專利名稱：基于人臉的身份認(rèn)證方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于人臉的身份認(rèn)證方法，更具體的說，尤其涉及ー種將圖像劃分為多個子模塊分別進(jìn)行判斷的基于人臉的身份認(rèn)證方法。
背景技術(shù)：
身份認(rèn)證是將現(xiàn)場采集到的信息與已經(jīng)注冊或現(xiàn)場采集的證件信息做比對，確認(rèn)是否同一人的過程。基于人臉的身份認(rèn)證在眾多場合得到了廣泛的應(yīng)用。專利《人臉模型訓(xùn)練模塊及方法、人臉實(shí)時認(rèn)證系統(tǒng)》(公開號CN1885310A)通過訓(xùn)練的方法預(yù)先為每ー個需要認(rèn)證的用戶獲得ー個支持向量機(jī)人臉模型，需要進(jìn)行認(rèn)證時計(jì)算采集圖像與每個人臉模型的相似度，根據(jù)相似度最終得到認(rèn)證結(jié)果。此種方法需要預(yù)先采集所有用戶的數(shù)據(jù)，在機(jī)場、海關(guān)等人臉量大的場合無法應(yīng)用；
專利《一種基于人臉識別的身份認(rèn)證方法》(公開號CN101771539A)首先將采集圖像與存儲圖像校正到同一角度，各自提取特征數(shù)據(jù)進(jìn)行匹配，但僅僅是提供一種思路，未給出具體的匹配方法；
專利《生物特征融合的身份識別和認(rèn)證方法》(公開號CN101771539A)融合了人臉特征信息、虹膜特征信息、在線簽名特征信息、脫機(jī)筆跡特征信息，井分別根據(jù)四個子模塊計(jì)算置信度，根據(jù)各個置信度信息得到最終的認(rèn)證結(jié)果。此種方法雖識別率有所提高，但硬件成本過高，且實(shí)施較為困難。

發(fā)明內(nèi)容
本發(fā)明為了克服上述技術(shù)問題的缺點(diǎn)，提供了 ー種將圖像劃分為多個子模塊分別進(jìn)行判斷的基于人臉的身份認(rèn)證方法。本發(fā)明的基于人臉的身份認(rèn)證方法，包括圖像處理和分類器訓(xùn)練以及圖像采集認(rèn)證過程，其特別之處在干，
圖像處理和分類器訓(xùn)練，包括以下步驟
a).采集人臉圖像，采集經(jīng)過去光照處理的n個人的圖像，每人采集m副黑白人臉圖像，每幅圖像的大小均為MlXNl ;m、n、Ml、NI均為大于零的整數(shù)，Ml和NI的單位為像素；
b).標(biāo)定圖像兩瞳孔距離，訓(xùn)練用于定位圖像兩瞳孔位置的支持向量機(jī)，設(shè)標(biāo)定出的兩瞳孔距離為D像素；c).將人臉圖像進(jìn)行分塊，將每幅人臉圖像分割為大小均為Mil XNll的Pa個子模塊，Mil < Ml，Nll < NI，Ml1、NI I的單位均為像素；d).形成訓(xùn)練樣本，對于每幅圖像，從Pa個子模塊中選取相同的K個子模塊；以選取的每個子模塊中的每個像素的灰度值為列向量，按照逐行排列的方式形成I行Ml I X NI I列的向量,記為標(biāo)記向量；將應(yīng)用于一次對比的兩幅圖像的對應(yīng)子模塊得到的標(biāo)記向量首尾相接，形成I行2X M11XN11列的向量，記為訓(xùn)練向量；將每個訓(xùn)練向量作為分類器的訓(xùn)練樣本；e).訓(xùn)練分類器，以I行2XMl IX NI I列的訓(xùn)練向量作為貝葉斯分類器的輸入，y= {0，1}為輸出，選取正負(fù)樣本各Num個進(jìn)行訓(xùn)練；其中y=0表示是ー個人，y=l表示不是ー個人；圖像采集認(rèn)證過程，包括以下步驟
I).人臉圖像采集，采集待認(rèn)證的黑白人臉圖像，利用步驟b)中的支持向量機(jī)設(shè)定采集到的人臉圖像兩瞳孔距離為D像素；以兩瞳孔之間的中點(diǎn)為中心點(diǎn)，將圖像放縮至MlXNl的尺寸大小；2).去光照處理，采用與步驟a)中相同的去光照方法，對步驟I)中獲取的MlXNl尺寸的圖像進(jìn)行去光照處理；3).圖像分塊，將步驟2)中獲取的人臉圖像分割為Pa個子模塊，每個子模塊的大小均為M11XN11 ;4).形成判定向量，從步驟3)中的Pa個子模塊中選取出K個，以選取的每個子模塊中的每個像素的灰度值為列向量，按照逐行排列的方式形成I行Mil XNll列的向量，記為判定向量；5).形成判定向量，將判定向量與應(yīng)用于一次對比的圖像的標(biāo)記向量首尾相接，形成K個I行2X M11XN11列的向量，記為判定向量；6).判定是否為同一人，利用步驟e)中訓(xùn)練好的分類器，對步驟5)中的定樣本做出判斷；對于一次對比的K個判定向量，如果是同一人的次數(shù)大于等于K/2或者是同一人的概率大于等于1/2，則認(rèn)為待認(rèn)證人臉圖像與對比的圖像為同一人；否則不是同一人?！げ襟Ea)中，由于采集的人臉圖像為黑白圖像，故其灰度值介于0 255之間。步驟d)中，標(biāo)記向量中的每個列向量為逐行排列的每個像素的灰度值；形成訓(xùn)練向量的兩標(biāo)記向量應(yīng)由兩幅圖像相同位置上的子模塊轉(zhuǎn)化而來，這樣才具有比較訓(xùn)練的意義。步驟4)中選取的待認(rèn)證圖形的K個子模塊，應(yīng)與步驟d)中選取的K個子模塊的位置相一致。步驟
4)中的中間向量以及步驟5)中的判定向量中列向量的大小，均為相應(yīng)像素灰度值的大小。步驟6)中，判定待認(rèn)定的人臉圖像與之前存儲的圖像是否為同一人時，只要K個判定結(jié)果有一半以上得出是同一人，即認(rèn)為兩圖像來至同一人。本發(fā)明的基于人臉的身份認(rèn)證方法，設(shè)獲取的人臉圖像為A，步驟a)中所述的去光照處理，包括以下步驟a-1).統(tǒng)計(jì)圖像A各灰度級的個數(shù)Num[n],其中0彡]1彡255;a-2).計(jì)算各灰度級在圖像中出現(xiàn)的概率P[n],其中0 < n < 255 ;a-3).計(jì)算各灰度級在圖像中出現(xiàn)的累加概率Sump[n],其中0 < n < 255 ；a-4).計(jì)算圖像A的灰度最大值MaxGray和灰度最小值MinGray ;a_5).重新計(jì)算圖像姆個像素的灰度值B(i, j)=p[A(i, j)]X (MaxGray-MinGray)+ MinGray0去光照處理方法可采用直方圖均衡化的方法或Retinex的方法；去光照的目的是為了去除光照對判定結(jié)果的影響。本發(fā)明的基于人臉的身份認(rèn)證方法，所述步驟6)中判定是否為同一人的方法為利用步驟e)中訓(xùn)練好的分類器計(jì)算得到是同一個人的概率組合P= {pl，p2, p3, p4,…，pK}和不是同一個人的概率組合Q= {ql, q2, q3, q4,…，qK};然后計(jì)算是同一個人的概率為p=sum (P)/K，不是同一個人的概率為q=sum(Q)/K,其中sum代表求和；若p>q,則認(rèn)定是ー個人，若P < q，則不是同一人。其中，p1、qi的取值為0或1，且pi與qi的取值相反；對于對比的兩幅圖片的第i個子模塊來說，如果是同一個人，則pi=l、qi=0，如果不是同一人，則pi=0、qi=l。本發(fā)明的基于人臉的身份認(rèn)證方法，在一次比對過程中，分別將K個1X2XM11XN11的判定向量作為分類器的輸入，計(jì)算得到K個判斷結(jié)果，結(jié)果集為y={0，1}，其中0代表為同一人，I代表不是同一人；令K=NumSame+NumDiff, NumSame為判定是一人的次數(shù)，NumDiff為判定不是一人的次數(shù)；若NumSame>NumDiff,則認(rèn)定是一人，NumSame< NumDiff,則認(rèn)定不是同一人。
本發(fā)明的有益效果是本發(fā)明的基于人臉的身份認(rèn)證方法，首先采集多人的多幅圖片，去光照處理后再將其分割為Mil XNll大小的子模塊，以相對比的兩幅圖像中兩子模塊像素的灰度值為列向量，形成訓(xùn)練樣本，以訓(xùn)練貝葉斯分類器；在對采集的圖像判定的過程中，利用訓(xùn)練好的貝葉斯分類器，即可有效、準(zhǔn)確、快速地判斷出待檢測圖像是否為之前存入的圖像相一致。本發(fā)明的基于人臉的身份認(rèn)證方法，可廣泛應(yīng)用于機(jī)場、海關(guān)、考勤等場合的身份認(rèn)證。充分利用了整張人臉的特征，不僅具有很高的識別率，且容易實(shí)施，具有很高的實(shí)用價值。
具體實(shí)施例方式下面結(jié)合附圖
與實(shí)施例對本發(fā)明作進(jìn)ー步說明。
本發(fā)明的基于人臉的身份認(rèn)證方法，包括圖像處理和分類器訓(xùn)練以及圖像采集認(rèn)證過程，
圖像處理和分類器訓(xùn)練，包括以下步驟
a).采集人臉圖像，采集經(jīng)過去光照處理的n個人的圖像，每人采集m副黑白人臉圖像，每幅圖像的大小均為MlXNl ;m、n、Ml、NI均為大于零的整數(shù)，Ml和NI的單位為像素；
該步驟中，去光照處理方法可采用直方圖均衡化的方法或Retinex的方法，可采用以下方法來實(shí)現(xiàn)
a-1).統(tǒng)計(jì)圖像A各灰度級的個數(shù)Num[n]，其中0彡n彡255; a-2).計(jì)算各灰度級在圖像中出現(xiàn)的概率P[n]，其中0彡n彡255 ; a-3).計(jì)算各灰度級在圖像中出現(xiàn)的累加概率Sump [n],其中0彡n彡255 ; a-4).計(jì)算圖像A的灰度最大值MaxGray和灰度最小值MinGray ； a-5).重新計(jì)算圖像姆個像素的灰度值B(i, j) =p[A(i, j)] X (MaxGray-MinGray) + MinGray ；
其中，A為獲取的人臉圖像；
b).標(biāo)定圖像兩瞳孔距離，訓(xùn)練用于定位圖像兩瞳孔位置的支持向量機(jī)，設(shè)標(biāo)定出的兩瞳孔距離為D像素；
c).將人臉圖像進(jìn)行分塊，將每幅人臉圖像分割為大小均為M11XN11的Pa個子模塊，Ml I彡Ml，NI I彡NI，Ml1、NI I的單位均為像素；
d).形成訓(xùn)練樣本，對于每幅圖像，從Pa個子模塊中選取相同的K個子模塊；以選取的每個子模塊中的每個像素的灰度值為列向量，按照逐行排列的方式形成I行Ml I X NI I列的向量，記為標(biāo)記向量；將應(yīng)用于一次對比的兩幅圖像的對應(yīng)子模塊得到的標(biāo)記向量首尾相接，形成I行2X M11XN11列的向量，記為訓(xùn)練向量；將每個訓(xùn)練向量作為分類器的訓(xùn)練樣本；
e).訓(xùn)練分類器，以I行2XM11XN11列的訓(xùn)練向量作為貝葉斯分類器的輸入，y={0, 1}為輸出，選取正負(fù)樣本各Num個進(jìn)行訓(xùn)練；其中y=0表示是ー個人,y=l表示不是ー個人；
圖像采集認(rèn)證過程，包括以下步驟
I).人臉圖像采集，采集待認(rèn)證的黑白人臉圖像，利用步驟b)中的支持向量機(jī)設(shè)定采集到的人臉圖像兩瞳孔距離為D像素；以兩瞳孔之間的中點(diǎn)為中心點(diǎn)，將圖像放縮至MlXNl的尺寸大?。?br> 2).去光照處理，采用與步驟a)中相同的去光照方法，對步驟I)中獲取的MlXNl尺寸的圖像進(jìn)行去光照處理；
3).圖像分塊，將步驟2)中獲取的人臉圖像分割為Pa個子模塊，每個子模塊的大小均為 M11XN11 ；
4).形成中間向量，從步驟3)中的Pa個子模塊中選取 出K個，以選取的每個子模塊中的每個像素的灰度值為列向量，按照逐行排列的方式形成I行Ml I X NI I列的向量，記為中間向量；
5).形成判定向量，將中間向量與應(yīng)用于一次對比的圖像的標(biāo)記向量首尾相接，形成K個I行2X Mil XNll列的向量，記為判定向量；
6).判定是否為同一人，利用步驟e)中訓(xùn)練好的分類器，對步驟5)中的定樣本做出判斷；對于一次對比的K個判定向量，如果是同一人的次數(shù)大于等于K/2或者是同一人的概率大于等于1/2，則認(rèn)為待認(rèn)證人臉圖像與對比的圖像為同一人；否則不是同一人；
在判定過程中，可采用如下方法來實(shí)現(xiàn)利用步驟e)中訓(xùn)練好的分類器計(jì)算得到是同一個人的概率組合P= {pl, p2, p3, p4,…，pK}和不是同一個人的概率組合Q={ql, q2, q3, q4,，qK};然后計(jì)算是同一個人的概率為p=sum(P)/K,不是同一個人的概率為q=sum(Q)/K,其中sum代表求和；若p>q,則認(rèn)定是ー個人，若P < q，則不是同一人；
也可采用如下方法來實(shí)現(xiàn)在一次比對過程中，分別將K個1X2XM11XN11的判定向量作為分類器的輸入，計(jì)算得到K個判斷結(jié)果，結(jié)果集為y= {O，1}，其中O代表為同一人，I代表不是同一人；令K=NumSame+NumDiff ,NumSame為判定是一人的次數(shù)，NumDiff為判定不是一人的次數(shù)；若NumSame>NumDiff,則認(rèn)定是一人，NumSame < NumDiff,則認(rèn)定不是同一人。為了便于對本發(fā)明的基于人臉的身份認(rèn)證方法進(jìn)行更為充分的說明，一種實(shí)施的具體步驟如下
1、預(yù)先采集100個人的圖像，每人采集10幅黑白人臉圖像，大小均為20X30像素的大
小；
2、基于100個人的多幅圖像，離線訓(xùn)練支持向量機(jī)用于定位人的兩瞳孔位置，將人臉圖像中兩瞳孔之間的距離設(shè)定為5個像素；
3、離線訓(xùn)練貝葉斯分類器用于對人的識別；對于采集得到的100幅20X30像素大小的圖像，貝葉斯訓(xùn)練時將每一幅20X30像素的圖像分為均為4X6像素大小的25塊，每塊將其按照逐行排列的方式形成I行24列的標(biāo)記向量，向量中每個列向量為相應(yīng)像素的灰度值；將應(yīng)用于一次比對的兩幅圖像的對應(yīng)位置得到的兩個I行24列的標(biāo)記向量首尾相接變?yōu)镮行48列的訓(xùn)練向量；每個訓(xùn)練向量代表ー個訓(xùn)練樣本，可得到正負(fù)樣本數(shù)均為25X 100X90=225000個訓(xùn)練樣本，用貝葉斯訓(xùn)練的方法訓(xùn)練分類器；
4、檢測攝像頭采集到的正面人臉圖像的兩瞳孔位置，設(shè)定兩瞳孔距離為5像素，設(shè)定兩瞳孔的中點(diǎn)為圖片的中心點(diǎn)，將圖片放縮到20X30像素的大??；
5、將去光照處理后的20X30像素大小的圖像分為均為4X6像素大小的25塊，每塊將其按照逐行排列的方式形成I行24列的向量，向量中每個列向量為相應(yīng)像素的灰度值；將應(yīng)用于一次比對的兩幅圖像的對應(yīng)位置得到的兩個I行24列的向量首尾相接變?yōu)镮行48列的判定向量；
6、對于一次比對中的兩幅圖片分別按照上述步驟處理圖片，得到25個I行48列的判定向量，將其分別利用訓(xùn)練好的貝葉斯方法計(jì)算得到是同一個人的概率組合P= {pl, p2, p3, p4,…，p25}和不是同一個人的概率組合Q= {ql, q2, q3, q4,，q25};最后計(jì)算是ー個人的概率為P=sum(P)/25，不是同一個人的概率為q=sum(Q)/25,其中sum代表求和；若P>q，則認(rèn)定是ー個人，否則不是同一人。·
權(quán)利要求
1.一種基于人臉的身份認(rèn)證方法，包括圖像處理和分類器訓(xùn)練以及圖像采集認(rèn)證過程，其特征在于，圖像處理和分類器訓(xùn)練，包括以下步驟a).采集人臉圖像，采集經(jīng)過去光照處理的η個人的圖像，每人采集m副黑白人臉圖像，每幅圖像的大小均為MlXNl ;m、η、Ml、NI均為大于零的整數(shù)，Ml和NI的單位為像素；b).標(biāo)定圖像兩瞳孔距離，訓(xùn)練用于定位圖像兩瞳孔位置的支持向量機(jī)，設(shè)標(biāo)定出的兩瞳孔距離為D像素；c).將人臉圖像進(jìn)行分塊，將每幅人臉圖像分割為大小均為M11XN11的Pa個子模塊，Ml I彡Ml，NI I彡NI，Ml1、NI I的單位均為像素；d).形成訓(xùn)練樣本，對于每幅圖像，從Pa個子模塊中選取相同的K個子模塊；以選取的每個子模塊中的每個像素的灰度值為列向量，按照逐行排列的方式形成I行Ml I X NI I列的向量，記為標(biāo)記向量；將應(yīng)用于一次對比的兩幅圖像的對應(yīng)子模塊得到的標(biāo)記向量首尾相接，形成I行2X M11XN11列的向量，記為訓(xùn)練向量；將每個訓(xùn)練向量作為分類器的訓(xùn)練樣本；e).訓(xùn)練分類器，以I行2XM11XN11列的訓(xùn)練向量作為貝葉斯分類器的輸入，y={0, 1}為輸出，選取正負(fù)樣本各Num個進(jìn)行訓(xùn)練；其中y=0表示是一個人,y=l表示不是一個人；圖像采集認(rèn)證過程，包括以下步驟1).人臉圖像采集，采集待認(rèn)證的黑白人臉圖像，利用步驟b)中的支持向量機(jī)設(shè)定采集到的人臉圖像兩瞳孔距離為D像素；以兩瞳孔之間的中點(diǎn)為中心點(diǎn)，將圖像放縮至MlXNl的尺寸大??；2).去光照處理，采用與步驟a)中相同的去光照方法，對步驟I)中獲取的MlXNl尺寸的圖像進(jìn)行去光照處理；3).圖像分塊，將步驟2)中獲取的人臉圖像分割為Pa個子模塊，每個子模塊的大小均為 M11XN11 ；4).形成中間向量，從步驟3)中的Pa個子模塊中選取出K個，以選取的每個子模塊中的每個像素的灰度值為列向量，按照逐行排列的方式形成I行Ml I X NI I列的向量，記為中間向量；5).形成判定向量，將中間向量與應(yīng)用于一次對比的圖像的標(biāo)記向量首尾相接，形成K個I行2X Mil XNll列的向量，記為判定向量；6).判定是否為同一人，利用步驟e)中訓(xùn)練好的分類器，對步驟5)中的定樣本做出判斷；對于一次對比的K個判定向量，如果是同一人的次數(shù)大于等于K/2或者是同一人的概率大于等于1/2，則認(rèn)為待認(rèn)證人臉圖像與對比的圖像為同一人；否則不是同一人。
2.根據(jù)權(quán)利要求1所述的基于人臉的身份認(rèn)證方法，其特征在于，設(shè)獲取的人臉圖像為A，步驟a)中所述的去光照處理，包括以下步驟a-1).統(tǒng)計(jì)圖像A各灰度級的個數(shù)Num[n]，其中O彡η彡255;a-2).計(jì)算各灰度級在圖像中出現(xiàn)的概率P [η]，其中O彡η彡255 ;a-3).計(jì)算各灰度級在圖像中出現(xiàn)的累加概率Sump [η],其中O彡η彡255 ;a-4).計(jì)算圖像A的灰度最大值MaxGray和灰度最小值MinGray ；a-5).重新計(jì)算圖像每個像素的灰度值B(i, j)=p[A(i, j)] X (MaxGray-MinGray) +MinGray0
3.根據(jù)權(quán)利要求1或2所述的基于人臉的身份認(rèn)證方法，其特征在于所述步驟6)中判定是否為同一人的方法為利用步驟e)中訓(xùn)練好的分類器計(jì)算得到是同一個人的概率組合 P= {pi, p2, p3, p4, ...，pK}和不是同一個人的概率組合 Q= {ql, q2, q3, q4, ...，qK};然后計(jì)算是同一個人的概率為P=sum(P)/K,不是同一個人的概率為q=sum(Q)/K,其中sum代表求和；gp>q,則認(rèn)定是一個人，若P < q，則不是同一人。
4.根據(jù)權(quán)利要求1或2所述的基于人臉的身份認(rèn)證方法，其特征在于所述步驟6)中判定是否為同一人的方法為在一次比對過程中，分別將K個1X2XM11XN11的判定向量作為分類器的輸入，計(jì)算得到K個判斷結(jié)果，結(jié)果集為y={0，1}，其中O代表為同一人，I代表不是同一人；$K=NumSame+NumDiff, NumSame為判定是一人的次數(shù)，NumDiff為判定不是一人的次數(shù)；若NumSame>NumDiff,則認(rèn)定是一人,NumSame < NumDiff,則認(rèn)定不是同一人。
全文摘要
本發(fā)明的基于人臉的身份認(rèn)證方法，圖像處理和分類器訓(xùn)練包括a)采集人臉圖像；b)標(biāo)定圖像兩瞳孔距離；c)將人臉圖像進(jìn)行分塊；d)形成訓(xùn)練樣本；e)訓(xùn)練分類器；圖像采集認(rèn)證包括1)人臉圖像采集；2)去光照處理；3)圖像分塊；4)形成判定向量；5)形成判定向量；6)判定是否為同一人。本發(fā)明方法，以兩幅圖像中兩子模塊像素的灰度值為列向量，形成訓(xùn)練樣本，利用訓(xùn)練好的貝葉斯分類器，可有效、準(zhǔn)確、快速地對待檢測圖像做出判斷。可廣泛應(yīng)用于機(jī)場、海關(guān)、考勤等場合的身份認(rèn)證。充分利用了整張人臉的特征，不僅具有很高的識別率，且容易實(shí)施，具有很高的實(shí)用價值。
文檔編號G06K9/62GK103020599SQ20121053284
公開日2013年4月3日 申請日期2012年12月12日 優(yōu)先權(quán)日2012年12月12日
發(fā)明者張傳鋒, 許野平 申請人:山東神思電子技術(shù)股份有限公司