基于人臉識別的實名認(rèn)證系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于人臉識別的實名認(rèn)證方法，接收用戶輸入的身份證信息，并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效；如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片；觸發(fā)人像采集裝置獲取持證人頭像，并將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
【專利說明】基于人臉識別的實名認(rèn)證系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明自動人臉識別領(lǐng)域，特別涉及一種人臉識別的實名認(rèn)證系統(tǒng)。

【背景技術(shù)】
[0002]自1989年國務(wù)院批準(zhǔn)在全國實施居民身份證使用、查驗和核查制度以來，居民身份證在保護公民和社會有關(guān)部門的合法權(quán)益，方便公民進行社會活動，便利有關(guān)部門開展工作和打擊違法犯罪活動等方面發(fā)揮了重要作用。根據(jù)國家有關(guān)政策精神，全國各省、自治區(qū)、直轄市公安、教育、民政、司法、勞動、交通、郵電、商業(yè)、民航、旅游、工商行政管理、稅務(wù)、銀行、保險、醫(yī)療衛(wèi)生，通信、社保等行業(yè)單位都加強了居民身份證的核查工作。
[0003]身份證認(rèn)證是對用戶資料真實性進行的驗證審核，以便建立完善可靠的互聯(lián)網(wǎng)信用基礎(chǔ)。它是實名認(rèn)證的一種。身份證認(rèn)證查詢可以對身份證信息、身份證頭像等身份證信息驗證查詢，身份證信息認(rèn)證不涉及隱私，公民安全使用有保障。但是當(dāng)前認(rèn)證模式只能認(rèn)定用戶輸入的身份證信息是否是正確的，但不能保證認(rèn)證用戶和其填寫的認(rèn)證信息為同一人。例如，現(xiàn)階段的互聯(lián)網(wǎng)實名認(rèn)證通過姓名和身份證號碼驗證身份真?zhèn)巍５谴隧楎炞C手段忽略了一個問題，即只需知道正確的身份證號碼和對應(yīng)姓名就可以完成實名認(rèn)證驗證，此缺陷很大程度的影響實名認(rèn)證的效果。


【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是針對提供一種可靠性較高的基于人臉識別的實名認(rèn)證方法和系統(tǒng)。
[0005]為解決上述技術(shù)問題，本發(fā)明是按如下方式實現(xiàn)的:
[0006]一種基于人臉識別的實名認(rèn)證方法，包括:
[0007]接收用戶輸入的身份證信息，并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效；
[0008]如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片；
[0009]觸發(fā)人像采集裝置獲取持證人頭像，并將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
[0010]一種基于人臉識別的實名認(rèn)證系統(tǒng)，包括:
[0011]接收部件，用于接收用戶輸入的身份證信息；
[0012]人像采集裝置，用于在處理器的觸發(fā)下，獲取持證人頭像；
[0013]所述處理器，用于并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效；如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片，并觸發(fā)人像采集裝置獲取持證人頭像，將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
[0014]本發(fā)明的積極效果:
[0015]本發(fā)明通過人臉識別技術(shù)，由于可以對持證人的樣貌與身份證原始照片進行自動比對，能判斷當(dāng)前進行實名認(rèn)證登記人是否為同一人。在原有的認(rèn)證基礎(chǔ)上，可以有效的預(yù)防盜用或借用其他人身份證信息進行實名認(rèn)證，提高了實名認(rèn)證系統(tǒng)和方法的可靠性。

【專利附圖】

【附圖說明】
[0016]圖1是本發(fā)明基于人臉識別的實名認(rèn)證方法的一種實施例的流程示意圖。
[0017]圖2是本實施例的工作流程原理圖。
[0018]圖3是本發(fā)明基于人臉識別的實名認(rèn)證系統(tǒng)的一種實施例的結(jié)構(gòu)示意圖。

【具體實施方式】
[0019]下面結(jié)合附圖和【具體實施方式】對本發(fā)明作進一步詳細(xì)的說明。
[0020]請一并參照圖1和圖2，圖1是本發(fā)明基于人臉識別的實名認(rèn)證方法的一種實施例的流程示意圖。圖2是本實施例的工作流程原理圖。本實施例的方法可以由計算機或其他連接到廣域網(wǎng)或局域網(wǎng)的終端設(shè)備執(zhí)行，也可以由例如設(shè)置在公共安檢場所的安檢終端設(shè)備執(zhí)行。該方法包括:
[0021]步驟1、接收用戶輸入的身份證信息，并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效。
[0022]可選的，所述的身份證信息可以是姓名和身份證號碼，或者是身份證電子信息，例如身份證內(nèi)置芯片內(nèi)存儲的ID信息，或身份證外印制的二維碼信息，或其他能夠標(biāo)示身份的電子信息。
[0023]在本實施例的一種可選的實現(xiàn)方式下，可以通過鍵盤、鼠標(biāo)、觸摸屏、語音識別裝置等外部輸入設(shè)備，接收用戶人工輸入的身份證信息；此時的身份證信息一般為姓名和身份證號碼。相應(yīng)的，所述判斷所述輸入的身份證信息是否有效可以具體是:合法連接到公民身份查詢中心或其它存有公民身份證信息的數(shù)據(jù)庫并獲取數(shù)據(jù)庫中存儲的身份證信息，判斷當(dāng)前輸入的身份證號碼和姓名匹配是否為同一人。
[0024]在本實施例的一種可選的實現(xiàn)方式下，可以通過身份證讀取裝置，讀取并接收身份證信息。所述身份證讀取裝置可以是讀取身份證內(nèi)置芯片內(nèi)存儲的ID信息的身份證讀取器，或二維碼掃描裝置。此時的身份證信息一般為身份證內(nèi)置芯片內(nèi)存儲的ID信息，或身份證外印制的二維碼信息，或其他能夠標(biāo)示身份的電子信息。相應(yīng)的，所述判斷所述輸入的身份證信息是否有效可以具體是:合法連接到公民身份查詢中心或其它存有公民身份證信息的數(shù)據(jù)庫并獲取數(shù)據(jù)庫中存儲的身份證信息，判斷輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息是否一致。
[0025]步驟2、如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片?？蛇x的，如果判斷所述輸入的身份證信息是否無效，則將匹配失敗結(jié)果反饋給前端用戶。
[0026]可選的，所述從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片具體包括:在當(dāng)前數(shù)據(jù)庫中查詢是否存有所述身份證原始照片，如果未能查詢到所述身份證原始照片，則將未能獲得身份證原始照片結(jié)果反饋給前端用戶；如果當(dāng)前數(shù)據(jù)庫中查詢到身份證原始照片，則讀取所述身份證原始照片。
[0027]步驟3、觸發(fā)人像采集裝置獲取持證人頭像，并將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
[0028]可選的，人像采集裝置可以是攝像頭、照相機、攝像機等圖像采集設(shè)備。
[0029]可選的，步驟3的具體處理方式可以包括但不限定于以下兩種方式:
[0030](I)每采集一張圖片信息都進行預(yù)處理，并與身份證原始照片進行比對。
[0031](2)在一定時間內(nèi)隨機獲取一定數(shù)量的照片進行預(yù)處理，并與身份證原始照片進行比對。
[0032]可選的，所述對比結(jié)果可以包括以下中的至少一個:持證人與身份證一致、持證人與身份證不一致、和需要出發(fā)人工比對等。
[0033]可選的，所述對比結(jié)果可以通過前端顯示設(shè)備顯示。
[0034]可選的，在整個認(rèn)證過程中所產(chǎn)生的的數(shù)據(jù)均可以有選擇的提輸出給系統(tǒng)進行存儲操作或其他操作。
[0035]請參照圖3，圖3是本發(fā)明基于人臉識別的實名認(rèn)證系統(tǒng)的一種實施例的結(jié)構(gòu)示意圖。該實名認(rèn)證系統(tǒng)可以用于執(zhí)行圖1和圖2所對應(yīng)的方法，因此上述實施例中所說明的內(nèi)容同樣適用于本實施例。所述實名認(rèn)證系統(tǒng)包括:
[0036]接收部件，用于接收用戶輸入的身份證信息；
[0037]人像采集裝置，用于在處理器的觸發(fā)下，獲取持證人頭像；
[0038]所述處理器，用于并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效；如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片，并觸發(fā)人像采集裝置獲取持證人頭像，將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
[0039]可選的，所述處理器還用于如果判斷所述輸入的身份證信息是否無效，則將匹配失敗結(jié)果反饋給前端用戶。
[0040]可選的，所述的身份證信息可以是姓名和身份證號碼，或者是身份證電子信息，例如身份證內(nèi)置芯片內(nèi)存儲的ID信息，或身份證外印制的二維碼信息，或其他能夠標(biāo)示身份的電子信息。
[0041]在本實施例的一種可選的實現(xiàn)方式下，可以通過鍵盤、鼠標(biāo)、觸摸屏、語音識別裝置等外部輸入設(shè)備，接收用戶人工輸入的身份證信息；此時的身份證信息一般為姓名和身份證號碼。相應(yīng)的，所述判斷所述輸入的身份證信息是否有效可以具體是:合法連接到公民身份查詢中心或其它存有公民身份證信息的數(shù)據(jù)庫并獲取數(shù)據(jù)庫中存儲的身份證信息，判斷當(dāng)前輸入的身份證號碼和姓名匹配是否為同一人。
[0042]在本實施例的一種可選的實現(xiàn)方式下，可以通過身份證讀取裝置，讀取并接收身份證信息。所述身份證讀取裝置可以是讀取身份證內(nèi)置芯片內(nèi)存儲的ID信息的身份證讀取器，或二維碼掃描裝置。此時的身份證信息一般為身份證內(nèi)置芯片內(nèi)存儲的ID信息，或身份證外印制的二維碼信息，或其他能夠標(biāo)示身份的電子信息。相應(yīng)的，所述判斷所述輸入的身份證信息是否有效可以具體是:合法連接到公民身份查詢中心或其它存有公民身份證信息的數(shù)據(jù)庫并獲取數(shù)據(jù)庫中存儲的身份證信息，判斷輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息是否一致。
[0043]可選的，所述從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片具體包括:在當(dāng)前數(shù)據(jù)庫中查詢是否存有所述身份證原始照片，如果未能查詢到所述身份證原始照片，則將未能獲得身份證原始照片結(jié)果反饋給前端用戶；如果當(dāng)前數(shù)據(jù)庫中查詢到身份證原始照片，則讀取所述身份證原始照片。
[0044]可選的，人像采集裝置可以是攝像頭、照相機、攝像機等圖像采集設(shè)備。
[0045]可選的，所述處理器觸發(fā)人像采集裝置獲取持證人頭像，將所述持證人頭像與所述獲取的身份證原始照片進行對比的具體處理方式可以包括但不限定于以下兩種方式:
[0046](I)每采集一張圖片信息都進行預(yù)處理，并與身份證原始照片進行比對。
[0047](2)在一定時間內(nèi)隨機獲取一定數(shù)量的照片進行預(yù)處理，并與身份證原始照片進行比對。
[0048]可選的，所述對比結(jié)果可以包括以下中的至少一個:持證人與身份證一致、持證人與身份證不一致、和需要出發(fā)人工比對等。
[0049]可選的，所述對比結(jié)果可以通過前端顯示設(shè)備顯示。
[0050]可選的，在整個認(rèn)證過程中所產(chǎn)生的的數(shù)據(jù)均可以有選擇的提取出給系統(tǒng)進行存儲操作或其他操作，例如存儲至存儲器。
[0051]本發(fā)明通過人臉識別技術(shù)，由于可以對持證人的樣貌與身份證原始照片進行自動比對，能判斷當(dāng)前進行實名認(rèn)證登記人是否為同一人。在原有的認(rèn)證基礎(chǔ)上，可以有效的預(yù)防盜用或借用其他人身份證信息進行實名認(rèn)證，提高了實名認(rèn)證系統(tǒng)和方法的可靠性。
[0052]本發(fā)明中的將所述持證人頭像與所述獲取的身份證原始照片進行對比可以采用下面舉例說明的人臉識別技術(shù)。
[0053]I基于幾何特征的人臉識別方法
[0054]基于幾何特征的方法是早期的人臉識別方法之一。這類方法利用人臉的五官如眼睛、鼻子、嘴巴等的局部形狀特征以及這些五官特征在臉上分布的幾何特征。在分割、獲取五官特征時往往要用到人臉結(jié)構(gòu)的一些先驗知識。其識別所需的特征一般是以人臉器官的形狀和幾何關(guān)系(如五官特征間的歐式距離、曲率、角度等指標(biāo))為基礎(chǔ)的特征矢量，本質(zhì)上是特征矢量之間的匹配。
[0055]2模板匹配法
[0056]將輸入的人臉圖像與訓(xùn)練集中的人臉樣本逐一進行歸一化的相關(guān)運算，具有最佳匹配的為識別結(jié)果。
[0057]3基于統(tǒng)計的方法
[0058]基于統(tǒng)計的方法一般將人臉圖像作為一個整體，以高維空間中的一個矢量來表示，這樣，人臉識別問題轉(zhuǎn)化為在高維空間中尋找分隔超曲面(平面)的問題。若分隔的是超平面則線性方法，若分隔的是超曲面則謂非線性方法。而分隔超曲面(平面)是通過對訓(xùn)練樣本以統(tǒng)計技術(shù)來獲得。常用的一些基于統(tǒng)計的方法包括本征臉方法(Eigenfaces)、Fishe臉方法(Fisherfaces)、獨立分量分析(ICA)、局部保留投影(LPP)，隱馬爾可夫模型(HMM)、支持向量機(SVM)、核技術(shù)等。
[0059]3.1本征臉方法
[0060]假設(shè)人臉圖像庫中有N個圖像，用向量表示為XI，X2，...，XN(向量維數(shù)設(shè)為L)，
其人臉平均圖像為u&v*由此可得到每幅圖像的均差為
N
[0061]V i = X1-Xave ；i = 1,2,3...Ν；(1)
[0062]這樣可計算協(xié)方差矩陣:
[0063]C=讀 A (ΧΟΤ
(2)
[0064]計算矩陣C的本征值Kk和對應(yīng)本征向量Uk.這些求出的本征向量所形成的向量空間，就可表示人臉圖像的主要特征信息.將人臉圖像庫中所有N個圖像均向此空間投影，得到各自的投影向量
Y1, Y2,...,Yn, (Yi)T= [ yllyl2---ylL ],i=1, 2,.,Hyij = (uj )T:ii,j = I,
[0065]
2,...,L.(3)
[0066]對于待識別人臉圖像X，將計算其與Xave差的投影向量Y:
[0067]ylj = (Uj)T'，j=l,2，"_ ,L.⑷
[0068]再與人臉圖像庫中N個人臉圖像對應(yīng)的投影向量Y1, Y2,…，Yn比較，按照一定的距離準(zhǔn)則完成識別.如采用Euclidian距離，計算ei = | | Y-Yi | |，i = 1，2，...，N.則識別人臉圖像為第η個模式、 i=?dN(ei)).(5)
[0069]實際計算中，矩陣C的大小是LXL，即使對尺寸較小的圖像其值也很大.例如圖像為24X8大小，則矩陣C的大小將是(24X28)2 ^ 4.5X
[0070]105.將每幅圖像的均差形成一個矩陣:
[0071]V = [X1，X2，…，Xn].(6)
[0072]則協(xié)方差矩陣可寫成
[0073](?)
[0074]根據(jù)線性代數(shù)理論，將計算X' (X' )T的本征值Kk和對應(yīng)本征向量Uk的問題轉(zhuǎn)化為求(X' )tX的本征值Kk和對應(yīng)本征向量νΛ / Λ的大小僅為
Vk-
NXN, 一般都遠(yuǎn)小于LXL，故簡化了計算.在求出Vk后，Uk可由下式得到:
[0075]
(ο)
[0076]3.2Fishe 臉方法(Fisherfaces)
[0077]假設(shè)有一集合H包含N個d維樣本X1, X2，…Xn，其中NI個屬于ω I類的樣本記為子集1，Ν2個屬于ω 2類的樣本記為Η2。若對Nx的分量做線性組合可得標(biāo)量:
[0078]yn = wTXn, η = I, 2...N1.(I)
[0079]這樣便得到一個一維樣本yn組成的集合，并可分為兩個子集Y1與Y2。從集合上看，如果I |w| I = 1，則每個yn就是相對應(yīng)的Xn到方向為w的直線上的投影。實際上，w的絕對值是無關(guān)緊要的，他僅使7?乘上一個比例因子，重要的是選擇W的方向。W的方向不同，將使樣本投影后的可分離程度不同，從而直接影響識別效果。因此，所謂尋找最好投影方向的問題，在數(shù)學(xué)上就是尋找最好的變換向量f的問題。
[0080]下面先定義幾個必要的基本參量以方便敘述。
[0081]3.2.1在d維空間
[0082](I)各類樣本均值向量Mi
[0083]Hii ExeHi X ,1 = 1,2.(2)
[0084](2)樣本類內(nèi)離散度矩陣Si和總類內(nèi)離散度矩陣Sw
[0085]Sj =Π^)(Χ _ 1?) 了,i=l,2.Sj = S1 + Sj (3)
[0086](3)樣本類間離散度矩陣Sb
[0087]Sb = (X-Hii) (X-Hii)τ ⑷
[0088]其中Sw是對稱半正定矩陣，而且當(dāng)N > d時通常是非奇異的。Sb也是對稱半正定矩陣，在
[0089]兩類條件下，它的值大于等于I。
[0090]3.2.2 在一維 Y 空間
[0091](I)各類樣本均值.mi
[0092]^i= iJ-SyeY1 Y, i = 1,2(5)
[0093](2)樣本類內(nèi)離散度和總類內(nèi)離散度.s:
[0094]S2 = ΣγεΥι(y- m.) ,i = l,2.sw = S1? + S22(6)
[0095]現(xiàn)在來定義Fisher準(zhǔn)則函數(shù)。為了投影后，在一維Y空間里各類樣本盡可能分得開些，即希望兩類均值之差)(二-二)越大越好；同時希望各類樣本內(nèi)部盡量密集。即希望類內(nèi)離散度越小越好。因此，定義Fisher準(zhǔn)則函數(shù):
[0096]Jf(W) = (?) -(7)

Sf+Sl
[0097]應(yīng)尋找Jf(W)的分子盡可能大而分母盡可能小，也就是是Jf(W)盡可能大的w作為投影方向。但上式并不顯含W，因此必須設(shè)法將Jf(W)變成w的顯函數(shù)，從的定義可推出:
[0098]Ini = ^yeHi V = ^IyeH1 wTx = wT (^ZyeHi x) = wTmi (8)
[0099]這樣，JF(w)的分子就變?yōu)?
[0100](IIi1 _m2) = (WtITI1 - wTm2)T = WtCiii1 - m2)(m1 - m2)Tw = wTSbw(9)
[0101]下面求使JF(w)取極大值w*。用Lagrange乘子法求解。另分母等于非零常數(shù),定義 Iagrange 函數(shù)為:L(w, δ ) = wTSBw- δ (wTSBw-c) (10)
[0102]式中δ為Lagrange乘子。對上式求偏導(dǎo)，得= Sbw-SSwW (11)
[0103]令偏導(dǎo)數(shù)為零，得:Sb^ = δ Sww* (12)
[0104]其中w*就是使Jf(W)最大的極值解。因為Sw非奇異，兩邊同時左乘S=，可得:
[0105]S-1SbW* = 6w* (13)
[0106]這實際上市求一般矩陣S=Sb的特征值問題。利用Sb的定義，可將上式改寫為: SbW* = (Hl1-Hl2) (Hl1-Hl2) TW* = (1?-!?) R (14)
3.3支持向量機法:
[0107]支持向量機(Suppoa Vector Machine, SVM)法是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種新的模式識別方法，它是基于結(jié)構(gòu)風(fēng)險最小化原理的方法，對基于經(jīng)驗風(fēng)險最小化的人工神經(jīng)網(wǎng)絡(luò)難以解決的一些問題，如:模型選擇和過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等都得到了很大程度上的解決。但是直接使用SVM方法進行人臉識別有兩方面的困難:一是訓(xùn)練SVM需要求解二次規(guī)劃問題，計算時間復(fù)雜度和空間復(fù)雜度都比較高；二是在非人臉樣本不受限制時，需要極大規(guī)模的訓(xùn)練樣本集合，得到的支持向量會很多，使得分類器的計算量過高。
[0108]針對這些問題的研究，出現(xiàn)了許多新的方法，如Platt提出的SMO(SequentialMinimalOptimizat1n)算法有效地解決了第一個問題，Osuna等人在訓(xùn)練中使用了大量的人臉樣本，采用自舉的方法收集“非人臉樣本，并采用逼近優(yōu)化方法減少支持向量的數(shù)量，在一定程度上解決了第二個問題；梁路宏等采用模板匹配與SVM方法相結(jié)合的人臉檢測算法，在模板匹配限定的子空間內(nèi)采用自舉的方法收集“非人臉樣本”來訓(xùn)練SVM，降低了訓(xùn)練的難度和最終得到的支持向量規(guī)模，使得檢測速度比單純的SVM檢測器提高了 20倍，得到了與CMU的神經(jīng)網(wǎng)絡(luò)方法可比較的結(jié)果。Richman等提出用人臉中的鼻子區(qū)域訓(xùn)練SVM，減少了訓(xùn)練數(shù)據(jù)，且不用考慮SVM對發(fā)型、眼鏡等飾物的影響，采集圖像也不要求實現(xiàn)對人臉圖像進行定位和歸一化處理，該方法被應(yīng)用于柯達公司的實時人臉檢測系統(tǒng)中。
[0109]1.3.4基于核技術(shù)的方法
[0110]“核技巧” (Kemeltrick) J愛早是在支持向量機的研究中提出的?；诤说闹鞣至糠治?r，PCA)方法和基于核的Fisher鑒別分析方法(KH)A)是PeA和LDA的核推廣，Baudat與Anouar提出了針對多分類問題的KFD方法,MingHuangYang討論比較了基于核技巧的特征臉方法和Fi sher臉方法。JianYang等人提出了 KPCA+KFD的應(yīng)用框架，在該框架下的核鑒別分析可利用兩類鑒別信息，一類在類內(nèi)散布矩陣(指實施KPCA變換后的類內(nèi)散布矩陣)的零空間上得到，另一類在類內(nèi)散布矩陣非零空間中得到。高秀梅提出核Foley.Sammon鑒別分析(核F-S鑒別分析，KFSD砧方法。徐勇等人從所有訓(xùn)練樣本中選取少量的“顯著”訓(xùn)練樣本集，對核方法的特征抽取效率有較大提高。
[0111]核方法的基本思想是將原特征空間中的樣本通過某種形式的非線性映射，變換到一個高維甚至無窮維的空間，并借助于“核技巧"在新的空間中應(yīng)用線性的分析方法求解。由于新空間中的線性方向?qū)?yīng)于原特征空間的非線性方向，所以基于核的鑒別分析得出的鑒別方向也對應(yīng)原特征空間的非線性方向，基于核的鑒別分析是一種原始空間的非線性鑒別分析方法。相對于其它非線性方法，這種方法的獨特和關(guān)鍵之處在于它巧妙地借助于搿核函數(shù)一進行樣本之間的內(nèi)積運算，隨后對生成的核樣本向量進行相應(yīng)的線性運算求取鑒別向量集，而不需要求出原始特征空間樣本進行非線性映射后的形式，使得它優(yōu)于普通的非線性鑒別分析方法。
[0112]4基于模型的方法
[0113]柔性模型包括主動形狀模型(ActiveShapeModels，ASMs)和主動表觀模型(ActiveAppearance Models, AAMs) ASMsZAAMs將人臉圖像以形狀和紋理兩部分分別用PCA進行描述，然后再進一步通過PCA將二者融合起來對人臉進行統(tǒng)計建模。柔性模型具有很好的人臉合成能力，因此被廣泛應(yīng)用于人臉特征配準(zhǔn)(FaceAlignment)和識別。
[0114]Georghiades等人提出的基于光照錐((Illuminat1n Cones)模型在克服人臉識別中多姿態(tài)、復(fù)雜光照條件的影響方面獲得了很好的效果。Georghiades等人發(fā)現(xiàn):同一人臉在同一視角、不同光照條件下的所有圖像在圖像空間中形成一個凸錐一即光照錐。光照錐模型能夠在Lambertian模型、凸表面和遠(yuǎn)點光源假設(shè)條件下，根據(jù)未知光照條件的7幅同一視點圖像恢復(fù)物體的3D形狀和表面點的表面反射系數(shù)，而傳統(tǒng)光度立體視覺能夠根據(jù)給定的3幅已知光照條件的圖像才能恢復(fù)物體表面的法向量方向，這樣，就可以容易的合成該視角下任意光照條件的圖像，完成光照錐的計算。識別則是通過計算輸入圖像到每個光照錐的距離來完成。
[0115]Blanz和Vetter提出的基于3D形變模型的人臉識別方法在建立3D形狀和紋理統(tǒng)計變形模型的基礎(chǔ)上，同時還采用圖形學(xué)模擬的方法對圖像采集過程的透視投影和光照模型參數(shù)進行了建模，從而可以使得人臉形狀和紋理等人臉內(nèi)部屬性與攝像機配置、光照情況等外部參數(shù)完全分開，更加有利于人臉圖像的分析與識別。
[0116]5基于人工神經(jīng)網(wǎng)絡(luò)的方法
[0117]人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)運作機理而提出的一種非線性方法。最早將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉識別工作的是Kohonen，其特點是利用網(wǎng)絡(luò)的聯(lián)想能力回憶人臉。隨后，許多不同的網(wǎng)絡(luò)結(jié)構(gòu)被提出。Ranganath和Arum提出了用于人臉識別的徑向基函數(shù)網(wǎng)絡(luò)，Lin等人提出了用于人臉檢測、眼睛定位和人臉識別的基于概率決策的神經(jīng)網(wǎng)絡(luò)，Lee等提出了用于人臉識別的模糊BP網(wǎng)絡(luò)，Lawrence提出了用于人臉識別的卷積神經(jīng)網(wǎng)糾。
[0118]神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是通過學(xué)習(xí)的過程獲得對這此規(guī)律和規(guī)則的隱性表達，它的適應(yīng)性較強。
[0119]6彈性圖匹配方法
[0120]6.1.彈性束圖匹配(ElasticBunchGraphMatching, EBGM)堤此類最成功的一種方法。它基于動態(tài)鏈接結(jié)構(gòu)(DLA7DynamisLinkArchitecture),以一個屬性束圖來描述人臉，其中屬性束圖的頂點為已定義的面部關(guān)鍵特征點，其屬性一般是通過Gabor小波變換獲得的相應(yīng)特征點處的多分辨率、多方向局部特征一稱為Jet來表示；邊的屬性則為不同關(guān)鍵點之間的幾何關(guān)系。整個識別過程包括對輸入人臉圖像通過一種優(yōu)化搜索策略來定位預(yù)先定義的若干面部關(guān)鍵特征點，并提取它們的Jet特征，得到輸入圖像的屬性圖；然后計算其與庫中人臉屬性圖的相似度來判斷類別。
[0121]由于屬性束圖的動態(tài)特性，使該法對姿態(tài)、表情變化具有較高的魯棒性；并且關(guān)鍵點的Jet特征也與人類視覺系統(tǒng)存在一定的共性。但由于在識別前需要配準(zhǔn)若干面部關(guān)鍵特征點，計算相對耗時。
[0122]6.2.人臉定位
[0123]人臉定位階段我們采用基于Adaboost統(tǒng)計學(xué)習(xí)方法的層疊分類器檢測人臉。針對人臉識別中的具體情況，我們選擇圖像中檢測到的最大人臉作為待識別的人臉。
[0124]6.3.特征點抽取
[0125]為了布置EGM中的特征點，我們需要抽取3個特征點，即兩個眼睛中心和一個嘴巴中心,這里的眼睛中心并非指瞳孔中心,只是指眼睛區(qū)域的中心,這是考慮到很難魯棒地抽取到瞳孔中心。我們參考DAM (Direct Appearance Model)方法[9],提出了一種SimpleDAM算法定位這些特征點。
[0126]在DAM方法中，提到形狀和紋理之間，存在簡單的線性關(guān)系:
[0127]S = R*t+ε
[0128]其中t是經(jīng)過一定校正的人臉紋理在其主分量空間的投影，s是形狀在其主分量空間的投影。在我們的方法中，考慮最簡單的情況，只需要3對對應(yīng)點，就可以將非正面端正的人臉，校正到正面端正的姿態(tài)。根據(jù)DAM的方法，我們假設(shè)，人臉檢測輸出所框定的人臉紋理向量，與這張臉上的三個特征點“雙眼和嘴巴中心”組成的向量之間存在上式的線性關(guān)系。經(jīng)過訓(xùn)練，我們可以找到這個線性關(guān)系的映射矩陣。Simple DAM算法描述如下:
[0129]1.初始化當(dāng)前紋理為檢測結(jié)果框定的人臉紋理:t — tQ ;
[0130]2.根據(jù)當(dāng)前紋理，得到三個特征點的位置:S = R*t+ ε。如果三個特征點的位置和平均位置很接近，則結(jié)束；
[0131]3.根據(jù)三個特征點的位置，在整個圖片(或者在包含臉部和周圍的一個圖像區(qū)域)上施加仿射變換，將傾斜人臉校正；根據(jù)這三個特征點的位置重新切出一個人臉區(qū)域得到新的人臉紋理，令當(dāng)前紋理為校正后的人臉紋理；轉(zhuǎn)到2。由于這種方法在本質(zhì)上考慮了特征點與紋理的統(tǒng)計關(guān)系，具有很高的魯棒性，避免了以往的方法只根據(jù)一幅圖像單獨處理易受噪聲影響的不穩(wěn)定問題。
[0132]由于這種方法在本質(zhì)上考慮了特征點與紋理的統(tǒng)計關(guān)系，具有很高的魯棒性，避免了以往的方法只根據(jù)一幅圖像單獨處理易受噪聲影響的不穩(wěn)定問題。
[0133]6.4.特征抽取
[0134]6.4.1.Gabor 濾波器
[0135]在彈性圖匹配算法中，人臉上的特征點采用Gabor濾波器進行特征抽取。Gabor核函數(shù)
[0136]為:
[0137]
φ? (7)= ^exp (1S) [exP (1 C) — exP (- f).(I)
[0138]Gabor濾波器為:
[0139]


(2)
[0140]其中波矢量為:
[0141]
r(a=(tl::)其中f
(3)
[0142]
[0143]
[0144]
[0145]其中頻率系數(shù)V = 0，..，4 ;方向系數(shù)μ = 0，..，7，這樣形成40個相關(guān)系數(shù)來描述灰度圖像中7點附近鄰域的特征。
[0146]Gabor小波有以下幾個特征:(I)中括號的第二項去除直流分量使得Gabor特征對光強變化具有魯棒性；對比度的變化則由于小波進行了規(guī)范化而具有魯棒性；
exp(-g)是Gauss函數(shù)，這實際上是通過加窗限制了振蕩函數(shù)的范圍，使其只在局部有效，這樣使得Gabor濾波可以容忍圖象有一定的扭曲情況。
[0147]6.4.2.相似函數(shù)
[0148]對特征點的Gabor特征J:
[0149]J= {JjI 其中Ij =Sjexp(Oj),! = O"-39
[0150](4)
[0151 ] 考慮如何度量特征間的相似性。
[0152]目前采用的相似函數(shù)有兩種，一種是不考慮角度，只考慮幅值，比較兩個特征的內(nèi)積，稱為角度無關(guān)的相似函數(shù)，定義如下則如)_最
[0154](5)
[0155]另一種是角度相關(guān)的相似函數(shù)，定義如下
[0156]
δ0α,>^±?3)



J^i ai aj2


(6)
[0157]
[0158]其中
[0159]
—η λ =1 (ryy
d ’\dy/ rxxTyy.rxyryx V—rxy Γχχ / \0yJ

(7)
[0160]其中0Χ = Σ) Hjaj (0j - 0;)kjx ,Txy = Σ) a) a;kjxkjy
[0161]
[0162]在我們的系統(tǒng)中角度相關(guān)的相似函數(shù)有更好的性能。
[0163]6.5.人臉特征
[0164]在彈性圖匹配方法中有三種常見的人臉特征方法。第一種是先定位若干人臉特征點，然后抽取這些特征點的Gabor特征，這些特征點以及特征點之間的邊共同特征一張人臉，其中邊是用來進行拓?fù)浼s束的。第二種是Wiskott[6]提出首先將庫中同一人的每個特征點的特征組成一個類似堆棧的結(jié)構(gòu)稱為束(bunch)，從而將彈性圖匹配發(fā)展為彈性束圖匹配(Elastic Bunch Graph Matching(EBGM))的方法,這種方法的意義在于節(jié)省系統(tǒng)開銷。第三種是由于發(fā)現(xiàn)在人臉識別中不需要特別精確的定位，甚至在無拓?fù)浼s束的情況下也能獲得有拓?fù)浼s束的識別效果，還可以加快速度[5] [7]，從而提出了只定位少量特征點，比如只定位兩眼和嘴中心，在此基礎(chǔ)上生成一張網(wǎng)格，抽取網(wǎng)格點的Gabor特征特征人臉。文獻[7]中的實驗結(jié)果表明第三種方法的效果比用EBGM的方法來的好。因此，本文采用文獻[7]中方法，人臉特征如下:采用10x10的網(wǎng)格作為原始網(wǎng)格，首先將網(wǎng)格的第3行第4列定為左眼所在的位置，第3行第7列定為右眼所在的位置，嘴的位置定在第7行，然后在此基礎(chǔ)上均勻分布其它網(wǎng)格點。
[0165]但是可以看出這10x10的網(wǎng)格點并不是都分布在臉上的。有一小部分分布在非人臉區(qū)域，有一部分分布在人臉輪廓上，隨著人臉的轉(zhuǎn)動會超出人臉區(qū)域，還有一部分點處于人臉區(qū)域中心。把這些點都作為特征點是不合適的，至少非人臉區(qū)域的點應(yīng)該排除在外，其次每個特征點的權(quán)重應(yīng)該是不同的，比如分布在人臉輪廓上的點在不同姿態(tài)時有可能會超出人臉區(qū)域，它們?nèi)绻腿四槄^(qū)域中心的點有相同的權(quán)重也是不合理的。因此要對特征點進行篩選，考察它們的權(quán)重。下節(jié)我們將對10x10個特征點進行篩選與排序。
[0166]6.6.人體特征排序
[0167]檢測每個特征點的類間距，用它來度量特征點的識別能力。首先我們將10*10的原始特征網(wǎng)格點作為候選特征點，對視頻流的每一巾貞采集這100個候選特征點的Gabor特征，對庫中的每個人臉模型計算相似度，獲得最高相似度的人臉模型將獲得一票，這個結(jié)果同時包含了兩個方面。一是特征篩選，一個是特征排序。
[0168]就特征篩選而言，首先很多特征點在人臉轉(zhuǎn)動的過程中大部分時間處在人臉的范圍之外，這是一定要篩除的，其次即使是在人臉范圍以內(nèi)的點也不是都能用來特征人臉的，將它們都計入相似度只會對Gabor特征數(shù)據(jù)帶來干擾，縮小內(nèi)間距，乃至顛倒識別結(jié)果。因此必須進行特征篩選，將不適用的特征剔除，這將有效地擴大類間距，加強系統(tǒng)的人臉識別能力，提高系統(tǒng)的魯棒性。特征篩選的另一個好處是顯而易見的:可以提高系統(tǒng)的速度。用篩選出來的若干個點進行識別，在提高識別能力的同時也提高了系統(tǒng)的識別速度。
[0169]6.7.相似度比對
[0170]特征篩選與排序的結(jié)果提高了在光照比較均勻，無遮擋，人臉局部變形不太大的情況下人臉識別對姿態(tài)的魯棒性，并且提高了速度。這是一種比較理想的情況，那么在光照不太均勻如光照過強，有陰影的情況下，在有遮擋的情況下，或者有比較大的局部變形，如眼睛閉合，嘴巴張大等比較常見的情況下將如何處理？以下我們對這樣的情況進行討論。首先來考察在這三種情況下特征相似度的表現(xiàn)特征，然后根據(jù)這種特征重新定義相似性函數(shù)，將這三種情況影響下的特征點排除在相似度測量之外，從而提高人臉識別的魯棒性。人臉的特征點與庫中正確人臉模型上的對應(yīng)的特征點相似度很小，我們稱之為特征失效或者特征失敗。這三種情況共同的表現(xiàn)是:在特定區(qū)域中的特征點與庫中的任何人臉模型上的對應(yīng)的特征點都不相似。這就決定了該區(qū)域相似度的特性。在實驗中可以觀察到在這些區(qū)域內(nèi)相似度是隨機的，跟沒有失效的特征點相比漲落很大，相似度不一定在哪個人臉模型上取得最大值，而且這些特征失效區(qū)域的位置是無法預(yù)知的。這樣任何人臉模型上特征取得最大值的次數(shù)都不太多，而且人臉庫容量越大，每個人臉模型上獲得最大值的機會越少。這是由于特征點與庫中的任何人臉模型上的對應(yīng)的特征點都不相似，理論上在每個人臉模型上等概率取得最大值。我們的解決方案是改進相似函數(shù)動態(tài)篩選特征以改進人臉識別的魯棒性。
[0171] 本發(fā)明所設(shè)計的模塊，除了可以由上述實施例舉例的實現(xiàn)方式實現(xiàn)意外，均還可以由模擬和/或數(shù)字電路等硬件電路構(gòu)成。本領(lǐng)域技術(shù)人員在常規(guī)模擬/數(shù)字電路的設(shè)計基礎(chǔ)上，根據(jù)本發(fā)明公開的內(nèi)容，可以實現(xiàn)相應(yīng)的功能。
【權(quán)利要求】
1.一種基于人臉識別的實名認(rèn)證方法，其特征在于，包括: 接收用戶輸入的身份證信息，并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效； 如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片； 觸發(fā)人像采集裝置獲取持證人頭像，并將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片具體包括:在當(dāng)前數(shù)據(jù)庫中查詢是否存有所述身份證原始照片，如果未能查詢到所述身份證原始照片，則將未能獲得身份證原始照片結(jié)果反饋給前端用戶；如果當(dāng)前數(shù)據(jù)庫中查詢到身份證原始照片，則讀取所述身份證原始照片。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述將所述持證人頭像與所述獲取的身份證原始照片進行對比包括: 每采集一張圖片信息都進行預(yù)處理，并與身份證原始照片進行比對；或 在一定時間內(nèi)隨機獲取一定數(shù)量的照片進行預(yù)處理，并與身份證原始照片進行比對。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述對比結(jié)果可以包括以下中的至少一個:持證人與身份證一致、持證人與身份證不一致、和需要出發(fā)人工比對等。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于:存儲上述方法執(zhí)行過程中產(chǎn)生的至少一項數(shù)據(jù)。
6.一種基于人臉識別的實名認(rèn)證系統(tǒng)，其特征在于，包括: 接收部件，用于接收用戶輸入的身份證信息； 人像采集裝置，用于在處理器的觸發(fā)下，獲取持證人頭像； 所述處理器，用于并將所述輸入的身份證信息與數(shù)據(jù)庫中存儲的身份證信息進行比對，判斷所述輸入的身份證信息是否有效；如果判斷所述輸入的身份證信息是否有效，則從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片，并觸發(fā)人像采集裝置獲取持證人頭像，將所述持證人頭像與所述獲取的身份證原始照片進行對比，并產(chǎn)生對比結(jié)果。
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于:所述從所述數(shù)據(jù)庫獲取相應(yīng)存儲的身份證原始照片具體包括:在當(dāng)前數(shù)據(jù)庫中查詢是否存有所述身份證原始照片，如果未能查詢到所述身份證原始照片，則將未能獲得身份證原始照片結(jié)果反饋給前端用戶；如果當(dāng)前數(shù)據(jù)庫中查詢到身份證原始照片，則讀取所述身份證原始照片。
8.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于:所述將所述持證人頭像與所述獲取的身份證原始照片進行對比包括: 每采集一張圖片信息都進行預(yù)處理，并與身份證原始照片進行比對；或 在一定時間內(nèi)隨機獲取一定數(shù)量的照片進行預(yù)處理，并與身份證原始照片進行比對。
9.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于:所述對比結(jié)果可以包括以下中的至少一個:持證人與身份證一致、持證人與身份證不一致、和需要出發(fā)人工比對等。
10.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于:還包括: 存儲器，用于存儲上述方法執(zhí)行過程中產(chǎn)生的至少一項數(shù)據(jù)。
【文檔編號】G06K9/00GK104182726SQ201410063462
【公開日】2014年12月3日 申請日期:2014年2月25日 優(yōu)先權(quán)日:2014年2月25日
【發(fā)明者】蘇凱 申請人:蘇凱