两个人的电影免费视频_国产精品久久久久久久久成人_97视频在线观看播放_久久这里只有精品777_亚洲熟女少妇二三区_4438x8成人网亚洲av_内谢国产内射夫妻免费视频_人妻精品久久久久中国字幕

可抑制雜訊及環(huán)境影響的臉部識(shí)別方法

文檔序號(hào):6333724閱讀:294來(lái)源:國(guó)知局
專利名稱:可抑制雜訊及環(huán)境影響的臉部識(shí)別方法
技術(shù)領(lǐng)域
本發(fā)明涉及臉部識(shí)別方法,特別是涉及一種可抑制雜訊(blur noise)及環(huán)境影響的臉部識(shí)別方法。
背景技術(shù)
傳統(tǒng)的使用權(quán)限取得方式,例如通過(guò)門禁系統(tǒng)或登入計(jì)算機(jī)系統(tǒng)等,其步驟為輸入使用者帳號(hào)并輸入對(duì)應(yīng)的密碼。輸入使用者帳號(hào)及輸入對(duì)應(yīng)的密碼的動(dòng)作,有完全手動(dòng)的;亦有通過(guò)識(shí)別卡,例如接觸式識(shí)別卡或RFID識(shí)別卡自動(dòng)輸入使用者帳號(hào)及密碼的。完全手動(dòng)的常有帳號(hào)密碼外流或被使用者遺忘的問(wèn)題,而識(shí)別卡則有被盜用或是非法復(fù)制的問(wèn)題。為了避免前述問(wèn)題發(fā)生,臉部識(shí)別技術(shù)目前逐漸被用于作為識(shí)別身份以取得特定權(quán)限。臉部識(shí)別技術(shù)大致分為二個(gè)階段,分別為臉部學(xué)習(xí)階段及臉部識(shí)別階段。臉部學(xué)習(xí)階段在于擷取使用者的臉部的影像,經(jīng)特定的數(shù)值處理操作,以將影像轉(zhuǎn)換特定的數(shù)據(jù)化資料,并以數(shù)據(jù)表現(xiàn)其特征。臉部識(shí)別階段則在于擷取待識(shí)別的臉部的影像,同樣地將影像轉(zhuǎn)換為特定型態(tài)的數(shù)據(jù)化資料,并以數(shù)據(jù)表現(xiàn)其特征。最后再將兩筆數(shù)據(jù)化資料加以比對(duì),確認(rèn)其特征是否近似,以判別待識(shí)別的臉部是否與使用者的臉部相符合。而將臉部的影像轉(zhuǎn)換為數(shù)據(jù)化資料以供識(shí)別的核心技術(shù)大致有主成分分析法 (Principal Components Analysis)、三維臉部識(shí)別法、以五官為基礎(chǔ)的識(shí)別法、子特征向量比對(duì)等等。前述各種方法各有其優(yōu)缺點(diǎn),然而,其等所共通面臨的問(wèn)題在于取得待識(shí)別的臉部的環(huán)境,往往與臉部學(xué)習(xí)階段的環(huán)境有很大的差異,或是待識(shí)別的臉部的影像包含了雜訊,這些環(huán)境影響或雜訊,將使得待識(shí)別的臉部無(wú)法通過(guò)臉部識(shí)別。為了避免使用者經(jīng)常性地?zé)o法通過(guò)臉部識(shí)別,臉部識(shí)別階段就必須降低比對(duì)門檻。但是降低比對(duì)門檻,將使得臉部識(shí)別過(guò)于容易通過(guò),而讓陌生人通過(guò)臉部識(shí)別。

發(fā)明內(nèi)容
鑒于上述問(wèn)題,本發(fā)明基于子特征向量比對(duì),提出一種可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,以降低雜訊或環(huán)境對(duì)臉部識(shí)別的可靠度的影響。本發(fā)明提出一種可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,執(zhí)行于一數(shù)據(jù)處理裝置,用以判別一當(dāng)前臉部影像與一參考臉部影像是否相符合,所述方法包含下列步驟提供一特征向量數(shù)據(jù)庫(kù),儲(chǔ)存該參考臉部影像的一參考子特征向量群、一參考環(huán)境狀態(tài)向量及一動(dòng)態(tài)閾值表;擷取該當(dāng)前臉部影像;取得該當(dāng)前臉部影像的當(dāng)前子特征向量群;將該當(dāng)前子特征向量群中每一子特征向量,與該參考子特征向量群中對(duì)應(yīng)的子特征向量進(jìn)行比對(duì),找出該當(dāng)前臉部影像中每一該區(qū)塊的子特征向量差距;
將這些子特征向量差距由小至大排列;由數(shù)值較小的開始選取各該子特征向量差距,而僅取得這些子特征向量差距中一特定個(gè)數(shù),并加總這些該子特征向量差距為一總差距;取得該當(dāng)前臉部影像的當(dāng)前環(huán)境狀態(tài)向量;計(jì)算該參考環(huán)境狀態(tài)向量與該當(dāng)前環(huán)境狀態(tài)向量之間的歐氏距離;依據(jù)該參考環(huán)境狀態(tài)向量與該當(dāng)前環(huán)境狀態(tài)向量之間的歐氏距離,于該動(dòng)態(tài)閾值表上取得一對(duì)應(yīng)的動(dòng)態(tài)閾值,其中該動(dòng)態(tài)閾值表記載多個(gè)動(dòng)態(tài)閾值,且每一動(dòng)態(tài)閾值與一特定范圍的歐氏距離關(guān)連;判別該總差距是否超過(guò)該動(dòng)態(tài)閾值,并于總差距未超過(guò)該動(dòng)態(tài)閾值時(shí)決定該當(dāng)前臉部影像與該參考臉部影像相符合。通過(guò)前述可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,本發(fā)明可在取得子特征向量群之前,先降低各臉部影像的雜訊。接著在取得子特征向量群的差距之后,本發(fā)明進(jìn)一步考量環(huán)境狀態(tài)的變化,而動(dòng)態(tài)地選取比對(duì)前述差距的閾值,從而使每一次取得的動(dòng)態(tài)閾值都可以符合環(huán)境狀態(tài)的變化,以改善臉部識(shí)別的可靠度。


圖1為執(zhí)行本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的數(shù)據(jù)處理裝置。圖2為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(一)。圖3為轉(zhuǎn)換參考臉部影像為參考子特征向量群的示意圖。圖4為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(二)。圖5為取得參考環(huán)境狀態(tài)向量的示意圖。圖6為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(三)。圖7為轉(zhuǎn)換當(dāng)前臉部影像為當(dāng)前子特征向量群的示意圖。圖8為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(四)。圖9為自適性比對(duì)的示意圖。圖10為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(五)。圖11為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(六)。圖12為取得計(jì)算歐氏距離以取得動(dòng)態(tài)閾值的示意圖。圖13為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(七)。圖14為多層次取樣的示意圖。圖15為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(八)。圖16為多尺寸取樣的示意圖。圖17圖為本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的流程圖(九)。附圖符號(hào)說(shuō)明20 數(shù)據(jù)處理裝置40 特征向量數(shù)據(jù)庫(kù)30 影像擷取裝置R 參考臉部影像Rs 參考縮小臉部影像
CCsFFlF2
當(dāng)前臉部影像當(dāng)前縮小臉部影像臉部影像
第一層影像第二層影像
具體實(shí)施例方式請(qǐng)參閱「圖1」至「圖2」所示,其為本發(fā)明實(shí)施例所提出的一種可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,執(zhí)行于一數(shù)據(jù)處理裝置20,用以判別一當(dāng)前臉部影像C與一參考臉部影像R是否相符合,而產(chǎn)生一識(shí)別結(jié)果,而找出對(duì)應(yīng)的識(shí)別身份。前述識(shí)別結(jié)果及其所對(duì)應(yīng)的識(shí)別身份可用于取代該數(shù)據(jù)處理裝置20的登入帳號(hào)及密碼,從而簡(jiǎn)化取得該數(shù)據(jù)處理裝置20使用權(quán)限的步驟。該數(shù)據(jù)處理裝置20 (例如計(jì)算機(jī)或筆記型計(jì)算機(jī))安裝有一臉部識(shí)別程序,藉以執(zhí)行可抑制雜訊及環(huán)境影響的臉部識(shí)別方法。該數(shù)據(jù)處理裝置20連接或內(nèi)建一特征向量數(shù)據(jù)庫(kù)40,并通過(guò)一影像擷取裝置30擷取當(dāng)前臉部影像C或參考臉部影像R。本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,主要包含臉部影像特征向量處理程序,前述臉部影像特征向量處理程序不只用于臉部特征學(xué)習(xí)階段,也用于臉部識(shí)別階段。如「圖1」所示,本發(fā)明的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法通過(guò)影像擷取裝置30擷取使用者的當(dāng)前臉部影像C或參考臉部影像R,并傳送至數(shù)據(jù)處理裝置20。影像擷取裝置30可為一攝影機(jī),外接或內(nèi)建于該數(shù)據(jù)處理裝置20。參閱「圖2」及「圖3」所示,于此先說(shuō)明臉部特征學(xué)習(xí)階段所包含的步驟,該臉部特征學(xué)習(xí)階段實(shí)際上包含一臉部影像特征向量處理程序,以提供特征向量數(shù)據(jù)庫(kù)40。參閱「圖2」及「圖3」所示,首先,于臉部影像特征向量處理程序的部分,使用者先使影像擷取裝置30對(duì)準(zhǔn)臉部,以通過(guò)該影像擷取裝置30擷取參考臉部影像R,傳送至數(shù)據(jù)處理裝置20,如步驟乂印110所示。參閱「圖2」及「圖3」所示,接著,數(shù)據(jù)處理裝置20對(duì)該參考臉部影像R施行高斯模糊降噪處理(Gaussian Blur Noise Reduction),以降低該臉部影像R中的雜訊,如步驟 Step 120 所示。該高斯模糊降噪處理用于降低雜訊,其也可以用其他的降低雜訊處理方式取代; 或是,若擷取臉部影像R的場(chǎng)所照明充足而可確保擷取臉部影像R具有低雜訊時(shí),也可以不施行步驟乂印120的高斯模糊降噪處理。參閱「圖2」及「圖3」所示,接著,數(shù)據(jù)處理裝置20將參考臉部影像R分割成NXN 個(gè)區(qū)塊,每一個(gè)區(qū)塊都給予一區(qū)塊識(shí)別碼(Block_ID),如步驟Mep 130所示。參閱「圖2」及「圖3」所示,數(shù)據(jù)處理裝置20分析每一區(qū)塊中,每一像素的像素值, 并對(duì)每一區(qū)塊進(jìn)行局部二值化處理(Local Binary I^attern,LBP)。數(shù)據(jù)處理裝置20依據(jù)像素值的變化,將每一區(qū)塊轉(zhuǎn)換為具有M個(gè)維度的子特征向量,如步驟乂印140所示。參閱「圖2」及「圖3」所示,該參考臉部影像R共可獲得NXN個(gè)子特征向量,因此數(shù)據(jù)處理裝置20結(jié)合這些子特征向量為一參考子特征向量群,以儲(chǔ)存于特征向量數(shù)據(jù)庫(kù)40,如步驟Mep 150所示。參閱「圖2」及「圖3」所示,數(shù)據(jù)處理裝置20并將該參考子特征向量群傳送至特征向量數(shù)據(jù)庫(kù)40,如步驟乂印160所示。前述的操作,是用以建立參考子特征向量群,以供后續(xù)比對(duì)之用。于建立參考子特征向量群時(shí),數(shù)據(jù)處理裝置20可同時(shí)接受識(shí)別身份的數(shù)據(jù)的輸入,以使參考子特征向量群與一對(duì)應(yīng)的識(shí)別身份產(chǎn)生關(guān)連。經(jīng)過(guò)前述的步驟后,可得一特征向量數(shù)據(jù)庫(kù)40,該特征向量數(shù)據(jù)庫(kù)40中儲(chǔ)存至少一參考子特征向量群,該參考子特征向量群與一識(shí)別身份被設(shè)定互相關(guān)連。之后,針對(duì)該參考臉部影像R,取得參考環(huán)境狀態(tài)向量,取得步驟如下參閱「圖4」及「圖5」所示,數(shù)據(jù)處理裝置20先將參考臉部影像R分割為4個(gè)等分,由左上等分開始逆時(shí)針排列依序?yàn)榈谝坏确?、第二等分2、第三等分3、第四等分4,如步驟乂印170所示。參閱「圖4」及「圖5」所示,接著,數(shù)據(jù)處理裝置20分別計(jì)算第一等分1、第二等分 2、第三等分3、第四等分4的平均灰階值ml、m2、m3、m4,如步驟乂印181所示。參閱「圖4」及「圖5」所示,如步驟乂印182所示,數(shù)據(jù)處理裝置20接著以下列規(guī)則以左邊等分的平均灰階值減右邊等分的平均灰階值、以上方等分的平均灰階值減下方等分的平均灰階值,再取得四個(gè)灰階值差值(ml-m4)、(m2-m3)、(ml_m2)、(m4_m3),前述的規(guī)則主要是用以計(jì)算每一平均灰階值與其他平均灰階值的差值,因此并不限定于前述規(guī)則。且等分的數(shù)量亦不限定于四個(gè)0X2),亦可為3X3、4X4...等。如步驟乂印190所示,接著,結(jié)合第一等分1、第二等分2、第三等分3、第四等分4 的平均灰階值ml、m2、m3、m4,及四個(gè)灰階值差值(ml_m4)、(m2_m3)、(ml_m2)、(m4_m3)作為每一維度的數(shù)值為一參考環(huán)境狀態(tài)向量,儲(chǔ)存于特征向量數(shù)據(jù)庫(kù)40中。接著說(shuō)明可抑制雜訊及環(huán)境影響的臉部識(shí)別方法的中的臉部識(shí)別階段。于臉部識(shí)別階段中,同樣地,是先執(zhí)行臉部影像特征向量處理程序,取得一當(dāng)前子特征向量群,再將該當(dāng)前子特征向量群,與特征向量數(shù)據(jù)庫(kù)40中的參考子特征向量群逐一比對(duì)。參閱「圖6」及「圖7」所示,使用者先使影像擷取裝置30對(duì)準(zhǔn)臉部,通過(guò)該影像擷取裝置30擷取當(dāng)前臉部影像C,傳送當(dāng)前臉部影像C至數(shù)據(jù)處理裝置20,如步驟乂印210 所示。參閱「圖6」及「圖7」所示,接著,數(shù)據(jù)處理裝置20對(duì)該當(dāng)前臉部影像C施行高斯模糊降噪處理,以降低當(dāng)前臉部影像C中的雜訊,如步驟乂印220所示。如同步驟乂印 120,該高斯模糊降噪處理是用于降低雜訊,也可以用其他的降低雜訊處理方式取代;或是, 若擷取臉部影像C的場(chǎng)所照明充足而可確保擷取臉部影像C具有低雜訊時(shí),也可以不施行步驟乂印220的高斯模糊降噪處理。參閱「圖6」及「圖7」所示,接著,數(shù)據(jù)處理裝置20將當(dāng)前臉部影像C分割成NXN 個(gè)區(qū)塊,每一個(gè)區(qū)塊都給予一區(qū)塊識(shí)別碼(Block_ID),如步驟Mep 230所示。參閱「圖6」及「圖7」所示,數(shù)據(jù)處理裝置20分析每一區(qū)塊中,每一像素的像素值, 并對(duì)每一區(qū)塊進(jìn)行局部二值化處理。數(shù)據(jù)處理裝置20依據(jù)像素值的變化,將當(dāng)前臉部影像 C的每一區(qū)塊轉(zhuǎn)換為具有M個(gè)維度的子特征向量,如步驟^ep 240所示。參閱「圖6」及「圖7」所示,該當(dāng)前臉部影像C共可獲得NXN個(gè)子特征向量,因此數(shù)據(jù)處理裝置20結(jié)合這些子特征向量為一當(dāng)前子特征向量群,如步驟乂印250所示。參閱「圖8」及「圖9」所示,數(shù)據(jù)處理裝置20將對(duì)應(yīng)于當(dāng)前臉部影像C的當(dāng)前子特征向量群中每一子特征向量,與參考臉部影像R的參考子特征向量群中對(duì)應(yīng)的子特征向量進(jìn)行比對(duì),找出當(dāng)前臉部影像C中每一該區(qū)塊的子特征向量差距,如步驟Mep 300所示。參考「圖10」所示,步驟乂印300的自適性比對(duì)的細(xì)節(jié)如下。首先,數(shù)據(jù)處理裝置20由特征向量數(shù)據(jù)庫(kù)40載入一個(gè)參考子特征向量群,如步驟 Step 310 所示。將參考子特征向量群及當(dāng)前子特征向量群中,具有相同區(qū)塊識(shí)別碼(Block_ID) 而互相對(duì)應(yīng)的子特征向量進(jìn)行比對(duì),而得到NXN組子特征向量差距,如步驟Mep 320所
7J\ ο以數(shù)據(jù)處理裝置20將前述的這些子特征向量差距由小至大排列,由數(shù)值較小的開始選取各該子特征向量差距,而僅選取這些子特征向量差距中一特定個(gè)數(shù),例如僅取前 65%,其余數(shù)值較大的舍棄不采用,如步驟乂印330所示。如步驟乂印340所示,數(shù)據(jù)處理裝置20加總前述選取的子特征向量差距為一總差距。步驟^ep 330中,舍棄子特征向量差距中數(shù)值較大的不采用的原因在于執(zhí)行步驟乂印140、Step 240的局部二值化處理(LBP)時(shí),每一區(qū)塊的子特征向量實(shí)際上都會(huì)受到雜訊影響,而使其子特征向量受到影響。而子特征向量差距數(shù)值較大的舍棄不采用時(shí), 被舍棄的區(qū)塊實(shí)際上都是受到雜訊影響較大的,特別是陰影、瀏海、臉部光滑處的顆粒狀雜訊,重要的臉部特征被舍棄的機(jī)率不高。反之,在光線正常場(chǎng)合下,雖雜訊極少,但欠缺鑒別性的區(qū)塊有時(shí)會(huì)更被凸顯出來(lái),例如光滑的額頭、臉頰在強(qiáng)光作用下的顆粒狀雜訊,這些區(qū)塊不但欠缺鑒別性的特征, 而且充足的光線也會(huì)使其子特征向量受到影響而在特征向量組合中被突顯出來(lái),并造成其對(duì)應(yīng)的子特征向量差距數(shù)值較大。因此,在光線正常場(chǎng)合下,舍棄子特征向量差距數(shù)值較大的并不會(huì)舍棄重要的臉部特征,反而可以提升重要的臉部特征的權(quán)重。接著,數(shù)據(jù)處理裝置20指定一動(dòng)態(tài)閾值,進(jìn)行動(dòng)態(tài)閾值檢查,如步驟乂印400所示。動(dòng)態(tài)閾值檢查用以判別當(dāng)前臉部影像C與特征向量數(shù)據(jù)庫(kù)40中參考臉部影像R的子特征向量差距的總差距是否超過(guò)該動(dòng)態(tài)閾值。亦即,當(dāng)前子特征向量群與參考子特征向量群的差異是否超過(guò)該動(dòng)態(tài)閾值。參閱「圖11」至「圖12」所示,以下說(shuō)明步驟乂印400的細(xì)節(jié)。參閱「圖11」至「圖12」所示,數(shù)據(jù)處理裝置20先將當(dāng)前臉部影像C分割為4個(gè)等分,由左上等分開始逆時(shí)針排列依序?yàn)榈谝坏确?、第二等分2、第三等分3、第四等分4, 如步驟乂印410所示。參閱「圖11」至「圖12」所示,數(shù)據(jù)處理裝置20分別計(jì)算第一等分1、第二等分2、 第三等分3、第四等分4的平均灰階值1111、1112、1113、1114,如步驟乂印420所示。參閱「圖11」至「圖12」,如步驟乂印430所示,數(shù)據(jù)處理裝置20接著計(jì)算每一平均灰階值與其他平均灰階值的差值(ml-m4)、(m2-m3)、(ml-m2)、(m4-m3)。如步驟乂印440所示,接著,以第一等分1、第二等分2、第三等分3、第四等分4的平均灰階值ml、m2、m3、m4,及四個(gè)灰階值差值(ml_m4)、(m2_m3)、(ml_m2)、(m4_m3)作為每一維度的數(shù)值,結(jié)合為一當(dāng)前環(huán)境狀態(tài)向量。實(shí)際上,步驟乂印410至乂印440所執(zhí)行的步驟,是與步驟乂印160至乂印 190相同,其差異僅在于實(shí)施對(duì)象為參考臉部影像R或當(dāng)前臉部影像C。如步驟Mep 450所示,數(shù)據(jù)處理裝置20計(jì)算參考環(huán)境狀態(tài)向量與當(dāng)前環(huán)境狀態(tài)向量之間的歐氏距離(Euclidean distance)。如步驟乂印460所示,數(shù)據(jù)處理裝置20由特征向量數(shù)據(jù)庫(kù)40載入一動(dòng)態(tài)閾值表。動(dòng)態(tài)閾值表記載多個(gè)動(dòng)態(tài)閾值,且每一動(dòng)態(tài)閾值與一特定范圍的歐氏距離關(guān)連。前述動(dòng)態(tài)閾值表可通過(guò)在不同環(huán)境測(cè)試后,逐一建立出每一動(dòng)態(tài)閾值與一特定范圍的歐氏距離的關(guān)連性。如步驟乂印470所示,數(shù)據(jù)處理裝置20依據(jù)參考環(huán)境狀態(tài)向量及當(dāng)前環(huán)境狀態(tài)向量之間的歐氏距離,取得一對(duì)應(yīng)的動(dòng)態(tài)閾值。參閱「圖8」所示,如步驟乂印500,以數(shù)據(jù)處理裝置20判別總差距是否超過(guò)動(dòng)態(tài)閾值。若當(dāng)前子特征向量群與參考子特征向量群的總差距超過(guò)該動(dòng)態(tài)閾值,則判定當(dāng)前臉部影像C與該參考臉部圖像R不相符,而屬于一陌生人,如步驟乂印510所示。若當(dāng)前子特征向量群與參考子特征向量群的差距,未超過(guò)該動(dòng)態(tài)閾值,則決定當(dāng)前臉部影像C與該參考臉部圖像R相符合,而屬于使用者,如步驟乂印520所示。上述識(shí)別結(jié)果及參考子特征向量群所對(duì)應(yīng)的識(shí)別身份,可用于取代該數(shù)據(jù)處理裝置20的登入帳號(hào)及密碼,從而簡(jiǎn)化取得該數(shù)據(jù)處理裝置20使用權(quán)限的步驟。動(dòng)態(tài)閾值可以反映出取得當(dāng)前臉部影像C及取得參考臉部影像R時(shí)的環(huán)境影響, 隨該環(huán)境影響調(diào)整比對(duì)閾值,從而避免臉部識(shí)別方法的識(shí)別門檻過(guò)于嚴(yán)苛,也仍可降低陌生人通過(guò)臉部識(shí)別的機(jī)率。為了提升臉部識(shí)別的正確性,本發(fā)明臉部識(shí)別方法的步驟可進(jìn)行下列二種修正。其一,執(zhí)行多層次取樣,增加當(dāng)前子特征向量群與參考子特征向量群中的子特征向量數(shù),以增加有效的比對(duì)樣本數(shù)。參閱「圖13」及「圖14」所示,執(zhí)行多層次取樣的步驟,是用以取代步驟乂印130 至步驟乂印140或步驟乂印230至步驟乂印2400以下不再區(qū)隔當(dāng)前臉部影像C及參考臉部影像R,僅以臉部影像F稱之。參閱「圖13」及「圖14」所示,取得臉部影像F并進(jìn)行降低雜訊處理之后(如步驟 Step 110至步驟乂印120之后,或步驟乂印210至步驟乂印220),數(shù)據(jù)處理裝置20將臉部影像F分為第一層影像Fl及第二層影像F2,其中第一層影像Fl為原始的臉部影像F,第二層影像F2為原始的臉部影像F中的局部區(qū)域,特別是臉部中心特征明顯的區(qū)域,如步驟 Step 610 所示。參閱「圖13」及「圖14」所示,數(shù)據(jù)處理裝置20將第一層影像Fl及第二層影像F2 分別分割為多個(gè)區(qū)塊;例如第一層影像Fl分割成NXN個(gè)區(qū)塊,第二層影像F2分割成LXL 個(gè)區(qū)塊。同樣地,所有的每一個(gè)區(qū)塊都給予一區(qū)塊識(shí)別碼(Block_ID),如步驟乂印620所
7J\ ο參閱「圖13」及「圖14」所示,數(shù)據(jù)處理裝置20分析每一區(qū)塊中,每一像素的像素值,并對(duì)每一區(qū)塊進(jìn)行局部二值化處理。數(shù)據(jù)處理裝置20依據(jù)像素值的變化,將每一區(qū)塊轉(zhuǎn)換為具有M個(gè)維度的子特征向量,如步驟^ep 630所示。參閱「圖13」及「圖14」所示,該參考臉部影像R共可獲得NXN個(gè)加上LXL個(gè)子特征向量,該LXL個(gè)都來(lái)自臉部特征明顯處,而可增加臉部特征的權(quán)重。數(shù)據(jù)處理裝置 20結(jié)合這些子特征向量為一參考子特征向量群,以儲(chǔ)存于特征向量數(shù)據(jù)庫(kù)40,如步驟Mep 640所示。而該臉部影像F共可獲得NXN加上LXL個(gè)子特征向量的子特征向量組合,以作為參考子特征向量群。如此一來(lái),子特征向量即可原來(lái)的NXN個(gè),再增加LX L個(gè),且該LX L個(gè)都來(lái)自臉部特征明顯處,而可增加臉部特征的權(quán)重。其二,執(zhí)行多尺寸取樣,修正當(dāng)前臉部影像C與特征向量數(shù)據(jù)庫(kù)40中的參考臉部影像R的歐氏距離,以降低雜訊的影響。參閱「圖15」及「圖16」所示,執(zhí)行多尺寸取樣的步驟,是用以取代步驟乂印130 至步驟Step 140或步驟Step 230至步驟Step 240。參閱「圖15」及「圖16」所示,取得參考臉部影像R或當(dāng)前臉部影像C之后(如步驟乂印110至步驟乂印120之后,或步驟乂印210至步驟乂印220),數(shù)據(jù)處理裝置20進(jìn)一步變更參考臉部影像R及當(dāng)前臉部影像C的解析度,分別取得一參考縮小臉部影像Rs及一當(dāng)前縮小臉部影像Cs,如步驟乂印710所示。產(chǎn)生縮小臉部影像的過(guò)程中,雜訊部分可以被消除,但人臉特征的權(quán)重也會(huì)被降低。因此,原始的臉部影像F仍需在后續(xù)的步驟中用到。參閱「圖15」所示,接著,數(shù)據(jù)處理裝置20將參考臉部影像R、該當(dāng)前臉部影像C、 參考縮小臉部影像Rs或當(dāng)前縮小臉部影像Cs分別分割為多個(gè)區(qū)塊;所有的每一個(gè)區(qū)塊都給予一區(qū)塊識(shí)別碼(Block_ID),如步驟乂印720所示。參閱「圖15」所示,數(shù)據(jù)處理裝置20分析每一區(qū)塊中,每一像素的像素值,并對(duì)每一區(qū)塊進(jìn)行局部二值化處理。數(shù)據(jù)處理裝置20依據(jù)像素值的變化,將每一區(qū)塊轉(zhuǎn)換為具有 M個(gè)維度的子特征向量,如步驟乂印730所示。參閱「圖15」及「圖16」所示,最后,數(shù)據(jù)處理裝置20分別取得該參考縮小臉部影像Rs及該當(dāng)前縮小臉部影像Cs的子特征向量群,以找出當(dāng)前縮小臉部影像Cs的子特征向量群中每一該區(qū)塊的子特征向量差距,如步驟Mep 740所示。參閱「圖16」及「圖17圖」所示,而原有的步驟乂印300,亦即對(duì)當(dāng)前臉部影像C 的當(dāng)前子特征向量群,與特征向量數(shù)據(jù)庫(kù)40中的每一參考子特征向量群進(jìn)行自適性比對(duì)的步驟,則區(qū)分為兩個(gè)平行支線執(zhí)行,分別為步驟乂印300’及乂印300”。參閱「圖16」及「圖17圖」所示,Step 300’仍為找出該當(dāng)前臉部影像C中每一區(qū)塊的子特征向量差距,亦即乂印310,至乂印340'與乂印310至乂印340相同。參閱「圖16」及「圖17圖」所示,St印300”是找出當(dāng)前縮小臉部影像Cs的子特征向量群中每一該區(qū)塊的子特征向量差距,亦即乂印310”至乂印340”與乂印310至乂印 340相同,但比較對(duì)象為當(dāng)前縮小臉部影像Cs及參考縮小影像Rs。最后,加總當(dāng)前縮小臉部影像Cs的子特征向量群中每一區(qū)塊的子特征向量差距至由當(dāng)前臉部影像C取得的總差距,取得的總差距,用以于步驟乂印500中與動(dòng)態(tài)閾值進(jìn)行比對(duì)。本發(fā)明的臉部識(shí)別方法主要是考量環(huán)境狀態(tài)的變化,而改變每一次比對(duì)的動(dòng)態(tài)閾
10值,使每一次取得的動(dòng)態(tài)閾值都可以符合環(huán)境狀態(tài)的變化,以改善臉部識(shí)別的可靠度。
權(quán)利要求
1.一種可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,執(zhí)行于一數(shù)據(jù)處理裝置,用以判別一當(dāng)前臉部影像與一參考臉部影像是否相符合,該方法包含下列步驟提供一特征向量數(shù)據(jù)庫(kù),儲(chǔ)存該參考臉部影像的一參考子特征向量群、一參考環(huán)境狀態(tài)向量及一動(dòng)態(tài)閾值表; 擷取該當(dāng)前臉部影像; 取得該當(dāng)前臉部影像的當(dāng)前子特征向量群;將該當(dāng)前子特征向量群中每一子特征向量,與該參考子特征向量群中對(duì)應(yīng)的子特征向量進(jìn)行比對(duì),找出該當(dāng)前臉部影像中每一該區(qū)塊的子特征向量差距; 將該子特征向量差距由小至大排列;由數(shù)值較小的開始選取各該子特征向量差距,而僅取得該子特征向量差距中一特定個(gè)數(shù),并加總該子特征向量差距為一總差距;取得該當(dāng)前臉部影像的當(dāng)前環(huán)境狀態(tài)向量; 計(jì)算該參考環(huán)境狀態(tài)向量與該當(dāng)前環(huán)境狀態(tài)向量之間的歐氏距離; 依據(jù)該參考環(huán)境狀態(tài)向量與該當(dāng)前環(huán)境狀態(tài)向量之間的歐氏距離,于該動(dòng)態(tài)閾值表上取得一對(duì)應(yīng)的動(dòng)態(tài)閾值,其中該動(dòng)態(tài)閾值表記載多個(gè)動(dòng)態(tài)閾值,且每一動(dòng)態(tài)閾值與一特定范圍的歐氏距離關(guān)連;判別該總差距是否超過(guò)該動(dòng)態(tài)閾值,并于總差距未超過(guò)該動(dòng)態(tài)閾值時(shí)決定該當(dāng)前臉部影像與該參考臉部影像相符合。
2.如權(quán)利要求1所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中取得參考子特征向量群或該當(dāng)前子特征向量群的步驟包含通過(guò)一影像擷取裝置擷取一參考臉部影像或一當(dāng)前臉部影像; 傳送該參考臉部影像或該當(dāng)前臉部影像至該數(shù)據(jù)處理裝置; 以該數(shù)據(jù)處理裝置對(duì)該參考臉部影像或該當(dāng)前臉部影像施行降低雜訊處理; 以該數(shù)據(jù)處理裝置將該參考臉部影像或該當(dāng)前臉部影像分割成多個(gè)區(qū)塊;以及以該數(shù)據(jù)處理裝置對(duì)每一該區(qū)塊進(jìn)行局部二值化處理,將每一該區(qū)塊轉(zhuǎn)換為多個(gè)子特征向量,而結(jié)合為一子特征向量群。
3.如權(quán)利要求1所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中擷取該參考臉部影像或該當(dāng)前臉部影像之后,還包含下列步驟以該數(shù)據(jù)處理裝置將該參考臉部影像或該當(dāng)前臉部影像分為第一層影像及第二層影像;其中該第一層影像為該參考臉部影像或該當(dāng)前臉部影像,該第二層影像為該參考臉部影像或該當(dāng)前臉部影像中的局部區(qū)域;及將該第一層影像及該第二層影像分別分割為多個(gè)區(qū)塊。
4.如權(quán)利要求2所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中該降低雜訊處理的步驟是執(zhí)行高斯模糊降噪處理。
5.如權(quán)利要求2所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中擷取該參考臉部影像或該當(dāng)前臉部影像之后,其中還包含變更該參考臉部影像及該當(dāng)前臉部影像的解析度,分別取得一參考縮小臉部影像及一當(dāng)前縮小臉部影像;分別取得該參考縮小臉部影像及該當(dāng)前縮小臉部影像的子特征向量群,以找出當(dāng)前縮小臉部影像的子特征向量群中每一該區(qū)塊的子特征向量差距;加總當(dāng)前縮小臉部影像的子特征向量群中每一該區(qū)塊的子特征向量差距至由當(dāng)前臉部影像取得的總差距。
6.如權(quán)利要求1所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中該參考子特征向量群與一對(duì)應(yīng)的識(shí)別身份產(chǎn)生關(guān)連。
7.如權(quán)利要求1所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中取得參考環(huán)境狀態(tài)向量或當(dāng)前環(huán)境狀態(tài)向量的步驟包含先將一該參考臉部影像或該當(dāng)前臉部影像分割為多個(gè)等分;分別計(jì)算每一該等分的平均灰階值;計(jì)算每一該平均灰階值與其他該平均灰階值的差值;以該平均灰階值及四個(gè)灰階值差值作為每一維度的數(shù)值,結(jié)合為該環(huán)境狀態(tài)向量。
8.如權(quán)利要求1所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中,找出該當(dāng)前臉部影像與參考臉部影像的該子特征向量差距的步驟包含以該數(shù)據(jù)處理裝置由該特征向量數(shù)據(jù)庫(kù)載入該參考子特征向量群;將參考子特征向量群及當(dāng)前子特征向量群中,屬于相同區(qū)塊的子特征向量進(jìn)行比對(duì), 以得到該子特征向量差距。
9.如權(quán)利要求1所述的可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,其中,所選取的子特征向量差距,為該由小至大排列的子特征向量差距的前65%。
全文摘要
一種可抑制雜訊及環(huán)境影響的臉部識(shí)別方法,執(zhí)行于一數(shù)據(jù)處理裝置,用以判別一當(dāng)前臉部影像與一參考臉部影像是否相符合。此方法是對(duì)當(dāng)前臉部影像與參考臉部影像施行高斯模糊降噪處理,再將當(dāng)前臉部影像與參考臉部影像分割為多個(gè)區(qū)塊,以分別取得代表當(dāng)前臉部影像與參考臉部影像的子特征向量群。接著,依據(jù)環(huán)境狀態(tài)的變化,選取適當(dāng)?shù)膭?dòng)態(tài)閾值,比對(duì)子特征向量群的差異,從而決定當(dāng)前臉部影像與參考臉部影像是否相符合。
文檔編號(hào)G06K9/64GK102446269SQ20101050787
公開日2012年5月9日 申請(qǐng)日期2010年10月15日 優(yōu)先權(quán)日2010年10月15日
發(fā)明者李威霆 申請(qǐng)人:微盟電子(昆山)有限公司, 恩斯邁電子(深圳)有限公司
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1
浪卡子县| 磴口县| 达日县| 马山县| 吉林市| 辽中县| 五峰| 澄迈县| 项城市| 黄浦区| 佛冈县| 龙口市| 安达市| 和林格尔县| 中超| 大渡口区| 临夏市| 宾川县| 福建省| 丰都县| 鄂温| 孟连| 聊城市| 长治市| 三穗县| 广德县| 兴海县| 邵东县| 沂源县| 邹平县| 大渡口区| 中山市| 罗定市| 云浮市| 晴隆县| 雷波县| 香港 | 克什克腾旗| 新郑市| 彭山县| 互助|