CN104112152A

CN104112152A - 二维码生成装置、人像识别装置和身份验证装置

Info

Publication number: CN104112152A
Application number: CN201310522330.2A
Authority: CN
Inventors: 苏凯
Original assignee: BEIJING ANJIETIANDUN TECHNOLOGY DEVELOPMENT Co Ltd
Current assignee: BEIJING ANJIETIANDUN TECHNOLOGY DEVELOPMENT Co Ltd
Priority date: 2013-10-30
Filing date: 2013-10-30
Publication date: 2014-10-22

Abstract

本发明涉及一种二维码生成装置，其特征在于：包括依序电性连接的人像获取模块、人像面部特征提取模块和二维码生成模块，所述人像获取模块用于采集人像信息并发送至人像面部特征提取模块；所述人像面部特征提取模块用于通过人脸识别技术，提取分析出人像信息中的人脸特征数据，并将提取到的人脸特征数据发送至二维码生成模块；所述二维码生成模块用于将所述人脸特征数据通过编码生成含有人脸特征数据的二维码。本发明的装置信息安全可靠性较高。

Description

二维码生成装置、人像识别装置和身份验证装置

技术领域

本发明自动人脸识别领域，特别涉及一种二维码生成装置、人像识别装置和身份验证装置。

背景技术

自1989年国务院批准在全国实施居民身份证使用、查验和核查制度以来，居民身份证在保护公民和社会有关部门的合法权益，方便公民进行社会活动，便利有关部门开展工作和打击违法犯罪活动等方面发挥了重要作用。根据国家有关政策精神，全国各省、自治区、直辖市公安、教育、民政、司法、劳动、交通、邮电、商业、民航、旅游、工商行政管理、税务、银行、保险、医疗卫生、通信、社保等行业单位都加强了居民身份证的核查工作。

虽然目前的第二代身份证可以通过读取装置读取到身份信息，但是现有的身份验证技术存在着容易泄露个人信息，需要接触读取，不能够保证持证人和证件一致性等问题，因此可靠性较低。

发明内容

本发明所要解决的技术问题是针对提供一种可靠性较高的二维码生成装置、人像识别装置和身份验证装置。

为解决上述技术问题，本发明是按如下方式实现的：

一种二维码生成装置，包括依序电性连接的人像获取模块、人像面部特征提取模块和二维码生成模块，所述人像获取模块用于采集人像信息并发送至人像面部特征提取模块；所述人像面部特征提取模块用于通过人脸识别技术，提取分析出人像信息中的人脸特征数据，并将提取到的人脸特征数据发送至二维码生成模块；所述二维码生成模块用于将所述人脸特征数据通过编码生成含有人脸特征数据的二维码。

一种人像识别装置，包括依序电性连接的二维码识读模块、二维码中人脸特征提取模块和人像图片/人像特征生成模块；所述二维码识读模块用于采集二维码，并将该二维码发送到所述二维码中人脸特征提取模块；所述二维码中人脸特征提取模块用于通过解码算法，提取分析出二维码中的人脸特征数据，并将提取到的人脸特征数据发送至人像图片/人像特征生成模块；所述人像图片/人像特征生成模块用于将人脸特征数据还原成人像图片，或人像特征图片。

一种身份验证装置，包括：二维码识读模块、二维码中面部特征值提取模块、人像获取模块、人像面部特征值提取模块和分析比对模块，所述二维码识读模块连接至所述二维码中面部特征值提取模块，所述二维码中面部特征值提取模块连接至所述分析比对模块，所述人像获取模块连接至所述人像面部特征值提取模块，所述人像面部特征值提取模块连接至所述分析比对模块；

所述人像获取模块用于采集人像信息并发送至人像面部特征提取模块；所述人像面部特征提取模块用于通过人脸识别技术，提取分析出人像信息中的人脸特征数据，并将提取到的人脸特征数据发送至分析比对模块；

所述二维码识读模块用于采集二维码，并将该二维码发送到所述二维码中人脸特征提取模块；所述二维码中人脸特征提取模块用于通过解码算法，提取分析出二维码中的人脸特征数据，并将提取到的人脸特征数据发送至分析比对模块；

所述分析比对模块用于将二维码中人脸特征提取模块提取到的二维码中人脸特征数据与人像面部特征提取模块提取到的人像面部特征数据进行比对，得到对比结果。

本发明的积极效果：

采用本发明提供的二维码生成方法、人像识别方法、身份验证方法及装置，可将人脸信息及照片通过二维码进行存储，隐蔽性强，便于携带、传输、分析，因此可靠性较高。

附图说明

图1是本发明二维码生成装置的结构示意框图。

图2是本发明人像识别装置的结构示意框图。

图3是本发明身份验证装置的结构示意框图。

具体实施方式

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。

请参照图1，图1是本发明二维码生成装置的结构示意框图，该二维码生成装置用于将人像转换为对应的二维码。所述二维码生成装置包括依序电性连接的人像获取模块、人像面部特征提取模块和二维码生成模块。

所述人像获取模块用于采集人像信息并发送至人像面部特征提取模块。所述人像获取模块可以由摄像机、照相机等图像采集设备及模数转换模块组成，或由数码相机、USB摄像机、网络摄像机等数字图像采集设备组成，也可是读取装置来导入已有的bmp，jpg，tiff，gif，pcx，tga，exif，fpx等格式的人像照片。

所述人像面部特征提取模块用于通过人脸识别技术，提取分析出人像信息中的人脸特征数据，并将提取到的人脸特征数据发送至二维码生成模块。

所述二维码生成模块用于将所述人脸特征数据通过编码生成含有人脸特征数据的二维码。具体的，所述二维码生成模块可以根据人脸特征数据和二维码的对应关系，将所述人脸特征数据通过编码生成含有人脸特征数据的二维码。所述人脸特征数据和二维码的对应关系可以以查找表的形式存储在所述二维码生成装置的存储器中(该存储器与所述二维码生成模块相连)，所述人脸特征数据和二维码的对应关系也可以是一个公式，由所述二维码生成模块实时根据人脸特征数据和所述公式计算得到对应的二维码。

所述人像面部特征提取模块和所述二维码生成模块可以由计算机系统构成。或者，所述人像分析模块、人像比对模块、人工干预模块由FPGA、DSP等处理器或者电子电路构成，所述数据存储模块可以由硬盘、光盘、或其他存储器构成。

所述人脸特征数据包括人脸特征值、面纹编码和人脸图片中的至少一个。所述二维码包括Base64编码类型的二维码，例如是PDF417二维条码、Datamatrix二维条码、Maxicode二维条码、QR Code、Code49、Code16K、或Code one等。

采用以上的二维码生成装置，可以将人像转换为二维码，并将该二维码喷印在证件或其他需要物品上。

请参照图2，图2是本发明人像识别装置的结构示意框图。该人像识别装置用于通过二维码识别人像。该人像识别装置包括依序电性连接的二维码识读模块、二维码中人脸特征提取模块和人像图片/人像特征生成模块。

所述二维码识读模块用于采集二维码，并将该二维码发送到所述二维码中人脸特征提取模块。该由摄像机、照相机等图像采集设备及模数转换模块组成，或由数码相机、USB摄像机、网络摄像机等数字图像采集设备组成，或导入已有的等格式的人像照片，或使用光电扫描设备对二维码进行扫描，例如线型扫描器如线型CCD、雷射枪等。

所述二维码中人脸特征提取模块用于通过解码算法，提取分析出二维码中的人脸特征数据，并将提取到的人脸特征数据发送至人像图片/人像特征生成模块。具体的，所述二维码中人脸特征提取模块可以根据人脸特征数据和二维码的对应关系，将所述二维码通过译码生成人脸特征数据。所述人脸特征数据和二维码的对应关系可以以查找表的形式存储在所述人像识别装置的存储器中(所述存储器与所述二维码中人脸特征提取模块相连)，所述人脸特征数据和二维码的对应关系也可以是一个公式，由所二维码中人脸特征提取模块实时根据二维码和所述公式计算得到对应的人脸特征数据。

所述人像图片/人像特征生成模块用于将人脸特征数据还原成人像图片，或人像特征图片。

所述二维码中人脸特征提取模块和所述人像图片/人像特征生成模块可以由计算机系统构成。或者，所述人像分析模块、人像比对模块、人工干预模块由FPGA、DSP等处理器或者电子电路构成，所述数据存储模块可以由硬盘、光盘、或其他存储器构成。

所述人脸特征数据包括人脸特征值、面纹编码和人脸图片中的至少一个。所述二维码包括Base64编码类型的二维码，例如是PDF417二维条码、Datamatrix二维条码、Maxicode二维条码、QR Code、Code49、Code16K、或Code one。

采用所述人像识别装置，可以将根据证件的二维码，还原出人像图片，或人像特征图片，用于后续的身份验证等用途。

请参照图3，图3是本发明身份验证装置的结构示意框图。该身份验证装置可以用于验证持证人与证件归属人是否一致。所述身份验证装置包括二维码识读模块、二维码中面部特征值提取模块(即二维码中人脸特征提取模块)、人像获取模块、人像面部特征值提取模块、分析比对模块和比对结果输出模块，所述二维码识读模块连接至所述二维码中面部特征值提取模块，所述二维码中面部特征值提取模块连接至所述分析比对模块，所述人像获取模块连接至所述人像面部特征值提取模块，所述人像面部特征值提取模块连接至所述分析比对模块，所述分析比对模块连接至所述比对结果输出模块。

所述二维码识读模块、二维码中面部特征值提取模块、人像获取模块和人像面部特征值提取模块的功能与前述二维码生成装置和人像识别装置中的相应模块功能一致，本领域技术人员应当理解前述的描述适用于本实施例，这里不再赘述。

所述分析比对模块用于将二维码中人脸特征提取模块提取到的二维码中人脸特征数据与人像面部特征提取模块提取到的人像面部特征数据进行比对，得到对比结果。具体的，对比结果可以是计算出两者间相似度。也可设置相似度阈值，当两者间相似度达到或超过阈值时，则判定比对通过；当两者间相似度低于阈值时，则判定比对不通过。分析比对模块将比对结果发送至比对结果输出模块。

所述比对结果输出模块用于提供的人机交互界面，显示比对结果。

本发明中的人像面部特征提取模块可以利用人脸识别技术对照片进行识别，得到人脸特征值。相反的，所述人像图片/人像特征生成模块可以人脸识别技术根据人脸特征值，绘制人像图片。

下面举例说明可选的人脸识别技术。

1基于几何特征的人脸识别方法

基于几何特征的方法是早期的人脸识别方法之一。这类方法利用人脸的五官如眼睛、鼻子、嘴巴等的局部形状特征以及这些五官特征在脸上分布的几何特征。在分割、获取五官特征时往往要用到人脸结构的一些先验知识。其识别所需的特征一般是以人脸器官的形状和几何关系(如五官特征间的欧式距离、曲率、角度等指标)为基础的特征矢量，本质上是特征矢量之间的匹配。

2模板匹配法

将输入的人脸图像与训练集中的人脸样本逐一进行归一化的相关运算，具有最佳匹配的为识别结果。

3基于统计的方法

基于统计的方法一般将人脸图像作为一个整体，以高维空间中的一个矢量来表示，这样，人脸识别问题转化为在高维空间中寻找分隔超曲面(平面)的问题。若分隔的是超平面则线性方法，若分隔的是超曲面则谓非线性方法。而分隔超曲面(平面)是通过对训练样本以统计技术来获得。常用的一些基于统计的方法包括本征脸方法(Eigenfaces)、Fishe脸方法(Fisherfaces)、独立分量分析(ICA)、局部保留投影(LPP)，隐马尔可夫模型(HMM)、支持向量机(SVM)、核技术等。

3.1本征脸方法

假设人脸图像库中有N个图像，用向量表示为X1，X2，...，XN(向量维数设为L)，其人脸平均图像为N由此可得到每幅图像的均差为

(1)

这样可计算协方差矩阵：

(2)

计算矩阵C的本征值K_k和对应本征向量U_k·这些求出的本征向量所形成的向量空间，就可表示人脸图像的主要特征信息.将人脸图像库中所有N个图像均向此空间投影，得到各自的投影向量

Y₁，Y₂，...，Y_N，(Y_i)^T＝[yⁱ¹yⁱ²...y^iL]，i＝1，2，...，N，y^ij＝(uj)^T，j＝1，2，...，L.(3)

对于待识别人脸图像X，将计算其与Xave差的投影向量Y：

y^ij＝(uj)^T，j＝1，2，，L. (4)

再与人脸图像库中N个人脸图像对应的投影向量Y₁，Y₂，...，Y_N比较，按照一定的距离准则完成识别.如采用Euclidian距离，计算e_i＝||Y-Y_i||，i＝1，2，...，N.则识别人脸图像为第n个模式，n＝. (5)

实际计算中，矩阵C的大小是L×L，即使对尺寸较小的图像其值也很大.例如图像为24×8大小，则矩阵C的大小将是(24×28)2≈4.5×105.将每幅图像的均差形成一个矩阵：

(6)

则协方差矩阵可写成

(7)

根据线性代数理论，将计算的本征值K_k和对应本征向量U_k的问题转化为求的本征值K_k和对应本征向量V_k·的大小仅为N×N，一般都远小于L×L，故简化了计算.在求出V_k后，U_k可由下式得到：

(8)

3.2Fishe脸方法(Fisherfaces)

假设有一集合H包含N个d维样本其中N1个属于ω1类的样本记为子集1，N2个属于ω2类的样本记为H₂。若对N_x的分量做线性组合可得标量：

(1)

这样便得到一个一维样本组成的集合，并可分为两个子集Y₁与Y₂。从集合上看，如果||w||＝1，则每个就是相对应的到方向为w的直线上的投影。实际上，w的绝对值是无关紧要的，他仅使乘上一个比例因子，重要的是选择W的方向。W的方向不同，将使样本投影后的可分离程度不同，从而直接影响识别效果。因此，所谓寻找最好投影方向的问题，在数学上就是寻找最好的变换向量W^*的问题。下面先定义几个必要的基本参量以方便叙述。

3.2.1在d维空间

(1)各类样本均值向量

(2)

(2)样本类内离散度矩阵和总类内离散度矩阵

i1，2. (3)

(3)样本类间离散度矩阵

(4)

其中是对称半正定矩阵，而且当N＞d时通常是非奇异的。也是对称半正定矩阵，在

两类条件下，它的值大于等于1。

3.2.2在一维Y空间

(1)各类样本均值

(5)

(2)样本类内离散度和总类内离散度

(6)

现在来定义Fisher准则函数。为了投影后，在一维Y空间里各类样本尽可能分得开些，即希望两类均值之差越大越好；同时希望各类样本内部尽量密集。即希望类内离散度越小越好。因此，定义Fisher准则函数：

(7)

应寻找的分子尽可能大而分母尽可能小，也就是是尽可能大的w作为投影方向。但上式并不显含w，因此必须设法将变成w的显函数，从的定义可推出：

(8)

这样，的分子就变为： (9)

下面求使取极大值。用Lagrange乘子法求解。另分母等于非零常数，定义lagrange函数为： (10)

式中为Lagrange乘子。对上式求偏导，得： (11)

令偏导数为零，得： (12)

其中就是使最大的极值解。因为非奇异，两边同时左乘，可得：

(13)

这实际上市求一般矩阵的特征值问题。利用的定义，可将上式改写为：

(14)

3.3支持向量机法：

支持向量机(Suppoa Vector Machine，SVM)法是在统计学习理论的基础上发展起来的一种新的模式识别方法，它是基于结构风险最小化原理的方法，对基于经验风险最小化的人工神经网络难以解决的一些问题，如：模型选择和过学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度上的解决。但是直接使用SVM方法进行人脸识别有两方面的困难：一是训练SVM需要求解二次规划问题，计算时间复杂度和空间复杂度都比较高；二是在非人脸样本不受限制时，需要极大规模的训练样本集合，得到的支持向量会很多，使得分类器的计算量过高。

针对这些问题的研究，出现了许多新的方法，如Platt提出的SMO(Sequential Minimal Optimization)算法有效地解决了第一个问题，Osuna等人在训练中使用了大量的人脸样本，采用自举的方法收集“非人脸样本，并采用逼近优化方法减少支持向量的数量，在一定程度上解决了第二个问题；梁路宏等采用模板匹配与SVM方法相结合的人脸检测算法，在模板匹配限定的子空间内采用自举的方法收集“非人脸样本”来训练SVM，降低了训练的难度和最终得到的支持向量规模，使得检测速度比单纯的SVM检测器提高了20倍，得到了与CMU的神经网络方法可比较的结果。Richman等提出用人脸中的鼻子区域训练SVM，减少了训练数据，且不用考虑SVM对发型、眼镜等饰物的影响，采集图像也不要求实现对人脸图像进行定位和归一化处理，该方法被应用于柯达公司的实时人脸检测系统中。

1.3.4基于核技术的方法

“核技巧”(Kerneltrick)J爱早是在支持向量机的研究中提出的。基于核的主分量分析(r，PCA)方法和基于核的Fisher鉴别分析方法(KH)A)是PeA和LDA的核推广，Baudat与Anouar提出了针对多分类问题的KFD方法，MingHuangYang讨论比较了基于核技巧的特征脸方法和Fisher脸方法。JianYang等人提出了KPCA+KFD的应用框架，在该框架下的核鉴别分析可利用两类鉴别信息，一类在类内散布矩阵(指实施KPCA变换后的类内散布矩阵)的零空间上得到，另一类在类内散布矩阵非零空间中得到。高秀梅提出核Foley.Sammon鉴别分析(核F-S鉴别分析，KFSD砧方法。徐勇等人从所有训练样本中选取少量的“显著”训练样本集，对核方法的特征抽取效率有较大提高。

核方法的基本思想是将原特征空间中的样本通过某种形式的非线性映射，变换到一个高维甚至无穷维的空间，并借助于“核技巧″在新的空间中应用线性的分析方法求解。由于新空间中的线性方向对应于原特征空间的非线性方向，所以基于核的鉴别分析得出的鉴别方向也对应原特征空间的非线性方向，基于核的鉴别分析是一种原始空间的非线性鉴别分析方法。相对于其它非线性方法，这种方法的独特和关键之处在于它巧妙地借助于搿核函数一进行样本之间的内积运算，随后对生成的核样本向量进行相应的线性运算求取鉴别向量集，而不需要求出原始特征空间样本进行非线性映射后的形式，使得它优于普通的非线性鉴别分析方法。

4基于模型的方法

柔性模型包括主动形状模型(ActiveShapeModels，ASMs)和主动表观模型(ActiveAppearance Models，AAMs)。ASMs/AAMs将人脸图像以形状和纹理两部分分别用PCA进行描述，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有很好的人脸合成能力，因此被广泛应用于人脸特征配准(FaceAlignment)和识别。

Georghiades等人提出的基于光照锥((Illumination Cones)模型在克服人脸识别中多姿态、复杂光照条件的影响方面获得了很好的效果。Georghiades等人发现：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥---即光照锥。光照锥模型能够在Lambertian模型、凸表面和远点光源假设条件下，根据未知光照条件的7幅同一视点图像恢复物体的3D形状和表面点的表面反射系数，而传统光度立体视觉能够根据给定的3幅已知光照条件的图像才能恢复物体表面的法向量方向，这样，就可以容易的合成该视角下任意光照条件的图像，完成光照锥的计算。识别则是通过计算输入图像到每个光照锥的距离来完成。

Blanz和Vetter提出的基于3D形变模型的人脸识别方法在建立3D形状和纹理统计变形模型的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行了建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。

5基于人工神经网络的方法

人工神经网络是模拟人的神经运作机理而提出的一种非线性方法。最早将人工神经网络应用于人脸识别工作的是Kohonen，其特点是利用网络的联想能力回忆人脸。随后，许多不同的网络结构被提出。Ranganath和Arun提出了用于人脸识别的径向基函数网络，Lin等人提出了用于人脸检测、眼睛定位和人脸识别的基于概率决策的神经网络，Lee等提出了用于人脸识别的模糊BP网络，Lawrence提出了用于人脸识别的卷积神经网纠。

神经网络的优势是通过学习的过程获得对这此规律和规则的隐性表达，它的适应性较强。

6弹性图匹配方法

6.1.弹性束图匹配(ElasticBunchGraphMatching，EBGM)堤此类最成功的一种方法。它基于动态链接结构(DLA，DynamisLinkArchitecture)，以一个属性束图来描述人脸，其中属性束图的顶点为已定义的面部关键特征点，其属性一般是通过Gabor小波变换获得的相应特征点处的多分辨率、多方向局部特征一称为Jet来表示；边的属性则为不同关键点之间的几何关系。整个识别过程包括对输入人脸图像通过一种优化搜索策略来定位预先定义的若干面部关键特征点，并提取它们的Jet特征，得到输入图像的属性图；然后计算其与库中人脸属性图的相似度来判断类别。

由于属性束图的动态特性，使该法对姿态、表情变化具有较高的鲁棒性；并且关键点的Jet特征也与人类视觉系统存在一定的共性。但由于在识别前需要配准若干面部关键特征点，计算相对耗时。

6.2.人脸定位

人脸定位阶段我们采用基于Adaboost统计学习方法的层叠分类器检测人脸。针对人脸识别中的具体情况，我们选择图像中检测到的最大人脸作为待识别的人脸。

6.3.特征点抽取

为了布置EGM中的特征点，我们需要抽取3个特征点，即两个眼睛中心和一个嘴巴中心，这里的眼睛中心并非指瞳孔中心，只是指眼睛区域的中心，这是考虑到很难鲁棒地抽取到瞳孔中心。我们参考DAM(Direct Appearance Model)方法[9]，提出了一种Simple DAM算法定位这些特征点。

在DAM方法中，提到形状和纹理之间，存在简单的线性关系：

其中t是经过一定校正的人脸纹理在其主分量空间的投影，s是形状在其主分量空间的投影。在我们的方法中，考虑最简单的情况，只需要3对对应点，就可以将非正面端正的人脸，校正到正面端正的姿态。根据DAM的方法，我们假设，人脸检测输出所框定的人脸纹理向量，与这张脸上的三个特征点“双眼和嘴巴中心”组成的向量之间存在上式的线性关系。经过训练，我们可以找到这个线性关系的映射矩阵。Simple DAM算法描述如下：

1.初始化当前纹理为检测结果框定的人脸纹理：

2.根据当前纹理，得到三个特征点的位置。如果三个特征点的位置和平均位置很接近，则结束；

3.根据三个特征点的位置，在整个图片(或者在包含脸部和周围的一个图像区域)上施加仿射变换，将倾斜人脸校正；根据这三个特征点的位置重新切出一个人脸区域得到新的人脸纹理，令当前纹理为校正后的人脸纹理；转到2。由于这种方法在本质上考虑了特征点与纹理的统计关系，具有很高的鲁棒性，避免了以往的方法只根据一幅图像单独处理易受噪声影响的不稳定问题。

由于这种方法在本质上考虑了特征点与纹理的统计关系，具有很高的鲁棒性，避免了以往的方法只根据一幅图像单独处理易受噪声影响的不稳定问题。

6.4.特征抽取

6.4.1.Gabor滤波器

在弹性图匹配算法中，人脸上的特征点采用Gabor滤波器进行特征抽取。Gabor核函数

为：

(1)

Gabor滤波器为：

(2)

其中波矢量为：

其中 (3)

其中频率系数V＝0，..，4；方向系数μ＝0，..，7，这样形成40个相关系数来描述灰度图像中点附近邻域的特征。

Gabor小波有以下几个特征：(1)中括号的第二项去除直流分量使得Gabor特征对光强变化具有鲁棒性；对比度的变化则由于小波进行了规范化而具有鲁棒性；是Gauss函数，这实际上是通过加窗限制了振荡函数的范围，使其只在局部有效，这样使得Gabor滤波可以容忍图象有一定的扭曲情况。

6.4.2.相似函数

对特征点的Gabor特征J：

其中 (4)

考虑如何度量特征间的相似性。

目前采用的相似函数有两种，一种是不考虑角度，只考虑幅值，比较两个特征的内积，称为角度无关的相似函数，定义如下

(5)

另一种是角度相关的相似函数，定义如下

(6)

其中

(7)

其中

在我们的系统中角度相关的相似函数有更好的性能。

6.5.人脸特征

在弹性图匹配方法中有三种常见的人脸特征方法。第一种是先定位若干人脸特征点，然后抽取这些特征点的Gabor特征，这些特征点以及特征点之间的边共同特征一张人脸，其中边是用来进行拓扑约束的。第二种是Wiskott[6]提出首先将库中同一人的每个特征点的特征组成一个类似堆栈的结构称为束(bunch)，从而将弹性图匹配发展为弹性束图匹配(Elastic Bunch Graph Matching(EBGM))的方法，这种方法的意义在于节省系统开销。第三种是由于发现在人脸识别中不需要特别精确的定位，甚至在无拓扑约束的情况下也能获得有拓扑约束的识别效果，还可以加快速度[5][7]，从而提出了只定位少量特征点，比如只定位两眼和嘴中心，在此基础上生成一张网格，抽取网格点的Gabor特征特征人脸。文献[7]中的实验结果表明第三种方法的效果比用EBGM的方法来的好。因此，本文采用文献[7]中方法，人脸特征如下：采用10x10的网格作为原始网格，首先将网格的第3行第4列定为左眼所在的位置，第3行第7列定为右眼所在的位置，嘴的位置定在第7行，然后在此基础上均匀分布其它网格点。

但是可以看出这10x10的网格点并不是都分布在脸上的。有一小部分分布在非人脸区域，有一部分分布在人脸轮廓上，随着人脸的转动会超出人脸区域，还有一部分点处于人脸区域中心。把这些点都作为特征点是不合适的，至少非人脸区域的点应该排除在外，其次每个特征点的权重应该是不同的，比如分布在人脸轮廓上的点在不同姿态时有可能会超出人脸区域，它们如果和人脸区域中心的点有相同的权重也是不合理的。因此要对特征点进行筛选，考察它们的权重。下节我们将对10x10个特征点进行筛选与排序。

6.6.人体特征排序

检测每个特征点的类间距，用它来度量特征点的识别能力。首先我们将10*10的原始特征网格点作为候选特征点，对视频流的每一帧采集这100个候选特征点的Gabor特征，对库中的每个人脸模型计算相似度，获得最高相似度的人脸模型将获得一票，这个结果同时包含了两个方面。一是特征筛选，一个是特征排序。

就特征筛选而言，首先很多特征点在人脸转动的过程中大部分时间处在人脸的范围之外，这是一定要筛除的，其次即使是在人脸范围以内的点也不是都能用来特征人脸的，将它们都计入相似度只会对Gabor特征数据带来干扰，缩小内间距，乃至颠倒识别结果。因此必须进行特征筛选，将不适用的特征剔除，这将有效地扩大类间距，加强系统的人脸识别能力，提高系统的鲁棒性。特征筛选的另一个好处是显而易见的：可以提高系统的速度。用筛选出来的若干个点进行识别，在提高识别能力的同时也提高了系统的识别速度。

6.7.相似度比对

特征筛选与排序的结果提高了在光照比较均匀，无遮挡，人脸局部变形不太大的情况下人脸识别对姿态的鲁棒性，并且提高了速度。这是一种比较理想的情况，那么在光照不太均匀如光照过强，有阴影的情况下，在有遮挡的情况下，或者有比较大的局部变形，如眼睛闭合，嘴巴张大等比较常见的情况下将如何处理？以下我们对这样的情况进行讨论。首先来考察在这三种情况下特征相似度的表现特征，然后根据这种特征重新定义相似性函数，将这三种情况影响下的特征点排除在相似度测量之外，从而提高人脸识别的鲁棒性。人脸的特征点与库中正确人脸模型上的对应的特征点相似度很小，我们称之为特征失效或者特征失败。这三种情况共同的表现是：在特定区域中的特征点与库中的任何人脸模型上的对应的特征点都不相似。这就决定了该区域相似度的特性。在实验中可以观察到在这些区域内相似度是随机的，跟没有失效的特征点相比涨落很大，相似度不一定在哪个人脸模型上取得最大值，而且这些特征失效区域的位置是无法预知的。这样任何人脸模型上特征取得最大值的次数都不太多，而且人脸库容量越大，每个人脸模型上获得最大值的机会越少。这是由于特征点与库中的任何人脸模型上的对应的特征点都不相似，理论上在每个人脸模型上等概率取得最大值。我们的解决方案是改进相似函数动态筛选特征以改进人脸识别的鲁棒性。

本发明所设计的模块，除了可以由上述实施例举例的实现方式实现意外，均还可以由模拟和/或数字电路等硬件电路构成。本领域技术人员在常规模拟/数字电路的设计基础上，根据本发明公开的内容，可以实现相应的功能。

采用本发明提供的二维码生成方法、人像识别方法、身份验证方法及装置，可将人脸信息及照片通过二维码进行存储，隐蔽性强，便于携带、传输、分析。

Claims

1.一种二维码生成装置，其特征在于：包括依序电性连接的人像获取模块、人像面部特征提取模块和二维码生成模块，所述人像获取模块用于采集人像信息并发送至人像面部特征提取模块；所述人像面部特征提取模块用于通过人脸识别技术，提取分析出人像信息中的人脸特征数据，并将提取到的人脸特征数据发送至二维码生成模块；所述二维码生成模块用于将所述人脸特征数据通过编码生成含有人脸特征数据的二维码。

2.根据权利要求1所述的二维码生成装置，其特征在于：所述二维码生成模块具体用于根据人脸特征数据和二维码的对应关系，将所述人脸特征数据通过编码生成含有人脸特征数据的二维码。

3.根据权利要求2所述的二维码生成装置，其特征在于：所述人脸特征数据包括人脸特征值、面纹编码和人脸图片中的至少一个所述二维码包括Base64编码类型的二维码。

4.一种人像识别装置，其特征在于：包括依序电性连接的二维码识读模块、二维码中人脸特征提取模块和人像图片／人像特征生成模块；所述二维码识读模块用于采集二维码，并将该二维码发送到所述二维码中人脸特征提取模块；所述二维码中人脸特征提取模块用于通过解码算法，提取分析出二维码中的人脸特征数据，并将提取到的人脸特征数据发送至人像图片／人像特征生成模块；所述人像图片／人像特征生成模块用于将人脸特征数据还原成人像图片，或人像特征图片。

5.根据权利要求4所述的人像识别装置，其特征在于：所述二维码中人脸特征提取模块具体用于根据人脸特征数据和二维码的对应关系，将所述二维码通过译码生成人脸特征数据。

6.根据权利要求2所述的人像识别装置，其特征在于：所述人脸特征数据包括人脸特征值、面纹编码和人脸图片中的至少一个所述二维码包括Base64编码类型的二维码。

7.一种身份验证装置，其特征在于：包括：二维码识读模块、二维码中面部特征值提取模块、人像获取模块、人像面部特征值提取模块和分析比对模块，所述二维码识读模块连接至所述二维码中面部特征值提取模块，所述二维码中面部特征值提取模块连接至所述分析比对模块，所述人像获取模块连接至所述人像面部特征值提取模块，所述人像面部特征值提取模块连接至所述分析比对模块；

8.根据权利要求7所述的身份验证装置，其特征在于：所述身份验证装置还包括比对结果输出模块，所述分析比对模块连接至所述比对结果输出模块；所述比对结果输出模块用于提供的人机交互界面，显示比对结果。

9.根据权利要求7或8所述的身份验证装置，其特征在于：所述二维码中人面部特征提取模块具体用于根据人脸特征数据和二维码的对应关系，将所述二维码通过译码生成人脸特征数据。

10.根据权利要求7或8所述的身份验证装置，其特征在于：所述人脸特征数据包括人脸特征值、面纹编码和人脸图片中的至少一个所述二维码包括Base64编码类型的二维码。