專利名稱:可抑制雜訊及環(huán)境影響的臉部識別方法
技術(shù)領(lǐng)域:
本發(fā)明涉及臉部識別方法,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,例如通過門禁系統(tǒng)或登入計算機(jī)系統(tǒng)等,其步驟為輸入使用者帳號并輸入對應(yīng)的密碼。輸入使用者帳號及輸入對應(yīng)的密碼的動作,有完全手動的;亦有通過識別卡,例如接觸式識別卡或RFID識別卡自動輸入使用者帳號及密碼的。完全手動的常有帳號密碼外流或被使用者遺忘的問題,而識別卡則有被盜用或是非法復(fù)制的問題。為了避免前述問題發(fā)生,臉部識別技術(shù)目前逐漸被用于作為識別身份以取得特定權(quán)限。臉部識別技術(shù)大致分為二個階段,分別為臉部學(xué)習(xí)階段及臉部識別階段。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。臉部識別階段則在于擷取待識別的臉部的影像,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,確認(rèn)其特征是否近似,以判別待識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)化資料以供識別的核心技術(shù)大致有主成分分析法 (Principal Components Analysis)、三維臉部識別法、以五官為基礎(chǔ)的識別法、子特征向量比對等等。前述各種方法各有其優(yōu)缺點,然而,其等所共通面臨的問題在于取得待識別的臉部的環(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,將使得待識別的臉部無法通過臉部識別。為了避免使用者經(jīng)常性地?zé)o法通過臉部識別,臉部識別階段就必須降低比對門檻。但是降低比對門檻,將使得臉部識別過于容易通過,而讓陌生人通過臉部識別。
發(fā)明內(nèi)容
鑒于上述問題,本發(fā)明基于子特征向量比對,提出一種可抑制雜訊及環(huán)境影響的臉部識別方法,以降低雜訊或環(huán)境對臉部識別的可靠度的影響。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,儲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應(yīng)的子特征向量進(jìn)行比對,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,于該動態(tài)閾值表上取得一對應(yīng)的動態(tài)閾值,其中該動態(tài)閾值表記載多個動態(tài)閾值,且每一動態(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該動態(tài)閾值,并于總差距未超過該動態(tài)閾值時決定該當(dāng)前臉部影像與該參考臉部影像相符合。通過前述可抑制雜訊及環(huán)境影響的臉部識別方法,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,而動態(tài)地選取比對前述差距的閾值,從而使每一次取得的動態(tài)閾值都可以符合環(huán)境狀態(tài)的變化,以改善臉部識別的可靠度。
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)境影響的臉部識別方法的流程圖(四)。圖9為自適性比對的示意圖。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)境影響的臉部識別方法的流程圖(六)。圖12為取得計算歐氏距離以取得動態(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)境影響的臉部識別方法的流程圖(九)。附圖符號說明20 數(shù)據(jù)處理裝置40 特征向量數(shù)據(jù)庫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
具體實施例方式請參閱「圖1」至「圖2」所示,其為本發(fā)明實施例所提出的一種可抑制雜訊及環(huán)境影響的臉部識別方法,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)生一識別結(jié)果,而找出對應(yīng)的識別身份。前述識別結(jié)果及其所對應(yīng)的識別身份可用于取代該數(shù)據(jù)處理裝置20的登入帳號及密碼,從而簡化取得該數(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 (例如計算機(jī)或筆記型計算機(jī))安裝有一臉部識別程序,藉以執(zhí)行可抑制雜訊及環(huán)境影響的臉部識別方法。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40,并通過一影像擷取裝置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)境影響的臉部識別方法通過影像擷取裝置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對準(zhǔn)臉部,以通過該影像擷取裝置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的場所照明充足而可確保擷取臉部影像R具有低雜訊時,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 個區(qū)塊,每一個區(qū)塊都給予一區(qū)塊識別碼(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,以儲存于特征向量數(shù)據(jù)庫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)比對之用。于建立參考子特征向量群時,數(shù)據(jù)處理裝置20可同時接受識別身份的數(shù)據(jù)的輸入,以使參考子特征向量群與一對應(yīng)的識別身份產(chǎn)生關(guān)連。經(jīng)過前述的步驟后,可得一特征向量數(shù)據(jù)庫40,該特征向量數(shù)據(jù)庫40中儲存至少一參考子特征向量群,該參考子特征向量群與一識別身份被設(shè)定互相關(guān)連。之后,針對該參考臉部影像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個等分,由左上等分開始逆時針排列依序為第一等分1、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,儲存于特征向量數(shù)據(jù)庫40中。接著說明可抑制雜訊及環(huán)境影響的臉部識別方法的中的臉部識別階段。于臉部識別階段中,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40中的參考子特征向量群逐一比對。參閱「圖6」及「圖7」所示,使用者先使影像擷取裝置30對準(zhǔn)臉部,通過該影像擷取裝置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的場所照明充足而可確保擷取臉部影像C具有低雜訊時,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 個區(qū)塊,每一個區(qū)塊都給予一區(qū)塊識別碼(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應(yīng)的子特征向量進(jìn)行比對,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40載入一個參考子特征向量群,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)塊識別碼(Block_ID) 而互相對應(yīng)的子特征向量進(jìn)行比對,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,每一區(qū)塊的子特征向量實際上都會受到雜訊影響,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, 被舍棄的區(qū)塊實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,在光線正常場合下,雖雜訊極少,但欠缺鑒別性的區(qū)塊有時會更被凸顯出來,例如光滑的額頭、臉頰在強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,并造成其對應(yīng)的子特征向量差距數(shù)值較大。因此,在光線正常場合下,舍棄子特征向量差距數(shù)值較大的并不會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指定一動態(tài)閾值,進(jìn)行動態(tài)閾值檢查,如步驟乂印400所示。動態(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該動態(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該動態(tài)閾值。參閱「圖11」至「圖12」所示,以下說明步驟乂印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個等分,由左上等分開始逆時針排列依序為第一等分1、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,其差異僅在于實施對象為參考臉部影像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40載入一動態(tài)閾值表。動態(tài)閾值表記載多個動態(tài)閾值,且每一動態(tài)閾值與一特定范圍的歐氏距離關(guān)連。前述動態(tài)閾值表可通過在不同環(huán)境測試后,逐一建立出每一動態(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,取得一對應(yīng)的動態(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動態(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該動態(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,未超過該動態(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。上述識別結(jié)果及參考子特征向量群所對應(yīng)的識別身份,可用于取代該數(shù)據(jù)處理裝置20的登入帳號及密碼,從而簡化取得該數(shù)據(jù)處理裝置20使用權(quán)限的步驟。動態(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時的環(huán)境影響, 隨該環(huán)境影響調(diào)整比對閾值,從而避免臉部識別方法的識別門檻過于嚴(yán)苛,也仍可降低陌生人通過臉部識別的機(jī)率。為了提升臉部識別的正確性,本發(fā)明臉部識別方法的步驟可進(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 分別分割為多個區(qū)塊;例如第一層影像Fl分割成NXN個區(qū)塊,第二層影像F2分割成LXL 個區(qū)塊。同樣地,所有的每一個區(qū)塊都給予一區(qū)塊識別碼(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個加上LXL個子特征向量,該LXL個都來自臉部特征明顯處,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,以儲存于特征向量數(shù)據(jù)庫40,如步驟Mep 640所示。而該臉部影像F共可獲得NXN加上LXL個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,子特征向量即可原來的NXN個,再增加LX L個,且該LX L個都來自臉部特征明顯處,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程中,雜訊部分可以被消除,但人臉特征的權(quán)重也會被降低。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分別分割為多個區(qū)塊;所有的每一個區(qū)塊都給予一區(qū)塊識別碼(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40中的每一參考子特征向量群進(jìn)行自適性比對的步驟,則區(qū)分為兩個平行支線執(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中與動態(tài)閾值進(jìn)行比對。本發(fā)明的臉部識別方法主要是考量環(huán)境狀態(tài)的變化,而改變每一次比對的動態(tài)閾
10值,使每一次取得的動態(tài)閾值都可以符合環(huán)境狀態(tài)的變化,以改善臉部識別的可靠度。
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,儲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應(yīng)的子特征向量進(jìn)行比對,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,于該動態(tài)閾值表上取得一對應(yīng)的動態(tài)閾值,其中該動態(tài)閾值表記載多個動態(tài)閾值,且每一動態(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該動態(tài)閾值,并于總差距未超過該動態(tài)閾值時決定該當(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區(qū)塊;以及以該數(shù)據(jù)處理裝置對每一該區(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)境影響的臉部識別方法,其中該參考子特征向量群與一對應(yīng)的識別身份產(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等分;分別計算每一該等分的平均灰階值;計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, 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)膭討B(tài)閾值,比對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G06K9/64GK102446269SQ20101050787
公開日2012年5月9日 申請日期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 申請人:微盟電子(昆山)有限公司, 恩斯邁電子(深圳)有限公司