[发明专利]一种人脸认证的方法及系统

说明书

技术领域

本发明涉及模式识别技术，具体涉及一种人脸认证的方法及系统。

背景技术

随着当前计算机技术的迅速发展，计算机处理能力得到了大幅度的提升；与此同时，模式识别、计算机视觉等领域的相关技术也取得了快速发展，人脸认证作为相关领域研究和应用的热点，在安全、娱乐、人机交互等许多领域都具有重要的实用价值并得到了广泛应用。

人脸认证，是指采用人脸检测、脸部特征点定位等技术获取图像中的人脸位置信息，以该人脸位置信息为基础通过一定的算法提取人脸图像所包含的信息，并根据得到的人脸图像所包含的信息判断对象是否为其所声明身份的一种方法。目前使用的人脸认证一般采用基于训练的方法，首先需要利用后续需要进行人脸认证的人的脸部图像对分类器进行训练，建立该人的分类器模型。当某人进行人脸认证时，通常先声明自己的身份信息，认证系统根据声明的身份信息从验证数据库中寻找该信息对应的分类器模型，如果没有则直接拒绝执行人脸认证，如果找到该信息对应的分类器模型，则采用该分类器模型对该人进行人脸认证，若识别出的结果与此人声明的身份信息吻合，则认证通过，否则表示认证未通过。所述身份信息在验证数据中存在的人，下文称为认证目标。

上述人脸认证的系统，包含两个相互独立的子系统，其一为离线训练子系统，如图1所示，其中包括：人脸图像采集标定模块101，特征提取模块102，样本特征库模块103和离线训练模块104。

所述人脸图像采集标定模块101，采集包含人脸的图像，采用手工标定或者自动标定的方式标定脸部特征点位置。

根据特征提取方式不同，可以选择不同的标定特征点集合，常见的脸部特征点集合为左眼中心点，右眼中心点和嘴巴中心点。

所述特征提取模块102，根据人脸图像采集标定模块101标定的脸部特征点，对人脸图像进行尺度归一化，割取人脸区域并进行光照归一化处理，根据所述标定的特征点集合提取人脸特征，得到所有正反样本的特征。

特征点可以有很多种不同的选择方法，例如采用8个方向、5个尺度的Gabor幅度特征。此外，LBP(Local Binary Pattern)特征也是效果较好的人脸认证的候选特征。

所述样本特征库模块103，用于保存特征提取模块102得到的正反样本的特征，并提交给离线训练模块104。

所述离线训练模块104，用于根据样本特征库模块103保存的正反样本的特征，训练选定的分类器模型得到分类器判决模型(图中未示出)。

所述的分类器模型有很多种选择，通常采用的有基于支持向量机(SVM)、自适应增强(AdaBoost)等分类器模型。对于人脸认证而言，还有结合主元分析(PCA)和Fisher线性鉴别分析(LDA)的方法，也同样取得了很好的效果。采用分类器模型的离线训练算法对样本进行训练并得到分类器判决模型的具体方法，可以参阅相关资料，此处不再详细说明。

所述的另外一个子系统为认证子系统，如图2所示，其中包括：图像输入模块201，定位模块202，特征提取模块203和认证模块204。

所述图像输入模块201，用于获取包含有待认证目标的静态或视频图像。

所述定位模块202，在所述图像中定位待认证目标的人脸位置和所需脸部特征点的位置。

所述特征提取模块203，用于根据所述脸部特征点位置，割取人脸区域图像，进行尺度和光照归一化处理后提取其中包含的特征。

认证模块204，利用所述训练得到的分类器判决模型，对所述特征提取模块203提取得到的特征进行认证后得到判决结果。

利用上述离线训练子系统和认证子系统构成的人脸认证系统，选用合适的分类器和训练样本，能够获得良好的人脸认证的效果，但是所述人脸认证系统仍然存在严重的缺陷：

由于最终决定人脸认证效果的分类器判决模型是通过对训练样本进行训练得到的，而现有技术中的离线训练过程是封闭的，即训练样本在训练分类器时选定后，后续进行人脸认证的过程中无法根据实际应用场景进行便捷地更新。因此，当人脸认证系统的使用场景发生变化或者认证目标本身的面部特征发生改变时，识别效果会迅速恶化，从而严重影响人脸认证的效果。

发明内容

本发明实施例提供一种人脸认证的方法及系统，能够便捷地进行训练样本的更新从而提高人脸认证的效果。

为达到上述目的，本发明的技术方案具体是这样实现的：

一种人脸认证的方法，该方法包括：

采集包含同一待认证人脸目标的多帧图像，得到包含该待认证人脸目标的每帧图像的样本特征；