CN115136187A - 控制方法、控制程序以及信息处理装置 - Google Patents

控制方法、控制程序以及信息处理装置 Download PDF

Info

Publication number
CN115136187A
CN115136187A CN202080097161.0A CN202080097161A CN115136187A CN 115136187 A CN115136187 A CN 115136187A CN 202080097161 A CN202080097161 A CN 202080097161A CN 115136187 A CN115136187 A CN 115136187A
Authority
CN
China
Prior art keywords
data
pieces
representative
person
captured
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
CN202080097161.0A
Other languages
English (en)
Inventor
内田秀继
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of CN115136187A publication Critical patent/CN115136187A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提高认证精度。处理部(12)接受人物的多个拍摄数据，基于多个拍摄数据的各自的质量和多个拍摄数据的数量，生成表示分别应用于多个拍摄数据的权重的权重信息。处理部(12)在根据多个拍摄数据计算代表多个拍摄数据的代表数据时，应用算法，在该算法中，生成的权重信息表示的权重越小，多个拍摄数据的各自的对代表数据的计算结果的影响越小。

Description

控制方法、控制程序以及信息处理装置
技术领域
本发明涉及控制方法、控制程序以及信息处理装置。
背景技术
当前，有时对人物的认证利用生物体信息。生物体信息是表示人的身体特征或者行动特征的信息。作为身体特征，例如能够列举指纹、静脉、虹膜、面部等。作为行动特征，例如能够列举笔迹等。
例如，有进行基于机械学习模型的物体识别的系统的提案。在所提案的系统中，机械学习模型构成为根据在在线训练的期间观察的物体的一个以上的例子，决定到在用于分类器的离线训练的期间所确立的规定的决定边界为止的距离，并且作为距离的函数，更新决定规则。另外，机械学习模型构成为基于更新后的决定规则，对未来例进行分类。
专利文献1：国际公开第2016/144523号
有通过信息处理装置，根据通过传感器等对某一人物获取到的多个拍摄数据制成与该人物对应的代表数据，并基于该代表数据进行人物的认证的情况。但是，在各拍摄数据中可能混入有与传感器的感测条件对应的噪声。因此，有由于混入到各拍摄数据的噪声的影响，而人物的特征不能适当地反映于代表数据的情况。若人物的特征未适当地反映于代表数据，则基于代表数据的人物的认证精度降低。
发明内容
在一个侧面，本发明的目的在于提供能够提高认证精度的控制方法、控制程序以及信息处理装置。
在一个方式中，提供控制方法。在该控制方法中，计算机接受人物的多个拍摄数据，基于多个拍摄数据的各自的质量和多个拍摄数据的数量，生成表示分别应用于多个拍摄数据的权重的权重信息，在根据多个拍摄数据计算代表多个拍摄数据的代表数据时，应用算法，在该算法中，生成的权重信息表示的权重越小，多个拍摄数据的各自的对代表数据的计算结果的影响越小。
另外，在一个方式中，提供控制程序。
另外，在一个方式中，提供信息处理装置。
在一个侧面，能够提高认证精度。
通过与表示作为本发明的例子而优选的实施方式的附图相关的以下的说明，本发明的上述以及其它的目的、特征以及优点变得更加明确。
附图说明
图1是表示第一实施方式的信息处理装置的处理例的图。
图2是表示第二实施方式的信息处理系统的例子的图。
图3是表示服务器的硬件例的图。
图4是表示服务器的功能例的图。
图5是表示学习数据表格的例子的图。
图6是表示人物代表数据表格的例子的图。
图7是表示聚类代表数据表格的例子的图。
图8是表示人物代表向量生成的例子的流程图。
图9是表示聚类代表向量生成的例子的流程图。
图10是表示认证的例子的流程图。
图11是表示第三实施方式的人物代表向量生成的例子的流程图。
具体实施方式
以下，参照附图对本实施方式进行说明。
[第一实施方式]
对第一实施方式进行说明。
图1是表示第一实施方式的信息处理装置的处理例的图。
信息处理装置10生成人物的认证所使用的每个人物的代表数据。基于拍摄人物的生物体特征而得到的拍摄数据生成代表数据。生物体特征包含人物的身体特征、行动特征。作为身体特征，例如能够列举指纹、静脉、虹膜、面部等。作为行动特征，例如能够列举笔迹等。在人物登记时，基于对该人物获取到的多个拍摄数据生成代表数据。拍摄数据例如是通过使用红外光或者可见光等进行拍摄的相机等传感器获取的图像。
信息处理装置10具有存储部11以及处理部12。
存储部11可以是RAM(Random Access Memory：随机存取存储器)等易失性存储装置，也可以是HDD(Hard Disk Drive：硬盘驱动器)、闪存等非易失性存储装置。处理部12能够包括CPU(Central Processing Unit：中央处理器)、DSP(Digital Signal Processor：数字信号处理器)、ASIC(Application Specific Integrated Circuit：专用集成电路)、FPGA(Field Programmable Gate Array：现场可编程门阵列)等。处理部12也可以是执行程序的处理器。这里所说的“处理器”也能够包括多个处理器的集合(多处理器)。
存储部11存储处理部12的处理所使用的信息。存储部11存储通过传感器预先拍摄到的人物的多个拍摄数据、以及与多个拍摄数据对应的多个质量信息。质量信息包含表示各拍摄数据的质量的指标值。
这里，拍摄数据的质量根据拍摄数据的感测条件而不同。关于对拍摄数据的质量造成影响的要素，例如若为面部图像，则考虑有拍摄时的抖动、照明的照射情况以及面部相对于相机等的透镜朝向的拍摄方向的倾斜(例如，朝向侧面等)等。由此，在将面部图像作为对象的情况下，表示质量的指标值例如也可以是根据面部的特征点(眼睛、鼻子、嘴等)的坐标数据估计出的、面部相对于拍摄方向的倾斜的大小、坐标间的照明变动的大小以及模糊的大小等。表示质量的指标值越大，即质量越好，拍摄数据中的噪声的影响越小。表示质量的指标值越小，即质量越差，拍摄数据中的噪声的影响越大。
与各拍摄数据相对应地获取质量信息，并预先储存于存储部11。也可以通过处理部12对各拍摄数据生成质量信息并储存于存储部11。另外，存储部11存储通过处理部12生成的各拍摄数据的权重信息、人物的代表数据。
处理部12接受人物的多个拍摄数据，基于多个拍摄数据的各自的质量和多个拍摄数据的数量，生成表示分别应用于多个拍摄数据的权重的权重信息。
处理部12在根据多个拍摄数据计算代表多个拍摄数据的代表数据时，应用生成的权重信息表示的权重越小，多个拍摄数据的各自的对代表数据的计算结果的影响越小的算法。
这里，假设在存储部11中，对某一人物存储有拍摄数据组20以及与拍摄数据组20对应的质量信息组30。例如，拍摄数据21是包含于拍摄数据组20的拍摄数据。例如，质量信息31是包含于质量信息组30的、表示与拍摄数据21对应的质量的指标值。
处理部12对拍摄数据组20生成权重信息组40。例如，权重信息41是表示与拍摄数据21对应的权重的信息。处理部12如以下那样生成权重信息组40。
在第一例中，处理部12对某一人物的多个拍摄数据的数量与阈值进行比较，根据比较，对每个人物选择权重的计算方法。在某一人物的多个拍摄数据的数量为阈值以上的情况下，处理部12使该人物的多个拍摄数据的各自的权重相同。这是因为在生成代表数据时，样本数越多，噪声的影响越减轻。
另一方面，在某一人物的多个拍摄数据的数量比阈值小的情况下，拍摄数据的质量越好，处理部12越增大该拍摄数据的权重。另外，拍摄数据的质量越差，处理部12越减小该拍摄数据的权重。这是因为质量越好，噪声的影响越小，所以相应的人物的特征适当地反映于拍摄数据的可能性越高。
此时，处理部12也可以根据该多个拍摄数据的数量相对于阈值的比率R1，决定质量对权重的影响的大小。例如，考虑比率R1越大，处理部12越减小质量对权重的影响，比率R1越小，处理部12越增大质量对权重的影响。这是因为比率R1越小，相应的人物的代表数据越容易受到噪声的影响。
或者，处理部12也可以根据该多个拍摄数据中的比规定的质量差的质量的拍摄数据的数量相对于该多个拍摄数据的数量的比率R2，决定质量对权重的影响的大小。例如，也考虑比率R2越小，处理部12越减小质量对权重的影响，比率R2越大，处理部12越增大质量对权重的影响。这是因为比率R2越大，相应的人物的代表数据越容易受到噪声的影响。
在第一例的情况下，例如处理部12将根据相应的人物的各拍摄数据的权重对表示各拍摄数据的特征的特征向量进行加权平均后的向量作为该人物的代表数据50。这样一来，权重信息表示的权重越小，该拍摄数据对代表数据50的计算结果的影响越小。
在第二例中，处理部12使用拍摄数据的特征量与表示质量的指标值的回归模型，估计特征量所包含的噪声成分。这里，特征量是拍摄数据的特征向量的一个要素。另外，以具有多个指标值的向量表示该情况下的质量。回归模型例如可以基于对多个人物得到的多个拍摄数据生成，也可以基于相应的人物的多个拍摄数据生成。在回归模型的生成中，使用相应的人物的多个拍摄数据的数量。
处理部12通过从特征量减去估计出的噪声成分，对该拍摄数据的特征向量的各要素计算与该拍摄数据对应的权重、或者加权特征量。即，在第二例中，得到与拍摄数据对应的权重或者加权特征量作为向量(称为权重向量或者加权特征向量)。该情况下，处理部12例如将使对相应的人物的各拍摄数据得到的加权特征向量平均后的向量作为该人物的代表数据50。这样一来，加权特征向量中的值越大的要素，权重越大，即为噪声的影响越小的成分，对与该要素对应的代表数据50的要素的影响越大。另外，加权特征向量中的值越小的要素，权重越小，即为噪声的影响越大的成分，对与该要素对应的代表数据50的要素的影响越小。
根据信息处理装置10，接受人物的多个拍摄数据。基于多个拍摄数据的各自的质量和多个拍摄数据的数量，生成表示分别应用于多个拍摄数据的权重的权重信息。在根据多个拍摄数据计算代表多个拍摄数据的代表数据时，应用生成的权重信息表示的权重越小，多个拍摄数据的各自的对代表数据的计算结果的影响越小的算法。
由此，能够提高认证精度。
这里，在代表数据的生成所使用的各拍摄数据中可能混入有与传感器的感测条件对应的噪声。因此，有由于混入到各拍摄数据的噪声的影响，而人物的特征不能适当地反映于代表数据的情况。若人物的特征未适当地反映于代表数据，则基于代表数据的人物的认证精度降低。虽然也考虑从代表数据的学习用的样本排除噪声的影响比较大的拍摄数据，但由于样本数对代表数据的精度造成影响，所以优选尽可能地维持样本数。
因此，信息处理装置10基于各拍摄数据的质量和多个拍摄数据的数量求出每个拍摄数据的权重，并根据该权重，调整各拍摄数据的对代表数据的影响。即，信息处理装置10对被估计为噪声的影响小的拍摄数据的特征向量或者特征量，计算代表数据以使得接近该特征向量或者特征量。由此，能够减轻噪声的影响，并且进行有效地利用了数据量的代表数据的生成。其结果是，能够使人物的生物体特征适当地反映于代表数据，能够提高基于代表数据的人物的认证精度。
例如，信息处理装置10在对某一人物进行认证时，能够通过对照对该人物获取到的拍摄数据的特征向量与存储于存储部11的各人物的代表数据，来适当地进行该人物的认证。
另外，信息处理装置10也可以基于多个人物的多个代表数据，通过K－means法(K平均法)等聚类方法将各代表数据分类为多个聚类，求出各聚类的聚类代表数据。该情况下，信息处理装置10在对某一人物进行认证时，能够通过对该人物获取到的拍摄数据的特征向量与聚类代表数据的对照，锁定应该与该特征向量进行对照的人物的代表数据。这样，在通过聚类化对各代表数据进行分类的情况下，在代表数据也适当地反映有各人物的生物体特征，所以能够进行高精度的聚类化。另外，通过该聚类，能够提高应该对照的代表数据的锁定的精度。其结果是，能够提高人物的认证精度。
[第二实施方式]
接下来，对第二实施方式进行说明。
图2是表示第二实施方式的信息处理系统的例子的图。
第二实施方式的信息处理系统具有服务器100以及客户端200、300。服务器100以及客户端200、300经由网络60连接。网络60例如可以是LAN(Local Area Network：局域网)，也可以是因特网或者WAN(Wide Area Network：广域网)。
服务器100是提供进行利用信息处理系统的人物即用户的生物体认证的功能的服务器计算机。服务器100进行基于用户的面部的拍摄数据即面部图像的面部认证。但是，认证所使用的拍摄数据并不限定于面部图像，也可以是表示用户的生物体特征的其它种类的图像。例如，拍摄数据也可以是指纹、静脉、虹膜或者身体的其它部位或器官的图像，或者笔迹的图像等。认证所使用的用户的面部等的拍摄数据示出用户的生物体特征，所以也可以称为生物体数据。服务器100是第一实施方式的信息处理装置10的一个例子。
客户端200、300是由用户利用的客户端计算机。客户端200、300分别具有相机201、301。相机201、301内置CCD(Charged-Coupled Devices：电荷耦合器件)或者CMOS(Complementary Metal-Oxide-Semiconductor：互补金属氧化物半导体)等图像传感器，拍摄分别操作客户端200、300的用户的面部而生成拍摄数据。客户端200、300在客户端200、300中的规定的功能的利用时，分别向服务器100委托基于通过相机201、301拍摄到的拍摄数据的面部认证，仅对认证成功的用户允许该功能的利用。
作为在利用时需要用户的认证的客户端200、300中的功能，例如能够考虑向客户端200、300中的OS(Operating System：操作系统)、其它的应用的登录等。或者，也能够考虑向与客户端200、300进行通信的Web服务器、应用服务器(省略图示)等提供的各种服务的登录、该Web服务器等提供的结算等功能。
此外，客户端200、300也可以是智能手机、平板终端等智能设备。另外，客户端200、300并不限定于通用的计算机，例如也可以是ATM(Automated Teller Machine：自动出纳机)、POS(Point Of Sale：销售点)终端、自动售货机、控制门锁的电子锁以及门禁管理装置等、对功能的提供伴随个人认证的特定用途的计算机。
图3是表示服务器的硬件例的图。服务器100具有CPU101、RAM102、HDD103、图像信号处理部104、输入信号处理部105、介质读取器106以及NIC(Network Interface Card：网卡)107。此外，CPU101是第一实施方式的处理部12的一个例子。RAM102或者HDD103是第一实施方式的存储部11的一个例子。
CPU101是执行程序的命令的处理器。CPU101将存储于HDD103的程序、数据中的至少一部分加载至RAM102，并执行程序。此外，CPU101也可以包含多个处理器核心。另外，服务器100也可以具有多个处理器。也可以使用多个处理器或者处理器核心并列地执行以下说明的处理。另外，有时将多个处理器的集合称为“多处理器”或者仅称为“处理器”。
RAM102是暂时存储CPU101执行的程序、CPU101进行运算所使用的数据的易失性的半导体存储器。此外，服务器100也可以具备RAM以外的种类的存储器，也可以具备多个存储器。
HDD103是存储OS、中间件、应用软件等软件的程序以及数据的非易失性的存储装置。此外，服务器100也可以具备闪存、SSD(Solid State Drive：固盘)等其它的种类的存储装置，也可以具备多个非易失性的存储装置。
图像信号处理部104根据来自CPU101的命令，向与服务器100连接的显示器111输出图像。作为显示器111，能够使用CRT(Cathode Ray Tube：阴极射线管)显示器、液晶显示器(LCD：Liquid Crystal Display)、等离子显示器、有机EL(OEL：Organic Electro-Luminescence：有机电致发光)显示器等任意种类的显示器。
输入信号处理部105从与服务器100连接的输入设备112获取输入信号，并输出到CPU101。作为输入设备112，能够使用鼠标·触摸面板·触摸板·跟踪球等指点设备、键盘、遥控器、按钮开关等。另外，也可以在服务器100连接多个种类的输入设备。
介质读取器106是读取记录于记录介质113的程序、数据的读取装置。作为记录介质113，例如能够使用磁盘、光盘、光磁盘(MO：Magneto-Optical disk)、半导体存储器等。在磁盘包含有软盘(FD：Flexible Disk)、HDD。在光盘包含有CD(Compact Disc)、DVD(DigitalVersatile Disc：数字多用盘)。
介质读取器106例如将从记录介质113读取到的程序、数据复印到RAM102、HDD103等其它的记录介质。例如通过CPU101执行读取到的程序。此外，记录介质113也可以是便携式记录介质，用于程序、数据的分发。另外，有时将记录介质113、HDD103称为计算机能够读取的记录介质。
NIC107是与网络60连接，并经由网络60与其它的计算机进行通信的接口。NIC107例如利用电缆与交换机、路由器等通信装置连接。
此外，服务器100也可以内置相机或者与相机连接，也可以进行服务器100的用户的认证。例如，服务器100也能够通过与设置于店铺等设施的相机连接，进行访问该设施的用户的认证或者该用户的识别。
另外，客户端200、300也通过与服务器100相同的硬件来实现。
图4是表示服务器的功能例的图。
服务器100具有存储部120、控制部130、拍摄数据处理部140、质量计算部150、人物代表向量计算部160、聚类代表向量计算部170以及认证部180。存储部120使用RAM102、HDD103的存储区域。通过程序实现控制部130、拍摄数据处理部140、质量计算部150、人物代表向量计算部160、聚类代表向量计算部170以及认证部180。
存储部120存储分别对多个用户预先获取到的多个拍摄数据。预先存储于存储部120的多个拍摄数据也可以是通过相机201、301生成的拍摄数据。该情况下，服务器100预先从客户端200、300收集该多个拍摄数据，并储存于存储部120。各拍摄数据与用户的识别信息亦即用户ID(IDentifier)建立对应关系。
存储部120存储学习数据表格、人物代表数据表格以及聚类代表数据表格。
学习数据表格是登记学习数据的表格。学习数据用于人物代表数据的生成。人物代表数据是在相应的用户的认证之前，基于预先存储于存储部120的多个拍摄数据生成，并登记于服务器100的信息。
学习数据包含用户的各拍摄数据的特征向量和质量值。特征向量是将多个特征量作为要素的向量。质量值是表示拍摄数据的质量的指标值。拍摄数据的质量根据拍摄数据的感测条件而不同。在对拍摄数据的质量造成影响的要素中，考虑拍摄时的抖动、照明的照射情况以及面部相对于相机等的透镜朝向的拍摄方向的倾斜(例如，朝向侧方等)等。质量值越大，拍摄数据的质量越好，或者质量越高。质量值越小，拍摄数据的质量越差，或者质量越低。
人物代表数据表格是登记人物代表数据的表格。人物代表数据是基于各用户的多个学习数据的、与该用户对应的一个代表数据。人物代表数据是具有与拍摄数据的特征向量相同的维数的向量。人物代表数据也可以称为人物代表向量。
聚类代表数据表格是登记聚类代表数据的表格。聚类代表数据是与聚类对应的一个代表数据。聚类是多个人物代表数据的组。聚类存在多个。一个人物代表数据属于一个聚类。聚类代表数据用于在认证时应该进行对照的人物代表数据的锁定。聚类代表数据是具有与拍摄数据的特征向量相同的维数的向量。聚类代表数据也可以称为聚类代表向量。
控制部130控制拍摄数据处理部140、质量计算部150、人物代表向量计算部160、聚类代表向量计算部170以及认证部180的动作。
拍摄数据处理部140基于存储于存储部120的拍摄数据，生成针对该拍摄数据的特征向量。在特征向量例如反映有与相应的用户的面部的眼睛、鼻子、嘴等的位置对应的特征。针对面部图像的特征向量的生成能够使用现有的方法。拍摄数据处理部140将针对拍摄数据生成的特征向量与用户ID建立对应关系地登记在存储于存储部120的学习数据表格。
质量计算部150对存储于存储部120的拍摄数据的质量进行评价，生成针对该拍摄数据的质量值。质量值是与特征向量独立地从拍摄数据获取的信息。质量值例如在将面部图像作为对象的情况下，是根据面部的特征点(眼睛、鼻子、嘴等)的坐标数据估计出的、面部相对于拍摄方向的倾斜的大小、坐标间的照明变动的大小以及模糊的大小等。模糊的大小表示拍摄时的抖动的大小。通过面部的倾斜的大小、照明变动的大小以及模糊的大小表示的质量值被估计为与混入到拍摄数据或者特征向量的噪声相关。质量越好即质量值越大，估计为噪声越小。另外，质量越差即质量值越小，估计为噪声越大。质量计算部150将针对拍摄数据生成的质量值与用户ID以及该拍摄数据的特征向量建立对应关系地登记在存储于存储部120的学习数据表格。
人物代表向量计算部160基于各用户的学习数据计算人物代表向量。人物代表向量计算部160根据对相应的用户得到的拍摄数据的数量，选择人物代表向量的计算方法。这里，将得到拍摄数据的样本的用户的整体集合设为{S}。将集合{S}的全部要素数即全部用户数设为S。以s表示属于集合{S}的用户。
首先，人物代表向量计算部160将针对相应的用户s得到的拍摄数据的数量Ns与阈值T进行比较。将Ns≥T的用户的集合设为人物子集Su。将Ns＜T的用户的集合设为人物子集Sl。
对于属于人物子集Su的用户s，人物代表向量计算部160通过式(1)，求出用户s的人物代表向量Hus。
[式1]
Figure BDA0003806417770000101
Xs n是用户s的第n个拍摄数据的特征向量。人物代表向量Hus是与用户s对应的特征向量的平均。
对于属于人物子集Sl的用户s，人物代表向量计算部160通过式(2)，求出用户s的人物代表向量Hls。
[式2]
Figure BDA0003806417770000111
Ws n是用户s的第n个拍摄数据的权重。人物代表向量Hls是针对用户s的特征向量的加权平均。例如通过式(3)表示Ws n。
[式3]
Figure BDA0003806417770000112
Qs n是用户s的第n个拍摄数据的质量值。通过实数表示质量值。根据式(3)，用户s的拍摄数据的数量Ns越小，质量值Qs n对权重Ws n的影响越大。另外，质量值Qs n越大，权重Ws n越大，质量值Qs n越小，权重Ws n越小。
此外，虽然在式(3)中，示出了由将质量值Qs n作为变量的Sigmoid函数表示质量值Qs n给予权重Ws n的影响的例，但也可以使用其它的非线性函数或者线性函数。
人物代表向量计算部160将对每个用户计算出的人物代表向量与用户ID建立对应关系地登记在存储于存储部120的人物代表数据表格。
聚类代表向量计算部170将登记于人物代表数据表格的多个人物代表向量分类为多个聚类，并求出各聚类的聚类代表向量。将多个人物代表向量分类为多个聚类并求出各聚类的聚类代表向量的方法例如能够使用K－means法。例如，聚类代表向量计算部170通过K－means法，如以下那样将多个人物代表向量分为多个聚类。
聚类代表向量计算部170将多个人物代表向量随机地分为规定数量的聚类，求出各聚类的重心。聚类的重心是属于该聚类的各人物代表向量表示的特征空间的坐标的平均值。
然后，聚类代表向量计算部170将各人物代表向量重新分配给距该人物代表向量最短距离处的重心，并重新计算各聚类的重心。聚类代表向量计算部170反复执行该处理，修正各聚类的重心。聚类代表向量计算部170例如在针对聚类的人物代表向量的分配没有变化的情况下或者在变更分配的人物代表向量的数量在规定数量以下的情况下，确定各聚类的重心。在确定时，分配至各聚类的人物代表向量是分类至该聚类的人物代表向量。另外，各聚类的重心是聚类代表向量。
此外，聚类代表向量计算部170例如也可以通过高斯混合模型(GMM：GaussianMixture Model)等其它的聚类方法，将多个人物代表向量分类为多个聚类。
聚类代表向量计算部170将计算出的聚类代表向量、和被分类至由聚类代表向量表示的聚类的人物代表向量所对应的用户ID登记在存储于存储部120的聚类代表数据表格。
认证部180基于从客户端200、300接收到的认证请求，进行面部认证。认证请求包含拍摄认证对象的用户的面部而得到的拍摄数据。认证部180从拍摄数据处理部140获取针对该拍摄数据的特征向量，并将获取到的特征向量与存储于存储部120的聚类代表数据表格中的聚类代表向量进行对照。例如，认证部180基于特征向量与聚类代表向量的相似度，进行特征向量与聚类代表向量的对照。对相似度例如使用特征空间内的特征向量所对应的点与聚类代表向量所对应的点之间的距离。即，认证部180确定登记于聚类代表数据表格的聚类代表向量中的、距特征向量最近的聚类代表向量。认证部180也可以优先距特征向量近的聚类代表向量，确定两个以上的规定数量的聚类代表向量。通过与聚类代表向量的对照，进行应该进行对照的人物代表向量的锁定。
认证部180从人物代表数据表格获取被分类为确定出的聚类代表向量的用户ID的人物代表向量，并与特征向量进行对照。例如，认证部180基于特征向量与人物代表向量的相似度，进行特征向量与人物代表向量的对照。对相似度例如使用特征空间内的特征向量所对应的点与人物代表向量所对应的点之间的距离。即，认证部180判定是否存在与特征向量的距离在规定值以下的人物代表向量。在存在与特征向量的距离在规定值以下的人物代表向量的情况下，认证部180判定为操作客户端200的用户是与该人物代表向量对应的用户，而认证成功。这样一来，认证部180对客户端200响应认证成功。另一方面，在不存在符合的与特征向量的距离在规定值以下的人物代表向量的情况下，认证部180判定为操作客户端200的用户不是已登记的用户，而认证失败。认证部180对客户端200响应认证失败。
认证部180对从客户端300接收到的认证请求，也进行与上述相同的认证处理。
此外，也可以在客户端200、300设置拍摄数据处理部140以及质量计算部150的功能。该情况下，服务器100也可以从客户端200、300收集学习数据表格121的各记录。另外，服务器100也可以从客户端200、300与认证请求一起获取针对认证对象的用户的拍摄数据的特征向量。
接下来，对存储于存储部120的数据的例子进行说明。
图5是表示学习数据表格的例子的图。
学习数据表格121包含用户ID、特征向量以及质量值的项目。在用户ID的项目登记有用户ID。在特征向量的项目登记有拍摄数据的特征向量。
例如，在学习数据表格121登记有用户ID“UID1”、特征向量“X1 1”、质量值“Q1 1”这样的记录。该记录表示针对用户ID“UID1”的用户的第1个拍摄数据的特征向量为“X1 1”，质量值为“Q1 1”。
在学习数据表格121也登记有针对用户ID“UID1”的用户的其它的拍摄数据的特征向量以及质量值的记录。
在学习数据表格121，对于其它的用户，也同样地登记有各拍摄数据的特征向量以及质量值的记录。
图6是表示人物代表数据表格的例子的图。
人物代表数据表格122包含用户ID以及人物代表向量的项目。在用户ID的项目登记有用户ID。在人物代表向量的项目登记有人物代表向量。
例如，在人物代表数据表格122登记有用户ID“UID1”以及人物代表向量“Hu1”这样的记录。该记录表示用户ID“UID1”的用户的人物代表向量为“Hu1”。
另外，在人物代表数据表格122登记有用户ID“UID2”以及人物代表向量“Hu2”这样的记录。该记录表示用户ID“UID2”的用户的人物代表向量为“Hu2”。
在人物代表数据表格122，对于其它的用户，也同样地登记有人物代表向量。
图7是表示聚类代表数据表格的例子的图。
聚类代表数据表格123包含聚类代表向量以及用户ID的项目。在聚类代表向量的项目登记有聚类代表向量。在用户ID的项目登记有被分类至与相应的聚类代表向量对应的聚类的人物代表向量的用户ID。
例如，在聚类代表数据表格123登记有聚类代表向量为“C1”、用户ID为“UID1、UID3、…”这样的记录。该记录表示被分类至聚类代表向量“C1”的聚类的用户ID为“UID1、UID3、…”。
在聚类代表数据表格123，对于其它的聚类代表向量，也同样地登记有被分类为该聚类代表向量的用户ID的组。
接下来，对服务器100的处理顺序进行说明。首先，例示基于服务器100的人物代表向量的生成的顺序以及聚类代表向量的生成的顺序。
图8是表示人物代表向量生成的例子的流程图。
人物代表向量计算部160对每个用户执行下述的顺序。
(S10)人物代表向量计算部160对用户s，判定该用户一人的拍摄数据的数量Ns是否为阈值T以上，即Ns≥T。在Ns≥T的情况下，人物代表向量计算部160使处理进入步骤S11。在Ns＜T的情况下，人物代表向量计算部160使处理进入步骤S12。
(S11)人物代表向量计算部160从学习数据表格121获取通过拍摄数据处理部140对用户s的拍摄数据生成的特征向量集合{Xs n}。然后，人物代表向量计算部160基于式(1)，计算针对用户s的人物代表向量Hus。此外，也可以在学习数据表格121预先登记针对用户s的拍摄数据的特征向量。人物代表向量计算部160将人物代表向量Hus与用户s的用户ID建立对应关系地登记于人物代表数据表格122。然后，人物代表向量计算部160结束针对用户s的人物代表向量生成。
(S12)质量计算部150对用户s的各拍摄数据，计算质量值。如上述那样，质量值是根据面部的特征点(眼睛、鼻子、嘴等)的坐标数据估计出的、面部相对于拍摄方向的倾斜的大小、坐标间的照明变动的大小以及模糊的大小等，通过现有的方法进行计算。质量值也可以是通过规定的函数根据面部的倾斜的大小、照明变动的大小以及模糊的大小等指标值的两个以上的组合而求出的值。质量计算部150将计算出的质量值登记于学习数据表格121。此外，质量计算部150也可以预先生成针对各拍摄数据的质量值，并登记于学习数据表格121。在该情况下，人物代表向量计算部160可以跳过步骤S12，执行步骤S13。
(S13)人物代表向量计算部160从学习数据表格121获取通过拍摄数据处理部140对用户s的拍摄数据生成的特征向量集合{Xs n}。人物代表向量计算部160从学习数据表格121获取通过质量计算部150对用户s的拍摄数据生成的质量值集合{Qs n}。人物代表向量计算部160基于式(3)，计算权重集合{Ws n}。然后，人物代表向量计算部160基于式(2)，计算针对用户s的人物代表向量Hls。此外，也可以在学习数据表格121预先登记针对用户s的拍摄数据的特征向量。人物代表向量计算部160将人物代表向量Hls与用户s的用户ID建立对应关系地登记于人物代表数据表格122。然后，人物代表向量计算部160结束针对用户s的人物代表向量生成。
服务器100若对登录对象的全部的用户执行人物代表向量生成，则执行以下的聚类代表向量生成。
图9是表示聚类代表向量生成的例子的流程图。
(S20)聚类代表向量计算部170对各用户的人物代表向量进行聚类。能够对聚类使用上述的K－means法、GMM等方法。聚类代表向量计算部170通过聚类，计算各聚类的聚类代表向量，并将各用户的人物代表向量分类至各聚类。
(S21)聚类代表向量计算部170将聚类代表向量和所属用户ID一起登记于聚类代表数据表格123。然后，聚类代表向量计算部170结束聚类代表向量生成。
接下来，例示基于服务器100的用户认证的顺序。以下，例示客户端200，但对于客户端300来说也成为相同的顺序。
图10是表示认证的例子的流程图。
若服务器100从客户端200接收认证请求，则执行下述的顺序。
(S30)认证部180从拍摄数据处理部140获取根据从客户端200接收到的认证请求所包含的拍摄数据获取的特征向量。此外，也可以从客户端200接收到的认证请求包含与由客户端200的相机201拍摄到的拍摄数据对应的特征向量。该情况下，认证部180获取认证请求所包含的特征向量即可。
(S31)认证部180从登记于聚类代表数据表格123的聚类代表向量中，确定与在步骤S30中获取到的特征向量相似度高的聚类代表向量。例如，认证部180可以确定与该特征向量的距离最近的聚类代表向量，也可以优先该距离较近的聚类代表向量来确定规定数量的聚类代表向量。
(S32)认证部180对属于确定出的聚类的人物代表向量与在步骤S30中获取到的特征向量进行对照。例如，认证部180根据聚类代表数据表格123确定与在步骤S31中确定出的聚类代表向量对应的用户ID。然后，认证部180从人物代表数据表格122提取与该用户ID对应的人物代表向量，并与特征向量进行对照。
(S33)认证部180基于步骤S32的对照的结果，判定是否认证成功。在认证成功的情况下，认证部180使处理进入步骤S34。在认证失败的情况下，认证部180使处理进入步骤S35。例如，在步骤S32的对照的结果是存在与特征向量的相似度即距离在规定值以下的人物代表向量的情况下，认证部180判定为认证成功。另一方面，在步骤S32的对照的结果是不存在与特征向量的距离在规定值以下的人物代表向量的情况下，认证部180判定为认证失败。
(S34)认证部180对客户端200响应认证成功。认证部180也可以向客户端200或者其它的计算机发送认证成功的用户的用户ID或者与该用户有关的信息。认证部180也可以将认证成功的用户的用户ID记录于日志等。然后，认证部180结束认证处理。
(S35)认证部180对客户端200响应认证失败。认证部180也可以在日志等记录认证失败。然后，认证部180结束认证处理。
此外，认证部180也可以使用通过人物代表向量计算部160根据对认证对象的用户获取的多个拍摄数据计算出的人物代表向量来进行认证。在这种情况下，人物代表向量计算部160也能够使用式(1)或者式(2)、(3)，计算针对认证对象的用户的人物代表向量。
这里，在具有大规模的登记数据的生物体认证系统中，通过根据相似度对基于通过相机等传感器获取到的信息的人物代表数据进行分类，即进行聚类，来锁定应该进行对照的人物代表数据，而能够进行人物代表数据的高速检索。在人物代表数据的聚类中，未来重要的是构建根据同一人物的拍摄数据得到的特征数据、人物代表数据属于相同的聚类那样的分类器。
在分类器的构建中，基于给予的学习数据，求出聚类的代表点。在对人物代表数据进行聚类时，分类至存在与该人物代表数据相似度最好的代表点的聚类。在实际的运用环境中，根据相机等传感器的感测条件，对成为人物代表数据的基础的拍摄数据附加相当于摇晃的噪声。因此，在不同的定时从同一用户得到的不同的数据(对于该用户的已登记数据以及应该与已登记数据进行对照的对照数据)由于在各定时的噪声的影响而被分类至不同的聚类，而检索时的精度降低。
混入至拍摄数据的噪声作用于特征量，对未混入噪声的情况下的理想的特征量给予扰动。在构建聚类模型的情况下，为了考虑混入至拍摄数据的噪声的影响，使用由多个用户的各自的多个拍摄数据的样本构成的学习数据。即，通过使用包含各种噪声的影响的拍摄数据，对噪声的影响的统计性质进行模型化。此时，一般而言，用户的数量以及针对各用户的样本数、即拍摄数据的数量越多，例如通过平均化越抵消各样本中的噪声的影响，而聚类模型的精度越提高。
但是，在注目于学习数据中的各用户的样本时，仅由包含特定的种类的噪声的样本构成的用户在该用户的生物体数据较强地受到该噪声的影响的状态下进行模型化。在样本数较少的人物中容易产生这样的问题。虽然也考虑从学习数据排除这样的用户，但如上述那样，学习数据的量对模型的精度造成影响，优选尽可能维持样本数。
第二实施方式的服务器100首先使用学习数据所包含的各用户的多个拍摄数据的样本，根据样本的统计性质计算表示该用户的人物代表向量。服务器100通过根据人物代表向量的相似进行聚类构建，来进行根据用户的相似度的聚类。此时，在样本数比较少的用户中，容易受到特征量的噪声的影响，而人物代表向量偏离真值的可能性高。另一方面，在生物体认证中，有能够与特征量独立地，根据拍摄数据获取拍摄数据本身的质量值的情况。例如，在作为拍摄数据将面部图像作为对象的情况下，作为质量值，考虑根据面部的特征点(眼睛、鼻子、嘴等)的坐标数据估计出的、表示面部的倾斜的大小、照明变动的大小、模糊的大小等的指标值。这些质量值能够期待与特征量所包含的噪声的相关。
因此，服务器100将质量值较好的特征量视为噪声的影响较少，并以接近该特征量的方式计算人物代表向量。由此，能够减轻噪声的影响，并进行活用了数据量后的聚类模型的构建。
由于人物代表向量的精度提高，从而基于人物代表向量得到的聚类代表向量的精度提高。其结果是，能够使根据同一用户得到的不同的生物体数据被分类至不同的聚类的可能性降低。由此，在认证时，能够适当地进行基于应该与对照数据进行对照的已登记数据的聚类的锁定，从而认证精度提高。
此外，在上述的例子中，根据对用户s获取到的拍摄数据的数量Ns相对于阈值T的比率(Ns/T)，求出使用了质量值Qs n的权重Ws n。另一方面，基于拍摄数据的各自的质量和拍摄数据的数量的权重的计算方法也能够考虑其它的例子。例如，也考虑根据质量值Qs n比规定的阈值低的低质量的拍摄数据的数量m相对于拍摄数据的数量Ns的比率(m/Ns)，求出权重Ws n。该情况下，在步骤S13中，例如将式(3)的(Ns/T)置换为(1－(m/Ns))即可。
[第三实施方式]
接下来对第三实施方式进行说明。以与上述的第二实施方式不同的事项为主进行说明，并省略共用的事项的说明。
第三实施方式的服务器100具有与第二实施方式的服务器100相同的硬件以及功能。但是，在第三实施方式中，基于服务器100的人物代表向量计算部160的人物代表向量生成的顺序与第二实施方式不同。
这里，在第二实施方式中，例如以包含相对于拍摄方向的面部的倾斜的大小、坐标间的照明变动的大小以及模糊的大小等多个指标值作为要素的向量(称为质量向量)表示质量值Qs n。
与第二实施方式相同，特征向量Xs n是第s个用户(称为用户s)的第n个拍摄数据的特征向量。S是1≤s≤S的整数。N是1≤n≤Ns的整数。另外，质量向量Qs n是用户s的第n个拍摄数据的质量向量。特征向量Xs n以及质量向量Qs n分别为dx维以及dq维。既可以dx＝dq，也可以dx≠dq。
图11是表示第三实施方式的人物代表向量生成的例子的流程图。
(S40)人物代表向量计算部160生成作为样本而得到的全部用户的全部拍摄数据的特征向量与质量向量的回归模型。具体而言，人物代表向量计算部160对特征向量与质量向量的所有对，求出式(4)的变换式F(Xs n)。
[式4]
Figure BDA0003806417770000181
基于变换式F(Xs n)的变换例如可以是式(5)那样的线性变换。式(5)也被称为回归方程式。
[式5]
Figure BDA0003806417770000191
变换系数A、B分别为矩阵或者向量。人物代表向量计算部160以使根据特征向量与质量向量的所有对求出的(6)的变换误差的总和e最小的方式决定变换系数A、B。
[式6]
Figure BDA0003806417770000192
这里，||·||2表示向量的范数。另外，Ns是对用户s获取的拍摄数据的数量。
(S41)人物代表向量计算部160对用户s，判定该用户一人的拍摄数据的数量Ns是否为阈值T以上，即是否Ns≥T。在Ns≥T的情况下，人物代表向量计算部160使处理进入步骤S42。在Ns＜T的情况下，人物代表向量计算部160使处理进入步骤S43。
(S42)人物代表向量计算部160从学习数据表格121获取用户s的拍摄数据的特征向量集合{Xs n}。然后，人物代表向量计算部160基于式(1)，计算针对用户s的人物代表向量Hus。人物代表向量计算部160将人物代表向量Hus与用户s的用户ID建立对应关系地登记于人物代表数据表格122。然后，人物代表向量计算部160结束针对用户s的人物代表向量生成。
(S43)人物代表向量计算部160从学习数据表格121获取用户s的拍摄数据的特征向量集合{Xs n}。然后，人物代表向量计算部160基于回归模型，从用户s的各拍摄数据的特征向量的各成分除去噪声的影响。即，人物代表向量计算部160通过式(7)，来生成噪声影响的除去后的向量(X’)s n。
[式7]
Figure BDA0003806417770000193
这里，函数F－1是函数F的反函数。
向量(X’)s n的各要素能够表示特征向量Xs n的各要素的权重。即，向量(X’)s n的各要素是第一实施方式的权重的一个例子。或者，向量(X’)s n的各要素也能够表示反映了特征向量Xs n的各要素的权重的加权特征量。
(S44)人物代表向量计算部160基于式(8)，计算针对用户s的人物代表向量Hls。
[式8]
Figure BDA0003806417770000201
由式(8)表示的人物代表向量Hls是向量(X’)s n的平均。即，人物代表向量Hls的一个成分是向量(X’)s n的对应的成分的平均。人物代表向量计算部160将人物代表向量Hls与用户s的用户ID建立对应关系地登记于人物代表数据表格122。然后，人物代表向量计算部160结束针对用户s的人物代表向量生成。
此外，人物代表向量计算部160在对多个用户生成人物代表向量的情况下，对各用户反复执行步骤S41～S44。
在第三实施方式中，也与第二实施方式相同，通过服务器100进行聚类代表向量生成以及用户的认证。
在第三实施方式中，拍摄数据的特征向量的各要素中的噪声的影响反映于式(5)的变换系数A、B。因此，如式(7)的右边第二项的F－1(Qs n)所示，根据质量值估计表示该噪声的影响的噪声成分。服务器100对于噪声的影响小的特征量，使该特征量对人物代表向量的影响增大。另外，服务器100对于噪声的影响大的特征量，使该特征量对人物代表向量的影响减小。由此，能够减轻噪声的影响，并进行活用了数据量的聚类模型的构建。
与第二实施方式相同，在第三实施方式中，人物代表向量的精度也提高，从而基于人物代表向量得到的聚类代表向量的精度提高。其结果是，能够减少根据同一用户得到的不同的生物体数据被分类至不同的聚类的可能性。由此，在认证时，能够适当地进行基于应该与对照数据进行对照的已登记数据的聚类的锁定，从而认证精度提高。
若对第二、第三实施方式进行总结，则服务器100例如具有以下那样的功能。
人物代表向量计算部160在根据多个拍摄数据计算代表多个拍摄数据的人物代表数据时，应用生成的权重信息表示的权重越小，多个拍摄数据的各自的对人物代表数据的计算结果的影响越小的算法。例如，利用式(2)、式(8)表示该算法。即，式(2)、式(8)的运算是“生成的权重信息表示的权重越小，多个拍摄数据的各自的对人物代表数据的计算结果的影响越小的算法”的一个例子。由此，能够根据拍摄数据的数量、质量适当地调整使各拍摄数据所包含的人物的生物体特征的信息以何种程度反映于人物代表数据。
多个拍摄数据的数量越少，人物代表向量计算部160越增大多个拍摄数据的各自的质量给予多个拍摄数据的各自的权重的影响。由此，能够增大高质量的拍摄数据给予人物代表数据的影响，并且减小低质量的拍摄数据给予人物代表数据的影响，能够使人物(用户)的生物体特征适当地反映于人物代表数据。
另外，人物代表向量计算部160在权重信息的生成中，基于多个拍摄数据的数量相对于阈值的比率计算权重。例如，该比率越小，人物代表向量计算部160越增大多个拍摄数据的各自的质量给予多个拍摄数据的各自的权重的影响。由此，能够增大高质量的拍摄数据给予人物代表数据的影响，并且减小低质量的拍摄数据给予人物代表数据的影响，能够使人物(用户)的生物体特征适当地反映于人物代表数据。
或者，人物代表向量计算部160基于与规定的质量相比低质量的拍摄数据的数量相对于多个拍摄数据的数量的比率计算权重。例如，该比率越大，人物代表向量计算部160越增大多个拍摄数据的各自的质量给予多个拍摄数据的各自的权重的影响。由此，能够增大高质量的拍摄数据给予人物代表数据的影响，并且减小低质量的拍摄数据给予人物代表数据的影响，能够使人物(用户)的生物体特征适当地反映于人物代表数据。
另外，拍摄数据的质量越高，人物代表向量计算部越增大该拍摄数据的权重。由此，能够降低噪声对人物代表数据的影响，能够使人物(用户)的生物体特征适当地反映于人物代表数据。
或者，人物代表向量计算部160生成多个拍摄数据的各自的特征向量与表示多个拍摄数据的各自的质量的质量向量的回归模型，基于回归模型，估计特征向量的各要素所包含的噪声成分。由此，能够直接从特征向量的各要素除去噪声成分。此外，回归模型的生成所使用的拍摄数据也可以是对多个人物得到的拍摄数据。该情况下，对多个人物生成回归模型。但是，也可以对每个人物生成回归模型。
人物代表向量计算部160通过从与估计出的噪声成分对应的特征向量的第一要素减去该噪声成分，计算多个拍摄数据的各自的特征向量的第一要素的、针对与该第一要素对应的人物代表数据的第二要素的权重。这里，若特征向量以及人物代表数据(人物代表向量)为列向量，则第一要素以及第二要素是特征向量以及人物代表数据的同一行的要素。人物代表数据的第二要素成为多个拍摄数据的多个特征向量的与第二要素对应的第一要素的平均。这样一来，针对人物代表数据的各要素的权重越小，多个拍摄数据的各自的特征向量的对应的要素对人物代表数据的计算结果的影响越小。因此，能够使人物(用户)的生物体特征适当地反映于人物代表数据。
并且，聚类代表向量计算部170基于对多个人物计算出的多个人物代表数据，计算与对多个代表数据进行分类的多个聚类对应的多个聚类代表数据。如上述那样，在各人物的人物代表数据适当地反映有各人物的生物体特征。因此，例如能够通过K－means法或者GMM等，基于各人物代表数据的相似度，进行高精度的聚类。
另外，认证部180在人物的认证时接受该人物的拍摄数据，并优先地选择多个聚类代表数据中的与拍摄数据的特征数据的相似度高的聚类代表数据。认证部180基于相似度对被分类至与选择出的聚类代表数据对应的聚类的人物代表数据与特征数据进行对照。由于高精度地对各人物代表数据进行聚类，所以认证时的人物代表数据的基于聚类的锁定的精度提高。由此，能够提高认证精度。
这里，特征数据、人物代表数据以及聚类代表数据分别是同一特征空间内的向量。另外，相似度是由特征空间的两个向量表示的两个点之间的距离。由此，能够适当地进行认证时的对照。
另外，质量的信息是表示拍摄数据中的模糊的大小、照明的变动的大小以及面部相对于拍摄方向的倾斜的大小中的至少一个的指标值。如上述那样，质量的信息也可以是包含多个这些指标值的质量向量。这些指标值在进行使用了面部图像的面部认证时适用，在生成面部认证所使用的人物代表数据时，为了以高精度生成人物代表数据而特别有用。
此外，能够通过使处理部12执行程序来实现第一实施方式的信息处理。另外，能够通过使CPU101执行程序来实现第二、第三实施方式的信息处理。程序能够记录于计算机能够读取的记录介质113。
例如，通过分发记录了程序的记录介质113，能够使程序流通。另外，也可以预先将程序储存于其它的计算机，并经由网络分发程序。计算机例如也可以将记录于记录介质113的程序或者从其它的计算机接收的程序储存(安装)于RAM102、HDD103等存储装置，并从该存储装置读入程序并执行。
上述仅示出本发明的原理。并且，对于本领域技术人员来说能够进行许多的变形、变更，本发明并不限定于在上述示出并进行了说明的正确的构成以及应用例，对应的全部的变形例以及均等物能够视为基于附加的权利要求及其均等物的本发明的范围。
附图标记说明：10…信息处理装置，11…存储部，12…处理部，20…拍摄数据组，21…拍摄数据，30…质量信息组，31…质量信息，40…权重信息组，41…权重信息，50…代表数据。

Claims (13)

1.一种控制方法，其特征在于，计算机执行以下处理：
接受人物的多个拍摄数据；
基于上述多个拍摄数据的各自的质量和上述多个拍摄数据的数量，生成权重信息，上述权重信息表示分别应用于上述多个拍摄数据的权重；以及
在根据上述多个拍摄数据计算代表上述多个拍摄数据的代表数据时，应用算法，在上述算法中，生成的上述权重信息表示的上述权重越小，上述多个拍摄数据的各自的对上述代表数据的计算结果的影响越小。
2.根据权利要求1所述的控制方法，其特征在于，
在上述权重信息的生成中，上述多个拍摄数据的数量越少，越增大上述多个拍摄数据的各自的上述质量对上述多个拍摄数据的各自的上述权重给予的影响。
3.根据权利要求1所述的控制方法，其特征在于，
在上述权重信息的生成中，基于上述多个拍摄数据的数量相对于阈值的比率计算上述权重。
4.根据权利要求1所述的控制方法，其特征在于，
在上述权重信息的生成中，基于与规定的质量相比低质量的拍摄数据的数量相对于上述多个拍摄数据的数量的比率计算上述权重。
5.根据权利要求1所述的控制方法，其特征在于，
在上述权重信息的生成中，拍摄数据的质量越高，越增大上述拍摄数据的上述权重。
6.根据权利要求1所述的控制方法，其特征在于，
在上述权重信息的生成中，生成上述多个拍摄数据的各自的特征向量与表示上述多个拍摄数据的各自的上述质量的质量向量的回归模型，基于上述回归模型，估计上述特征向量的各要素所包含的噪声成分。
7.根据权利要求6所述的控制方法，其特征在于，
在上述权重信息的生成中，通过从与上述噪声成分对应的上述特征向量的第一要素减去估计出的上述噪声成分，来计算上述多个拍摄数据的各自的上述特征向量的上述第一要素的、相对于与上述第一要素对应的上述代表数据的第二要素的上述权重。
8.根据权利要求1所述的控制方法，其特征在于，
上述计算机还执行以下处理：
基于对多个人物计算出的多个上述代表数据，计算与对多个上述代表数据进行分类的多个聚类对应的多个聚类代表数据。
9.根据权利要求8所述的控制方法，其特征在于，
上述计算机还执行以下处理：
在上述人物的认证时接受上述人物的拍摄数据，优先地选择上述多个聚类代表数据中的与上述拍摄数据的特征数据的相似度高的聚类代表数据，并基于上述相似度对被分类至与选择出的上述聚类代表数据对应的聚类的上述代表数据与上述特征数据进行对照。
10.根据权利要求9所述的控制方法，其特征在于，
上述特征数据、上述代表数据以及上述聚类代表数据分别是同一特征空间内的向量，
上述相似度是由上述特征空间的两个上述向量表示的两个点之间的距离。
11.根据权利要求1所述的控制方法，其特征在于，
上述质量的信息是表示拍摄数据中的模糊的大小、照明的变动的大小以及面部相对于拍摄方向的倾斜的大小中的至少一个的指标值。
12.一种控制程序，其特征在于，使计算机执行以下处理：
接受人物的多个拍摄数据；
基于上述多个拍摄数据的各自的质量和上述多个拍摄数据的数量，生成权重信息，上述权重信息表示分别应用于上述多个拍摄数据的权重；以及
在根据上述多个拍摄数据计算代表上述多个拍摄数据的代表数据时，应用算法，在上述算法中，生成的上述权重信息表示的上述权重越小，上述多个拍摄数据的各自的对上述代表数据的计算结果的影响越小。
13.一种信息处理装置，其特征在于，具有：
存储部，存储人物的多个拍摄数据；以及
处理部，基于上述多个拍摄数据的各自的质量和上述多个拍摄数据的数量，生成表示分别应用于上述多个拍摄数据的权重的权重信息，在根据上述多个拍摄数据计算代表上述多个拍摄数据的代表数据时，应用算法，在上述算法中，生成的上述权重信息表示的上述权重越小，上述多个拍摄数据的各自的对上述代表数据的计算结果的影响越小。
CN202080097161.0A 2020-03-03 2020-03-03 控制方法、控制程序以及信息处理装置 Pending CN115136187A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/008809 WO2021176544A1 (ja) 2020-03-03 2020-03-03 制御方法、制御プログラムおよび情報処理装置

Publications (1)

Publication Number Publication Date
CN115136187A true CN115136187A (zh) 2022-09-30

Family

ID=77613985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080097161.0A Pending CN115136187A (zh) 2020-03-03 2020-03-03 控制方法、控制程序以及信息处理装置

Country Status (5)

Country Link
US (1) US20220383458A1 (zh)
EP (1) EP4116928A4 (zh)
JP (1) JP7231879B2 (zh)
CN (1) CN115136187A (zh)
WO (1) WO2021176544A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023157070A1 (ja) * 2022-02-15 2023-08-24 日本電気株式会社 情報処理装置、情報処理方法、及び記録媒体
WO2024047737A1 (ja) * 2022-08-30 2024-03-07 日本電気株式会社 情報処理装置、情報処理方法及び記録媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9589181B2 (en) 2013-02-28 2017-03-07 Hitachi Kokusai Electric Inc. Person search method and device for searching person staying on platform
US10210464B2 (en) 2015-03-11 2019-02-19 Qualcomm Incorporated Online training for object recognition system
US10769255B2 (en) * 2015-11-11 2020-09-08 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication

Also Published As

Publication number Publication date
EP4116928A1 (en) 2023-01-11
EP4116928A4 (en) 2023-03-29
WO2021176544A1 (ja) 2021-09-10
JP7231879B2 (ja) 2023-03-02
JPWO2021176544A1 (zh) 2021-09-10
US20220383458A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
US8700557B2 (en) Method and system for association and decision fusion of multimodal inputs
US9262614B2 (en) Image processing device, image processing method, and storage medium storing image processing program
KR100601957B1 (ko) 얼굴 인식을 위한 영상간 대응 결정 방법 및 장치, 이를이루기위한 영상 보정 방법 및 장치
US9053357B2 (en) Identifying images using face recognition
JP4775515B1 (ja) 画像照合装置、画像処理システム、画像照合プログラム、コンピュータ読み取り可能な記録媒体、および画像照合方法
US8498454B2 (en) Optimal subspaces for face recognition
US20220383458A1 (en) Control method, storage medium, and information processing apparatus
US11126827B2 (en) Method and system for image identification
WO2019130670A1 (ja) 生体認証システム
US9292752B2 (en) Image processing device and image processing method
AU2019200711A1 (en) Biometric verification
CN111898561B (zh) 一种人脸认证方法、装置、设备及介质
US20200265211A1 (en) Fingerprint distortion rectification using deep convolutional neural networks
CN112329679A (zh) 一种人脸识别方法、系统、电子设备及存储介质
Fenu et al. Controlling user access to cloud-connected mobile applications by means of biometrics
JP2006085268A (ja) 生体認証システムおよび生体認証方法
CN111382791A (zh) 深度学习任务处理方法、图像识别任务处理方法和装置
Jadhav et al. HDL-PI: hybrid DeepLearning technique for person identification using multimodal finger print, iris and face biometric features
Ding et al. Sequential sample consensus: A robust algorithm for video-based face recognition
CN113780424A (zh) 一种基于背景相似度的照片实时在线聚类方法及系统
JP2021140622A (ja) 認証方法、情報処理装置、及び認証プログラム
US20190080068A1 (en) Biometric recognition for uncontrolled acquisition environments
US20240144729A1 (en) Generation method and information processing apparatus
CN115497146B (zh) 模型的训练方法和装置、身份验证方法和装置
WO2023109551A1 (zh) 一种活体检测方法、装置和计算机设备

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