專利名稱：分類器訓練方法和裝置以及人臉認證方法和裝置的制作方法
技術領域：
本發明涉及人臉識別技術，特別涉及用于人臉認證的一種分類器訓練方法和一種分類器訓練裝置、以及一種人臉認證方法、一種人臉認證裝置。
背景技術：
人臉認證是人臉識別技術的一個分支，人臉認證過程就是在被認證對象聲明自己的身份后，調用預先訓練得到的分類器、并利用該分類器對被認證對象的人臉圖像與人臉模型是否匹配進行識別，以判定被認證對象是否與其所聲明身份一致。
現有的上述人臉認證方式中所使用的分類器，是利用人臉圖像中的全局特征訓練得到的一個完整分類器，相應地，利用該分類器的識別過程也是通過提取人臉圖像的全局特征來實現的，然而，基于人臉圖像全局特征的該人臉認證方式，對人臉局部特征的利用十分有限，而相比于人臉全局特征，人臉局部特征卻更能夠體現人臉中的豐富細節。
因此，現有基于人臉圖像全局特征的人臉認證方式，會由于忽略大量人臉局部特征而導致人臉認證的準確度不高。
發明內容
有鑒于此，本發明提供了用于人臉認證的一種分類器訓練方法和一種分類器訓練裝置、以及一種人臉認證方法、一種人臉認證裝置，能夠提高人臉認證的準確度。
本發明提供的一種用于人臉認證的分類器訓練方法，包括 a、將各樣本圖像按照臉部特征點位置對齊并歸一化； b、從對齊歸一化后的各樣本圖像中提取特征向量、并將對齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區域； c、分別以相同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為該子區域的正樣本特征、以不同人臉的各樣本圖像在每一子區域內的特征向量差的絕對值為該子區域的反樣本特征，為每一子區域訓練一個子區域分類器，所述子區域分類器可依據各樣本圖像在該子區域內的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度； d、以所有子區域分類器針對相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區域分類器針對不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓練得到一個綜合分類器，所述綜合分類器可依據表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結果。
所述步驟c針對每一子區域執行如下步驟 c0、給定該子區域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對值構成的樣本特征、X為包含所有n個特征向量差的絕對值構成的樣本特征的特征向量，yi為樣本標識、yi∈{+1，-1}，n為所述正反樣本總數目； c1、設置每個樣本特征xi的初始權重
c2、進行T輪迭代，其中，在第t輪迭代過程中，先依據以樣本特征xi取值為橫坐標、以樣本特征xi的權重累積值為縱坐標的第t輪離散分布Dt為每個樣本特征xi構造一弱分類器ht(xi)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第t次迭代的最優弱分類器ht(X)，再分別利用每個樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權重，T為預先設定的迭代次數； c3、利用T次迭代得到的所有最優弱分類器ht(X)計算得到該子區域表示所述置信度的所述子區域分類器
所述步驟c2在第t次迭代過程中包括如下步驟 c20、將第t輪離散分布Dt上的特征取值空間劃分為m個互不相交的區間； c21、統計每一區間Xj內出現正樣本特征的概率
以及每一區間Xj內出現反樣本特征的概率
j大于等于1且小于等于m； c22、將每一區間Xj內的每一樣本特征xj的弱分類器ht(xj)設定為
ε為避免W-1j為0時引起數字溢出的預定系數； c23、從所有弱分類器中選擇分類誤差上界最小的一個作為第t次迭代的最優弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
c24、通過計算
來更新每個樣本特征xi下一次迭代的權重Dt+1(i)。
所述步驟d包括 d0、給定綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個人臉的置信度構成的樣本特征、X′為包含所有N個所述屬于同一個人臉的置信度所構成樣本特征的特征向量，y′p為樣本標識、y′p∈{+1，-1}，N為所述子區域的總數； d1、設置每個樣本特征x′p的初始權重
d2、進行R輪迭代，其中，在第r輪迭代過程中，先依據以樣本特征x′p取值為橫坐標、以樣本特征x′p的權重累積值為縱坐標的第r輪離散分布Dr為每個樣本特征x′p構造一弱分類器hr(x′p)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第r次迭代的最優弱分類器hr(X′)，再分別利用每個樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權重，R為預先設定的迭代次數； d3、利用R次迭代得到的所有最優弱分類器hr(X′)計算得到表示所述分類結果的所述綜合分類器
b為預定的置信度閾值，sign()為表示
是否大于b的符號函數。
所述步驟d2在第t次迭代過程中包括如下步驟 d20、將第r輪離散分布Dr上的特征取值空間劃分為Q個互不相交的區間； d21、統計每一區間X′q內出現正樣本特征的概率
以及每一區間X′q內出現反樣本特征的概率
q大于等于1且小于等于Q； d22、將每一區間X′q內的每一樣本特征x′q的弱分類器hr(x′q)設定為
ε為避免W-1q為0時引起數字溢出的預定系數； d23、從所有弱分類器中選擇分類誤差上界最小的一個作為第r次迭代的最優弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
d24、通過計算
來更新每個樣本特征x′q下一次迭代的權重Dr+1(p)。
本發明提供的一種用于人臉認證的分類器訓練裝置，包括 樣本對齊模塊，將各樣本圖像按照臉部特征點位置對齊并歸一化； 特征提取模塊，從對齊歸一化后的各樣本圖像中提取特征向量 區域劃分模塊，將對齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區域； 區域訓練模塊，分別以相同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為該子區域的正樣本特征、以不同人臉的各樣本圖像在每一子區域內的特征向量差的絕對值為該子區域的反樣本特征，為每一子區域訓練一個子區域分類器，所述子區域分類器可依據各樣本圖像在該子區域內的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度； 綜合訓練模塊，以所有子區域分類器針對相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區域分類器針對不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓練得到一個綜合分類器，所述綜合分類器可依據表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結果。
所述區域訓練模塊依次將每一子區域作為當前子區域進行處理、并針對當前子區域包括 區域樣本配置模塊，設置有當前子區域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對值構成的樣本特征、X為包含所有n個特征向量差的絕對值構成的樣本特征的特征向量，yi為樣本標識、yi∈{+1，-1}，n為所述正反樣本總數目； 區域權重配置子模塊，設置每個樣本特征xi的初始權重
區域迭代處理子模塊，進行T輪迭代，其中，在第t輪迭代過程中，先依據以樣本特征xi取值為橫坐標、以樣本特征xi的權重累積值為縱坐標的第t輪離散分布Dt為每個樣本特征xi構造一弱分類器ht(xi)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第t次迭代的最優弱分類器ht(X)，再分別利用每個樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權重，T為預先設定的迭代次數； 區域分類器輸出子模塊，利用T次迭代得到的所有最優弱分類器ht(X)計算得到當前子區域表示所述置信度的所述子區域分類器
所述區域迭代處理子模塊包括循環執行T輪迭代的如下子單元 區域區間劃分子單元，將第t輪離散分布Dt上的特征取值空間劃分為m個互不相交的區間； 區域概率統計子單元，統計每一區間Xj內出現正樣本特征的概率
以及每一區間Xj內出現反樣本特征的概率
j大于等于1且小于等于m； 區域弱分類器設定子單元，將每一區間Xj內的每一樣本特征xj的弱分類器ht(xj)設定為
ε為避免W-1j為0時引起數字溢出的預定系數； 區域弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個作為第t次迭代的最優弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
區域權重更新子單元，通過計算
來更新每個樣本特征xi下一次迭代的權重Dt+1(i)。
所述綜合訓練模塊包括 全局樣本配置子模塊，設置有綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個人臉的置信度構成的樣本特征、X′為包含所有N個所述屬于同一個人臉的置信度所構成樣本特征的特征向量，y′p為樣本標識、y′p∈{+1，-1}，N為所述子區域的總數； 全局權重配置子模塊，設置有每個樣本特征x′p的初始權重
全局迭代處理子模塊，進行R輪迭代，其中，在第r輪迭代過程中，先依據以樣本特征x′p取值為橫坐標、以樣本特征x′p的權重累積值為縱坐標的第r輪離散分布Dr為每個樣本特征x′p構造一弱分類器hr(x′p)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第r次迭代的最優弱分類器hr(X′)，再分別利用每個樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權重，R為預先設定的迭代次數； 全局分類器輸出子模塊，利用R次迭代得到的所有最優弱分類器hr(X′)計算得到表示所述分類結果的所述綜合分類器
b為預定的置信度閾值，sign()為表示
是否大于b的符號函數。
所述全局迭代處理子模塊包括循環執行R輪迭代的如下子單元 全局區間劃分子單元，將第r輪離散分布Dr上的特征取值空間劃分為Q個互不相交的區間； 全局概率統計子單元，統計每一區間X′q內出現正樣本特征的概率
以及每一區間X′q內出現反樣本特征的概率
q大于等于1且小于等于Q； 全局弱分類器設定子單元，將每一區間X′q內的每一樣本特征x′q的弱分類器hr(x′q)設定為
ε為避免W-1q為0時引起數字溢出的預定系數； 全局弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個作為第r次迭代的最優弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
全局權重更新子單元，通過計算
來更新每個樣本特征x′q下一次迭代的權重Dr+1(p)。
本發明提供的一種人臉認證方法，包括 a’、將待認證的輸入圖像與認證身份所對應的人臉模型按照臉部特征點位置對齊并歸一化； b’、從對齊歸一化后的輸入圖像和人臉模型提取特征向量，并將對齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區域； c’、分別利用針對每個子區域預先訓練得到的子區域分類器，對輸入圖像和人臉模型在該子區域內特征向量的差進行處理，得到表示輸入圖像和人臉模型基于該區域內的特征向量可被確定為同一人的置信度； d’、利用預先訓練得到的綜合分類器，對所有子區域分類器輸出的所述置信度進行處理，并得到表示輸入圖像和人臉模型基于各子區域的置信度是否屬于同一人的認證結果。
本發明提供的一種人臉認證裝置，包括 跟蹤定位模塊，將待認證的輸入圖像與認證身份所對應的人臉模型按照臉部特征點位置對齊并歸一化； 特征提取模塊，從對齊歸一化后的輸入圖像和人臉模型提取特征向量； 區域劃分模塊，將對齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區域； 預先訓練得到的對應每個子區域的子區域分類器，對輸入圖像和人臉模型在該子區域內特征向量的差進行處理，得到表示輸入圖像和人臉模型基于該區域內的特征向量可被確定為同一人的置信度； 預先訓練得到的綜合分類器，對所有子區域分類器輸出的所述置信度進行處理，并得到表示輸入圖像和人臉模型基于各子區域的置信度是否屬于同一人的認證結果。
由上述技術方案可見，本發明將人臉圖像劃分為若干相互交疊的子區域，先利用人臉圖像在每個子區域內的特征向量分別為各子區域訓練一個子區域分類器，使每個子區域分類器可輸出一置信度，用于表示基于該子區域內所具有的特征向量，可確定特征向量所屬人臉為真的概率；再利用各子區域分類器輸出的置信度訓練得到一綜合分類器，使該綜合分類器能夠基于其各子區域所對應的置信度確定人臉是否為真。這樣一來，在人臉認證時即可通過子區域分類器更多地利用人臉局部特征，并基于人臉局部特征所對應的置信度綜合判斷該人臉是否為真，從而相比于現有基于全局特征的方式，能夠提高人臉認證的準確性。
圖1為本發明實施例中用于人臉認證的分類器訓練方法的流程示意圖； 圖2為本發明實施例中人臉認證方法的流程示意圖； 圖3為本發明實施例中用于人臉認證的分類器訓練裝置的結構示意圖； 圖4為本發明實施例中人臉認證裝置的結構示意圖。
具體實施例方式 為使本發明的目的、技術方案及優點更加清楚明白，以下參照附圖并舉實施例，對本發明進一步詳細說明。
圖1為本發明實施例中用于人臉認證的分類器訓練方法的流程示意圖。如圖1所示，本發明實施例中用于人臉認證的分類器訓練方法包括 步驟101，將各樣本圖像按照例如眼睛、鼻尖等臉部特征點位置對齊并歸一化。
本步驟中，如何識別眼睛、鼻尖等臉部特征，可以采用現有任一種方式來實現。
步驟102，從對齊歸一化后的各樣本圖像中提取特征向量。
本步驟中，可以提取蓋博(Gabor)特征作為特征向量。其中，Gabor特征由一系列不同尺度、不同方向的Gabor濾波器與圖像進行二維卷積得到。具體說，本實施例可以采用m個尺度和n個方向所構成的所有Gabor濾波器來獲取Gabor特征，稱為全局濾波器組、用G(m×n)表示，可以但不限于取m＝5，n＝8。
假定人臉圖像的寬度和高度分別為FW、FH，可以但不限于取FW為64、FH為64，則對一幅人臉圖像即可得到一個由m*n*FW*FH個特征組成的特征向量，換言之，將尺度個數為m、方向個數為n的Gabor濾波器對像素中心位置為(i，j)的圖像進行濾波，得到的Gabor特征可表示為Gabor(m，n，i，j)。
步驟103，將對齊歸一化后的各樣本圖像劃分為相互交疊的若干子區域。
本步驟中，若干子區域的大小可以相同、也可以不全相同，每個子區域的長寬比可以分別取但不限于取1∶1、1∶2、2∶1等等，且每個子區域與其任意鄰邊子區域交疊的寬度可以為至少1個像素。
步驟104，分別以相同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為該子區域的正樣本特征、以不同人臉的各樣本圖像在每一子區域內的特征向量差的絕對值為該子區域的反樣本特征，為每一子區域訓練一個子區域分類器，所述子區域分類器可依據各樣本圖像在該子區域內的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度，從而使所述子區域分類器能夠依據輸入圖像與人臉模型在對應子區域內的特征向量的差輸出該輸入圖像與人臉模型屬于同一人臉的置信度。
由于人臉識別是一個較為復雜的多類問題，即一個人臉與多個人臉的分類識別問題，因而為了簡化處理，本步驟分別以同一人臉和不同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為正反樣本特征，而非利用若干人臉的樣本圖像本身作為正反樣本特征，從而將多類問題轉換為一個兩類問題。
具體說，本步驟中對于每一子區域的處理過程可以包括 1)給定由該子區域的正樣本和反樣本構成的樣本集LB＝{(xi，yi)}，xi∈X、xi為樣本特征、X為所有n個樣本特征構成的特征向量，yi為樣本標識、yi∈{+1，-1}、xi為正樣本特征時yi取+1、xi為反樣本特征時yi取-1，i大于等于1且小于等于樣本圖像總數n、n為正反樣本的總數目； 2)設置每個樣本特征xi的初始權重
這里設置的權重可以看作是每個樣本特征xi出現的概率值； 3)進行T輪迭代、T為預先設定的迭代次數，在第t輪迭代過程中 3.1)依據以樣本特征xi所有可能的取值為橫坐標、以樣本特征xi的權重累積值為縱坐標的第t輪離散分布Dt，為每個樣本特征xi構造一弱分類器hi(xi)、hi(xi)表示基于對應樣本特征xi基于其取值可被確定為真的概率。
例如 可以先將Dt(i)累積分布的樣本特征取值空間劃分為m個互不相交的區間； 然后，統計每一區間Xj內出現正樣本的概率 以及，每一區間Xj內出現反樣本特征的概率 然后，即可將每一區間Xj內的每一樣本特征xj的弱分類器ht(xj)設定為
ε為避免W-1j為0時引起數字溢出的預定系數。
3.2)從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第t次迭代的最優弱分類器ht(X)。
例如，對于弱分類器ht(xj)，其分類誤差上界
3.3)分別利用每個樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權重，以使得正樣本特征的權重越來越小、反樣本特征的權重隨著迭代過程的繼續而越來越大，從而使最優弱分類器ht(X)的精度隨著迭代過程的繼續而越來越高，t大于等于1且小于等于T。
實際應用中，可以計算
來更新該樣本特征xi下一次迭代的權重Dt+1(i)。
4)利用T次迭代得到的所有最優弱分類器ht(X)計算得到該子區域的強分類器、也就是該子區域表示所述置信度的子區域器
需要說明的是，本步驟中所出現的i和j、以及m和n與步驟102中表示Gabor特征的i和j、以及m和n無關。
步驟105，以所有子區域分類器針對相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區域分類器針對不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓練得到一個綜合分類器，所述綜合分類器可依據表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結果，從而使得所述綜合分類器能夠依據輸入圖像與人臉模型屬于同一人臉的置信度，輸出該輸入圖像與人臉模型是否屬于同一人臉的分類結果。
如前所述，人臉識別是一個較為復雜的多類問題，即一個人臉與多個人臉的分類識別問題，因而仍然是為了簡化處理，本步驟中利用置信度作為正反樣本、而非利用樣本圖像本身作為正反樣本，從而將多類問題轉換為一個兩類問題。
本步驟中的基本原理與步驟104類似，具體包括 1)給定綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個人臉的置信度構成的樣本特征、X′為包含所有N個子區域分類器輸出的置信度所構成樣本特征的特征向量，y′p為樣本標識、y′p∈{+1，-1}，p大于等于1且小于等于子區域總數N； 2)設置每個樣本特征x′p的初始權重
這里設置的權重可以看作是每個樣本特征x′p出現的概率值； 3)進行R輪迭代、R為預先設定的迭代次數，其中，在第r輪迭代過程中 3.1)依據以樣本特征x′p所有可能的取值為橫坐標、以樣本特征x′p的權重累積值為縱坐標的第r輪離散分布Dr，為每個樣本特征x′p構造一弱分類器hr(x′p)； 例如 可先將第r輪離散分布Dr上的特征取值空間劃分為Q個互不相交的區間； 統計每一區間X′q內出現正樣本特征的概率 以及，每一區間X′q內出現反樣本特征的概率 q大于等于1且小于等于Q； 然后，即可將每一區間X′q內的每一樣本特征x′q的弱分類器hr(x′q)設定為
ε為避免W-1q為0時引起數字溢出的預定系數。
3.2)從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第r次迭代的最優弱分類器hr(X′)； 例如，對于弱分類器hr(x′q)，其分類誤差上界
3.3)分別利用每個樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權重，以使得正樣本特征的權重越來越小、反樣本特征的權重隨著迭代過程的繼續而越來越大，從而使最優弱分類器hr(x′)的精度隨著迭代過程的繼續而越來越高，r大于等于1且小于等于R； 例如，可通過計算
來更新每個樣本特征x′i下一次迭代的權重Dr+1(p)。
4)利用R次迭代得到的所有最優弱分類器hr(x′)計算得到表示所述分類結果的所述綜合分類器
b為預定的置信度閾值，sign()為表示
是否大于b的符號函數、其輸出正表示真、輸出負表示假。
至此，本流程結束。
基于上述流程訓練得到的子區域分類器和綜合分類器，即可實現分區域的人臉認證。
圖2為本發明實施例中人臉認證方法的流程示意圖。如圖2所示，基于上述訓練方法得到的子區域分類器和綜合分類器，本實施例中的人臉認證方法包括 步驟201、將待認證的輸入圖像與認證身份所對應的人臉模型按照例如眼睛、鼻尖等臉部特征點位置對齊并歸一化。
步驟202、從對齊歸一化后的輸入圖像和人臉模型提取特征向量。
步驟203、將對齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區域。
本步驟中對若干子區域的劃分，是按照訓練子區域分類器時相同的方式。
步驟204、分別利用針對每個子區域訓練得到的子區域分類器，對輸入圖像和人臉模型在該子區域內特征向量的差進行處理，得到表示輸入圖像和人臉模型基于該區域內的特征向量可被確定為同一人的置信度。
步驟205、利用預先訓練得到的綜合分類器，對所有子區域分類器輸出的所述置信度進行處理，并得到表示輸入圖像和人臉模型基于各子區域的置信度是否屬于同一人的認證結果。
至此，本流程結束。
由上述分類器訓練方法、以及基于該分類器訓練方法的人臉認證方法可見，本發明實施例將人臉圖像劃分為若干相互交疊的子區域，先利用人臉圖像在每個子區域內的特征向量分別為各子區域訓練一個子區域分類器，使每個子區域分類器可輸出一置信度，用于表示基于該子區域內所具有的特征向量可確定所屬人臉為真的概率；再利用各子區域分類器輸出的置信度訓練得到一綜合分類器，使該綜合分類器能夠基于其各子區域所對應的置信度確定人臉是否為真。這樣一來，在人臉認證時即可通過子區域分類器更多地利用人臉局部特征，并基于人臉局部特征所對應的置信度綜合判斷該人臉是否為真，從而相比于現有基于全局特征的方式，能夠提高人臉認證的準確性。
下面，再對本發明實施例中用于人臉認證的分類器訓練裝置和人臉認證裝置進行詳細說明。
圖3為本發明實施例中用于人臉認證的分類器訓練裝置的結構示意圖。如圖3所示，本實施例中用于人臉認證的分類器訓練裝置包括 樣本對齊模塊301，將各樣本圖像按照臉部特征點位置對齊并歸一化； 特征提取模塊302，從對齊歸一化后的各樣本圖像中提取特征向量，例如Gabor特征； 區域劃分模塊303，將對齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區域； 區域訓練模塊304，分別以相同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為該子區域的正樣本特征、以不同人臉的各樣本圖像在每一子區域內的特征向量差的絕對值為該子區域的反樣本特征，為每一子區域訓練一個子區域分類器，所述子區域分類器可依據各樣本圖像在該子區域內的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度； 綜合訓練模塊305，以所有子區域分類器針對相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區域分類器針對不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓練得到一個綜合分類器，所述綜合分類器可依據表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結果。
實際應用中，區域訓練模塊304依次將每一子區域作為當前子區域進行處理、并針對當前子區域包括(圖3中未示出) 區域樣本配置模塊，設置有當前子區域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對值構成的樣本特征、X為包含所有n個特征向量差的絕對值構成的樣本特征的特征向量，yi為樣本標識、yi∈{+1，-1}，n為所述正反樣本總數目； 區域權重配置子模塊，設置每個樣本特征xi的初始權重
區域迭代處理子模塊，進行T輪迭代、T為預先設定的迭代次數，其中，在第t輪迭代過程中，先依據以樣本特征xi取值為橫坐標、以樣本特征xi的權重累積值為縱坐標的第t輪離散分布Dt為每個樣本特征xi構造一弱分類器ht(xi)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第t次迭代的最優弱分類器ht(X)，再分別利用每個樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權重； 區域分類器輸出子模塊，利用T次迭代得到的所有最優弱分類器ht(X)，計算得到當前子區域表示所述置信度的所述子區域分類器
進一步地，區域迭代處理子模塊又可以包括循環執行T輪迭代的如下子單元 區域區間劃分子單元，將第t輪離散分布Dt上的特征取值空間劃分為m個互不相交的區間； 區域概率統計子單元，統計每一區間Xj內出現正樣本特征的概率
以及每一區間Xj內出現反樣本特征的概率
j大于等于1且小于等于m； 區域弱分類器設定子單元，將每一區間Xj內的每一樣本特征xj的弱分類器ht(xj)設定為
ε為避免W-1j為0時引起數字溢出的預定系數； 區域弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個作為第t次迭代的最優弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
區域權重更新子單元，通過計算
來更新每個樣本特征xi下一次迭代的權重Dt+1(i)。
與區域訓練模塊304基本相同的原理，綜合訓練模塊305可以包括(圖3中未示出) 全局樣本配置子模塊，設置有綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個人臉的置信度構成的樣本特征、X′為包含所有N個子區域分類器輸出的所述屬于同一個人臉置信度所構成樣本特征的特征向量，y′p為樣本標識、y′p∈{+1，-1}，N為所述子區域的總數； 全局權重配置子模塊，設置有每個樣本特征x′p的初始權重
全局迭代處理子模塊，進行R輪迭代、R為預先設定的迭代次數，其中，在第r輪迭代過程中，先依據以樣本特征x′p取值為橫坐標、以樣本特征x′p的權重累積值為縱坐標的第r輪離散分布Dr為每個樣本特征x′p構造一弱分類器hr(x′p)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第r次迭代的最優弱分類器hr(X′)，再分別利用每個樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權重； 全局分類器輸出子模塊，利用R次迭代得到的所有最優弱分類器hr(X′)計算得到表示所述分類結果的所述綜合分類器
b為預定的置信度閾值，sign()為表示
是否大于b的符號函數。
進一步地，全局迭代處理子模塊又可以包括循環執行R輪迭代的如下子單元 全局區間劃分子單元，將第r輪離散分布Dr上的特征取值空間劃分為Q個互不相交的區間； 全局概率統計子單元，統計每一區間X′q內出現正樣本特征的概率
以及每一區間X′q內出現反樣本特征的概率
q大于等于1且小于等于Q； 全局弱分類器設定子單元，將每一區間X′q內的每一樣本特征x′q的弱分類器hr(x′q)設定為
ε為避免W-1q為0時引起數字溢出的預定系數； 全局弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個作為第r次迭代的最優弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
全局權重更新子單元，通過計算
來更新每個樣本特征x′q下一次迭代的權重Dr+1(p)。
圖4為本發明實施例中人臉認證裝置的結構示意圖。如圖4所示，本實施例中的人臉認證裝置包括 跟蹤定位模塊401，將待認證的輸入圖像與認證身份所對應的人臉模型按照臉部特征點位置對齊并歸一化； 特征提取模塊402，從對齊歸一化后的輸入圖像和人臉模型提取特征向量； 區域劃分模塊403，將對齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區域； 預先訓練得到的對應每個子區域的子區域分類器404，對輸入圖像和人臉模型在該子區域內特征向量的差進行處理，得到表示輸入圖像和人臉模型基于該區域內的特征向量可被確定為同一人的置信度； 預先訓練得到的綜合分類器405，對所有子區域分類器輸出的所述置信度進行處理，并得到表示輸入圖像和人臉模型基于各子區域的置信度是否屬于同一人的認證結果。
由上述分類器訓練裝置、以及基于分類器訓練裝置訓練得到的子區域分類器和綜合分類器的人臉認證裝置可見，本發明實施例將人臉圖像劃分為若干相互交疊的子區域，先利用人臉圖像在每個子區域內的特征向量分別為各子區域訓練一個子區域分類器，使每個子區域分類器可輸出一置信度，用于表示基于該子區域內所具有的特征向量可確定所屬人臉為真的概率；再利用各子區域分類器輸出的置信度訓練得到一綜合分類器，使該綜合分類器能夠基于其各子區域所對應的置信度確定人臉是否為真。這樣一來，在人臉認證時即可通過子區域分類器更多地利用人臉局部特征，并基于人臉局部特征所對應的置信度綜合判斷該人臉是否為真，從而相比于現有基于全局特征的方式，能夠提高人臉認證的準確性。
以上所述僅為本發明的較佳實施例而已，并非用于限定本發明的保護范圍。凡在本發明的精神和原則之內，所作的任何修改、等同替換以及改進等，均應包含在本發明的保護范圍之內。
權利要求
1.一種用于人臉認證的分類器訓練方法，其特征在于，包括如下步驟
a、將各樣本圖像按照臉部特征點位置對齊并歸一化；
b、從對齊歸一化后的各樣本圖像中提取特征向量、并將對齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區域；
c、分別以相同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為該子區域的正樣本特征、以不同人臉的各樣本圖像在每一子區域內的特征向量差的絕對值為該子區域的反樣本特征，為每一子區域訓練一個子區域分類器，所述子區域分類器可依據各樣本圖像在該子區域內的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度；
d、以所有子區域分類器針對相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區域分類器針對不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓練得到一個綜合分類器，所述綜合分類器可依據表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結果。
2.如權利要求1所述的分類器訓練方法，其特征在于，所述步驟c針對每一子區域執行如下步驟
c0、給定該子區域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對值構成的樣本特征、X為包含所有n個特征向量差的絕對值構成的樣本特征的特征向量，yi為樣本標識、yi∈{+1，-1}，n為所述正反樣本總數目；
c1、設置每個樣本特征xi的初始權重
c2、進行T輪迭代，其中，在第t輪迭代過程中，先依據以樣本特征xi取值為橫坐標、以樣本特征xi的權重累積值為縱坐標的第t輪離散分布Dt為每個樣本特征xi構造一弱分類器ht(xi)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第t次迭代的最優弱分類器ht(X)，再分別利用每個樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權重，T為預先設定的迭代次數；
c3、利用T次迭代得到的所有最優弱分類器ht(X)計算得到該子區域表示所述置信度的所述子區域分類器
3.如權利要求2所述的分類器訓練方法，其特征在于，所述步驟c2在第t次迭代過程中包括如下步驟
c20、將第t輪離散分布Dt上的特征取值空間劃分為m個互不相交的區間；
c21、統計每一區間Xj內出現正樣本特征的概率
以及每一區間Xj內出現反樣本特征的概率
大于等于1且小于等于m；
c22、將每一區間Xj內的每一樣本特征xj的弱分類器ht(xj)設定為
ε為避免W-1j為0時引起數字溢出的預定系數；
c23、從所有弱分類器中選擇分類誤差上界最小的一個作為第t次迭代的最優弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
c24、通過計算
來更新每個樣本特征xi下一次迭代的權重Dt+1(i)。
4.如權利要求1至3中任一項所述的分類器訓練方法，其特征在于，所述步驟d包括
d0、給定綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個人臉的置信度構成的樣本特征、X′為包含所有N個所述屬于同一個人臉的置信度所構成樣本特征的特征向量，y′p為樣本標識、y′p∈{+1，-1}，N為所述子區域的總數；
d1、設置每個樣本特征x′p的初始權重
d2、進行R輪迭代，其中，在第r輪迭代過程中，先依據以樣本特征x′p取值為橫坐標、以樣本特征x′p的權重累積值為縱坐標的第r輪離散分布Dr為每個樣本特征x′p構造一弱分類器hr(x′p)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第r次迭代的最優弱分類器hr(X′)，再分別利用每個樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權重，R為預先設定的迭代次數；
d3、利用R次迭代得到的所有最優弱分類器hr(X′)計算得到表示所述分類結果的所述綜合分類器
b為預定的置信度閾值，sign()為表示
是否大于b的符號函數。
5.如權利要求4所述的分類器訓練方法，其特征在于，所述步驟d2在第t次迭代過程中包括如下步驟
d20、將第r輪離散分布Dr上的特征取值空間劃分為Q個互不相交的區間；
d21、統計每一區間X′q內出現正樣本特征的概率
以及每一區間X′q內出現反樣本特征的概率
q大于等于1且小于等于Q；
d22、將每一區間X′q內的每一樣本特征x′q的弱分類器hr(x′q)設定為
ε為避免W-1q為0時引起數字溢出的預定系數；
d23、從所有弱分類器中選擇分類誤差上界最小的一個作為第r次迭代的最優弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
d24、通過計算
來更新每個樣本特征x′q下一次迭代的權重Dr+1(p)。
6.一種用于人臉認證的分類器訓練裝置，其特征在于，包括
樣本對齊模塊，將各樣本圖像按照臉部特征點位置對齊并歸一化；
特征提取模塊，從對齊歸一化后的各樣本圖像中提取特征向量
區域劃分模塊，將對齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區域；
區域訓練模塊，分別以相同人臉的各樣本圖像在每一子區域內特征向量差的絕對值為該子區域的正樣本特征、以不同人臉的各樣本圖像在每一子區域內的特征向量差的絕對值為該子區域的反樣本特征，為每一子區域訓練一個子區域分類器，所述子區域分類器可依據各樣本圖像在該子區域內的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度；
綜合訓練模塊，以所有子區域分類器針對相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區域分類器針對不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓練得到一個綜合分類器，所述綜合分類器可依據表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結果。
7.如權利要求6所述的分類器訓練裝置，其特征在于，所述區域訓練模塊依次將每一子區域作為當前子區域進行處理、并針對當前子區域包括
區域樣本配置模塊，設置有當前子區域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對值構成的樣本特征、X為包含所有n個特征向量差的絕對值構成的樣本特征的特征向量，yi為樣本標識、yi∈{+1，-1}，n為所述正反樣本總數目；
區域權重配置子模塊，設置每個樣本特征xi的初始權重
區域迭代處理子模塊，進行T輪迭代，其中，在第t輪迭代過程中，先依據以樣本特征xi取值為橫坐標、以樣本特征xi的權重累積值為縱坐標的第t輪離散分布Dt為每個樣本特征xi構造一弱分類器ht(xi)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第t次迭代的最優弱分類器ht(X)，再分別利用每個樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權重，T為預先設定的迭代次數；
區域分類器輸出子模塊，利用T次迭代得到的所有最優弱分類器ht(X)計算得到當前子區域表示所述置信度的所述子區域分類器
8.如權利要求7所述的分類器訓練裝置，其特征在于，所述區域迭代處理子模塊包括循環執行T輪迭代的如下子單元
區域區間劃分子單元，將第t輪離散分布Dt上的特征取值空間劃分為m個互不相交的區間；
區域概率統計子單元，統計每一區間Xj內出現正樣本特征的概率
以及每一區間Xj內出現反樣本特征的概率
j大于等于1且小于等于m；
區域弱分類器設定子單元，將每一區間Xj內的每一樣本特征xj的弱分類器ht(xj)設定為
ε為避免W-1j為0時引起數字溢出的預定系數；
區域弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個作為第t次迭代的最優弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
區域權重更新子單元，通過計算
來更新每個樣本特征xi下一次迭代的權重Dt+1(i)。
9.如權利要求6至8中任一項所述的分類器訓練裝置，其特征在于，所述綜合訓練模塊包括
全局樣本配置子模塊，設置有綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個人臉的置信度構成的樣本特征、X′為包含所有N個所述屬于同一個人臉的置信度所構成樣本特征的特征向量，y′p為樣本標識、y′p∈{+1，-1}，N為所述子區域的總數；
全局權重配置子模塊，設置有每個樣本特征x′p的初始權重
全局迭代處理子模塊，進行R輪迭代，其中，在第r輪迭代過程中，先依據以樣本特征x′p取值為橫坐標、以樣本特征x′p的權重累積值為縱坐標的第r輪離散分布Dr為每個樣本特征x′p構造一弱分類器hr(x′p)，然后從設定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個作為第r次迭代的最優弱分類器hr(X′)，再分別利用每個樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權重，R為預先設定的迭代次數；
全局分類器輸出子模塊，利用R次迭代得到的所有最優弱分類器hr(X′)計算得到表示所述分類結果的所述綜合分類器
b為預定的置信度閾值，sign()為表示
是否大于b的符號函數。
10.如權利要求9所述的分類器訓練方法，其特征在于，所述全局迭代處理子模塊包括循環執行R輪迭代的如下子單元
全局區間劃分子單元，將第r輪離散分布Dr上的特征取值空間劃分為Q個互不相交的區間；
全局概率統計子單元，統計每一區間X′q內出現正樣本特征的概率
以及每一區間X′q內出現反樣本特征的概率
q大于等于1且小于等于Q；
全局弱分類器設定子單元，將每一區間X′q內的每一樣本特征x′q的弱分類器hr(x′q)設定為
ε為避免W-1q為0時引起數字溢出的預定系數；
全局弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個作為第r次迭代的最優弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
全局權重更新子單元，通過計算
來更新每個樣本特征x′q下一次迭代的權重Dr+1(p)。
11.一種人臉認證方法，其特征在于，包括如下步驟
a’、將待認證的輸入圖像與認證身份所對應的人臉模型按照臉部特征點位置對齊并歸一化；
b’、從對齊歸一化后的輸入圖像和人臉模型提取特征向量，并將對齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區域；
c’、分別利用針對每個子區域預先訓練得到的子區域分類器，對輸入圖像和人臉模型在該子區域內特征向量的差進行處理，得到表示輸入圖像和人臉模型基于該區域內的特征向量可被確定為同一人的置信度；
d’、利用預先訓練得到的綜合分類器，對所有子區域分類器輸出的所述置信度進行處理，并得到表示輸入圖像和人臉模型基于各子區域的置信度是否屬于同一人的認證結果。
12.一種人臉認證裝置，其特征在于，包括
跟蹤定位模塊，將待認證的輸入圖像與認證身份所對應的人臉模型按照臉部特征點位置對齊并歸一化；
特征提取模塊，從對齊歸一化后的輸入圖像和人臉模型提取特征向量；
區域劃分模塊，將對齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區域；
預先訓練得到的對應每個子區域的子區域分類器，對輸入圖像和人臉模型在該子區域內特征向量的差進行處理，得到表示輸入圖像和人臉模型基于該區域內的特征向量可被確定為同一人的置信度；
預先訓練得到的綜合分類器，對所有子區域分類器輸出的所述置信度進行處理，并得到表示輸入圖像和人臉模型基于各子區域的置信度是否屬于同一人的認證結果。
全文摘要
本發明公開了一種分類器訓練方法和裝置以及人臉認證方法和裝置。本發明將人臉圖像劃分為若干相互交疊的子區域，先利用人臉圖像在每個子區域內的特征向量分別為各子區域訓練一個子區域分類器，使每個子區域分類器可輸出一置信度，用于表示基于該子區域內所具有的特征向量，可確定特征向量所屬人臉為真的概率；再利用各子區域分類器輸出的置信度訓練得到一綜合分類器，使該綜合分類器能夠基于其各子區域所對應的置信度確定人臉是否為真。這樣一來，在人臉認證時即可通過子區域分類器更多地利用人臉局部特征，并基于人臉局部特征所對應的置信度綜合判斷該人臉是否為真，從而相比于現有基于全局特征的方式，能夠提高人臉認證的準確性。
文檔編號G06K9/66GK101719222SQ20091024162
公開日2010年6月2日 申請日期2009年11月27日 優先權日2009年11月27日
發明者鄧亞峰 申請人:北京中星微電子有限公司