JP5418991B2

JP5418991B2 - 個人認証システム、個人認証方法

Info

Publication number: JP5418991B2
Application number: JP2010519767A
Authority: JP
Inventors: 仁今岡
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2008-07-10
Filing date: 2009-07-06
Publication date: 2014-02-19
Anticipated expiration: 2029-07-06
Also published as: US8553983B2; JPWO2010004958A1; US20110135167A1; WO2010004958A1

Description

本発明は、画像認証によって人物を認証する個人認証システム、個人認証方法、及び個人認証プログラムに関する。尚、本出願は、日本出願番号２００８−１８０５７７に基づく優先権を主張するものであり、日本出願番号２００８−１８０５７７における開示内容は引用により本出願に組み込まれる。

顔画像から個人を識別するための特徴を抽出する方法として、目・鼻・口などの顔を構成する部品の形状やそれらの配置の個人差に着目し、これらから特徴を抽出して認識に利用する方法がある。しかし、顔画像から顔の構成部品を精度よく抽出することは難しく、各構成部品をうまく抽出できたとしても、類似した形状の差を認識に利用することは容易ではない。

デューダ、ハート、ストーク著（尾上監訳）の“パターン識別”には、顔画像から個人を識別するための特徴を抽出する方法として、主成分分析や判別分析を利用する方法が記載されている（非特許文献１参照）。

主成分分析は、少ない情報の損失で、複数のデータのばらつき（分散）の特徴をできるだけ少数の指標（主成分）で記述する代表的な多変量解析手法である。主成分分析は、各データがどのクラスに属するかという情報を利用せず、出力すべき対象が予め決まっていない。このため、個人を識別するための有効な特徴を抽出する手法としては必ずしもよい手法ではない。

一方、判別分析では、学習データが予め分類されており、各データがどのクラスに属しているかの情報に応じて、クラス間におけるデータの距離が決まる。例えば、同一クラス内のデータの距離は近くなり、異なるクラス間のデータの距離は遠ざかるように学習される。判別分析は、入力データとして正規分布を仮定しているため、入力データが正規分布以外の分布を示す場合、十分な識別性能を得ることができない。

その他、顔画像から個人を認証する精度の向上により認証誤りが低減された個人認証装置が、特開２００４−１９２２５０号公報（特許文献１参照）、特開２００７−１２８２６２号公報（特許文献２参照）、特開２００７−１５６９４４号公報（特許文献３参照）に記載されている。

特開２００１−１８４５０９号公報では、画像そのものをパターンとして扱うパターン認識手法が提案されている（特許文献４参照）。パターン認識手法を用いた画像データの認識は、顔に特有の知識を用いるのではなく、判別分析と同様な学習によって画像データのパターン認識を行う。しかし、顔画像データを用いる場合、クラス毎に識別に適した距離が異なる。このため、未知のクラスの顔画像データが入力されると、この手法では高精度な認識精度を得ることができない。

特開２００４−１９２２５０号公報特開２００７−１２８２６２号公報特開２００７−１５６９４４号公報特開２００１−１８４５０９号公報

デューダ、ハート、ストーク著、尾上監訳、パターン識別、新技術コミュニケーションＰ１１１、Ｐ１１７

したがって、本発明の目的は、高い識別精度の個人認証システム、その方法及びプログラムを提供することである。

本発明は問題点を解決するために、オーディオディジタル音源からの信号を復調及び復号化し、信号フォーマットの変換を行う信号に対して各種音響処理を行い、音響の出力を行う電子機器用音響処理システムである。

本発明の第１の観点において、個人認証システムが提供される。本発明による個人認証システムは、行列作成部、特徴抽出部、特徴変換部、演算部、データ照合部を具備する。行列作成部は、予め記録された複数の顔画像データの特徴量をクラス毎に分類し、記録された複数の特徴量を変数とした線形判別式における係数を、写像行列として算出する。特徴抽出部は、第１顔画像データから第１特徴量を抽出し、第２顔画像データから第２特徴量を抽出する。特徴変換部は、写像行列を用いて、第１特徴量を第１変換後特徴量に変換し、第２特徴量を第２変換後特徴量に変換する。演算部は、第１変換後特徴量と第２変換後特徴量との正規化相関値を類似度として算出する。データ照合部は、類似度が、所定の閾値を超える場合、第１顔画像データと第２顔画像データが同一の人物の画像データであると判定する。

本発明の第２の観点において、個人認証方法が提供される。本発明による個人認証方法は、予め記録された複数の顔画像データの特徴量をクラス毎に分類し、記録された複数の特徴量を変数とした線形判別式における係数を、写像行列として算出するステップと、第１顔画像データから第１特徴量を抽出し、第２顔画像データから第２特徴量を抽出するステップと、写像行列を用いて、第１特徴量を第１変換後特徴量に変換し、第２特徴量を第２変換後特徴量に変換するステップと、第１変換後特徴量と第２変換後特徴量との正規化相関値を類似度として算出するステップと、算出された類似度が所定の閾値を超える場合、第１顔画像データと第２顔画像データが同一の人物の画像データであると判定するステップとを具備する。

第３の観点において、個人認証プログラムが提供される。本発明による個人認証プログラムは、予め記録された複数の顔画像データの特徴量をクラス毎に分類し、記録された複数の特徴量を変数とした線形判別式における係数を、写像行列として算出するステップと、第１顔画像データから第１特徴量を抽出し、第２顔画像データから第２特徴量を抽出するステップと、写像行列を用いて、第１特徴量を第１変換後特徴量に変換し、第２特徴量を第２変換後特徴量に変換するステップと、第１変換後特徴量と第２変換後特徴量との正規化相関値を類似度として算出するステップと、類似度が所定の閾値を超える場合、第１顔画像データと第２顔画像データが同一の人物の画像データであると判定するステップとを具備する個人認証方法をコンピュータに実行させる。

写像行列を算出するステップは、第１クラスに属する特徴量の第１平均ベクトルと、第１クラスに属する第１特徴量との第１正規相関値を算出するステップと、第２クラスにおける特徴量の第２平均ベクトルと、第１特徴量との第２正規相関値を算出するステップと、最急降下法を用いて、第１正規相関値と第２正規相関値とに基づく損失の写像行列に対する変化量が０となるように、写像行列を更新するステップとを備えることが好ましい。ただし、第２正規相関値は、第１クラス以外のクラスのそれぞれにおける特徴量の平均ベクトルと、第１特徴量との正規相関値の最大値である。又、変換するステップは、更新された写像行列を用いて、抽出するステップにおいて抽出された特徴量を変換後特徴量に変換するステップを備えることが好ましい。

又、写像行列を算出するステップは、記録された特徴量の全てに対して、写像行列の更新を行うステップを備えることが好ましい。そして、記録された特徴量の全てに対する前記写像行列を更新するステップを、所定の回数繰り返すことが好ましい。

更に、第１正規相関値をｄ_ｋ、第２正規相関値をｄ_ｌ、第１平均ベクトルをｍ_ｋ、第２平均ベクトルをｍ_ｌ、写像行列をＡ、損失をＥとした場合、変化量は、
（数１）

で示され、
ただし、
（数２）

（数３）

（数４）

であることが好ましい。
又、写像行列を算出するステップは、前記変化量が０となるように前記写像行列を更新するステップを備えることが好ましい。

更に、第１変換後特徴量をｙ_Ｐ、前記第２変換後特徴量をｙ_Ｑ、ベクトルの転置をＴで表すと、類似度ｄは、
（数５）

で示されることが好ましい。

更に、予め記録された複数の顔画像データの特徴量は抽出するステップと同じアルゴリズムによって複数の顔画像データから抽出された特徴量であることが好ましい。

以上のことから、本発明による個人認証システムによれば、高い識別性能を有することができる。

上記発明の目的、効果、特徴は、添付される図面と連携して実施の形態の記述から、より明らかになる。
図１は、本発明の実施の形態のシステム構成図である。図２は、本発明の実施の形態の個人認証システムを示すブロック図である。図３は、照合の動作手順を示すフローチャートである。図４は、学習の動作手順を示すフローチャートである。

添付図面を参照して、本発明の実施の形態に係る個人認証システム、個人認証方法、個人認証プログラムを説明する。

図１を参照して、本実施の形態にかかる個人認証システムは、演算装置／制御装置１（例示：プロセッサ）、個人認証プログラムを格納する記憶装置２（例示：メモリ、ハードディスク）、入力装置３（例示：カメラ、スキャナ）、出力装置４（例示：ディスプレイなど）を備える。個人認証システムは、例えばコンピュータシステムにより実現されることが好適である。

図２を参照して、本実施の形態にかかる個人認証システムは、データ入力部１０１と、特徴抽出部１０２と、特徴変換部１０３と、演算部１０４と、データ照合部１０５と、照合結果出力部１０６と、学習データ保管部１０７と、行列作成部１０８の機能ブロックを備える。これらの機能ブロックは、演算装置／制御装置１が個人認証プログラムを実行することにより実現されることが好ましい。

以下、図３を参照して、データ入力部１０１、特徴抽出部１０２、特徴変換部１０３、演算部１０４、データ照合部１０５、照合結果出力部１０６、学習データ保管部１０７、行列生成部１０８の詳細を説明する。

データ入力部１０１は、デジタルカメラやスキャナに例示され、顔画像データＰ、Ｑを取得する。例えば、デジタルカメラなどで撮影された顔画像データを顔画像データＰ、Ｑとして取得する。あるいは、顔写真のスキャン画像を顔画像データＰ、Ｑとして取得する。顔画像データＰ、Ｑは、個人認証システムの特徴抽出部に入力される。（ステップＳ１０１、ステップＳ１０４）。ここで、顔画像データＰ、Ｑは、それぞれ任意の時期に個人認証システムに入力される。

特徴抽出部１０２は、従来からある顔検出技術を用いて、入力された顔画像データＰ、Ｑから顔領域の特徴量を抽出する（ステップＳ１０２、Ｓ１０５）。詳細には、特徴抽出部１０２は、顔画像データＰ、Ｑの正規化、エッジ抽出、及び全特徴の平均値との差分検出等の前処理を行い、第１顔画像Ｐから第１特徴量ｘ_Ｐ、第２顔画像Ｑから第２特徴量ｘ_Ｑを抽出する。

特徴変換部１０３は、数式（１）、（２）に示されるように、学習により得られた写像行列Ａを用いて、第１特徴量ｘ_Ｐを第１変換後特徴量ｙ_Ｐに、第２特徴量ｘ_Ｑを第２変換後特徴量ｙ_Ｑにそれぞれ変換する（ステップＳ１０３、ステップＳ１０６）。写像行列Ａの学習メカニズムに関しては後述する。

演算部１０４は、数式（３）を用いて、第１変換後特徴量ｙ_Ｐと、第２変換後特徴量ｙ_Ｑとの正規化相関ｄ（相互相関）を類似度ｄとして算出する（Ｓ１０７）。

ここで、添え字Ｔはベクトルの転置を意味する。

データ照合部１０５は、類似度ｄが所定の閾値以上の場合、第１顔画像データＰの人物と第２顔画像データＱの人物は同一人物と判定する（ステップＳ１０８）。この際、類似度ｄが、所定の閾値未満の場合、第１顔画像データＰの人物と第２顔画像データＱの人物は異なる人物であると判定しても良い。

照合結果出力部１０６は、データ照合部１０５での判定結果を出力装置４に出力する。出力装置１０５は、入力された判定結果を視認可能に出力する。あるいは、データ照合部１０５での判定結果は、図示しない門扉の開閉を制御する装置に出力されても良い。この場合、当該装置は、判定結果に応じて門扉の開閉を制御する。

ステップＳ１０１〜Ｓ１０３の処理と、ステップＳ１０４〜Ｓ１０６の処理の時期はそれぞれ任意の時期に行われることが好ましい。例えば、ある人物（第１人物と称す）がゲートを通過する際、第１人物の第１顔画像データＰがデータ入力部１０１によって取得され、ステップＳ１０１〜Ｓ１０３までの処理により、第１変換特徴量ｙ_Ｐが生成される。次に異なる時期において、ある人物（第２人物と称す）が、ゲートを通過した際、第２人物の第２顔画像データＱがデータ入力部１０１によって取得され、ステップＳ１０４〜Ｓ１０６までの処理により、第２変換特徴量ｙ_Ｑが生成される。第１変換特徴量ｙ_Ｐ及び第２変換特徴量ｙ_Ｑが生成されると、自動的に、あるいは、手動による操作に応じてステップＳ１０７及びＳ１０８の人物認証処理が行われる。

次に、写像行列Ａの学習方法を説明する。写像行列Ａは、Ｘの線形写像をＹとする係数行列である。係数行列Ａは、ステップＳ１０１〜Ｓ１０８における人物認証処理の前に、以下に示す学習によって生成され、記憶装置２に記録される。

図４を参照して学習データ保管部１０７、行列作成部１０８の動作の詳細を説明する。図４は、所蔵行列Ａの学習方法を示すフローチャートである。

学習データ保管部１０７は、複数の顔画像データのそれぞれから抽出された複数の特徴量を、複数の学習データとして保管する（ステップＳ２０１）。ここで学習データ保管部１０７が保管する学習データは、事前に取得された顔画像データから、特徴抽出部１０２と同一のアルゴリズムによって抽出された特徴量である。

学習データ保管部１０７が保管する学習データは、特徴別のクラスに分類される。学習データ保管部１０７にはＬ個の学習データが保管される。以下では、学習データをｘ_β（β＝１、２、・・・、Ｌ）で表す。尚、保管される学習データ（ｘ_β）のそれぞれは多次元ベクトルであることが好ましい。また、特徴別にＮ個に分類されたクラスをＣ_１、Ｃ_２、・・・、Ｃ_Ｎとし、ｉ番目のクラスＣ_ｉは、数式（４）に示すように、Ｌｉ個の学習データが所属する。ただし、ｕ_ｉｊはクラスＣ_ｉに所属する学習データの番号を表す。ここで、クラスに所属する学習データの数Ｌｉは、少なくとも１つ、最大Ｌ個となる（１≦Ｌｉ≦Ｌ）。尚、すべての学習データはいずれかのクラスに属しているものとする。

行列作成部１０８は、各クラスにおける学習データの平均ベクトルを算出する（ステップＳ２０２）。ここで、クラスＣ_ｉに所属する学習データをｘ_ｊ、クラスＣ_ｉに所属する全ての学習データの平均ベクトルをｍ_ｉとすると、各クラスにおける学習データの平均ベクトルは数式（５）となる。

次に、行列作成部１０８は、線形判別分析を用いて写像行列Ａの初期値を求める（ステップＳ２０３）。ここでは、各個人を１つのクラスとした多クラス判別分析を行う。多クラス判別分析の手法については、例えば、非特許文献１に詳しく述べられている。

行列作成部１０８は、以下に示すステップＳ２０４〜Ｓ２１１における学習処理を所定の回数繰り返すことによって写像行列Ａを更新する。先ず、行列作成部１０８は、学習回数をカウントするための変数αを１に初期化し、写像行列Ａの更新処理を開始する（ステップＳ２０４）。この際、学習対象となる学習データｘ_βの番号βを１に初期化する（ステップＳ２０５）。すなわち、当初、学習データｘ_１を学習対象として写像行列Ａの更新処理が行われる。以下では、学習対象となる学習データをｘとして学習処理を説明する。

行列作成部１０８は、学習対象の学習データｘが属するクラスをＣ_ｋとすると、同じクラスＣ_ｋに所属する全ての学習データの平均ベクトルｍ_ｋと、学習データｘとの正規化相関ｄ_ｋを数式（６）によって算出する（ステップＳ２０６）。当初、１番目の学習データｘ_１が学習対象となっているため、学習データｘ_１と学習データが所属するクラス内の学習データの平均ベクトルｍ_ｋとの正規化相関ｄ_ｋが算出される。

また、行列作成部１０８は、学習対象の学習データが属するクラス以外の他の各クラスの平均ベクトルと、当該学習データとの正規化相関値が最大となるクラスを選び、その最大となる正規化相関値を求める（ステップＳ２０７）。詳細には、行列作成部１０８は、学習データｘが属するクラスＣ_ｋ以外のクラス（Ｃ_１〜Ｃ_ｋ−１、Ｃ_ｋ＋１〜Ｃ_Ｎ）のそれぞれに所属する学習データの平均ベクトル（ｍ_１〜ｍ_ｋ−１、ｍ_ｋ＋１〜ｍ_Ｎ）と、学習データｘとの正規化相関値（ｄ_１〜ｄ_ｋ−１、ｄ_ｋ＋１〜ｄ_Ｎ）を算出する。そして、行列作成部１０８は、算出した正規化相関値（ｄ_１〜ｄ_ｋ−１、ｄ_ｋ＋１〜ｄ_Ｎ）のうち最も大きい正規化相関値を選択する（ステップＳ２０７）。例えば、最大の正規相関値として、クラスＣ_ｌに所属する学習データの平均値ｍ_ｌと学習データｘとの正規化相関値ｄ_ｌが選択される。この場合、正規化相関値ｄ_ｌは数式（７）のように表される。

行列作成部１０８は、正規化相関値ｄ_ｋが１に近くなり、正規化相関値ｄ_ｌが０に近くなるように学習をする。詳細には、行列作成部１０８は、学習データｘにおける損失Ｅを数式（８）のように定義すると、最急降下法を用いて損失Ｅが小さくなるように写像行列Ａを更新する（ステップＳ２０８）。すなわち、数式（９）において、損失Ｅの写像行列Ａに対する変化量が０になるように、写像行列Ａが更新される。ただし、εはε＞０の定数である。また、損失ＥのＡにおける微分は数式（１０）で表される。ただし、ｆ_ｋ、ｆ_ｌ、ｖは数式（１１）〜（１３）で表され、γは正の定数である。

行列作成部１０８は、上記の更新を、予め記録されたすべての学習データについて行う（ステップＳ２０９、ステップＳ２１０）。詳細には、学習対象の学習データの番号βを１つカウントアップして更新し、次の学習データを学習対象として設定する。この際、βがＬとなるまで、ステップＳ２０５〜Ｓ２０９の処理が実行される。これにより、記録された全ての学習データを学習対象として写像行列Ａが更新される。

全ての学習データについて行われる写像行列Ａの更新処理を１つの学習処理としたとき、行列作成部１０８は、所定の回数、この学習処理を繰り返す（ステップＳ２１１、Ｓ２１２）。詳細には、ステップＳ２０９においてカウントアップされた学習データの番号βが、学習データの個数Ｌを超える場合（ステップＳ２１０Ｙｅｓ）、行列作成部１０８は、学習回数をカウントする変数αを１つカウントアップする。そして、行列作成部１０８は、学習回数（α）が所定の回数を超えた場合、写像行列Ａの更新を終了し、所定の回数以下の場合、ステップＳ２０４に以降し、学習処理を繰り返す（ステップＳ２１１、ステップＳ２１２）。

以上のように、行列作成部１０８は、クラス毎に分類された特徴量を学習データとして、同一クラス内の平均ベクトルとの正規化相関値と、他のクラスにおける平均ベクトルとの正規化相関値との損失が小さくなるように、写像行列Ａを更新して設定する。換言すると、写像行列Ａは、正規化相関値の分離度が高くなるように設定される。ここでは、類似度が高い特徴量との正規化相関値を１に漸近させ、類似度が低い特徴量との正規化相関値を０に漸近するように、写像行列Ａが生成される。このため、写像行列Ａによって変換した変換後特徴量の正規化相関を類似度とした場合、特徴量（画像データ）が類似であれば、類似度は１に近づき、非類似であれば、類似度は０に近づく値となる。従って、ステップＳ１０８における閾値判定処理において、閾値を１と０の中間値に設定することにより、高い識別性能を得ることができる。

抽出された第１顔画像Ｐの特徴量と第２顔画像Ｑの特徴量との正規化相関を類似度として算出するだけでは、高精度な認識精度を得ることは難しい。一方、本発明の個人認証システムは、抽出された特徴量を、予めクラス分けされた特徴量を用いて生成された写像行列Ａによって変換し、変換後特徴量の正規化相関値によって類否の判定を行う。これにより、本発明の個人認証システムは、未知のクラスの顔画像（特徴量）に対しても類似度の信頼度が向上し、類似判定（例えば人物判定）の精度が向上する。

同一の顔に対する撮影条件が異なる場合、顔画像データから抽出される特徴量は、条件によって変動する。例えば、特徴量として顔画像における各画素の輝度ベクトルが抽出される場合がある。顔画像の輝度ベクトルは、背景の明るさに比例した値となるため、照明の明るさが変動することにより各画素の輝度は変動する。

このように特徴量が変動する場合、特徴間の距離（特徴ベクトルの長さ）は大きく変動することがある。このため、従来技術のように、特徴間の距離を識別尺度として人物認証を行なう方法では、特徴量の変動によって認証精度が低下する場合がある。一方、本発明による個人認証システムでは、特徴ベクトルの長さを正規化した正規化相関を、類否の判定尺度として利用している。一般に正規化相関値は、元となる値（ここでは特徴量）の変動量による影響が小さいため、特徴量の変動による類否判定への影響を小さくすることができる。従って、本発明による個人認証システムにおける類否の判定精度は、従来手法に比べて高くなる。

以上、本発明の実施の形態を詳述してきたが、具体的な構成は上記実施の形態に限られるものではなく、本発明の要旨を逸脱しない範囲の変更があっても本発明に含まれる。本実施の形態では、人物の認証に用いる個人認証システムについて説明したが、類否判定ができればこれに限らない。この場合、類否を判定（照合）する顔画像データの替わりに他の画像データ（例えば、判定対象となる物品や書画の全体を撮影した画像データ）を入力し、その真贋を判定する装置にも適用できる。

Claims

予め記録された複数の顔画像データの特徴量をクラス毎に分類し、前記記録された複数の特徴量を変数とした線形判別式における係数を、写像行列として算出する行列作成部と、
第１顔画像データから第１特徴量を抽出し、第２顔画像データから第２特徴量を抽出する特徴抽出部と、
前記写像行列を用いて、前記第１特徴量を第１変換後特徴量に変換し、前記第２特徴量を第２変換後特徴量に変換する特徴変換部と、
前記第１変換後特徴量と前記第２変換後特徴量との正規化相関値を類似度として算出する演算部と、
前記類似度が、所定の閾値を超える場合、前記第１顔画像データと前記第２顔画像データが同一の人物の画像データであると判定するデータ照合部と、
を具備し、
前記行列作成部は、
第１クラスに属する特徴量の第１平均ベクトルと、前記第１クラスに属する第１特徴量との第１正規相関値を算出し、
第２クラスにおける特徴量の第２平均ベクトルと、前記第１特徴量との第２正規相関値を算出し、
前記第２正規相関値は、前記第１クラス以外のクラスのそれぞれにおける特徴量の平均ベクトルと、前記第１特徴量との正規相関値の最大値であり、
最急降下法を用いて、前記第１正規相関値と前記第２正規相関値とに基づく損失の前記写像行列に対する変化量が０となるように、前記写像行列を更新し、
前記特徴変換部は、前記更新された写像行列を用いて、前記特徴抽出部で抽出された特徴量を変換後特徴量に変換する
個人認証システム。
請求項１に記載の個人認証システムにおいて、
前記行列作成部は、前記記録された特徴量の全てに対して、前記写像行列の更新を行い、前記記録された特徴量の全てに対する前記写像行列の更新を、所定の回数繰り返す
個人認証システム。
請求項２に記載の個人認証システムにいおいて、
前記第１正規相関値をｄｋ、前記第２正規相関値をｄｌ、前記第１平均ベクトルをｍｋ、前記第２平均ベクトルをｍｌ、前記写像行列をＡ、前記損失をＥとした場合、
前記変化量は、

で示され、
ただし、

であり、
前記行列作成部は、前記変化量が０となるように前記写像行列を更新する
個人認証システム。
請求項１から３のいずれか１項に記載の個人認証システムにおいて、
前記第１変換後特徴量をｙＰ、前記第２変換後特徴量をｙＱ、ベクトルの転置をＴで表すと、
前記類似度ｄは、

で示される
個人認証システム。
請求項１から４のいずれか１項に記載の個人認証システムにおいて、
前記予め記録された複数の顔画像データの特徴量は前記特徴抽出部と同じアルゴリズムによって複数の顔画像データから抽出された特徴量である
個人認証システム。
予め記録された複数の顔画像データの特徴量をクラス毎に分類し、前記記録された複数の特徴量を変数とした線形判別式における係数を、写像行列として算出するステップと、
第１顔画像データから第１特徴量を抽出し、第２顔画像データから第２特徴量を抽出するステップと、
前記写像行列を用いて、前記第１特徴量を第１変換後特徴量に変換し、前記第２特徴量を第２変換後特徴量に変換するステップと、
前記第１変換後特徴量と前記第２変換後特徴量との正規化相関値を類似度として算出するステップと、
前記類似度が所定の閾値を超える場合、前記第１顔画像データと前記第２顔画像データが同一の人物の画像データであると判定するステップとを具備し、
前記写像行列を算出するステップは、
第１クラスに属する特徴量の第１平均ベクトルと、前記第１クラスに属する第１特徴量との第１正規相関値を算出するステップと、
第２クラスにおける特徴量の第２平均ベクトルと、前記第１特徴量との第２正規相関値を算出するステップと、
前記第２正規相関値は、前記第１クラス以外のクラスのそれぞれにおける特徴量の平均ベクトルと、前記第１特徴量との正規相関値の最大値であり、
最急降下法を用いて、前記第１正規相関値と前記第２正規相関値とに基づく損失の前記写像行列に対する変化量が０となるように、前記写像行列を更新するステップと、
を備え、
前記変換するステップは、前記更新された写像行列を用いて、前記抽出するステップにおいて抽出された特徴量を変換後特徴量に変換するステップを備える
個人認証方法。
請求項６に記載の個人認証方法において、
前記写像行列を算出するステップは、前記記録された特徴量の全てに対して、前記写像行列の更新を行うステップを備え、
前記記録された特徴量の全てに対する前記写像行列を更新するステップを、所定の回数繰り返す
個人認証方法。
請求項６又は７に記載の個人認証方法において、
前記第１正規相関値をｄｋ、前記第２正規相関値をｄｌ、前記第１平均ベクトルをｍｋ、前記第２平均ベクトルをｍｌ、前記写像行列をＡ、前記損失をＥとした場合、
前記変化量は、

で示され、
ただし、

であり、
写像行列を算出するステップは、前記変化量が０となるように前記写像行列を更新するステップを備える
個人認証方法。
請求項６から８のいずれか１項に記載の個人認証方法において、
前記第１変換後特徴量をｙＰ、前記第２変換後特徴量をｙＱ、ベクトルの転置をＴで表すと、
前記類似度ｄは、

で示される
個人認証方法。
請求項６から９のいずれか１項に記載の個人認証方法において、
前記予め記録された複数の顔画像データの特徴量は前記抽出するステップと同じアルゴリズムによって複数の顔画像データから抽出された特徴量である
個人認証方法。
請求項６から１０のいずれか１項に記載の個人認証方法をコンピュータに実行させるための個人認証プログラム。