CN111414785A - 身分辨识系统及身分辨识方法 - Google Patents

身分辨识系统及身分辨识方法 Download PDF

Info

Publication number
CN111414785A
CN111414785A CN201910079527.0A CN201910079527A CN111414785A CN 111414785 A CN111414785 A CN 111414785A CN 201910079527 A CN201910079527 A CN 201910079527A CN 111414785 A CN111414785 A CN 111414785A
Authority
CN
China
Prior art keywords
module
feature
face
features
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910079527.0A
Other languages
English (en)
Inventor
吴炳飞
黄柏维
陈文忠
陈冠宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Spring Foundation of NCTU
Original Assignee
Spring Foundation of NCTU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Spring Foundation of NCTU filed Critical Spring Foundation of NCTU
Publication of CN111414785A publication Critical patent/CN111414785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种身分辨识系统包括目标区域撷取模块、光体积变化描记信号转换模块、生物特征转换模块、人脸特征撷取模块、及比对模块。目标区域撷取模块用以自多张人脸图像撷取出多张目标区域图像。光体积变化描记信号转换模块用以根据多张目标区域图像转换出光体积变化描记信号。生物特征转换模块用以将光体积变化描记信号转换为生物特征。人脸特征撷取模块用以自多张人脸图像中的一者撷取出人脸特征。比对模块用以将人脸特征和生物特征融合成混合特征，并将混合特征与数据库中的多个混合特征进行相似度计算，以确定被辨识者身分。本揭示内容的身分辨识系统具有高准确率的身分辨识能力，还可确认被辨识者为活体而非照片。

Description

身分辨识系统及身分辨识方法
技术领域
本发明是关于一种身分辨识系统，以及关于一种身分辨识方法。
背景技术
人脸辨识是通过分析人脸器官的形状和位置关系来进行身分辨识的一种身分辨识技术。现阶段，可通过影像感测器拍摄被辨识者的人脸图像，并从人脸图像撷取出人脸特征。接着，将人脸特征与数据库中已知身分的各张人脸图像的人脸特征进行比对，从而根据比对结果确定被辨识者的身分。
然而，传统的人脸辨识无法分辨活体与照片的区别。以人脸辨识管制系统为例，若有人使用与数据库中的人脸图像相同的照片进行人脸辨识，亦有可能通过人脸辨识管制系统。
由此可见，上述现有的方式，显然仍存在不便与缺陷，而有待改进。为了解决上述问题，相关领域莫不费尽心思来谋求解决之道，但长久以来仍未发展出适当的解决方案。
发明内容
本发明的一态样是提供一种身分辨识系统，包括目标区域撷取模块、光体积变化描记信号转换模块、生物特征转换模块、人脸特征撷取模块、以及比对模块。目标区域撷取模块用以自被辨识者在不同时间的多张人脸图像中撷取出多张目标区域图像。光体积变化描记信号转换模块用以根据多张目标区域图像转换出光体积变化描记信号。生物特征转换模块用以将光体积变化描记信号转换为生物特征。人脸特征撷取模块用以自多张人脸图像中撷取出人脸特征。比对模块用以将人脸特征和生物特征融合成混合特征，并将混合特征与预先储存于数据库中的各自对应于不同身分的多个混合特征进行相似度计算，并根据相似度计算结果，确定被辨识者的身分。
在本发明某些实施方式中，生物特征转换模块包括分析转换子模块和降维子模块。分析转换子模块用以根据时频分析法、去趋势波动分析法或上述的组合，将光体积变化描记信号转换为多个特征数据。降维子模块用以将多个特征数据进行降维，以产生生物特征。
在本发明某些实施方式中，时频分析法包括短时距傅立叶转换、连续小波转换或离散小波转换。
在本发明某些实施方式中，降维子模块是通过递回神经网络或递回卷积神经网络进行降维。
在本发明某些实施方式中，人脸特征撷取模块包括前处理子模块和特征撷取子模块。前处理子模块用以对多张人脸图像进行前处理以产生前处理后的人脸图像。特征撷取子模块用以自前处理后的人脸图像撷取出人脸特征。
在本发明某些实施方式中，特征撷取子模块是通过卷积神经网络来撷取出人脸特征。
在本发明某些实施方式中，比对模块包括特征混合子模块和计算子模块。特征混合子模块用以将人脸特征和生物特征融合成混合特征。计算子模块用以将混合特征与数据库中的多个混合特征进行相似度计算。
在本发明某些实施方式中，身分辨识系统进一步包括生理信号计算模块。生理信号计算模块用以根据光体积变化描记信号，计算出被辨识者的生理信号。
本发明的另一态样是提供一种身分辨识方法，包括下列步骤：(i)提供被辨识者在不同时间的多张人脸图像；(ii)自多张人脸图像撷取出多张目标区域图像；(iii)根据多张目标区域图像转换出光体积变化描记信号；(iv)将光体积变化描记信号转换为生物特征；(v)自多张人脸图像中撷取出人脸特征；(vi)将人脸特征和生物特征融合成混合特征；以及(vii)将混合特征与预先储存于数据库中的各自对应于不同身分的多个混合特征进行相似度计算，并根据相似度计算结果，确定被辨识者的身分。
在本发明某些实施方式中，步骤(iv)还包括下列子步骤：(a)根据时频分析法、去趋势波动分析法或上述的组合，将光体积变化描记信号转换为多个特征数据；以及(b)将多个特征数据进行降维，以产生生物特征。
以下将以实施方式对上述的说明作详细的描述，并对本发明的技术方案提供更进一步的解释。
附图说明
图1为本发明一实施方式的身分辨识系统的方块示意图；
图2为本发明一实施方式的生物特征转换模块的方块示意图；
图3为本发明一实施方式的人脸特征撷取模块的方块示意图；
图4为本发明一实施方式的比对模块的方块示意图；
图5A～图5B为本发明一实施方式的身分辨识系统的运作方法的流程图。
具体实施方式
为了使本揭示内容的叙述更加详尽与完备，下文针对了本发明的实施态样与具体实施例提出了说明性的描述；但这并非实施或运用本发明具体实施例的唯一形式。以下所揭露的各实施例，在有益的情形下可相互组合或取代，也可在一实施例中附加其他的实施例，而无须进一步的记载或说明。在以下描述中，将详细叙述许多特定细节以使读者能够充分理解以下的实施例。然而，可在无此等特定细节的情况下实践本发明的实施例。
兹将本发明的实施方式详细说明如下，但本发明并非局限在实施例范围。
图1绘示本发明一实施方式的身分辨识系统100的方块示意图。身分辨识系统100包括目标区域撷取模块110、光体积变化描记信号转换模块120、生物特征转换模块130、人脸特征撷取模块140、以及比对模块150。
目标区域撷取模块110用以自被辨识者在不同时间的多张人脸图像中撷取出多张目标区域图像。具体地，目标区域撷取模块110从一外部装置(未绘示)接收多张人脸图像。举例来说，外部装置可为影像感测器，且多张人脸图像是通过影像感测器对被辨识者的脸部进行连续拍摄得到。因此，各张人脸图像之间具有时间间隔关系。
目标区域图像从人脸图像中撷取出来。由于各张人脸图像之间具有时间间隔关系，因此撷取出的各张目标区域图像之间亦具有时间间隔关系。
须说明的是，可调控目标区域撷取模块110以确定所欲撷取的目标区域。在一些实施例中，所欲撷取的目标区域为脸颊部分，因此调控目标区域撷取模块110使得所撷取出的目标区域图像为被辨识者的脸颊部分的图像，但不以此为限。当所欲撷取的目标区域为额头部分或眼睛周围部分时，由于这些目标区域常被被辨识者的刘海或配戴的眼镜所遮蔽，因此容易影响在下文将叙述的光体积变化描记信号转换模块120的运作。另外，当所欲撷取的目标区域为嘴巴周围部分时，则容易因被辨识者的嘴部动作(例如张嘴笑)而影响光体积变化描记信号转换模块120的运作。
光体积变化描记信号转换模块120用以根据多张目标区域图像转换出一光体积变化描记(photoplethysmography，PPG)信号。须说明的是，光在穿过人体皮肤时，会被不同的组织吸收而衰减。而人体的组织组成应是固定的，因此光的衰减量应该是固定的。但血管中的血液会随着心脏的跳动有明显的体积变化，此一周期性的体积变化就会产生不一样的衰减量。因此，当光穿透皮肤的组织时，可通过观察光的强度衰减，得到一具有周期性、上下起伏的波形图。据此，如前所述，各张目标区域图像之间具有时间间隔关系，从而光体积变化描记信号转换模块120可根据多张目标区域图像的光的强度变化情形，转换出一光体积变化描记信号。在一些实施例中，光体积变化描记信号转换模块120是通过独立分量分析(independent vector analysis，IVA)法、独立成分分析(independent componentanalysis，ICA)法或主成分分析(principle component analysis，PCA)法来进行分析，从而转换出光体积变化描记信号。
生物特征转换模块130用以将光体积变化描记信号转换为一生物特征。请同时参考图2，图2绘示本发明一实施方式的生物特征转换模块130的方块示意图。具体地，生物特征转换模块130包括分析转换子模块131和降维子模块132。分析转换子模块131用以根据时频分析法、去趋势波动分析(detrended fluctuation analysis，DFA)法或上述的组合，将光体积变化描记信号转换为多个特征数据。在一些实施例中，时频分析法包括短时距傅立叶转换(short time fourier transform，STFT)、连续小波转换(continuous wavelettransform，CWT)或离散小波转换(discrete wavelet transform，DWT)。降维子模块132用以将多个特征数据进行降维，以产生生物特征。在一些实施例中，降维子模块132是通过递回神经网络(recursive neural network，RNN)或递回卷积神经网络(recursiveconvolutional neural network，RCNN)进行降维。
人脸特征撷取模块140用以自多张人脸图像中撷取出一人脸特征。请同时参考图3，图3绘示本发明一实施方式的人脸特征撷取模块140的方块示意图。具体地，人脸特征撷取模块140包括前处理子模块141和特征撷取子模块142。前处理子模块141用以对多张人脸图像进行前处理以产生一前处理后的人脸图像。详细而言，为了供特征撷取子模块142可精确地进行人脸特征的撷取，至少一张人脸图像被前处理子模块141进行前处理。而前处理可包括将彩色的人脸图像进行灰度化、通过剪裁或缩放来重新调整人脸图像、对人脸图像进行降噪、补光或加亮等处理或上述的组合。特征撷取子模块142则用以自前处理后的人脸图像撷取出人脸特征。在一些实施例中，特征撷取子模块142是通过卷积神经网络(convolutional neural network，CNN)来撷取出人脸特征。
比对模块150用以将人脸特征和生物特征融合成一混合特征，并将混合特征与预先储存于一数据库中的各自对应于不同身分的多个混合特征进行相似度计算，并根据相似度计算结果，确定被辨识者的身分。请同时参考图4，图4绘示本发明一实施方式的比对模块150的方块示意图。具体地，比对模块150包括特征混合子模块151和计算子模块152。特征混合子模块151用以执行一特征混合程序以将人脸特征和生物特征融合成混合特征。详细而言，人脸特征和生物特征可用特征向量来表示，而通过特征混合程序后得到的混合特征亦可用特征向量来表示。计算子模块152用以将混合特征与数据库中的多个混合特征进行相似度计算。
举例来说，计算子模块152可根据欧氏距离计算法或余弦距离计算法来进行相似度计算。所谓欧氏距离计算法是指在空间中两个点之间的真实距离，或者向量的自然长度(即点到原点的距离)。当使用欧氏距离计算法来计算相似度时，若分别对应于两个图像的两个特征向量的欧氏距离越小，表示两个图像的相似度越大。反之，若欧氏距离越大，则表示两个图像的相似度越小。所谓余弦距离计算法是用空间中两个向量夹角的余弦值作为衡量两个图像间差异的大小的度量。当余弦值越大，表示两个图像间相似度越大。反之，当余弦值越小，则表示两个图像间相似度越小。
应理解的是，可根据计算子模块152的相似度计算结果，确定被辨识者的身分。具体地，当混合特征与数据库中的特定混合特征的相似度满足预设条件时，则判断被辨识者为特定混合特征所对应的身分。在一些实施例中，所谓“满足预设条件”可为混合特征与数据库中的特定混合特征的相似度大于预设相似度，而预设相似度的值可以根据需要而设置。例如，预设相似度的值可为90％～100％，例如92％、95％、98％或99％。
如前所述，传统的人脸辨识无法分辨活体与照片的区别。然而，本揭示内容的身分辨识系统100结合了用于产生生物特征的光体积变化描记信号转换模块120与生物特征转换模块130。由于光体积变化描记信号转换模块120和生物特征转换模块130无法从照片产生生物特征，因此身分辨识系统100可确认被辨识者为活体而非照片。
另一方面，在一些实施例中，身分辨识系统100进一步包括生理信号计算模块160。生理信号计算模块160用以根据光体积变化描记信号，计算出被辨识者的一生理信号。在一些实施例中，生理信号包括心律变异、心跳或上述的组合。通过生理信号计算模块160的设置，可在确定被辨识者的身分同时，提供被辨识者的生理信号。例如，本揭示内容的身分辨识系统100可用于医疗照护机构的进出人员管制。如此一来，除了可进行身分辨识之外，还能同时记录多个被辨识者的生理状况。
为了详加叙述身分辨识系统100的运作方式，以下将搭配图5A和图5B来做说明。图5A和图5B绘示本发明一实施方式的身分辨识系统100的运作方法200的流程图。应了解到，在图5A和图5B中所提及的步骤，除特别叙明其顺序者外，均可依实际需要调整其前后顺序，亦可同时或部分同时执行，甚至可增加额外步骤或省略部份步骤。
请同时参照图1、图5A、以及图5B。首先，于步骤S10中，提供被辨识者在不同时间的多张人脸图像。例如，通过诸如影像感测器的一外部装置(未绘示)对被辨识者的脸部进行连续拍摄得到多张人脸图像。
于步骤S20中，目标区域撷取模块110自多张人脸图像撷取出多张目标区域图像。具体地，目标区域撷取模块110从外部装置接收多张人脸图像后，从多张人脸图像中撷取出多张目标区域图像。
于步骤S30中，光体积变化描记信号转换模块120根据多张目标区域图像转换出光体积变化描记信号。
于步骤S40中，生物特征转换模块130将光体积变化描记信号转换为生物特征。具体地，如图2所示，生物特征转换模块130的分析转换子模块131根据时频分析法、去趋势波动分析法或上述的组合，将光体积变化描记信号转换为多个特征数据，而生物特征转换模块130的降维子模块132将多个特征数据进行降维，以产生生物特征。
于步骤S50中，人脸特征撷取模块140自多张人脸图像中撷取出人脸特征。具体地，如图3所示，人脸特征撷取模块140的前处理子模块141对多张人脸图像进行前处理以产生前处理后的人脸图像，而人脸特征撷取模块140的特征撷取子模块142自前处理后的人脸图像撷取出人脸特征。
于步骤S60中，比对模块150将人脸特征和生物特征融合成混合特征。具体地，如图4所示，比对模块150的特征混合子模块151执行一特征混合程序以将人脸特征和生物特征融合成混合特征。
于步骤S70中，比对模块150将混合特征与预先储存于数据库中的多个混合特征进行相似度计算，以确定被辨识者的身分。具体地，比对模块150的计算子模块152将混合特征与预先储存于数据库中的各自对应于不同身分的多个混合特征进行相似度计算，并根据相似度计算结果，确定被辨识者的身分。
综上所述，本揭示内容的身分辨识系统结合了光体积变化描记信号转换模块与生物特征转换模块。因此，除了提高身分辨识的准确率之外，还可确认被辨识者为活体而非照片。
虽然本发明已以实施方式揭露如上，但其他实施方式亦有可能。因此，所请权利要求的精神与范围并不限定于此处实施方式所含的叙述。
任何熟悉此技艺者可明了，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。

Claims (10)

1.一种身分辨识系统，其特征在于，包括：
一目标区域撷取模块，用以自一被辨识者在不同时间的多张人脸图像中撷取出多张目标区域图像；
一光体积变化描记信号转换模块，用以根据所述多张目标区域图像转换出一光体积变化描记信号；
一生物特征转换模块，用以将该光体积变化描记信号转换为一生物特征；
一人脸特征撷取模块，用以自所述多张人脸图像撷取出一人脸特征；以及
一比对模块，用以将该人脸特征和该生物特征融合成一混合特征，并将该混合特征与预先储存于一数据库中的各自对应于不同身分的多个混合特征进行相似度计算，并根据相似度计算结果，确定该被辨识者的身分。
2.根据权利要求1所述的身分辨识系统，其特征在于，该生物特征转换模块包括：
一分析转换子模块，用以根据时频分析法、去趋势波动分析法或上述的组合，将该光体积变化描记信号转换为多个特征数据；以及
一降维子模块，用以将所述多个特征数据进行降维，以产生该生物特征。
3.根据权利要求2所述的身分辨识系统，其特征在于，该时频分析法包括短时距傅立叶转换、连续小波转换或离散小波转换。
4.根据权利要求2所述的身分辨识系统，其特征在于，该降维子模块是通过递回神经网络或递回卷积神经网络进行降维。
5.根据权利要求1所述的身分辨识系统，其特征在于，该人脸特征撷取模块包括：
一前处理子模块，用以对所述多张人脸图像进行前处理以产生一前处理后的人脸图像；以及
一特征撷取子模块，用以自该前处理后的人脸图像撷取出该人脸特征。
6.根据权利要求5所述的身分辨识系统，其特征在于，该特征撷取子模块是通过卷积神经网络来撷取出该人脸特征。
7.根据权利要求1所述的身分辨识系统，其特征在于，该比对模块包括：
一特征混合子模块，用以执行一特征混合程序以将该人脸特征和该生物特征融合成该混合特征；以及
一计算子模块，用以将该混合特征与该数据库中的所述多个混合特征进行相似度计算。
8.根据权利要求1所述的身分辨识系统，其特征在于，进一步包括一生理信号计算模块，用以根据该光体积变化描记信号，计算出该被辨识者的一生理信号。
9.一种身分辨识方法，其特征在于，包括下列步骤：
(i)提供一被辨识者在不同时间的多张人脸图像；
(ii)自所述多张人脸图像撷取出多张目标区域图像；
(iii)根据所述多张目标区域图像转换出一光体积变化描记信号；
(iv)将该光体积变化描记信号转换为一生物特征；
(v)自所述多张人脸图像中撷取出一人脸特征；
(vi)将该人脸特征和该生物特征融合成一混合特征；以及
(vii)将该混合特征与预先储存于一数据库中的各自对应于不同身分的多个混合特征进行相似度计算，并根据相似度计算结果，确定该被辨识者的身分。
10.根据权利要求9所述的身分辨识方法，其特征在于，步骤(iv)还包括下列子步骤：
(a)根据时频分析法、去趋势波动分析法或上述的组合，将该光体积变化描记信号转换为多个特征数据；以及
(b)将所述多个特征数据进行降维，以产生该生物特征。
CN201910079527.0A 2019-01-07 2019-01-28 身分辨识系统及身分辨识方法 Pending CN111414785A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108100583A TWI690856B (zh) 2019-01-07 2019-01-07 身分辨識系統及身分辨識方法
TW108100583 2019-01-07

Publications (1)

Publication Number Publication Date
CN111414785A true CN111414785A (zh) 2020-07-14

Family

ID=71134478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910079527.0A Pending CN111414785A (zh) 2019-01-07 2019-01-28 身分辨识系统及身分辨识方法

Country Status (3)

Country Link
US (1) US20200218884A1 (zh)
CN (1) CN111414785A (zh)
TW (1) TWI690856B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022161235A1 (zh) * 2021-01-26 2022-08-04 腾讯科技（深圳）有限公司 身份识别方法、装置、设备、存储介质及计算机程序产品
CN113128437A (zh) * 2021-04-27 2021-07-16 北京市商汤科技开发有限公司 身份识别方法及装置、电子设备和存储介质
CN114038144B (zh) * 2021-10-12 2023-04-14 中国通信建设第三工程局有限公司 一种基于ai的社区安防监测系统及方法
US20230267186A1 (en) * 2022-02-18 2023-08-24 Mediatek Inc. Authentication system using neural network architecture

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1585535A (zh) * 2003-08-22 2005-02-23 香港中文大学 具有综合生理参数测量功能的无线移动通信装置
TW201203134A (en) * 2010-03-24 2012-01-16 Ind Tech Res Inst Facial expression capturing method and apparatus therewith
CN102722696A (zh) * 2012-05-16 2012-10-10 西安电子科技大学 基于多生物特征的身份证与持有人的同一性认证方法
US20170302661A1 (en) * 2016-04-17 2017-10-19 International Business Machines Corporation Anonymizing biometric data for use in a security system
WO2018192406A1 (zh) * 2017-04-20 2018-10-25 腾讯科技（深圳）有限公司 身份验证方法及装置、存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102870136B (zh) * 2010-06-21 2017-05-10 宝丽化学工业有限公司 年龄估计方法
TWI605356B (zh) * 2014-07-08 2017-11-11 原相科技股份有限公司 應用生理特徵之個人化控制系統及其運作方法
US10262123B2 (en) * 2015-12-30 2019-04-16 Motorola Mobility Llc Multimodal biometric authentication system and method with photoplethysmography (PPG) bulk absorption biometric
US10335045B2 (en) * 2016-06-24 2019-07-02 Universita Degli Studi Di Trento Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions
TWI640294B (zh) * 2018-02-27 2018-11-11 國立臺北科技大學 Method for analyzing physiological characteristics in real time in video

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1585535A (zh) * 2003-08-22 2005-02-23 香港中文大学 具有综合生理参数测量功能的无线移动通信装置
TW201203134A (en) * 2010-03-24 2012-01-16 Ind Tech Res Inst Facial expression capturing method and apparatus therewith
CN102722696A (zh) * 2012-05-16 2012-10-10 西安电子科技大学 基于多生物特征的身份证与持有人的同一性认证方法
US20170302661A1 (en) * 2016-04-17 2017-10-19 International Business Machines Corporation Anonymizing biometric data for use in a security system
WO2018192406A1 (zh) * 2017-04-20 2018-10-25 腾讯科技（深圳）有限公司 身份验证方法及装置、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
C.STEPHEN FOSTER DIMITRI T.AZAR CLAES H.DOHLMAN: "角膜 理论基础和临床实践 第4版", pages: 50 *

Also Published As

Publication number Publication date
TWI690856B (zh) 2020-04-11
US20200218884A1 (en) 2020-07-09
TW202026945A (zh) 2020-07-16

Similar Documents

Publication Publication Date Title
CN111414785A (zh) 身分辨识系统及身分辨识方法
Alghoul et al. Heart rate variability extraction from videos signals: ICA vs. EVM comparison
Zhang et al. Driver drowsiness detection using multi-channel second order blind identifications
Savran et al. Bosphorus database for 3D face analysis
US9317761B2 (en) Method and an apparatus for determining vein patterns from a colour image
Lee A novel biometric system based on palm vein image
US8768014B2 (en) System and method for identifying a person with reference to a sclera image
US20220280087A1 (en) Visual Perception-Based Emotion Recognition Method
TW201235010A (en) Device and method for extracting information from characteristic signals
Wu et al. Motion resistant image-photoplethysmography based on spectral peak tracking algorithm
JP2000259814A (ja) 画像処理装置及びその方法
US11756338B2 (en) Authentication device, authentication method, and recording medium
Kossack et al. Automatic region-based heart rate measurement using remote photoplethysmography
Gupta et al. Accurate heart-rate estimation from face videos using quality-based fusion
Jabber et al. Robust eye features extraction based on eye angles for efficient gaze classification system
Vance et al. Deception detection and remote physiological monitoring: A dataset and baseline experimental results
Speth et al. Remote pulse estimation in the presence of face masks
KR102278410B1 (ko) 개인 건강 상태 동시 측정이 가능한 고성능 딥러닝 지정맥 인증 시스템 및 방법
Kossack et al. Local Remote Photoplethysmography Signal Analysis for Application in Presentation Attack Detection.
Zheng Static and dynamic analysis of near infra-red dorsal hand vein images for biometric applications
Malasinghe et al. A comparative study of common steps in video-based remote heart rate detection methods
Oviyaa et al. Real time tracking of heart rate from facial video using webcam
KR102123121B1 (ko) 사용자의 신원 파악이 가능한 혈압 모니터링 방법 및 시스템
CN115170513A (zh) 一种人体皮肤检测方法及其检测系统
Wang et al. Non-contact measurement of heart rate based on facial video

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200714