值，從而需要投影后的 一 維數(shù)據(jù)的總類內(nèi)離散度Sw'盡量小而類間離 散度盡量大。
<formula>formula see original document page 9</formula>
Fisher準(zhǔn)則函數(shù)可以變形為 『&『，則w =argmaX(^(w))。由于
A(w)是廣義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>
后得到義 ，其中W-(附'—附2)W為標(biāo)量，則w'的方向?yàn)?br> 所述PCA+fisher特征臉的認(rèn)證方法，流程如圖1所示，其中包括
步驟101:采用訓(xùn)練樣本訓(xùn)練得到PCA空間，計(jì)算得到PCA空間的特 征向量，取最大的前t個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成特征臉空間。
步驟102:根據(jù)特征臉空間計(jì)算fisher方法中的樣本X，根據(jù)所述樣本 X計(jì)算出分類方向W*。
根據(jù)所述的fisher方法，需要計(jì)算\￥*，以便對(duì)將Y^ 丫2兩個(gè)集合進(jìn)行 最佳的分類。在人臉認(rèn)證中，對(duì)于一張待認(rèn)證圖像，需要得到的判定結(jié)果是 該圖像中的人臉是不是某個(gè)人，因此對(duì)每張待認(rèn)證圖像認(rèn)證后產(chǎn)生的是或不 是的結(jié)果的集合，就是所述的Yp 丫2集合。為了達(dá)到最佳的人臉認(rèn)證的效 果，就必須要對(duì)Yi集合、Y2集合進(jìn)行正確的分類，以避免產(chǎn)生誤檢。
因此，步驟102所述的方法具體為
將訓(xùn)練使用的人臉圖像投影到特征臉空間上，得到一個(gè)長(zhǎng)度為t的投影 向量，將所述長(zhǎng)度為t的投影向量作為fisher特征臉?lè)椒ㄖ械臉颖綳,由該
樣本X,根據(jù)fisher方法中定義的公式計(jì)算出分類方向^"(" _W2)。
由于訓(xùn)練使用的人臉圖像都是已經(jīng)進(jìn)行了標(biāo)定的輸入圖像，即，對(duì)于一 個(gè)已知身份的人，訓(xùn)練時(shí)使用的人臉圖像是否是該已知身份的人的人臉是已
知的。因此，根據(jù)所述標(biāo)定好的輸入圖像最終計(jì)算出的分類方向Wf具有相 當(dāng)?shù)膮^(qū)分性，能夠比較準(zhǔn)確的區(qū)分開Yi集合和Y2集合，提高了人臉認(rèn)證時(shí) 的準(zhǔn)確性。
步驟103:獲取待認(rèn)證人臉圖像，將其投影到特征臉空間得到長(zhǎng)度為t 的投影向量，進(jìn)而將該投影向量投影到步驟102計(jì)算出的分類方向\￥*上， 得到一個(gè)標(biāo)量(稱作Fisher系數(shù))。
步驟104:根據(jù)所述fisher系數(shù)與預(yù)先設(shè)置的閾值T的大小關(guān)系得出認(rèn) 證結(jié)果。
所述確定閾值T的一種方法為對(duì)于訓(xùn)練時(shí)使用的標(biāo)定好的兩類人臉圖 像，分別求出它們?cè)诜诸惙较虻耐队?，記錄所有投影后得到的Fisher系數(shù)； 假定兩類人臉圖像投影后的Fisher系數(shù)符合高斯分布，則對(duì)投影后數(shù)據(jù)進(jìn)行 高斯擬合后，選擇兩個(gè)類后驗(yàn)概率相等的位置作為閾值T 。
圖1所示的PCA+Fisher的認(rèn)證方法比單純基于PCA的方法效果要好， 但是，所述確定閾值T的過(guò)程中，需要假定兩類人臉圖像投影后的Fisher 系數(shù)符合高斯分布，這在實(shí)際應(yīng)用中并不總能夠得到滿足，因此影響了該方 法的適用范圍；此外，單個(gè)閾值T所能表示的信息量太少，僅僅依靠閾值T 往往并不能準(zhǔn)確地將兩類人臉圖像區(qū)分開來(lái)，因此影響了該認(rèn)證方法的準(zhǔn)確 性，容易出現(xiàn)誤檢。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例提供一種人臉認(rèn)證的方法和裝置，能夠提供更好的人臉認(rèn) 證效果。
為達(dá)到上述目的，本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的 一種人臉iU正的方法，該方法包4舌
利用基于主元分析的費(fèi)舍爾fisher特征臉?lè)椒ǎ?jì)算待認(rèn)證目標(biāo)的fisher 系數(shù)；
利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹配度； 比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。 所述利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹配度的方法為 計(jì)算用于訓(xùn)練所述分類器的待認(rèn)證目標(biāo)的訓(xùn)練樣本集中，各訓(xùn)練樣本的
fisher系數(shù)，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)確定區(qū)間[F柚，F(xiàn)max],所述Fmin 為所述訓(xùn)練樣本中fisher系數(shù)的最小值，F(xiàn)max為所述訓(xùn)練樣本中fisher系數(shù)的最 大值；
將所述區(qū)間分成預(yù)設(shè)數(shù)量的子區(qū)間，并確定所述待認(rèn)證目標(biāo)的fisher系數(shù) 所在的子區(qū)間；
計(jì)算所確定的該子區(qū)間中待認(rèn)證目標(biāo)的訓(xùn)練樣本分布的直方圖； 根據(jù)所述直方圖，計(jì)算得出查找表分類器的相似匹配度。 所述每個(gè)子區(qū)間分別對(duì)應(yīng) 一個(gè)序號(hào)；
所述確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間的方法為
按照下述公式確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間對(duì)應(yīng)的序號(hào)
W— 7 ) * HM7M = min(//M/M -1，凡OOi (^^~~^-))
利用 《咖-,min ,其中min()為取最小值運(yùn)
算，F(xiàn)LOOR()為向下取整運(yùn)算，j為所述序號(hào)。
所述計(jì)算所確定的該子區(qū)間中待認(rèn)證目標(biāo)的訓(xùn)練樣本分布的直方圖的方法
為
統(tǒng)計(jì)所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間內(nèi)，兩類待認(rèn)證目標(biāo)訓(xùn)練 樣本的fisher系數(shù)的數(shù)目，得到所述兩類訓(xùn)練樣本的fisher系數(shù)在該子區(qū)間中分 布的直方圖，所述兩類訓(xùn)練樣本包括與待認(rèn)證目標(biāo)對(duì)應(yīng)的第一類訓(xùn)練樣本和 所有非所述目標(biāo)對(duì)應(yīng)的第二類訓(xùn)練樣本。
所述根據(jù)所述直方圖，計(jì)算得出查找表分類器的相似匹配度的方法為
厶G) =-萬(wàn)G) =-LMZ—— = arctanOiH-——》
利用 <formula>formula see original document page 11</formula>，或 <formula>formula see original document page 11</formula>,或 <formula>formula see original document page 11</formula> 計(jì)算查
找表分類器的相似匹配度，其中(J為大于O的正數(shù)，ln為自然對(duì)數(shù)運(yùn)算，arctan 為反正切運(yùn)算，Hish(j)表示序號(hào)為j的子區(qū)間內(nèi)第 一類訓(xùn)練樣本的直方圖，Hist2(j)
表示序號(hào)為j的子區(qū)間內(nèi)第二類訓(xùn)練樣本的直方圖。
設(shè)定所述閾值的方法為計(jì)算訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的
相似匹配度，才艮據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度
確定區(qū)間[77^，777^]，所述^^^為所述訓(xùn)練樣本中fisher系數(shù)對(duì)應(yīng)的分類器的相 似匹配度的最小值，^皿為fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度的最大值；
從區(qū)間[^皿，^皿]中選擇預(yù)定個(gè)數(shù)的點(diǎn)，分別計(jì)算所述各點(diǎn)的分類錯(cuò)誤率； 所述分類錯(cuò)誤率為被歸入錯(cuò)誤類別的訓(xùn)練樣本數(shù)目的總和； 設(shè)定所述各點(diǎn)中訓(xùn)練樣本分類錯(cuò)誤率最低的點(diǎn)的值為所述閾值。 所述待認(rèn)證目標(biāo)包括目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域； 所述利用查找表分類器計(jì)算所述系數(shù)對(duì)應(yīng)的相似匹配度的方法為 利用查找表分類器分別計(jì)算所述目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹 配度和所述目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度。
將目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度i殳為hf，目標(biāo)雙眼區(qū)域的 fisher系數(shù)對(duì)應(yīng)的相似匹配度設(shè)為he,設(shè)定hf和he各自對(duì)應(yīng)的權(quán)值，計(jì)算它們 加權(quán)處理后的結(jié)果，將所述加權(quán)處理后的結(jié)果與預(yù)先設(shè)定的閾值進(jìn)行比較得出 認(rèn)證結(jié)果。
一種人臉認(rèn)證的裝置，該裝置包括
系數(shù)計(jì)算模塊，輸出計(jì)算模塊和認(rèn)證模塊；
所述系數(shù)計(jì)算模塊，利用基于主元分析的費(fèi)舍爾fisher特征臉?lè)椒ǎ?jì)算 待認(rèn)證目標(biāo)的fisher系數(shù)；
所述輸出計(jì)算模塊，利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹 配度；
所述認(rèn)證模塊，比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。 所述輸出計(jì)算模塊包括區(qū)間設(shè)置單元、子區(qū)間確定單元、直方圖計(jì)算單 元和分類器輸出計(jì)算單元；
所述區(qū)間配置單元，計(jì)算用于訓(xùn)練所述分類器的待認(rèn)證目標(biāo)的訓(xùn)練樣本集 中，各訓(xùn)練樣本的fisher系數(shù)，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)確定區(qū)間 [Fmin, Fmax]，所述Fmm為所述訓(xùn)練樣本中fisher系數(shù)的最小值，F(xiàn)腿為所述訓(xùn)練
樣本中fisher系數(shù)的最大值；
所述子區(qū)間確定單元，將確定的所述區(qū)間分成預(yù)設(shè)數(shù)量的子區(qū)間，并確定 所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間；；
所述直方圖計(jì)算單元，計(jì)算所確定的該子區(qū)間中待認(rèn)證目標(biāo)的訓(xùn)練樣本分 布的直方所述分類器輸出計(jì)算單元，根據(jù)所述直方圖計(jì)算得出查找表分類器的相似 匹配度。
所述認(rèn)證模塊包括閾值設(shè)置單元；
所述閾值設(shè)置單元，計(jì)算訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相似 匹配度，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度確定 區(qū)間[^^min，7^,]，所述^w為所述訓(xùn)練樣本中fisher系數(shù)對(duì)應(yīng)的分類器的相似匹 配度的最小值，^皿為flsher系數(shù)對(duì)應(yīng)的分類器的相似匹配度的最大值；從區(qū) 間["^，^^]中選擇預(yù)定個(gè)數(shù)的點(diǎn)，分別計(jì)算所述各點(diǎn)的分類錯(cuò)誤率；所述分 類錯(cuò)誤率為被歸入錯(cuò)誤類別的訓(xùn)練樣本數(shù)目的總和；
設(shè)定所述各點(diǎn)中訓(xùn)練樣本分類錯(cuò)誤率最低的點(diǎn)的值為所述閾值。
所述系數(shù)計(jì)算模塊，計(jì)算待認(rèn)證目標(biāo)的費(fèi)舍爾fisher系數(shù)，所述待認(rèn)證目 標(biāo)包括目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域；
所述輸出計(jì)算模塊，利用查找表分類器分別計(jì)算所述目標(biāo)人臉區(qū)域的fisher 系數(shù)對(duì)應(yīng)的相似匹配度和所述目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度。
所述認(rèn)證模塊中進(jìn)一步包括認(rèn)證單元；
所述認(rèn)證單元，預(yù)先設(shè)定目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度和 目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度各自對(duì)應(yīng)的權(quán)值，計(jì)算它們加權(quán) 處理后的結(jié)果，將所述加權(quán)處理后的結(jié)果與所述閾值進(jìn)行比較得出認(rèn)證結(jié)果。
由上述的技術(shù)方案可見(jiàn)，本發(fā)明實(shí)施例的這種人臉認(rèn)證的方法和裝置，通 過(guò)引入比單閾值表示能力更強(qiáng)的查找表分類器，能夠?qū)τ?xùn)練樣本進(jìn)行更好的分 類，從而提高了人臉認(rèn)證的識(shí)別率，降低了誤檢幾率。


圖1為現(xiàn)有技術(shù)PCA+Fisher特征臉?lè)椒ǖ氖疽鈭D。
圖2為本發(fā)明實(shí)施例中人臉認(rèn)證的方法的流程示意圖。
圖3為本發(fā)明實(shí)施例中人臉認(rèn)證的裝置的組成結(jié)構(gòu)示意圖。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉 實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。
在圖l所示方法的基礎(chǔ)上，本發(fā)明實(shí)施例提出一種人臉認(rèn)證的方法，該 方法利用PCA+Fisher并結(jié)合查找表分類器，流程如圖2所示，其中包括
步驟201:利用基于主元分析的費(fèi)舍爾fisher特征臉?lè)椒?，?jì)算待認(rèn)證 目標(biāo)的fisher系數(shù);
本發(fā)明實(shí)施例對(duì)目標(biāo)人臉區(qū)域進(jìn)行認(rèn)證，但由于目標(biāo)人臉區(qū)域內(nèi)，雙眼 區(qū)域是包含信息量最大的區(qū)域，因此為了進(jìn)一步提高識(shí)別率，本發(fā)明實(shí)施例 還進(jìn)一步對(duì)目標(biāo)雙眼區(qū)域進(jìn)行認(rèn)證。因此，所述待認(rèn)證目標(biāo)既可以是從輸入 圖像中割取的目標(biāo)人臉區(qū)域圖像，也可以進(jìn)一步包含從所述輸入圖像中割取 的目標(biāo)雙眼區(qū)域圖像。
所述計(jì)算待認(rèn)證目標(biāo)的fisher系數(shù)的方法為將待認(rèn)i正目標(biāo)的PCA系 數(shù)投影到特征臉空間，得到投影向量后再將該投影向量投影到fisher分類方 向，得到所述待認(rèn)證目標(biāo)的fisher系數(shù)，具體方法與現(xiàn)有技術(shù)相同，此處不 再贅述。
步驟202:利用查找表分類器計(jì)算所述待認(rèn)證目標(biāo)的fisher系數(shù)對(duì)應(yīng)的 相似匹配度；
所述查找表分類器是使用訓(xùn)練樣本預(yù)先訓(xùn)練得到的分類器，當(dāng)進(jìn)行人臉 {人證時(shí)，所述待認(rèn)證目標(biāo)中同時(shí)包含目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域時(shí)，預(yù)先 訓(xùn)練時(shí)自然需要有目標(biāo)人臉區(qū)域訓(xùn)練樣本和目標(biāo)雙眼區(qū)域訓(xùn)練樣本兩組訓(xùn) 練樣本，所述的目標(biāo)雙眼區(qū)域訓(xùn)練樣本既可以是預(yù)先單獨(dú)獲取的，也可以是
從所述的目標(biāo)人臉區(qū)域訓(xùn)練樣本中割取的，分別訓(xùn)練得到兩個(gè)查找表分類 器，所述的兩個(gè)分類器構(gòu)造雖然并不相同，但它們的訓(xùn)練方法和進(jìn)行人臉認(rèn) 證時(shí)的認(rèn)證方法卻是相同的。
同時(shí)需要指出的是，所述的目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域的處理方法雖 然相同，但是在實(shí)際利用各自的查找表分類器進(jìn)行處理時(shí)，這兩個(gè)過(guò)程是相 互獨(dú)立的，互相之間并沒(méi)有任何關(guān)系。
步驟203:比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。 確定閾值S時(shí)應(yīng)選擇使得訓(xùn)練樣本分類錯(cuò)誤率最低的閾值， 訓(xùn)練樣本的分類錯(cuò)誤率定義為所有在該閾值下被錯(cuò)分類的樣本數(shù)目之和，即 被分為第 一類樣本的第二類樣本的數(shù)目與被分為第二類樣本的第 一類樣本 的數(shù)目之和。由于待認(rèn)證目標(biāo)可能同時(shí)包含目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域， 因此所述的訓(xùn)練樣本的分類錯(cuò)誤率即為兩組訓(xùn)練樣本中，被錯(cuò)誤歸類的樣本 數(shù)目的總和。
所述獲取所述閾值的方法為計(jì)算訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分 類器的相似匹配度，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相 似匹配度確定區(qū)間[2Fmin，rFmax],所述為所述訓(xùn)練樣本中fisher系數(shù)對(duì)應(yīng)的
分類器的相似匹配度的最小值，2F^為fisher系^t對(duì)應(yīng)的分類器的相似匹配 度的最大值；
由于區(qū)間中包含無(wú)窮多個(gè)點(diǎn)，為了減少計(jì)算量，可以從區(qū)間[77^，77^]中 選擇一定個(gè)數(shù)的點(diǎn)，分別計(jì)算所述各點(diǎn)的分類錯(cuò)誤率，設(shè)定所述各點(diǎn)中訓(xùn)練 樣本分類錯(cuò)誤率最低的點(diǎn)的值為所述閾值。
例如， 一種可行的獲取閾值的方案如下
將區(qū)間[77^,77_]等分為FN個(gè)子區(qū)間，則共有FN+1個(gè)端點(diǎn)，各端點(diǎn)的
值分別為7y;腿+ (巧鵬_巧加i)V" ，> = 0,1…iW ，其中fn為端點(diǎn)序號(hào)；
分別計(jì)算所述FN+1個(gè)端點(diǎn)對(duì)應(yīng)的分類錯(cuò)誤率，并記錄分類錯(cuò)誤率最小 的端點(diǎn)值，將該端點(diǎn)值設(shè)為閾值。
容易理解，該方法僅為舉例，并非用于限定所述閾值的設(shè)定方法。
法為設(shè)目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度為hf，目標(biāo)雙眼區(qū)域 的fisher系數(shù)對(duì)應(yīng)的相似匹配度為he,設(shè)定hf和he各自對(duì)應(yīng)的權(quán)值，計(jì)算 它們加權(quán)處理后的結(jié)果，將所述加權(quán)處理后的結(jié)果與設(shè)定的閾值進(jìn)行比較得 出認(rèn)證結(jié)果。
容易理解，當(dāng)待認(rèn)證目標(biāo)只包含目標(biāo)人臉區(qū)域時(shí)，目標(biāo)雙眼區(qū)域的fisher 系數(shù)的相似匹配度he為0,因此對(duì)最后加權(quán)處理的結(jié)果并無(wú)影響。
下面具體介紹所述步驟202 203中， 一種可能的利用查找表分類器計(jì)算 所述系數(shù)對(duì)應(yīng)的相似匹配度和得出認(rèn)證結(jié)果的方法
一、計(jì)算用于訓(xùn)練所述分類器的待認(rèn)證目標(biāo)訓(xùn)練樣本集中，各訓(xùn)練樣本 的fisher系數(shù)，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)確定區(qū)間[F^， Fmax]， 所述F幽為所述訓(xùn)練樣本中fisher系數(shù)的最小值，F(xiàn)咖x為所述訓(xùn)練樣本中 fisher系數(shù)的最大值；
將所述區(qū)間分成預(yù)設(shè)數(shù)量的子區(qū)間，例如將所述區(qū)間等分為Hnum個(gè)子 區(qū)間。所述的H,m的取值通常根據(jù)經(jīng)驗(yàn)進(jìn)行選擇，本發(fā)明實(shí)施例并不作具 體限定，根據(jù)區(qū)間[Fmin， Fn^]的長(zhǎng)度選擇大小適中的值即可，例如通常可以
耳又Hnujv^32、 48或64等。
當(dāng)待認(rèn)證目標(biāo)包含目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域時(shí)，分別獨(dú)立計(jì)算各自 的fisher系數(shù)，相應(yīng)地得到兩組區(qū)間，且兩組區(qū)間進(jìn)行子區(qū)間劃分的HNUM 的取值也相互獨(dú)立。后續(xù)的各步驟中也是同樣的情況，每一個(gè)步驟都適用于 所述的目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域的處理流程，因此下文中不再聲明。
二 、確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間；
所述確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間的方法為計(jì)算待 認(rèn)證目標(biāo)的fisher系數(shù)在所述區(qū)間中對(duì)應(yīng)的序號(hào)j 。
區(qū)間[Fmin， F眼x]共分HNUM個(gè)子區(qū)間，每一段對(duì)應(yīng)的序號(hào)為j( (K j《HNUM -1, j為整數(shù))，計(jì)算待認(rèn)證目標(biāo)的fisher系數(shù)對(duì)應(yīng)的序號(hào)j可以采用下述
公式:
<formula>formula see original document page 17</formula> ，其中min()為取最小值運(yùn)算，
FLOOR()為向下取整運(yùn)算，如FLOOR(1.9)-l， FLOOR(2.2)=2。需要說(shuō)明的 是，計(jì)算所述fisher系數(shù)對(duì)應(yīng)的序號(hào)j還可以釆用其它方式，此處不——進(jìn) 行列舉，因此，上述計(jì)算序號(hào)j的公式僅為舉例，并非用于限定。
三、 計(jì)算所確定的該子區(qū)間上，所述待認(rèn)證目標(biāo)的兩類訓(xùn)練樣本分布的 直方圖Hist!(j)和Hist2(j)。
所述計(jì)算直方圖的方法為在所有的第一類訓(xùn)練樣本中，fisher系數(shù)對(duì) 應(yīng)序號(hào)為j的樣本數(shù)目等于Histi(j);而類似地，所有的第二類訓(xùn)練樣本中， fisher系數(shù)對(duì)應(yīng)序號(hào)為j的樣本數(shù)目等于Hist2(j)。由于所述區(qū)間分為HNUM 段，因此容易理解，Hist!和Hist2均為H而M維向量。
四、 根據(jù)所述直方圖，計(jì)算得出查找表分類器 預(yù)A(力。 由上述說(shuō)明可知，步驟202中，所述利用查找表分類器計(jì)算所述系數(shù)對(duì)
應(yīng)的相似匹配度的方法為
步驟202a(圖中未示出)根據(jù)待認(rèn)證目標(biāo)訓(xùn)練樣本fisher系數(shù)的最大、 最小值得到[F曲，F(xiàn)max]區(qū)間，根據(jù)設(shè)定的HNUM，計(jì)算所述系數(shù)在所述子區(qū) 間中對(duì)應(yīng)的序號(hào)j;
步驟202b (圖中未示出)計(jì)算序號(hào)j的子區(qū)間中，所述的兩類訓(xùn)練樣 本分布的直方圖。
需要說(shuō)明的是，在人臉驗(yàn)證的實(shí)際應(yīng)用時(shí)，某些待驗(yàn)證圖像的Fisher 系數(shù)可能會(huì)超出區(qū)間[F幽，F(xiàn)皿]的范圍，當(dāng)所述Fisher系數(shù)超出[Fmin, Fmax] 范圍的時(shí)候，即認(rèn)為所述待驗(yàn)證圖像不是該人。
進(jìn)一步地，為了避免區(qū)間序號(hào)j上的直方圖Hist2(j)為零，可以進(jìn)一步設(shè)
置一種較佳的查找表分類器的定義方式 //^2(./) + ",其中"為大于零
的正值，如取"=0.006，但本發(fā)明不作限定，同樣也可以取其他值。
或者，為了獲得數(shù)據(jù)分布更優(yōu)化的表示方式，還可以定義查找表分類器
為 //^2(力+ <7 ，此時(shí)h①的取值范圍為(0, 7T )。其中l(wèi)n為自然
對(duì)數(shù)運(yùn)算，arctan為反正切運(yùn)算。
較佳地，可以進(jìn)一步對(duì)統(tǒng)計(jì)得到的直方圖His^和Hist2采用濾波器進(jìn)行 平滑處理，例如采用均值濾波對(duì)所述直方圖進(jìn)行處理。
同樣，還可以采用均值濾波對(duì)查找表分類器進(jìn)行平滑濾波。 可見(jiàn)，本發(fā)明實(shí)施例的這種人臉認(rèn)證的方法，通過(guò)將查找表分類器與 PCA+Fisher相結(jié)合，使得本發(fā)明可以適用于各種樣本概率分布的輸入圖像； 同時(shí)，引入比單閾值表示能力更強(qiáng)的查找表分類器，能夠提高人臉認(rèn)證的識(shí) 別率，降低誤檢，此外，當(dāng)待認(rèn)證目標(biāo)同時(shí)包含目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū) 域時(shí)，本發(fā)明的較佳實(shí)施例還可以進(jìn)一步提高人臉認(rèn)證的識(shí)別率。
本發(fā)明還提供一種人臉認(rèn)證的裝置，如圖3所示，其中包括系數(shù)計(jì)算 模塊310，輸出計(jì)算模塊320和認(rèn)證模塊330;
所述系數(shù)計(jì)算模塊310,計(jì)算待認(rèn)證目標(biāo)的費(fèi)舍爾fisher系數(shù)； 所述輸出計(jì)算模塊320，利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似 匹配度；
所述認(rèn)證模塊330，比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。
所述輸出計(jì)算模塊320包括區(qū)間設(shè)置單元321、子區(qū)間確定單元322、直 方圖計(jì)算單元323和分類器輸出計(jì)算單元324;
所述區(qū)間設(shè)置單元321,計(jì)算用于訓(xùn)練所述分類器的待認(rèn)證目標(biāo)的訓(xùn)練樣 本集中，各訓(xùn)練樣本的fisher系數(shù)，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)確定區(qū) 間[Fmin， Fmax],所述Fmin為所述訓(xùn)練樣本中fisher系數(shù)的最小值，F(xiàn)max為所述訓(xùn) 練樣本中fisher系數(shù)的最大值；
所述子區(qū)間確定單元322，將確定的所述區(qū)間分成預(yù)設(shè)^:量的子區(qū)間，并 按照下述公式確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間對(duì)應(yīng)的序號(hào) _/ = min(7/M/M -1, F丄OOi (^^~~^-))
利用 Fmax-Fmin ,其中min()為取最小值運(yùn)
算，F(xiàn)LOOR()為向下取整運(yùn)算，j為所述序號(hào)，且所述每個(gè)子區(qū)間分別對(duì)應(yīng)一個(gè)
序號(hào)；
所述直方圖計(jì)算單元323,根據(jù)各訓(xùn)練樣本的fisher系數(shù)，統(tǒng)計(jì)所述待認(rèn)證 目標(biāo)的fisher系數(shù)所在的子區(qū)間內(nèi)，兩類待認(rèn)證目標(biāo)訓(xùn)練樣本的fisher系數(shù)的數(shù) 目，得到所述兩類訓(xùn)練樣本的fisher系數(shù)在該子區(qū)間中分布的直方圖，所述兩 類訓(xùn)練樣本包括與待認(rèn)證目標(biāo)對(duì)應(yīng)的第一類訓(xùn)練樣本和所有非所述目標(biāo)對(duì)應(yīng) 的第二類訓(xùn)練樣本；
所述分類器輸出計(jì)算單元324,利用 Ww2C/)，或 /^2(力+ 、或
/fo"力+ cr計(jì)算查找表分類器的相似匹配度，其中CT為大于O的 正數(shù)，ln為自然對(duì)數(shù)運(yùn)算，arctan為反正切運(yùn)算，His^(j)表示序號(hào)為j的子區(qū)間 內(nèi)第一類訓(xùn)練樣本的直方圖，Hisyj)表示序號(hào)為j的子區(qū)間內(nèi)第二類訓(xùn)練樣本 的直方圖。
當(dāng)所述祠:認(rèn)證目標(biāo)同時(shí)包括目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)i或時(shí)，此時(shí) 所述系數(shù)計(jì)算模塊310，用于計(jì)算待認(rèn)證目標(biāo)的費(fèi)舍爾fisher系數(shù)，所述待 認(rèn)證目標(biāo)包括目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域；
相應(yīng)地，此時(shí)所述輸出計(jì)算模塊320，利用查找表分類器分別計(jì)算所述目 標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度和所述目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì) 應(yīng)的相似匹配度。
所述認(rèn)證模塊330包括閾值設(shè)置單元331和認(rèn)證判斷單元332;
所述闊值設(shè)置單元331,將使得待認(rèn)證目標(biāo)訓(xùn)練樣本分類錯(cuò)誤率最低的值 設(shè)置為所述閾值，所述訓(xùn)練樣本分類錯(cuò)誤率為被歸入錯(cuò)誤類別的訓(xùn)練樣本數(shù)目 的總和。
所述認(rèn)證判斷單元332，預(yù)先設(shè)定目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹
配度和目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度各自對(duì)應(yīng)的權(quán)值，計(jì)算它 們加權(quán)處理后的結(jié)果，將所述加權(quán)處理后的結(jié)果與所述閾值進(jìn)行比較得出認(rèn)證 結(jié)果。
可見(jiàn)，本發(fā)明實(shí)施例的這種人臉認(rèn)證的裝置，通過(guò)將查找表分類器與 PCA+Fisher相結(jié)合，使得本發(fā)明可以適用于各種樣本概率分布的輸入圖像；同 時(shí)，引入比單閾值表示能力更強(qiáng)的查找表分類器，能夠提高人臉認(rèn)證的識(shí)別率， 降低誤檢，此外，當(dāng)待認(rèn)證目標(biāo)同時(shí)包含目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域時(shí)，本 發(fā)明的較佳實(shí)施例還可以進(jìn)一步提高人臉認(rèn)證的識(shí)別率。
同時(shí)，容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例，并非用于限定本 發(fā)明的精神和保護(hù)范圍，任何熟悉本領(lǐng)域的技術(shù)人員所做出的等同變化或替 換，都應(yīng)視為涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1、一種人臉認(rèn)證的方法，其特征在于，該方法包括利用基于主元分析的費(fèi)舍爾fisher特征臉?lè)椒?，?jì)算待認(rèn)證目標(biāo)的fisher系數(shù)；利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹配度；比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。
2、 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用查找表分類器計(jì)算 所述fisher系數(shù)對(duì)應(yīng)的相似匹配度的方法為計(jì)算用于訓(xùn)練所述分類器的待認(rèn)證目標(biāo)的訓(xùn)練樣本集中，各訓(xùn)練樣本的fisher系數(shù)，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)確定區(qū)間[F幽，F(xiàn)max]，所述F^ 為所述訓(xùn)練樣本中fisher系數(shù)的最小值，F(xiàn)^x為所述訓(xùn)練樣本中fisher系數(shù)的最 大值；將所述區(qū)間分成預(yù)設(shè)數(shù)量的子區(qū)間，并確定所述待認(rèn)證目標(biāo)的fisher系數(shù) 所在的子區(qū)間；計(jì)算所確定的該子區(qū)間中待認(rèn)證目標(biāo)的訓(xùn)練樣本分布的直方圖； 根據(jù)所述直方圖，計(jì)算得出查找表分類器的相似匹配度。
3、 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述每個(gè)子區(qū)間分別對(duì)應(yīng)一 個(gè)序號(hào)；所述確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間的方法為 按照下述公式確定所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間對(duì)應(yīng)的序號(hào)利用 F, ，其中min()為取最小值運(yùn) 算，F(xiàn)LOOR()為向下取整運(yùn)算，j為所述序號(hào)。
4、 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述計(jì)算所確定的該子區(qū)間 中待認(rèn)證目標(biāo)的訓(xùn)練樣本分布的直方圖的方法為統(tǒng)計(jì)所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間內(nèi)，兩類待認(rèn)證目標(biāo)訓(xùn)練樣本的fisher系數(shù)的數(shù)目，得到所述兩類訓(xùn)練樣本的fisher系數(shù)在該子區(qū)間中分 布的直方圖，所述兩類訓(xùn)練樣本包括與待認(rèn)證目標(biāo)對(duì)應(yīng)的第一類訓(xùn)練樣本和 所有非所述目標(biāo)對(duì)應(yīng)的第二類訓(xùn)練樣本。
5、 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述才艮據(jù)所述直方圖，計(jì)算 得出查找表分類器的相似匹配度的方法為<formula>formula see original document page 3</formula>利用 歷^2(力，或 7/ZW2C/) + o"，或 //W2C/) + ct 計(jì)算查找表分類器的相似匹配度，其中cr為大于0的正數(shù)，ln為自然對(duì)數(shù)運(yùn)算，arctan 為反正切運(yùn)算，Hist^)表示序號(hào)為j的子區(qū)間內(nèi)第一類訓(xùn)練樣本的直方圖，Hist2(j) 表示序號(hào)為j的子區(qū)間內(nèi)第二類訓(xùn)練樣本的直方圖。
6、 才艮據(jù)權(quán)利要求5所述的方法，其特征在于，設(shè)定所述閾值的方法為 計(jì)算訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度確定區(qū)間[77^,77_], 所述"^為所述訓(xùn)練樣本中fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度的最小 值，^^為fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度的最大值；從區(qū)間[77^，27^]中選擇預(yù)定個(gè)數(shù)的點(diǎn)，分別計(jì)算所述各點(diǎn)的分類錯(cuò)誤 率；所述分類錯(cuò)誤率為被歸入錯(cuò)誤類別的訓(xùn)練樣本數(shù)目的總和； 設(shè)定所述各點(diǎn)中訓(xùn)練樣本分類錯(cuò)誤率最低的點(diǎn)的值為所述閾值。
7、 根據(jù)權(quán)利要求1至6中任一項(xiàng)所述的方法，其特征在于，所述待認(rèn)證目 標(biāo)包括目標(biāo)人臉區(qū)域和目標(biāo)雙眼區(qū)域；所述利用查找表分類器計(jì)算所述系數(shù)對(duì)應(yīng)的相似匹配度的方法為 利用查找表分類器分別計(jì)算所述目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹 配度和所述目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度。
8、 根據(jù)權(quán)利要求7所述的方法，其特征在于，根據(jù)所述相似匹配度和預(yù)先 設(shè)定的閾值得出認(rèn)證結(jié)果的方法為將目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度設(shè)為hf，目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度設(shè)為he，設(shè)定hf和he各自對(duì)應(yīng)的積J直，計(jì)算它們 加權(quán)處理后的結(jié)果，將所述加權(quán)處理后的結(jié)果與預(yù)先設(shè)定的閾值進(jìn)行比較得出 認(rèn)證結(jié)果。
9、 一種人臉認(rèn)證的裝置，其特征在于，該裝置包括系數(shù)計(jì)算模塊，輸出 計(jì)算模塊和認(rèn)證模塊；所述系數(shù)計(jì)算模塊，利用基于主元分析的費(fèi)舍爾fisher特征臉?lè)椒?，?jì)算 待認(rèn)證目標(biāo)的fisher系數(shù)；所述輸出計(jì)算模塊，利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹 配度；所述認(rèn)證模塊，比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。
10、 根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述輸出計(jì)算模塊包括 區(qū)間設(shè)置單元、子區(qū)間確定單元、直方圖計(jì)算單元和分類器輸出計(jì)算單元；所述區(qū)間配置單元，計(jì)算用于訓(xùn)練所述分類器的待認(rèn)證目標(biāo)的訓(xùn)練樣本集 中，各訓(xùn)練樣本的fisher系數(shù)，根據(jù)所述訓(xùn)練樣本集中的fisher系凄t確定區(qū)間 [Fmin, F腿]，所述F幽為所述訓(xùn)練樣本中fisher系數(shù)的最小值，F(xiàn)腿為所述訓(xùn)練 樣本中fisher系數(shù)的最大值；所述子區(qū)間確定單元，將確定的所述區(qū)間分成預(yù)設(shè)數(shù)量的子區(qū)間，并確定 所述待認(rèn)證目標(biāo)的fisher系數(shù)所在的子區(qū)間；；所述直方圖計(jì)算單元，計(jì)算所確定的該子區(qū)間中待認(rèn)證目標(biāo)的訓(xùn)練樣本分 布的直方圖；所述分類器輸出計(jì)算單元，根據(jù)所述直方圖計(jì)算得出查找表分類器的相似 匹配度。
11、 根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述認(rèn)證模塊包括閾值 設(shè)置單元；所述閾值設(shè)置單元，計(jì)算訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相 似匹配度，根據(jù)所述訓(xùn)練樣本集中的fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度確定區(qū)間[7F^,77:J，所述77^為所述訓(xùn)練樣本中fisher系數(shù)對(duì)應(yīng)的分類器的 相似匹配度的最小值，7F^為fisher系數(shù)對(duì)應(yīng)的分類器的相似匹配度的最大值；從區(qū)間[77^，77^]中選擇預(yù)定個(gè)數(shù)的點(diǎn)，分別計(jì)算所述各點(diǎn)的分類錯(cuò)誤率；所述分類錯(cuò)誤率為被歸入錯(cuò)誤類別的訓(xùn)練樣本數(shù)目的總和；設(shè)定所述各點(diǎn)中訓(xùn)練樣本分類錯(cuò)誤率最低的點(diǎn)的值為所述閾值。
12、 根據(jù)權(quán)利要求ll所述的裝置，其特征在于，所述系數(shù)計(jì)算模塊，計(jì)算 待認(rèn)證目標(biāo)的費(fèi)舍爾fisher系數(shù)，所述待認(rèn)證目標(biāo)包括目標(biāo)人臉區(qū)域和目標(biāo)雙 眼區(qū);或；所述輸出計(jì)算模塊，利用查找表分類器分別計(jì)算所述目標(biāo)人臉區(qū)域的fisher 系數(shù)對(duì)應(yīng)的相似匹配度和所述目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度。
13、 根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述認(rèn)證模塊中進(jìn)一步包 括認(rèn)證單元；所述認(rèn)證單元，預(yù)先設(shè)定目標(biāo)人臉區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度和 目標(biāo)雙眼區(qū)域的fisher系數(shù)對(duì)應(yīng)的相似匹配度各自對(duì)應(yīng)的權(quán)值，計(jì)算它們加權(quán) 處理后的結(jié)果，將所述加權(quán)處理后的結(jié)果與所述閾值進(jìn)行比較得出認(rèn)證結(jié)果。
全文摘要
本發(fā)明公開了一種人臉認(rèn)證的方法，該方法包括利用基于主元分析的費(fèi)舍爾fisher特征臉?lè)椒ǎ?jì)算待認(rèn)證目標(biāo)的費(fèi)舍爾fisher系數(shù)；利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹配度；比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。本發(fā)明還同時(shí)公開了一種人臉認(rèn)證的裝置，該裝置包括系數(shù)計(jì)算模塊，計(jì)算待認(rèn)證目標(biāo)的費(fèi)舍爾fisher系數(shù)；輸出計(jì)算模塊，利用查找表分類器計(jì)算所述fisher系數(shù)對(duì)應(yīng)的相似匹配度；認(rèn)證模塊，比較所述相似匹配度和預(yù)先設(shè)定的閾值得出認(rèn)證結(jié)果。本發(fā)明的這種人臉認(rèn)證的方法和裝置，通過(guò)引入比單閾值表示能力更強(qiáng)的查找表分類器，能夠?qū)τ?xùn)練樣本進(jìn)行更好的分類，從而提高了人臉認(rèn)證的識(shí)別率，降低了誤檢幾率。
文檔編號(hào)G06K9/00GK101187977SQ200710179809
公開日2008年5月28日 申請(qǐng)日期2007年12月18日 優(yōu)先權(quán)日2007年12月18日
發(fā)明者浩 王, 鄧亞峰, 英 黃 申請(qǐng)人:北京中星微電子有限公司