人臉認證方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種人臉認證方法和裝置。其中，人臉認證方法包括獲取多個人臉訓練圖像；提取多個人臉訓練圖像的Gabor特征；提取多個人臉訓練圖像的POEM特征；將多個人臉訓練圖像的Gabor特征和多個人臉訓練圖像的POEM特征進行融合以獲取多個人臉訓練圖像的正樣本和負樣本，其中，正樣本為多個人臉訓練圖像中同一個人的不同人臉圖像的兩兩組合，負樣本為多個人臉訓練圖像中不同人的人臉圖像的兩兩組合；利用AdaBoost算法對多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果；以及利用訓練結果進行人臉認證。通過本發(fā)明，解決了人臉認證方法難以兼顧效率和識別率的問題，進而達到了既能夠提高人臉識別的特征提取效率，又能夠提高人臉識別率的效果。
【專利說明】人臉認證方法和裝置
【技術領域】
[0001]本發(fā)明涉及圖像處理領域，具體而言，涉及一種人臉認證方法和裝置。
【背景技術】
[0002]隨著信息技術的發(fā)展，信息安全問題日益突出。其中對人的身份識別是信息安全領域的重要組成部分。
[0003]人臉認證是人臉識別的一種形式，通過提取兩幅給定人臉圖像的特征，判斷是否是同一個人，相對于其它的生物特征認證技術具有直接、友好、方便的特點。
[0004]人臉認證主要由人臉檢測、人眼定位、特征提取與認證三部分構成。
[0005]人臉屬于典型的三維非剛性對象，而且人臉認證一般也是基于視圖模式的，容易受到光照、姿態(tài)、表情等不確定因素的影響，因此人臉識別具有很高的挑戰(zhàn)性，同時人臉識別涉及計算機科學、模式識別、人工智能等多個領域，加上其廣泛的應用市場和巨大商業(yè)潛力，已經(jīng)受到越來越多的公司和研究機構的關注。
[0006]以下對相關技術中的人臉認證方案進行介紹:
[0007]早期人臉識別算法都是用人臉特征點之間的間距、比率等參數(shù)作為特征，并假定圖像背景單一或者無背景。在過去的幾十年，人臉識別的研究取得了較大進展，國內(nèi)外研究人員提出了一些關于人臉識別的方法，不同的研究人員可能從不同的角度對已有的人臉識別算法進行歸納和分類，但總的來說，人臉識別算法是個特征提取的方法，特征的形式和分類規(guī)則是密切相關的。在本申請中將人臉識別方法大體分為:基于幾何特征的方法，基于代數(shù)特征的方法，基于紋理特征的方法。
[0008]( I)基于幾何特征的方法
[0009]這種方法將人臉用一個幾何特征矢量表示，幾何特征矢量是以人臉器官的形狀和幾何關系為基礎的特征矢量，其分量通常包括指定人臉兩點間的歐氏距離、曲率、角度等。主要算法有積分投影法、彈性模板匹配等。
[0010]這種算法利用了人臉眼睛、鼻子、嘴巴等不同特征點的位置，這些點的位置信息很難獲得，而且受表情光照的影響比較大。
[0011](2)基于代數(shù)特征的方法
[0012]這種方法考慮了人臉模式的整體屬性，比如主成分分析方法，線性判別分析方法。
[0013]主成分分析方法是將人臉圖像作為一個向量，對其進行主成分分析，降到一定維數(shù)，得到特征向量，用兩個向量之間的夾角余弦值來衡量兩個人臉圖像的相似度。
[0014]線性判別分析方法的基本思想通過尋找一個投影空間，使得投影后樣本類間離散度和樣本類內(nèi)離散度的比值最大，因此LDA生成的子空間以實現(xiàn)最佳可分性為目的，從而比PCA更加適合識別。
[0015]這類方法所遇到的最大問題是矩陣的奇異性問題，而且是利用人臉的整體信息，易受表情，光照等影響。
[0016](3)基于紋理特征的方法[0017]這類方法提取人臉上的紋理信息，將人臉識別問題轉(zhuǎn)化為紋理分類，常見的提取的紋理特征有LBP特征，Gabor特征，POEM特征。
[0018]這三種特征方式都可以提取人臉圖像的局部信息，不受遮擋的影響，但LBP特征對光照的穩(wěn)定性不好，尤其是在有非均勻光照變化的時候。Gabor特征受光照影響小一些，但在整個人臉上提取每個點的Gabor特征，速度較慢。相對于LBP特征，POEM先求梯度圖，在此基礎上應用LBP算子，這樣同樣減少了光照的影響，POEM特征按照塊進行提取和運算，速度較快，不過，需要合理設計特征塊的位置和尺寸。簡而言之，Gabor特征是用人臉圖像上的點，而POEM特征是用人臉圖像上的塊。
[0019]相關技術的缺陷
[0020]1、由于人臉是一個復雜多變的非剛性物體，此外人臉表情豐富，加上圖像獲取過程中外界條件發(fā)生變化的影響，給人臉的認證帶來了困難。單純依靠一種人臉特征進行人臉認證，很難取得理想的效果。
[0021]2、由于人臉模式的復雜性，需要認證算法時間復雜度要低。在使用Gabor特征時存儲要用到數(shù)千個Gabor特征點，計算量非常大，不利于大規(guī)模人臉數(shù)據(jù)庫的識別認證。基于Gabor特征的人臉認證方法，需要提取大量的Gabor特征點，并且需要進行大量復雜的運算，因此其提取速度慢，另外，該方法提取的Gabor特征點中存在很多相關性較高的特征點，這在人臉認證時的區(qū)分度不高。
[0022]3、利用POEM特征采樣同樣有局限性，其對圖像塊的劃分是固定的。因為人臉受環(huán)境和姿態(tài)影響較大，如果特征塊的位置和大小固定，那么將不能保證在人臉上提取更多更有效的特征。
[0023]這種方法在提取POEM特征塊時的計算量較小，因此其提取特征點的速度較快，但是，在相關技術中通常要固定POEM特征塊的位置和大小，而這種固定位置和大小的POEM特征塊不一定是最理想的特征塊。另外，該方法提取的POEM特征塊中存在很多相關性較高的特征塊，這在人臉認證時的區(qū)分度不高。
[0024]針對相關技術中的人臉認證方法難以兼顧效率和識別率的問題，目前尚未提出有效的解決方案。

【發(fā)明內(nèi)容】

[0025]本發(fā)明的主要目的在于提供一種人臉認證方法，以解決相關技術中的人臉認證方法難以兼顧效率和識別率的問題。
[0026]為了實現(xiàn)上述目的，根據(jù)本發(fā)明的一個方面，提供了 一種人臉認證方法。該人臉認證方法包括:獲取多個人臉訓練圖像；提取多個人臉訓練圖像的Gabor特征；提取多個人臉訓練圖像的POEM特征；將多個人臉訓練圖像的Gabor特征和多個人臉訓練圖像的POEM特征進行融合以獲取多個人臉訓練圖像的正樣本和負樣本，其中，正樣本為多個人臉訓練圖像中同一個人的不同人臉圖像的兩兩組合，負樣本為多個人臉訓練圖像中不同人的人臉圖像的兩兩組合；利用AdaBoost算法對多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果；以及利用訓練結果進行人臉認證。
[0027]進一步地，提取多個人臉訓練圖像的POEM特征包括:對多個人臉訓練圖像進行POEM編碼計算；獲取多個不同大小、不同位置的矩形；按照多個矩形對進行POEM編碼計算后的多個人臉訓練圖像中的每個人臉進行遍歷，得到矩形內(nèi)POEM編碼的直方圖；以及將直方圖作為POEM特征。
[0028]進一步地，將多個人臉訓練圖像的Gabor特征和多個人臉訓練圖像的POEM特征進行融合以獲取多個人臉訓練圖像的正樣本和負樣本包括:對于多個人臉訓練圖像的Gabor特征，對多個人臉訓練圖像中的每兩個人臉訓練圖像對應的Gabor特征點的特征向量求內(nèi)積，得到第一向量；對于多個人臉訓練圖像的POEM特征，對多個人臉訓練圖像中的每兩個人臉訓練圖像對應的POEM特征的直方圖計算卡方距離，得到第二向量；以及由第一向量和第二向量組合得到多個人臉訓練圖像的正樣本和負樣本。
[0029]進一步地，利用AdaBoost算法對多個人臉訓練圖像的正樣本和負樣本進行訓練包括:獲取AdaBoost算法的訓練目標，其中，訓練目標包括識別率和/或誤識率；以及利用訓練目標對多個人臉訓練圖像的正樣本和負樣本進行訓練直到達到訓練目標。
[0030]進一步地，利用AdaBoost算法對多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果包括:通過AdaBoost算法的訓練形成人臉分類器，人臉分類器包括多級強分類器以及構成多級強分類器中每級強分類器的弱分類器，弱分類器由Gabor特征和POEM特征塊組成，弱分類器包括特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)、方向參數(shù)，以及由人臉識別率的設定目標確定的閾值參數(shù)和權重參數(shù)，閾值參數(shù)用于對人臉認證結果進行判定。
[0031]進一步地，利用訓練結果進行人臉認證包括:獲取第一待認證圖像和第二待認證圖像；按照人臉分類器的特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)和方向參數(shù)分別提取第一待認證圖像和第二待認證圖像的Gabor特征和POEM特征；由第一待認證圖像和第二待認證圖像的Gabor特征和POEM特征計算第一待認證圖像和第二待認證圖像對應的Gabor特征的內(nèi)積和POEM特征的卡方距離；以及人臉分類器通過閾值參數(shù)和權重參數(shù)對求得的內(nèi)積和卡方距離進行判斷以判斷第一待認證圖像和第二待認證圖像是否是同一個人的人臉圖像。
[0032]為了實現(xiàn)上述目的，根據(jù)本發(fā)明的另一方面，提供了 一種人臉認證裝置。該人臉認證裝置包括:獲取單元，用于獲取多個人臉訓練圖像；第一提取單元，用于提取多個人臉訓練圖像的Gabor特征；第二提取單元，用于提取多個人臉訓練圖像的POEM特征；融合單元，用于將多個人臉訓練圖像的Gabor特征和多個人臉訓練圖像的POEM特征進行融合以獲取多個人臉訓練圖像的正樣本和負樣本，其中，正樣本為多個人臉訓練圖像中同一個人的不同人臉圖像的兩兩組合，負樣本為多個人臉訓練圖像中不同人的人臉圖像的兩兩組合；訓練單元，用于利用AdaBoost算法對多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果；以及認證單元，用于利用訓練結果進行人臉認證。
[0033]進一步地，第二提取單元包括:編碼模塊，用于對多個人臉訓練圖像進行POEM編碼計算；第一獲取模塊，用于獲取多個不同大小、不同位置的矩形；遍歷模塊，用于按照多個矩形對進行POEM編碼計算后的多個人臉訓練圖像中的每個人臉進行遍歷，得到矩形內(nèi)POEM編碼的直方圖；以及特征模塊，用于將直方圖作為POEM特征。
[0034]進一步地，融合單元包括:第一向量模塊，用于對于多個人臉訓練圖像的Gabor特征，對多個人臉訓練圖像中的每兩個人臉訓練圖像對應的Gabor特征點的特征向量求內(nèi)積，得到第一向量；第二向量模塊，用于對于多個人臉訓練圖像的POEM特征，對多個人臉訓練圖像中的每兩個人臉訓練圖像對應的POEM特征的直方圖計算卡方距離，得到第二向量；以及樣本模塊，用于由第一向量和第二向量組合得到多個人臉訓練圖像的正樣本和負樣本。
[0035]進一步地，訓練單元包括:第二獲取模塊，用于獲取AdaBoost算法的訓練目標，其中，訓練目標包括識別率和/或誤識率；以及訓練模塊，用于利用訓練目標對多個人臉訓練圖像的正樣本和負樣本進行訓練直到達到訓練目標。
[0036]進一步地，訓練單元包括:形成模塊，用于通過AdaBoost算法的訓練形成人臉分類器，人臉分類器包括多級強分類器以及構成多級強分類器中每級強分類器的弱分類器，弱分類器由Gabor特征和POEM特征塊組成，弱分類器包括特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)、方向參數(shù)，以及由人臉識別率的設定目標確定的閾值參數(shù)和權重參數(shù)，閾值參數(shù)用于對人臉認證結果進行判定。
[0037]進一步地，認證單元包括:第三獲取模塊，用于獲取第一待認證圖像和第二待認證圖像；提取模塊，用于按照人臉分類器的特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)和方向參數(shù)分別提取第一待認證圖像和第二待認證圖像的Gabor特征和POEM特征；計算模塊，用于由第一待認證圖像和第二待認證圖像的Gabor特征和POEM特征計算第一待認證圖像和第二待認證圖像對應的Gabor特征的內(nèi)積和POEM特征的卡方距離；以及判斷模塊，用于利用人臉分類器通過閾值參數(shù)和權重參數(shù)對求得的內(nèi)積和卡方距離進行判斷以判斷第一待認證圖像和第二待認證圖像是否是同一個人的人臉圖像。
[0038]通過本發(fā)明，解決了相關技術中的人臉認證方法難以兼顧效率和識別率的問題，進而達到了既能夠提高人臉識別的特征提取效率，又能夠提高人臉識別率的效果。
【專利附圖】

【附圖說明】
[0039]構成本申請的一部分的附圖用來提供對本發(fā)明的進一步理解，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構成對本發(fā)明的不當限定。在附圖中:
[0040]圖1是根據(jù)本發(fā)明第一實施例的人臉認證方法的流程圖；
[0041]圖2a至圖2e是根據(jù)本發(fā)明實施例的不同尺度圖像的Gabor特征點的示意圖；
[0042]圖3a至圖3b是根據(jù)本發(fā)明實施例的POEM特征生成的示意圖；
[0043]圖4是根據(jù)本發(fā)明實施例的提取POEM特征的流程圖；
[0044]圖5a至圖5e是根據(jù)本發(fā)明實施例的挑選得到的Gabor特征的分布圖；
[0045]圖6是根據(jù)本發(fā)明實施例進行人臉認證的方法的流程圖；
[0046]圖7是根據(jù)本發(fā)明實施例的人臉認證裝置的示意圖；以及
[0047]圖8是根據(jù)本發(fā)明優(yōu)選實施例的人臉認證裝置的示意圖。
【具體實施方式】
[0048]需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結合實施例來詳細說明本發(fā)明。
[0049]為了使本【技術領域】的人員更好地理解本發(fā)明方案，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應當屬于本發(fā)明保護的范圍。[0050]本發(fā)明提供了一種人臉認證方法。該人臉認證方法能夠基于Gabor特征和POEM特征進行人臉認證，以下結合附圖對該人臉認證方法進行說明。
[0051]圖1是根據(jù)本發(fā)明第一實施例的人臉認證方法的流程圖。如圖所示，該人臉認證方法包括如下步驟:
[0052]步驟S101，獲取多個人臉訓練圖像。
[0053]步驟S102，提取多個人臉訓練圖像的Gabor特征。
[0054]Gabor特征可以使用Gabor濾波器進行提取。具體地，可以利用5個尺度8個方向的Gabor濾波器進行提取，該濾波器的表達式如下:
【權利要求】
1.一種人臉認證方法，其特征在于，包括: 獲取多個人臉訓練圖像； 提取所述多個人臉訓練圖像的Gabor特征； 提取所述多個人臉訓練圖像的POEM特征； 將所述多個人臉訓練圖像的Gabor特征和所述多個人臉訓練圖像的POEM特征進行融合以獲取所述多個人臉訓練圖像的正樣本和負樣本，其中，所述正樣本為所述多個人臉訓練圖像中同一個人的不同人臉圖像的兩兩組合，所述負樣本為所述多個人臉訓練圖像中不同人的人臉圖像的兩兩組合； 利用AdaBoost算法對所述多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果；以及 利用所述訓練結果進行人臉認證。
2.根據(jù)權利要求1所述的人臉認證方法，其特征在于，提取所述多個人臉訓練圖像的POEM特征包括: 對所述多個人臉訓練圖像進行POEM編碼計算； 獲取多個不同大小、不同位置的矩形； 按照所述多個矩形對進行POEM編碼計算后的所述多個人臉訓練圖像中的每個人臉進行遍歷，得到矩形內(nèi)POEM編碼的直方圖；以及將所述直方圖作為所述POEM特征。
3.根據(jù)權利要求1所述的人臉`認證方法，其特征在于，將所述多個人臉訓練圖像的Gabor特征和所述多個人臉訓練圖像的POEM特征進行融合以獲取所述多個人臉訓練圖像的正樣本和負樣本包括: 對于所述多個人臉訓練圖像的Gabor特征，對所述多個人臉訓練圖像中的每兩個人臉訓練圖像對應的Gabor特征點的特征向量求內(nèi)積，得到第一向量； 對于所述多個人臉訓練圖像的POEM特征，對所述多個人臉訓練圖像中的每兩個人臉訓練圖像對應的POEM特征的直方圖計算卡方距離，得到第二向量；以及 由所述第一向量和所述第二向量組合得到所述多個人臉訓練圖像的正樣本和負樣本。
4.根據(jù)權利要求1所述的人臉認證方法，其特征在于，利用AdaBoost算法對所述多個人臉訓練圖像的正樣本和負樣本進行訓練包括: 獲取AdaBoost算法的訓練目標，其中，所述訓練目標包括識別率和/或誤識率；以及利用所述訓練目標對所述多個人臉訓練圖像的正樣本和負樣本進行訓練直到達到所述訓練目標。
5.根據(jù)權利要求1所述的人臉認證方法，其特征在于，利用AdaBoost算法對所述多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果包括: 通過所述AdaBoost算法的訓練形成人臉分類器，所述人臉分類器包括多級強分類器以及構成所述多級強分類器中每級強分類器的弱分類器，所述弱分類器由Gabor特征和POEM特征塊組成，所述弱分類器包括特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)、方向參數(shù)，以及由人臉識別率的設定目標確定的閾值參數(shù)和權重參數(shù)，所述閾值參數(shù)用于對人臉認證結果進行判定。
6.根據(jù)權利要求5所述的人臉認證方法，其特征在于，利用所述訓練結果進行人臉認證包括: 獲取第一待認證圖像和第二待認證圖像； 按照所述人臉分類器的特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)和方向參數(shù)分別提取所述第一待認證圖像和所述第二待認證圖像的Gabor特征和POEM特征； 由所述第一待認證圖像和所述第二待認證圖像的Gabor特征和POEM特征計算所述第一待認證圖像和所述第二待認證圖像對應的Gabor特征的內(nèi)積和POEM特征的卡方距離；以及 所述人臉分類器通過所述閾值參數(shù)和所述權重參數(shù)對求得的所述內(nèi)積和所述卡方距離進行判斷以判斷第一待認證圖像和第二待認證圖像是否是同一個人的人臉圖像。
7.一種人臉認證裝置，其特征在于，包括: 獲取單元，用于獲取多個人臉訓練圖像； 第一提取單元，用于提取所述多個人臉訓練圖像的Gabor特征； 第二提取單元，用于提取所述多個人臉訓練圖像的POEM特征； 融合單元，用于將所述多個人臉訓練圖像的Gabor特征和所述多個人臉訓練圖像的POEM特征進行融合以獲取所述多個人臉訓練圖像的正樣本和負樣本，其中，所述正樣本為所述多個人臉訓練圖像中同一個人的不同人臉圖像的兩兩組合，所述負樣本為所述多個人臉訓練圖像中不同人的人臉圖像的兩兩組合； 訓練單元，用于利用AdaBoost算法對所述多個人臉訓練圖像的正樣本和負樣本進行訓練，得到訓練結果；以及 認證單元，用于利用所述訓練結果`進行人臉認證。
8.根據(jù)權利要求7所述的人臉認證裝置，其特征在于，所述第二提取單元包括: 編碼模塊，用于對所述多個人臉訓練圖像進行POEM編碼計算； 第一獲取模塊，用于獲取多個不同大小、不同位置的矩形； 遍歷模塊，用于按照所述多個矩形對進行POEM編碼計算后的所述多個人臉訓練圖像中的每個人臉進行遍歷，得到矩形內(nèi)POEM編碼的直方圖；以及特征模塊，用于將所述直方圖作為所述POEM特征。
9.根據(jù)權利要求7所述的人臉認證裝置，其特征在于，所述融合單元包括:第一向量模塊，用于對于所述多個人臉訓練圖像的Gabor特征，對所述多個人臉訓練圖像中的每兩個人臉訓練圖像對應的Gabor特征點的特征向量求內(nèi)積，得到第一向量；第二向量模塊，用于對于所述多個人臉訓練圖像的POEM特征，對所述多個人臉訓練圖像中的每兩個人臉訓練圖像對應的POEM特征的直方圖計算卡方距離，得到第二向量；以及樣本模塊，用于由所述第一向量和所述第二向量組合得到所述多個人臉訓練圖像的正樣本和負樣本。
10.根據(jù)權利要求7所述的人臉認證裝置，其特征在于，所述訓練單元包括: 第二獲取模塊，用于獲取AdaBoost算法的訓練目標，其中，所述訓練目標包括識別率和/或誤識率；以及 訓練模塊，用于利用所述訓練目標對所述多個人臉訓練圖像的正樣本和負樣本進行訓練直到達到所述訓練目標。
11.根據(jù)權利要求7所述的人臉認證裝置，其特征在于，所述訓練單元包括:形成模塊，用于通過所述AdaBoost算法的訓練形成人臉分類器，所述人臉分類器包括多級強分類器以及構成所述多級強分類器中每級強分類器的弱分類器，所述弱分類器由Gabor特征和POEM特征塊組成，所述弱分類器包括特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)、方向參數(shù)，以及由人臉識別率的設定目標確定的閾值參數(shù)和權重參數(shù)，所述閾值參數(shù)用于對人臉認證結果進行判定。
12.根據(jù)權利要求11所述的人臉認證裝置，其特征在于，所述認證單元包括: 第三獲取模塊，用于獲取第一待認證圖像和第二待認證圖像； 提取模塊，用于按照所述人臉分類器的特征的類型參數(shù)、位置參數(shù)、尺度參數(shù)和方向參數(shù)分別提取所述第一待認證圖像和所述第二待認證圖像的Gabor特征和POEM特征； 計算模塊，用于由所述第一待認證圖像和所述第二待認證圖像的Gabor特征和POEM特征計算所述第一待認證圖像和所述第二待認證圖像對應的Gabor特征的內(nèi)積和POEM特征的卡方距離；以及 判斷模塊，用于利用所述人臉分類器通過所述閾值參數(shù)和所述權重參數(shù)對求得的所述內(nèi)積和所述卡方距離進行 判斷以判斷第一待認證圖像和第二待認證圖像是否是同一個人的人臉圖像。
【文檔編號】G06K9/00GK103679158SQ201310752853
【公開日】2014年3月26日 申請日期:2013年12月31日 優(yōu)先權日:2013年12月31日
【發(fā)明者】王寧, 張祥德, 江武明, 張要羅 申請人:北京天誠盛業(yè)科技有限公司