CN105447441A - 人脸认证方法和装置 - Google Patents

Abstract

本发明公开了一种人脸认证方法和装置，属于图像处理与模式识别领域。所述方法包括获取人脸图像样本对，对获取的人脸图像样本对进行分块，对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量，根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。本发明的人脸认证方法和装置有效地避免光照、表情和年龄等因素的干扰，同时也显著地提高了人脸认证的准确性。

Description

人脸认证方法和装置

技术领域

本发明涉及图像处理与模式识别领域，特别是指一种人脸认证方法和装置。

背景技术

随着人们对信息的安全性、隐蔽性的重视，身份认证技术变得越来越重要。传统的身份认证手段，如身份证、密码等，使用麻烦，最大的缺点在于它不能区分拥有者和冒充者。生物特征是人与生俱来的，并且有唯一性和不易复制性，因此，生物特征识别的研究具有重要意义。其中人脸识别的优点包括：不需要使用者配合；具有非接触型特点；实现设备简单；具有可跟踪性。由于人脸识别具有以上优点，因此该技术有着广泛的应用场景，在社会生活中，电子商务、金融机构、户籍管理等都具有重要的应用价值。

人脸认证是识别的一种形式，通过有效的表征人脸，得到两幅人脸图片的特征，利用分类算法来判定这两张照片是否是同一个人。人脸认证的流程主要分为三部分：人脸检测，特征提取与认证。由于人脸是一个三维形变模型，而且人脸认证是以摄像机成像模型所成的照片为介质的，所以认证的结果容易受到光照、姿态、表情和遮挡等外界因素的影响。与此同时，由于人脸认证技术涉及到了模式识别，统计学习，机器视觉，应用数学与信息科学等众多交叉学科，再加上其广泛的应用前景，受到了越来越多的关注。

目前，现有技术中较为成熟的人脸认证技术方法包括：基于几何特征的人脸认证方法、基于整体特征的人脸认证方法和基于局部特征的方法。这三种方法都容易受光照、姿态、表情等因素的影响，认证准确性低。

发明内容

本发明要解决的技术问题是提供一种抗干扰性强、准确性高的人脸认证方法和装置。

为解决上述技术问题，本发明提供技术方案如下：

一种人脸认证方法，包括：

获取人脸图像样本对；

对获取的人脸图像样本对进行分块；

对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量；

根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。

一种人脸认证装置，包括：

获取模块：用于获取人脸图像样本对；

分块模块：用于对获取的人脸图像样本对进行分块；

计算模块：用于对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量；

判断模块：用于根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。

本发明具有以下有益效果：

与现有技术相比，本发明的人脸认证方法首先获取人脸图像样本对；然后对获取的人脸图像样本对进行分块，采用图像分块处理能够实现对人脸图像的局部信息进行采集，降低了图像数据处理的运算难度；接下来对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量，由于图像的灰度特征是图像特征识别的主要参数，并且人脸的局部特征具有稳定性，同时HOG是在图像的局部方格单元上进行操作的，它对图像几何的和光学的形变都能保持很好的不变性，使该方法能够有效的避免了光照、表情和年龄等因素的干扰，进而有效地提高了人脸认证结果的准确性；最后根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。本发明的人脸认证方法有效地避免光照、表情和年龄等因素的干扰，同时也显著地提高了人脸认证的准确性。

附图说明

图1为本发明的人脸认证方法的流程示意图一；

图2为本发明的图像灰度差异特征提取的流程示意图；

图3为本发明的softmax回归模型进行人脸认证的流程示意图；

图4为本发明的人脸认证方法的流程示意图二；

图5为本发明的人脸认证装置的结构示意图一；

图6为本发明的人脸认证装置的结构示意图二。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种人脸认证方法，如图1所示，包括：

步骤S101：获取人脸图像样本对；

人脸图像样本对：在进行人脸认证过程中，通常是将实时检测到的人脸图像与已有数据库中的人脸图像进行比对1:1对比，这个过程称为认证，而在对比过程中所处理的两幅人脸图像(即包含一张实时图像和一张库内图像)即称为一个人脸样本对。

本步骤中，根据使用环境的不同，图像样本对可以由实时采集的人脸图像和数据库中存储的人脸图像构成，也可以由两幅数据库中存储的人脸图像构成，甚至是由两幅实时采集的人脸图像构成。

步骤S102：对获取的人脸图像样本对进行分块；

本步骤中，人脸图像的分块处理方法可以采用本领域技术人员公知的各种方法，例如离散非重合分块方法、窗口滑动遍历式分块方法等。

步骤S103：对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量；

本步骤中，对局部灰度特征向量和方向梯度直方图HOG向量的计算，能够有效的避免光照、表情、年龄等因素对结果的影响，提高人脸认证的准确性。

步骤S104：根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。

本发明中，该方法首先获取人脸图像样本对；然后对获取的人脸图像样本对进行分块，采用图像分块处理能够实现对人脸图像的局部信息进行采集，降低了图像数据处理的运算难度；接下来对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量，由于图像的灰度特征是图像特征识别的主要参数，并且人脸的局部特征具有稳定性，同时HOG是在图像的局部方格单元上进行操作的，它对图像几何的和光学的形变都能保持很好的不变性，使该方法能够有效的避免了光照、表情和年龄等因素的干扰，进而有效地提高了人脸认证结果的准确性；最后根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。本发明的人脸认证方法有效地避免光照、表情和年龄等因素的干扰，同时也显著地提高了人脸认证的准确性。

作为本发明的一种改进，步骤S102可以进一步为：对获取的人脸图像样本对进行多尺度、有重叠分块。

本步骤中，由于不同尺度下的局部图像会包含不同的边缘等信息，因此采用多尺度分块策略提取不同尺度下的局部信息，以此补充单一尺度特征造成的信息缺失。同时为了提取充分的图像特征，该方法还采用有重叠的分块策略对人脸图像进行分块。本步骤进一步避免了光照、表情等因素对认证结果的影响，同时也有效的加强了系统进行人脸认证的准确性。

下面以6*8的图像分为4*4的图像块为例进行说明：为了实现图像的多尺度、有重叠分块，设步长为2，则可以得到2*3＝6个4*4的小图，下面是图像的整体矩阵：

$\left[\begin{array}{cccccccc}\mathrm{1,1}& \mathrm{1,2}& \mathrm{1,3}& \mathrm{1,4}& \mathrm{1,5}& \mathrm{1,6}& \mathrm{1,7}& \mathrm{1,8}\\ \mathrm{2,1}& \mathrm{2,2}& \mathrm{2,3}& \mathrm{2,4}& \mathrm{2,5}& \mathrm{2,6}& \mathrm{2,7}& \mathrm{2,8}\\ \mathrm{3,1}& \mathrm{3,2}& \mathrm{3,3}& \mathrm{3,4}& \mathrm{3,5}& \mathrm{3,6}& \mathrm{3,7}& \mathrm{3,8}\\ \mathrm{4,1}& \mathrm{4,2}& \mathrm{4,3}& \mathrm{4,4}& \mathrm{4,5}& \mathrm{4,6}& 4,7& \mathrm{4,8}\\ \mathrm{5,1}& \mathrm{5,2}& \mathrm{5,3}& \mathrm{5,4}& \mathrm{5,5}& \mathrm{5,6}& \mathrm{5,7}& \mathrm{5,8}\\ \mathrm{6,1}& \mathrm{6,2}& \mathrm{6,3}& \mathrm{6,4}& \mathrm{6,5}& \mathrm{6,6}& \mathrm{6,7}& \mathrm{6,8}\end{array}\right]$

下面是图像经过多尺度、有重叠分块后的6个小矩阵：

$\left[\begin{array}{cccc}\mathrm{1,1}& \mathrm{1,2}& \mathrm{1,3}& \mathrm{1,4}\\ \mathrm{2,1}& \mathrm{2,2}& \mathrm{2,3}& \mathrm{2,4}\\ \mathrm{3,1}& \mathrm{3,2}& \mathrm{3,3}& \mathrm{3,4}\\ \mathrm{4,1}& \mathrm{4,2}& \mathrm{4,3}& \mathrm{4,4}\end{array}\right]\left[\begin{array}{cccc}\mathrm{1,3}& \mathrm{1,4}& \mathrm{1,5}& \mathrm{1,6}\\ \mathrm{2,3}& \mathrm{2,4}& \mathrm{2,5}& \mathrm{2,6}\\ \mathrm{3,3}& \mathrm{3,4}& \mathrm{3,5}& \mathrm{3,6}\\ \mathrm{4,3}& \mathrm{4,4}& \mathrm{4,5}& \mathrm{4,6}\end{array}\right]\left[\begin{array}{cccc}\mathrm{1,5}& \mathrm{1,6}& \mathrm{1,7}& \mathrm{1,8}\\ \mathrm{2,5}& \mathrm{2,6}& \mathrm{2,7}& \mathrm{2,8}\\ \mathrm{3,5}& \mathrm{3,6}& \mathrm{3,7}& \mathrm{3,8}\\ \mathrm{4,5}& \mathrm{4,6}& 4,7& \mathrm{4,8}\end{array}\right]$

$\left[\begin{array}{cccc}\mathrm{3,1}& \mathrm{3,2}& \mathrm{3,3}& \mathrm{3,4}\\ \mathrm{4,1}& \mathrm{4,2}& \mathrm{4,3}& \mathrm{4,4}\\ \mathrm{5,1}& \mathrm{5,2}& \mathrm{5,3}& \mathrm{5,4}\\ \mathrm{6,1}& \mathrm{6,2}& \mathrm{6,3}& \mathrm{6,4}\end{array}\right]\left[\begin{array}{cccc}\mathrm{3,3}& \mathrm{3,4}& \mathrm{3,5}& \mathrm{3,6}\\ \mathrm{4,3}& \mathrm{4,4}& \mathrm{4,5}& \mathrm{4,6}\\ \mathrm{5,3}& \mathrm{5,4}& \mathrm{5,5}& \mathrm{5,6}\\ \mathrm{6,3}& \mathrm{6,4}& \mathrm{6,5}& \mathrm{6,6}\end{array}\right]\left[\begin{array}{cccc}\mathrm{3,5}& \mathrm{3,6}& \mathrm{3,7}& \mathrm{3,8}\\ \mathrm{4,5}& \mathrm{4,6}& \mathrm{4,7}& \mathrm{4,8}\\ \mathrm{5,5}& \mathrm{5,6}& \mathrm{5,7}& \mathrm{5,8}\\ \mathrm{6,5}& \mathrm{6,6}& \mathrm{6,7}& \mathrm{6,8}\end{array}\right]$

该方法可以针对不同的图像采用不同的多尺度和有重叠分块策略，如10*10尺度下可以设定步长为5；20*20尺度下可以设定步长为10；30*30尺度下可以设定步长为15。

作为本发明的一种改进，步骤S103可以进一步为：对得到的分块，计算局部灰度向量余弦距离作为灰度特征向量，并计算局部HOG向量余弦距离作为HOG向量。

本步骤中，如图2所示，对计算完成的局部灰度向量余弦距离和局部HOG向量余弦距离组合构成集成向量。本发明中，对不同尺度的人脸图像采用的局部灰度向量余弦距离和局部HOG向量余弦距离的计算过程是相同的。针对两幅人脸图像，在同一尺度下进行相同形式的分块策略，得到相同数量的小图像。对于相同位置的两幅小图像，计算局部灰度向量余弦距离和局部HOG向量余弦距离：

1.下面以局部灰度向量余弦距离的计算为例进行说明，假设两个图像均为6*8的图像(矩阵里的每个元素的数值表示图像该位置的灰度值)，每个元素的数值都已经确定，利用4*4的尺度对每幅图像提取图像块，设定分块步长为2，设图像1的灰度矩阵为A₁，图像2的灰度矩阵为A₂：

对图像1和图像2分别提取相同位置的4*4尺度的左上方虚线框内的图像子矩阵a、b为：

$a=\left[\begin{array}{cccc}11& 58& 56& 25\\ 45& 58& 47& 35\\ 47& 87& 45& 1\\ 97& 11& 13& 74\end{array}\right]b=\left[\begin{array}{cccc}54& 39& 36& 23\\ 11& 13& 74& 87\\ 1& 1& 1& 78\\ 11& 13& 47& 47\end{array}\right]$

对图像1和图像2分别提取相同位置的4*4尺度的右下方虚线框内的图像子矩阵a′、b′为：

$a^{\′}=\left[\begin{array}{cccc}45& 1& 1& 1\\ 13& 74& 87& 49\\ 87& 15& 33& 55\\ 47& 54& 39& 36\end{array}\right]b^{\′}=\left[\begin{array}{cccc}1& 78& 55& 47\\ 47& 47& 87& 18\\ 18& 97& 11& 62\\ 62& 7& 83& 26\end{array}\right]$

1)分别将图像1和图像2的对应分块图像拉成向量：

图像1的左上方虚线框内图像块：

a＝[11，45,47,97,58,58,87,11,56,47,45,13,25,35,1,74]

图像2的左上方虚线框内图像块：

b＝[54,11,1,11,39,13,1,13,36,74,1,47,23,87,48,47]

图像1的右下方虚线框内图像块：

a′＝[45,13,87,47,1,74,15,54,1,87,33,39,1,49,55,36]

图像2的右下方虚线框内图像块：

b′＝[1,47,18,62,78,47,97,7,55,87,11,83,47,18,62,26]

2)计算对应图像块向量的余弦距离：

grayCosdis(a,b)＝1-cos(a,b)＝0.4809(1)

grayCosdis(a,b)＝1-cos(a′,b′)＝0.3561(2)

其中， $\cos (x,y)=\frac{x\×y^T}{\left|x\right|\·\left|y\right|}$

3)由于6*8的图像可以被划分成2*3＝6个图像块，因此会得到对应的6个余弦距离，这六个值可以组成一个向量[graycosdis1,graycosdis2,graycosdis3.,graycosdis4,graycosdis5,graycosdis6]，表示该人脸样本对在该尺度下的灰度差异特征。

2.本发明中的HOG是针对图像某个矩形区域中的梯度方向与强度的统计信息定义的一种特征，可以很好的表征局部区域内目标的边缘或者梯度结构，进而表征目标的形状。

HOG具体计算过程可以如下：

A(x,y)表示图像在像素点(x,y)的灰度值。

1)计算图像的一阶梯度。求导操作不仅能够捕获轮廓和一些纹理信息，

还能弱化光照的影响。计算方法如下：

G_x(x,y)＝A(x+1,y)-A(x-1,y)(3)

G_y(x,y)＝A(x,y+1)-A(x,y-1)(4)

G_x(x,y)和G_y(x,y)表示图像在(x,y)点处的垂直方向梯度和水平方向梯度的幅值。

在(x,y)点的梯度大小定义为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(5\right)$

在(x,y)点的梯度方向定义为：

$\mathrm{\ρ}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)---\left(6\right)$

把[0,π]的梯度方向划分成9个区间(bin)，各个像素点的幅值定义为：

${\mathrm{value}}_k(x,y)=\left\{\begin{array}{cc}G(x,y)& \mathrm{\ρ}(x,y)\∈{\mathrm{bin}}_k\\ 0& \mathrm{\ρ}(x,y)\∉{\mathrm{bin}}_k\end{array}\right.1\≤k\≤9---\left(7\right)$

2)将关注区域内所有像素点的梯度幅值进行累加，这样一个关注区域

内可以提取9个特征，累加方法如下：

B_k＝∑value_k(x,y)1≤k≤9(8)

B_k表示关注区域内第k个特征值，B即为关注区域内梯度直方图向量，能够表明关注区域内的梯度结构。

对于局部HOG特征的提取，与局部灰度差异特征相同，即使是在表情、年龄、光照等因素变化的情况下，人脸的局部梯度分布是基本稳定的，因此采用与局部灰度差异特征相同的分块方式提取局部梯度直方图差异特征，即分别计算待认证人脸样本对的对应块的梯度直方图向量，然后计算二者的余弦距离，作为图像梯度分布的相似度量。

本步骤中提出了一种采用局部灰度特征与局部HOG特征相结合的方法进行人脸图像样本对的计算，不仅能够在一定程度上解决表情、年龄、光照等因素对认证结果的影响，而且能够准确的实现人脸认证过程，和现有技术相比，该方法在算法的时间和空间的复杂度上都要优于现有技术。

作为本发明的一种改进，步骤S104可以进一步为：对计算出的局部灰度特征向量和局部HOG向量，采用softmax回归的人工神经网络分类模型进行处理，计算判断人脸图像样本对是否属于同一个人。本发明中也可以对计算出的局部灰度特征向量和局部HOG向量，采用SVM算法、朴素贝叶斯算法(nativebayes)、基于高斯过程的分类算法、adaboost算法或k-近邻算法(KNN)等进行处理，进而计算判断人脸图像样本对是否属于同一个人。

本步骤中，利用人工神经网络算法具有较好的训练和学习能力，把提取的人脸特征向量作为人工神经网络的输入，然后通过对网络参数的训练，以获得人脸识别分类器，从而完成对人脸的认证。对于本发明中优选的softmax回归模型神经网络算法，采用的是二分类情况下的softmax模型。softmax回归模型的具体算法可以参考如下：

假设，训练集由m个已标记的样本构成：X＝{(x⁽¹⁾,y⁽¹⁾)…(x^(m),y^(m))}，其中输入样本x⁽ⁱ⁾∈Rⁿ⁺¹(我们对符号的约定如下：特征向量x的维度为n+1，其中为截距项)。Softmax回归是针对多分类问题的方法，为了不失一般性，我们将标签(也即是期望输出)y的取值定为{1...K}(K>2)。

在softmax模型中，针对每一个给定的输入x，我们想用一个假设函数(hypothesisfunction)h_θ(x)，估算出对每一个标签类j的条件概率值p(y＝j|x)。也即是，假设函数对应每个样本的输出是一个K维向量，每个分量代表给定x的条件下各个分类的概率估计值。所以，本文中，我们将假设函数定义为如下形式：

$h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)=\left[\begin{array}{c}p(y=1|x^{\left(i\right)})\\ p(y=2|x^{\left(i\right)})\\ .\\ .\\ .\\ p(y=K|x^{\left(i\right)})\end{array}\right]=\frac{1}{{\mathrm{\Σ}}_{j=1}^K{e}^{{\mathrm{\θ}}_j^T{x}^{\left(i\right)}}}\left[\begin{array}{c}{e}^{{\mathrm{\θ}}_1^T{x}^{\left(i\right)}}\\ e^{{\mathrm{\θ}}_2^T{x}^{\left(i\right)}}\\ .\\ .\\ .\\ e^{{\mathrm{\θ}}_K^T{x}^{\left(i\right)}}\end{array}\right]\text{,}$ 其中 $\mathrm{\θ}=\left[\begin{array}{c}{\mathrm{\θ}}_1^T\\ {\mathrm{\θ}}_2^T\\ .\\ .\\ .\\ {\mathrm{\θ}}_K^T\end{array}\right],$ (9)

其中，θ_j∈Rⁿ⁺¹是模型的参数，与样本对应，θ_j,0是j类别的偏差项，是归一化系统。图3为softmax回归模型的神经网络表示，其中，1为第一个尺度下的灰度差异向量，2为第二个尺度下的灰度差异向量，3为最后一个尺度下的HOG差异向量，4为是同一个人的概率，5为不是同一个人的概率，当4大于5时，则判断获取的人脸图像样本对属于同一个人，当4小于5时，则判断获取的人脸图像样本对不属于同一个人。

本发明中，如图4所示，步骤S102之前可以包括步骤S105：

对人脸图像样本对进行对齐处理；

对对齐后的人脸图像样本对进行归一化和拉伸处理。

由于人脸在采集过程中会出现平移与旋转等姿态变化，为了避免姿态和位置信息对人脸认证的影响，本步骤中对人类图像样本对进行对齐处理，其中，人脸对齐方法可以采用本领域技术人员公知的各种方法均可，如基于人眼定位算法、主动形状模型(ActiveShapeModel，简称ASM)算法和主动表观模型(ActiveAppearanceModel，简称AAM)算法等。同时为了加强人脸图像样本对的一致性，从而避免光照、方向和噪声等因素的影响，本步骤中对对齐后的人脸图像样本对进行归一化和拉伸处理，其中，对人脸图像进行归一化和拉伸的方法可以采用本领域技术人员公知的各种方法均可，如采用图像均值-方差归一化和灰度双曲正切拉伸方法、最大值-最小值归一化和分段线性变换函数的灰度拉伸方法等。

优选的，步骤S105进一步为：

所述对人脸图像样本对进行对齐处理进一步为：采用基于人眼定位的人脸对齐算法对人脸图像样本对进行对齐处理；

所述对对齐后的人脸图像样本对进行归一化和拉伸处理进一步为：对对齐后的人脸图像样本对采用均值-方差归一化和灰度双曲正切拉伸处理。

本步骤中，具体可以采用：

1.基于人眼定位的对齐算法

基于人眼定位的对齐算法的核心思想是利用定位算法定位人脸区域中的两眼位置，并通过平移、缩放、旋转等操作使图像变换为统一大小，使相互比对的两幅图像中人眼固定在相同的位置，具体步骤如下：

1)利用人脸特征点定位算法对人脸图像进行眼睛定位，得到左眼坐标为(x1,y1),右眼坐标为(x2,y2)；

2)利用MATLAB自带函数cp2tform对人脸样本对中的两幅人脸图像分别进行变化；

3)经过步骤2)得到的两幅图像构成新的人脸样本对，本专利后续操作均在新人脸样本对上进行。

2.图像均值-方差归一化与灰度双曲正切拉伸

当前得到的人脸样本图像采集时会受到光照影响，该方法通过对图像进行均值-方差归一化与灰度双曲正切拉伸在一定程度上降低光照的影响。

图像均值-方差归一化公式为：

$g(i,j)=\frac{f(i,j)-\mathrm{mean}\left(f\right)}{\sqrt{\mathrm{var}\left(f\right)}}---\left(10\right)$

$\mathrm{mean}\left(f\right)=\frac{1}{\mathrm{NM}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f(i,j)---\left(11\right)$

$\mathrm{var}\left(f\right)=\frac{1}{\mathrm{NM}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(f(i,j)-\mathrm{mean}\left(f\right))}^2---\left(12\right)$

其中，g(i,j)表示归一化后(i,j)处的灰度值，f(i,j)表示归一化前(i,j)处的灰度值，mean(f)表示归一化前图像的平均值，var(f)表示归一化前图像灰度值的方差。

灰度双曲正切拉伸在图形均值-方差归一化操作之后进行。

$\tanh \left(x\right)=\frac{e^x+e^{-x}}{e^x-e^{-x}}---\left(14\right)$

其中表示拉伸后(i,j)处的灰度值，g(i,j)表示拉伸前(i,j)处的灰度值。

本发明中采用的基于人眼定位的人脸对齐算法、均值-方差归一化算法和灰度双曲正切拉伸算法均是采用数学领域中的基础算法进行的，使本发明不需要经过复杂冗长的数学运算过程就能够实现。

另一方面，本发明还提供了一种人脸认证装置，如图5所示，包括：

获取模块11：用于获取人脸图像样本对；

分块模块12：用于对获取的人脸图像样本对进行分块；

计算模块13：用于对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量；

判断模块14：用于根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。

本发明的人脸认证装置，首先获取模块1获取人脸图像样本对；然后分块模块2对获取的人脸图像样本对进行分块，采用图像分块处理能够实现对人脸图像的局部信息进行采集，降低了图像数据处理的运算难度；接下来计算模块13对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量，由于图像的灰度特征是图像特征识别的主要参数，并且人脸的局部特征具有稳定性，同时HOG是在图像的局部方格单元上进行操作的，它对图像几何的和光学的形变都能保持很好的不变性，使本发明能够有效的避免了光照、表情和年龄等因素的干扰，进而有效地提高了人脸认证结果的准确性；最后判断模块14根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。本发明的人脸认证装置有效地避免光照、表情和年龄等因素的干扰，同时也显著地提高了人脸认证的准确性。

作为本发明的一种改进，分块模块12可以进一步用于对获取的人脸图像样本对进行多尺度、有重叠分块。

本发明中，在接受外界图像时，会自动处理不同尺度的信息，不同尺度下的局部图像会包含不同的边缘等信息，因此采用多尺度分块策略提取不同尺度下的局部信息，以此补充单一尺度特征造成的信息缺失。同时为了提取充分的图像特征，本发明还采用有重叠的分块策略对人脸图像进行分块。本发明不仅能够在一定程度上解决光照、表情等因素对认证结果的影响，同时也有效的加强了系统进行人脸认证的准确性。

优选的，计算模块13，可以进一步用于对得到的分块，计算局部灰度向量余弦距离作为灰度特征向量，并计算局部HOG向量余弦距离作为HOG向量。

本发明中提出了一种采用局部灰度特征与局部HOG特征相结合的方法进行人脸图像样本对的计算，不仅能够在一定程度上解决表情、年龄、光照等因素对认证结果的影响，而且能够准确的实现人脸认证过程，和现有技术相比，本发明在算法的时间和空间的复杂度上都要优于现有技术。

作为本发明的一种改进，判断模块14，可以进一步用于对计算出的局部灰度特征向量和局部HOG向量，采用softmax回归模型的人工神经网络分类模型进行处理，计算判断人脸图像样本对是否属于同一个人。

作为本发明的一种改进，判断模块14，可以进一步用于对计算出的局部灰度特征向量和局部HOG向量，采用softmax回归的人工神经网络分类模型进行处理，计算判断人脸图像样本对是否属于同一个人。本发明中的判断模块14也可以对计算出的局部灰度特征向量和局部HOG向量，采用SVM算法、朴素贝叶斯算法(nativebayes)、基于高斯过程的分类算法、adaboost算法或k-近邻算法(KNN)等进行处理，进而计算判断人脸图像样本对是否属于同一个人。

本发明中的softmax回归模型的人工神经网络算法是一种模拟人类大脑思维方式的数学模型，它具有学习、记忆和纠错的功能。在本发明中，它具有提高人脸认证准确性的作用。它是把提取的人脸特征向量作为人工神经网络的输入，然后通过对网络参数的训练，以获得人脸识别分类器，从而完成对人脸的认证。

为了避免姿态和位置信息，以及光照等因素对人脸认证的影响，获取模块11和分块模块12之间连接有预处理模块15，如图6所示，用于对人脸图像样本对进行对齐处理；对对齐后的人脸图像样本对进行归一化和拉伸处理。

由于人脸在采集过程中会出现平移与旋转等姿态变化，为了避免姿态和位置信息对人脸认证的影响，本步骤中对人类图像样本对进行对齐处理；同时为了加强人脸图像样本对的一致性，从而避免光照、方向和噪声等因素的影响，本步骤中对对齐后的人脸图像样本对进行归一化和拉伸处理。

优选的，预处理模块15，进一步用于采用基于人眼定位的人脸对齐算法对人脸图像样本对进行对齐处理；对对齐后的人脸图像样本对采用均值-方差归一化和灰度双曲正切拉伸处理。

本发明中采用的基于人眼定位的人脸对齐算法、均值-方差归一化算法和灰度双曲正切拉伸算法均是采用数学领域中的基础算法进行的，使本发明不需要经过复杂冗长的数学运算过程就能够实现。

本发明利用局部灰度差异与局部梯度直方图差异，得到了人脸的差异表示，并且利用多尺度特征对人脸差异进行更全面的描述。本发明利用了局部纹理信息对光照，姿态，表情等具有鲁棒性的特点，同时算法的时间和空间的复杂度也比较低。在FERET数据库上，四个子库Fb，Fc，DupI，DupII分别取得了97.91％，73.20％，63.71％，49.57％的认证率(错误判对率为0.1％)。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种人脸认证方法，其特征在于，包括：

获取人脸图像样本对；

对获取的人脸图像样本对进行分块；

对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量；

根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。

2.根据权利要求1所述的人脸认证方法，其特征在于，所述对获取的人脸图像样本对进行分块进一步为：

对获取的人脸图像样本对进行多尺度、有重叠分块。

3.根据权利要求1所述的人脸认证方法，其特征在于，所述对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量进一步为：

对得到的分块，计算局部灰度向量余弦距离作为灰度特征向量，并计算局部HOG向量余弦距离作为HOG向量。

4.根据权利要求1所述的人脸认证方法，其特征在于，所述根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人进一步为：

对计算出的局部灰度特征向量和局部HOG向量，采用softmax回归的人工神经网络分类模型进行处理，计算判断人脸图像样本对是否属于同一个人。

5.根据权利要求1所述的人脸认证方法，其特征在于，所述对获取的人脸图像样本对进行分块之前包括：

对人脸图像样本对进行对齐处理；

对对齐后的人脸图像样本对进行归一化和拉伸处理。

6.根据权利要求5所述的人脸认证方法，其特征在于，所述对人脸图像样本对进行对齐处理进一步为：采用基于人眼定位的人脸对齐算法对人脸图像样本对进行对齐处理；

所述对对齐后的人脸图像样本对进行归一化和拉伸处理进一步为：对对齐后的人脸图像样本对采用均值-方差归一化和灰度双曲正切拉伸处理。

7.一种人脸认证装置，其特征在于，包括：

获取模块：用于获取人脸图像样本对；

分块模块：用于对获取的人脸图像样本对进行分块；

计算模块：用于对得到的分块计算局部灰度特征向量和局部方向梯度直方图HOG向量；

判断模块：用于根据计算出的局部灰度特征向量和局部HOG向量，计算判断人脸图像样本对是否属于同一个人。

8.根据权利要求7所述的人脸认证装置，其特征在于，所述分块模块，进一步用于对获取的人脸图像样本对进行多尺度、有重叠分块。

9.根据权利要求7所述的人脸认证装置，其特征在于，所述计算模块，进一步用于对得到的分块，计算局部灰度向量余弦距离作为灰度特征向量，并计算局部HOG向量余弦距离作为HOG向量。

10.根据权利要求7所述的人脸认证装置，其特征在于，所述判断模块，进一步用于对计算出的局部灰度特征向量和局部HOG向量，采用softmax回归的人工神经网络分类模型进行处理，计算判断人脸图像样本对是否属于同一个人。