CN103020599A - 基于人脸的身份认证方法 - Google Patents

Abstract

本发明的基于人脸的身份认证方法，图像处理和分类器训练包括：a)采集人脸图像；b)标定图像两瞳孔距离；c)将人脸图像进行分块；d)形成训练样本；e)训练分类器；图像采集认证包括：1)人脸图像采集；2)去光照处理；3)图像分块；4)形成判定向量；5)形成判定向量；6)判定是否为同一人。本发明方法，以两幅图像中两子模块像素的灰度值为列向量，形成训练样本，利用训练好的贝叶斯分类器，可有效、准确、快速地对待检测图像做出判断。可广泛应用于机场、海关、考勤等场合的身份认证。充分利用了整张人脸的特征，不仅具有很高的识别率，且容易实施，具有很高的实用价值。

Description

基于人脸的身份认证方法

技术领域

 本发明涉及一种基于人脸的身份认证方法，更具体的说，尤其涉及一种将图像划分为多个子模块分别进行判断的基于人脸的身份认证方法。

背景技术

身份认证是将现场采集到的信息与已经注册或现场采集的证件信息做比对，确认是否同一人的过程。基于人脸的身份认证在众多场合得到了广泛的应用。

专利《人脸模型训练模块及方法、人脸实时认证系统》（公开号 CN1885310A）通过训练的方法预先为每一个需要认证的用户获得一个支持向量机人脸模型，需要进行认证时计算采集图像与每个人脸模型的相似度，根据相似度最终得到认证结果。此种方法需要预先采集所有用户的数据，在机场、海关等人脸量大的场合无法应用；

专利《一种基于人脸识别的身份认证方法》（公开号 CN101771539A）首先将采集图像与存储图像校正到同一角度，各自提取特征数据进行匹配，但仅仅是提供一种思路，未给出具体的匹配方法；

专利《生物特征融合的身份识别和认证方法》（公开号 CN101771539A）融合了人脸特征信息、虹膜特征信息、在线签名特征信息、脱机笔迹特征信息，并分别根据四个子模块计算置信度，根据各个置信度信息得到最终的认证结果。此种方法虽识别率有所提高，但硬件成本过高，且实施较为困难。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种将图像划分为多个子模块分别进行判断的基于人脸的身份认证方法。

本发明的基于人脸的身份认证方法，包括图像处理和分类器训练以及图像采集认证过程，其特别之处在于，

图像处理和分类器训练，包括以下步骤：

a).采集人脸图像，采集经过去光照处理的n个人的图像，每人采集m副黑白人脸图像，每幅图像的大小均为M1×N1；m、n、M1、N1均为大于零的整数，M1和N1的单位为像素；b).标定图像两瞳孔距离，训练用于定位图像两瞳孔位置的支持向量机，设标定出的两瞳孔距离为D像素；c).将人脸图像进行分块，将每幅人脸图像分割为大小均为M11×N11的Pa个子模块，M11≤M1，N11≤N1，M11、N11的单位均为像素；d).形成训练样本，对于每幅图像，从Pa个子模块中选取相同的K个子模块；以选取的每个子模块中的每个像素的灰度值为列向量，按照逐行排列的方式形成1行M11×N11列的向量，记为标记向量；将应用于一次对比的两幅图像的对应子模块得到的标记向量首尾相接，形成1行2× M11×N11列的向量，记为训练向量；将每个训练向量作为分类器的训练样本；e).训练分类器，以1行2× M11×N11列的训练向量作为贝叶斯分类器的输入，y={0,1}为输出，选取正负样本各Num个进行训练；其中y=0表示是一个人，y=1表示不是一个人；

图像采集认证过程，包括以下步骤：

1).人脸图像采集，采集待认证的黑白人脸图像，利用步骤b)中的支持向量机设定采集到的人脸图像两瞳孔距离为D像素；以两瞳孔之间的中点为中心点，将图像放缩至M1×N1的尺寸大小；2).去光照处理，采用与步骤a)中相同的去光照方法，对步骤1)中获取的M1×N1尺寸的图像进行去光照处理；3).图像分块，将步骤2)中获取的人脸图像分割为Pa个子模块，每个子模块的大小均为M11×N11；4).形成判定向量，从步骤3)中的Pa个子模块中选取出K个，以选取的每个子模块中的每个像素的灰度值为列向量，按照逐行排列的方式形成1行M11×N11列的向量，记为判定向量；5). 形成判定向量，将判定向量与应用于一次对比的图像的标记向量首尾相接，形成K个1行2× M11×N11列的向量，记为判定向量；6).判定是否为同一人，利用步骤e)中训练好的分类器，对步骤5)中的定样本做出判断；对于一次对比的K个判定向量，如果是同一人的次数大于等于K/2或者是同一人的概率大于等于1/2，则认为待认证人脸图像与对比的图像为同一人；否则不是同一人。

步骤a)中，由于采集的人脸图像为黑白图像，故其灰度值介于0～255之间。步骤d)中，标记向量中的每个列向量为逐行排列的每个像素的灰度值；形成训练向量的两标记向量应由两幅图像相同位置上的子模块转化而来，这样才具有比较训练的意义。步骤4)中选取的待认证图形的K个子模块，应与步骤d)中选取的K个子模块的位置相一致。步骤4)中的中间向量以及步骤5)中的判定向量中列向量的大小，均为相应像素灰度值的大小。步骤6）中，判定待认定的人脸图像与之前存储的图像是否为同一人时，只要K个判定结果有一半以上得出是同一人，即认为两图像来至同一人。

本发明的基于人脸的身份认证方法，设获取的人脸图像为A，步骤a)中所述的去光照处理，包括以下步骤：a-1).统计图像A各灰度级的个数Num[n] ，其中0≤n≤255；a-2). 计算各灰度级在图像中出现的概率P[n]，其中0≤n≤255；a-3). 计算各灰度级在图像中出现的累加概率Sump[n]，其中0≤n≤255；a-4). 计算图像A的灰度最大值MaxGray和灰度最小值MinGray；a-5).重新计算图像每个像素的灰度值B(i,j)=p[A(i,j)] ×(MaxGray-MinGray)+ MinGray。

去光照处理方法可采用直方图均衡化的方法或Retinex的方法；去光照的目的是为了去除光照对判定结果的影响。

本发明的基于人脸的身份认证方法，所述步骤6)中判定是否为同一人的方法为：利用步骤e)中训练好的分类器计算得到是同一个人的概率组合P={p1,p2,p3,p4,…,pK}和不是同一个人的概率组合Q={q1,q2,q3,q4,…,qK}；然后计算是同一个人的概率为p=sum(P)/K,不是同一个人的概率为q=sum(Q)/K,其中sum代表求和；若p>q,则认定是一个人，若p＜q，则不是同一人。其中，pi、qi的取值为0或1，且pi与qi的取值相反；对于对比的两幅图片的第i个子模块来说，如果是同一个人，则pi=1、qi=0，如果不是同一人，则pi=0、qi=1。

本发明的基于人脸的身份认证方法，在一次比对过程中，分别将K个1×2×M11×N11的判定向量作为分类器的输入，计算得到K个判断结果，结果集为y={0，1}，其中0代表为同一人，1代表不是同一人；令K=NumSame+NumDiff，NumSame为判定是一人的次数，NumDiff为判定不是一人的次数；若NumSame>NumDiff,则认定是一人，NumSame＜NumDiff，则认定不是同一人。

本发明的有益效果是：本发明的基于人脸的身份认证方法，首先采集多人的多幅图片，去光照处理后再将其分割为M11×N11大小的子模块，以相对比的两幅图像中两子模块像素的灰度值为列向量，形成训练样本，以训练贝叶斯分类器；在对采集的图像判定的过程中，利用训练好的贝叶斯分类器，即可有效、准确、快速地判断出待检测图像是否为之前存入的图像相一致。

本发明的基于人脸的身份认证方法，可广泛应用于机场、海关、考勤等场合的身份认证。充分利用了整张人脸的特征，不仅具有很高的识别率，且容易实施，具有很高的实用价值。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本发明的基于人脸的身份认证方法，包括图像处理和分类器训练以及图像采集认证过程，

图像处理和分类器训练，包括以下步骤：

a).采集人脸图像，采集经过去光照处理的n个人的图像，每人采集m副黑白人脸图像，每幅图像的大小均为M1×N1；m、n、M1、N1均为大于零的整数，M1和N1的单位为像素；

该步骤中，去光照处理方法可采用直方图均衡化的方法或Retinex的方法，可采用以下方法来实现：

a-1).统计图像A各灰度级的个数Num[n] ，其中0≤n≤255；

a-2). 计算各灰度级在图像中出现的概率P[n]，其中0≤n≤255；

a-3). 计算各灰度级在图像中出现的累加概率Sump[n]，其中0≤n≤255；

a-4). 计算图像A的灰度最大值MaxGray和灰度最小值MinGray；

a-5).重新计算图像每个像素的灰度值B(i,j)=p[A(i,j)] ×(MaxGray-MinGray)+ MinGray；

其中，A为获取的人脸图像；

b).标定图像两瞳孔距离，训练用于定位图像两瞳孔位置的支持向量机，设标定出的两瞳孔距离为D像素；

c).将人脸图像进行分块，将每幅人脸图像分割为大小均为M11×N11的Pa个子模块，M11≤M1，N11≤N1，M11、N11的单位均为像素；

d).形成训练样本，对于每幅图像，从Pa个子模块中选取相同的K个子模块；以选取的每个子模块中的每个像素的灰度值为列向量，按照逐行排列的方式形成1行M11×N11列的向量，记为标记向量；将应用于一次对比的两幅图像的对应子模块得到的标记向量首尾相接，形成1行2× M11×N11列的向量，记为训练向量；将每个训练向量作为分类器的训练样本；

e).训练分类器，以1行2× M11×N11列的训练向量作为贝叶斯分类器的输入，y={0,1}为输出，选取正负样本各Num个进行训练；其中y=0表示是一个人，y=1表示不是一个人；

图像采集认证过程，包括以下步骤：

1).人脸图像采集，采集待认证的黑白人脸图像，利用步骤b)中的支持向量机设定采集到的人脸图像两瞳孔距离为D像素；以两瞳孔之间的中点为中心点，将图像放缩至M1×N1的尺寸大小；

2).去光照处理，采用与步骤a)中相同的去光照方法，对步骤1)中获取的M1×N1尺寸的图像进行去光照处理；

3).图像分块，将步骤2)中获取的人脸图像分割为Pa个子模块，每个子模块的大小均为M11×N11；

4).形成中间向量，从步骤3)中的Pa个子模块中选取出K个，以选取的每个子模块中的每个像素的灰度值为列向量，按照逐行排列的方式形成1行M11×N11列的向量，记为中间向量；

5). 形成判定向量，将中间向量与应用于一次对比的图像的标记向量首尾相接，形成K个1行2× M11×N11列的向量，记为判定向量；

6).判定是否为同一人，利用步骤e)中训练好的分类器，对步骤5)中的定样本做出判断；对于一次对比的K个判定向量，如果是同一人的次数大于等于K/2或者是同一人的概率大于等于1/2，则认为待认证人脸图像与对比的图像为同一人；否则不是同一人；

在判定过程中，可采用如下方法来实现：利用步骤e)中训练好的分类器计算得到是同一个人的概率组合P={p1,p2,p3,p4,…,pK}和不是同一个人的概率组合Q={q1,q2,q3,q4,…,qK}；然后计算是同一个人的概率为p=sum(P)/K,不是同一个人的概率为q=sum(Q)/K,其中sum代表求和；若p>q,则认定是一个人，若p＜q，则不是同一人；

也可采用如下方法来实现：在一次比对过程中，分别将K个1×2×M11×N11的判定向量作为分类器的输入，计算得到K个判断结果，结果集为y={0，1}，其中0代表为同一人，1代表不是同一人；令K=NumSame+NumDiff，NumSame为判定是一人的次数，NumDiff为判定不是一人的次数；若NumSame>NumDiff,则认定是一人，NumSame＜NumDiff，则认定不是同一人。

为了便于对本发明的基于人脸的身份认证方法进行更为充分的说明，一种实施的具体步骤如下：

1、预先采集100个人的图像，每人采集10幅黑白人脸图像，大小均为20×30像素的大小；

2、基于100个人的多幅图像，离线训练支持向量机用于定位人的两瞳孔位置，将人脸图像中两瞳孔之间的距离设定为5个像素； 

3、离线训练贝叶斯分类器用于对人的识别；对于采集得到的100幅20×30像素大小的图像，贝叶斯训练时将每一幅20×30像素的图像分为均为4×6像素大小的25块，每块将其按照逐行排列的方式形成1行24列的标记向量，向量中每个列向量为相应像素的灰度值；将应用于一次比对的两幅图像的对应位置得到的两个1行24列的标记向量首尾相接变为1行48列的训练向量；每个训练向量代表一个训练样本，可得到正负样本数均为25×100×90=225000个训练样本，用贝叶斯训练的方法训练分类器；

4、检测摄像头采集到的正面人脸图像的两瞳孔位置，设定两瞳孔距离为5像素，设定两瞳孔的中点为图片的中心点，将图片放缩到20×30像素的大小；

5、将去光照处理后的20×30像素大小的图像分为均为4×6像素大小的25块，每块将其按照逐行排列的方式形成1行24列的向量，向量中每个列向量为相应像素的灰度值；将应用于一次比对的两幅图像的对应位置得到的两个1行24列的向量首尾相接变为1行48列的判定向量； 

6、对于一次比对中的两幅图片分别按照上述步骤处理图片，得到25个1行48列的判定向量，将其分别利用训练好的贝叶斯方法计算得到是同一个人的概率组合P={p1,p2,p3,p4,…,p25}和不是同一个人的概率组合Q={q1,q2,q3,q4,…,q25};最后计算是一个人的概率为p=sum(P)/25,不是同一个人的概率为q=sum(Q)/25,其中sum代表求和；若p>q,则认定是一个人，否则不是同一人。

Claims (4)

1.一种基于人脸的身份认证方法，包括图像处理和分类器训练以及图像采集认证过程，其特征在于，

图像处理和分类器训练，包括以下步骤：

a).采集人脸图像，采集经过去光照处理的n个人的图像，每人采集m副黑白人脸图像，每幅图像的大小均为M1×N1；m、n、M1、N1均为大于零的整数，M1和N1的单位为像素；

b).标定图像两瞳孔距离，训练用于定位图像两瞳孔位置的支持向量机，设标定出的两瞳孔距离为D像素；

c).将人脸图像进行分块，将每幅人脸图像分割为大小均为M11×N11的Pa个子模块，M11≤M1，N11≤N1，M11、N11的单位均为像素；

d).形成训练样本，对于每幅图像，从Pa个子模块中选取相同的K个子模块；以选取的每个子模块中的每个像素的灰度值为列向量，按照逐行排列的方式形成1行M11×N11列的向量，记为标记向量；将应用于一次对比的两幅图像的对应子模块得到的标记向量首尾相接，形成1行2× M11×N11列的向量，记为训练向量；将每个训练向量作为分类器的训练样本；

e).训练分类器，以1行2× M11×N11列的训练向量作为贝叶斯分类器的输入，y={0,1}为输出，选取正负样本各Num个进行训练；其中y=0表示是一个人，y=1表示不是一个人；

图像采集认证过程，包括以下步骤：

1).人脸图像采集，采集待认证的黑白人脸图像，利用步骤b)中的支持向量机设定采集到的人脸图像两瞳孔距离为D像素；以两瞳孔之间的中点为中心点，将图像放缩至M1×N1的尺寸大小；

2).去光照处理，采用与步骤a)中相同的去光照方法，对步骤1)中获取的M1×N1尺寸的图像进行去光照处理；

3).图像分块，将步骤2)中获取的人脸图像分割为Pa个子模块，每个子模块的大小均为M11×N11；

4).形成中间向量，从步骤3)中的Pa个子模块中选取出K个，以选取的每个子模块中的每个像素的灰度值为列向量，按照逐行排列的方式形成1行M11×N11列的向量，记为中间向量；

5). 形成判定向量，将中间向量与应用于一次对比的图像的标记向量首尾相接，形成K个1行2× M11×N11列的向量，记为判定向量；

6).判定是否为同一人，利用步骤e)中训练好的分类器，对步骤5)中的定样本做出判断；对于一次对比的K个判定向量，如果是同一人的次数大于等于K/2或者是同一人的概率大于等于1/2，则认为待认证人脸图像与对比的图像为同一人；否则不是同一人。

2.根据权利要求1所述的基于人脸的身份认证方法，其特征在于，设获取的人脸图像为A，步骤a)中所述的去光照处理，包括以下步骤：

a-1).统计图像A各灰度级的个数Num[n] ，其中0≤n≤255；

a-2). 计算各灰度级在图像中出现的概率P[n]，其中0≤n≤255；

a-3). 计算各灰度级在图像中出现的累加概率Sump[n]，其中0≤n≤255；

a-4). 计算图像A的灰度最大值MaxGray和灰度最小值MinGray；

a-5).重新计算图像每个像素的灰度值B(i,j)=p[A(i,j)] ×(MaxGray-MinGray)+ MinGray。

3.根据权利要求1或2所述的基于人脸的身份认证方法，其特征在于：所述步骤6)中判定是否为同一人的方法为：利用步骤e)中训练好的分类器计算得到是同一个人的概率组合P={p1,p2,p3,p4,…,pK}和不是同一个人的概率组合Q={q1,q2,q3,q4,…,qK}；然后计算是同一个人的概率为p=sum(P)/K,不是同一个人的概率为q=sum(Q)/K,其中sum代表求和；若p>q,则认定是一个人，若p＜q，则不是同一人。

4.根据权利要求1或2所述的基于人脸的身份认证方法，其特征在于：所述步骤6)中判定是否为同一人的方法为：在一次比对过程中，分别将K个1×2×M11×N11的判定向量作为分类器的输入，计算得到K个判断结果，结果集为y={0，1}，其中0代表为同一人，1代表不是同一人；令K=NumSame+NumDiff，NumSame为判定是一人的次数，NumDiff为判定不是一人的次数；若NumSame>NumDiff,则认定是一人，NumSame＜NumDiff，则认定不是同一人。