TWI634486B - 身份驗證裝置、身份驗證方法、及其電腦可讀儲存介質 - Google Patents

Abstract

本發明係提供一種身份驗證方法，包括：透過一影像擷取設備拍攝一受檢者，取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊；根據該等深度資訊得到一深度平均值；比對該深度平均值與一門檻值範圍，得到一比對結果；以及根據該比對結果，判斷該受檢者是否為真人。

Description

身份驗證裝置、身份驗證方法、及其電腦可讀儲存介質

本發明係有關於影像處理，特別是有關於一種身份驗證裝置、身份驗證方法、及其電腦可讀儲存介質。

隨著科技發展，人臉辨識已廣泛地應用於各領域，例如電腦視覺、安全認證、人物追蹤等等。然而，傳統的人臉辨識技術若欲辨別是真人或是照片，往往需採用活體檢測的方式，如眨眼、張嘴等等，但此方式的缺點需高度依賴受檢者的配合，需要耗費較高的成本。若受檢者不配合，則傳統的人臉辨識技術若要辨識出真人人臉與人臉照片之間的差異，需要繁瑣的辨識流程以及相當高的運算複雜度。

因此，需要一種身份驗證裝置、身份驗證辨識方法、及其電腦可讀儲存介質以解決上述問題。

本發明係提供一種身份驗證方法，包括：透過一影像擷取設備拍攝一受檢者，取得該受檢者的人臉影像以及該 人臉影像的複數像素所對應的複數深度資訊；根據該等深度資訊得到一深度平均值；比對該深度平均值與一門檻值範圍，得到一比對結果；以及根據該比對結果，判斷該受檢者是否為真人。

本發明更提供一種身份驗證裝置，包括：一影像擷取設備，用以對一受檢者拍攝以取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊；一處理器，電性連接至該影像擷取設備，用以根據該等深度資訊得到一深度平均值，比對該深度平均值與一門檻值範圍，得到一比對結果，藉此判斷該受檢者是否為真人。

本發明更提供一種電腦程式產品，其係被一機器載入以執行一身份驗證方法，上述電腦程式產品包括：一第一程式碼，用以透過一影像擷取設備拍攝一受檢者，取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊；一第二程式碼，用以根據該等深度資訊得到一深度平均值；一第三程式碼，用以根據該等深度資訊得到一深度平均值；以及一第四程式碼，用以根據該比對結果，判斷該受檢者是否為真人。

100‧‧‧人臉驗證裝置

110‧‧‧影像擷取設備

110A、110B‧‧‧影像擷取單元

120‧‧‧處理器

130‧‧‧記憶體單元

140‧‧‧儲存單元

141‧‧‧身份認證程式

142‧‧‧資料庫

145‧‧‧照片判定模組

146‧‧‧真人辨識模組

147‧‧‧分類器獲取模組

1471‧‧‧照片獲取單元

1472‧‧‧照片深度獲取單元

1473‧‧‧真實深度獲取單元

1474‧‧‧訓練單元

148‧‧‧身份判定模組

200‧‧‧第一影像

210、220、230、240、250‧‧‧儲存空間

211-215、221-225、231-235‧‧‧使用者人臉影像

241-245、251-255‧‧‧使用者人臉影像

S300-S330、S410-S450‧‧‧步驟

S610-S640‧‧‧步驟

第1圖係顯示依據本發明一實施例中之身份驗證裝置之方塊圖。

第2圖係顯示依據本發明一實施例中之身份認證程式的方 塊圖。

第3圖係顯示依據本發明一實施例中建立分類器之方法的流程圖。

第4圖係顯示依據本發明一實施例中之身份認證方法的流程圖。

第5A~5D圖係顯示依據本發明一實施例中計算歐氏距離之示意圖。

第6圖係顯示依據本發明一實施例中之人臉辨識方法的流程圖。

本發明目的之一在於辨別真人與照片的差異，防止有心人士竊取他人照片以偽裝其身份。為此，本發明一實施例提出一種身份驗證方法。在該方法中，首先，透過一影像擷取設備拍攝一受檢者，取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊；其次，根據這些深度資訊得到一深度平均值；再次，比對該深度平均值與一門檻值範圍，得到一比對結果；最後，根據該比對結果，判斷該受檢者是否為真人。

在該實施例中，當比對結果表明深度平均值落在門檻值範圍之外時，判定受檢者實際是一照片；而當比對結果表明深度平均值落在門檻值範圍之外時，利用一已訓練好的分類器判斷受檢者的人臉影像為一真實的人臉或一透過折彎照片紙張進行偽裝的照片。

對於前述分類器，可以透過以下方式訓練得到，即：首先，取得複數個人員中每一人員的照片紙張，接著，透過一影像擷取設備拍攝這些照片紙張中每一照片紙張於各種彎曲情況下的照片影像，取得這些照片影像以及這些照片影像相應的深度資訊；其次，透過影像擷取設備拍攝這些人員，取得這些人員對應的複數個真實人臉影像以及真實人臉影像相應的深度資訊；然後，利用一機器學習演算法，對該等照片影像相應的深度資訊與該等真實人臉影像相應的深度資訊進行訓練，藉此產生前述分類器。

在前述實施例中，在判斷出受檢者的人臉影像為一真實的人臉，即判斷出該受檢者為真人而非照片偽裝之後，可以將對應於該受檢者的人臉影像與一資料庫中儲存的人臉影像進行比對，以確定該受檢者的身份。

於一種實施例中，可以採用如下方式實現將對應於該受檢者的人臉影像與一資料庫中儲存的人臉影像進行比對，即：事先於資料庫中儲存複數個人員的人臉影像，其中每一個人員的人臉影像為複數幅；然後，對於這些複數個人員中的每一個人員的複數幅人臉影像，計算其中每幅人臉影像與受檢者的人臉影像之間的距離，將計算得到的結果取平均，藉此得到受檢者的人臉影像與每一個人員的人臉影像的平均距離；接著，將這些平均距離與一預定閾值進行比較，若這些平均距離均大於該預定閾值，則判定受檢者不屬於資料庫中已存儲人員中的任一者，而若這些平均距離中有小於該預定閾值的，則選出所有小於該預定閾值的平均距離，從所選出者中選 擇小於該預定閾值的最小者，並判定受檢者為該最小者對應的人員。

為使本發明之上述目的、特徵和優點能更明顯易懂，下文特舉一實施例，並配合所附圖式，作詳細說明如下。

第1圖係顯示依據本發明一實施例中之人臉驗證裝置之方塊圖。如第1圖所示，人臉驗證裝置100係包括影像擷取設備110、一處理器120、一記憶體單元130、以及一儲存單元140。在一實施例中，影像擷取設備110係用以拍攝一受檢者以取得受檢者之人臉影像以及該人臉影像的複數像素所對應的複數深度資訊。舉例來說，影像擷取設備110包括影像擷取單元110A及110B。影像擷取單元110A(例如為第一影像擷取單元)例如為一相機，用以對一目標物件(例如可為一真人人臉或一人臉照片)拍照以擷取一人臉影像，例如為一RGB影像。影像擷取單元110B(例如為第一影像擷取單元)例如可為一深度相機，例如紅外線相機(infrared camera)，用以與影像擷取單元110A同時對目標物件拍照，以擷取相應於該人臉影像之複數像素所對應的複數深度資訊，例如可由一深度影像(D影像)表示。人臉影像(RGB影像)及深度影像(D影像)可合稱為一RGBD影像。

深度影像例如可為一灰階影像(gray-scale image)，且灰階影像之各像素係記錄在人臉影像中之相同位置之像素的深度資訊。舉例來說，若以8位元之數值(例如0~255)表示深度資訊，當特定像素與影像擷取單元110B之間的距離愈遠，其灰階值愈大；當特定像素與影像擷取單元110B之間的距 離愈近，其灰階值愈小。選擇性地，可使用相反的方式記錄深值資訊，例如當特定像素與影像擷取單元110B之間的距離愈遠，其灰階值愈小；當特定像素與影像擷取單元110B之間的距離愈近，其灰階值愈大。

處理器120係電性連接至影像擷取設備110。處理器120例如為一中央處理器(central processing unit，CPU)、一數位信號處理器(digital signal processor，DSP)、或一影像信號處理器(image signal processor)，但本發明並不限於此。記憶體單元130係為一揮發性記憶體，例如是一動態隨機存取記憶體(dynamic random access memory，DRAM)或一靜態隨機存取記憶體(static random access memory，SRAM)。

儲存單元140為一非揮發性記憶體，例如是硬碟、固態硬碟、快閃記憶體等等。儲存單元140係儲存一身份驗證程式141，用以執行本發明中之身份驗證方法，並判斷所拍攝之場景中之目標物件為真人人臉或是照片(包括平面照片及彎曲照片)。處理器120係將儲存於儲存單元140中之的身份驗證程式141載入至記憶體單元130，並對影像擷取單元110A及110B所擷取之人臉影像及深度影像執行相應的影像處理。儲存單元140更包括一資料庫142，用以儲存已註冊之使用者的人臉資料，例如是使用者人臉影像及/或使用者影像特徵值(例如可用多維度的一特徵向量表示)等等，但本發明並不限於此。

在一些實施例中，影像擷取設備110例如為一立體相機，且影像擷取單元110A及110B例如分別為一左眼相機及一右眼相機。影像擷取單元110A係對一受檢者拍照以擷取一第一 影像(例如為一左眼影像)，且影像擷取單元110B係同時對該受檢者拍照以擷取一第二影像(例如為一右眼影像)，其中影像擷取單元110A及110B之間的距離可稱為視差(parallax)。三維人臉辨識程式141可依據第一影像、第二影像及影像擷取單元110A及110B之間的視差以計算一人臉影像及該人臉影像之複數像素所對應的複數深度資訊(例如可為相應的一深度影像)。需注意的是，前述實施例係揭示了可利用深度相機建立深度影像、或是利用立體相機以建立深度影像之方法，但本發明亦可利用其他方法以取得人臉影像所相應之深度資訊。

因為真人的人臉有凹凸曲面，故在人臉影像中之人臉區域的深度資訊會有不同的變化。然而，平面照片中之人臉區域的深度資訊與實際拍攝之真實的人臉影像中之人臉區域的深度資訊並不相同，故可利用此特點以辨識真實的人臉影像或是平面照片。在一實施例中，處理器120係由人臉影像偵測出人臉區域，並由計算在深度影像中相應於人臉區域之像素的一深度平均值。

在一實施例中，處理器120係先對人臉影像計算其方向梯度直方圖(histogram of oriented gradients，HOG)以計算其影像特徵，並將影像特徵輸入一支持向量機(support vector machine，SVM)以偵測在人臉影像中之人臉區域。在另一實施例中，處理器120係使用OpenCV資料庫以進行人臉偵測，OpenCV資料庫係採用由Viola & Jones所發表的AdaBoost Learning with Haar-like Features演算法以實現人臉偵測。需注意的是，上述實施例僅用於說明，本發明並不限於使用方向梯 度直方圖或OpenCV資料庫以對人臉影像進行人臉偵測。

第2圖係顯示依據本發明一實施例中之身份認證程式的方塊圖。如第2圖所示，身份認證程式141係包括一照片判定模組145、一真人辨識模組146、一分類器獲取模組147、及一身份判定模組148。

舉例來說，對不同的真實人臉進行拍攝所得到之人臉影像中之人臉區域的深度平均值會在一門檻值範圍內。若是對平面照片拍攝所得到的深度影像，在人臉區域的深度平均值則會在門檻值範圍之外。一般來說，若是定點拍攝人臉影像，則平面照片在人臉區域的深度平均值會比真實人臉之人臉區域的深度平均值較小。

詳細而言，處理器120係依據人臉影像之深度資訊以得到一深度平均，並比對深度平均值與一門檻值範圍，得到一比對結果，藉以判斷該受檢者是否為真人。判斷在深度影像中相應於人臉區域之像素的一深度平均值是否在一門檻值範圍內。若深度平均值在門檻值範圍內，真人辨識模組146係利用一分類器判斷該人臉影像為一真實人臉或是一透過折彎照片紙張進行偽裝的照片。若深度平均值在門檻值範圍外，照片判定模組145係判斷受檢者為一平面照片，，故不進行後續判斷流程。

身份判定模組148係用以在真人辨識模組146判斷出該受檢者為真人後，將對應於該受檢者的該人臉影像與資料庫142中儲存的使用者人臉影像行比對，以確定該受檢者的身份。身份判定模組148之細節將詳述於後。

分類器獲取模組147之細節係搭配第3圖進行說明。分類器獲取模組147係包括照片獲取單元1471、照片深度獲取單元1472、真實深度獲取單元1473、及訓練單元1474。第3圖係顯示依據本發明一實施例中建立分類器之方法的流程圖。

請同時參考第2圖及第3圖，在一實施例中，處理器120係依據一分類器以判斷人臉影像是對真人人臉拍攝或是對彎曲的照片紙張進行拍攝，其中上述分類器係由一機器學習(machine learning)演算法所建立。舉例來說，在步驟S300，照片獲取單元1471係用以取得複數個人員中之每一人員的複數個照片紙張。在步驟S310，照片深度獲取單元1472係用以透過影像擷取設備110拍攝該等照片紙張中每一照片紙張於各種彎曲情況下的一照片影像，取得該等照片影像以及該等照片影像相應的深度資訊。在步驟S320，真實深度獲取單元1473係用以透過影像擷取設備110拍攝該等人員，取得複數張真實人臉影像以及真實人臉影像相應的深度資訊。舉例來說，上述人員例如包括不同年齡、性別、人種的人類。在步驟S330，訓練單元1474係用以利用一機器學習演算法對該等照片影像相應的深度資訊與該等真實人臉影像相應的深度資訊進行訓練，藉以產生一分類器。其中，上述機器學習演算法例如為一卷積類神經網路(Convolutional Neural Network，CNN)、或一深度類神經網路(Deep Neural Network，DNN)當分類器完成訓練後，即可利用已訓練好的分類器判斷人臉影像中之人臉區域是否為真人人臉或是彎曲照片。

在一實施例中，處理器120係計算在人臉影像中之人臉區域的複數個影像特徵值，並計算人臉區域之影像特徵值與在資料庫142中所記錄之複數個使用者影像特徵值之間的距離或相似度，以判斷人臉區域之影像特徵值與使用者影像特徵值是否近似。舉例來說，影像特徵值及使用者影像特徵值例如可採用Haar小波轉換法及主成份分析法(Principal Component Analysis，PCA)計算而得，但本發明並不限於此。

當人臉影像中之人臉區域的影像特徵值與資料庫142中之使用者影像特徵值近似時，處理器120係判斷人臉認證通過，並可執行一特定操作，例如解鎖螢幕畫面、開鎖等操作，但本發明並不限於此。人臉辨識之演算法例如可採用歐氏距離(Euclidean distance)法，計算人臉區域之影像特徵值(例如為一第一特徵向量)與使用者影像特徵值(例如為一第二特徵向量)之歐氏距離以判斷其相似度。當上述歐氏距離小於一預定值時，處理器120係判斷人臉影像之人臉認證通過。需注意的是，上述實施例僅用於說明，本發明並不限於使用歐氏距離來確定兩幅影像之間的相似度，另一些實施例中可以使用例如馬氏距離(Mahalanobis Distance)、曼哈頓距離(Manhattan Distance)、切比雪夫距離(Chebyshev Distance)等等，或者又一些實施例中可以通過相似性度量的方式確定出兩幅影像之間的相似度值，例如餘弦相似度(Cosine Similarity)、皮爾森校正係數(Pearson Correlation Coefficient)、傑卡德係數(Jaccard Coefficient)等等。當然，若採相似度方式，則選擇相似度值最大者對應的註冊使用者為受檢者。

第4圖係顯示依據本發明一實施例中之身份認證方法的流程圖。

在步驟S410，透過一影像擷取設備拍攝一受檢者以取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊。舉例來說，可利用影像擷取設備100中之影像擷取單元110A及影像擷取單元110B同時對一受檢者拍照以分別取得人臉影像及相應的複數深度資訊。

在步驟S420，根據該等深度資訊得到一深度平均值。舉例來說，處理器120可由該人臉影像中偵測出一人臉區域例如可利用OpenCV資料庫對人臉影像進行人臉偵測以取得人臉區域，但本發明並不限於此。處理器120並計算人臉區域中之深度資訊的深度平均值(例如深度影像中相應於人臉區域之像素的平均值)。

在步驟S430，判斷該深度平均值是否在一門檻值範圍內。若是，則執行步驟S340；若否，則執行步驟S350。舉例來說，真實人臉之人臉區域在深度影像中之深度平均值會在一門檻值範圍內，若目標物件為平面照片，因為其深度資訊之變化較小，則平面照片之人臉區域在深度影像中之深度平均值則會與真實人臉之人臉區域所相應之深度平均值不同，意即平面照片之人臉區域在深度影像中之深度平均值會在門檻值範圍之外。

在步驟S440，利用一分類器判斷該人臉影像為一真實人臉或一透過折彎照片紙張進行偽裝的照片。舉例來說，如第2圖之實施例，因為已將各種彎曲照片紙張以及不同的真 人人臉之真實人臉影像經由機器學習演算法(例如：卷積類神經網路)進行訓練以產生分類器，故可利用已訓練完成之分類器判斷人臉區域是否為真人人臉或一透過折彎照片紙張進行偽裝的照片。

在步驟S450，判定該受檢者為一平面照片。若目標物件為平面照片，因為其深度資訊之變化較小，所以平面照片之人臉區域在深度影像中之深度平均值會在門檻值範圍之外，故可依此判斷該受檢者為一平面照片。

在一實施例中，步驟S430可視為：比對該深度平均值與門檻值範圍，得到一比對結果。且步驟S440~S450可視為根據該比對結果，判斷該受檢者是否為真人。

第5A~5D圖係顯示依據本發明一實施例中計算歐氏距離之示意圖。在該實施例中，對於身份認證裝置100中之各註冊使用者，資料庫142係記錄相應於各註冊使用者(registered user)之複數張使用者人臉影像及/或各使用者人臉影像之複數個使用者影像特徵值(例如複數個第二特徵向量)。舉例來說，為了提高人臉辨識之準確率，每一個使用者在身份認證裝置100中進行註冊程序時，需註冊大於或等於一預定數量(例如5張，但非限定)的使用者人臉影像。如第5A圖所示，註冊使用者1~5在資料庫142中均分別註冊了5張使用者人臉影像。在資料庫142中，註冊使用者1係具有使用者人臉影像211~215，記錄於儲存空間210；註冊使用者2係具有使用者人臉影像221~225，記錄於儲存空間220；註冊使用者3係具有使用者人臉影像231~235，記錄於儲存空間230；註冊使用者4係具 有使用者人臉影像241~245，記錄於儲存空間240；註冊使用者5係具有使用者人臉影像251~255，記錄於儲存空間250。

在執行人臉辨識處理時，處理器120係計算第一影像200之人臉區域之第一影像特徵值與各註冊使用者之各使用者人臉影像的第二影像特徵值之間的歐氏距離。為了便於說明，所計算出之歐氏距離係標示於各註冊使用者之使用者人臉影像右側。舉例來說，第一影像200之人臉區域之第一影像特徵值與註冊使用者1之使用者人臉影像211~215之第二影像特徵值之間的歐氏距離分別為0.123、0.124、0.125、0.125、0.126、及0.127。第一影像特徵值與其他註冊使用者之各使用者人臉影像之間的距離係可參考第5B圖。

接著，處理器120係計算相應於各註冊使用者之歐氏距離平均值。例如相應於註冊使用者1~5之歐氏距離平均值分別為0.125、0.18、0.16、0.14、0.19，如第5B圖所示。處理器120再將各歐氏距離平均值與一閾值(例如0.15，非限定)進行比較，且判斷歐氏距離平均值小於閾值之註冊使用者為候選註冊使用者。因為歐氏距離愈短，即表示相似度愈高。在此實施例中，註冊使用者1及4為候選註冊使用者。處理器120係判斷具有最小歐氏距離平均值的註冊使用者1為受檢者。

另一實施例中，處理器120可將第一影像200取代在資料庫142中之註冊使用者1的其中一張使用者人臉影像，藉此可更新資料庫142。在一實施例中，處理器120係將第一影像200取代註冊使用者1之時間最早的使用者人臉影像，例如使用者人臉影像213，如第5C圖所示。在另一實施例中，處理器120 係將第一影像200取代註冊使用者1之具有最大歐氏距離的使用者人臉影像，例如使用者人臉影像215，如第5D圖所示。

需注意的是，上述實施例僅用於說明，本發明並不限於使用歐氏距離來確定兩幅影像之間的相似度，另一些實施例中可以使用例如馬氏距離、曼哈頓距離、切比雪夫距離等等，或者又一些實施例中可以通過相似性度量的方式確定出兩幅影像之間的相似度值，例如餘弦相似度、皮爾森校正係數、傑卡德係數等等。當然，若採相似度方式，則選擇相似度值最大者對應的註冊使用者為受檢者。

需注意的是，若要提高類神經網路之預測模型的辨識率，在傳統方法中若要新增或修改註冊使用者之使用者人臉影像，往往需重新訓練類神經網路，需要花費相當多的時間及運算處理。在前述實施例中，可重複使用相同的類神經網路之預測模型。在處理器120決定一特定註冊使用者為受檢者後，處理器120可將第一影像200取代相應於該特定註冊使用者之最早或歐氏距離最大的使用者人臉影像，使得下一次進行人臉辨識時可具有愈接近特定註冊使用者之人臉的使用者人臉影像，且可在不必重新訓練類神經網路的情況下降低誤判的情況並提高人臉辨識之準確率。

第6圖係顯示依據本發明一實施例中之人臉辨識方法的流程圖。

在步驟S610，對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域。其中，處理器120例如可先對人臉影像計算其方向梯度直方圖(histogram of oriented gradients，HOG)以計算其影像特徵，並將影像特徵輸入一支持向量機(support vector machine，SVM)以偵測在人臉影像中之人臉區域。在另一實施例中，處理器120係使用OpenCV資料庫以進行人臉偵測，OpenCV資料庫係採用由Viola & Jones所發表的AdaBoost Learning with Haar-like Features演算法以實現人臉偵測。

在步驟S620，計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定受檢者身份。其中，各註冊使用者在人臉資料庫中均需註冊複數張使用者人臉影像，如第5A~5D圖之實施例所述。

在步驟S630，對於每一個註冊使用者，計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離，得到複數個相似度值或距離值，並將該複數個相似度值或距離值取平均，藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值。上述相似度值或距離值的計算方式可參考第5A~5D圖之實施例，且距離值之計算例如可以使用歐氏距離、馬氏距離、曼哈頓距離、切比雪夫距離等等。若採距離值之計算方式，則選擇距離值最小對應的註冊使用者為受檢者。相似度值之計算例如可以通過相似性度量的方式確定出兩幅影像之間的相似度值，例如餘弦相似度、皮爾森校正係數、傑卡德係數等等。若採相似度方式，則選擇相似度值最大者對應的註冊使用者為受檢者。

在步驟S640，對於所有註冊使用者，將各自的相似度平均值或距離平均值與一閾值進行比較，若該等相似度平 均值或距離平均值在該閾值之外，則判定該受檢者不屬於該人臉資料庫中已有的註冊使用者，若該等相似度平均值或距離平均值中至少一者在該閾值內，則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者，並判定該受檢者為該相似度最高者或者距離最小者對應的註冊使用者。

綜上所述，本發明係提供一種身份驗證裝置、身份驗證方法、及其電腦可讀取媒體，其可主動辨識受檢之目標物件為真人人臉或照片(包括平面照片或彎曲照片)，且可簡化辨識流程以降低運算複雜度，藉以提高系統的運算速度並改善使用者體驗。

本發明之方法，或特定型態或其部份，可以以程式碼的型態包含於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之裝置或系統。本發明之方法、系統與裝置也可以以程式碼型態透過一些傳送媒體，如電線或電纜、光纖、或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之裝置或系統。當在一般用途處理器實作時，程式碼結合處理器提供一操作類似於應用特定邏輯電路之獨特裝置。

本發明雖以複數個實施例揭露如上，然其並非用以限定本發明的範圍，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可做些許的更動與潤飾， 因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (6)

1. 一種身份驗證方法，包括：透過一影像擷取設備拍攝一受檢者，取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊；根據該等深度資訊得到一深度平均值；比對該深度平均值與一門檻值範圍，得到一比對結果；根據該比對結果，判斷該受檢者是否為真人；以及在判斷出該受檢者為真人時，將對應於該受檢者的該人臉影像與一資料庫中所儲存的複數個註冊使用者之每一者的複數張使用者人臉影像進行比對，以確定該受檢者的身份，其中該將對應於該受檢者的該人臉影像與該資料庫中儲存的該等使用者人臉影像進行比對之步驟包括：對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域；計算該人臉區域與該資料庫中之各註冊使用者之該等使用者人臉影像之間的相似度以確定該受檢者之身份，其中，對於每一個註冊使用者，計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離，得到複數個相似度值或距離值，並將該複數個相似度值或距離值取平均，藉此得到該人臉區域與該每一個註冊使用者 之間的相似度平均值或距離平均值；以及對於所有註冊使用者，將各自的相似度平均值或距離平均值與一閾值進行比較，若該等相似度平均值或距離平均值在該閾值之外，則判定該受檢者不屬於該資料庫中已有的註冊使用者，若該等相似度平均值或距離平均值中至少一者在該閾值內，則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者，並判定該受檢者為該相似度最高者或者距離最小者對應的註冊使用者。
2. 如申請專利範圍第1項所述之身份驗證方法，其中，該判斷該受檢者是否為真人之步驟包括：當該比對結果表明該深度平均值落在該門檻值範圍之外時，判斷該受檢者為一平面照片；以及當該比對結果表明該深度平均值落在該門檻值範圍之內時，利用一分類器判斷該人臉影像為一真實人臉或一透過折彎照片紙張進行偽裝的照片。
3. 如申請專利範圍第2項所述之身份驗證方法，其中該分類器是透過以下步驟獲得實現：取得複數個人員中每一人員的照片紙張；透過該影像擷取設備拍攝該等照片紙張中每一照片紙張於各種彎曲情況下的照片影像，取得該等照片影像以及該等照片影像相應的深度資訊；透過該影像擷取設備拍攝該等人員，取得複數個真實人 臉影像以及該等真實人臉影像相應的深度資訊；以及利用一機器學習演算法，對該等照片影像相應的深度資訊與該等真實人臉影像相應的深度資訊進行訓練，藉此產生該分類器。
4. 一種身份驗證裝置，包括：一影像擷取設備，用以對一受檢者拍攝以取得該受檢者的人臉影像以及該人臉影像的複數像素所對應的複數深度資訊；以及一處理器，電性連接至該影像擷取設備，用以根據該等深度資訊得到一深度平均值，比對該深度平均值與一門檻值範圍，得到一比對結果，藉此判斷該受檢者是否為真人，其中該處理器包括：一照片判定模組，用以當該深度平均值落在該門檻值範圍之外時，判定該受檢者為一平面照片；以及一真人辨識模組，用以當該深度平均值落在該門檻值範圍之外時，利用一分類器判斷該人臉影像為一真實人臉或一透過折彎照片紙張進行偽裝的照片，其中該身份驗證裝置更包括：一分類器獲取模組，用以獲取該分類器，其中該分類器獲取模組包括：一照片獲取單元，用於取得複數個人員中每一人員的照片紙張；一照片深度獲取單元，用於透過該影像擷取設備拍 攝該等照片紙張中每一照片紙張於各種彎曲情況下的照片影像，取得該等照片影像以及該等照片影像相應的深度資訊；一真實深度獲取單元，用於透過該影像擷取設備拍攝該等人員，取得複數個真實人臉影像以及真實人臉影像相應的深度資訊；以及一訓練單元，用於利用一機器學習演算法，對該等照片影像相應的深度資訊與該等真實人臉影像相應的深度資訊進行訓練，藉此產生該分類器。
5. 如申請專利範圍第4項所述之身份驗證裝置，更包括一身份判定模組，用以在該真人辨識模組判斷出該受檢者為真人後，將對應於該受檢者的該人臉影像與一資料庫中儲存的使用者人臉影像進行比對，以確定該受檢者的身份。
6. 一種電腦可讀儲存介質，其包括儲存的電腦程式，當一設備運行該電腦程式時控制該設備執行如申請專利範圍第1-3項中任一項所述之方法。