利用高次本征分量實施面部描繪和識別的方法和裝置的制作方法

專利名稱：利用高次本征分量實施面部描繪和識別的方法和裝置的制作方法
技術領域：
本發明涉及一種利用高次本征分量進行面部描繪和識別的方法和裝置。本發明可以在基于內容的圖像檢索的面部描繪和識別，銀行、保安系統和可視電話的人類面部識別和確認；監視和跟蹤；數字圖書館和因特網多媒體數據庫中使用。
背景技術：
人類面部感知是計算機視覺技術中的一個活躍領域。面部識別在多媒體數據庫搜索和許多其它應用中發揮著重要作用。近年來，在面部檢測和識別的問題上取得了很大的進展。提出了不同的技術。在這些技術中，神經網絡(neural nets)、彈性模板匹配(elastic template matching)、Karhunen-Loeve展開(Karhunen-Loeve expansion)、代數矩量(algebraicmoments)和等密度線(isodensity lines)是典型的方法。
在這些方法中，主分量分析(PCA)或Karhunen-Loeve展開是一個重要的分支。本征面部法是從PCA導出的，它便于計算，并且在識別中具有一致的精度。現有工作顯示，PCA法自然地分解不同類型的信息。具有大本征值的本征向量捕獲面部子集共同的信息，而具有小本征值的本征向量捕獲單個面部的特定信息。研究顯示，只有被具有大的本征值的本征向量包含的信息才能夠一般化到沒有經過訓練的新面部。
本征面部法的優點在于具有大的本征值的本征向量傳達有關面部的基本形狀和結構的信息。它意味著可以把從具有大的本征值的本征向量提取的特征用于描繪人類面部的主要特點。但是，這也是PCA的缺點。如果我們只考慮從具有大的本征值的本征向量提取的特征，那么我們就無法獲得對應單個面部的面部細節。如果可以用人類面部的共同特征描述單個面部的這些細節，那么人類面部的描繪可以更準確。
本征面部法的一個缺點是所有面部分量區域所起的作用是相同的。特征信息主要位于特定的面部區域，如眼睛、眉毛、鼻子、嘴和輪廓，而不是均勻分布在整張臉上。檢查區域包含較少的特征信息并且對光線條件的變化和面部表情的變化相對敏感。如果可以使用面部分量的明顯特征，那么對人類面部的識別會更準確。

發明內容
本征面部法可以有效地提取共同的面部特征，例如，形狀和結構。為了得到在截去具有小本征值的本征向量時丟失的面部細節，應該獲得帶有來自具有大本征值的本征向量的特征的重構面部。利用重構的面部圖像，可以獲得原始圖像和重構矩陣之間的剩余圖像。可以把這些剩余面部看作是仍然包含單個面部的豐富詳細信息的高通面部圖像。為了描繪這些剩余面部，可以對這些剩余面部再次使用本征面部法。獲得的具有大本征值的本征向量將揭示剩余面部的共同特點。利用這種方法，可以獲得具有大本征值的高次本征向量，以提取對應的特征。不同階本征面部的這些特征組合可以有效地用來描繪面部。
類似地，可以用獲得的面部分量的一次和高次主分量(本征分量)來描繪對應面部區域的特征。不同階本征分量的這些特征組合可以用于有效地描述單個面部分量。最終，人類的面部可以用具有不同加權數的不同階的本征分量的組合來表示。對于不同的應用領域，不同的分量應該具有不同的功能(它的優點或缺點)。應該為那個分量分配不同的權。
本發明提供了可以用于圖像檢索(通過面部示例詢問)、個人識別和驗證、監視和跟蹤、以及其它面部識別應用的人類面部的解釋方法。為了描繪面部特點，根據我們的觀察和推導，提出高次本征分量的概念。首先，所有的面部圖像都被規范成標準尺寸。然后計算眼睛的垂直位置并且將面部轉移到合適的地方。當所有這些預處理過程完成后，可以從一套訓練的面部圖像推導出本征分量和高次分量。為了在面部數據庫中查詢面部圖像，利用所選的本征分量和高次分量可以計算利用本征分量和高次分量投影出的圖像特征。可以用這些特征的組合來描繪面部。利用這種描繪，歐幾里得距離可以用于相似性測量。為了提高相似性的精確度，應該對特征加權。


圖1示出了計算一次特征W(1)的過程流程圖。
圖2示出了計算i階本征分量U(i)和對應的變換矩陣Ui的過程流程圖。
圖3示出了訓練模式操作的流程圖。
圖4示出了測試模式操作的流程圖。
具體實施例方式
本發明給出了提取更高次本征分量特征和通過組合不同階的分量特征來表示面部的方法。
利用歸一化的面部圖像，可以按如下步驟獲得本征分量和高次本征分量。
首先，為了獲得面部分量(如眼睛、眉毛、鼻子、嘴和輪廓)，利用預置模塊對面部圖像歸一化；考慮到面部分量Φi是光柵掃描的面部分量的一維向量，定義Ψ為平均分量Ψ=1MΣi=1MΦi---(1)]]>每個面部分量與平均分量差別一個向量Γi(1)=Φi-Ψ---(2)]]>因此，將數據的協方差矩陣定義為Q=A(1)A(1)T---(3)]]>其中 注意，Q具有維數wh×wh，其中w是分量的寬度，h是分量的高度。該矩陣的規模是巨大的，但是由于我們只求和到有限數量的分量向量M，因此該矩陣的行列等級不超過M-1。我們注意到，如果vi(1)是A(1)TA(1)的本征向量(i＝1，2，...，M)，那么A(1)TA(1)vi(1)=λi(1)vi(1),]]>其中λi(1)是A(1)TA(1)的本征值，那么A(1)Tvi(1)是A(1)A(1)T的本征向量，正如我們在上面的公式的左邊乘以A(1)所看到的A(1)A(1)TA(1)vi(1)=A(1)λi(1)vi(1)=λi(1)A(1)vi(1)---(5)]]>這樣，通過下面的公式可以獲得本征向量vi(1)和本征值λi(1)。
=eig(A(1)TA(1),i),i=1,...,M1---(6)]]>但是，A(1)TA(1)僅是M×M大小的。所以定義ui(1)為A(1)A(1)T的本征向量，我們有ui(1)=A(1)vi(1)=Σk=1Mvik(1)Γk(1)---(7)]]>本征值λi(1)是沿由本征向量ui(1)跨越的新坐標空間的變化。從這里開始，我們假設i的序列使本征值λi(1)減小。本征值是以指數形式減小的。因此，通過計算W(1)={wk(1)},]]>我們可以把一個面部分量Γ(1)投影到僅是M1＜＜M的維數上，其中wk(1)=uk(1)TΓ(1)]]>并且1≤k≤M1。wk(1)是在新坐標系中Γ(1)的第k個坐標。在這種情況下，將W(1)稱作一次分量特征。向量uk(1)實際上是圖像，并且被稱作一次本征分量。
設U(1)=[u1(1)u2(1)...uM1(1)]---(8)]]>則W(1)=U(1)TΓ(1)---(9)]]>由于U(1)是M1×P矩陣，所以我們無法得到它的逆矩陣。但是，我們可以利用它的偽逆矩陣來近似它的逆矩陣。設U(1)+是U(1)T的偽逆矩陣，表示如下，U(1)+＝Pseudo-Inv(U(1))(10)那么Γ^(1)=U(1)+W(1)---(11)]]>其中 是從W(1)和U(1)的重構矩陣。然后執行下面的公式獲得剩余分量Γi(2)。
Γi(2)=Γi(1)-Γ^(1)---(12)]]>
由于剩余面部分量向量仍然包含著單個分量的豐富信息，因此應該再從剩余分量中提取面部分量的特征。設 λi(2)是A(2)TA(2)的本征值，而vi(2)是A(2)TA(2)的對應本征向量。那么A(2)TA(2)vi(2)=λi(2)vi(2).]]>根據上述討論，A(2)A(2)T的本征向量是ui(2)=A(2)vi(2).]]>因此我們可以通過計算W(2)={wk(2)}]]>把一個剩余分量Γ(2)投影到僅為M2＜＜M維數上，其中wk(2)=uk(2)TΓ(2)---(13)]]>并且1≤k≤M2。由于uk(2)是剩余分量的本征向量，因此我們將uk(2)稱為二次本征分量，把wk(2)稱為二次分量特征。
設 可以把公式(13)寫成W(2)=U(2)TΓ(2)]]>=U(2)T(Γ(1)-Γ^(1))]]>=U(2)T(Γ(1)-U(1)+W(1))---(15)]]>=U(2)T(Γ(1)-U(1)+U(1)TΓ(1))]]>=(U(2)T-U(2)TU(1)+U(1)T)Γ(1)]]>設U2=(U(2)T-U(2)TU(1)+U(1)T)T---(16)]]>我們得到W(2)=U2TΓ(1)---(17)]]>由于U2是一個常數變換矩陣并且它只被計算了一次，因此它不會影響計算的效率。面部分量可以被描繪為Ω(Φ)=[w1(1),w2(1),...,wM1′(1),w1(2),w2(2),...,wM2(2)]T---(18)]]>其中1≤M1′≤M1.]]>計算Ω(Φ)與僅從本征分量U計算分量特征相比，沒有增加計算負擔。
剩余分量被稱作二次剩余分量，而把原始分量稱作一次剩余分量。
利用相同的方法，我們還可以推導出第三階、第四階，...，和第n階本征分量。通過投影對應階的剩余分量，我們可以得到第三階、第四階，...，和第n階的分量特征。利用這些高次分量特征，分量的相似性可以被定義為投影之間加權的歐幾里得距離。圖2解釋了計算第i次本征向量U(i)和對應的變換矩陣Ui的過程。在圖中，Pseudo Inv(B)是計算偽逆矩陣B的函數。
用從本征分量(即，本征眼睛、本征眉毛、本征鼻子、本征嘴和本征輪廓)和本征臉的投影生成的各種面部分量特征之間的組合距離來定義兩張臉H1和H2的測量差別。
D(H1,H2)=Σi=1M1′eyea1eye||wi(1)(Φ1eye)-wi(1)(Φ2eye)||+Σj=1M2′eyea2eye||wj(2)(Φ1eye)-wj(2)(Φ2eye)||]]>+Σi=1M1′eyebrowa1eyebrow||wi(1)(Φ1eyebrow)-wi(1)(Φ2eyebrow)||+Σj=1M2eyebrowa2eyebrow||wj(2)(Φ1eyebrow)-wj(2)(Φ2eyebrow)||]]>+Σi=1M1′nosea1nose||wi(1)(Φ1nose)-wi(1)(Φ2nose)||+Σj=1M2nosea2nose||wj(2)(Φ1nose)-wj(2)(Φ2nose)||]]>+Σi=1M1′moutha1mouth||wi(1)(Φ1mouth)-wi(1)(Φ2mouth)||+Σj=1M2moutha2mouth||wj(2)(Φ1mouth)-wj(2)(Φ2mouth)||]]>+Σi=1M1′outlinea1outline||wi(1)(Φ1outline)-wi(1)(Φ2outline)||+Σj=1M2outlinea2outline||wj(2)(Φ1outline)-wj(2)(Φ2outline)||]]>+Σi=1M1′a1||wi(1)(H1)-wi(1)(H2)||+Σj=1M2a2||wj(2)(H1)-wj(2)(H2)||]]>如果α1＝0，那么只利用二階特征測量面部圖像的相似性。
利用上述方法，可以按如下步驟考慮描繪面部圖像的方法1)從分量窗口的左上角開始到分量窗口右下角結束，利用光柵掃描將所述面部分量掃描到象素的一維數組中；2)利用平均分量減去所述象素的一維數組；3)所述減去的象素的一維數組乘以所述一次和高次本征分量；4)利用得到的分量特征作為面部的描繪；5)將所述特征編碼為代碼表示形式。
利用這種方法，通過對人類面部明顯的特征信息使用不同的加權來有效地描繪人類的面部。
接下來，參考圖3和4描述根據本發明的面部特征提取的全部操作。操作包括如圖4所示得訓練模式操作(步驟#22到#31)，和如圖3所示的測試模式操作(步驟#32-#42)。首先執行訓練模式操作來了解和積累大量面部樣本并且獲得一次平均的系數。
訓練模式操作從步驟#22開始，持續到步驟#31。提供訓練模式以產生在測試模式中用到的各種參數。
在步驟#22中，輸入多個樣本面部圖像。
在步驟#23中，每個樣本面部圖像被劃分為多個面部部分，如右眼、左眼、右眉、左眉、鼻子、嘴、面部結構，并且分析每個部分獲得基本的面部分量Φi。可以根據人類面部的明顯特征對面部分量Φi加權。
在步驟#24，從多個樣本面部圖像中采集相同部分的面部分量，如鼻子部分。鼻子部分的面部分量被稱作鼻子分量。利用公式(1)對采集到的面部分量求平均值，得到一次平均面部分量Ψ。對不同的面部分量執行相同的操作獲得一次平均面部分量。步驟#34的測試模式操作中會使用一次平均面部分量Ψ。
在步驟#25，在公式(2)中以鼻子為例，鼻子的一次平均面部分量Ψ減去每個樣本面部圖像中的鼻子的面部分量，以得到鼻子的向量。對每個不同的面部分量執行相同的操作。
步驟#22到#25共同被稱作分析訓練面部圖像的分析步驟。
在步驟#26，執行公式(4)、(5)、(6)、(7)和(8)以獲得一次本征分量U(1)。步驟#35的測試模式操作中會使用一次本征分量U(1)。
在步驟#27，利用公式(10)生成逆矩陣U(1)+。逆矩陣U(1)+近似等于U(1)T。步驟#37的測試模式操作中會使用逆矩陣U(1)+。
在步驟#28，使用公式(11)利用逆矩陣U(1)+獲得面部分量的差。這樣，就得到了相對于在步驟#22中所采集的原始面部圖像的基本面部分量的面部分量差。在步驟#28中產生的數據被稱作面部分量差。
在步驟#29，得到面部分量差和一次平均面部分量之間的差。
步驟#27到#29共同被稱作分析一次本征分量的分析步驟。
在步驟#30，利用步驟#29中得到的差，利用公式(4)、(6)、(7)、(14)和(16)計算二次K-L系數U(2)(也稱作二次本征向量)。K-L變換中的測試模式(步驟#40)會使用二次K-L系數U(2)。
測試模式從步驟#32開始，持續到步驟#42。測試模式產生一次分量特征W(1)和二次分量特征W(2)。
在步驟#32，輸入要測試的面部。
在步驟#33，輸入的面部圖像被劃分為多個面部部分，如右眼、左眼、右眉、左眉、鼻子、嘴、面部結構，并且分析每個部分以獲得基本的面部分量Фi。可以根據人類面部的明顯特征對面部分量Фi加權。
在步驟#34，一次平均面部分量Ψ減去基本面部分量，得到第一差Γ(1)(也稱為一次剩余分量)。在步驟#35和步驟#39中會使用第一差Γ(1)。
步驟#32到#34共同被稱作分析測試面部圖像的分析步驟。
在步驟#35，使用公式(9)利用第一差Γ(1)和一次本征分量U(1)，執行K-L變換，從而得到一次分量特征W(1)。
在步驟#36，產生了一次分量特征W(1)。一次分量特征W(1)表示在步驟#32輸入的測試面部的特征。一次分量特征W(1)可以用作代表測試面部的信息，但是數據量相對較大。因此為了減小數據量，需要進一步執行計算。在步驟#37，利用公式(11)執行K-L逆變換來創建重構矩陣 在步驟#38，產生了重構矩陣 在步驟#39，執行公式(12)以產生第一差別Γ(1)和重構矩陣 之間的差別來獲得第二差別Γ(2)’，它通常被稱作第二剩余分量Γi(2)。
步驟#37到#39共同被稱作分析一次分量特征的分析步驟。
在步驟#40，使用公式(17)利用第二差Γ(2)和二次K-L系數U(2)執行K-L變換，從而得到二次分量特征W(2)。
在步驟#41，產生了二次分量特征W(2)。二次分量特征W(2)具有代表在測試模式輸入的測試面部的信息。
應該注意，圖3和4所示的流程圖可以由與捕獲樣本面部圖像和測試面部圖像的照相機相連的計算機來安排。可以準備兩套裝置，一套用于訓練模式操作，另一套用于測試模式操作。每套包括一臺計算機和一部照相機。用于訓練模式操作的那套裝置被編程來執行步驟#22-#30，用于測試模式操作的那套裝置被編程來執行步驟#32-#42。在用于測試模式操作的那套裝置中，提供一個存儲器來預先存儲由用于訓練模式操作的那套裝置所獲得的信息，例如一次平均面部分量Ψ，一次本征分量U(1)，逆矩陣U(1)+，和二次本征分量U(2)。
本發明對于利用基于分量的特征描繪人類面部非常有效。由于僅可以利用訓練分量計算一次高次本征分量，因此可以象獲得一次分量特征一樣有效地獲得高次分量特征。但是，由于利用高次分量特征可以揭示詳細的區域特征信息，因此與高次本征面部特征或一次和高次本征面部特征的組合相比，具有不同加權的眼睛、眉毛、鼻子、嘴和輪廓的一次分量特征和高次分量特征的組合具有更好的面部描繪能力。
本發明對于描繪人類面部非常有效并且具有很高的效率，它可以用在互聯網多媒體數據庫檢索、視頻編輯、數字圖書館、監視和跟蹤、以及其它廣泛使用面部識別和確認的應用中。
權利要求
1.一種提取用于面部描繪的分量特征的方法，包括步驟處理訓練模式操作，包括分析多個訓練面部圖像；利用分析過的訓練面部圖像計算一次本征分量U(1)；利用分析過的訓練面部圖像計算二次本征分量U(2)；和處理測試模式操作，包括分析測試面部圖像；和利用二次本征分量U(2)獲得測試面部圖像使用的二次分量特征W(2)。
2.一種提取用于面部描繪的分量特征的方法，包括處理訓練模式操作，包括分析多個訓練面部圖像以生成訓練面部的一次剩余分量Γ(1)；利用訓練面部的一次剩余分量Γ(1)計算一次本征分量U(1)；分析一次本征分量U(1)以生成訓練面部的二次剩余分量Γ(2)；和利用訓練面部的二次剩余分量Γ(2)計算二次本征分量U(2)；和處理測試模式操作，包括分析測試面部圖像以生成測試面部的一次剩余分量Γ(1)；利用測試面部的一次本征分量U(1)和一次剩余分量Γ(1)獲得用于測試面部圖像的一次分量特征W(1)；分析一次分量特征W(1)以生成測試面部的二次剩余分量Γ(2)；和利用測試面部的二次本征分量U(2)和二次剩余分量Γ(2)獲得用于測試面部圖像的二次分量特征W(2)。
3.根據權利要求2所述的提取分量特征的方法，其中所述分析多個訓練面部圖像包括將每個樣本面部圖像劃分為多個面部部分，以獲得面部部分的面部分量Φi；對每個面部部分的面部分量取平均，以獲得一次平均面部分量Ψ，值；和從面部分量減去一次平均面部分量Ψ，以產生訓練面部的一次剩余分量Γ(1)。
4.根據權利要求2所述的提取分量特征的方法，其中所述分析一次本征分量包括獲得重構的矩陣 和從訓練面部的一次剩余分量Γ(1)中減去重構的矩陣 以產生訓練面部的二次剩余分量Γ(2)。
5.根據權利要求2所述的提取分量特征的方法，其中所述分析測試面部圖像包括將測試面部圖像劃分為多個面部部分，以獲得面部部分的面部分量Φi；和從面部分量Φi減去一次平均面部分量Ψ，以產生測試面部的一次剩余分量Γ(1)。
6.根據權利要求2所述的提取分量特征的方法，其中所述分析測試面部圖像包括獲得重構的矩陣 和從測試面部的一次剩余分量Γ(1)中減去重構的矩陣 以產生測試面部的二次剩余分量Γ(2)。
7.根據權利要求3所述的提取分量特征的方法，其中可以對所述訓練面部圖像的多個面部部分的所述面部分量Φi加權。
8.根據權利要求5所述的提取分量特征的方法，其中可以對所述測試面部圖像的多個面部部分的所述面部分量Φi加權。
9.一種提取用于面部描繪的分量特征的裝置，包括可操作處理訓練模式操作的裝置，包括可操作分析多個訓練面部圖像的裝置；可操作利用分析過的訓練面部圖像計算一次本征分量U(1)的裝置；可操作利用分析過的訓練面部圖像計算二次本征分量U(2)的裝置；和可操作處理測試模式操作的裝置，包括可操作分析測試面部圖像的裝置；和可操作利用二次本征分量U(2)獲得測試面部圖像的二次分量特征W(2)的裝置。
10.一種提取用于面部描繪的分量特征的裝置，包括可操作處理訓練模式操作的裝置，包括可操作分析多個訓練面部圖像以生成訓練面部的一次剩余分量Γ(1)的裝置；可操作利用訓練面部的一次剩余分量Γ(1)計算一次本征分量U(1)的裝置；可操作分析一次本征分量U(1)以生成訓練面部的二次剩余分量Γ(2)的裝置；和可操作利用訓練面部的二次剩余分量Γ(2)計算二次本征分量U(2)的裝置；和可操作處理測試模式操作的裝置，包括可操作分析測試面部圖像以生成測試面部的一次剩余分量Γ(1)的裝置；可操作利用測試面部的一次本征分量U(1)和一次剩余分量Γ(1)獲得測試面部圖像的一次分量特征W(1)的裝置；可操作分析一次分量特征W(1)以生成測試面部的二次剩余分量Γ(2)的裝置；和可操作利用測試面部的二次本征分量U(2)和二次剩余分量Γ(2)獲得測試面部圖像的二次分量特征W(2)的裝置。
11.根據權利要求10所述的提取分量特征的裝置，其中所述可操作分析多個訓練面部圖像的裝置包括可操作將每個樣本面部圖像劃分為多個面部部分以獲得面部部分的面部分量Φi的裝置；可操作對每個面部部分的面部分量取平均以獲得一次平均面部分量Ψ的裝置；和可操作從面部分量減去一次平均面部分量Ψ以產生訓練面部的一次剩余分量Γ(1)的裝置。
12.根據權利要求10所述的提取分量特征的裝置，其中所述可操作分析一次本征分量的裝置包括可操作獲得重構的矩陣 的裝置；和可操作從訓練面部的一次剩余分量Γ(1)中減去重構的矩陣 以產生訓練面部的二次剩余分量Γ(2)的裝置。
13.根據權利要求10所述的提取分量特征的裝置，其中所述可操作分析測試面部圖像的裝置包括可操作將測試面部圖像劃分為多個面部部分以獲得面部部分的面部分量Φi的裝置；和可操作從面部分量Φi減去一次平均面部分量Ψ以產生測試面部的一次剩余分量Γ(1)的裝置。
14.根據權利要求10所述的提取分量特征的裝置，其中所述可操作分析測試面部圖像的裝置包括可操作獲得重構的矩陣 的裝置；和可操作從測試面部的一次剩余分量Γ(1)中減去重構的矩陣 以產生測試面部的二次剩余分量Γ(2)的裝置。
15.根據權利要求11所述的提取分量特征的裝置，其中可以對訓練面部圖像的面部部分的所述面部分量Φi加權。
16.根據權利要求12所述的提取分量特征的裝置，其中可以對測試面部圖像的面部部分的所述面部分量Φi加權。
17.一種提取用于面部描繪的分量特征的裝置，包括可操作處理訓練模式操作的裝置，包括可操作分析多個訓練面部圖像以生成訓練面部的一次剩余分量Γ(1)的裝置；可操作利用訓練面部的一次剩余分量Γ(1)計算一次本征分量U(1)的裝置；可操作分析一次本征分量U(1)以生成訓練面部的二次剩余分量Γ(2)的裝置；和可操作利用訓練面部的二次剩余分量Γ(2)計算二次本征分量U(2)的裝置；
18.一種提取用于面部描繪的分量特征的裝置，包括存儲一次平均面部分量Ψ、一次本征分量U(1)、逆矩陣U(1)+、和二次本征分量U(2)的存儲器；和可操作處理測試模式操作的裝置，包括可操作分析測試面部圖像以生成測試面部的一次剩余分量Γ(1)的裝置；可操作利用測試面部的一次本征分量U(1)和一次剩余分量Γ(1)獲得測試面部圖像的一次分量特征W(1)的裝置；可操作分析一次分量特征W(1)以生成測試面部的二次剩余分量Γ(2)的裝置；和可操作利用測試面部的二次本征分量U(2)和二次剩余分量Γ(2)獲得測試面部圖像的二次分量特征W(2)的裝置。
全文摘要
用高次本征分量描述特定面部分量的具體區域的信息。給出的公式用來計算投影的高次變換矩陣。可以單獨使用高次分量特征來描述面部分量或與一次分量特征組合來描述。由于可以用高次分量特征揭示具體區域的特征信息，因此，根據對應區域顯著的特征信息，具有不同加權的眼睛、眉毛、鼻子、嘴和輪廓的一次分量特征和高次分量特征的組合與一次本征面部特征或一次和高次本征面部特征的組合相比能夠更好地描繪面部。
文檔編號G06K9/62GK1630875SQ0380360
公開日2005年6月22日 申請日期2003年4月10日 優先權日2002年4月12日
發明者高永晟, 李作裕, 申省梅, 黃仲陽, 妹尾孝憲 申請人:松下電器產業株式會社