CN102194106A - 一种用于门禁系统中的人脸识别方法 - Google Patents

Abstract

一种用于门禁系统中的人脸识别方法，包括以下步骤：确定对人脸图像进行采集及预处理；提取每个人脸部图像的特征；构建每个人脸部图像的特征模板；提取待识别人脸部图像的特征，并设置人脸识别的判断依据；计算人脸特征匹配度；对单幅人脸图像的识别；视频人脸序列帧图像的识别。本发明解决了现有技术中存在人脸识别正确率较低的问题。

Description

一种用于门禁系统中的人脸识别方法

技术领域

本发明属于生物特征识别技术领域，涉及一种用于门禁系统中的人脸识别方法。

背景技术

随着IC卡技术的成熟，采用IC卡携带的数据信息实现对进入室内人员身份的验证手段已经非常普及，基于人脸识别技术的门禁系统，因能够确认持卡人的身份，并且有较高的识别率而成为一种新的门禁开发系统。这类门禁系统的人脸识别技术要求是对持卡主人的正确识别率高即可，换句话说，只需要识别出单一目标与其他任何目标的差异即可，但是现有的人脸识别，大多是对系统中存储的所有人的人脸信息遍历比对找出最相似的，适用于需要对多个人脸目标进行识别的安防领域。这种方法需要占用资源大，很难做到满足实时性的同时保证高的正确率。

发明内容

本发明的目的是提供一种用于门禁系统中的人脸识别方法，解决了现有技术中存在人脸识别正确率较低的问题。

本发明所采用的技术方案是，一种用于门禁系统中的人脸识别方法，具体步骤如下：

步骤1、对人脸部图像进行采集及预处理

设系统需要识别的人数为N_R，k为人的编号，k＝1，2，Λ，N_R；

对每个需要存入系统进行识别的人，均采集N_S幅训练样本的灰度图像；

将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域，调整到m×n的像素；

将每个用于识别的m×n大小的脸部区域图像的灰度值数据，排列为列向量的形式，则得到采集到的第k个人的脸部区域图像的训练样本数据为

其中

i＝1，2，...，(m×n)，j＝1，2，...，N_S，

步骤2、提取每个人脸部区域图像的特征

步骤2a、对步骤1得到的第k个人脸部区域图像的样本数据X_k的每个行向量求均值，得到均值向量

${{\mathrm{avg}}_i}^{\left(k\right)}=\frac{1}{N_S}\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{x_{i,j}}^{\left(k\right)},$ i＝1，2，...，(m×n)，    (1)

其中，Avg_k∈R^(m×n)×1；

步骤2b、对步骤1得到的训练样本数据进行规范化处理，得到规范化后的训练样本：

${{\hat{x}}_{i,j}}^{\left(k\right)}={x_{i,j}}^{\left(k\right)}-{{\mathrm{avg}}_i}^{\left(k\right)},$ i＝1，2，...，(m×n)，j＝1，2，...，N_S；    (2)

步骤2c、将步骤2b得到的规范化后的训练样本

i＝1，2，...，(m×n)，j＝1，2，...，N_S，组成第k个人规范化后的样本矩阵

其中，

i＝1，2，K，(m×n)，j＝1，2，...，N_S，

步骤2d、根据步骤2c得到的规范化后的样本矩阵Y_k，计算协方差矩阵Q_k：

$Q_k=Y_k^T\·Y_k;---\left(3\right)$

其中， $Q_k\∈R^{N_S\×N_S};$

步骤2e、得出特征向量矩阵eign_k

计算步骤2d得到的协方差矩阵Q_k的特征值和特征向量，再将计算得到的特征向量按照该特征向量对应的特征值从大到小的顺序排列，组成特征向量矩阵eign_k，

步骤2f、求第k个人脸部的特征投影矩阵W_k

首先，E_k＝Y_k·eign_k，    (4)

其中， $E_k=[{e_1}^{\left(k\right)},{e_2}^{\left(k\right)},K,e_j^{\left(k\right)},K,{e_{N_S}}^{\left(k\right)}],$ $E_k\∈R^{(m\×n)\×N_S};$

其次，对Ek的每一列e_j ^(k)进行归一化处理：

${w_j}^{\left(k\right)}=\frac{{e_j}^{\left(k\right)}}{{\left|\right|{e_j}^{\left(k\right)}\left|\right|}_2},$ j＝1，2，Λ，N_S；    (5)

最后，得到第k个人脸的特征投影矩阵

步骤2g、求第k个人脸部的特征

根据步骤2f得到的特征投影矩阵W_k，计算训练样本X_k的特征矩阵C_k：

$C_k=W_k^T\·Y_k---\left(6\right)$

其中， $C_k=[{c_1}^{\left(k\right)},{c_2}^{\left(k\right)},...c_j^{\left(k\right)},K,{c_{N_S}}^{\left(k\right)}],$ $C_k\∈R^{N_S\×N_S};$

该特征矩阵C_k每一列对应了一个训练样本的N_S维特征；

步骤2h、令k＝1，2，Λ，N_R，并重复步骤2a至步骤2g的操作，以获得每个人的特征矩阵C_k，k＝1，2，Λ，N_R；

步骤3、构建每个人脸部图像的特征模板

步骤3a、计算特征矩阵C_k的统计特性，即均值向量

与标准差向量

${{\mathrm{\μ}}_i}^{\left(k\right)}=\frac{1}{N_S}\·\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{c_{i,j}}^{\left(k\right)},$ i＝1，2，Λ，N_S；

(7)

${{\mathrm{\σ}}_i}^{\left(k\right)}={(\frac{1}{N_S-1}\·\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{({c_{i,j}}^{\left(k\right)}-{{\mathrm{\μ}}_i}^{\left(k\right)})}^2)}^{\frac{1}{2}},$ i＝1，2，Λ，N_S；    (8)

步骤3b、构建第k个人脸部的特征模板，其中，该特征模板包括第k个人脸部的特征映射矩阵W_k，特征矩阵C_k，以及特征矩阵C_k的均值向量U_k与标准差向量∑_k；

步骤3c、令k＝1，2，Λ，N_R，并重复步骤3a和步骤3b的操作，则可获得每个人的特征模板，将每个人的特征模板数据存储于数据库；

步骤4、提取待识别人脸样本图像F的特征，并设置人脸识别的判断依据

设系统根据打卡的ID信息表示，IC卡的持卡人是数据库中训练存储的第k个人，输入的打卡人的待识别人脸样本图像为F，

步骤4a、将采集到的该人脸样本图像F转变为成列向量f，其中，f∈R^(m×n)×1，在数据库中，提取出步骤3得到的第k个人脸的特征模板，获得其相应的特征映射矩阵W_k，计算出待识别样本的N_S维特征C_f＝[c_f(1)，...c_f(i)，K，c_f(N_S)]^T：

$C_f=W_k^T\·f;---\left(9\right)$

然后，按照以下步骤设置人脸识别的判断依据：

步骤4b、统计特性的置信区间

在数据库中，提取步骤3得到的第k个人脸的特征模板，根据其中的N_S维的均值向量U_k及标准差向量∑_k，分别对其中的N_S个分量计算对应的置信区间Δ_i ^(k)：

${{\mathrm{\Δ}}_i}^{\left(k\right)}=[{\mathrm{\μ}}_i^{\left(k\right)}-\mathrm{\α}\·{\mathrm{\σ}}_i^{\left(k\right)},{\mathrm{\μ}}_i^{\left(k\right)}+\mathrm{\α}\·{\mathrm{\σ}}_i^{\left(k\right)}],$ i＝1，2，Λ，N_S；    (10)

其中，α为置信系数；

步骤4c、计算特征间的距离

待识别样本特征C_f与数据库存储的第k个人脸的特征模板间的距离定义为，待识别样本特征C_f与特征矩阵

的N_S个列向量间的欧式距离d_j，即：

d_j＝||C_f-c_j ^(k)||₂，j＝1，2，Λ，N_S；    (11)

步骤5、计算衡量人脸特征匹配程度的两个评价参数：特征落入置信区间的概率p和特征间距离的最小值d_min

步骤5a、统计待识别样本特征C_f的全部N_S维特征落入相应置信区间内的概率p

将待识别样本特征C_f中各特征的重要性通过设置如下的权值

来进行调整，

${\hat{w}}_i=\frac{N_S+1-i}{\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}i},$ i＝1，2，Λ，N_S；    (12)

i＝1，2，Λ，N_S      (13)

$p=\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{\tilde{w}}_i;---\left(14\right)$

步骤5b、计算待识别样本特征C_f与模板特征间的最小距离

根据步骤4c得到的欧式距离d_j，j＝1，2，Λ，N_S，计算欧式距离d_j的最小值：

$d_{\min }=\underset{1\≤j{\≤N}_S}{\min }\left\{d_j\right\}---\left(15\right)$

步骤6、对单幅人脸图像的识别

设置以下的阈值：

置信阈值下限

置信阈值Th_p；

距离阈值上限

距离阈值下限

距离阈值Th_d，

识别匹配判断标准是：

如果

或者

则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配错误；

如果

则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；

如果p_k≥Th_p，并且d_min＜Th_d，则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；否则，匹配错误。

步骤1中，训练样本的灰度图像数量N_S≥20。

步骤4b中，置信系数α的取值范围为0.5≤α≤1.5。

步骤6中，训练样本的灰度图像数量N_S∈[20，50]时，置信阈值下限

置信阈值Th_p∈[0.35，0.45]，距离阈值下限

距离阈值上限距离阈值Th_d∈[800，1100]。

步骤6中，训练样本的灰度图像数量N_S∈[50，120]时，置信阈值下限

置信阈值Th_p∈[0.45，0.6]，距离阈值下限

距离阈值上限

距离阈值Th_d∈[1800，2300]。

本发明的一种用于门禁系统中的人脸识别方法，采取为每类人脸建立各自信息模板的新思路，能有效提高人脸识别率。本发明方法针对确定持卡主人与其他人员区分的需求，提出了对个体人脸通过训练获得记忆个体特征的投影关系，根据该投影关系，通过测试人脸特征落入对应训练样本特征置信区间的概率、以及与训练样本的最小距离来判断人脸是否匹配，由此实现对持卡人的判别。

附图说明

图1为本发明方法步骤6中的识别匹配判断标准框图。

具体实施方式

下面结合具体实施方式和附图对本发明进行详细说明。

本发明一种用于门禁系统中的人脸识别方法，具体步骤如下：

步骤1、对人脸部图像进行采集及预处理

设系统需要识别的人数为N_R，k为人的编号，k＝1，2，Λ，N_R；

对每个需要存入系统进行识别的人，均采集N_S幅训练样本的灰度图像，其中，为保证人脸部特征的丰富性和识别的准确性，建议选取N_S≥20；

将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域，调整到m×n的像素，即该脸部区域的大小为m行n列，建议取m×n＝64×64；

将每个用于识别的m×n大小的脸部区域图像的灰度值数据，排列为列向量的形式，则得到采集到的第k个人的脸部区域图像的训练样本数据为

其中，

i＝1，2，...，(m×n)，j＝1，2，...，N_S，

步骤2、提取每个人脸部区域图像的特征

步骤2a、对步骤1得到的第k个人脸部区域图像的样本数据X_k的每个行向量求均值，得到均值向量

${{\mathrm{avg}}_i}^{\left(k\right)}=\frac{1}{N_S}\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{x_{i,j}}^{\left(k\right)},$ i＝1，2，...，(m×n)；    (1)

其中，Avg_k∈R^(m×n)×1；

步骤2b、对步骤1得到的训练样本数据进行规范化处理，得到规范化后的训练样本：

${{\hat{x}}_{i,j}}^{\left(k\right)}={x_{i,j}}^{\left(k\right)}-{{\mathrm{avg}}_i}^{\left(k\right)},$ i＝1，2，...，(m×n)，j＝1，2，...，N_S；    (2)

步骤2c、将步骤2b得到的规范化后的训练样本

i＝1，2，...，(m×n)，j＝1，2，...，N_S，组成第k个人规范化后的样本矩阵

其中，

i＝1，2，K，(m×n)，j＝1，2，...，N_S，

步骤2d、根据步骤2c得到的规范化后的样本矩阵Y_k，计算协方差矩阵Q_k：

$Q_k=Y_k^T\·Y_k;---\left(3\right)$

其中， $Q_k\∈R^{N_S\×N_S};$

步骤2e、得出特征向量矩阵eign_k

计算步骤2d得到的协方差矩阵Q_k的特征值和特征向量，再将计算得到的特征向量按照该特征向量对应的特征值从大到小的顺序排列，组成特征向量矩阵eign_k，

即eign_k的列向量即为特征向量；

步骤2f、求第k个人脸部的特征投影矩阵W_k

首先，E_k＝Y_k·eign_k，    (4)

其中， $E_k=[{e_1}^{\left(k\right)},{e_2}^{\left(k\right)},K,e_j^{\left(k\right)},K,{e_{N_S}}^{\left(k\right)}],$ $E_k\∈R^{(m\×n)\×N_S};$

其次，对E_k的每一列e_j ^(k)进行归一化处理：

${w_j}^{\left(k\right)}=\frac{{e_j}^{\left(k\right)}}{{\left|\right|{e_j}^{\left(k\right)}\left|\right|}_2},$ j＝1，2，Λ，N_S；    (5)

最后，得到第k个人脸的特征投影矩阵

步骤2g、求第k个人脸部的特征

根据步骤2f得到的特征投影矩阵W_k，计算训练样本X_k的特征矩阵C_k：

$C_k=W_k^T\·Y_k---\left(6\right)$

其中， $C_k=[{c_1}^{\left(k\right)},{c_2}^{\left(k\right)},...c_j^{\left(k\right)},K,{c_{N_S}}^{\left(k\right)}],$ $C_k\∈R^{N_S\×N_S};$

该特征矩阵C_k每一列对应了一个训练样本的N_S维特征；

步骤2h、令k＝1，2，Λ，N_R，并重复步骤2a至步骤2g的操作，以获得每个人的特征矩阵{C_k，k＝1，2，Λ，N_R}；

步骤3、构建每个人脸部图像的特征模板

步骤3a、在得到第k个人脸的C_k之后，按照公式(7)和公式(8)，计算得到特征矩阵C_k的统计特性，即其均值向量

与标准差向量

${{\mathrm{\μ}}_i}^{\left(k\right)}=\frac{1}{N_S}\·\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{c_{i,j}}^{\left(k\right)},$ i＝1，2，Λ，N_S；    (7)

${{\mathrm{\σ}}_i}^{\left(k\right)}={(\frac{1}{N_S-1}\·\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{({c_{i,j}}^{\left(k\right)}-{{\mathrm{\μ}}_i}^{\left(k\right)})}^2)}^{\frac{1}{2}},$ i＝1，2，Λ，N_S；    (8)

步骤3b、构建第k个人脸部的特征模板，其中，该特征模板包括第k个人脸部的特征映射矩阵W_k，特征矩阵C_k，以及特征矩阵C_k的均值向量U_k与标准差向量∑_k；

步骤3c、令k＝1，2，Λ，N_R，并重复步骤3a和步骤3b的操作，则可获得每个人的特征模板，将每个人的特征模板数据存储于数据库，以备后续识别时使用；

步骤4、提取待识别人脸样本图像F的特征，并设置人脸识别的判断依据

设系统根据打卡的ID信息表示，IC卡的持卡人是数据库中训练存储的第k个人，输入的打卡人的待识别人脸样本图像为F，此时，需要识别打卡人的待识别人脸样本图像F的特征与数据库中存储的第k个人的特征是否匹配，如果是，则表明人卡相匹配。

步骤4a、将采集到的该人脸样本图像F转变为成列向量f，其中，f∈R^(m×n)×1，在数据库中，提取出步骤3得到的第k个人脸的特征模板，获得其相应的特征映射矩阵W_k，按照公式(9)计算出待识别样本的N_S维特征(简称待识别样本特征)C_f＝[c_f(1)，...c_f(i)，K，c_f(N_S)]^T：

$C_f=W_k^T\·f;---\left(9\right)$

然后，按照以下步骤设置人脸识别的判断依据：

步骤4b、统计特性的置信区间

在数据库中，提取步骤3得到的第k个人脸的特征模板，根据其中的N_S维的均值向量U_k及标准差向量∑_k，分别对其中的N_S个分量按照下式计算对应的置信区间Δ_i ^(k)：

${{\mathrm{\Δ}}_i}^{\left(k\right)}=[{\mathrm{\μ}}_i^{\left(k\right)}-\mathrm{\α}\·{\mathrm{\σ}}_i^{\left(k\right)},{\mathrm{\μ}}_i^{\left(k\right)}+\mathrm{\α}\·{\mathrm{\σ}}_i^{\left(k\right)}],$ i＝1，2，Λ，N_S；    (10)

其中，α为置信系数，若α偏大，则易造成误检；若α偏小，则易造成漏检，经大量试验，优选0.5≤α≤1.5。

步骤4c、计算特征间的距离

待识别样本特征C_f与数据库存储的第k个人脸的特征模板间的距离定义为，待识别样本特征C_f与特征矩阵

的N_S个列向量间的欧式距离d_j，即：

d_j＝||C_f-c_j ^(k)||₂，j＝1，2，Λ，N_S；    (11)

步骤5、计算衡量人脸特征匹配程度的两个评价参数：特征落入置信区间的概率p和特征间距离的最小值d_min

步骤5a、统计待识别样本特征C_f的全部N_S维特征落入相应置信区间内的概率p

根据步骤4a计算得到的N_S维待识别样本特征C_f，根据主元分析原理知，待识别样本特征C_f的N_S维特征是按照特征的重要程度从大到小进行排列的。在进行人脸特征匹配时，将待识别样本特征C_f中各特征的重要性通过设置如下的权值

来进行调整，

${\hat{w}}_i=\frac{N_S+1-i}{\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}i},$ i＝1，2，Λ，N_S；    (12)

统计落在置信区间的概率p是为了判断待识别样本特征C_f中的N_S个分量有多少是落入置信区间Δ_i ^(k)内，即匹配正确的特征占总特征的比例：

i＝1，2，Λ，N_S    (13)

$p=\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{\tilde{w}}_i;---\left(14\right)$

步骤5b、计算待识别样本特征C_f与模板特征间的最小距离

根据步骤4c得到的欧式距离d_j，j＝1，2，Λ，N_S，计算欧式距离d_j的最小值：

$d_{\min }=\underset{1\≤j{\≤N}_S}{\min }\left\{d_j\right\}---\left(15\right)$

步骤6、对单幅人脸图像的识别

人脸识别即为判断待识别的打卡人是否为与IC卡给出的第k个序号的人脸，换句话说，就是用步骤5中得出的两个评价参数来判断特征是否匹配，

经试验发现：当待识别样本特征C_f不属于第k个人脸时，其特征落入置信区间的概率p小于一定值，且欧式距离的最小值d_min大于一定值。

综上，设置以下的阈值，这些阈值的具体取值与门禁系统识别要求的严格程度以及训练样本数N_S有关，包括：

置信阈值下限

置信阈值Th_p；

距离阈值上限

距离阈值下限

距离阈值Th_d，

以上各阈值的优选取值范围是：

第一种：当训练样本数在N_S∈[20，50]时，取置信阈值下限

置信阈值Th_p∈[0.35，0.45]，距离阈值下限

距离阈值上限

距离阈值Th_d∈[800，1100]；

第二种：当训练样本数在N_S∈[50，120]时，取置信阈值下限

置信阈值Th_p∈[0.45，0.6]，距离阈值下限

距离阈值上限

距离阈值Th_d∈[1800，2300]；

当训练样本数N_S在更大时，所有阈值取值相应增大。

如图1所示，识别匹配判断标准是：

如果

或者

则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配错误；

如果则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；

如果p_k≥Th_p，并且d_min＜Th_d，则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；否则，匹配错误。

Claims (5)

1.一种用于门禁系统中的人脸识别方法，其特征在于，具体步骤如下：

步骤1、对人脸部图像进行采集及预处理

设系统需要识别的人数为N_R，k为人的编号，k＝1，2，Λ，N_R；

对每个需要存入系统进行识别的人，均采集N_S幅训练样本的灰度图像；

将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域，调整到m×n的像素；

将每个用于识别的m×n大小的脸部区域图像的灰度值数据，排列为列向量的形式，则得到采集到的第k个人的脸部区域图像的训练样本数据为

其中，

i＝1，2，...，(m×n)，j＝1，2，...，N_S，

步骤2、提取每个人脸部区域图像的特征

步骤2a、对步骤1得到的第k个人脸部区域图像的样本数据X_k的每个行向量求均值，得到均值向量

${{\mathrm{avg}}_i}^{\left(k\right)}=\frac{1}{N_S}\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{x_{i,j}}^{\left(k\right)},$ i＝1，2，...，(m×n)，    (1)

其中，Avg_k∈R^(m×n)×1；

步骤2b、对步骤1得到的训练样本数据进行规范化处理，得到规范化后的训练样本：

${{\hat{x}}_{i,j}}^{\left(k\right)}={x_{i,j}}^{\left(k\right)}-{{\mathrm{avg}}_i}^{\left(k\right)},$ i＝1，2，...，(m×n)，j＝1，2，...，N_S；    (2)

步骤2c、将步骤2b得到的规范化后的训练样本

i＝1，2，...，(m×n)，j＝1，2，...，N_S，组成第k个人规范化后的样本矩阵其中，

i＝1，2，K，(m×n)，j＝1，2，...，N_S，

步骤2d、根据步骤2c得到的规范化后的样本矩阵Y_k，计算协方差矩阵Q_k：

$Q_k=T_k^T\·Y_k;---\left(3\right)$

其中， $Q_k\∈R^{N_S\×N_S};$

步骤2e、得出特征向量矩阵eign_k

计算步骤2d得到的协方差矩阵Q_k的特征值和特征向量，再将计算得到的特征向量按照该特征向量对应的特征值从大到小的顺序排列，组成特征向量矩阵eign_k，

步骤2f、求第k个人脸部的特征投影矩阵W_k

首先，E_k＝Y_k·eign_k，    (4)

其中， $E_k=[{e_1}^{\left(k\right)},{e_2}^{\left(k\right)},K,e_j^{\left(k\right)},K,{e_{N_S}}^{\left(k\right)}],$ $E_k\∈R^{(m\×n)\×N_S};$

其次，对E_k的每一列e_j ^(k)进行归一化处理：

${w_j}^{\left(k\right)}=\frac{{e_j}^{\left(k\right)}}{{\left|\right|{e_j}^{\left(k\right)}\left|\right|}_2},$ j＝1，2，Λ，N_S；    (5)

最后，得到第k个人脸的特征投影矩阵

步骤2g、求第k个人脸部的特征

根据步骤2f得到的特征投影矩阵W_k，计算训练样本X_k的特征矩阵C_k：

$C_k=W_k^T\·Y_k---\left(6\right)$

其中， $C_k=[{c_1}^{\left(k\right)},{c_2}^{\left(k\right)},...c_j^{\left(k\right)},K,{c_{N_S}}^{\left(k\right)}],$ $C_k\∈R^{N_S\×N_S};$

该特征矩阵C_k每一列对应了一个训练样本的N_S维特征；

步骤2h、令k＝1，2，Λ，N_R，并重复步骤2a至步骤2g的操作，以获得每个人的特征矩阵C_k，k＝1，2，Λ，N_R；

步骤3、构建每个人脸部图像的特征模板

步骤3a、计算特征矩阵C_k的统计特性，即均值向量

与标准差向量

${{\mathrm{\μ}}_i}^{\left(k\right)}=\frac{1}{N_S}\·\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{c_{i,j}}^{\left(k\right)},$ i＝1，2，Λ，N_S；    (7)

${{\mathrm{\σ}}_i}^{\left(k\right)}={(\frac{1}{N_S-1}\·\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}{({c_{i,j}}^{\left(k\right)}-{{\mathrm{\μ}}_i}^{\left(k\right)})}^2)}^{\frac{1}{2}},$ i＝1，2，Λ，N_S；    (8)

步骤3b、构建第k个人脸部的特征模板，其中，该特征模板包括第k个人脸部的特征映射矩阵W_k，特征矩阵C_k，以及特征矩阵C_k的均值向量U_k与标准差向量∑_k；

步骤3c、令k＝1，2，Λ，N_R，并重复步骤3a和步骤3b的操作，则可获得每个人的特征模板，将每个人的特征模板数据存储于数据库；

步骤4、提取待识别人脸样本图像F的特征，并设置人脸识别的判断依据

设系统根据打卡的ID信息表示，IC卡的持卡人是数据库中训练存储的第k个人，输入的打卡人的待识别人脸样本图像为F，

步骤4a、将采集到的该人脸样本图像F转变为成列向量f，其中，f∈R^(m×n)×1，在数据库中，提取出步骤3得到的第k个人脸的特征模板，获得其相应的特征映射矩阵W_k，计算出待识别样本的N_S维特征C_f＝[c_f(1)，...c_f(i)，K，c_f(N_S)]^T：

$C_f=W_k^T\·f;---\left(9\right)$

然后，按照以下步骤设置人脸识别的判断依据：

步骤4b、统计特性的置信区间

在数据库中，提取步骤3得到的第k个人脸的特征模板，根据其中的N_S维的均值向量U_k及标准差向量∑_k，分别对其中的N_S个分量计算对应的置信区间Δ_i ^(k)：

${{\mathrm{\Δ}}_i}^{\left(k\right)}=[{\mathrm{\μ}}_i^{\left(k\right)}-\mathrm{\α}\·{\mathrm{\σ}}_i^{\left(k\right)},{\mathrm{\μ}}_i^{\left(k\right)}+\mathrm{\α}\·{\mathrm{\σ}}_i^{\left(k\right)}],$ i＝1，2，Λ，N_S；    (10)

其中，α为置信系数；

步骤4c、计算特征间的距离

待识别样本特征C_f与数据库存储的第k个人脸的特征模板间的距离定义为，待识别样本特征C_f与特征矩阵

的N_S个列向量间的欧式距离d_j，即：

d_j＝||C_f-c_j ^(k)||₂，j＝1，2，Λ，N_S；    (11)

步骤5、计算衡量人脸特征匹配程度的两个评价参数：特征落入置信区间的概率p和特征间距离的最小值d_min

步骤5a、统计待识别样本特征C_f的全部N_S维特征落入相应置信区间内的概率p

将待识别样本特征C_f中各特征的重要性通过设置如下的权值

来进行调整，

${\hat{w}}_i=\frac{N_S+1-i}{\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}i},$ i＝1，2，Λ，N_S；    (12)

i＝1，2，Λ，N_S      (13)

$p=\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{\tilde{w}}_i;---\left(14\right)$

步骤5b、计算待识别样本特征C_f与模板特征间的最小距离

根据步骤4c得到的欧式距离d_j，j＝1，2，Λ，N_S，计算欧式距离d_j的最小值：

$d_{\min }=\underset{1\≤j{\≤N}_S}{\min }\left\{d_j\right\}---\left(15\right)$

步骤6、对单幅人脸图像的识别

设置以下的阈值：

置信阈值下限

置信阈值Th_p；

距离阈值上限

距离阈值下限

距离阈值Th_d，

识别匹配判断标准是：

如果

或者

则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配错误；

如果

则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；

如果p_k≥Th_p，并且d_min＜Th_d，则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；否则，匹配错误。

2.按照权利要求1所述一种用于门禁系统中的人脸识别方法，其特征在于，步骤1中，训练样本的灰度图像数量N_S≥20。

3.按照权利要求1所述一种用于门禁系统中的人脸识别方法，其特征在于，步骤4b中，置信系数α的取值范围为0.5≤α≤1.5。

4.按照权利要求1所述一种用于门禁系统中的人脸识别方法，其特征在于，步骤6中，训练样本的灰度图像数量N_S∈[20，50]时，置信阈值下限

置信阈值Th_p∈[0.35，0.45]，距离阈值下限

距离阈值上限距离阈值Th_d∈[800，1100]。

5.按照权利要求1所述一种用于门禁系统中的人脸识别方法，其特征在于，步骤6中，训练样本的灰度图像数量N_S∈[50，120]时，置信阈值下限

置信阈值Th_p∈[0.45，0.6]，距离阈值下限

距离阈值上限

距离阈值Th_d∈[1800，2300]。

Images