本發(fā)明涉及一種在生物數(shù)據(jù)采集過程中區(qū)別真實(shí)臉部和二維臉部圖像的方法，以及一種對(duì)使用所述區(qū)別方法的人進(jìn)行身份識(shí)別的方法。

背景技術(shù)：
基于臉部識(shí)別的生物身份識(shí)別早已為人所知。例如可以將臉部的數(shù)字記錄與例如根據(jù)ICAO(InternationaleZivilluftfahrt-Organisation，國(guó)際民航組織)規(guī)定按照生物識(shí)別標(biāo)準(zhǔn)ICAO9303(PhotographGuideline，照片指南)拍攝的臉部參考照片進(jìn)行比較。比較數(shù)字記錄和照片是許多邊境檢查站的例行工作。也可以將某個(gè)人的數(shù)字記錄與保存在數(shù)據(jù)庫(kù)中此人的記錄進(jìn)行比較，以便允許此人訪問設(shè)備、計(jì)算機(jī)、互聯(lián)網(wǎng)應(yīng)用等等。例如德國(guó)專利DE19847261就描述了一種生物身份識(shí)別方法。生物身份識(shí)別方法特別可靠，因?yàn)檫@些方法均使用人特有的特征。然而生物身份識(shí)別并不能完全防止造假，例如當(dāng)識(shí)別臉部時(shí)，如果在檢查過程中沒有監(jiān)管的檢查人員在場(chǎng)，就存在某人并非示以自己的真實(shí)臉部、而是利用他人照片驗(yàn)證身份的危險(xiǎn)。例如某人可能會(huì)在諸如云計(jì)算環(huán)境或者經(jīng)過臉部識(shí)別才能使用互聯(lián)網(wǎng)應(yīng)用的分布式IT基礎(chǔ)架構(gòu)中驗(yàn)證身份，以便獲得訪問特定的系統(tǒng)或者應(yīng)用的權(quán)限。此人通?？梢詮娜我獾攸c(diǎn)、也可以從家中執(zhí)行該操作。對(duì)于此類情況必須能夠杜絕某人以照片代替其真實(shí)臉部進(jìn)行身份驗(yàn)證。通過分析幾何特征來區(qū)別照片的二維平面和臉部的三維結(jié)構(gòu)，從而可以區(qū)別真實(shí)臉部和其圖像。按照現(xiàn)有技術(shù)，已知利用體視技術(shù)根據(jù)至少兩個(gè)記錄得出這些幾何特征，其中借助經(jīng)過校準(zhǔn)的攝像頭來確定三維結(jié)構(gòu)。體視技術(shù)的原理類似于人眼，可同時(shí)從兩個(gè)視角觀察/記錄某個(gè)物體。然后在兩個(gè)圖像中確定默認(rèn)的典型臉部特征(例如嘴角，鼻尖等等)的位置，并且根據(jù)差別確定深度信息。這樣就能區(qū)別三維臉部和二維照片。然而該方法要求使用特殊攝像頭，因此對(duì)于許多應(yīng)用而言并不實(shí)用。在臉部識(shí)別領(lǐng)域已知也可以例如對(duì)某個(gè)人進(jìn)行多次拍照，然后以比較這些拍照記錄的方式確定是否在臉部范圍內(nèi)存在內(nèi)在的運(yùn)動(dòng)，從而防止使用照片。US2009/0135188A1描述了一種用于生物識(shí)別和驗(yàn)證人體特征、并且通過在線檢測(cè)臉部生理運(yùn)動(dòng)來區(qū)別真實(shí)人臉與臉部照片的系統(tǒng)。定位眼睛和嘴之類的特征區(qū)域，并且計(jì)算臉部中心與例如眼睛和嘴的坐標(biāo)之間的距離，即可確定臉部運(yùn)動(dòng)。如果沒有檢測(cè)到臉部運(yùn)動(dòng)，則認(rèn)為是一張照片。此外還確定臉部區(qū)域之外的周圍環(huán)境是否也在運(yùn)動(dòng)，如果是，則認(rèn)為是臉部的一張照片。該方法要求定位諸如眼睛和嘴之類的臉部特征區(qū)域，總體看來并不十分可靠。EP1434163B1描述了利用同樣也基于臉部特征定位的生物識(shí)別法來檢測(cè)和驗(yàn)證臉部的一種方法。根據(jù)若干檢測(cè)數(shù)據(jù)計(jì)算不同臉部姿態(tài)的形態(tài)，以便創(chuàng)建每一個(gè)人的字典“Dictionary”，該字典包含例如眼睛之間或者眼睛與鼻尖之間隨不同臉部姿態(tài)變化的距離差異。該方法看起來非常耗費(fèi)運(yùn)算資源和內(nèi)存，并且適用于封閉的系統(tǒng)，但是并不適用于分布式IT架構(gòu)，如限制用戶可傳輸?shù)臄?shù)據(jù)量和可利用的運(yùn)算性能的云計(jì)算環(huán)境。對(duì)于此類環(huán)境而言，理想的情況是能夠根據(jù)很少的數(shù)據(jù)記錄，例如根據(jù)兩個(gè)到五個(gè)或者根據(jù)最多十個(gè)圖像實(shí)現(xiàn)身份識(shí)別。應(yīng)當(dāng)能夠以很少的計(jì)算開銷并且盡可能只根據(jù)一個(gè)比較圖像進(jìn)行識(shí)別和驗(yàn)證，以便經(jīng)濟(jì)合理地利用系統(tǒng)的內(nèi)存和運(yùn)算資源。Chia-MingWang等人于2009年在IEEEInternationalSymposiumonCircuits(國(guó)際電路與系統(tǒng)研討會(huì))上發(fā)表的“DistinguishingFalsificationofHumanFacesfromTrueFacesbasedonOpticalFlowInformation”(根據(jù)光流信息識(shí)別偽造的人臉與真實(shí)的臉部)一文中描述了一種根據(jù)運(yùn)動(dòng)模型區(qū)別真實(shí)臉部與二維臉部圖像(即照片)的系統(tǒng)。利用光流法根據(jù)至少五個(gè)順序圖像創(chuàng)建運(yùn)動(dòng)模型，其中，真實(shí)臉部和照片圖像的運(yùn)動(dòng)模型有差異，并且能夠分析這些差異，從而區(qū)別真實(shí)臉部和照片。使用基于LDA(LineareDiskriminanzanalyse，線形判別分析)的學(xué)習(xí)方法和貝葉斯分類器來區(qū)別真實(shí)臉部的運(yùn)動(dòng)場(chǎng)和照片的運(yùn)動(dòng)場(chǎng)。該方法能獲得良好的結(jié)果，但是如果要在分布式IT環(huán)境中使用，仍然需要很多的運(yùn)算和內(nèi)存資源以及很高的數(shù)據(jù)傳輸性能。此外在準(zhǔn)備使用之前還需要根據(jù)不同的測(cè)試面孔進(jìn)行高成本的訓(xùn)練過程。TanzeemChoudhury等人于1999年在MITMediaLabAVBPA(麻省理工學(xué)院音頻和視頻身份認(rèn)證研討會(huì))上發(fā)表的“MultimodalPersonRecognitionusingUnconstrainedAudioandVideo”(“使用無約束的音頻和視頻實(shí)現(xiàn)多模態(tài)身份識(shí)別”)一文中描述了原則上可以在區(qū)別真實(shí)臉部和照片的臉部識(shí)別過程中進(jìn)行運(yùn)動(dòng)分析，并且據(jù)此估算每個(gè)特征的深度。假設(shè)其特征均具有相同深度的對(duì)象是照片，而其它對(duì)象是真實(shí)臉部。沒有說明如何執(zhí)行該方法的任何細(xì)節(jié)。Chao-KueiHsieh等人于2010年在IEEETransactionsonImageProcessing上發(fā)表的“AnOpticalFlow-BasedApproachtoRobustFaceRecognitionUnderExpressionVariations”(“表情變化情況下基于光流法穩(wěn)健性識(shí)別臉部的方法”)一文中描述了一種使用光流法識(shí)別臉部的方法，其中，計(jì)算臉部之內(nèi)的光流，以便平衡各種臉部表情中的差異。BruceD.Lucas等人于1981年在ProceedingsofImagingUnderstandingWorkshop上發(fā)表的“AnIterativeImageRegistrationTechniquewithanApplicationtoStereoVision”(“應(yīng)用在立體視覺中的迭代圖像配準(zhǔn)技術(shù)”)一文中描述了一種使用L1標(biāo)準(zhǔn)和L2標(biāo)準(zhǔn)在圖像F(x)之內(nèi)定位模板G(x)的方法，并且解釋了不同的相關(guān)技術(shù)，包括序列相似性檢測(cè)算法(SequentialSimilarityDetection-Algorithmus，SSDA)。Shaker出版社1998年出版的發(fā)明人R.Frischholz的論文“zurAutomatischenDreidimensionalenBewegungsanalyse”(ISBN3-8265-3733-5)中也解釋了本發(fā)明所采用的光學(xué)相關(guān)法。明確地參考了這些文獻(xiàn)，尤其是在此關(guān)于光流法和相關(guān)法的說明。根據(jù)現(xiàn)有技術(shù)公知了，使用光流法可以在生物識(shí)別臉部時(shí)區(qū)別真實(shí)臉部和照片圖像。在圖像處理和光學(xué)測(cè)量技術(shù)領(lǐng)域，將表示圖像序列中每個(gè)像素運(yùn)動(dòng)方向和速度的矢量場(chǎng)稱作光流。光流可以構(gòu)成用來識(shí)別三維結(jié)構(gòu)、估算空間運(yùn)動(dòng)以及識(shí)別各個(gè)運(yùn)動(dòng)對(duì)象的基礎(chǔ)。經(jīng)典的光流法均以微分為基礎(chǔ)，也就是以逐個(gè)像素構(gòu)成的灰度信號(hào)的導(dǎo)數(shù)和梯度為基礎(chǔ)。利用微分法計(jì)算光流源自于麻省理工學(xué)院BertholdHorn和BrianSchunk于1981年開發(fā)的一種方法(BertholdK.P.Horn等人在ArtificialIntelligence，Band17，Nr.1-3，SS.185-203，1981上發(fā)表的“DetermingOpticalFlow”)。盡管光流法在理論上適合于區(qū)別真實(shí)人體的拍照記錄與照片圖像，但是實(shí)際上面臨一系列問題：逐個(gè)像素計(jì)算光流需要很多的運(yùn)算資源，這使得難以在合理的時(shí)間之內(nèi)進(jìn)行檢查。由于數(shù)字記錄的像素中噪聲成分很高，需要通過若干圖像對(duì)所生成的流矢量進(jìn)行平滑，因此又會(huì)提高數(shù)據(jù)量和計(jì)算開支。光流法同樣容易出錯(cuò)。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題在于，提供一種在生物數(shù)據(jù)采集過程中區(qū)別真實(shí)臉部和二維臉部圖像的方法，該方法是穩(wěn)健的并且可以根據(jù)少量的拍攝記錄以盡可能少的計(jì)算開支實(shí)現(xiàn)該方法。在按照本發(fā)明所述區(qū)別真實(shí)臉部和二維臉部圖像的方法中，(a)按時(shí)間順序依次拍攝臉部或者其圖像的至少兩個(gè)數(shù)字記錄；(b)將每一個(gè)記錄分解成若干圖像單元，每個(gè)圖像單元均包括若干像素；(c)通過相關(guān)算法確定第一記錄與第二記錄之間各個(gè)圖像單元的位移，并且據(jù)此生成位移矢量場(chǎng)；(d)分析位移矢量場(chǎng)，從而判斷是否拍攝了真實(shí)臉部或者其圖像。本發(fā)明能夠根據(jù)臉部的兩個(gè)二維數(shù)字記錄確定臉部是否為真實(shí)的三維臉部或者是臉部的二維照片。本發(fā)明利用不同的幾何特征來區(qū)別真實(shí)的三維臉部和照片。為此本發(fā)明運(yùn)用了運(yùn)動(dòng)分析領(lǐng)域的知識(shí)，并且利用了粒子圖像測(cè)速技術(shù)(ParticleImageVelocimetry，PIV)領(lǐng)域廣為人知的方法。PIV就其本身而言是一種確定流動(dòng)介質(zhì)中的速度場(chǎng)的光學(xué)方法。以很短的時(shí)間間隔對(duì)流體中的顆粒進(jìn)行拍照，并且根據(jù)圖像上的顆粒位置近似確定運(yùn)動(dòng)方向和速度。最難檢測(cè)的情況是無法在流動(dòng)介質(zhì)中識(shí)別出顯著的特征，例如在流水、霧或者空氣流情況下。這種情況下通常將若干微球摻入到流體之中，然后在PIV中檢測(cè)和跟蹤這些微球。將準(zhǔn)備研究的區(qū)域劃分成若干個(gè)場(chǎng)，然后利用相關(guān)法確定場(chǎng)中的顆粒隨時(shí)間的位移矢量。然后從若干位移矢量或者流矢量中獲得可以據(jù)此得出流速的流矢量場(chǎng)。本發(fā)明使用一種類似于粒子圖像測(cè)速(PIV)的方法，并非用來確定流動(dòng)速度，而是用來區(qū)別真實(shí)的三維臉部與其二維圖像?？梢圆槐叵馪IV那樣加入顆粒，因?yàn)樗婕暗膶?duì)象(即臉部)具有自身的肌理，因此僅僅采用PIV方法中的分解圖像和相關(guān)計(jì)算。與上述光流法的不同之處在于，本發(fā)明所述的方法并非基于像素級(jí)的分析，而是基于在圖像單元級(jí)或區(qū)域級(jí)對(duì)拍攝記錄所進(jìn)行的分析，所述圖像單元或區(qū)域是對(duì)拍攝記錄劃分的。從圖像的第二數(shù)字記錄起就可以利用本發(fā)明所述的方法得出每個(gè)圖像單元的位移矢量或者流矢量，然后據(jù)此得出位移矢量場(chǎng)或者流矢量場(chǎng)。位移矢量場(chǎng)現(xiàn)在具有完全不同的特征，具體要看是否涉及平面照片或者真實(shí)三維臉部的記錄。本發(fā)明對(duì)這些不同的特征進(jìn)行分析，從而將照片與真實(shí)臉部區(qū)別開來。與上述現(xiàn)有技術(shù)的不同之處在于，并非利用訓(xùn)練好的分類器進(jìn)行分析，而是通過將流矢量場(chǎng)解析分離為對(duì)應(yīng)于二維圖像或真實(shí)三維臉部的兩類來進(jìn)行分析。以下將對(duì)此詳細(xì)說明。與現(xiàn)有技術(shù)的各種方法相比，按照本發(fā)明所述使用的算法所需運(yùn)算量比較少，而且可以根據(jù)較少的數(shù)字記錄提供可靠的結(jié)果。上述光流法計(jì)算隨時(shí)間變化的強(qiáng)度值的導(dǎo)數(shù)，因此很容易出錯(cuò)，并且需要多個(gè)順序圖像來消除偏差。本發(fā)明所述的方法通常針對(duì)每個(gè)圖像單元根據(jù)第一記錄和第二記錄中相同圖像單元的位置生成位移矢量?？上攵部梢圆簧筛鱾€(gè)圖像單元的位移矢量，以下還將對(duì)此進(jìn)行解釋。按照本發(fā)明所述的方法，作為第一個(gè)處理步驟優(yōu)選在每個(gè)拍攝記錄中定位臉部，然后為了繼續(xù)處理而將拍攝記錄的范圍限制到某個(gè)所定義的面孔剪裁?，F(xiàn)有技術(shù)已公開了一些臉部定位方法，例如在本發(fā)明人的歐洲專利EP1119822B1中就描述了一種適用的方法。通過該步驟保證了在兩個(gè)順序的圖像中對(duì)相同的面孔剪裁進(jìn)行比較，并且保證待相互比較的記錄盡可能全幅反映待研究的臉部。優(yōu)選將拍攝記錄劃分為由NxM個(gè)區(qū)域所構(gòu)成的規(guī)則網(wǎng)格，所述區(qū)域形成成圖像單元。這些區(qū)域的數(shù)量?jī)?yōu)選在64～256之間的數(shù)量級(jí)內(nèi)，應(yīng)使用至少20個(gè)圖像單元，以便提供可用的結(jié)果。在優(yōu)選實(shí)施方式中，適用N＝M，其中特別地將圖像劃分成8x8或者16x16個(gè)區(qū)域。如前所述確定位移矢量，所述位移矢量表示某一拍攝記錄與下一個(gè)拍攝記錄之間各個(gè)圖像單元或者區(qū)域的位移。可以采用不同的相關(guān)法確定這些位移矢量，最為著名的方法是互相關(guān)。按照本發(fā)明所述，在圖像單元相關(guān)時(shí)，將第一拍攝記錄的圖像單元和第二拍攝記錄的圖像單元之間的圖像強(qiáng)度相互關(guān)聯(lián)。在本發(fā)明的優(yōu)選實(shí)施方式中，該方法基于圖像的灰度，并且不考慮色值。在現(xiàn)有技術(shù)中也將比較兩個(gè)順序拍攝記錄中的各個(gè)圖像單元來確定位移矢量的方式稱作模板匹配(TemplateMatching)。在文獻(xiàn)中經(jīng)常將互相關(guān)稱作MCC(MaximumCrossCorrelation，最大互相關(guān))，其表達(dá)式為：式中i(u，v)是互相關(guān)系數(shù)(CCCCrossCorrelationCoefficient)。決定最大系數(shù)i(u，v)的坐標(biāo)對(duì)(u，v)是拍攝記錄f與圖像單元或模板g之間最一致的位置，因此得出位移矢量，式中x表示模板的寬度，y表示模板的高度，f(u，v)決定位置(u，v)處的圖像剪裁?；ハ嚓P(guān)主要有以下特性：通過歸一化保證相關(guān)值始終在零(最差一致性)和一(最佳一致性)之間。當(dāng)照明不均勻時(shí)，通過總強(qiáng)度歸一化來產(chǎn)生照明無關(guān)性。然而，由于必須以浮點(diǎn)表示法實(shí)現(xiàn)的乘法很多，計(jì)算互相關(guān)是相對(duì)運(yùn)算密集的。本發(fā)明因此優(yōu)先選用一種替代互相關(guān)的方法，即使用L1距離，也就是圖像單元或模板與拍攝記錄的絕對(duì)強(qiáng)度差(SAVD-SumofAbsoluteValueofDifferences，絕對(duì)差值之和)：SAVD主要有以下特性：SAVD是拍攝記錄與圖像單元(模板)之間的距離尺度；較小的值表示較小的距離，因此表示較好的一致性。如果拍攝記錄f和圖像單元g完全一致，則SAVD的值為零。與互相關(guān)相比，可以達(dá)到的最大值并不是固定的，而是隨模板的大小變化。不進(jìn)行強(qiáng)度歸一化；因此SAVD對(duì)光強(qiáng)波動(dòng)很敏感。求算SAVD的運(yùn)算步驟所需的運(yùn)算量遠(yuǎn)遠(yuǎn)少于互相關(guān)；此外還以整數(shù)表示法進(jìn)行計(jì)算。計(jì)算SAVD距離的特殊優(yōu)點(diǎn)在于，與互相關(guān)相比可以在使用SAVD距離進(jìn)行模板匹配時(shí)提前取消尋找過程。由于使用SAVD可分別尋找所有SAVD計(jì)算值的最小值，因此當(dāng)最新的和超過上一個(gè)已知的最小值時(shí)，就可以結(jié)束累加所有差值。而互相關(guān)則相反，必須始終累加直至結(jié)束，因?yàn)檫@里要尋找最大值。Barnea和Silvermann已認(rèn)識(shí)到這種特殊的方法，并且于1972年公布了SSD序列相似性檢測(cè)算法(D.I.Barnea和H.F.Silverman于1972年2月在IEEETransactionsonComputers，C-21第179～186頁(yè)發(fā)表的文章“AClassofAlgorithmsforFastDigitalImageRegistration”(“用于快速數(shù)字圖像配準(zhǔn)的一類算法”))，可以將該算法應(yīng)用于本發(fā)明，并且可以將其原理過程描述如下：在圖像f中模板g的所有位置計(jì)算g和f之間的距離。最小距離決定最佳一致性。將每個(gè)位置的距離與之前的最小距離進(jìn)行比較。如果較?。寒?dāng)前距離變?yōu)樽钚【嚯x。如果較大：取消并且繼續(xù)處理下一個(gè)位置。應(yīng)用于本發(fā)明這就意味著：在該方法的優(yōu)選實(shí)施方式中，針對(duì)第二拍攝記錄中一系列圖像單元的位置計(jì)算第一拍攝記錄的圖像單元與第二拍攝記錄的圖像單元之間的圖像強(qiáng)度差，針對(duì)一系列位置中的每個(gè)位置將當(dāng)前位置中的圖像強(qiáng)度差與前一個(gè)位置處的圖像強(qiáng)度差進(jìn)行比較；如果當(dāng)前位置處的圖像強(qiáng)度差小于前一個(gè)位置處的圖像強(qiáng)度差，則將當(dāng)前的差值作為最小差值；如果當(dāng)前位置處的圖像強(qiáng)度差大于前一個(gè)位置處的圖像強(qiáng)度差，則將前一個(gè)差值作為最終有效的最小差值并且取消比較，然后比較下一個(gè)位置；第二拍攝記錄中的圖像單元位置對(duì)應(yīng)于確定了最終有效最小差值時(shí)的位置。因此原則上檢查所有位置；但必要時(shí)可以提前取消比較。如果盡可能提前找到絕對(duì)最小值，就能實(shí)現(xiàn)一種特別有效的方法，因?yàn)橹笏械睦奂泳兂闪硕嘤啵⑶铱梢灾兄箞?zhí)行該方法。因此適宜使用排序算法，也就是通過一定的索引排列使得平均相加次數(shù)更少的算法。因此本發(fā)明優(yōu)選設(shè)置，將相關(guān)算法限制到拍攝記錄的局部區(qū)域，可根據(jù)對(duì)基本圖像結(jié)構(gòu)的了解和/或者分析之前的拍攝記錄來確定這些局部區(qū)域。這種局部區(qū)域不應(yīng)當(dāng)大于圖像單元以其邊長(zhǎng)在任意方向的位移所定義的面積。因此如果圖像單元例如處在拍攝圖像的角部之中，則局部區(qū)域最多有四個(gè)圖像單元的大小。如果圖像單元處在拍攝記錄的中部，則局部區(qū)域不大于待檢圖像單元周圍3x3個(gè)圖像單元的面積。在利用模板匹配進(jìn)行運(yùn)動(dòng)分析的過程中，如果從尋找區(qū)域的中心開始表示為圓形，就特別有利于利用SSD算法的所述特性。也可以考慮之前找到的位移矢量來確定尋找方向。按照本發(fā)明所述，不同的矢量是X、Y矢量，從而可以從每一個(gè)拍攝記錄的圖像單元展開一個(gè)空間，該空間反映這些圖像單元在X和/或Y方向的位移。為了優(yōu)化本發(fā)明所述的方法，在執(zhí)行相關(guān)算法之前優(yōu)選檢查圖像單元之內(nèi)的像素是否分別具有大于第一閾值的方差。僅在相關(guān)算法中繼續(xù)處理那些其方差超過閾值的圖像單元。通過這種預(yù)先檢查可以“剔出”那些預(yù)期不包含用于形成位移矢量的可用信息的圖像單元，如強(qiáng)度基本上均勻的表面，例如面頰部分或者臉部的前額。這樣就能夠?yàn)V出臉部的不顯著區(qū)域，而無需預(yù)先定位諸如眼睛、鼻子、嘴之類的臉部特征。純粹以解析方式進(jìn)行這種檢查(也稱作質(zhì)量標(biāo)準(zhǔn))，并且不要求了解或者尋找臉部結(jié)構(gòu)?？梢圆捎玫诙|(zhì)量標(biāo)準(zhǔn)，即在執(zhí)行相關(guān)算法之后比較圖像單元及其-之后找到的-位移的圖像單元。如果某個(gè)圖像單元及其位移圖像單元的強(qiáng)度差高于第二閾值，則舍棄該圖像單元的位移矢量。如果兩個(gè)圖像單元的強(qiáng)度相差非常大，則可以據(jù)此推斷該算法盡管已找到了一個(gè)局部最小值，但是并不涉及一致的圖像單元。通常根據(jù)經(jīng)驗(yàn)確定閾值，且該閾值在任何情況下應(yīng)當(dāng)明顯大于拍攝記錄的預(yù)期噪聲。從上述光流法可知，在形成流矢量之后要通過濾波和平滑來“改善”結(jié)果，而本發(fā)明則已經(jīng)在相關(guān)算法之前或之后使用質(zhì)量標(biāo)準(zhǔn)來生成位移矢量場(chǎng)，該位移矢量場(chǎng)僅僅包含針對(duì)這些圖像單元的位移矢量，所述位移矢量以很高可靠性正確反映圖像單元的位移。這樣即可獲得一種運(yùn)算量較少的穩(wěn)健方法。在本發(fā)明的一種優(yōu)選實(shí)施方式中，在拍攝照片時(shí)并且在拍攝空間對(duì)象時(shí)，根據(jù)對(duì)矢量場(chǎng)的預(yù)期特性的認(rèn)識(shí)來分析位移矢量場(chǎng)，從而最終能夠合格判斷是否拍攝了真實(shí)的三維臉部點(diǎn)。在拍攝二維照片時(shí)，位移矢量的分量均處在同一個(gè)平面之中。若為近似于等距的圖像單元，則矢量場(chǎng)之內(nèi)某一矢量與下一個(gè)矢量之間的位移矢量分量變化保持不變。然而在拍攝具有空間深度的真實(shí)對(duì)象時(shí)，位移矢量不僅與該對(duì)象與記錄設(shè)備的相對(duì)運(yùn)動(dòng)有關(guān)，而且也與對(duì)象單元與該對(duì)象的運(yùn)動(dòng)軸之間不同的距離有關(guān)?？梢愿鶕?jù)接近矢量場(chǎng)的X或Y分量的平面對(duì)這些差異進(jìn)行分析。因此在本發(fā)明的優(yōu)選實(shí)施方式中，至少計(jì)算一個(gè)平面或者另一個(gè)可以解析描述的平的表面(所述表面接近矢量場(chǎng)的X和/或Y分量)，并且確定矢量場(chǎng)的矢量分量與計(jì)算平面之間的距離。優(yōu)選針對(duì)矢量場(chǎng)的X分量計(jì)算一個(gè)平面，并且針對(duì)矢量場(chǎng)的Y分量計(jì)算一個(gè)平面。假設(shè)在攝像頭前面不僅可能有平的二維平面形式的一張照片，而且也可能例如有一張彎曲的照片，則也可以使得矢量場(chǎng)接近另一個(gè)可以解析描述的平的表面，如一個(gè)多邊形或者貝塞爾曲線。優(yōu)選使用近似法、例如根據(jù)最小二乘擬合來計(jì)算平面，以便通過位移矢量場(chǎng)的X和Y分量計(jì)算盡可能最佳的平面。位移矢量場(chǎng)的坐標(biāo)可作為獨(dú)立的變量，而位移分量x以及y則作為“高度值”z。一般平面方程為：F(x，y)＝z＝a0+a1x+a2y使用給定的z值(位移矢量場(chǎng)的X或者Y分量)和最小二乘擬合法計(jì)算a0、a1和a2的最優(yōu)值：∑(F(xi，yi)-zi)2＝min根據(jù)a0、a1、a2求解方程，就可以分別針對(duì)位移矢量場(chǎng)的X和Y分量來近似最佳擬合平面。在下一個(gè)步驟中計(jì)算各個(gè)位移矢量與這些平面的偏差。如果位移矢量場(chǎng)總體上呈線性特征，也就是通過二維照片產(chǎn)生的，則預(yù)期該平面與該矢量場(chǎng)非常符合，因此偏差很小。反之如果在矢量場(chǎng)的分量中有許多非線性變化，則計(jì)算平面與該區(qū)域的近似度很差，平均偏差非常高。矢量場(chǎng)分量與近似平面的這種(平均)誤差即為矢量場(chǎng)是從二維照片的兩個(gè)圖像還是從真實(shí)空間對(duì)象的兩個(gè)圖像生成的判斷標(biāo)準(zhǔn)。因此在優(yōu)選方式中可以將矢量分量與計(jì)算平面的(平均)距離與第三閾值進(jìn)行比較，然后根據(jù)比較結(jié)果做出判斷，如果該距離超過閾值，那么就是真實(shí)臉部的拍攝記錄，否則就是圖像的拍攝記錄。本發(fā)明提供一種區(qū)別真實(shí)臉部與其二維圖像的穩(wěn)健方法，該方法基于置于圖像上方的固定網(wǎng)格，不必定位臉部的各個(gè)特征，如嘴、耳、鼻。使用本發(fā)明所述方法進(jìn)行的一系列試驗(yàn)表明，該方法能夠使用20個(gè)以下的拍攝記錄作出可靠區(qū)別。在優(yōu)選實(shí)施方式中使用不多于10個(gè)、優(yōu)選使用不多于5個(gè)的臉部或者其圖像的數(shù)字拍攝記錄。在本發(fā)明的一種特別優(yōu)選的實(shí)施方式中，該方法僅僅使用臉部或者其圖像的兩個(gè)數(shù)字拍攝記錄。在此優(yōu)選針對(duì)臉部的拍攝記錄設(shè)定至少兩個(gè)不同的臉部位置，以便能夠形成一個(gè)有說服力的位移矢量場(chǎng)。本發(fā)明也提供一種對(duì)分布式IT基礎(chǔ)架構(gòu)尤其是云環(huán)境中的某個(gè)人進(jìn)行身份識(shí)別的方法，其中在遠(yuǎn)離此人的計(jì)算機(jī)上接收此人臉部的至少兩個(gè)數(shù)字拍攝記錄，然后在一臺(tái)或者多臺(tái)遠(yuǎn)離此人的計(jì)算機(jī)上執(zhí)行以上所述的區(qū)別方法。也可以將此人臉部的一個(gè)或者多個(gè)拍攝記錄用來識(shí)別此人同時(shí)驗(yàn)證其身份附圖說明以下將參考附圖詳細(xì)解釋本發(fā)明的優(yōu)選實(shí)施方式。其中：圖1示出了在不同位置對(duì)真實(shí)對(duì)象及其照片進(jìn)行不同拍攝的場(chǎng)景，用于解釋本發(fā)明的基本原理；圖2示出了用于解釋旋轉(zhuǎn)二維圖像以及據(jù)此推導(dǎo)的位移矢量場(chǎng)的示意圖；圖3示出了用于解釋旋轉(zhuǎn)真實(shí)對(duì)象以及據(jù)此推導(dǎo)的位移矢量場(chǎng)的示意圖；圖4和5示出了二維圖像和三維對(duì)象以及旋轉(zhuǎn)該圖像或該對(duì)象產(chǎn)生的位移矢量場(chǎng)的示意圖；圖6示出了用于說明平面近似度計(jì)算的二維圖；圖7示出了疊加了位移矢量場(chǎng)的真實(shí)臉部的圖像；圖8示出了疊加了位移矢量場(chǎng)的二維照片的圖像；以及圖9示出了按照本發(fā)明用于區(qū)別真實(shí)臉部與臉部二維圖像的方法的流程圖。具體實(shí)施方式圖1所示的示意場(chǎng)景用于解釋例如使用數(shù)字?jǐn)z像頭拍攝真實(shí)三維對(duì)象及其二維圖像時(shí)產(chǎn)生的差異。圖1所示為對(duì)象的二維圖像(照片)以及該對(duì)象本身的兩個(gè)拍攝記錄的序列，在兩個(gè)拍攝記錄之間照片和對(duì)象圍繞其中軸旋轉(zhuǎn)?？梢钥闯觯诘诙臄z記錄中照片的旋轉(zhuǎn)與對(duì)象的旋轉(zhuǎn)相比產(chǎn)生了對(duì)象的不同的透視扭曲。本發(fā)明就利用了這種現(xiàn)象。如本發(fā)明所述，當(dāng)(三維)臉部或者其(二維)圖像在攝像頭前方運(yùn)動(dòng)時(shí)，根據(jù)拍攝記錄之內(nèi)各個(gè)圖像單元的位移推導(dǎo)出位移矢量。圖2示例性地示出了在照片上成像的立方體的角部在照片圍繞其縱軸線旋轉(zhuǎn)時(shí)的位移矢量場(chǎng)。圖3所示為立方體的對(duì)應(yīng)位移矢量場(chǎng)，這里涉及的是圍繞中軸旋轉(zhuǎn)的真實(shí)三維立方體。在拍攝例如傾斜或者旋轉(zhuǎn)的二維照片時(shí)(圖2)，位移矢量的分量均處在同一個(gè)平面之中。若為近似于等距的圖像單元，則矢量場(chǎng)之內(nèi)某一矢量與下一個(gè)矢量之間的位移矢量分量變化保持不變。然而在拍攝具有空間深度的真實(shí)三維對(duì)象時(shí)(圖3)，位移矢量不僅與該對(duì)象與記錄設(shè)備的相對(duì)運(yùn)動(dòng)有關(guān)，而且也與對(duì)象單元(例如立方體的角部)與該對(duì)象的運(yùn)動(dòng)軸之間不同的距離有關(guān)。因此矢量場(chǎng)之內(nèi)某一矢量與下一個(gè)矢量之間的位移矢量分量變化既非恒定不變也非線性。認(rèn)識(shí)到根據(jù)真實(shí)臉部或者其二維圖像推導(dǎo)出的矢量場(chǎng)的預(yù)期特性，本發(fā)明推薦了區(qū)別拍攝記錄的兩種情況或者類別的分析方法?？梢岳煤线m的近似法，例如最小二乘擬合，分別計(jì)算接近矢量場(chǎng)的X分量以及Y分量的平面。然后將位移矢量場(chǎng)的X和Y分量與接近相應(yīng)分量的平面進(jìn)行比較。如果矢量分量與計(jì)算平面的平均距離很小，則可以認(rèn)為這些均近似處在一個(gè)平面之中，因此所涉及的是照片的拍攝記錄。反之如果位移矢量場(chǎng)的X和Y分量處在非線性的空間結(jié)構(gòu)之中，與這些平面的平均距離就會(huì)變大；所涉及的就是攝像頭前方的真實(shí)三維對(duì)象，按照本發(fā)明所述就是涉及真實(shí)的臉部。因此可以利用位移矢量分量與計(jì)算平面之間平均距離的閾值估算這些分量是否全部(近似)處在該平面之中，以及拍攝記錄由此是否為真實(shí)的對(duì)象(臉部)或者其圖像。也可以在僅僅計(jì)算一個(gè)相應(yīng)平面的情況下僅僅根據(jù)位移矢量場(chǎng)的X分量或者Y分量對(duì)其進(jìn)行分析。但是分析兩個(gè)平面可以提高本發(fā)明所述方法的穩(wěn)健性。也不一定需要以數(shù)學(xué)手段分開觀察X和Y分量；也可以在高維空間中一起分析這些分量。圖4和5表示針對(duì)圍繞其垂直軸旋轉(zhuǎn)的二維圖像(圖4)以及針對(duì)圍繞其垂直軸旋轉(zhuǎn)的空間對(duì)象(在此是立方體)(圖5)產(chǎn)生位移矢量場(chǎng)。按照本發(fā)明所述的方法，將每個(gè)拍攝記錄分解成若干圖像單元，這些圖像單元各自包括若干像素。在圖4和5的實(shí)施例中將每個(gè)拍攝記錄劃分成3x3個(gè)區(qū)域，實(shí)際上應(yīng)選擇更加精細(xì)的網(wǎng)格，例如8x8個(gè)區(qū)域或者16x16個(gè)區(qū)域。圖4和5所示為兩次拍攝之間將照片(圖4)或者三維對(duì)象(圖5)進(jìn)行旋轉(zhuǎn)時(shí)第一和第二拍攝記錄之間的位移矢量場(chǎng)。參考圖4可以看出，旋轉(zhuǎn)軸附近的照片圖像單元沒有水平位移；因此相應(yīng)矢量的X分量為零。然而從記錄設(shè)備的視角來看，遠(yuǎn)離旋轉(zhuǎn)軸的圖像單元?jiǎng)t向右或向左運(yùn)動(dòng)。對(duì)于向右以及向左的運(yùn)動(dòng)，位移矢量的X分量的相應(yīng)值變化在圖4中簡(jiǎn)化地使用“1”以及“-1”表示。兩個(gè)拍攝記錄之間從左向右的這種變化是線性的。為了簡(jiǎn)單起見，在該簡(jiǎn)化示例中忽略了Y分量的可能變化。將其與圖5相比即可看出，當(dāng)真實(shí)對(duì)象旋轉(zhuǎn)或者進(jìn)行其他類型的位移時(shí)，位移矢量分量的變化與對(duì)象的深度有關(guān)。矢量分量從左向右的變化是非線性的。因此分析位移矢量場(chǎng)即可判斷是否拍攝了真實(shí)對(duì)象或者其圖像。在本發(fā)明的優(yōu)選實(shí)施方式中，對(duì)位移矢量場(chǎng)的差異進(jìn)行分析，方法是根據(jù)最小二乘擬合(leastSquarefit)通過矢量場(chǎng)的X分量計(jì)算最佳平面，以及通過矢量場(chǎng)的Y分量計(jì)算最佳平面。矢量場(chǎng)的坐標(biāo)可作為獨(dú)立的變量，而位移分量X以及Y則作為“高度”z。一般平面方程為：F(x，y)＝z＝a0+a1x+a2y使用給定的z值(位移矢量場(chǎng)的X或者Y分量)和最小二乘擬合法計(jì)算a0、a1和a2的最優(yōu)值：為此首先將所有矢量場(chǎng)分量與未知平面的偏差表示為方程。在計(jì)算數(shù)學(xué)中，這里討論的是余值(Residuen)，如圖6所示：r1＝F(x1，y1)-z1r2＝F(x2，y2)-z2r3＝F(x3，y3)-z3rn＝F(xn，yn)-zn計(jì)算目的是找到所有余值之和(＝偏差)最小時(shí)的那個(gè)平面(包含a0、a1和a2)。為了不必考慮正、負(fù)偏差，可以求余值的平方：為了使最小，條件是對(duì)三個(gè)變量a0、a1和a2的導(dǎo)數(shù)必須等于0。得出包含三個(gè)未知量a0、a1和a2的三個(gè)方程，可以例如用高斯消去法計(jì)算這些方程。理論上雖然不存在或者存在方程組的多個(gè)模糊解(uneindeutige)，但在本發(fā)明的應(yīng)用情況下沒有這個(gè)情況，因?yàn)閤和y在預(yù)先設(shè)定的網(wǎng)格中。在圖4和5的示例中很容易解讀平面方程：如果存在照片的拍攝記錄(圖4)，則平面為F1(x，y)＝0-1x+0y。如果存在三維立方體的拍攝記錄(圖5)，則平面是一個(gè)常數(shù)F2(x，y)＝3/9+0x+0y。照片的平面F1恰好穿過所確定的位移分量；而旋轉(zhuǎn)立方體所確定的平面F2的所有位移分量均具有3/9或6/9的偏差。平面F2不可能穿過所有位移矢量分量。也可以根據(jù)所確定的接近位移矢量分量的平面計(jì)算各個(gè)位移矢量與這些平面的偏差。如果位移矢量場(chǎng)總體上呈線性特征，也就是從二維照片的拍攝記錄得出的，則預(yù)期該平面與該矢量場(chǎng)非常符合，因此偏差很小。反之如果在矢量場(chǎng)的分量中有許多非線性變化，則計(jì)算平面與該位移矢量場(chǎng)的近似度很差，平均偏差非常高。按照本發(fā)明所述，該平均誤差、也就是位移矢量場(chǎng)分量與計(jì)算平面的偏差平均值可以構(gòu)成用以確定是從二維照片的兩個(gè)圖像還是從臉部的兩個(gè)圖像中生成位移矢量場(chǎng)的判斷標(biāo)準(zhǔn)?？梢灾苯恿水?dāng)?shù)馗鶕?jù)一個(gè)適當(dāng)設(shè)定的閾值對(duì)其進(jìn)行檢查，其中應(yīng)這樣適當(dāng)選擇閾值，使得拍攝記錄的噪聲引起的偏差不會(huì)影響判斷。圖7和8示例性地示出了根據(jù)真實(shí)臉部的拍攝記錄生成的位移矢量場(chǎng)(圖7)以及臉部照片的位移矢量場(chǎng)(圖8)。從這兩個(gè)附圖的比較結(jié)果可以看出，臉部照片的位移矢量場(chǎng)基本上呈線性，而真實(shí)臉部的位移矢量則可能具有隨相應(yīng)圖像單元位置變化的不同量值和方向。從圖7和8也可以看出，本發(fā)明不會(huì)產(chǎn)生某些圖像單元的位移矢量。就這些圖像單元而言，第一或者第二質(zhì)量標(biāo)準(zhǔn)得出的結(jié)果是它們不會(huì)產(chǎn)生有說服力的位移矢量場(chǎng)量值。其原因在于這些圖像單元具有很小的圖像強(qiáng)度方差，不考慮將具有很小方差的圖像單元(如臉頰和額頭)用來形成位移矢量場(chǎng)。另一方面也可能涉及在其中出現(xiàn)了測(cè)量誤差的圖像單元。如果圖像單元及其位移圖像單元表現(xiàn)出很大的強(qiáng)度差，從而使得相關(guān)性有可能錯(cuò)誤表現(xiàn)出一致性，就會(huì)識(shí)別出測(cè)量誤差。此類圖像單元同樣也不參與形成位移矢量場(chǎng)。圖9所示為本發(fā)明所述方法的流程圖。該方法在步驟10中開始拍攝臉部或者其圖像的至少兩個(gè)數(shù)字圖像。本發(fā)明所述的方法優(yōu)選基于不多于20個(gè)、尤其優(yōu)選基于不多于10個(gè)甚至不多于5個(gè)的臉部數(shù)字拍攝記錄。在本發(fā)明的一種特別有益的實(shí)施方式中，使用臉部或者其圖像的兩個(gè)數(shù)字拍攝記錄。在下一個(gè)(可選)步驟12中在每個(gè)拍攝記錄中定位臉部，并且將臉部限制到某個(gè)定義的面孔剪裁，這時(shí)使用已知的臉部定位方法。接著在步驟14中將每個(gè)拍攝記錄分解成多個(gè)圖像單元，這時(shí)優(yōu)選通過所選的圖像剪裁創(chuàng)建nxm個(gè)區(qū)域構(gòu)成的規(guī)則網(wǎng)格，例如8x8或者16x16個(gè)區(qū)域的網(wǎng)格。實(shí)際試驗(yàn)結(jié)果表明，即使在使用所述的質(zhì)量標(biāo)準(zhǔn)之后，也要有至少20個(gè)位移矢量才能成功分析位移矢量場(chǎng)。在下一個(gè)步驟16中確定第一拍攝記錄與第二拍攝記錄之間、必要時(shí)第二拍攝記錄與第三拍攝記錄之間等各個(gè)圖像單元的位移。這時(shí)使用已知的相關(guān)法，其中按照本發(fā)明所述優(yōu)先使用序列相似性檢測(cè)算法(SSD)。該算法的優(yōu)點(diǎn)在于，例如與互相關(guān)相比運(yùn)算量較少，并且可在當(dāng)前總和超過最后一個(gè)找到的最小值時(shí)提前中止計(jì)算。在步驟18中根據(jù)圖像單元的各個(gè)位移生成位移矢量場(chǎng)。按照本發(fā)明所述采用分析法對(duì)該位移矢量場(chǎng)進(jìn)行分析，以便判斷是否拍攝了真實(shí)臉部或者其圖像。本發(fā)明在拍攝照片或者拍攝空間對(duì)象時(shí)利用對(duì)矢量場(chǎng)的預(yù)期特性的認(rèn)識(shí)，從而能夠作出合格判斷。不需要尋找特定的臉部結(jié)構(gòu)。在優(yōu)選實(shí)施方式中，在步驟20中計(jì)算接近矢量場(chǎng)的X分量和/或Y分量的平面來分析位移矢量場(chǎng)，接著在步驟22中如前所述計(jì)算矢量場(chǎng)的矢量分量與該平面的平均距離。最后在步驟24中檢查位移分量的平均距離是否大于設(shè)定的閾值。如果是，則在步驟26中識(shí)別真實(shí)的臉部；如果不是，則在步驟28中識(shí)別臉部的圖像(照片)。如前所述，還可以在生成位移矢量場(chǎng)之前和之后使用質(zhì)量標(biāo)準(zhǔn)，以便最終僅僅讓那些提供具有說服力結(jié)果的圖像單元參與形成位移矢量場(chǎng)。在本發(fā)明的優(yōu)選實(shí)施方式中，還在步驟10中給攝像頭前方的人設(shè)定至少兩個(gè)不同的臉部位置，以便能夠形成盡可能有說服力的位移矢量。例如可在拍照過程中通過屏幕顯示出，首先將臉轉(zhuǎn)向左邊然后在轉(zhuǎn)向右邊。除此之外，也可以將拍攝記錄用來利用已知的生物數(shù)據(jù)采集法來驗(yàn)證某個(gè)人的身份。優(yōu)選將本發(fā)明應(yīng)用于諸如云計(jì)算環(huán)境之類的分布式IT基礎(chǔ)架構(gòu)之中，其中，在某個(gè)人的工作站上拍攝人臉的數(shù)字記錄。接著可以通過互聯(lián)網(wǎng)或者其它網(wǎng)絡(luò)將拍攝記錄發(fā)送給遠(yuǎn)程計(jì)算機(jī)、服務(wù)器、云計(jì)算網(wǎng)絡(luò)等等。在遠(yuǎn)離此人的計(jì)算機(jī)上或者在分布式計(jì)算架構(gòu)中使用本發(fā)明所述的方法處理這些拍攝記錄，以便最終判斷這些拍攝記錄是否源自于此人的真實(shí)臉部或者臉部照片。可以根據(jù)判斷結(jié)果執(zhí)行識(shí)別和驗(yàn)證身份的其它步驟，但本發(fā)明并不涉及這些方面?？梢栽谒谐Ｒ姷挠?jì)算機(jī)上、在任何合適基礎(chǔ)架構(gòu)中優(yōu)選以計(jì)算機(jī)程序形式實(shí)現(xiàn)本發(fā)明。