CN101216884B - 一种人脸认证的方法及*** - Google Patents

Abstract

本发明公开了一种人脸认证的方法，包括：采集包含同一待认证人脸目标的多帧图像，得到包含该待认证人脸目标的每帧图像的样本特征；利用根据特征库训练后得到的分类器判决模型，分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证；所述特征库在之前的认证过程中至少一次更新；融合包含同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果；并将融合后的认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库，实现对所述特征库的更新。本发明还同时公开了一种人脸认证的***。本发明的这种人脸认证的方法和***，能够实现认证目标样本的自动更新，因此提高了人脸认证***的抗干扰能力。

Description

一种人脸认证的方法及***

技术领域

本发明涉及模式识别技术，具体涉及一种人脸认证的方法及***。 

背景技术

随着当前计算机技术的迅速发展，计算机处理能力得到了大幅度的提升；与此同时，模式识别、计算机视觉等领域的相关技术也取得了快速发展，人脸认证作为相关领域研究和应用的热点，在安全、娱乐、人机交互等许多领域都具有重要的实用价值并得到了广泛应用。 

人脸认证，是指采用人脸检测、脸部特征点定位等技术获取图像中的人脸位置信息，以该人脸位置信息为基础通过一定的算法提取人脸图像所包含的信息，并根据得到的人脸图像所包含的信息判断对象是否为其所声明身份的一种方法。目前使用的人脸认证一般采用基于训练的方法，首先需要利用后续需要进行人脸认证的人的脸部图像对分类器进行训练，建立该人的分类器模型。当某人进行人脸认证时，通常先声明自己的身份信息，认证***根据声明的身份信息从验证数据库中寻找该信息对应的分类器模型，如果没有则直接拒绝执行人脸认证，如果找到该信息对应的分类器模型，则采用该分类器模型对该人进行人脸认证，若识别出的结果与此人声明的身份信息吻合，则认证通过，否则表示认证未通过。所述身份信息在验证数据中存在的人，下文称为认证目标。 

上述人脸认证的***，包含两个相互独立的子***，其一为离线训练子***，如图1所示，其中包括：人脸图像采集标定模块101，特征提取模块102，样本特征库模块103和离线训练模块104。 

所述人脸图像采集标定模块101，采集包含人脸的图像，采用手工标定 或者自动标定的方式标定脸部特征点位置。 

根据特征提取方式不同，可以选择不同的标定特征点集合，常见的脸部特征点集合为左眼中心点，右眼中心点和嘴巴中心点。 

所述特征提取模块102，根据人脸图像采集标定模块101标定的脸部特征点，对人脸图像进行尺度归一化，割取人脸区域并进行光照归一化处理，根据所述标定的特征点集合提取人脸特征，得到所有正反样本的特征。 

特征点可以有很多种不同的选择方法，例如采用8个方向、5个尺度的Gabor幅度特征。此外，LBP(Local Binary Pattern)特征也是效果较好的人脸认证的候选特征。 

所述样本特征库模块103，用于保存特征提取模块102得到的正反样本的特征，并提交给离线训练模块104。 

所述离线训练模块104，用于根据样本特征库模块103保存的正反样本的特征，训练选定的分类器模型得到分类器判决模型(图中未示出)。 

所述的分类器模型有很多种选择，通常采用的有基于支持向量机(SVM)、自适应增强(AdaBoost)等分类器模型。对于人脸认证而言，还有结合主元分析(PCA)和Fisher线性鉴别分析(LDA)的方法，也同样取得了很好的效果。采用分类器模型的离线训练算法对样本进行训练并得到分类器判决模型的具体方法，可以参阅相关资料，此处不再详细说明。 

所述的另外一个子***为认证子***，如图2所示，其中包括：图像输入模块201，定位模块202，特征提取模块203和认证模块204。 

所述图像输入模块201，用于获取包含有待认证目标的静态或视频图像。 

所述定位模块202，在所述图像中定位待认证目标的人脸位置和所需脸部特征点的位置。 

所述特征提取模块203，用于根据所述脸部特征点位置，割取人脸区域图像，进行尺度和光照归一化处理后提取其中包含的特征。 

认证模块204，利用所述训练得到的分类器判决模型，对所述特征提取模块203提取得到的特征进行认证后得到判决结果。 

利用上述离线训练子***和认证子***构成的人脸认证***，选用合适的分类器和训练样本，能够获得良好的人脸认证的效果，但是所述人脸认证***仍然存在严重的缺陷： 

由于最终决定人脸认证效果的分类器判决模型是通过对训练样本进行训练得到的，而现有技术中的离线训练过程是封闭的，即训练样本在训练分类器时选定后，后续进行人脸认证的过程中无法根据实际应用场景进行便捷地更新。因此，当人脸认证***的使用场景发生变化或者认证目标本身的面部特征发生改变时，识别效果会迅速恶化，从而严重影响人脸认证的效果。 

发明内容

本发明实施例提供一种人脸认证的方法及***，能够便捷地进行训练样本的更新从而提高人脸认证的效果。 

为达到上述目的，本发明的技术方案具体是这样实现的： 

一种人脸认证的方法，该方法包括： 

采集包含同一待认证人脸目标的多帧图像，得到包含该待认证人脸目标的每帧图像的样本特征； 

利用根据特征库训练后得到的分类器判决模型，分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证；其中，所述特征库在之前的认证过程中至少被更新一次； 

融合包含所述同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果；并将融合后的认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库，实现对所述特征库的更新； 

其中，所述根据特征库训练得到分类器判决模型的方法为： 

每次有新的样本特征添加到特征库后，根据特征库对分类器模型进行训练； 

或，记录已添加到特征库的样本特征的数目，当已添加到特征库的样本特征的数目大于等于预先设置的更新阈值时，根据特征库对分类器模型进行训练。 

利用所述分类器判决模型，分别对包含同一待认证人脸目标的每帧图像的 样本特征进行认证的方法为： 

利用根据特征库训练后得到的分类器判决模型，分别判断包含同一待认证人脸目标的每帧图像的样本特征是否是对应的认证目标，若是则输出表示是认证目标的数值，否则输出表示非认证目标的数值。 

所述融合包含同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果的方法为： 

统计输出表示是认证目标的数值的次数，将其与预先设定的认证阈值比较，如果所述次数大于等于认证阈值，则确认该待认证人脸目标为认证目标并输出认证结果，否则该待认证人脸目标不是认证目标。 

所述将融合后认证结果的置信度高于预设置信阈值的待认证目标的全部样本特征添加到特征库的方法为： 

当所述输出表示是认证目标的数值的次数大于等于预设的置信阈值时，将所述待认证人脸目标的多帧图像的样本特征全部添加到特征库。 

所述利用分类器判决模型分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证的方法为： 

利用分类器判决模型，分别计算包含所述同一待认证人脸目标的每帧图像的样本特征与对应的认证目标的相似程度。 

所述融合包含同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果的方法为： 

计算所述各帧图像与对应的认证目标的相似程度的平均值，当所述平均值大于等于预设的认证阈值时，则确认该待认证人脸目标为认证目标并输出认证结果，否则判定该待认证人脸目标不是认证目标。 

所述将融合后认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库的方法为： 

当所述平均值大于等于预设的置信阈值时，将所述待认证人脸目标的全部N帧图像的样本特征全部添加到特征库，N为自然数。 

一种人脸认证的***，该***包括：图像采集标定模块、特征提取模块、 特征库模块、训练模块和认证更新模块； 

所述图像采集标定模块，采集包含同一待认证人脸目标的多帧图像； 

所述特征提取模块，根据所述多帧图像得到包含该待认证人脸目标的每帧图像的样本特征； 

特征库模块，接收认证更新模块添加的样本特征，并提供给训练模块； 

所述训练模块，根据所述特征库对分类器模型进行训练得到分类器判决模型； 

所述认证更新模块，利用分类器判决模型分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证；融合包含所述同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果；将融合后认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库；在每次有新的样本特征添加到特征库时，或已添加到特征库的样本特征的数目大于等于预先设置的更新阈值时，通知训练模块； 

所述训练模块，在接收到所述通知后根据所述特征库对分类器模型进行训练。 

所述认证更新模块包括认证子模块； 

所述认证子模块，利用分类器判决模型，分别判断包含同一待认证人脸目标的每帧图像的样本特征是否是对应的认证目标，若是输出表示是认证目标的数值，否则输出表示非认证目标的数值。 

所述认证更新模块进一步包括：多帧认证融合子模块； 

所述多帧认证融合子模块，统计输出表示是认证目标的数值的次数，将其与预先设定的认证阈值比较，如果所述次数大于等于认证阈值，则确认该待认证人脸目标为认证目标并输出认证结果，否则该待认证人脸目标不是认证目标。 

所述认证更新模块进一步包括：特征库更新子模块； 

所述特征库更新子模块，当所述输出表示是认证目标的数值的次数大于等于预设的置信阈值时，将所述待认证人脸目标的全部N帧图像的样本特征全部添加到特征库，否则，不能确定该待认证人脸目标为认证目标，不执行 所述添加，N为自然数。 

所述认证更新模块包括认证子模块； 

所述认证子模块，利用分类器判决模型，分别计算包含所述同一待认证人脸目标的每帧图像的样本特征与对应的认证目标的相似程度。 

所述认证更新模块进一步包括：多帧认证融合子模块； 

所述多帧认证融合子模块，计算所述各帧图像与对应的认证目标的相似程度的平均值，当所述平均值大于等于预设的认证阈值时，则确认该待认证人脸目标为认证目标并输出认证结果，否则判定该待认证人脸目标不是认证目标。 

所述认证更新模块进一步包括：特征库更新子模块； 

所述特征库更新子模块，当所述平均值大于等于预设的置信阈值时，将所述待认证人脸目标的全部N帧图像的样本特征全部添加到特征库，否则，不能确定该待认证人脸目标为认证目标，不执行所述添加，N为自然数。 

由上述的技术方案可见，本发明实施例的这种人脸认证的方法和***，能够根据待认证人脸目标的认证结果得到该目标与认证对象的相似程度，根据上述相似程度自动将置信度高于预设置信阈值的人脸目标对应的样本特征添加到特征库中，进行在线训练并得到更新的分类器判决模型，从而实现认证目标样本的自动更新，因此提高了人脸认证***的抗干扰能力。 

图1为现有人脸认证***中离线训练子***的组成结构示意图。 

附图说明

图2为现有人脸认证***中认证子***的组成结构示意图。 

图3为本发明实施例中初始化训练子***的组成结构示意图。 

图4为本发明实施例中在线训练子***的组成结构示意图。 

图5为本发明实施例中人脸认证***的组成结构示意图。 

图6为本发明实施例中人脸认证方法的流程示意图。 

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。 

本发明实施例提供一种人脸认证***，能够将训练和认证结合起来，包括两个子***：初始化训练子***和在线训练子***。 

下面先分别介绍两个子***的组成结构： 

A、本发明实施例中提供的初始化训练子***，组成结构如图3所示，其中包括：图像采集标定模块301，特征提取模块302，特征库模块303和训练模块304。 

所述图像采集标定模块301，采集包含人脸的图像，采用手工标定或者自动标定的方式标定脸部特征点位置。 

特征提取模块302，根据人脸图像采集标定模块301标定的脸部特征点，对人脸图像进行尺度归一化，割取人脸区域并进行光照归一化处理，根据所述标定的特征点集合提取人脸特征，得到所有正反样本的特征，并添加到特征库模块303。 

所述特征库模块303，用于保存特征提取模块302得到的正反样本的特征，并提交给训练模块304。 

训练模块304利用获取的特征库，采用分类器训练算法训练得到初始化分类器判决模型。 

需要说明的是，所述初始化训练子***与现有技术中的离线训练子***基本相同，各模块具体实现时可以采用的特征提取方式、特征点选择方法、分类器选择以及训练算法等均与现有技术相同，此处不再赘述。 

B、本发明实施例中提供的在线训练子***，组成结构如图4所示，其中包括：认证图像采集标定模块410，特征提取模块420、特征库模块430、训练模块440和认证更新模块450。 

所述认证图像采集标定模块410，根据采集的待认证目标的人脸图像， 定位图像中的所需脸部特征点位置。 

所述特征提取模块420，根据标定的脸部特征点，对人脸图像进行尺度归一化，割取人脸区域并进行归一化处理，根据特征定义提取割取并归一化处理后的人脸图像的特征，得到当前样本特征。 

所述特征库模块430，保存特征库更新模块450选定的样本特征并提供给训练模块440。 

所述训练模块440，根据特征库模块430中的样本特征，训练选定的分类器模型得到分类器判决模型。 

所述认证更新模块450，利用训练模块440得到的分类器判决模型对特征提取模块420获取的样本特征进行人脸认证，分析所述认证通过的样本特征与其对应的认证目标的相似程度(又称为置信度)，将置信度高于预先设定阈值的所述样本添加到特征库模块430当中并输出认证结果。 

根据所述初始化训练子***和在线训练子***，可以得到本发明实施例提供的人脸认证***，其组成结构如图5所示，其中包括：图像采集标定模块510，初始化训练子***中的特征提取模块520，在线训练子***中的特征提取模块521，特征库模块530，训练模块540，认证更新模块550和认证图像采集标定模块560。其中，所述认证图像采集标定模块560包括：图像采集子模块561、跟踪子模块562和自动定位子模块563；所述认证更新模块550包括：认证子模块551、多帧认证融合子模块552和特征库更新子模块553； 

图像采集标定模块510，采集包含人脸的图像，采用手工标定或者自动标定的方式标定脸部特征点位置。 

初始化训练子***中的特征提取模块520，根据图像采集标定模块510标定的脸部特征点，对人脸图像进行尺度归一化，割取人脸区域并进行光照归一化处理，根据所述标定的特征点集合提取人脸特征，得到所有正反样本特征，并添加到特征库模块530。 

在线训练子***中的特征提取模块521，根据标定的脸部特征点，对人 脸图像进行尺度归一化，割取人脸区域并进行归一化处理，根据特征定义提取割取并归一化处理后的人脸图像的特征，得到当前样本特征。 

所述图像采集子模块561，采集包含待认证目标的图像。 

所述跟踪子模块562，检测和跟踪图像采集子模块561得到的图像中的人脸，得到待认证人脸目标的多帧图像。 

所述自动定位子模块563，定位图像中的所需脸部特征点位置。 

上述各模块与前述图3、图4中对应的各模块功能相同，此处不再详细介绍。 

所述特征库模块530，保存特征提取模块520得到的正反样本特征，以及特征库更新子模块553选定的样本特征，并提供给训练模块540。 

对于人脸认证***而言，需要为验证数据库中的每个身份信息对应的目标训练一个独立的分类器模型。对于该目标而言，训练正样本为该目标对应的样本，训练反样本为所有目标的训练样本中该目标以外的目标对应的样本。进一步，还可以在配置初始化训练子***中的特征库时，采集标定并提取得到一个非认证目标特征库，该库中的人脸特征不与特征库中的任何认证目标相对应，在对分类器进行训练时，将该库中样本和所述不是当前待认证目标的人所对应的样本一起，作为当前待认证目标的训练反样本。 

根据上述正反样本，使用选择的特征构造方式和分类器训练算法就可以训练得到该目标的人脸认证模型。 

所述训练模块540，根据特征库模块530中保存的所有样本特征，训练选定的分类器模型得到分类器判决模型。 

所述认证子模块551，利用训练模块540得到的分类器判决模型对特征提取模块521获取的当前样本特征进行人脸认证； 

认证子模块551对当前图像的样本特征进行认证时，认证结果可以表示为：如果认为当前图像为对应的认证目标，则输出1，否则为0。假设跟踪子模块跟踪到某待认证目标的共N帧图像(N为自然数)，分别进行认证后得到N个当前帧认证结果，分别为R_n(n＝0，1，2...N-1)，如果认证子模 块判定该帧图像为所述认证目标，则R_n为1，否则为0。 

或者，也可以采用当前帧图像与认证目标的相似程度(具体依赖于认证算法的分类器模型类型，比如可以采用已知该人脸图像，其为认证目标的后验概率)。假定跟踪子模块跟踪到某待认证目标的共N帧图像，从而得到N个当前帧认证结果，分别为R_n′(n＝0，1，2...N-1)，R_n′为[0，1]区间的一个数，其越接近1表示当前帧图像为认证目标的可能性越高，越接近0表示当前帧图像不为认证目标的可能性越高。 

所述多帧认证融合子模块552，统计输出为1的次数，将其与预先设定的认证阈值比较，如果所述次数大于等于认证阈值，则确认该待认证目标为认证目标并输出认证结果，否则该待认证目标不是认证目标；将所述认证结果通知特征库更新子模块553，； 

或者，计算所述各帧图像与对应的认证目标的相似程度的平均值，当所述平均值大于等于预设的认证阈值时，则确认该待认证目标为认证目标并输出认证结果，否则该待认证目标不是认证目标。 

因此，多帧认证融合子模块552，可以根据R₀，R₁，R₂...R_N-1对当前待认证目标是否为认证目标做出一个判定，一种简单的方式为采用投票方式，即统计R₀，R₁，R₂...R_N-1中1出现的次数，假定为Count1，将其与N*T_Count1比较，如果 ${\mathrm{Count}}_1\≥N*T_{{\mathrm{Count}}_1},$ 则多帧认证融合子模块552输出结果为1，即认为该人为认证目标，否则输出0，表示该人不是认证目标。其中T_Count1，为预设的常数，取值范围在[0，1]间，较佳可以取为0.6。 

或者，也可以根据R₀′，R₁′，....R_N-1′对所述待认证目标是否为认证目标进行判定，例如计算 $R_A^{\′}=\frac{1}{N}\underset{0\≤n\≤N}{\mathrm{\Σ}}{R_n}^{\′},$ 将其与T1比较，如果R_A′≥T1，则多帧认证融合子模块552输出1，表示判定待认证目标为认证目标，否则，输出0，表示判定待认证目标不是认证目标。其中T1为预设常数，取值范围在[0，1]间，较优的可以取为0.5。 

所述特征库更新子模块553，根据所述多帧认证融合子模块552的通知，将置信度高于预先设定的置信阈值的所述样本添加到特征库模块530当中。 

特征库更新子模块553根据所述多帧认证融合子模块552融合得到的认证结果，进一步计算该待认证目标和认证目标的相似程度(即置信度)与预先设定的置信阈值比较，当所述相似程度大于等于设定的置信阈值时，输出认证结果并将该待认证目标的样本特征添加到对应的认证目标的特征库中，作为所述认证目标新增加的正样本。 

经过所述的样本添加后，特征库中新增了部分样本，则可以采用新构成的特征库对分类器进行训练，得到更新后的分类器判决模型。 

例如，当所述多帧认证融合子模块采用投票方式进行多帧融合时，如果Count₁≥N*T_Count2，认为该待认证目标是认证目标的可信程度很高，将所述待认证目标的全部样本特征全部添加到特征库，否则，认为不能确信该待认证目标为认证目标，不执行所述添加。其中T_Count2为预设的置信阈值，取值范围在[0，1]间，较佳可以取为0.8。 

或者，当采用平均值计算的方式进行多帧融合时，如果R_A′≥T2，认为该待认证目标是认证目标的可信程度很高，将所述待认证目标的全部样本特征全部添加到特征库，否则，认为不能完全确信该待认证目标为认证目标，不执行所述添加。其中T2为预设的置信阈值，取值范围在[0，1]问，较优的可以取为0.7。 

此外，所述特征库更新子模块553，还进一步用于选择时机重新训练分类器判决模型。所述训练时机的确定方法，较简单的为每当有新的样本添加到特征库后就进行训练。较佳的方法是在特征库中设定更新阈值TFN，记录添加到特征库的样本特征的数目FN，当新添加的样本特征的数目FN大于等于TFN时，训练模块根据更新后的特征库重新训练得到新的分类器判决模型。当训练时机满足时，所述特征库更新子模块553通知训练模块540； 

所述训练模块540，根据所述特征库更新子模块553的通知，采用更新 后的特征库进行分类器训练，得到新的分类器判决模型。 

最后，需要说明的是，本发明实施例中采用的跟踪子模块、自动定位子模块、分类器模型选择等均采用现有技术，其中跟踪子模块可采用中国专利申请200510135668.8中提供的“一种视频序列中人脸的实时检测与持续追踪的方法及***”提及的算法来实现。自动定位子模块设定所需脸部特征点为左眼中心点，右眼中心点，嘴巴中心点，特征点定位方法可参考中国专利申请“一种人脸特征点定位方法”  (申请号：200610011673.2，公开号CN1822024)中提出的方法进行。特征提取模块中的几何归一化方法可以采用基于仿射变换的方法进行，光照归一化过程可以不进行，也可以采用人脸区域方差进行归一化，特征可以选择定义为8方向，5个尺度的盖博(Gabor)幅度特征，分类器模型可以采用分类能力较强的SVM分类器，上述各个步骤均采用现有技术就可以实现，具体细节可参考相关人脸认证、识别论文。但是，上述各种均为较佳的实施方式，实际应用中可以根据具体情况采用其他成熟的现有技术，本发明实施例并不作限定，因此不再赘述。 

由上述可见，本发明实施例的这种人脸认证的***，能够根据待认证目标的认证结果得到该人与认证对象的相似程度，根据上述相似程度自动将置信度高于预设置信阈值的目标对应的样本特征添加到特征库中，进行在线训练并得到更新的分类器判决模型，从而实现认证目标样本的自动更新，因此提高了人脸认证***的抗干扰能力。 

本发明实施例还同时提供一种人脸认证的方法，该方法流程如图6所示，其中包括： 

步骤601：采集包含同一待认证人脸目标的多帧图像，得到包含该待认证人脸目标的每帧图像的样本特征。 

步骤602：利用根据特征库训练后得到的分类器判决模型，分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证；其中，所述特征库在之前的认证过程中至少被更新一次。 

所述利用分类器判决模型分别对包含同一待认证人脸目标的每帧图像 的样本特征进行认证的方法为： 

利用分类器判决模型，分别判断包含同一待认证人脸目标的每帧图像的样本特征是否是对应的认证目标，若是输出1，否则输出0；或，分别计算包含同一待认证目标的每帧图像的样本特征与对应的认证目标的相似程度。 

步骤603：融合包含所述同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果。 

统计输出为1的次数，将其与预先设定的认证阈值比较，如果所述次数大于等于认证阈值，则确认该待认证目标为认证目标并输出认证结果，否则该待认证目标不是认证目标；或计算所述各帧图像与对应的认证目标的相似程度的平均值，当所述平均值大于等于预设的认证阈值时，则确认该待认证目标为认证目标并输出认证结果，否则该待认证目标不是认证目标。 

步骤604：将融合后的认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库，实现对所述特征库的更新。 

当所述输出为1的次数大于等于预设的置信阈值时，将所述待认证目标的全部N帧图像的样本特征全部添加到特征库，否则，不能确定该待认证目标为认证目标，不执行所述添加；当所述平均值大于等于预设的置信阈值时，将所述待认证目标的全部N帧图像的样本特征全部添加到特征库，否则，不能确定该待认证目标为认证目标，不执行所述添加，N为自然数。 

需要说明的是，如果步骤604对特征库进行了更新，则下一次认证流程中，步骤602中所述根据特征库训练后得到的分类器判决模型可以分成以下两种情况： 

每次有新的样本特征添加到特征库后，根据特征库对分类器模型进行训练； 

或，记录已添加到特征库的样本特征的数目，当已添加到特征库的样本特征的数目大于等于预先设置的更新阈值时，根据特征库对分类器模型进行训练。 

上述所述的人脸认证的方法，能够进行在线训练并得到更新的分类器判决模型，从而实现认证目标样本的自动更新，因此提高了人脸认证***的抗 干扰能力。 

容易理解，以上所述仅为本发明的较佳实施例，并非用于限定本发明的精神和保护范围，任何熟悉本领域的技术人员所做出的等同变化或替换，都应视为涵盖在本发明的保护范围之内。 

Claims (14)

1.一种人脸认证的方法，其特征在于，该方法包括：

采集包含同一待认证人脸目标的多帧图像，得到包含该待认证人脸目标的每帧图像的样本特征；

利用根据特征库训练后得到的分类器判决模型，分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证；其中，所述特征库在之前的认证过程中至少被更新一次；

融合包含所述同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果；并将融合后的认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库，实现对所述特征库的更新；

其中，所述根据特征库训练得到分类器判决模型的方法为：

每次有新的样本特征添加到特征库后，根据特征库对分类器模型进行训练；

或，记录已添加到特征库的样本特征的数目，当已添加到特征库的样本特征的数目大于等于预先设置的更新阈值时，根据特征库对分类器模型进行训练。

2.根据权利要求1所述的方法，其特征在于，利用所述分类器判决模型，分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证的方法为：

利用根据特征库训练后得到的分类器判决模型，分别判断包含同一待认证人脸目标的每帧图像的样本特征是否是对应的认证目标，若是则输出表示是认证目标的数值，否则输出表示非认证目标的数值。

3.根据权利要求2所述的方法，其特征在于，所述融合包含同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果的方法为：

统计输出表示是认证目标的数值的次数，将其与预先设定的认证阈值比较，如果所述次数大于等于认证阈值，则确认该待认证人脸目标为认证目标并输出认证结果，否则该待认证人脸目标不是认证目标。

4.根据权利要求3所述的方法，其特征在于，所述将融合后认证结果的置信度高于预设置信阈值的待认证目标的全部样本特征添加到特征库的方法为：

当所述输出表示是认证目标的数值的次数大于等于预设的置信阈值时，将所述待认证人脸目标的多帧图像的样本特征全部添加到特征库。

5.根据权利要求1所述的方法，其特征在于，所述利用分类器判决模型分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证的方法为：

利用分类器判决模型，分别计算包含所述同一待认证人脸目标的每帧图像的样本特征与对应的认证目标的相似程度。

6.根据权利要求5所述的方法，其特征在于，所述融合包含同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果的方法为：

计算所述各帧图像与对应的认证目标的相似程度的平均值，当所述平均值大于等于预设的认证阈值时，则确认该待认证人脸目标为认证目标并输出认证结果，否则判定该待认证人脸目标不是认证目标。

7.根据权利要求6所述的方法，其特征在于，所述将融合后认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库的方法为：

当所述平均值大于等于预设的置信阈值时，将所述待认证人脸目标的全部N帧图像的样本特征全部添加到特征库，N为自然数。

8.一种人脸认证的***，其特征在于，该***包括：图像采集标定模块、特征提取模块、特征库模块、训练模块和认证更新模块；

所述图像采集标定模块，采集包含同一待认证人脸目标的多帧图像；

所述特征提取模块，根据所述多帧图像得到包含该待认证人脸目标的每帧图像的样本特征；

特征库模块，接收认证更新模块添加的样本特征，并提供给训练模块；

所述训练模块，根据所述特征库对分类器模型进行训练得到分类器判决模型；

所述认证更新模块，利用分类器判决模型分别对包含同一待认证人脸目标的每帧图像的样本特征进行认证；融合包含所述同一待认证人脸目标的多帧图像的样本特征的认证结果，得到该目标的认证结果；将融合后认证结果的置信度高于预设置信阈值的待认证人脸目标的全部样本特征添加到特征库；在每次有新的样本特征添加到特征库时，或已添加到特征库的样本特征的数目大于等于预先设置的更新阈值时，通知训练模块；

所述训练模块，在接收到所述通知后根据所述特征库对分类器模型进行训练。

9.根据权利要求8所述的***，其特征在于，所述认证更新模块包括认证子模块；

所述认证子模块，利用分类器判决模型，分别判断包含同一待认证人脸目标的每帧图像的样本特征是否是对应的认证目标，若是输出表示是认证目标的数值，否则输出表示非认证目标的数值。

10.根据权利要求9所述的***，其特征在于，所述认证更新模块进一步包括：多帧认证融合子模块；

所述多帧认证融合子模块，统计输出表示是认证目标的数值的次数，将其与预先设定的认证阈值比较，如果所述次数大于等于认证阈值，则确认该待认证人脸目标为认证目标并输出认证结果，否则该待认证人脸目标不是认证目标。

11.根据权利要求10所述的***，其特征在于，所述认证更新模块进一步包括：特征库更新子模块；

所述特征库更新子模块，当所述输出表示是认证目标的数值的次数大于等于预设的置信阈值时，将所述待认证人脸目标的全部N帧图像的样本特征全部添加到特征库，否则，不能确定该待认证人脸目标为认证目标，不执行所述添加，N为自然数。

12.根据权利要求8所述的***，其特征在于，所述认证更新模块包括认证子模块；

所述认证子模块，利用分类器判决模型，分别计算包含所述同一待认证人脸目标的每帧图像的样本特征与对应的认证目标的相似程度。

13.根据权利要求12所述的***，其特征在于，所述认证更新模块进一步包括：多帧认证融合子模块；

所述多帧认证融合子模块，计算所述各帧图像与对应的认证目标的相似程度的平均值，当所述平均值大于等于预设的认证阈值时，则确认该待认证人脸目标为认证目标并输出认证结果，否则判定该待认证人脸目标不是认证目标。

14.根据权利要求13所述的***，其特征在于，所述认证更新模块进一步包括：特征库更新子模块；

所述特征库更新子模块，当所述平均值大于等于预设的置信阈值时，将所述待认证人脸目标的全部N帧图像的样本特征全部添加到特征库，否则，不能确定该待认证人脸目标为认证目标，不执行所述添加，N为自然数。

Images