專利名稱：人臉元數(shù)據(jù)生成與人臉相似度計(jì)算的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種技術(shù)，該技術(shù)可用于人臉鑒定、人臉驗(yàn)證、人的面部表情識別、根據(jù)人臉進(jìn)行男女性別確認(rèn)、根據(jù)人臉對人進(jìn)行年齡調(diào)整等諸如此類。更為確切地說，本發(fā)明涉及元數(shù)據(jù)的生成，，人臉相似度計(jì)算和元數(shù)據(jù)匹配技術(shù)，其中在元數(shù)據(jù)的生成中考慮到了人臉數(shù)據(jù)在靜態(tài)圖像或動態(tài)圖像上的反映。
背景技術(shù)：
元數(shù)據(jù)一般為描述或表示數(shù)據(jù)含義的數(shù)據(jù)，并且在人臉識別這種情況下，它主要是有關(guān)靜態(tài)圖像、動態(tài)圖像等諸如此類的人臉數(shù)據(jù)。
隨著用于諸如圖片、圖像、視頻、語音等多媒體內(nèi)容的元數(shù)據(jù)的標(biāo)準(zhǔn)化活動的開展，MPEG-7(一種由運(yùn)動圖片專家組進(jìn)行標(biāo)準(zhǔn)化的、用于多媒體內(nèi)容描述接口的國際標(biāo)準(zhǔn))的這種活動已經(jīng)是眾所周知了?，F(xiàn)在作為用于人臉識別的元數(shù)據(jù)描述符的人臉識別描述符已經(jīng)被提出來(“MPEG-7 Visual part of experimental Model Version 9.0”，A.Yamada et al.，ISO/IECJTC1/SC29/WG11 N3914，2001)。
在這種人臉描述符中，對于經(jīng)過裁剪和歸一化的圖像，使用一種普遍被稱為本征人臉的子空間方法來測定基矩陣，以提取出人臉圖像的特征值。根據(jù)這個(gè)基矩陣來從圖像中提取出人臉特征。這個(gè)基矩陣就叫做元數(shù)據(jù)。至于與人臉特征的相似度計(jì)算，建議使用加權(quán)的絕對值距離。
另外，人們知道，在人臉識別技術(shù)中存在多種方法。例如，人們知道的基于主成分分析或判別式分析等的利用特征人臉的方法。要了解主成分分析，可以閱讀，例如“Probabilitistic Visual Learning for ObjectDetection”，Moghaddam et al.(IEEE Transaction on Pattern Analysis andMachine Intelligence，Vol.17，No.7，pp.696-710，1997)。另外，要了解判別式分析，可以閱讀，例如“Discriminant Analysis of PrincipalComponents for Face Recognition”，W.Zhao et al.(Proceedings of theIEEE Third International Conference on Automatic Face and GestureRecognition，pp.336-341，1998)。
另外，當(dāng)將子空間方法應(yīng)用于從指紋圖像獲得的特征矢量時(shí)，人們還知道一種用于通過引入質(zhì)量指標(biāo)來適應(yīng)性地測量模式之間的距離的方法。例如文獻(xiàn)“Fingerprint Preselection Using Eigenfeatures”，T.Kamei and M.Mizoguchi(Proceedings of the 1998 IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition，pp.918-923，1998，日本未審查公開特開平10-177650)。
不過，利用上述傳統(tǒng)技術(shù)進(jìn)行人臉識別無法獲得足夠高的精確度。
與上面的講述有關(guān)，日本未審查公開特開平10-55412中公開了一種通過將特征矢量投影到部分本征空間來利用特征選擇的模式識別設(shè)備。為了驗(yàn)證大量的特征模式，模式識別設(shè)備的傳統(tǒng)例子使用了特征選擇的方法，減少了特征矢量的維數(shù)，因此能夠使識別處理的速度更高，并且由于使用了表示輸入模式特征的特征矢量，因此能夠識別出輸入模式。輸入特征矢量提取單元提取表示輸入模式特征的輸入特征矢量。正交基存儲器存儲了原始特征空間的部分本征空間的正交基。識別字典存儲了在部分本征空間上定義的、對應(yīng)于一個(gè)或多個(gè)識別目標(biāo)模式的每一個(gè)字典選擇特征矢量。特征選擇單元使用存儲于正交基存儲器中的正交基，并且計(jì)算出輸入選擇特征矢量，這個(gè)輸入選擇特征矢量是到由輸入特征矢量提取單元所提取的輸入特征矢量的部分本征空間的投影。檢查單元檢查由特征選擇單元所計(jì)算的輸入選擇特征矢量和存儲于識別字典中的每一個(gè)字典選擇特征矢量，因此識別出對應(yīng)于輸入選擇特征矢量的輸入模式的種類。
另外，日本未審查公開特開平11-306325中公開了目標(biāo)檢測設(shè)備。目標(biāo)檢測設(shè)備的傳統(tǒng)例子在處理上是相當(dāng)簡單的，并且其目的是能夠準(zhǔn)確地檢測到驗(yàn)證目標(biāo)。圖像輸入單元輸入圖像，并且存儲器存儲區(qū)域模型，在區(qū)域模型中設(shè)定了許多個(gè)判斷元素獲取區(qū)域，對應(yīng)于待檢測的驗(yàn)證對象的特征區(qū)域。位置指定單元依次指定了檢查局部區(qū)域的位置，在該位置處存儲于存儲器中的區(qū)域模型被用于從圖像輸入單元輸入的輸入圖像，或者事先從圖像輸入單元輸入的圖像，在圖像上已經(jīng)進(jìn)行了圖像處理。每次當(dāng)區(qū)域模型被依次應(yīng)用到由位置指定單元指定的位置時(shí)，判斷元素獲取單元從區(qū)域模型的每一個(gè)判斷元素獲取區(qū)域中獲取判斷元素。馬氏距離(Mahalanobis Distance)判斷單元根據(jù)由判斷元素獲取單元所獲取的、每一個(gè)判斷元素獲取區(qū)域的判斷元素來執(zhí)行馬氏距離的計(jì)算，并且判斷檢查局部區(qū)域的圖像是否為驗(yàn)證目標(biāo)圖像。因此，根據(jù)判斷單元所得到的判斷結(jié)果就完成了驗(yàn)證對象的檢測。
另外，日本未審查公開特開2000-132675中公開了人臉驗(yàn)證和對比方法。人臉驗(yàn)證和對比方法的傳統(tǒng)例子目的是執(zhí)行穩(wěn)定的驗(yàn)證，既使待比較的兩個(gè)人臉圖像是在不同的拍攝條件下或在不同的拍攝時(shí)間拍攝的。在該方法中，根據(jù)拍攝條件或拍攝時(shí)間的不同，將圖像變化特征分成若干類，對于每一類事先都進(jìn)行了學(xué)習(xí)訓(xùn)練。根據(jù)由拍攝條件和拍攝時(shí)間的至少兩者之一的不同，將兩幅人臉圖像之間的差異進(jìn)行分類，并且分別測定了從兩幅人臉圖像中選擇的具有較小特征數(shù)量的類中的特征數(shù)量，并且根據(jù)兩幅人臉圖像的特征值進(jìn)行了人臉驗(yàn)證和對比。至于圖像變化特征，準(zhǔn)備了許多對具有不同拍攝條件或拍攝時(shí)間的差別圖像的樣本集，并且為每一類圖像執(zhí)行了主成分分析，因此測定出每一個(gè)主成分方向中的樣本分布的變化幅度和主成分。在選擇圖像變化的特征集時(shí)，計(jì)算出了輸入的兩幅人臉圖像之間的差別圖像與由各自類別的主成分所定義的空間之間的距離，因此能夠選出具有最短計(jì)算距離的類。
另外，日本未審查公開特開2000-187733中公開了圖像處理設(shè)備。傳統(tǒng)的圖像處理設(shè)備目的是不需要準(zhǔn)備面向左或右方向的人臉，或模糊的人臉，諸如此類，正如用于學(xué)習(xí)訓(xùn)練的樣本那樣。在圖像處理設(shè)備中，圖像組生成單元根據(jù)對稱放置的第一參考圖象組生成對稱的第二參考圖象組。特征信息提取單元通過使用第一參考圖象組和第二參考圖象組來提取特征信息。判斷單元將由特征信息提取單元所提取的特征信息與輸入圖像進(jìn)行比較，并且判斷輸入圖像是否由與第一參考圖象組具有相同模式的圖像組成。第一參考圖象組可以是人臉圖像。

發(fā)明內(nèi)容
因此，本發(fā)明的目的是提出人臉元數(shù)據(jù)生成技術(shù)和人臉相似度計(jì)算技術(shù)，以提高人臉識別的精確度。
本發(fā)明的另一個(gè)目的是提出一種用于建立進(jìn)一步實(shí)用化的人臉匹配系統(tǒng)的技術(shù)。
根據(jù)本發(fā)明，可以從人臉圖像中提取出置信度，可以根據(jù)置信度來適應(yīng)性地計(jì)算出不同模式之間的相似度，因此提高了人臉識別的精確度。
根據(jù)本發(fā)明的第一觀點(diǎn)，人臉元數(shù)據(jù)生成設(shè)備根據(jù)圖像中的人臉圖像部分來生成元數(shù)據(jù)。人臉元數(shù)據(jù)生成設(shè)備包括人臉特征提取單元，用于從圖像中提取人臉特征，以及置信指標(biāo)提取單元，用于從圖像中提取指示關(guān)于人臉特征的置信度的置信指標(biāo)，并生成作為人臉元數(shù)據(jù)的人臉特征和置信指標(biāo)。
置信指標(biāo)提取單元能夠提取出圖像的反差指標(biāo)，作為置信指標(biāo)。能夠提取出圖像中像素值的最大值和最小值之差，作為圖像的反差指標(biāo)。或者，選出圖像像素值的標(biāo)準(zhǔn)差或方差，作為圖像的反差指標(biāo)。
而且，可以提取出圖像的非對稱指標(biāo)作為置信指標(biāo)。提取出圖像與通過左右翻轉(zhuǎn)該圖像得到的鏡像圖像(以下稱為翻轉(zhuǎn)圖像)之間差別的最大值，作為圖像的非對稱指標(biāo)?；蛘?，從圖像和翻轉(zhuǎn)圖像的差值圖像中提取出像素值的冪的和值與均值之一，作為圖像的非對稱指標(biāo)。
置信指標(biāo)提取單元可以包括第一置信指標(biāo)提取單元，用于提取圖像的反差指標(biāo)，以及第二置信指標(biāo)提取單元，用于提取圖像的非對稱指標(biāo)。第一置信指標(biāo)提取單元提取圖像中像素值的最大值和最小值之差，作為圖像的反差指標(biāo)，并且第二置信指標(biāo)提取單元提取圖像和翻轉(zhuǎn)圖像之差的最大值，作為圖像的非對稱指標(biāo)?；蛘撸谝恢眯胖笜?biāo)提取單元可以提取圖像中像素值的標(biāo)準(zhǔn)差和方差之一，作為圖像的反差指標(biāo)，并且第二置信指標(biāo)提取單元可以提取圖像和翻轉(zhuǎn)圖像的差值圖像像素值的冪的和值與均值之一，作為圖像的非對稱指標(biāo)。
設(shè)從圖像中獲取的模式矢量為Λ，人臉特征提取單元使用由模式矢量Λ的基矢量子集所定義的基矩陣U和模式矢量Λ的平均矢量Ψ，并且計(jì)算特征矢量ν＝UT(Λ-Ψ)。通過這種方式，將特征矢量ν提取出來，作為人臉特征?；仃嘦由基矢量子集定義，其中的基矢量是從通過對模式矢量的訓(xùn)練集[Λ]進(jìn)行主成分分析而獲得的基矢量中選取的。基矢量U是通過線性結(jié)合基矩陣以及由翻轉(zhuǎn)基矢量子集所定義的基矩陣來獲得的，其中翻轉(zhuǎn)基矢量是由通過左右翻轉(zhuǎn)人臉圖像而使像素值進(jìn)行轉(zhuǎn)換而得到的經(jīng)過轉(zhuǎn)換的基矢量組成的。模式矢量Λ可以是由圖像的像素值組成的矢量，或者是由圖像的傅立葉分量組成的矢量。
根據(jù)本發(fā)明的另一個(gè)觀點(diǎn)，人臉相似度計(jì)算設(shè)備根據(jù)從圖像中提取的人臉特征以及表示關(guān)于人臉特征的置信度的置信指標(biāo)來計(jì)算相似度。以這種方式，人臉相似度計(jì)算設(shè)備根據(jù)圖像的人臉數(shù)據(jù)來計(jì)算元數(shù)據(jù)之間的相似度。
上述人臉相似度計(jì)算設(shè)備包括分布計(jì)算單元，它對待比較的人臉特征使用置信指標(biāo)，并且根據(jù)人臉特征之間的差值矢量的后驗(yàn)分布來估計(jì)參數(shù)數(shù)據(jù)；以及距離計(jì)算單元，它計(jì)算從后驗(yàn)分布的似然對數(shù)所獲得的人臉特征之間的距離，作為相似度。
距離計(jì)算單元在假設(shè)人臉特征之間的差值矢量的后驗(yàn)分布為正則分布的情況下，根據(jù)置信指標(biāo)來計(jì)算從正則分布的似然對數(shù)所獲得的適應(yīng)性馬氏距離，作為相似度。
分布估計(jì)單元估計(jì)差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的方差σs，k([θi])2，并且距離計(jì)算單元使用每一個(gè)元素k的方差σs，k([θi])2來計(jì)算適應(yīng)性馬氏距離。
本發(fā)明提供了用于事先存儲差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的方差值σs，k([θi])2的差值表，并且分布估計(jì)單元參考的是以置信指標(biāo)[θi]為基礎(chǔ)的方差值表，并且讀出方差值，該方差值可用于計(jì)算適應(yīng)性馬氏距離。
當(dāng)人臉特征之間的差值矢量的后驗(yàn)分布為混合分布時(shí)，距離計(jì)算單元根據(jù)置信指標(biāo)中的混合分布似然對數(shù)來計(jì)算適應(yīng)性混合馬氏距離，作為相似度。
待比較的人臉特征的置信指標(biāo)用于估計(jì)與應(yīng)被視為相一致的類中的人臉特征之間的差值矢量的后驗(yàn)分布(類內(nèi)分布)有關(guān)的參數(shù)數(shù)據(jù)，并且估計(jì)了在應(yīng)被視為不一致的類與類之間的人臉特征之間的差值矢量的后驗(yàn)分布(類間分布)，并且用所估計(jì)的參數(shù)數(shù)據(jù)來計(jì)算由類內(nèi)分布與類間分布之間比率的似然對數(shù)所導(dǎo)出的人臉特征之間的距離，以作為相似度。
當(dāng)類內(nèi)分布與類間分布分別為正則分布時(shí)，根據(jù)置信指標(biāo)來計(jì)算由各自分布之間比率的似然對數(shù)所導(dǎo)出的適應(yīng)性判別式距離，以作為相似度。
差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的類內(nèi)方差σW，k([θi])2和類間方差σB，k([θi])2得到估計(jì)，并且可以計(jì)算適應(yīng)性判別式距離，以作為相似度。
為了估計(jì)差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的類內(nèi)方差σW，k([θi])2和類間方差σB，k([θi])2，提供了用于事先存儲類內(nèi)方差σW，k([θi])2的第一方差值表和用于事先存儲類間方差σB，k([θi])2的第二方差值表，并且根據(jù)置信指標(biāo)[θi]，分別參考第一和第二方差方差值表來讀出方差，并且所讀出的方差可用于計(jì)算適應(yīng)性判別式距離。
當(dāng)類內(nèi)分布和類間分布分別為混合分布時(shí)，可以根據(jù)置信指標(biāo)中各個(gè)混合分布之間比率的似然對數(shù)來計(jì)算出適應(yīng)性混合判別式距離，作為相似度。
根據(jù)本發(fā)明的第三個(gè)觀點(diǎn)，人臉識別系統(tǒng)包括圖像輸入單元，用于輸入圖像，以及人臉圖像數(shù)據(jù)庫單元，用于存儲人臉圖像。人臉識別系統(tǒng)包括人臉元數(shù)據(jù)生成單元，用于從圖像中提取生成人臉特征，以及生成表示關(guān)于人臉特征的置信度的置信指標(biāo)，作為人臉的元數(shù)據(jù)；人臉元數(shù)據(jù)存儲單元，用于存儲由人臉元數(shù)據(jù)生成單元所生成的人臉元數(shù)據(jù)；人臉相似度計(jì)算單元，根據(jù)人臉特征和表示關(guān)于人臉特征的置信度的置信指標(biāo)來計(jì)算人臉相似度；以及控制單元，響應(yīng)輸入命令，用于控制人臉元數(shù)據(jù)生成單元，人臉元數(shù)據(jù)存儲單元，以及人臉相似度計(jì)算單元，并且執(zhí)行人臉圖像的匹配。
使用上述的人臉元數(shù)據(jù)生成單元和人臉相似度計(jì)算單元，可以實(shí)現(xiàn)高精確度的人臉圖像匹配。


圖1是一個(gè)結(jié)構(gòu)框圖，圖示了根據(jù)本發(fā)明實(shí)施例的人臉圖像匹配系統(tǒng)結(jié)構(gòu)圖。
具體實(shí)施例方式
(發(fā)明原理)首先解釋本發(fā)明的原理。一般地，當(dāng)完成模式識別后，如果能夠準(zhǔn)備大量的訓(xùn)練數(shù)據(jù)來進(jìn)行類的識別，則可以通過對訓(xùn)練數(shù)據(jù)的統(tǒng)計(jì)分析來估計(jì)模式的分布函數(shù)，因此建立了模式識別機(jī)制。不過，在人臉識別應(yīng)用的許多情況下，針對每個(gè)人的只有幾幅配準(zhǔn)圖像可以獲得。我們假設(shè)甚至在這種情況下，為人臉的特征矢量指定置信指標(biāo)，并且根據(jù)該指標(biāo)來考慮類。因此，對置信指標(biāo)進(jìn)行了類的統(tǒng)計(jì)分析，并且估計(jì)了模式的分布函數(shù)，并且，甚至對于只有一幅配準(zhǔn)圖像可以獲得的人臉識別來說，也有可能通過置信指標(biāo)來建立基于分布函數(shù)的模式識別機(jī)制。
下面將在基于誤差分布的基礎(chǔ)上，就基于類內(nèi)分布和類間分布的馬氏距離和判別式距離來講述人臉識別的原理。
現(xiàn)在假設(shè)來觀察人臉。當(dāng)假定從無誤差的人臉圖像獲得的特征矢量為ν0，疊加的誤差矢量為ε，則實(shí)際的觀察矢量ν可通過下述方程(1)來表示ν＝ν0+ε (1)這里，如果特征矢量ν0被觀察兩次，如下面的方程(2)所示，將得到兩個(gè)觀察矢量ν1和ν2。
ν1＝ν0+ε1(2)ν2＝ν0+ε2
現(xiàn)在，假設(shè)分別獲得了與誤差矢量ε1和誤差矢量ε2有關(guān)的置信指標(biāo)θ1和置信指標(biāo)θ2，并且后驗(yàn)分布分別為p(ε|θ1)和p(ε|θ2)。當(dāng)在得到的這種分布情況下，觀察矢量ν1和ν2的差值矢量s的后驗(yàn)分布表示為p(s|θ1，θ2)，則可以通過如下面的方程(3)所示的似然對數(shù)來表示模式之間的相似度d(ν1，ν2)。
d(ν1，ν2)＝-lnp(s|θ1，θ2) (3)如果假設(shè)后驗(yàn)分布p(ε|θ1)和p(ε|θ2)分別為正則分布，則差值矢量s的分布p(s|θ1，θ2)也為正則分布。這里，當(dāng)假設(shè)誤差矢量的后驗(yàn)分布為p(ε|θi)(i＝1，2)，且假設(shè)均值為0，我們來考慮協(xié)方差矩陣∑ε(θi)的正則分布。在這種情況下，考慮到差值矢量s的分布，均值為0，并且協(xié)方差矩陣∑s(θ1，θ2)用公式(4)來表示。
∑s(θ1，θ2)＝∑ε(θ1)+∑ε(θ2) (4)當(dāng)將后驗(yàn)分布p(s|θ1，θ2)重寫一遍，則如下面的方程(5)所示。
p(s|θ1,θ2)=1(2π)N2|Σs(θ1,θ2)|12exp(-12sTΣs(θ1,θ2)-1s)----(5)]]>這樣，可以通過使用協(xié)方差矩陣∑ε(θ1)，∑ε(θ2)，將方程(3)表示為到置信指標(biāo)θ1，θ2的適應(yīng)性馬氏距離，如下面的方程(6)所示。
d(ν1,ν2)]]>=-lnp(s|θ1,θ2)]]>=12sTΣs(θ1,θ2)-1s+12ln(2π)N|Σs(θ1,θ2)|----(6)]]>=12sT(Σs(θ1)+Σs(θ2))-1s+12ln(2π)N|Σs(θ1)+Σs(θ2)|]]>如果假定了誤差矢量各個(gè)元素之間的獨(dú)立性，則方程(5)可以用下面的方程(7)來表示。
p(s|θ1,θ2)=Πk=1N12πσs,k(θ1,θ2)exp(sk22σs,k(θ1,θ2))----(7)]]>
這里，σs，k(θ1，θ2)2為協(xié)方差矩陣∑s(θ1，θ2)的k階對角線元素，即觀察誤差的方差。另外，σε，k(θ1)2，σε，k(θ2)2分別為協(xié)方差矩陣∑ε(θ1)，∑ε(θ2)的k階對角線元素。sk表示差值矢量s的k階元素。
由于對正則分布作了如上假定，則方程(3)能夠通過對每個(gè)特征矢量的每個(gè)元素使用方差σε，k(θ1)，σε，k(θ2)，根據(jù)用于置信指標(biāo)θ1，θ2的適應(yīng)性馬氏距離來定義相似度，如下面的方程(8)所示。
d(ν1,ν2)]]>=-lnp(s|θ1,θ2)]]>=12Σk=1N(sk2σs,k(θ1,θ2)2)+12Σk=1Nln2πσs,k(θ1,θ2)2----(8)]]>=12Σk=1N(v1,k-v2,k)2σs,k(θ1)2+σs,k(θ2)2+12Σk=1Nln2π(σs,k(θ1)2+σs,k(θ2)2)]]>這里，ν1，k，ν2，k分別表示特征矢量ν1，ν2的k階元素。
在上述解釋中，盡管作了正則分布為后驗(yàn)分布p(s|θ1，θ2)的假定，在下面的解釋中假定了混合正則分布。如下面的方程(9)所示，我們假設(shè)可以通過對正則分布p(s|θ1，θ2，j)(j＝1，2，...，M)進(jìn)行求和來表示后驗(yàn)分布p(s|θ1，θ2)。
p(s|θ1,θ2)=Σj=1Mp(s|θ1,θ2,j)p(j)----(9)]]>這樣，可以用下面的方程(10)來定義適應(yīng)性混合馬氏距離。
d(ν1,ν2)]]>=-lnΣj=1Mp(s|θ1,θ2,j)p(j)]]>=-lnΣj=1M1(2π)N2|Σs(θ1,θ2,j)|12exp(-12sTΣs(θ1,θ2,j)-1s)p(j)]]>=-lnΣj=1M1(2π)N2|Σϵ(θ1,j)+Σϵ(θ2,j)|12(exp)(-12sT(Σϵ(θ1,j)+Σϵ(θ2,j))-1s)p(j)----(10)]]>
可以通過使用作為典型估計(jì)方法的EM算法和最大似然方法來估計(jì)后驗(yàn)分布p(s|θ1，θ2，j)和p(j)的協(xié)方差矩陣∑s(θ1，θ2，j)的估計(jì)值。具體細(xì)節(jié)在“Neural Networks for Pattern Recognition”，C.M.Bishop(OxfordUniversity Express，1995)中有述。
混合正則分布的假設(shè)使得分布能夠得到進(jìn)一步的準(zhǔn)確估計(jì)，并且能夠提高匹配性能。不過，需要大量的訓(xùn)練數(shù)據(jù)，并且運(yùn)算量也大大的增加了。
在諸如用于檢查其他配準(zhǔn)的人臉數(shù)據(jù)到恢復(fù)出的人臉數(shù)據(jù)最近的人臉數(shù)據(jù)的人臉鑒定的問題上，基于上述誤差分布的馬氏距離是比較優(yōu)越的距離。另一方面，下面將要解釋的稱為“判別式距離”的距離是一種比上述人臉鑒定中的馬氏距離更好的相似度測量手段。在人臉驗(yàn)證問題中，在判別輸入人臉數(shù)據(jù)和配準(zhǔn)人臉數(shù)據(jù)之間的身份中，是否接受還是拒絕輸入人臉數(shù)據(jù)很重要。
現(xiàn)在，如果人臉的兩個(gè)特征矢量ν被判定為屬于同一個(gè)范圍和重合的，也就是說，例如，如果兩個(gè)特征矢量為同一個(gè)人的人臉數(shù)據(jù)，則判定那些特征矢量的組合屬于類W。另外，如果兩個(gè)特征矢量ν為類間特征矢量，應(yīng)被判為不一致，亦即，如果兩個(gè)特征矢量為不同人的人臉數(shù)據(jù)，則判定特征矢量組合屬于類B。
我們假定得到兩個(gè)特征矢量ν1，ν2的置信指標(biāo)θ1，θ2。當(dāng)觀察到差值矢量s和兩個(gè)置信指標(biāo)θ1，θ2(這以后，將兩個(gè)置信指標(biāo)稱為[θi])，則考慮在兩個(gè)特征矢量ν1，ν2被視為一致和被視為不一致這兩種情況下的判別式問題。在這種情況下，得到的判決規(guī)則如下面的方程(11)所示。
p(W|s,{θi})p(B|s,{θi})≥1]]>一致(11)p(W|s,{θi})p(B|s,{θi})<1]]>不一致根據(jù)貝葉斯理論，可以將上述方程(11)的左邊寫成如下面的方程(12)所示。
p(W|s,{θi})p(B|s,{θi})]]>=p(W,{θi})p(s|W,{θi})p(s,{θi})p(B,{θi})p(s|B,{θi})p(s,{θi})----(12)]]>p(W,{θi})p(s|W,{θi})p(B,{θi})p(s|B,{θi})]]>這里，我們假設(shè)類W，B和[θi]發(fā)生的可能性是相互獨(dú)立的，并且p(W，[θi])＝p(W)p([θi])，并且p(B，[θi])＝p(B)p([θi])。
如果計(jì)算方程(12)的似然對數(shù)作為模式之間的距離d(ν1，ν2)，可以獲得適合人臉驗(yàn)證問題的相似度，如下面的方程(13)所示。
d(ν1,ν2)]]>=-lnp(W)p(s|W,{θi})p(B)p(s|B,{θi})---(13)]]>=-lnp(s|W,{θi})p(s|B,{θi})-lnp(W)p(B)]]>如果每個(gè)單個(gè)的匹配的先驗(yàn)概率p(W)，p(B)是不同的，并且如果能夠知道它們的值，則可以計(jì)算方程(13)的第二項(xiàng)。不過在許多情況下，由于不知道每個(gè)單個(gè)的匹配的先驗(yàn)概率，假設(shè)先驗(yàn)概率為常數(shù)，因此認(rèn)為第二項(xiàng)為常數(shù)，并且從相似度計(jì)算中去掉該項(xiàng)。
當(dāng)將后驗(yàn)分布p(s|W，[θi])，p(s|B，[θi])分別寫成類內(nèi)分布pW(s|[θi])和類間分布pB(s|[θi])，則可以得到下面的方程(14)。
d(ν1,ν2)]]>=-lnpW(s|{θi})pB(s|{θi})-lnp(W)p(B)----(14)]]>接下來，如果假設(shè)類內(nèi)分布pW(s|[θi])和類間分布pB(s|[θi])分別為零均值的正則分布，且協(xié)方差矩陣分別為∑W([θi])和∑B([θi])，則后驗(yàn)分布可以分別用如下的方程(15)表示。
pW(s|{θi})=1(2π)N2|ΣW({θi})|12exp(-12sTΣW({θi})-1s)----(15)]]>pB(s|{θi})=1(2π)N2|ΣB({θi})|12exp(-12sTΣB({θi})-1s)]]>當(dāng)將上述方程代入到方程(14)(這里，方程(14)的第二項(xiàng)被忽略了)，可以得到如下面的方程(16)所示的距離，稱為“適應(yīng)性判別式距離”。
d(ν1,ν2)]]>=-lnpW(s|{θi})pB(s|{θi})----(16)]]>=12sT(ΣW({θi})-1-ΣB({θi})-1)s+12(ln|ΣW({θi})|-ln|ΣB({θi})|)]]>如果假設(shè)了差值矢量s的各個(gè)元素之間的獨(dú)立度，則可將方程(15)表示成下面的方程(17)的形式。
pW(s|{θi})=Πk=1N12πσW,k({θi})exp(-sk22σW,k({θi})2)]]>pB(s|{θi})=Πk=1N12πσB,k({θi})exp(-sk22σB,k({θi})2)----(17)]]>這里，σW，k(θi)2和σB，k(θi)2分別為協(xié)方差矩陣∑W([θi])和∑B([θi])的k階對角線元素，即分別對應(yīng)于類內(nèi)方差和類間方差。sk為差值矢量s的k階元素。
由于上面作了正則分布的假設(shè)，因此可以通過使用每個(gè)特征矢量中的每個(gè)元素的類內(nèi)方差σW，k(θi)2和類間方差σB，k(θi)2，利用方程(16)從置信指標(biāo)[θi]的適應(yīng)性判別式距離來定義相似度，如下面的方程(18)所示。
d(ν1,ν2)]]>=-lnpW(s|{θi})pB(s|{θi})]]>=12Σk=1N(1σW,k({θi})2-1σB,k({θi})2)sk2+Σk=1N(ln2πσW,k({θi})2-ln2πσB,k({θi})2)----(18)]]>在上述解釋中，盡管假設(shè)正則分布為類內(nèi)方差σW，k(θi)2和類間方差σB，k(θi)2，不過下面將假設(shè)其為混合方差。
如下面的方程(19)所示，如同類內(nèi)分布pW(s|[θi])和類間分布pB(s|[θi])，我們假設(shè)后驗(yàn)分布可以由正則分布pW(s|[θi]，jW)(jW＝1，2，...，MW)，pB(s|[θi]，jB)(jB＝1，2，...，MB)的求和來表示。
pW(s|{θi})=ΣjW=1MWpW(s|{θi},jW)p(jW)----(19)]]>pB(s|{θi})=ΠjB=1MBpB(s|{θi},jB)p(jB)]]>因此，可以使用這種似然對數(shù)來導(dǎo)出下述方程(20)的適應(yīng)性混合馬氏距離。
d(ν1,ν2)]]>=-lnpW(s|{θi})pB(s|{θi})]]>=-lnΣjW=1MWpW(s|{θi},jW)p(jW)+lnΣjB=1MBpB(s|{θi},jB)p(jB)----(20)]]>=-lnΣjW=1MW1(2π)N2|ΣW({θi},jW)|12exp(-12sTΣW({θi},jW)-1s)P(jW)]]>+lnΣjB=1MB1(2π)N2|ΣB({θi},jB)|12exp(-12sTΣB({θi},jB)-1s)p]]>可以通過使用最大似然方法和EM算法來估計(jì)協(xié)方差矩陣∑W(s|[θi]，jW)，∑B(s|[θi]，jB)以及類內(nèi)分布pW(s|[θi]，jW)和類間分布pB(s|[θi]，jB)的p(jW)，p(jB)的估計(jì)值。
混合分布的估計(jì)值能夠進(jìn)一步準(zhǔn)確地估計(jì)分布情況提高匹配性并能。不過，需要大量的訓(xùn)練數(shù)據(jù)，而且運(yùn)算成本也大大地增加了。
如上所述，通過進(jìn)一步提取人臉特征的置信指標(biāo)，能夠?qū)С鲋眯胖笜?biāo)的適應(yīng)性距離模型，以便能夠建立起高精確度的人臉識別機(jī)制。順便說一下，在上面的講述中，盡管特征矢量的置信指標(biāo)沒有被定義為標(biāo)量(只有一個(gè)元素組成)或矢量(由多個(gè)分量組成)，但是我們的討論可以從這兩個(gè)方面來進(jìn)行，而且多個(gè)元素可用于提供性能。
對于特定的置信指標(biāo)，有必要發(fā)現(xiàn)有效的置信指標(biāo)。在人臉識別的情況下，可以通過使用表示圖像反差度的反差指標(biāo)來取得較高的效果。在正面人臉識別的情況下，可以通過使用表示光照和姿勢改變所引入的人臉圖像對稱彎曲的非對稱指標(biāo)來取得較高的效果。通過將矢量的這些置信指標(biāo)結(jié)合起來，可以取得更高的精確度。
(實(shí)施例)圖1是一個(gè)結(jié)構(gòu)框圖，示出了根據(jù)本發(fā)明實(shí)施例的人臉圖像匹配系統(tǒng)的結(jié)構(gòu)。下面將詳細(xì)講述一下人臉圖像匹配系統(tǒng)。
如圖1所示，所提出的根據(jù)本發(fā)明實(shí)施例的人臉圖像匹配系統(tǒng)包括人臉圖像輸入單元11，人臉元數(shù)據(jù)生成單元12，人臉元數(shù)據(jù)存儲單元13，人臉相似度計(jì)算單元14，人臉圖像數(shù)據(jù)庫15，控制單元16和顯示單元17。人臉圖像輸入單元11輸入人臉圖像，人臉元數(shù)據(jù)生成單元12從輸入的人臉圖像中提取人臉特征和置信指標(biāo)，并生成人臉元數(shù)據(jù)。人臉元數(shù)據(jù)存儲單元13存儲(收集)所提取的人臉元數(shù)據(jù)。人臉相似度計(jì)算單元14利用兩個(gè)人臉元數(shù)據(jù)來計(jì)算人臉的相似度。人臉圖像數(shù)據(jù)庫15存儲人臉圖像?？刂茊卧?6用于響應(yīng)圖像的配準(zhǔn)請求和恢復(fù)請求，執(zhí)行對圖像輸入、元數(shù)據(jù)的生成、元數(shù)據(jù)的存儲、以及人臉相似度的計(jì)算等的控制。顯示單元17顯示人臉圖像和其它數(shù)據(jù)。
另外，人臉元數(shù)據(jù)生成單元12由人臉特征提取單元121和置信指標(biāo)提取單元122組成，其中121用于從輸入人臉圖像中提取人臉特征，122用于從人臉圖像中提取置信指標(biāo)。人臉相似度計(jì)算單元14由分布估計(jì)單元141和距離計(jì)算單元142組成，其中141用于估計(jì)有關(guān)置信指標(biāo)后驗(yàn)分布的參數(shù)數(shù)據(jù)，142用于根據(jù)來自分布估計(jì)單元141的后驗(yàn)分布數(shù)據(jù)來計(jì)算人臉特征之間的距離。在分布估計(jì)單元141內(nèi)部配備了方差值表143，用于存儲方差值。需要事先計(jì)算存儲于方差值表143中的方差值，并且存儲于方差值表143中。
在配準(zhǔn)期間，當(dāng)調(diào)整人臉的尺寸和位置后，圖像輸入單元11利用掃描儀或相機(jī)來輸入人臉照片?；蛘?，可以從視頻相機(jī)等類的儀器直接輸入人臉圖像。在這種情況下，在上述Moghaddam的文檔中提到的人臉檢測技術(shù)可用于檢測輸入圖像的人臉位置，并且自動歸一化人臉圖像的尺寸等。
另外，輸入的人臉圖像根據(jù)需要程度，與人臉元數(shù)據(jù)或ID有關(guān)，并且在人臉圖像數(shù)據(jù)庫15中得到配準(zhǔn)。在人臉圖像配準(zhǔn)的同時(shí)，通過人臉元數(shù)據(jù)生成單元12生成了人臉元數(shù)據(jù)，并且存儲于人臉元數(shù)據(jù)存儲單元13中。
在恢復(fù)期間，同樣地，從人臉圖像輸入單元11輸入人臉圖像，并且通過人臉元數(shù)據(jù)生成單元12來生成人臉元數(shù)據(jù)。所生成的人臉元數(shù)據(jù)在人臉元數(shù)據(jù)存儲單元13中得到配準(zhǔn)，或者直接發(fā)送到人臉相似度計(jì)算單元14。在恢復(fù)期間，在人臉鑒定的情況下，也就是說，檢查出預(yù)先輸入的人臉圖像是否存儲于數(shù)據(jù)庫中，計(jì)算到每一個(gè)存儲于人臉元數(shù)據(jù)存儲單元13中的數(shù)據(jù)。根據(jù)對應(yīng)于最高相似度結(jié)果的人臉元數(shù)據(jù)或ID，即，最小距離值的結(jié)果，控制單元16從人臉圖像數(shù)據(jù)庫15中選擇人臉圖像，并控制顯示單元17，以顯示人臉圖像。工作人員在恢復(fù)的圖像和配準(zhǔn)圖像中檢查人臉的身份。
另一方面，在人臉驗(yàn)證的情況下，也就是說，檢查出根據(jù)ID號碼預(yù)先指定的人臉圖像是否與恢復(fù)的人臉圖像相一致，人臉相似度計(jì)算單元14計(jì)算出恢復(fù)的人臉圖像是否與具有指定ID號的人臉圖像相一致。如果該相似度低于預(yù)定的相似度，也就是說，距離值較大，則判斷為不一致?？刂茊卧?6控制顯示單元17，以便顯示該結(jié)果。
如果將該系統(tǒng)用于房門管理，而不是用于顯示人臉相似度，則控制單元16能夠通過發(fā)送開/關(guān)控制信號給自動門，來在房門管理中控制自動門。
盡管如上所述來操作人臉圖像匹配系統(tǒng)，這種操作也可通過計(jì)算機(jī)系統(tǒng)來實(shí)現(xiàn)。例如，下面將詳細(xì)講述，元數(shù)據(jù)生成程序用于執(zhí)行元數(shù)據(jù)的生成，相似度計(jì)算程序用于執(zhí)行相似度計(jì)算，這些程序存儲于記錄介質(zhì)20中，并且被讀取和存儲于存儲器(未示出)中。因此，就實(shí)現(xiàn)了人臉圖像匹配系統(tǒng)。
下面將詳細(xì)講述這種人臉圖像匹配系統(tǒng)的操作，特別是其中的人臉元數(shù)據(jù)生成單元12和人臉相似度計(jì)算單元14。
(1)人臉元數(shù)據(jù)生成人臉元數(shù)據(jù)生成單元12使用位置和尺寸都已被歸一化的圖像I(x，y)，并從中提取人臉特征。關(guān)于位置和尺寸的歸一化，圖像可以以這種方式進(jìn)行歸一化，例如，人眼的位置為(16，24)，(31，24)，并且尺寸為46×56像素。下文中將解釋將圖像歸一化到這一尺寸的情況。
使用所謂的本征人臉方法(上述的Moghaddam的論文)來提取特征以作為人臉特征。簡而言之，在模式矢量Λ中，使用圖像的像素值來作為它的元素，基矩陣U和在人臉圖像樣本集[Λ]中作為均值矢量的均值人臉Ψ被用于計(jì)算特征矢量ν＝UT(Λ-Ψ)。基矩陣U由通過對人臉圖像樣本集[Λ]進(jìn)行主成分分析得到的基矢量的子集所定義。在這種方式中沒有使用輸入圖像，而是使用了基矢量的子集來減小輸入圖像的數(shù)據(jù)尺寸。在這種方式中，數(shù)據(jù)尺寸的減小非常重要，因?yàn)樗粌H能夠減小元數(shù)據(jù)庫的存儲規(guī)模，而且能夠獲得高速匹配?？梢允褂?，例如48，作為特征矢量的維數(shù)。
在這種方式中，除了一般使用的本征人臉方法以外，還可以將判別式分析和主成分分析(上述的W.Zhao的論文)結(jié)合起來來定義基矢量的子集。
另外，通過使用矩陣U(＝aUn+bUm)來提取人臉特征以作為基矩陣，矩陣U是通過基矩陣Un和基矩陣Um的線性組合而得到的。這里，基矩陣Un是從通過在上述的人臉圖像樣本中對特征矢量集[Λ]進(jìn)行判別式分析或主成分分析而得到的基矢量中選擇基矢量子集來定義的。另外，基矩陣Um是由翻轉(zhuǎn)基矢量的子集來定義的，其中對基矢量的元素進(jìn)行了互換，以便能夠?qū)?yīng)由于圖像的左右翻轉(zhuǎn)而導(dǎo)致的像素值變換。例如，假定a＝b＝1，對于所獲得的特征矢量，在輸入圖像空間中只能提取與左右轉(zhuǎn)換有關(guān)的對稱分量。由于人臉最初是對稱的，因此，由于光照影響所造成的非對稱圖像分量以及由于人臉不是面向正前方所引起的非對稱分量最初對應(yīng)于噪聲部分。因此，通過去除該部分，并且僅提取出對稱分量，所提取出的人臉特征不易受光照和姿勢的影響。
另外，可以對圖像進(jìn)行傅立葉變換，并且可以計(jì)算出由所得到的復(fù)數(shù)傅立葉分量的每一個(gè)分量的幅度所組成的矢量，以作為模式矢量Λ，并且可以用降維的方法根據(jù)上述的主成分分析或判別式分析的原理來提取人臉特征。在這種方式中，通過對圖像進(jìn)行傅立葉變換，可以提取出具有較強(qiáng)位置位移的人臉特征。在這種方式中，人臉特征提取單元121提取出人臉特征ν。
置信指標(biāo)提取單元122提取出作為人臉特征ν的有效置信指標(biāo)的反差指標(biāo)θ反差和非對稱指標(biāo)θ非對稱。在圖像I(x，y)中，可以通過下面的方程(21)來計(jì)算像素值的標(biāo)準(zhǔn)方差，以作為反差指標(biāo)θ反差。
I‾=146×56Σi=146Σj=156I(i,j)]]>這里，round()表示對數(shù)值進(jìn)行取整運(yùn)算。提取出的反差指標(biāo)θ反差被限制在4比特整數(shù)的范圍內(nèi)，即
。在上述中，盡管使用圖像的標(biāo)準(zhǔn)方差作為反差指標(biāo)，但還可以提取出圖像中像素值的最大值和最小值之差和方差。使用基于圖像中像素值的最大值和最小值的反差指標(biāo)所帶來的運(yùn)算成本要比使用標(biāo)準(zhǔn)差或方差的小。不過，所取得的效果也相對較低。
通過下面的方程(22)來提取出人臉圖像I(x，y)和它的翻轉(zhuǎn)人臉圖像之間差值的絕對值的(一次冪)平均數(shù)，以作為非對稱指標(biāo)θ非對稱。
所提取的置信指標(biāo)θ非對稱被限制在4比特整數(shù)的范圍內(nèi)，即
。盡管在上述實(shí)例中，使用絕對值的(一次冪)均值來作為非對稱指標(biāo)，但是也可以使用平方差的均值。另外，除了均值以外，還可以使用它們的和來得到近似值。另外，如果檢測到差值圖像的最大值并將它作為非對稱指標(biāo)，則運(yùn)算成本會小些。
置信指標(biāo)提取單元122提取特征矢量ν、人臉圖像的置信指標(biāo)θ反差和置信指標(biāo)θ非對稱，并且人臉元數(shù)據(jù)輸出。如上所述，計(jì)算機(jī)程序能夠指導(dǎo)計(jì)算機(jī)來執(zhí)行上述人臉元數(shù)據(jù)生成過程。
(2)人臉相似度計(jì)算接下來將講述人臉相似度計(jì)算單元14的運(yùn)算。在人臉相似度計(jì)算單元14中，通過使用兩個(gè)人臉元數(shù)據(jù)的置信指標(biāo)θ反差，1、θ反差，2、θ非對稱，1和θ非對稱，2，分布估計(jì)單元141估計(jì)出有關(guān)后驗(yàn)分布的參數(shù)數(shù)據(jù)，然后通過使用兩個(gè)人臉元數(shù)據(jù)的兩個(gè)特征矢量ν1和ν2以及與后驗(yàn)分布有關(guān)的參數(shù)數(shù)據(jù)，距離計(jì)算單元142計(jì)算出人臉特征之間的相似度d。
這里對通過使用方程(8)或方程(18)來計(jì)算人臉相似度的實(shí)例進(jìn)行了解釋。
方程(8)或方程(18)中出現(xiàn)的置信指標(biāo)θ1和θ2在該實(shí)施例中為矢量，并且它們的各個(gè)元素為θ1＝(θ反差，1，θ非對稱，1)T和θ2＝(θ反差，2，θ非對稱，2)T。由于反差指標(biāo)和非對稱指標(biāo)分別用4比特來表示，則θ1的設(shè)置可以有256個(gè)狀態(tài)。假設(shè)256個(gè)狀態(tài)之一可以由置信指標(biāo)θi來定義。
分布估計(jì)單元141將與預(yù)先獲得的置信指標(biāo)θ(具有256個(gè)狀態(tài))有關(guān)的差值矢量的方差值σε，k(θ)、方差值σW，k(θ)、以及方差值σB，k(θ)存儲在表中，這一點(diǎn)后面有述，并且，通過使用置信指標(biāo)θ1，θ2和參考方差值表中的各個(gè)值，將獲得的方差值作為后驗(yàn)分布數(shù)據(jù)傳遞給距離計(jì)算單元142。在人臉鑒定實(shí)例中，可以將方程(8)中所需的方差值σε，k(θ1)和方差值σε，k(θ2)的值輸出到距離計(jì)算單元142。在人臉驗(yàn)證實(shí)例中，可以輸出方程(18)中所需的方差值σW，k(θ)和方差值σB，k(θ)。
距離計(jì)算單元142根據(jù)方程(8)或方程(18)來計(jì)算適應(yīng)性馬氏距離或適應(yīng)性判別式距離，并將其輸出，作為相似度d。
通過使用預(yù)先準(zhǔn)備的人臉圖像數(shù)據(jù)樣本，計(jì)算出上述方差值表中的方差值。根據(jù)人臉圖像樣本中的特征矢量集[νi]以及它的置信指標(biāo)集[θi]，可以按照如下方程來計(jì)算出各個(gè)方差值。
σϵ,k(θ)2=12Nϵ(θ)Σ((i,j)∈W)∩(θ=θ1)(νi,k-νj,k)2----(23)]]>σW,k(θ)2=12NW(θ)Σ((i,j)∈W)∩(θ=θi)(νi,k-νj,k)2----(24)]]>σB,k(θ)2=12NB(θ)Σ((i,j)∈W)∩(θ=θi)(νi,k-νj,k)2]]>這里，“(i，j)屬于類W”意味著數(shù)據(jù)i和數(shù)據(jù)j屬于同一個(gè)類，也就是說，它是從同一個(gè)人上獲取的數(shù)據(jù)并且位于類內(nèi)?！?i，j)屬于類B”意味著數(shù)據(jù)i和數(shù)據(jù)j屬于不同的類，也就是說，它是從不同的人上獲取的數(shù)據(jù)并且位于類間。另外，Nε(θ)，NW(θ)和NB(θ)為屬于各個(gè)類的數(shù)據(jù)的組合個(gè)數(shù)。當(dāng)以這種方式為θ的每個(gè)元素計(jì)算方差值時(shí)，如果數(shù)據(jù)的個(gè)數(shù)太小，則近鄰元素的數(shù)據(jù)被結(jié)合起來，因此能夠保留樣本的個(gè)數(shù)。這種方法類似于在分布估計(jì)中使用k近鄰方法(上述的Bishop文檔中的第53頁)，將這些元素結(jié)合起來這一方法。
這里，在方程(18)的實(shí)例中，與方程(4)相類似，應(yīng)該將注意力集中在σW，k([θi])2＝σW，k([θ1])2+σW，k([θ2])2和σB，k([θi])2＝σB，k([θ1])2+σB，k([θ2])2這一事實(shí)。
這里由于誤差方差σε，k(θ)2與類內(nèi)方差σW，k(θ)2相同，當(dāng)人臉圖像匹配系統(tǒng)在計(jì)算方程(8)和方程(18)這兩個(gè)距離時(shí)，可以共享那些方差值表。
另外，由于在許多情況下在誤差分布和類間分布之間具有強(qiáng)相關(guān)性，甚至將類間方差σB，k(θ)2來代替誤差方差σε，k(θ)2，因此在這種情況下不使用置信指標(biāo)就提高了精確度。不過，使用誤差分布能夠取得更高的精確度。
在這種方式中，可以通過使用帶有置信指標(biāo)θ反差和置信指標(biāo)θ非對稱的后驗(yàn)分布數(shù)據(jù)，來計(jì)算人臉元數(shù)據(jù)之間的相似度，因此能夠在進(jìn)行人臉驗(yàn)證時(shí)能夠取得優(yōu)良的精確度。如上所述，計(jì)算機(jī)程序能夠指導(dǎo)計(jì)算機(jī)執(zhí)行上述的人臉相似度計(jì)算過程。
這里，盡管用來計(jì)算相似度使用的是方程(8)和方程(18)，通過使用諸如下面的方程(25)和(26)等各種計(jì)算方法，也能夠大致地計(jì)算得到相似度，因此能夠取得較高的速度，等等。
d(ν1,ν2)=12Σk=1N(ν1,k-ν2,k)2σϵ,k(θ1)2+σϵ,k(θ2)2+12Σk=1N1n2π(σϵ,k(θ1)2+σϵ,k(θ2)2)]]>d(ν1,ν2)12Σk=1N(ν1,k-ν2,k)2σϵ,k(θ1)σϵ,k(θ2)+12Σk=1Nln2π(σϵ,k(θ1)σϵ,k(θ2))----(25)]]>d(ν1,ν2)=12Σk=1N|ν1,k-ν2,k|σs,k(θ1)2+σs,k(θ2)2+12Σk=1Nln2π(σs,k(θ1)2+σs,k(θ2)2)]]>d(ν1,ν2)=12Σk=1N(1σW,k(θ1)2-1σB,k(θ1)2)sk2----(26)]]>+12Σk=1N(ln2πσW,k(θ1)2-ln2πσB,k(θ1)2)]]>d(ν1,ν2)=12Σk=1N(1σW,k(θ2)2-1σB,k(θ2)2)|sk|]]>+12Σk=1N(ln2πσW,k(θ2)-ln2πσB,k(θ2))]]>在上述的每一個(gè)方程的右側(cè)中，通過忽略對第二項(xiàng)(包含有l(wèi)n的項(xiàng))的計(jì)算，可以取得高得多的運(yùn)算速度。
另外，即使利用方程(6)和方程(16)，基本上是類似的從預(yù)先準(zhǔn)備的人臉圖像數(shù)據(jù)樣本中計(jì)算相似度，用于各個(gè)計(jì)算所需的差值矢量的誤差協(xié)方差矩陣∑ε(θ)、差值矢量的類內(nèi)協(xié)方差矩陣∑W(θ)、以及差值矢量的類間協(xié)方差矩陣∑B(θ)被計(jì)算出來并用于協(xié)方差表，并且在相似度計(jì)算中參考協(xié)方差表。由于這種方法使用協(xié)方差矩陣來計(jì)算距離，因此運(yùn)算成本增加。不過，如果有充足的訓(xùn)練樣本，相似度計(jì)算的精確度能夠得到提高。
通過假設(shè)方程(14)的類內(nèi)分布和類間分布和方程(3)的后驗(yàn)分布為混合正則分布，并且估計(jì)出分布函數(shù)，可以分別計(jì)算出方程(10)和方程(20)中的適應(yīng)性混合馬氏距離和適應(yīng)性混合判別式距離。另外在該例中，與基于使用方差和協(xié)方差矩陣的后驗(yàn)分布數(shù)據(jù)的計(jì)算相類似，可以測定出來自于人臉圖像數(shù)據(jù)樣本的用于指定表示混合正則分布p(j)的協(xié)方差矩陣∑s(θ1，j)的混合分布的參數(shù)等，并且保存于表中。至于這個(gè)估計(jì)值，可以通過使用作為典型估計(jì)方法的EM算法和最大似然方法估計(jì)出來。
在直到目前為止的解釋當(dāng)中，對于當(dāng)配準(zhǔn)一幅人臉圖像和已經(jīng)對人臉的這幅圖像完成恢復(fù)的情況進(jìn)行了解釋。不過，對于當(dāng)配準(zhǔn)一個(gè)人臉的多幅圖像和使用一幅人臉圖像進(jìn)行了圖像恢復(fù)的情況，例如，可以按照如下方式來完成。也就是說，在恢復(fù)端的特征矢量被假定為νque，在配準(zhǔn)端的特征矢量被假定為νreg，k，并且在配準(zhǔn)多個(gè)圖像的情況下的相似度被假定為dmulti(νque，[νreg，1，νreg，2，...，νreg，n])。然后，可以根據(jù)如下面所示的方程(27，28)來計(jì)算相似度。
dmulti(vque,{vreg,1,vreg,2,...,vreg,n})=1nΣk=1nd(vque,vreg,k)----(27)]]>或dmulti(νque，{νreg，1，νreg，2，...，νreg，n})＝mind(νque，νreg，k) (28)類似地，當(dāng)對每一個(gè)人臉使用多幅圖像進(jìn)行配準(zhǔn)和恢復(fù)的情況下，可以通過結(jié)合人臉特征來測定相似度的平均值和/或最小值和計(jì)算人臉之間的相似度，計(jì)算到一幅人臉數(shù)據(jù)的相似度。這意味著由于動態(tài)圖像被認(rèn)為是多幅圖像，則可將本發(fā)明的匹配系統(tǒng)甚至應(yīng)用到動態(tài)圖像中的人臉驗(yàn)證方面。
除了上述的用于個(gè)人身份的人臉鑒定和人臉驗(yàn)證以外，例如，通過對男性人臉和女性人臉進(jìn)行分別考慮和獲取有關(guān)各自分布的數(shù)據(jù)，可以對男性和女性進(jìn)行人臉的性別識別。類似地，通過考慮諸如微笑的臉、憤怒的臉、悲傷的臉等表情范圍，可以進(jìn)行用于識別人臉表情的人臉表情識別。通過設(shè)定諸如十幾歲、二十幾歲、三十幾歲和四十幾歲等范圍，并且測定出每一個(gè)范圍的誤差分布、類內(nèi)分布和類間分布，可以進(jìn)行年齡識別。因此，本發(fā)明可用于各種人臉識別。
正如上面詳細(xì)解釋的，根據(jù)本發(fā)明將體現(xiàn)置信度的置信指標(biāo)加關(guān)于人臉特征中，并且生成人臉元數(shù)據(jù)，這樣就能夠通過置信指標(biāo)來導(dǎo)出適應(yīng)性距離。有了適應(yīng)性距離，就能夠取得高性能的人臉識別。
權(quán)利要求
1.一種人臉元數(shù)據(jù)生成設(shè)備，包括人臉特征提取單元，用于從人臉圖像部分中提取人臉特征；以及置信指標(biāo)提取單元，用于從所述人臉圖像中提取指示所述人臉特征置信度的置信指標(biāo)，其中生成的所述人臉特征和所述置信指標(biāo)作為人臉元數(shù)據(jù)。
2.如權(quán)利要求1的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元提取所述人臉圖像的反差指標(biāo)，作為所述置信指標(biāo)。
3.如權(quán)利要求2的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元提取所述人臉圖像中像素值的最大值和最小值之差，作為所述人臉圖像的所述反差指標(biāo)。
4.如權(quán)利要求2的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元提取所述人臉圖像部分中像素值的標(biāo)準(zhǔn)差和方差之一，作為所述人臉圖像的所述反差指標(biāo)。
5.如權(quán)利要求1的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元提取所述人臉圖像的非對稱指標(biāo)，作為所述置信指標(biāo)。
6.如權(quán)利要求5的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元提取所述人臉圖像與通過左右翻轉(zhuǎn)所述所述人臉圖像得到的翻轉(zhuǎn)圖像之間差別的最大值，作為所述人臉圖像的非對稱指標(biāo)。
7.如權(quán)利要求5的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元從所述人臉圖像和通過左右翻轉(zhuǎn)所述人臉圖像得到的翻轉(zhuǎn)圖像之間的差值圖像的像素值的冪的和值與均值之一，作為所述人臉圖像的非對稱指標(biāo)。
8.如權(quán)利要求1的人臉元數(shù)據(jù)生成設(shè)備，其中所述置信指標(biāo)提取單元包括第一置信指標(biāo)提取單元，用于提取所述人臉圖像的反差指標(biāo)；以及第二置信指標(biāo)提取單元，用于提取所述人臉圖像的非對稱指標(biāo)。
9.如權(quán)利要求8的人臉元數(shù)據(jù)生成設(shè)備，其中所述第一置信指標(biāo)提取單元提取所述人臉圖像部分中像素值的最大值和最小值之差，作為所述人臉圖像的反差指標(biāo)，并且第二置信指標(biāo)提取單元提取所述人臉圖像和通過左右翻轉(zhuǎn)所述人臉圖像部分得到的翻轉(zhuǎn)圖像之間之差的最大值，作為所述人臉圖像的非對稱指標(biāo)。
10.如權(quán)利要求8的人臉元數(shù)據(jù)生成設(shè)備，其中所述第一置信指標(biāo)提取單元提取所述人臉圖像中像素值的標(biāo)準(zhǔn)差和方差之一，作為所述人臉圖像的反差指標(biāo)，并且第二置信指標(biāo)提取單元提取所述人臉圖像和通過左右翻轉(zhuǎn)人臉圖像得到的翻轉(zhuǎn)圖像之間的差值圖像像素值的冪的和值與均值之一，作為所述人臉圖像的非對稱指標(biāo)。
11.如權(quán)利要求1～10中之任一項(xiàng)的人臉元數(shù)據(jù)生成設(shè)備，其中，當(dāng)從所述人臉圖像中獲取的模式矢量為Λ時(shí)，通過使用所述模式矢量Λ的基矢量子集所定義的基矩陣U和所述模式矢量 的平均矢量Ψ來計(jì)算特征矢量v＝UT(Λ-Ψ)，所述人臉特征提取單元提取所述特征矢量v，作為所述人臉特征。
12.如權(quán)利要求11的人臉元數(shù)據(jù)生成設(shè)備，其中所述基矩陣U由從對人臉圖像樣本集[Λ]進(jìn)行主成分分析所獲得的基矢量中選取的所述部分基矢量來決定。
13.如權(quán)利要求11的人臉元數(shù)據(jù)生成設(shè)備，其中所述基矩陣U的獲得需要線性地結(jié)合由從通過對所述人臉圖像樣本中的所述模式矢量集[Λ]進(jìn)行主成分分析而得到的基矢量中挑選的那些基矢量子集所定義的基矩陣；以及由基矢量翻轉(zhuǎn)子集所定義的基矩陣，其中所述基矢量的元素經(jīng)過了互換，以便對應(yīng)于通過左右翻轉(zhuǎn)所述人臉圖像部分而導(dǎo)致的像素值變換。
14.如權(quán)利要求11～13中之任一項(xiàng)的人臉元數(shù)據(jù)生成設(shè)備，其中所述模式矢量Λ具有所述人臉圖像的像素值作為其元素值。
15.如權(quán)利要求11～13中之任一項(xiàng)的人臉元數(shù)據(jù)生成設(shè)備，其中所述模式矢量Λ具有從所述人臉圖像的傅立葉變換所得到的傅立葉分量的幅度作為其元素值。
16.一種人臉相似度計(jì)算設(shè)備，用于根據(jù)從所述人臉圖像和指示關(guān)于人臉特征的置信度的置信指標(biāo)中提取的人臉特征來計(jì)算所述相似度。
17.如權(quán)利要求16的人臉相似度計(jì)算設(shè)備，包括分布估計(jì)單元，它通過使用關(guān)于所述人臉特征的所述置信指標(biāo)來估計(jì)與所述人臉特征之間的差值矢量的后驗(yàn)分布有關(guān)的參數(shù)數(shù)據(jù)；以及距離計(jì)算單元，它通過使用所述參數(shù)數(shù)據(jù)來計(jì)算從所述后驗(yàn)分布的似然對數(shù)所獲得的所述人臉特征之間的距離，作為所述相似度。
18.如權(quán)利要求17的人臉相似度計(jì)算設(shè)備，其中所述距離計(jì)算單元在當(dāng)所述人臉特征之間的差值矢量的所述后驗(yàn)分布為正則分布時(shí)，計(jì)算從所述置信指標(biāo)中的正則分布的所述似然對數(shù)所獲得的適應(yīng)性馬氏距離，作為所述相似度。
19.如權(quán)利要求18的人臉相似度計(jì)算設(shè)備，其中所述分布估計(jì)單元估計(jì)所述差值矢量s的每一個(gè)元素k到所述置信指標(biāo)[θi]的方差σs，k([θi])2，并且所述距離計(jì)算單元通過使用所述每一個(gè)元素k的方差σs，k([θi])2來計(jì)算所述適應(yīng)性馬氏距離。
20.如權(quán)利要求19的人臉相似度計(jì)算設(shè)備，其中所述分布估計(jì)單元包括方差值表，其事先存儲了所述差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的方差值σs，k([θi])2，并且通過參考基于所述置信指標(biāo)[θi]的方差值表，讀取出用于計(jì)算所述適應(yīng)性馬氏距離的方差值，以及所述距離計(jì)算單元通過使用所述每一個(gè)元素k的方差值σs，k([θi])2，計(jì)算出所述適應(yīng)性馬氏距離。
21.如權(quán)利要求17的人臉相似度計(jì)算設(shè)備，當(dāng)所述人臉特征之間的差值矢量的后驗(yàn)分布為混合分布時(shí)，計(jì)算從所述置信指標(biāo)中混合分布的似然對數(shù)得出的所述適應(yīng)性混合馬氏距離，作為所述相似度。
22.如權(quán)利要求16的人臉相似度計(jì)算設(shè)備，通過對所述人臉特征使用所述置信指標(biāo)，并且估計(jì)與作為應(yīng)被看作是一致的類中的所述人臉特征之間差值矢量后驗(yàn)分布的類內(nèi)分布、和作為應(yīng)被看作是不一致的類中的所述人臉特征之間差值矢量后驗(yàn)分布的類間分布有關(guān)的參數(shù)數(shù)據(jù)，計(jì)算從基于所述參數(shù)數(shù)據(jù)的所述類內(nèi)分布和所述類間分布之間比率的似然對數(shù)中得出的所述人臉特征之間的距離，作為所述相似度。
23.如權(quán)利要求22的人臉相似度計(jì)算設(shè)備，當(dāng)所述類內(nèi)分布與所述類間分布分別為正則分布時(shí)，計(jì)算從所述置信指標(biāo)中各自分布之間比率的似然對數(shù)中得出的所述適應(yīng)性判別式距離，作為所述相似度。
24.如權(quán)利要求23的人臉相似度計(jì)算設(shè)備，估計(jì)出所述差值矢量s的每一個(gè)元素k到所述置信指標(biāo)[θi]的類內(nèi)方差σW，k([θi])2和類間方差σB，k([θi])2，并且根據(jù)所述估計(jì)方差來計(jì)算所述適應(yīng)性判別式距離，作為所述相似度。
25.如權(quán)利要求24的人臉相似度計(jì)算設(shè)備，為了估計(jì)差值矢量s的每一個(gè)元素k到所述置信指標(biāo)[θi]的所述類內(nèi)方差σW，k([θi])2和所述類間方差σB，k([θi])2，包括了用于事先存儲所述類內(nèi)方差σW，k([θi])2的第一方差值表和用于事先存儲所述類間方差σB，k([θi])2的第二方差值表，并且根據(jù)所述置信指標(biāo)[θi]，分別參考所述第一和第二方差方差值表，估計(jì)出方差，并且根據(jù)所述估計(jì)方差來計(jì)算所述適應(yīng)性判別式距離，作為所述相似度。
26.如權(quán)利要求22的人臉相似度計(jì)算設(shè)備，可以通過假設(shè)所述類內(nèi)分布和所述類間分布分別為混合分布，計(jì)算從所述置信指標(biāo)中各個(gè)混合分布之間比率的似然對數(shù)得出的所述適應(yīng)性混合判別式距離，作為所述相似度。
27.一種人臉識別系統(tǒng)，包括圖像輸入單元，輸入第一人臉圖像；人臉元數(shù)據(jù)生成單元，從所述第一人臉圖像部分中提取人臉特征，從所述第一人臉圖象中提取出指示關(guān)于所述人臉特征的置信度的置信指標(biāo)，并且生成所述人臉特征和所述置信指標(biāo)，作為第一人臉元數(shù)據(jù)；人臉元數(shù)據(jù)存儲單元，存儲多幅第二人臉元數(shù)據(jù)；人臉相似度計(jì)算單元，計(jì)算所述第一人臉元數(shù)據(jù)與所述多個(gè)第二人臉元數(shù)據(jù)中的每一個(gè)之間的人臉相似度；以及控制單元，響應(yīng)于輸入指令，控制所述圖像輸入單元，所述人臉元數(shù)據(jù)生成單元和所述人臉相似度計(jì)算單元。
28.一種人臉識別方法，包括生成從人臉圖像中提取的人臉特征和表示關(guān)于人臉特征的置信度的置信指標(biāo)，作為第一人臉元數(shù)據(jù)；讀取出多個(gè)第二人臉元數(shù)據(jù)中的每一個(gè)；根據(jù)所述置信指標(biāo)和多個(gè)第二人臉元數(shù)據(jù)中的每一個(gè)的所述人臉特征，以及所述第一人臉元數(shù)據(jù)，計(jì)算所述多個(gè)第二人臉元數(shù)據(jù)中的每一個(gè)和所述第一人臉元數(shù)據(jù)之間的人臉相似度；以及根據(jù)所述人臉相似度，輸出所述人臉圖像的匹配結(jié)果。
29.一種人臉元數(shù)據(jù)生成方法，包括(a)從人臉圖像中提取人臉特征；(b)從所述人臉圖像中提取表示關(guān)于所述人臉特征的置信度的置信指標(biāo)；以及(c)生成所述人臉特征和所述置信指標(biāo)，作為人臉元數(shù)據(jù)。
30.如權(quán)利要求29的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像的反差指標(biāo)，作為所述置信指標(biāo)。
31.如權(quán)利要求30的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像中像素值的最大值和最小值之差，作為所述人臉圖像的反差指標(biāo)。
32.如權(quán)利要求30的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像中像素值的標(biāo)準(zhǔn)差和方差之一，作為所述人臉圖像的反差指標(biāo)。
33.如權(quán)利要求29的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像的非對稱指標(biāo)，作為所述置信指標(biāo)。
34.如權(quán)利要求33的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像與所述人臉圖像的左右翻轉(zhuǎn)圖像之間之差的最大值，作為所述人臉圖像的非對稱指標(biāo)。
35.如權(quán)利要求33的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像和翻轉(zhuǎn)圖像之間的差值圖像像素值的冪的和值與均值之一，作為所述人臉圖像的非對稱指標(biāo)。
36.如權(quán)利要求29的人臉元數(shù)據(jù)生成方法，其中所述置信指標(biāo)為所述人臉圖像的反差指標(biāo)和所述人臉圖像的非對稱指標(biāo)。
37.如權(quán)利要求36的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像中像素值的最大值和最小值之差，作為所述人臉圖像的反差指標(biāo)；以及提取所述人臉圖像和所述翻轉(zhuǎn)圖像之差的最大值，作為所述人臉圖像的非對稱指標(biāo)。
38.如權(quán)利要求36的人臉元數(shù)據(jù)生成方法，其中所述步驟(b)包括提取所述人臉圖像中像素值的標(biāo)準(zhǔn)差和方差之一，作為所述人臉圖像的反差指標(biāo)，以及提取所述人臉圖像和所述翻轉(zhuǎn)圖像之間的差值圖像像素值的冪的和值與均值之一，作為所述人臉圖像的非對稱指標(biāo)。
39.一種人臉相似度計(jì)算方法，用于根據(jù)從人臉圖像中提取的人臉特征和指示關(guān)于人臉特征的置信度的置信指標(biāo)來計(jì)算所述相似度。
40.如權(quán)利要求39的人臉相似度計(jì)算方法，包括通過使用關(guān)于第一和第二人臉圖像中的每一個(gè)的人臉特征的置信指標(biāo)，來估計(jì)與所述人臉特征之間差值矢量的后驗(yàn)分布有關(guān)的參數(shù)數(shù)據(jù)；以及使用與后驗(yàn)分布有關(guān)的所述參數(shù)數(shù)據(jù)，根據(jù)似然對數(shù)來計(jì)算人臉特征之間的距離，以作為相似度。
41.如權(quán)利要求40的人臉相似度計(jì)算方法，其中假設(shè)所述人臉特征之間差值矢量的后驗(yàn)分布為正則分布，計(jì)算從所述置信指標(biāo)中正則分布的似然對數(shù)中得出的適應(yīng)性馬氏距離，作為相似度。
42.如權(quán)利要求41的人臉相似度計(jì)算方法，包括估計(jì)差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的方差σs，k([θi])2，以及通過使用所述每一個(gè)元素k的方差σs，k([θi])2來計(jì)算適應(yīng)性馬氏距離。
43.如權(quán)利要求42的人臉相似度計(jì)算方法，在方差值表中事先存儲差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的方差σs，k([θi])2，并且通過置信指標(biāo)[θi]來參考所述方差值表，并由此生成可用于計(jì)算適應(yīng)性馬氏距離的方差值。
44.如權(quán)利要求40的人臉相似度計(jì)算方法，其中通過假設(shè)人臉特征之間的差值矢量的后驗(yàn)分布為混合分布，計(jì)算從所述置信指標(biāo)混合分布的似然對數(shù)中得出的適應(yīng)性混合馬氏距離，作為相似度。
45.如權(quán)利要求39的人臉相似度計(jì)算方法，其中通過使用關(guān)于待比較的人臉特征的置信指標(biāo)，來估計(jì)與應(yīng)被視為相一致的類內(nèi)人臉特征之間的差值矢量的后驗(yàn)分布(類內(nèi)分布)有關(guān)的參數(shù)數(shù)據(jù)，并且估計(jì)應(yīng)被視為不一致的類間人臉特征之間的差值矢量的后驗(yàn)分布(類間分布)，并且計(jì)算從所述類內(nèi)分布與所述類間分布之間比率的似然對數(shù)中得出的人臉特征之間的距離，以作為相似度。
46.如權(quán)利要求45的人臉相似度計(jì)算方法，其中通過假設(shè)所述類內(nèi)分布與所述類間分布分別為正則分布，計(jì)算從所述置信指標(biāo)中各個(gè)分布之間比率的似然對數(shù)中得出的適應(yīng)性判別式距離，以作為相似度。
47.如權(quán)利要求46的人臉相似度計(jì)算方法，其中通過估計(jì)差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的類內(nèi)方差σW，k([θi])2和類間方差σB，k([θi])2，計(jì)算出適應(yīng)性判別式距離，以作為相似度。
48.如權(quán)利要求47的人臉相似度計(jì)算方法，包括用于事先存儲類內(nèi)方差σW，k([θi])2的第一方差值表和用于事先存儲類間方差σB，k([θi])2的第二方差值表，以便估計(jì)差值矢量s的每一個(gè)元素k到置信指標(biāo)[θi]的類內(nèi)方差σW，k([θi])2和類間方差σB，k([θi])2，并且基于置信指標(biāo)[θi]來參考第一和第二方差值表，來估計(jì)適應(yīng)性判別式距離中所需的方差值。
49.如權(quán)利要求45的人臉相似度計(jì)算方法，其中通過假設(shè)所述類內(nèi)分布和所述類間分布分別為混合分布時(shí)，計(jì)算出由置信指標(biāo)中各個(gè)混合分布之間比率的似然對數(shù)導(dǎo)出的適應(yīng)性混合判別式距離，作為相似度。
50.一種用于存儲元數(shù)據(jù)生成程序的記錄介質(zhì)，包括從人臉圖像中提取人臉特征；從所述人臉圖像中提取指示關(guān)于所述人臉特征的置信度的置信指標(biāo)；以及生成所述人臉特征和所述置信指標(biāo)，以作為人臉元數(shù)據(jù)。
51.一種用于存儲相似度計(jì)算程序的記錄介質(zhì)，包括從所述圖像中提取人臉特征；提取表示關(guān)于所述人臉特征的置信度的置信指標(biāo)；以及根據(jù)所述人臉特征和所述置信指標(biāo)來計(jì)算相似度。
52.一種用于存儲人臉驗(yàn)證程序的記錄介質(zhì)，包括生成從輸入圖像提取的人臉特征和表示關(guān)于人臉特征的置信度的置信指標(biāo)，作為人臉元數(shù)據(jù)；將多個(gè)所生成的人臉元數(shù)據(jù)存儲到人臉元數(shù)據(jù)存儲單元；輸入某個(gè)人臉圖像的人臉元數(shù)據(jù)和存儲于所述人臉元數(shù)據(jù)存儲單元中的所述多個(gè)人臉元數(shù)據(jù)中的每一個(gè)，并且根據(jù)人臉特征和指示關(guān)于人臉特征的置信度的置信指標(biāo)，來計(jì)算人臉相似度；以及根據(jù)所述人臉相似度來輸出人臉圖像匹配結(jié)果。
全文摘要
通過人臉特征提取單元(121)來提取人臉特征，并且通過置信指標(biāo)提取單元(122)來提取置信指標(biāo)，然后將它們作為元數(shù)據(jù)進(jìn)行輸出。在匹配時(shí)通過使用人臉元數(shù)據(jù)的置信指標(biāo)，當(dāng)獲得了置信指標(biāo)時(shí)，分布估計(jì)單元(141)能夠相對于后驗(yàn)分布的數(shù)據(jù)來估計(jì)參數(shù)數(shù)據(jù)等。距離計(jì)算單元(142)計(jì)算特征值之間的相似度。結(jié)果，人臉驗(yàn)證的精確度得到提高，因此能夠用于實(shí)際的人臉匹配任務(wù)。
文檔編號G06T7/00GK1552041SQ02817359
公開日2004年12月1日 申請日期2002年12月16日 優(yōu)先權(quán)日2001年12月14日
發(fā)明者龜井俊男 申請人:日本電氣株式會社