CN101187977A - 一种人脸认证的方法和装置 - Google Patents

Abstract

本发明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。

Description

一种人脸认证的方法和装置

技术领域

本发明涉及模式识别技术，具体涉及一种人脸认证的方法和装置。

背景技术

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，是指采用人脸检测、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P_n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P_n对应的人脸图像，第二类是所有不是该P_n的人对应的人脸图像。

通常采用的人脸认证的方法为基于主元分析(Principal ComponentsAnalysis，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，该方法分为训练和使用两个阶段：

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l、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

$X=\left[\begin{array}{c}{x}_1\\ x_2\\ \·\\ \·\\ \·\\ x_{M-1}\\ x_M\end{array}\right]$

令M＝l*h，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X₁，X₂，....X_N，N个向量的均值向量为 $u=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{X}_n,$ 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＝[X₁-u，X₂-u，....X_N-u]，则图像向量的协方差矩阵为S_t＝ZZ^T。显然，S_t为对称矩阵，进行特征值分解后得到：S_t＝WW^T，令Y＝W^TX，则YY^T＝，即经过线性变换W^T后，消除了数据间冗余。

假定上述得到的特征向量矩阵W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X₁，X₂，...X_n，其中N₁个属于ω₁类，N₂个属于ω₂类。分别将各样本向方向W上做投影，得到标量y_n＝W^TX_n，这样N个d维样本可以得到N个标量，则集合{y₁，y₂，...y_n}可以分为两个子集Y₁和Y₂。

Fisher方法的目标是为了寻找分类方向W^*使得Y₁，Y₂被最佳地分类，为此：定义d维X空间中，

各类样本均值 $m_i=\frac{1}{N_i}\underset{X_j\∈{\mathrm{\ω}}_i}{\mathrm{\Σ}}{X}_j,i=\mathrm{1,2};$

样本类内离散度矩阵S_i为： $S_i=\underset{X_j\∈{\mathrm{\ω}}_i}{\mathrm{\Σ}}(X_j-m_i)*{(X_j-m_i)}^T,i=\mathrm{1,2};$

总类内离散度矩阵S_w为S_w＝S₁+S₂；

样本类间离散度矩阵S_b为S_b＝(m₁-m₂)*(m₁-m₂)^T。

对一维Y空间，定义样本均值 ${m_i}^{\′}=\frac{1}{N_i}\underset{y\∈Y_i}{\mathrm{\Σ}}y,i=\mathrm{1,2};$

样本类内离散度 ${S_i}^{\′}=\underset{y\∈Y_i}{\mathrm{\Σ}}{(y-{m_i}^{\′})}^2,i=\mathrm{1,2};$

总类内离散度S_w′＝S₁′+S₂′。

进一步定义Fisher准则函数 $J_F\left(w\right)=\frac{{({m_1}^{\′}-{m_2}^{\′})}^2}{{S_W}^{\′}};$

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J_F(w)取最小值，从而需要投影后的一维数据的总类内离散度S_w′尽量小而类间离散度尽量大。

Fisher准则函数可以变形为 $J_F\left(w\right)=\frac{W^T{S}_{b}W}{W^T{S}_{w}W},$ 则w^*＝arg max(J_F(w))。由于J_F(w)是广义Rayleigh商，可以采用拉格朗日(Lagrange)乘子法求解。最后得到 $w^{*}=\frac{R}{\mathrm{\λ}}*S_w^{-1}*(m_1-m_2),$ 其中R＝(m₁-m₂)^T*w^*为标量，则w^*的方向为S_w ^-1*(m₁-m₂)。

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W^*，以便对将Y₁、Y₂两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Y₁、Y₂集合。为了达到最佳的人脸认证的效果，就必须要对Y₁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S_w ^-1*(m₁-m₂)。

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W^*具有相当的区分性，能够比较准确的区分开Y₁集合和Y₂集合，提高了人脸认证时的准确性。

步骤103：获取待认证人脸图像，将其投影到特征脸空间得到长度为t的投影向量，进而将该投影向量投影到步骤102计算出的分类方向W^*上，得到一个标量(称作Fisher系数)。

步骤104：根据所述fisher系数与预先设置的阈值T的大小关系得出认证结果。

所述确定阈值T的一种方法为：对于训练时使用的标定好的两类人脸图像，分别求出它们在分类方向的投影，记录所有投影后得到的Fisher系数；假定两类人脸图像投影后的Fisher系数符合高斯分布，则对投影后数据进行高斯拟合后，选择两个类后验概率相等的位置作为阈值T。

图1所示的PCA+Fisher的认证方法比单纯基于PCA的方法效果要好，但是，所述确定阈值T的过程中，需要假定两类人脸图像投影后的Fisher系数符合高斯分布，这在实际应用中并不总能够得到满足，因此影响了该方法的适用范围；此外，单个阈值T所能表示的信息量太少，仅仅依靠阈值T往往并不能准确地将两类人脸图像区分开来，因此影响了该认证方法的准确性，容易出现误检。

发明内容

本发明实施例提供一种人脸认证的方法和装置，能够提供更好的人脸认证效果。

为达到上述目的，本发明的技术方案具体是这样实现的：

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。

所述利用查找表分类器计算所述fisher系数对应的相似匹配度的方法为：

计算用于训练所述分类器的待认证目标的训练样本集中，各训练样本的fisher系数，根据所述训练样本集中的fisher系数确定区间[F_min，F_max]，所述F_min为所述训练样本中fisher系数的最小值，F_max为所述训练样本中fisher系数的最大值；

将所述区间分成预设数量的子区间，并确定所述待认证目标的fisher系数所在的子区间；

计算所确定的该子区间中待认证目标的训练样本分布的直方图；

根据所述直方图，计算得出查找表分类器的相似匹配度。

所述每个子区间分别对应一个序号；

所述确定所述待认证目标的fisher系数所在的子区间的方法为：

按照下述公式确定所述待认证目标的fisher系数所在的子区间对应的序号：

利用 $j=\min (\mathrm{HNUM}-1,\mathrm{FLOOR}\left(\frac{(F_{\mathrm{coeff}}-F_{\min })*\mathrm{HNUM}}{F_{\max }-F_{\min }}\right)),$ 其中min()为取最小值运算，FLOOR()为向下取整运算，j为所述序号。

所述计算所确定的该子区间中待认证目标的训练样本分布的直方图的方法为：

统计所述待认证目标的fisher系数所在的子区间内，两类待认证目标训练样本的fisher系数的数目，得到所述两类训练样本的fisher系数在该子区间中分布的直方图，所述两类训练样本包括：与待认证目标对应的第一类训练样本和所有非所述目标对应的第二类训练样本。

所述根据所述直方图，计算得出查找表分类器的相似匹配度的方法为：

利用 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)}{{\mathrm{Hist}}_2\left(j\right)},$ 或 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}},$ 或 $h\left(j\right)=\arctan \left(\ln \left(\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}}\right)\right)$ 计算查找表分类器的相似匹配度，其中σ为大于0的正数，ln为自然对数运算，arctan为反正切运算，Hist₁(j)表示序号为j的子区间内第一类训练样本的直方图，Hist₂(j)表示序号为j的子区间内第二类训练样本的直方图。

设定所述阈值的方法为：计算训练样本集中的fisher系数对应的分类器的相似匹配度，根据所述训练样本集中的fisher系数对应的分类器的相似匹配度确定区间[TF_min，TF_max]，所述TF_min为所述训练样本中fisher系数对应的分类器的相似匹配度的最小值，TF_max为fisher系数对应的分类器的相似匹配度的最大值；

从区间[TF_min，TF_max]中选择预定个数的点，分别计算所述各点的分类错误率；所述分类错误率为被归入错误类别的训练样本数目的总和；设定所述各点中训练样本分类错误率最低的点的值为所述阈值。

所述待认证目标包括目标人脸区域和目标双眼区域；

所述利用查找表分类器计算所述系数对应的相似匹配度的方法为：

利用查找表分类器分别计算所述目标人脸区域的fisher系数对应的相似匹配度和所述目标双眼区域的fisher系数对应的相似匹配度。

根据所述相似匹配度和预先设定的阈值得出认证结果的方法为：

将目标人脸区域的fisher系数对应的相似匹配度设为h_f，目标双眼区域的fisher系数对应的相似匹配度设为h_e，设定h_f和h_e各自对应的权值，计算它们加权处理后的结果，将所述加权处理后的结果与预先设定的阈值进行比较得出认证结果。

一种人脸认证的装置，该装置包括：

系数计算模块，输出计算模块和认证模块；

所述系数计算模块，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；

所述输出计算模块，利用查找表分类器计算所述fisher系数对应的相似匹配度；

所述认证模块，比较所述相似匹配度和预先设定的阈值得出认证结果。

所述输出计算模块包括：区间设置单元、子区间确定单元、直方图计算单元和分类器输出计算单元；

所述区间配置单元，计算用于训练所述分类器的待认证目标的训练样本集中，各训练样本的fisher系数，根据所述训练样本集中的fisher系数确定区间[F_min，F_max]，所述F_min为所述训练样本中fisher系数的最小值，F_max为所述训练样本中fisher系数的最大值；

所述子区间确定单元，将确定的所述区间分成预设数量的子区间，并确定所述待认证目标的fisher系数所在的子区间；；

所述直方图计算单元，计算所确定的该子区间中待认证目标的训练样本分布的直方图；

所述分类器输出计算单元，根据所述直方图计算得出查找表分类器的相似匹配度。

所述认证模块包括：阈值设置单元；

所述阈值设置单元，计算训练样本集中的fisher系数对应的分类器的相似匹配度，根据所述训练样本集中的fisher系数对应的分类器的相似匹配度确定区间[TF_min，TF_max]，所述TF_min为所述训练样本中fisher系数对应的分类器的相似匹配度的最小值，TF_max为fisher系数对应的分类器的相似匹配度的最大值；从区间[TF_min，TF_max]中选择预定个数的点，分别计算所述各点的分类错误率；所述分类错误率为被归入错误类别的训练样本数目的总和；

设定所述各点中训练样本分类错误率最低的点的值为所述阈值。

所述系数计算模块，计算待认证目标的费舍尔fisher系数，所述待认证目标包括目标人脸区域和目标双眼区域；

所述输出计算模块，利用查找表分类器分别计算所述目标人脸区域的fisher系数对应的相似匹配度和所述目标双眼区域的fisher系数对应的相似匹配度。

所述认证模块中进一步包括认证单元；

所述认证单元，预先设定目标人脸区域的fisher系数对应的相似匹配度和目标双眼区域的fisher系数对应的相似匹配度各自对应的权值，计算它们加权处理后的结果，将所述加权处理后的结果与所述阈值进行比较得出认证结果。

由上述的技术方案可见，本发明实施例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。

附图说明

图1为现有技术PCA+Fisher特征脸方法的示意图。

图2为本发明实施例中人脸认证的方法的流程示意图。

图3为本发明实施例中人脸认证的装置的组成结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

在图1所示方法的基础上，本发明实施例提出一种人脸认证的方法，该方法利用PCA+Fisher并结合查找表分类器，流程如图2所示，其中包括：

步骤201：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；

本发明实施例对目标人脸区域进行认证，但由于目标人脸区域内，双眼区域是包含信息量最大的区域，因此为了进一步提高识别率，本发明实施例还进一步对目标双眼区域进行认证。因此，所述待认证目标既可以是从输入图像中割取的目标人脸区域图像，也可以进一步包含从所述输入图像中割取的目标双眼区域图像。

所述计算待认证目标的fisher系数的方法为：将待认证目标的PCA系数投影到特征脸空间，得到投影向量后再将该投影向量投影到fisher分类方向，得到所述待认证目标的fisher系数，具体方法与现有技术相同，此处不再赘述。

步骤202：利用查找表分类器计算所述待认证目标的fisher系数对应的相似匹配度；

所述查找表分类器是使用训练样本预先训练得到的分类器，当进行人脸认证时，所述待认证目标中同时包含目标人脸区域和目标双眼区域时，预先训练时自然需要有目标人脸区域训练样本和目标双眼区域训练样本两组训练样本，所述的目标双眼区域训练样本既可以是预先单独获取的，也可以是从所述的目标人脸区域训练样本中割取的，分别训练得到两个查找表分类器，所述的两个分类器构造虽然并不相同，但它们的训练方法和进行人脸认证时的认证方法却是相同的。

同时需要指出的是，所述的目标人脸区域和目标双眼区域的处理方法虽然相同，但是在实际利用各自的查找表分类器进行处理时，这两个过程是相互独立的，互相之间并没有任何关系。

步骤203：比较所述相似匹配度和预先设定的阈值得出认证结果。

确定阈值S时应选择使得训练样本分类错误率最低的阈值，训练样本的分类错误率定义为所有在该阈值下被错分类的样本数目之和，即被分为第一类样本的第二类样本的数目与被分为第二类样本的第一类样本的数目之和。由于待认证目标可能同时包含目标人脸区域和目标双眼区域，因此所述的训练样本的分类错误率即为两组训练样本中，被错误归类的样本数目的总和。

所述获取所述阈值的方法为：计算训练样本集中的fisher系数对应的分类器的相似匹配度，根据所述训练样本集中的fisher系数对应的分类器的相似匹配度确定区间[TF_min，TF_max]，所述TF_min为所述训练样本中fisher系数对应的分类器的相似匹配度的最小值，TF_max为fisher系数对应的分类器的相似匹配度的最大值；

由于区间中包含无穷多个点，为了减少计算量，可以从区间[TF_min，TF_max]中选择一定个数的点，分别计算所述各点的分类错误率，设定所述各点中训练样本分类错误率最低的点的值为所述阈值。

例如，一种可行的获取阈值的方案如下：

将区间[TF_min，TF_max]等分为FN个子区间，则共有FN+1个端点，各端点的值分别为 ${\mathrm{TF}}_{\min }+\frac{({\mathrm{TF}}_{\max }-{\mathrm{TF}}_{\min })*\mathrm{fn}}{\mathrm{FN}},$ fn＝0，1...FN，其中fn为端点序号；

分别计算所述FN+1个端点对应的分类错误率，并记录分类错误率最小的端点值，将该端点值设为阈值。

容易理解，该方法仅为举例，并非用于限定所述阈值的设定方法。

相应地，所述根据所述相似匹配度和预先设定的阈值得出认证结果的方法为：设目标人脸区域的fisher系数对应的相似匹配度为h_f，目标双眼区域的fisher系数对应的相似匹配度为h_e，设定h_f和h_e各自对应的权值，计算它们加权处理后的结果，将所述加权处理后的结果与设定的阈值进行比较得出认证结果。

容易理解，当待认证目标只包含目标人脸区域时，目标双眼区域的fisher系数的相似匹配度h_e为0，因此对最后加权处理的结果并无影响。

下面具体介绍所述步骤202～203中，一种可能的利用查找表分类器计算所述系数对应的相似匹配度和得出认证结果的方法：

一、计算用于训练所述分类器的待认证目标训练样本集中，各训练样本的fisher系数，根据所述训练样本集中的fisher系数确定区间[F_min，F_max]，所述F_min为所述训练样本中fisher系数的最小值，F_max为所述训练样本中fisher系数的最大值；

将所述区间分成预设数量的子区间，例如将所述区间等分为H_NUM个子区间。所述的H_NUM的取值通常根据经验进行选择，本发明实施例并不作具体限定，根据区间[F_min，F_max]的长度选择大小适中的值即可，例如通常可以取H_NUM＝32、48或64等。

当待认证目标包含目标人脸区域和目标双眼区域时，分别独立计算各自的fisher系数，相应地得到两组区间，且两组区间进行子区间划分的H_NUM的取值也相互独立。后续的各步骤中也是同样的情况，每一个步骤都适用于所述的目标人脸区域和目标双眼区域的处理流程，因此下文中不再声明。

二、确定所述待认证目标的fisher系数所在的子区间；

所述确定所述待认证目标的fisher系数所在的子区间的方法为：计算待认证目标的fisher系数在所述区间中对应的序号j。

区间[F_min，F_max]共分H_NUM个子区间，每一段对应的序号为j(0≤j≤H_NUM-1，j为整数)，计算待认证目标的fisher系数对应的序号j可以采用下述公式：

$j=\min (\mathrm{HNUM}-1,\mathrm{FLOOR}\left(\frac{(F_{\mathrm{coeff}}-F_{\min })*\mathrm{HNUM}}{F_{\max }-F_{\min }}\right)),$ 其中min()为取最小值运算，FLOOR()为向下取整运算，如FLOOR(1.9)＝1，FLOOR(2.2)＝2。需要说明的是，计算所述fisher系数对应的序号j还可以采用其它方式，此处不一一进行列举，因此，上述计算序号j的公式仅为举例，并非用于限定。

三、计算所确定的该子区间上，所述待认证目标的两类训练样本分布的直方图Hist₁(j)和Hist₂(j)。

所述计算直方图的方法为：在所有的第一类训练样本中，fisher系数对应序号为j的样本数目等于Hist₁(j)；而类似地，所有的第二类训练样本中，fisher系数对应序号为j的样本数目等于Hist₂(j)。由于所述区间分为H_NUM段，因此容易理解，Hist₁和Hist₂均为H_NUM维向量。

四、根据所述直方图，计算得出查找表分类器 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)}{{\mathrm{Hist}}_2\left(j\right)}.$

由上述说明可知，步骤202中，所述利用查找表分类器计算所述系数对应的相似匹配度的方法为：

步骤202a(图中未示出)：根据待认证目标训练样本fisher系数的最大、最小值得到[F_min，F_max]区间，根据设定的H_NUM，计算所述系数在所述子区间中对应的序号j；

步骤202b(图中未示出)：计算序号j的子区间中，所述的两类训练样本分布的直方图。

需要说明的是，在人脸验证的实际应用时，某些待验证图像的Fisher系数可能会超出区间[F_min，F_max]的范围，当所述Fisher系数超出[F_min，F_max]范围的时候，即认为所述待验证图像不是该人。

进一步地，为了避免区间序号j上的直方图Hist₂(j)为零，可以进一步设置一种较佳的查找表分类器的定义方式： $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}},$ 其中σ为大于零的正值，如取σ＝0.006，但本发明不作限定，同样也可以取其他值。

或者，为了获得数据分布更优化的表示方式，还可以定义查找表分类器为 $h\left(j\right)=\arctan \left(\ln \left(\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}}\right)\right),$ 此时h(j)的取值范围为(0，π)。其中ln为自然对数运算，arctan为反正切运算。

较佳地，可以进一步对统计得到的直方图Hist₁和Hist₂采用滤波器进行平滑处理，例如采用均值滤波对所述直方图进行处理。

同样，还可以采用均值滤波对查找表分类器进行平滑滤波。

可见，本发明实施例的这种人脸认证的方法，通过将查找表分类器与PCA+Fisher相结合，使得本发明可以适用于各种样本概率分布的输入图像；同时，引入比单阈值表示能力更强的查找表分类器，能够提高人脸认证的识别率，降低误检，此外，当待认证目标同时包含目标人脸区域和目标双眼区域时，本发明的较佳实施例还可以进一步提高人脸认证的识别率。

本发明还提供一种人脸认证的装置，如图3所示，其中包括：系数计算模块310，输出计算模块320和认证模块330；

所述系数计算模块310，计算待认证目标的费舍尔fisher系数；

所述输出计算模块320，利用查找表分类器计算所述fisher系数对应的相似匹配度；

所述认证模块330，比较所述相似匹配度和预先设定的阈值得出认证结果。

所述输出计算模块320包括：区间设置单元321、子区间确定单元322、直方图计算单元323和分类器输出计算单元324；

所述区间设置单元321，计算用于训练所述分类器的待认证目标的训练样本集中，各训练样本的fisher系数，根据所述训练样本集中的fisher系数确定区间[F_min，F_max]，所述F_min为所述训练样本中fisher系数的最小值，F_max为所述训练样本中fisher系数的最大值；

所述子区间确定单元322，将确定的所述区间分成预设数量的子区间，并按照下述公式确定所述待认证目标的fisher系数所在的子区间对应的序号：

利用 $j=\min (\mathrm{HNUM}-1,\mathrm{FLOOR}\left(\frac{(F_{\mathrm{coeff}}-F_{\min })*\mathrm{HNUM}}{F_{\max }-F_{\min }}\right)),$ 其中min()为取最小值运算，FLOOR()为向下取整运算，j为所述序号，且所述每个子区间分别对应一个序号；

所述直方图计算单元323，根据各训练样本的fisher系数，统计所述待认证目标的fisher系数所在的子区间内，两类待认证目标训练样本的fisher系数的数目，得到所述两类训练样本的fisher系数在该子区间中分布的直方图，所述两类训练样本包括：与待认证目标对应的第一类训练样本和所有非所述目标对应的第二类训练样本；

所述分类器输出计算单元324，利用 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)}{{\mathrm{Hist}}_2\left(j\right)},$ 或 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}},$ 或 $h\left(j\right)=\arctan \left(\ln \left(\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}}\right)\right)$ 计算查找表分类器的相似匹配度，其中σ为大于0的正数，ln为自然对数运算，arctan为反正切运算，Hist₁(j)表示序号为j的子区间内第一类训练样本的直方图，Hist₂(j)表示序号为j的子区间内第二类训练样本的直方图。

当所述待认证目标同时包括目标人脸区域和目标双眼区域时，此时：

所述系数计算模块310，用于计算待认证目标的费舍尔fisher系数，所述待认证目标包括目标人脸区域和目标双眼区域；

相应地，此时所述输出计算模块320，利用查找表分类器分别计算所述目标人脸区域的fisher系数对应的相似匹配度和所述目标双眼区域的fisher系数对应的相似匹配度。

所述认证模块330包括：阈值设置单元331和认证判断单元332；

所述阈值设置单元331，将使得待认证目标训练样本分类错误率最低的值设置为所述阈值，所述训练样本分类错误率为被归入错误类别的训练样本数目的总和。

所述认证判断单元332，预先设定目标人脸区域的fisher系数对应的相似匹配度和目标双眼区域的fisher系数对应的相似匹配度各自对应的权值，计算它们加权处理后的结果，将所述加权处理后的结果与所述阈值进行比较得出认证结果。

可见，本发明实施例的这种人脸认证的装置，通过将查找表分类器与PCA+Fisher相结合，使得本发明可以适用于各种样本概率分布的输入图像；同时，引入比单阈值表示能力更强的查找表分类器，能够提高人脸认证的识别率，降低误检，此外，当待认证目标同时包含目标人脸区域和目标双眼区域时，本发明的较佳实施例还可以进一步提高人脸认证的识别率。

同时，容易理解，以上所述仅为本发明的较佳实施例，并非用于限定本发明的精神和保护范围，任何熟悉本领域的技术人员所做出的等同变化或替换，都应视为涵盖在本发明的保护范围之内。

Claims (13)

1.一种人脸认证的方法，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。

2.根据权利要求1所述的方法，其特征在于，所述利用查找表分类器计算所述fisher系数对应的相似匹配度的方法为：

计算用于训练所述分类器的待认证目标的训练样本集中，各训练样本的fisher系数，根据所述训练样本集中的fisher系数确定区间[F_min，F_max]，所述F_min为所述训练样本中fisher系数的最小值，F_max为所述训练样本中fisher系数的最大值；

将所述区间分成预设数量的子区间，并确定所述待认证目标的fisher系数所在的子区间；

计算所确定的该子区间中待认证目标的训练样本分布的直方图；

根据所述直方图，计算得出查找表分类器的相似匹配度。

3.根据权利要求2所述的方法，其特征在于，所述每个子区间分别对应一个序号；

所述确定所述待认证目标的fisher系数所在的子区间的方法为：

按照下述公式确定所述待认证目标的fisher系数所在的子区间对应的序号：

利用 $j=\min (\mathrm{HNUM}-1,\mathrm{FLOOR}\left(\frac{(F_{\mathrm{coeff}}-F_{\min })*\mathrm{HNUM}}{F_{\max }-F_{\min }}\right)),$ 其中min()为取最小值运算，FLOOR()为向下取整运算，j为所述序号。

4.根据权利要求3所述的方法，其特征在于，所述计算所确定的该子区间中待认证目标的训练样本分布的直方图的方法为：

统计所述待认证目标的fisher系数所在的子区间内，两类待认证目标训练样本的fisher系数的数目，得到所述两类训练样本的fisher系数在该子区间中分布的直方图，所述两类训练样本包括：与待认证目标对应的第一类训练样本和所有非所述目标对应的第二类训练样本。

5.根据权利要求4所述的方法，其特征在于，所述根据所述直方图，计算得出查找表分类器的相似匹配度的方法为：

利用 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)}{{\mathrm{Hist}}_2\left(j\right)},$ 或 $h\left(j\right)=\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}},$ 或 $h\left(j\right)=\arctan \left(\ln \left(\frac{{\mathrm{Hist}}_1\left(j\right)+\mathrm{\σ}}{{\mathrm{Hist}}_2\left(j\right)+\mathrm{\σ}}\right)\right)$ 计算查找表分类器的相似匹配度，其中σ为大于0的正数，ln为自然对数运算，arctan为反正切运算，Hist₁(j)表示序号为j的子区间内第一类训练样本的直方图，Hist₂(j)表示序号为j的子区间内第二类训练样本的直方图。

6.根据权利要求5所述的方法，其特征在于，设定所述阈值的方法为：

计算训练样本集中的fisher系数对应的分类器的相似匹配度，根据所述训练样本集中的fisher系数对应的分类器的相似匹配度确定区间[TF_min，TF_max]，所述TF_min为所述训练样本中fisher系数对应的分类器的相似匹配度的最小值，TF_max为fisher系数对应的分类器的相似匹配度的最大值；

从区间[TF_min，TF_max]中选择预定个数的点，分别计算所述各点的分类错误率；所述分类错误率为被归入错误类别的训练样本数目的总和；

设定所述各点中训练样本分类错误率最低的点的值为所述阈值。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述待认证目标包括目标人脸区域和目标双眼区域；

所述利用查找表分类器计算所述系数对应的相似匹配度的方法为：

利用查找表分类器分别计算所述目标人脸区域的fisher系数对应的相似匹配度和所述目标双眼区域的fisher系数对应的相似匹配度。

8.根据权利要求7所述的方法，其特征在于，根据所述相似匹配度和预先设定的阈值得出认证结果的方法为：

将目标人脸区域的fisher系数对应的相似匹配度设为h_f，目标双眼区域的fisher系数对应的相似匹配度设为h_e，设定h_f和h_e各自对应的权值，计算它们加权处理后的结果，将所述加权处理后的结果与预先设定的阈值进行比较得出认证结果。

9.一种人脸认证的装置，其特征在于，该装置包括：系数计算模块，输出计算模块和认证模块；

所述系数计算模块，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；

所述输出计算模块，利用查找表分类器计算所述fisher系数对应的相似匹配度；

所述认证模块，比较所述相似匹配度和预先设定的阈值得出认证结果。

10.根据权利要求9所述的装置，其特征在于，所述输出计算模块包括：区间设置单元、子区间确定单元、直方图计算单元和分类器输出计算单元；

所述区间配置单元，计算用于训练所述分类器的待认证目标的训练样本集中，各训练样本的fisher系数，根据所述训练样本集中的fisher系数确定区间[F_min，F_max]，所述F_min为所述训练样本中fisher系数的最小值，F_max为所述训练样本中fisher系数的最大值；

所述子区间确定单元，将确定的所述区间分成预设数量的子区间，并确定所述待认证目标的fisher系数所在的子区间；；

所述直方图计算单元，计算所确定的该子区间中待认证目标的训练样本分布的直方图；

所述分类器输出计算单元，根据所述直方图计算得出查找表分类器的相似匹配度。

11.根据权利要求9所述的装置，其特征在于，所述认证模块包括：阈值设置单元；

所述阈值设置单元，计算训练样本集中的fisher系数对应的分类器的相似匹配度，根据所述训练样本集中的fisher系数对应的分类器的相似匹配度确定区间[TF_min，TF_max]，所述TF_min为所述训练样本中fisher系数对应的分类器的相似匹配度的最小值，TF_max为fisher系数对应的分类器的相似匹配度的最大值；

从区间[TF_min，TF_max]中选择预定个数的点，分别计算所述各点的分类错误率；所述分类错误率为被归入错误类别的训练样本数目的总和；

设定所述各点中训练样本分类错误率最低的点的值为所述阈值。

12.根据权利要求11所述的装置，其特征在于，所述系数计算模块，计算待认证目标的费舍尔fisher系数，所述待认证目标包括目标人脸区域和目标双眼区域；

所述输出计算模块，利用查找表分类器分别计算所述目标人脸区域的fisher系数对应的相似匹配度和所述目标双眼区域的fisher系数对应的相似匹配度。

13.根据权利要求12所述的装置，其特征在于，所述认证模块中进一步包括认证单元；

所述认证单元，预先设定目标人脸区域的fisher系数对应的相似匹配度和目标双眼区域的fisher系数对应的相似匹配度各自对应的权值，计算它们加权处理后的结果，将所述加权处理后的结果与所述阈值进行比较得出认证结果。

Images