CN102004899B - 一种人脸认证系统及方法 - Google Patents

Abstract

本发明揭露了一种人脸认证系统，其包括：采集图像序列的图像采集模块；在采集到的图像序列中检测和跟踪人脸并得到多张人脸图像的人脸检测跟踪模块；将得到的多张人脸图像进行平均得到平均人脸图像的平均人脸获取模块；从平均人脸图像中提取人脸特征向量的人脸特征提取模块；为多个合法用户存储有人脸特征向量的人脸特征数据库；人脸认证模块，利用人脸特征数据库中的申明合法用户的人脸特征向量对人脸特征提取模块提供的待认证目标的人脸特征向量进行人脸认证。这样能够减少单张人脸姿态表情对于认证结果的影响。

Description

一种人脸认证系统及方法

【技术领域】

本发明涉及领域人脸处理领域，特别涉及一种人脸认证系统及方法。

【背景技术】

随着当前计算机技术的迅速发展，计算机处理能力得到大幅度的提升；与此同时，模式识别、计算机视觉等领域的相关技术也取得了快速发展，人脸认证作为相关领域研究和应用的热点，在安全、娱乐、人机交互等许多领域都具有重要的实用价值并得到了广泛应用。

人脸认证是人脸识别的一个分支，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。当一个人进行人脸认证时，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。虽然人脸认证对同一个人是一个区分是否是库中所申明身份人的两类分类问题，但是由于库中保存了多个合法用户，因而现有方法需要为每个人训练一个分类模型。

此外，在应用中视频采集的多张人脸一般都具有不同的姿态和表情，而查询数据库里的人脸也具有不同的姿态和表情，如果采用一对一的单张匹配方式，由于光照，姿态和表情的影响会产生比较大的偏差，造成投票方式的不准确。

因此，有必要提出一种改进的人脸认证方案来解决上述问题。

【发明内容】

本发明的目的在于提供一种人脸认证系统和方法，其可以减少人脸姿态表情对于认证结果的影响。

为了达到本发明的目的，根据本发明的一个方面，本发明提供一种人脸认证系统，其包括：采集图像序列的图像采集模块；在采集到的图像序列中检测和跟踪人脸并得到多张人脸图像的人脸检测跟踪模块；将得到的多张人脸图像进行平均得到平均人脸图像的平均人脸获取模块；从平均人脸图像中提取人脸特征向量的人脸特征提取模块；为多个合法用户存储有人脸特征向量的人脸特征数据库；人脸认证模块，利用人脸特征数据库中的申明合法用户的人脸特征向量对人脸特征提取模块提供的待认证目标的人脸特征向量进行人脸认证。

进一步的，其还包括有在得到的多张人脸图像上进行特征点定位的特征点定位模块，所述平均人脸获取模块根据每张人脸图像中定位出的人脸特征点将多张人脸图像对齐并归一化尺寸，求取对齐且尺寸归一化后的多张人脸图像的亮度均值得到平均人脸图像。

进一步的，所述人脸特征向量为LBP直方图特征向量，所述人脸认证模块将人脸特征数据库中的申明合法用户的人脸特征向量与人脸特征提取模块提供的待认证目标的人脸特征向量作差得到人脸特征向量差，采用支持向量机模型对所述人脸特征向量差进行认证，如果待认证目标与申明合法用户为同一人，则认证通过，如果待认证目标与申明合法用户不为同一人，则认证拒绝。

进一步的，所述人脸特征数据库中的合法用户的人脸特征向量为从根据该合法用户的多张人脸图像得到的平均人脸图像中提取的LBP直方图特征向量。

进一步的，所述支持向量机模型系通过训练得到，所述训练过程为：采集M个合法用户的人脸图像，第m个人有N_m张人脸图像，需要满足N_m≥2*N_avg，N_avg为平均人脸数；则从第m个人的N_m张人脸图像中任意选取N_avg张，并从剩余的N_m-N_avg张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并作为正样本特征向量；从M个人中任意取出两个人，假定当前的两个人分别为第p个人和第q个人，从第p个人的N_p张人脸图像中任意选取N_avg张，从第q个人的N_q张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并将所述差值向量作为反样本特征向量；对于上述得到的正样本和反样本特征向量，选择其中分类能力强的前M个作为最终使用的特征向量；对于M个特征向量，采用支持向量机训练人脸认证模型，得到最终的人脸认证模型。

根据本发明的另一个方面，本发明提供一种人脸认证方法，其包括：采集图像序列；在采集到的图像序列中检测和跟踪人脸并得到多张人脸图像；将得到的多张人脸图像进行平均得到平均人脸图像；从平均人脸图像中提取人脸特征向量；人脸特征数据库为多个合法用户存储有人脸特征向量；利用人脸特征数据库中的申明合法用户的人脸特征向量对人脸特征提取模块提供的待认证目标的人脸特征向量进行人脸认证。

进一步的，所述人脸认证方法还包括：在得到的多张人脸图像上进行特征点定位，那么所述将得到的多张人脸图像进行平均得到平均人脸图像包括：根据每张人脸图像中定位出的人脸特征点将多张人脸图像对齐并归一化尺寸，求取对齐且尺寸归一化后的多张人脸图像的亮度均值得到平均人脸图像。

进一步的，所述人脸特征向量为LBP直方图特征向量，那么所述利用人脸特征数据库中的申明合法用户的人脸特征向量对人脸特征提取模块提供的待认证目标的人脸特征向量进行人脸认证包括：将人脸特征数据库中的申明合法用户的人脸特征向量与人脸特征提取模块提供的待认证目标的人脸特征向量作差得到人脸特征向量差，采用支持向量机模型对所述人脸特征向量差进行认证，如果待认证目标与申明合法用户为同一人，则认证通过，如果待认证目标与申明合法用户不为同一人，则认证拒绝。

进一步的，所述人脸特征数据库中的合法用户的人脸特征向量为从根据该合法用户的多张人脸图像得到的平均人脸图像中提取的LBP直方图特征向量。

进一步的，所述支持向量机模型系通过训练得到，所述训练过程为：采集M个合法用户的人脸图像，第m个人有N_m张人脸图像，需要满足N_m≥2*N_avg，N_avg为平均人脸数；则从第m个人的N_m张人脸图像中任意选取N_avg张，并从剩余的N_m-N_avg张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并作为正样本特征向量；从M个人中任意取出两个人，假定当前的两个人分别为第p个人和第q个人，从第p个人的N_p张人脸图像中任意选取N_avg张，从第q个人的N_q张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并将所述差值向量作为反样本特征向量；对于上述得到的正样本和反样本特征向量，选择其中分类能力强的前M个作为最终使用的特征向量；对于M个特征向量，采用支持向量机训练人脸认证模型，得到最终的人脸认证模型。

与现有技术相比，本发明在人脸认证模型的训练、人脸特征向量的提取以及人脸认证过程中均采用不同姿态表情下多张人脸的平均人脸进行处理，这样能够减少单张人脸姿态表情对于认证结果的影响。

【附图说明】

结合参考附图及接下来的详细描述，本发明将更容易理解，其中同样的附图标记对应同样的结构部件，其中：

图1为本发明中人脸认证系统在一个实施例中的结构方框图；

图2为标准人脸模型；和

图3为本发明中人脸认证方法在一个实施例中的方法流程图。

【具体实施方式】

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

请参考图1所示，其示出了本发明中的人脸认证系统100在一个实施例中的结构方框图。所述人脸认证系统100包括图像采集模块110、人脸检测跟踪模块120、特征点定位模块130、平均人脸获取模块140、人脸特征提取模块150、人脸特征数据库160和人脸认证模块150。在训练过程和认证过程中，所述图像采集模块110、人脸检测跟踪模块120、特征点定位模块130、平均人脸获取模块140、人脸特征提取模块150可以共用。

所述图像采集模块110可以用来采集图像序列。在一个实施例中，所述图像采集模块110可以为摄像头，当用户面对摄像头时，所述摄像头可以采集用户的正面人脸图像。

所述人脸检测跟踪模块120可以在采集到的图像序列中进行人脸检测，在检测到人脸时进行人脸跟踪，并最后得到多张人脸图像，这些人脸图像可以被称为待处理人脸图像。在一个实施例中，所述人脸检测跟踪模块120中的人脸检测与跟踪方法包括以下步骤：采用实时人脸检测算法对输入的视频图像进行人脸检测；再采用粗细两级人脸检测算法对检测到的人脸进行检测验证；采用物体跟踪算法跟踪验证后的人脸；通过对跟踪区域的验证对跟踪的人脸进行验证处理。具体的，可以采用2006年6月28日公开的申请号为200510135668.8的专利申请中公开的人脸检测与跟踪方案来实现所述人脸检测跟踪模块120。

所述特征点定位模块130可以对得到的每一张待处理人脸图像中进行特征点定位以得到其内的人脸特征点，比如定位人脸的左眼、右眼和嘴巴等特征点。在一个实施例中，所述特征点定位模块130中的特征点定位方法包括以下步骤：采用预先训练得到的双眼区域检测器，检测得到输入图像上的双眼区域；确定所述双眼区域上的左眼搜索区域和右眼搜索区域；并且，采用左眼局部特征检测器对所述左眼搜索区域进行检测，得到左眼候选位置；采用右眼局部特征检测器对所述右眼搜索区域进行检测，得到右眼候选位置；选择若干左眼候选位置和右眼候选位置进行配对；并且，采用双眼区域验证器对所述若干对左眼候选位置和右眼候选位置进行验证，确定左眼位置和右眼位置。具体的，可以采用2008年4月9日公开的申请号为200710177541.1的专利申请中公开的人脸特征点定位方案来实现所述特征点定位模块130。

所述平均人脸获取模块140根据每张待处理人脸图像中定位出的人脸特征点将多张待处理人脸图像对齐并归一化尺寸，求取对齐且尺寸归一化后的多张待处理人脸图像的亮度均值得到平均人脸图像。在一个实施例中，所述平均人脸获取模块140根据标准人脸模型将每张待处理人脸图像进行对齐，并将每张对齐后的待处理人脸图像分割缩放到归一化大小。下面介绍有关所述平均人脸获取模块140的一种具体实现方式。

图2是出了一种标准人脸模型，对于标准人脸模型，标定该图像中左眼中心点(x_sle，y_sle)，右眼中心点(x_sre，y_sre)的位置，根据上述左眼中心点和右眼中心点定义人脸区域为以点(x_sc，y_sc)为中心、宽度为W_f的正方形区域。对于待处理人脸图像，定位得到的左眼中心点(x_le，y_le)和右眼中心点(x_re，y_re)。为了能够得到对齐后的当前待处理人脸图像，需要找到使得标准人脸特征点经过该彷射变换后得到的位置最接近当前待处理人脸图像中的特征点位置，下面将推导变换的数学模型。

假设标准人脸模型上的某特征点为(x，y)，经过仿射变换到当前待处理人脸图像上对应特征点为(x′，y′)，可以表示为下式：

$\left(\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right)=\left(\begin{array}{cc}s\cos \mathrm{\θ}& -s\sin \mathrm{\θ}\\ s\sin \mathrm{\θ}& s\cos \mathrm{\θ}\end{array}\right)\·\left(\begin{array}{c}x\\ y\end{array}\right)+\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)=\left(\begin{array}{ccc}c& -d& t_x\\ d& c& t_y\end{array}\right)\·\left(\begin{array}{c}x\\ y\\ 1\end{array}\right)---\left(1\right)$

当采用左眼中心点和右眼中心点作为特征点时，上式可以进一步写成：

$\left(\begin{array}{cccc}{x}_{\mathrm{sle}}& {-y}_{\mathrm{sle}}& 1& 0\\ y_{\mathrm{sle}}& x_{\mathrm{le}}& 0& 1\\ x_{\mathrm{sre}}& {-y}_{\mathrm{sre}}& 1& 0\\ y_{\mathrm{sre}}& x_{\mathrm{sre}}& 0& 1\end{array}\right)\left(\begin{array}{c}c\\ d\\ t_x\\ t_y\end{array}\right)=\left(\begin{array}{c}{x}_{\mathrm{le}}\\ y_{\mathrm{le}}\\ x_{\mathrm{re}}\\ y_{\mathrm{re}}\end{array}\right)---\left(2\right)$

记M＝(c d t_x t_y)^T，

当x_le≠x_re或者y_le≠y_re时，A必然为可逆矩阵，则存在：

M＝A^-1B            (3)

对于标准人脸模型中定义的人脸区域，对于该区域中的每一点，根据式(3)得到其在待处理人脸图像上的对应点坐标，采用该点像素亮度作为标准人脸模型中的人脸区域中该点像素亮度，从而得到一副人脸图像，该图像为当前待处理人脸图像对齐后的人脸图像。将上述图像归一化到宽度为W_f，高度为H_f的固定尺度的标准人脸模型的尺度。

假定得到N张待处理人脸图像，采用上述方式分别得到对齐并归一化大小后的待处理人脸图像分别为F₁，F₂，...F_N，则得到平均人脸图像为：

其中F_t(i，j)表示第t幅图像第(i，j)像素的亮度值。

平均会降低图像采集过程中，由于姿态表情光照引起的照片间的个性化差异，同时保留主体人本身的脸部特征。因而，平均人脸能够一定程度上克服光照表情姿态变化对于认证结果的影响。

所述人脸特征提取模块150可以从平均人脸图像中提取人脸特征向量。在一个实施例中，所述人脸特征向量为LBP直方图特征向量，采用LBP(Localbinary pattern，局部二值模式)特征作为基本识别特征，该特征通过对像素与邻域像素的大小关系进行编码，获得图像区域的纹理特征。LBP在纹理识别和人脸识别应用中取得了较好的效果。在一个具体实施例中，人脸特征提取模块150提取局部二值模式(LBP，Local Binary Pattern)直方图特征的具体步骤如下：

假定图像中像素坐标为(j，i)的点对应的亮度为l_j，i，以点(j，i)为中心取3x3邻域，则各点像素亮度如下：

定义点(j，i)的LBP特征如公式(4)所示：

$\mathrm{LBP}(j,i)=\underset{0\≤n\≤2;0\≤m\≤2}{\mathrm{\Σ}}B(j,i,n,m)*2^{m*3+n}---\left(4\right)$

其中， $B(j,i,n,m)=\left\{\begin{array}{cc}1& \mathrm{ifl}(j+n-1,i+m-1)\≥l(j,i)\\ 0& \mathrm{else}\end{array}\right..$

则对于人脸图像上的某个矩形区域而言，计算矩形区域上LBP直方图的方法如下：

假设矩形区域为R(l，t，r，b)，其在人脸图像上的四个方向边缘坐标分别为左边缘横坐标l，上边缘纵坐标t，右边缘横坐标r，下边缘纵坐标b。

其中

N为LBP特征的最大取值数。对于3x3邻域而言，为256。

获取LBP特征的直方图的方法除了上述方法外，更好的方式是采用基于一致性LBP(Uniform LBP)的方法，具体定义请参考相关文献，这里不再赘述。一致性LBP方法相对普通LBP的优点是，采用较少的特征，保持了大部分的信息，使得特征表示更加有效率。而且，从技术上讲，由于降低了特征数目，在进行直方图表示时，使得较小的图像区域就也能够提取LBP直方图特征。

定义LBP直方图特征向量为，在人脸图像上设计不同位置的矩形框，并在各矩形框上求取LBP直方图，将上述LBP直方图按顺序首位相接，组成一个人脸图像的LBP直方图特征向量。

所述人脸特征数据库160为多个合法用户存储有人脸特征向量。在一个实施例中，所述人脸特征数据库160中的合法用户的人脸特征向量为从根据该合法用户的多张人脸图像得到的平均人脸图像中提取的LBP直方图特征向量。在具体实现时，假定采集到一合法用户的共N_e张人脸图像，利用平均人脸获取模块140可以提取上述N_e张人脸的平均人脸，利用所述人脸特征提取模块150提取选择得到的M维LBP直方图特征向量，并加入人脸特征数据库160中。

所述人脸认证模块170将人脸特征数据库160中的申明合法用户的人脸特征向量与人脸特征提取模块150提供的待认证目标(待认证用户)的人脸特征向量作差得到人脸特征向量差，采用支持向量机模型(support vectormachine Model，SVM)对所述人脸特征向量差进行认证，如果待认证目标与申明合法用户为同一人，则认证通过，如果待认证目标与申明合法用户不为同一人，则认证拒绝。

所述支持向量机模型系通过事先训练得到。在一个实施例中，所述支持向量机模型的训练过程如下。采集多个合法用户的人脸图像，假定存在M个人，第m个人有N_m张人脸图像，假定平均人脸数为N_avg，需要满足N_m≥2*N_avg。

则从第m个人的N_m张人脸图像中任意选取N_avg张，并从剩余的N_m-N_avg张图像中任意选取N_avg，共得到

个组合，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，共得到个独立的平均人脸差值向量；上述差值向量作为正样本特征向量。

从上述M个人中任意取出两个，得到

个组合。假定选取的两个人分别为第p个人和第q个人，从第p个人的N_p张人脸图像中任意选取N_avg张，从第q个人的N_q张图像中任意选取N_avg，共得到

个组合，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，共得到

个独立的平均人脸差值图像；上述差值向量作为反样本特征向量。

对于上述得到的正样本和反样本特征向量，采用adaboost选择算法，选择其中分类能力强的前M个作为最终使用的特征向量。然后，对上述M个特征向量，采用支持向量机(SVM)训练人脸认证模型，得到最终的认证模型。该模型能够识别两幅图像的LBP直方图特征向量的差值是否来自同一个人。上述采用特征选择方式，减少了特征，同时，挑选出表示能力强的特征，因而提高了最终分类器的分类能力。

此外，直观上看，上述的差值向量，每个位置差值的大小反应了两幅人脸的差异。差值越小，则二者的差异应该越小，因而采用线性SVM模型就能够得到较好的分类效果。

在一个进一步的实施例中，可以采用姿态判定和表情识别的方式，在特征入人脸特征数据库和人脸认证过程中，从采集的人脸中选择其中姿态最正面，表情最中性的N_avg张人脸求取均值人脸并提取特征，进行认证。

综上所述，采用平均脸，能够减少单张人脸姿态表情对于识别结果的影响，进一步，采用adaboost选择过的LBP直方图特征，并采用支持向量机分类器，提高了识别结果。进一步，对姿态表情进行限定，挑选接近正面和中性表情的人脸，用来识别，提高了识别精度。

请参考图3所示，其示出了本发明中的人脸认证方法300在一个实施例中的结构方框图。所述人脸认证方法300包括如下步骤。

步骤310，采集图像序列。

步骤320，在采集到的图像序列中进行人脸检测，在检测到人脸时进行人脸跟踪，并最后得到多张人脸图像，这些人脸图像可以被称为待处理人脸图像。

步骤330，对得到的每一张待处理人脸图像中进行特征点定位以得到其内的人脸特征点。

步骤340，根据每张待处理人脸图像中定位出的人脸特征点将多张待处理人脸图像对齐并归一化尺寸，求取对齐且尺寸归一化后的多张待处理人脸图像的亮度均值得到平均人脸图像。在一个实施例中，根据标准人脸模型将每张待处理人脸图像进行对齐，并将每张对齐后的待处理人脸图像分割缩放到归一化大小。具体实现参见系统100的相应描述。

步骤350，从平均人脸图像中提取人脸特征向量。在一个实施例中，所述人脸特征向量为LBP直方图特征向量，采用LBP(Local binary pattern，局部二值模式)特征作为基本识别特征。具体的局部二值模式直方图特征的提取方案请参考系统100的相应描述。

所述人脸特征数据库为多个合法用户存储有人脸特征向量。在一个实施例中，所述人脸特征数据库中的合法用户的人脸特征向量为从根据该合法用户的多张人脸图像得到的平均人脸图像中提取的LBP直方图特征向量。

步骤360，将人脸特征数据库中的申明合法用户的人脸特征向量与待认证目标(待认证用户)的人脸特征向量作差得到人脸特征向量差，采用支持向量机模型(support vector machine Model，SVM)对所述人脸特征向量差进行认证，如果待认证目标与申明合法用户为同一人，则认证通过，如果待认证目标与申明合法用户不为同一人，则认证拒绝。

所述支持向量机模型系通过事先训练得到，具体训练过程请参考系统100的相应描述。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于所述具体实施方式。

Claims (4)

1.一种人脸认证系统，其特征在于，其包括：

采集图像序列的图像采集模块；

在采集到的图像序列中检测和跟踪人脸并得到多张人脸图像的人脸检测跟踪模块；

将得到的多张人脸图像进行平均得到平均人脸图像的平均人脸获取模块；

从平均人脸图像中提取人脸特征向量的人脸特征提取模块；

为多个合法用户存储有人脸特征向量的人脸特征数据库；

人脸认证模块，利用人脸特征数据库中的申明合法用户的人脸特征向量对人脸特征提取模块提供的待认证目标的人脸特征向量进行人脸认证，

所述人脸特征向量为LBP直方图特征向量，

所述人脸认证模块将人脸特征数据库中的申明合法用户的人脸特征向量与人脸特征提取模块提供的待认证目标的人脸特征向量作差得到人脸特征向量差，采用支持向量机模型对所述人脸特征向量差进行认证，如果待认证目标与申明合法用户为同一人，则认证通过，如果待认证目标与申明合法用户不为同一人，则认证拒绝，

所述人脸特征数据库中的合法用户的人脸特征向量为从根据该合法用户的多张人脸图像得到的平均人脸图像中提取的LBP直方图特征向量，

所述支持向量机模型系通过训练得到，所述训练过程为：

采集M个合法用户的人脸图像，第m个人有N_m张人脸图像，需要满足N_m≥2*N_avg，N_avg为平均人脸数；

则从第m个人的N_m张人脸图像中任意选取N_avg张，并从剩余的N_m-N_avg张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并作为正样本特征向量；

从M个人中任意取出两个人，假定当前的两个人分别为第p个人和第q个人，从第p个人的N_p张人脸图像中任意选取N_avg张，从第q个人的N_q张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并将所述差值向量作为反样本特征向量；

对于上述得到的正样本和反样本特征向量，选择其中分类能力强的前M个作为最终使用的特征向量；

对于M个特征向量，采用支持向量机训练人脸认证模型，得到最终的人脸认证模型。

2.根据权利要求1所述的人脸认证系统，其特征在于，其还包括有在得到的多张人脸图像上进行特征点定位的特征点定位模块，

所述平均人脸获取模块根据每张人脸图像中定位出的人脸特征点将多张人脸图像对齐并归一化尺寸，求取对齐且尺寸归一化后的多张人脸图像的亮度均值得到平均人脸图像。

3.一种人脸认证方法，其特征在于，其包括：

采集图像序列；

在采集到的图像序列中检测和跟踪人脸并得到多张人脸图像；

将得到的多张人脸图像进行平均得到平均人脸图像；

从平均人脸图像中提取人脸特征向量；

利用人脸特征数据库中的申明合法用户的人脸特征向量对待认证目标的人脸特征向量进行人脸认证，其中人脸特征数据库为多个合法用户存储有人脸特征向量，

所述人脸特征向量为LBP直方图特征向量，

所述利用人脸特征数据库中的申明合法用户的人脸特征向量对人脸特征提取模块提供的待认证目标的人脸特征向量进行人脸认证包括：

将人脸特征数据库中的申明合法用户的人脸特征向量与人脸特征提取模块提供的待认证目标的人脸特征向量作差得到人脸特征向量差，采用支持向量机模型对所述人脸特征向量差进行认证，如果待认证目标与申明合法用户为同一人，则认证通过，如果待认证目标与申明合法用户不为同一人，则认证拒绝，

所述人脸特征数据库中的合法用户的人脸特征向量为从根据该合法用户的多张人脸图像得到的平均人脸图像中提取的LBP直方图特征向量，

所述支持向量机模型系通过训练得到，所述训练过程为：

采集M个合法用户的人脸图像，第m个人有N_m张人脸图像，需要满足N_m≥2*N_avg，N_avg为平均人脸数；

则从第m个人的N_m张人脸图像中任意选取N_avg张，并从剩余的N_m-N_avg张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并作为正样本特征向量；

从M个人中任意取出两个人，假定当前的两个人分别为第p个人和第q个人，从第p个人的N_p张人脸图像中任意选取N_avg张，从第q个人的N_q张图像中任意选取N_avg张，对齐归一化后分别求取平均人脸，并计算平均人脸的LBP直方图特征向量的差值，并将所述差值向量作为反样本特征向量；

对于上述得到的正样本和反样本特征向量，选择其中分类能力强的前M个作为最终使用的特征向量；

对于M个特征向量，采用支持向量机训练人脸认证模型，得到最终的人脸认证模型。

4.根据权利要求3所述的人脸认证方法，其特征在于，其还包括：在得到的多张人脸图像上进行特征点定位，

所述将得到的多张人脸图像进行平均得到平均人脸图像包括：根据每张人脸图像中定位出的人脸特征点将多张人脸图像对齐并归一化尺寸，求取对齐且尺寸归一化后的多张人脸图像的亮度均值得到平均人脸图像。

Images