CN102129574B - 一种人脸认证方法及系统 - Google Patents

Abstract

本发明提供了一种人脸认证方法，包括：将采集用户的多个人脸样本图像按照类内离散度分为k组，所述k≥2；针对每组人脸样本图像分别训练分类器。本发明可以在改变松紧级别时，可以自动选择合适的分类器进行人脸认证，不需要重新训练分类器，使认证速度和认证准确率满足应用需求，提高认证系统的适应能力，使系统应用更加灵活。

Description

一种人脸认证方法及系统

技术领域

本发明涉及于模式识别技术领域，特别是涉及一种人脸认证方法及一种人脸认证系统。

背景技术

基于生物特征的身份鉴别技术在社会生活中具有越来越重要的地位和作用。在多种生物认证方法中，基于人面部特征的识别和认证因为具有无侵犯性、成本低、隐蔽性好、不需要被测者特殊配合等优点，得到广泛的关注和重视，具有广泛的应用前景。

人脸认证特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，在智能人机交互、智能视频监控、自动门禁、人脸登录等各领域有着重要的实用价值。人脸认证是人脸识别的一个分支，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。

对于人脸认证系统，用户的期望是认证速度快、认证率高，误认率低，最好是符合用户身份信息的能快速通过，不符合用户身份信息的无论如何都通不过。但是，在实际应用中，可能存在符合用户身份信息的人很长时间未通过认证，而不符合用户身份信息的、冒充的人能轻易通过认证的问题，由于人脸识别是基于模式分类的应用，所以这种现象往往不可避免，只能尽量降低这些问题出现的概率。同时，由于不同用户人脸认证的应用环境不同，比如，有的用户长得与众不同，被冒充的概率非常小，这部分用户则希望能降低认证通过的门槛，以快速通过认证。或者，有的用户只是在公共场所使用人脸认证的门禁，这部分用户往往也希望能降低认证通过的门槛，快速通过认证；或者，有的用户是在私人场所或财物保管地进行人脸认证，这部分用户则对安全要求特别高，要求认证非常严格，即使多花时间也不能让冒充者通过。

这种用户对人脸认证的需求可以归纳为对人脸认证松紧程度的要求，可以看出，不同用户对人脸认证的松紧程度的要求是不同的。公知的是，人脸认证是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，而现有的人脸认证方法，通常都是针对每一个用户建立单一的分类器模型，如果要满足松紧程度控制的要求，则只能通过改变识别通过的条件来进行，例如，在用户需要较高的人脸认证级别时，就将分类器的相似度匹配值调高，如调整为需要90％相似；在用户需要较低的人脸认证级别时，就将分类器的相似度匹配值调低，如调整为需要60％相似；然后这种简单改变识别通过条件的处理方式在使用时存在许多问题，如在放宽认证条件时，使得冒充的人也很容易通过认证；而在收紧认证条件时，使得符合身份的用户无法通过认证等。

因而，目前需要本领域技术人员迫切解决的一个技术问题就是：如何能够创新地提出一种人脸认证的机制，用以在改变松紧级别时，可以自动选择合适的分类器进行人脸认证，不需要重新训练分类器，使认证速度和认证准确率满足应用需求，提高认证系统的适应能力，使系统应用更加灵活。

发明内容

本发明所要解决的技术问题是提供一种人脸认证的方法及系统，用以在改变松紧级别时，可以自动选择合适的分类器进行人脸认证，不需要重新训练分类器，使认证速度和认证准确率满足应用需求，提高认证系统的适应能力，使系统应用更加灵活。

为了解决上述技术问题，本发明实施例公开了一种人脸认证方法，包括：

将采集用户的多个人脸样本图像按照类内离散度分为k组，所述k≥2；

针对每组人脸样本图像分别训练分类器。

优选的，所述人脸样本图像按照类内离散度分组的步骤包括：

计算人脸样本图像的类内离散度；

若所述类内离散度小于预置的离散度阈值，则按照所述类内离散度从小到大将所述人脸样本图像分为k组；

所述针对每组人脸样本图像训练的分类器为k个。

优选的，所述人脸样本图像按照类内离散度分组的步骤还包括：

若所述类内离散度大于预置的离散度阈值，则对所述人脸样本图像进行自组织聚类；

经聚类后舍去人脸样本图像数目小于预设最小样本数目的类别，获得h类人脸样本图像，所述h≥1；

针对每类人脸样本图像按照所述类内离散度从小到大将所述人脸样本图像分为k组；

所述针对每组人脸样本图像训练的分类器为h*k个。

优选的，所述人脸样本图像通过以下步骤获得：

采集用户不同条件下的多幅人脸图像，所述人脸图像数量大于10；

提取所述人脸图像的样本特征；

确定并去除所述样本特征中的野值样本特征，获得人脸样本图像。

优选的，所述确定并去除人脸图像中野值样本特征的步骤包括：

若获得N个样本特征y_i，则所述样本特征的均值m可以通过公式获得，样本特征的方差E可以通过公式获得；所述样本特征满足n倍方差范围，所述n为2或3；

若计算获得(y_i-m)²＞n*E²，则判定样本特征y_i为野值样本特征，则进行去除。

优选的，所述类内离散度S通过以下公式计算获得：

$S=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-m)}^2.$

优选的，所述的方法还包括：

根据训练获得的每一个分类器Ci，分别设置对应的一个松紧度级别i；

以及，

根据预设的松紧度级别i，采用第i个分类器Ci进行用户的人脸识别。

优选的，所述的方法还包括：

根据训练获得的每一组的h个分类器Ci，分别设置对应的一个松紧度级别i；所述h为大于或等于2的正整数；

以及，

根据预设的松紧度级别i，采用第i组分类器Ci进行用户的人脸识别。

本发明实施例还公开了一种人脸认证系统，包括：

人脸样本图像分组模块，用于将采集用户的多个人脸样本图像按照类内离散度分组分为k组，所述k≥2；

分类器训练模块，用于针对每组人脸样本图像分别训练分类器。

优选的，所述人脸样本图像分组模块包括：

类内离散度计算子模块，用于计算人脸样本图像的类内离散度；

第一分组子模块，用于在所述类内离散度小于预置的离散度阈值时，按照所述类内离散度从小到大将所述人脸样本图像分为k组。

优选的，所述人脸样本图像分组模块还包括：

聚类子模块，用于在所述类内离散度大于预置的离散度阈值时，对所述人脸样本图像进行自组织聚类；

去除子模块，用于在经聚类后舍去人脸样本图像数目小于预设最小样本数目的类别，获得h类人脸样本图像，所述h≥1；

第二分组子模块，用于针对每类人脸样本图像按照所述类内离散度从小到大将所述人脸样本图像分为k组。

优选的，所述的系统还包括：

人脸图像采集模块，用于采集用户不同条件下的多幅人脸图像，所述人脸图像数量大于10；

特征提取模块，用于提取所述人脸图像的样本特征；

野值样本去除模块，用于确定并去除所述样本特征中的野值样本特征，获得人脸样本图像。

优选的，所述的系统还包括：

第一级别设置模块，用于根据训练获得的每一个分类器Ci，分别设置对应的一个松紧度级别i；

以及，

第一人脸识别模块，用于根据预设的松紧度级别i，采用第i个分类器Ci进行用户的人脸识别。

优选的，所述的系统还包括：

第二级别设置模块，用于根据训练获得的每一组的h个分类器Ci，分别设置对应的一个松紧度级别i；所述h为大于或等于2的正整数；

第二人脸识别模块，用于根据预设的松紧度级别i，采用第i组分类器Ci进行用户的人脸识别。

与现有技术相比，本发明具有以下优点：

本发明实施例通过训练多个按照松紧级别分级的分类器，而不是直接收紧或放松认证条件，在改变松紧级别时，可以自动选择合适的分类器进行人脸认证，不需要重新训练分类器，使认证速度和认证准确率满足应用需求，提高认证系统的适应能力，使系统应用更加灵活。

附图说明

图1是本发明一种人脸认证方法实施例1的流程图；

图2是本发明一种人脸认证方法实施例2的流程图；

图3是本发明一种人脸认证系统实施例的结构框图。

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。

参考图1，示出了本发明一种人脸认证方法实施例1的流程图，具体可以包括：

步骤101、将采集用户的多个人脸样本图像按照类内离散度分组分为m组，所述m≥2；

步骤102、针对每组人脸样本图像分别训练分类器。

本发明实施例把人脸识别的应用按照实际应用需求分成不同的级别。针对不同的应用，选择不同的级别，同时，在一个应用中只有一个级别，不会多个级别共存。

在本发明的一种优选实施例中，所述步骤101可以包括以下子步骤：

子步骤S11、计算人脸样本图像的类内离散度；

子步骤S12、若所述类内离散度小于预置的离散度阈值，则按照所述类内离散度从小到大将所述人脸样本图像分为m组。

在具体应用中，本实施例还可以包括以下步骤：

根据训练获得的每一个分类器i，分别设置对应的一个松紧度级别i；

以及，

根据预设的松紧度级别i，采用第i个分类器Ci进行用户的人脸识别。

更为优选的是，所述步骤101还可以包括以下子步骤：

子步骤S13、若所述类内离散度大于预置的离散度阈值，则对所述人脸样本图像进行自组织聚类；

子步骤S14、经聚类后舍去人脸样本图像数目小于预设最小样本数目的类别，获得n类人脸样本图像，所述n≥1；

子步骤S15、针对每类人脸样本图像按照所述类内离散度从小到大将所述人脸样本图像分为m组。

在具体应用中，本实施例还可以包括以下步骤：

根据训练获得的每一组的h个分类器Ci，分别设置对应的一个松紧度级别i；所述h为大于或等于2的正整数；

以及，

根据预设的松紧度级别i，采用第i组分类器Ci进行用户的人脸识别。

参考图2，示出了本发明的一种人脸认证方法实施例2的流程图，具体可以包括：

步骤201、采集用户不同条件下的多幅人脸图像，所述人脸图像数量大于10；

在具体实现中，所述用户的人脸图像可以包括正样本图像和反样本图像。正样本图像的获取可以通过视频图像采集或者照片等图像输入，其中通过视频采集更方便。通过视频采集正样本图像时，为了满足用户要求，采集用户可能出现的各种条件下的多个样本，如正面均匀光照下的正面中性表情人脸图像，存在姿态变化和表情变化的人脸图像，简单光照变化的人脸图像等。这与目前已有的技术是不同，目前已有的技术多是在采集过程中按照人脸定位结果采集，采集满足定位要求的n幅人脸图像，通常n＜10。在本发明的方案中，采集的正样本图像数目很高，通常在几十到几百幅。就采集时间而言，虽然已有的采集数目少，但是对人脸的相似度要求高，因此采集的速度反而慢，并且要是使用者专门配合。而本发明的方案虽然采集的数目多，可是对图像质量的要求低，采集的速度反而更快。

步骤202、提取所述人脸图像的样本特征；

特征提取的目的是从图像空间变换到特征空间。对于人脸识别，每个人脸图像是一个二维矩阵，如宽为w高为h的人脸图像，是w*h维空间的一个点。由于人脸上存在很多冗余信息和非鉴别信息，如果利用人脸的原始图像进行识别，将会由于冗余信息和非鉴别信息的存在降低识别率，同时，人脸图像通常维数很高，如上万维，在如此高维的空间内进行运算是很困难的。因此，通常的人脸识别都是将人脸图像由图像空间变换到特征空间后进行的，这个变换有两个目的：去除冗余信息和降维。常用的方法有PCA(主分量分析)、Gabor+AdaBoost的方法、直方图等方法。

例如：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3×3邻域，则各点像素亮度如下：定义点(j，i)的LBP特征的计算公式为：

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

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

或者，假设矩形区域为R(l，t，r，b)，其在有效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，则LBP直方图特征可以通过以下公式计算获得：

$H_l=\underset{t\≤j\≤b,l\≤i\≤r}{\mathrm{\Σ}}I(\mathrm{LBP}(j,i)==l),l=0,...,N-1,$

其中N为LBP特征的最大取值数，对于3×3邻域而言，为N＝2^3x3-1＝2⁸。

或者，还可以首先计算样本灰度图像的Gabor特征，得到样本的一个尺度，一个方向的gabor特征，然后，计算Gabor特征图像上的LBP特征，

经过特征提取，人脸图像由图像空间变换到特征空间。对于给定的若干幅人脸图像，其在图像空间的分布，与其经过特征提取后在特征空间的分布可能是很不相同的。比如，三维空间的样本位置分别为(1，1，0)和(1，1，10)，则它们在三维空间的距离是10，如果将它们应设到前两维组成的二维特征空间，则它们在特征空间的位置都是(1，1)，他们在特征空间将不再具有可分性。

特征提取的方法确定后，正反样本在特征空间的分布情况就确定了，训练分界面的过程就是跟均正反样本的位置找出合适的分界面的过程。由于相同的人脸样本在不同的特征空间的分布可能不同，也使得特征的种类也会影响到训练时间。如果特征的可分性强，则训练时间可能会比较短，反正，训练时间可能比较长。对于一个人脸识别系统而言，其特征空间确定后通常不会再发生变化。如果改变特征空间，所有相关的训练都需要重新进行。

人脸分类和识别都是在特征空间进行的，因此，从图像空间到特征空间的映射应使得同类样本的距离减小，不同类的样本之间的距离增加，从而增加样本之间的可分性。

步骤203、确定并去除所述样本特征中的野值样本特征，获得人脸样本图像；

由于采集的样本特征的数目很大，采集时对用户的限制很少，可能使得完全不能识别的样本特征被采集近来，这种与多数样本相似性小、距离远的样本成为野值样本。如果在训练中存在野值样本，会使得训练得到的分类器不满足期望要求。

在本发明的一种优选应用示例中，可以通过以下子步骤确定并去除野值样本特征：

子步骤S21、若获得N个样本特征y_i，则所述样本特征的均值m可以通过公式获得，样本特征的方差E可以通过公式获得；所述样本特征满足n倍方差范围，所述n为2或3；

子步骤S22、若计算获得(y_i-m)²＞n*E²，则判定样本特征y_i为野值样本特征，则进行去除。

上述过程可以依据实际情况进行迭代。

步骤204、将采集用户的多个人脸样本图像按照类内离散度分组分为k组，所述k≥2；

去除野值样本后，计算正样本的类内离散度，如果离散度的值较小，说明正样本特征比较集中，如果离散度的值较大，说明正样本特征比较分散。

所述类内离散度可以通过以下公式计算获得：

$S=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-m)}^2$

设离散度阈值为S_th。

如果S＜S_th，即离散度较小的情况，按照离散度从小到大将正样本特征分成k组，其中后一组的样本中包含前面几组中的样本特征。组数k由系统设定，为固定值，通常取k＝3。

如果S＞S_th，即离散度较大的正样本特征情况，先对样本特征进行自组织聚类，聚类的准则是在类别数尽可能小的情况下，使每类的类内离散度小于S_th。聚类的方法可以采用ISODATA的方法或现有技术中任一种聚类方法。聚类后舍去样本特征数目小于设定的最小样本特征数目的类别，最后得到h类样本特征。

对每类样本特征分别按离散度从小到大分成k组。则经过分组后，正样本特征分成h类，每类又分成了k组。

例如，设有正样本特征若干个，设其满足S＜Sth，即离散度较小。计算其均值作为中心，以r为半径，以小尺度d改变r，进行迭代计算。r的初值r0可以通过经验设定，也可以采用样本间距平均的1/l，1＞＝1。每次确定r后，更新此范围内的样本均值作为中心。计算此范围内的样本的离散度，当某个离散度达到要求时，认为此范围内的样本为一组。依此类推，直到获得m组样本。

对于S＞Sth的情况，先将样本分成n类，使每类的S＜Sth，再对每一类样本按类散度分组。

步骤205、针对每组人脸样本图像分别训练分类器。

对每组正样本特征和反样本特征分别训练分类器，分类器的个数为h*k，其中每个分类器的正样本是该类正样本中包含类内离散度较小的所有正样本，反样本为实现选择好的反样本。经过训练后，得到h类分类器，每类有k个。每类的第i个分类器对应松紧度级别i。

在人脸识别过程中，当给定松紧级别i时，利用n类分类器中每类的第i个分类器进行识别。

本发明实施例通过为每个松紧级别分别训练分类器，而不是直接收紧或放松认证条件，在改变松紧级别时，改变正样本的认证速度和通过率，改变对正样本通过的要求，使系统应用更加灵活。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

参考图3，示出了本发明的一种人脸认证系统实施例的结构框图，具体可以包括：

人脸样本图像分组模块34，用于将采集用户的多个人脸样本图像按照类内离散度分组分为k组，所述k≥2；

分类器训练模块35，用于针对每组人脸样本图像分别训练分类器。

在本发明的一种优选实施例中，所述人脸样本图像分组模块可以包括以下子模块：

类内离散度计算子模块，用于计算人脸样本图像的类内离散度；

第一分组子模块，用于在所述类内离散度小于预置的离散度阈值时，按照所述类内离散度从小到大将所述人脸样本图像分为k组。

在具体应用中，本实施例还可以包括以下模块：

第一级别设置模块，用于根据训练获得的每一个分类器i，分别设置对应的一个松紧度级别i；

以及，

第一人脸识别模块，用于根据预设的松紧度级别i，采用第i个分类器进行用户的人脸识别。

更为优选的是，所述人脸样本图像分组模块还可以包括以下子模块：

聚类子模块，用于在所述类内离散度大于预置的离散度阈值时，对所述人脸样本图像进行自组织聚类；

去除子模块，用于在经聚类后舍去人脸样本图像数目小于预设最小样本数目的类别，获得h类人脸样本图像，所述h≥1；

第二分组子模块，用于针对每类人脸样本图像按照所述类内离散度从小到大将所述人脸样本图像分为k组。

在具体应用中，本实施例还可以包括以下模块：

第二级别设置模块，用于根据训练获得的每一组的h个分类器Ci，分别设置对应的一个松紧度级别i；所述h为大于或等于2的正整数；

第二人脸识别模块，用于根据预设的松紧度级别i，采用第i组分类器Ci进行用户的人脸识别。作为一种具体实现的示例，本发明实施例还可以包括：

人脸图像采集模块31，用于采集用户不同条件下的多幅人脸图像，所述人脸图像数量大于10；

特征提取模块32，用于提取所述人脸图像的样本特征；

野值样本去除模块33，用于确定并去除所述样本特征中的野值样本特征，获得人脸样本图像。

更为优选的是，本发明实施例还可以包括：

级别设置模块36，用于根据训练获得的每一个分类器i，分别设置对应的松紧度级别i。

在人脸识别的应用中，本发明实施例还可以包括：

人脸识别模块37，用于根据预设的松紧度级别i，采用第i个分类器进行用户的人脸识别。

对于系统实施例而言，由于其与前述方法实施例基本相似，所以描述的比较简单，相关之处参见系统实施例的部分说明即可。

以上对本发明所提供的一种人脸认证方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种人脸认证方法，其特征在于，包括：

将采集用户的多个人脸样本图像按照类内离散度分为k组，所述k≥2；

针对每组人脸样本图像分别训练分类器；

根据训练获得的每一个分类器Ci，分别设置对应的一个松紧度级别i；

根据预设的松紧度级别i，采用第i个分类器Ci进行用户的人脸识别。

2.如权利要求1所述的方法，其特征在于，所述人脸样本图像按照类内离散度分组的步骤包括：

计算人脸样本图像的类内离散度；

若所述类内离散度小于预置的离散度阈值，则按照所述类内离散度从小到大将所述人脸样本图像分为k组；

所述针对每组人脸样本图像训练的分类器为k个。

3.如权利要求2所述的方法，其特征在于，所述人脸样本图像按照类内离散度分组的步骤还包括：

若所述类内离散度大于预置的离散度阈值，则对所述人脸样本图像进行自组织聚类；

经聚类后舍去人脸样本图像数目小于预设最小样本数目的类别，获得h类人脸样本图像，所述h≥2；

针对每类人脸样本图像按照所述类内离散度从小到大将所述人脸样本图像分为k组；

所述针对每组人脸样本图像训练的分类器为h*k个。

4.如权利要求2或3所述的方法，其特征在于，所述人脸样本图像通过以下步骤获得：

采集用户不同条件下的多幅人脸图像，所述人脸图像数量大于10；

提取所述人脸图像的样本特征；

确定并去除所述样本特征中的野值样本特征，获得人脸样本图像。

5.如权利要求4所述的方法，其特征在于，所述确定并去除人脸图像中野值样本特征的步骤包括：

若获得N个样本特征y_i，则所述样本特征的均值m可以通过公式获得，

样本特征的方差E可以通过公式获得；

所述样本特征满足n倍方差范围，所述n为2或3；

若计算获得(y_i-m)²＞n*E²，则判定样本特征y_i为野值样本特征，则进行去除。

6.如权利要求5所述的方法，其特征在于，所述类内离散度S通过以下公式计算获得：

$S=\underset{i=1}{\overset{N}{\Σ}}{(y_i-m)}^2.$

7.如权利要求3所述的方法，其特征在于，还包括：

根据训练获得的每一组的h个分类器Ci，分别设置对应的一个松紧度级别i；所述h为大于或等于2的正整数；

以及，根据预设的松紧度级别i，采用第i组分类器Ci进行用户的人脸识别。

8.一种人脸认证系统，其特征在于，包括：

人脸样本图像分组模块，用于将采集用户的多个人脸样本图像按照类内离散度分组分为k组，所述k≥2；

分类器训练模块，用于针对每组人脸样本图像分别训练分类器；

第一级别设置模块，用于根据训练获得的每一个分类器Ci，分别设置对应的一个松紧度级别i；

第一人脸识别模块，用于根据预设的松紧度级别i，采用第i个分类器Ci进行用户的人脸识别。

9.如权利要求8所述的系统，其特征在于，所述人脸样本图像分组模块包括：

类内离散度计算子模块，用于计算人脸样本图像的类内离散度；

第一分组子模块，用于在所述类内离散度小于预置的离散度阈值时，按照所述类内离散度从小到大将所述人脸样本图像分为k组。

10.如权利要求9所述的系统，其特征在于，所述人脸样本图像分组模块还包括：

聚类子模块，用于在所述类内离散度大于预置的离散度阈值时，对所述人脸样本图像进行自组织聚类；

去除子模块，用于在经聚类后舍去人脸样本图像数目小于预设最小样本数目的类别，获得h类人脸样本图像，所述h≥2；

第二分组子模块，用于针对每类人脸样本图像按照所述类内离散度从小到大将所述人脸样本图像分为k组。

11.如权利要求9或10所述的系统，其特征在于，还包括：

人脸图像采集模块，用于采集用户不同条件下的多幅人脸图像，所述人脸图像数量大于10；

特征提取模块，用于提取所述人脸图像的样本特征；

野值样本去除模块，用于确定并去除所述样本特征中的野值样本特征，获得人脸样本图像。

12.如权利要求10所述的系统，其特征在于，还包括：

第二级别设置模块，用于根据训练获得的每一组的h个分类器Ci，分别设置对应的一个松紧度级别i；所述h为大于或等于2的正整数；

第二人脸识别模块，用于根据预设的松紧度级别i，采用第i组分类器Ci进行用户的人脸识别。