人员身份验证方法和系统

1.一种人员身份验证方法，包括步骤：
利用线性判别式分析从用于定义各训练图像的N个向量zj导出等 级特有的线性判别式变换ai，其中j＝1，2...N，所述训练图像具有m个 不同等级，第i个等级ωi包含数量为Ni的训练图像，使得 $N=\underset{i=1}{\overset{m}{\Sigma }}{N}_i,$
把用于定义探测图像的向量zp投影到所述等级特有的线性判别式 变换ai上，以便获得投影的向量ai Tzp，
将所投影的向量ai Tzp与第i个等级ωi的参考向量相比较，和
根据所述比较，相对于第i个等级来计算探测图像的可靠性。
2.如权利要求1所述的方法，包括：
将主分量分析运用于所述向量zj，此处j＝1，2...N，以便产生一组 横越n维子空间的特征向量u1，u2...un，作为用于主分量分析投影矩阵U 的基底，
利用所述主分量分析投影矩阵U将所述向量zj投影到所述特征向 量u1，u2...un上，其中j＝1，2...N，以便产生各自n维向量xj，此处 j＝1，2...N，和
将所述线性判别式分析运用于所述n维向量xj，此处j＝1，2...N， 以便产生与由方程式ai＝Uvi表示的所述等级特有的线性判别式变换ai 相关的、等级特有的特征向量vi。
3.如权利要求2所述的方法，其中，将所述线性判别式分析运用 于所述n维向量xj的步骤，包括：为所述第i个等级ωi产生等级之内 的散布矩阵∑i，此处j＝1，2...N，并且通过下面的方程式给出所述等级 特有的特征向量vi：
$v_i={\Sigma }_i^{-1}{\upsilon }_i,$
其中对于在ωi中的所有xj， ${\upsilon }_i=\frac{1}{N}\underset{j=1}{\overset{N_i}{\Sigma }}{\chi }_j.$
4.如权利要求3所述的方法，其中，所述等级之内的散布矩阵∑ i等于所述n维向量xj的混合协方差矩阵Φ，此处，j＝1，2...N，其中：
$\Phi =\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}{\chi }_j{\chi }_j^T.$
5.如权利要求3所述的方法，其中，将所述线性判别式分析运用 于所述n维向量xj的步骤包括：为所述第i个等级产生等级之间的散 布矩阵Mi，此处j＝1，2...N，其中：
$M_i=\frac{N_i}{N-N_i}{\upsilon }_i{\upsilon }_i^T,$
并且对于在ωi中的所有xj， ${\upsilon }_i=\frac{1}{N}\underset{j=1}{\overset{N_i}{\Sigma }}{\chi }_j,$
产生所述n维向量xj的协方差矩阵Φ，此处j＝1，2...N，
其中
$\Phi =\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}{\chi }_j{\chi }_j^T,$
并且产生由下面的方程式给出的所述等级之内的散布矩阵∑i
                   ∑i＝Φ-Mi。
6.如权利要求1-5任何之一所述的方法，其中，所述参考向量定 义为ai Tμi，其中对于在ωi中的所有zi， ${\mu }_i=\frac{1}{N}\underset{i=1}{\overset{N_i}{\Sigma }}{z}_i.$
7.如权利要求6所述的方法，其中，所述计算步骤包括计算由下 面的方程式给出的差值dc：
$d_c=|a_i^T{z}_p-a_i^T{\mu }_i|,$
并且依据所述差值接受或拒绝探测图像的可靠性。
8.如权利要求7所述的方法，包括：如果dc≤tc，则接受所述探 测图像的可靠性，如果dc＞tc，则拒绝所述探测图像的可靠性，其中tc 是预定阈值。
9.如权利要求6所述的方法，其中，所述计算步骤包括计算由下 面的方程式给出的差值di：
$d_i=|a_i^T{z}_p+\frac{N_i}{N-N_i}{a}_i^T{\mu }_i|,$
并且依据所述差值来接受或拒绝探测图像的可靠性。
10.如权利要求9所述的方法，包括：如果di＞ti，则接受所述 探测图像的可靠性，并且如果di≤ti，则拒绝所述探测图像的可靠性， 其中ti是预定阈值。
11.如权利要求6所述的方法，其中，所述计算步骤包括计算由 下面的方程式给出的差值di：
$d_i=|a_i^T{z}_p+\frac{N_i}{N-N_i}{a}_i^T{\mu }_i|,$
如果di＞ti，则接受所述探测图像的可靠性，其中ti是预定阈值， 如果di≤ti，计算由下面的方程式给出的差值dc：
$d_c=|a_i^T{z}_p-a_i^T{\mu }_i|,$
如果dc≤tc，则接受探测图像的可靠性，如果dc＞tc，则拒绝探测 图像的可靠性，其中tc是预定阈值。
12.如权利要求11所述的方法，其中，所述预定阈值tc、ti相同。
13.如权利要求1所述的方法，包括：为所述m个等级中的每一 等级导出各自的所述等级特有的线性判别式变换ai，并且为如此导出 的等级特有的线性判别式变换ai至少之一执行投影、比较和计算步 骤。
14.如权利要求1所述的方法，包括：登记包含Nm+1个训练图像的 训练图像的新等级作为第m+1个等级，和将权利要求1所述的方法运 用于定义各训练图像的N′个向量zj，此处j＝1，2...N′，其中N′＝N+Nm+1。
15.如权利要求14所述的方法，包括更新所述等级特有的线性变 换ai以便考虑所述新等级。
16.一种人员身份验证方法，包括步骤；
提供等级特有的线性判别式变换ai，所述ai是通过将线性判别式 分析运用到用于定义各训练图像的N个向量zj而导出的，此处j＝1，2... N，所述训练图像具有m个不同等级，第i个等级ωi包含数量为Ni的 训练图像，使得 $N=\underset{i=1}{\overset{m}{\Sigma }}{N}_i,$
把用于定义探测图像的向量zp投影到所述等级特有的线性判别式变换 ai上，以便获得投影的向量ai Tzp，
将投影的向量ai Tzp与第i个等级ωi的参考向量比较，和
根据所述比较，相对于第i个等级来计算探测图像的可靠性。
17.如权利要求16所述的方法，其中，利用在权利要求2-5的任 一项中所定义的所述的方法步骤导出所述等级特有的线性判别式变换 ai。
18.如权利要求16或17所述的方法，其中，所述参考向量定义 为ai Tμi，其中对于在ωi中的所有zi， ${\mu }_i=\frac{1}{N}\underset{i=1}{\overset{N_i}{\Sigma }}{z}_i,$ 并且通过权利要求7- 12中任一项所定义的方法步骤执行所述计算步骤。
19.一种人员身份验证系统，用于相对于训练图像的m个不同等 级中的一个或多个等级来计算探测图像的可靠性，其中所述训练图像 分别由向量zj定义，此处j＝1，2...N，总共有N个向量zj，并且第i个 等级ωi包含数量为Ni的训练图像，使得 $N=\underset{i=1}{\overset{m}{\Sigma }}{N}_i,$ 所述人员身份验证系统 包括：
数据存储装置，用于存储在权利要求1-5中的任一项所定义的、 每个所述等级ωi的等级特有的线性判别式ai，此处i＝1，2...m，和
数据处理装置，用于从所述数据存储装置访问所述等级特有的线 性判别式变换ai，把用于定义探测图像的向量zp投影到所访问的等级 特有的线性判别式变换ai上，将所投影的向量ai Tzp与第i个等级ωi的 参考向量相比较，并且根据所述比较，相对于第i个等级ωi来计算探 测图像的可靠性。
20.如权利要求19所述的验证系统，其中，所述参考向量定义为 ai Tμi，其中对于在ωi中的所有zi， ${\mu }_i=\underset{i=1}{\overset{N_i}{\Sigma }}{z}_i,$ 所述参考向量还被存储在 所述数据存储装置内并且可由所述数据处理装置访问。
21.如权利要求20所述的验证系统，其中，所述计算步骤包括计 算由下面的方程式给出的差值dc：
$d_c=|a_i^T{z}_p-a_i^T{\mu }_i|,$
并且依据所述差值接受或拒绝探测图像的可靠性。
22.如权利要求21所述的验证系统，包括如果dc≤tc，则接受所 述探测图像的可靠性，如果dc＞tc，则拒绝所述探测图像的可靠性，其 中tc是预定阈值。
23.如权利要求20所述的验证系统，其中，所述计算步骤包括计 算由下面的方程式给出的差值di：
$d_i=|a_i^T{z}_p+\frac{N_i}{N-N_i}{a}_i^T{\mu }_i|,$
并且依据所述差值来接受或拒绝探测图像的可靠性。
24.如权利要求23所述的验证系统，包括如果di＞ti，则接受所 述探测图像的可靠性，如果di≤ti，则拒绝所述探测图像的可靠性，其 中ti是预定阈值。
25.如权利要求20所述的验证系统，其中，所述计算步骤包括计 算由下面的方程式给出的差值di：
$d_i=|a_i^T{z}_p+\frac{N_i}{N-N_i}{a}_i^T{\mu }_i|,$
并且如果di＞ti，则接受所述探测图像的可靠性，其中ti是预定 阈值，
如果di≤ti，计算由下面的方程式给出的差值dc：
$d_c=|a_i^T{z}_p-a_i^T{\mu }_i|,$
如果dc≤tc，则接受探测图像的可靠性，并且
如果dc＞tc，则拒绝探测图像的可靠性，其中tc是预定阈值。
26.如权利要求19所述的验证系统，其中，所述数据存储装置和 所述数据处理装置位于不同位置。
27.如权利要求26所述的验证系统，其中，所述数据存储装置是 便携式的。
28.如权利要求27所述的验证系统，其中，所述数据存储装置是 智能卡。
29.如权利要求19所述的验证系统，其中，所述数据存储装置存 储预先计算的数据。

技术领域\n本发明涉及人员身份验证方法和系统。\n背景技术\n近年来，用计算机处理人员身份验证的问题已经受到相当多的重 视，以便寻找商业和法律的实施应用。\n举例来说，这包括智能卡、护照、驾驶执照等的验证，诸如特写 镜头之类的控制照片的匹配，来自CCTV电视图像的嫌疑犯相对于已知 面部图像数据库的识别和接入建筑物和电信业务的控制，例如银行柜 员机。\nR Brunelli和T Poggio于1993年在IEEE学报中PAMI上发表的 题目为“面部识别：特征对样板”的论文的第15卷第1042至1052页 给出了两种基本方法的比较；也就是，几何特征基底的方法和样板或 统计特征匹配的方法，作者赞成后者。\n用于面部验证的最普通的使用统计的显示法是Karhunen-Loeve 扩展，也就是主分量分析(PCA)，通过它能够以利用由经常称作“特 征面部”的特征向量定义的PCA基底的低维子空间显示面部图像。\n尽管这种方法提供了非常有效的数据压缩方式，但是不能保证差 别信息的最有效压缩。\n近段时间以来，线性判别式分析(LDA)技术已经适应面部识别问 题。此外，以低维子空间，但是以利用由经常称作“渔民面部(fisher face)”的特征向量定义的LDA基底的低维子空间显示面部图像，并 且已经证明这比利用“特征面部”的PCA显示法更优越。然而传统的 LDA显示法包含多个共享的“渔民面部”、必要的合成物和计算密集的 矩阵运算，并且这表示出用性能、处理速度和易于添加到或更新对于 其可以测试探测图像的面部图像数据库字眼来表示的重要技术问题。\n发明内容\n根据本发明的第一方面，提供了一种人员身份验证方法，包括利 用线性判别式分析(LDA)从定义各个训练图像的N个向量zj(j＝1，2... N)导出等级特有的线性判别式变换ai的步骤，其中，所述训练图像具 有m个不同等级，第i个等级ωi包含数量为Ni的训练图像，使得 $N=\underset{i=1}{\overset{m}{\Sigma }}{N}_i,$ 在所述等级特有的线性判别式变换ai上投影定义探测图像的 向量zp，以获得投影的向量ai Tzp，将所投影的向量ai Tzp与第i个等级ωi 的参考向量相比较，并且依据所述比较针对第i个等级来计算探测图 像的可靠性。\n根据本发明的另外一方面，提供了一种人员身份验证系统，包括用 于执行根据本发明所述第一方面限定的过程的数据存储和数据压缩装 置。\n根据本发明的第三方面，提供了一种人员身份验证系统，用于针 对训练图像的m个不同等级中的一个或多个等级计算探测图像的可靠 性，其中，所述训练图像分别由各向量zj(j＝1，2...N)定义，总共有N 个向量zj，并且在第i个等级中包含数量为Ni的训练图像，使得 $N=\underset{i=1}{\overset{m}{\Sigma }}{N}_i,$ 所述人员身份验证系统包括：数据存储装置，用于存储本发明 所述第一方面限定的每个所述等级ωi的等级特有的线性判别式ai，此 处，i＝1，2...m，和数据处理装置，用于从所述数据存储装置访问所述等 级特有的线性判别式变换ai，投影定义探测图像的向量zp在所述访问 的等级特有的线性判别式变换ai上，将投影的向量ai Tzp与第i个等级 ωi的参考向量比较并且依据所述比较针对第i个等级ωi计算探测图 像的可靠性。\n根据本发明的第四方面，提供了计算机可读介质，包括用于执行 根据本发明所述第一方面所限定的过程的计算机可执行指令。\n附图说明\n现在将通过实例，参照附图描述本发明的实施例，其中：\n图1a示出了用于投影的冒名顶替者面部图像的测试统计量的直方图；\n图1b示出了用于投影的客户面部图像的相同测试统计量的直方图；和\n图2示出了根据本发明的半集中式人员身份验证系统的略图。\n具体实施方式\n在本发明这个实施例中，假定N个训练图像代表m个不同的个人， 在此称作“客户”。训练图像的总数N用下面的表达式给出：\n$N=\underset{i=1}{\overset{m}{\Sigma }}{N}_i$\n其中Ni是代表第i个客户的训练图像的数量，定义清楚的客户等级 ωi。对于每个客户等级的训练图像的数量不必相同。典型地，N可以 是103数量级和m可以是102的数量级。\n可从一些生物统计的数据导出训练图像，假定适当地注册并且光 学地规一化了这些训练图像。\n在这个实施例中，使用了正面面部图像；然而，其他生物统计的 数据的图像也可以替代地使用，例如侧面面部图像。\n正如将要解释的，所述的人员身份验证方法和系统可以用于计算 显示作为客户之一的探测面部图像的可靠性，接受或拒绝要求的识 别。这个过程得到应用，尤其是在智能卡、护照、驾驶执照等的验证 中的应用。\n由可以考虑为d维向量z的灰度级强度值的二维D×D排列定义每 个训练面部图像，其中d＝D2。典型地，d可以是214的阶数并且面部图 像总体可以映射到这个巨大的d维空间内部的点的集合。\n类似于整体结构的面部图像不能够随机地在这个空间内分配，并 且因此可以用相对低维子空间来定义面部图像。传统地，d维向量z可 以投影到训练图像横越的低维子空间，并且这可以通过利用上述的主 分量分析(PCA)产生的PCA投影矩阵U实现。\n投影矩阵U从混合协方差矩阵∑导出，用下面的表达式给出∑：\n$\Sigma =\underset{j=1}{\overset{N}{\Sigma }}(z_j-\mu ){(z_j-\mu )}^T,---\left(1\right)$\n其中，zj是定义第j个训练面部图像的d维向量和μ是由下面的表达 式给出的整体均值向量：\n$\mu =\underset{j=1}{\overset{N}{\Sigma }}{z}_j$\n如果，比如这里，图像向量z的维数d比训练图像N的数值大， 则混合协方差矩阵∑将具有n≤N个非零特征值。与这些非零特征值相 关的各个特征向量u1，u2...un(按照降序分等级)定义用于显示训练面 部图像横越的子空间的PCA基底，并且为此，将这些特征向量构造成 PCA投影矩阵U，其形式是：\n                     U＝[u1，u2...un]\n如1990年纽约学术出版社发表的K Fukunaga的论文“统计模式 识别的介绍”中所述，为了计算方便的原因，混合协方差矩阵∑的特 征值分析可以在维数为d′的子空间内执行，其中d′＜d。\n每个特征向量u都是d维，并且是具有类似外貌的图像的代表，与 导出特征向量u的面部图像相象。就是因为这个原因所以特征向量u 有时也称作“特征面部”。\n只要已经获得PCA投影矩阵U，在集中之后，将定义训练面部图像 的N个向量zj(j＝1，2...N)投影到特征向量u1，u2...un横越的低维子空 间以便产生N个相应的n维向量χj，其表达式如下：\nχj＝UT(zj-μ)    j＝1，2...N                   (2)\n暂时，使用线性判别式分析(LDA)迄今为止还是惯例。由与矩阵 Φ-1SB的非零特征值相关的m-1个特征向量v1，v2...vm-1定义用来显示向 量χj横越的子空间的LDA基底，其中Φ是向量χj的混合协方差矩阵， 用下面的表达式表示：\n$\Phi =\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\chi }_i{\chi }_j^T---\left(3\right)$\n和SB是在每个所述客户等级ωi中从投影向量χ的平均值υi导出 的等级之间的散布矩阵(scatter matrix)，其中i＝1，2，3...m，并且 用下面的表达式表示υi：\n${\upsilon }_i=\frac{1}{N}\underset{j=1}{\overset{N_i}{\Sigma }}{\chi }_j$ 对所有χj∈ωi                          (4)\n此外，每个特征向量v是具有稍微类似的外貌的图像的代表且有 时称作“渔民面部”，并且这些向量用来构造LDA投影矩阵 V＝[v1，v2...vm-1]。采用传统的方法，定义探测面部图像的向量zp；也就是 说，将显示作为m个客户之一的且要计算其可靠性的面部图像最初投 影进由PCA投影矩阵U的“特征面部”定义的n维子空间并且然后投 影进由LDA投影矩阵V的“渔民面部”定义的m-1维子空间以便产生 用下面的表达式表示的投影向量yp：\n                    yp＝VTUT(zp-μ)\n或者另外，然后通过相对于用于相关客户等级ωi的投影平均值γi 测试投影向量yp执行要求身份的验证，其中\n                      γi＝VTυi\n然后，如果投影向量y在投影平均值γi的预定距离内，则将探测图 像的可靠性作为第i个客户的图像接受(也就是接受要求的身份)； 否则，将探测图像的可靠性作为冒名顶替者的图像拒绝(也就是拒绝 要求的身份)。\n上面方程5的测试说明传统计算过程包括多个共享的由定义投影 矩阵V的特征向量v1，v2...vm-1显示的“渔民面部”并且总是与相对于 其测试一个探测面部图像的客户等级ωi无关。这种方法包括计算密集 的复杂矩阵运算，因此通常不能令人满意。\n对照这种传统的方法，它需要多个共享的“渔民面部”，本发明 采用了完全不同的方法即包括由一维线性判别式变换定义的单一的、 等级特有的“渔民面部”。这种方法避免了使用多个共享的渔民面部 从而在计算复杂性方面提供了相当大的节约。为此，人员身份验证方 法由两个等级问题方面重新定义；也就是说，包含第i个客户的Ni个 训练面部图像的用户等级ωi和基于保持训练面部图像的N-Ni的冒名 顶替者等级Ωi。无疑，将有客户等级ωi和用于m个客户每一个的相关 冒名顶替者等级Ωi(i＝1，2...m)。\n利用列方程，用于冒名顶替者等级Ωi的投影向量χ的平均值υΩi可 以表示为：\n${\upsilon }_{{\Omega }_i}=\frac{1}{N-N_i}\underset{j=1}{\overset{N=N_i}{\Sigma }}{\chi }_j$ 对所有χj，ωi                          (7)\n其中，通过与上面的方程4作比较，用υi可以表示为：\n${\upsilon }_{{\Omega }_i}=-\frac{N}{N-N_i}{\upsilon }_i---\left(8\right)$\n因此，第i个冒名顶替者等级Ωi的平均值在相反方向上移动到第 i个客户等级ωi的平均值，移动的大小由两个等级中的训练面部图像 Ni、N-Ni的各自数量的比值确定。这个比值通常比较小，所以冒名顶替 者等级的平均值将不顾相对于其测试一个探测面部图像的客户等级ωi 而保持与原点接近。\n用于两个等级ωi、Ωi的等级之间的散布矩阵Mi可以表示为：\n$M_i=\frac{N-N_i}{N}{\left(\frac{N_i}{N-N_i}\right)}^2{\upsilon }_i{\upsilon }_i^T+\frac{N_i}{N}{\upsilon }_i{\upsilon }_i^T---\left(9\right)$\n它可以简化为：\n$M_i=\frac{N_i}{N-N_i}{\upsilon }_i{\upsilon }_i^T---\left(10\right)$\n还有，冒名顶替者等级Ωi的协方差矩阵ΦΩ可以如下计算：\n${\Phi }_{\Omega }=\frac{1}{N-N_i}\underset{j=1}{\overset{N-N_i}{\Sigma }}({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i){({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i)}^T{\chi }_j{\in \omega }_i---\left(11\right)$\n可以通过改写上面的方程11将混合协方差矩阵Φ表示为：\n${\Phi }_{\Omega }=\frac{1}{N-N_i}[\underset{j=1}{\overset{N}{\Sigma }}({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i){({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i)}^T-\underset{j=1}{\overset{N_i}{\Sigma }}({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i){({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i)}^T]---\left(12\right)$\n其中，第二个和中的向量属于客户等级。事实上，第二个和涉及 用于客户等级ωi的协方差矩阵Φi，也就是：\n${\Phi }_i=\frac{1}{N_i}\underset{j=1}{\overset{N_i}{\Sigma }}({\chi }_j-{\upsilon }_i){({\chi }_j-{\upsilon }_i)}^T{\chi }_j\in {\omega }_i---\left(13\right)$\n当\n$\underset{j=1}{\overset{N_i}{\Sigma }}({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i){({\chi }_j+\frac{N_i}{N-N_i}{\upsilon }_i)}^T=N_j[{\Phi }_i+{\left(\frac{N}{N-N_i}\right)}^2{\upsilon }_i{\upsilon }_i^T]---\left(14\right)$\n从而，简化上面的方程12，显示如下：\n${\Phi }_{\Omega }=\frac{1}{N-N_i}[N\Phi -N_i{\Phi }_i-\frac{N{N}_i}{N-N_i}{\upsilon }_i{\upsilon }_i^T]---\left(15\right)$\n现在可以通过冒名顶替者和客户等级的协方差矩阵的加权平均获 得用于第i个客户等级的等级之内散布矩阵∑i，也就是：\n${\Sigma }_i=\frac{N-N_i}{N}{\Phi }_{\Omega }+\frac{N_i}{N}{\Phi }_i---\left(16\right)$\n并且通过将上面的方程15代入和简化，显示如下：\n∑i＝Φ-Mi                                  (17)\n可以从与非零特征值相关的矩阵∑i -1Mi的特征向量获得用于这两 个等级问题的等级特有的线性判别式变换ai。事实上，在这两个等级 问题中，只有这个特征向量vi满足方程：\n${\Sigma }_i^{-1}{M}_i{v}_i-{\mathrm{\lambda v}}_i=0---\left(18\right)$\n当λ≠0，提供的vi非零。对于特征值问题只有一个解，很容易看 出不用执行任何特征分析即可直接发现特征向量vi，即\n$v_i={\Sigma }_i^{-1}{\upsilon }_i---\left(19\right)$\n通过在上面的方程18和19中代替vi和用上面的方程10代替Mi 将变得很清楚，也就是：\n$\frac{N_i}{N-N_i}{\Sigma }_i^{-1}{\upsilon }_i{\upsilon }_i^T{\Sigma }_i^{-1}{\upsilon }_i=\lambda v_i---\left(20\right)$\n还可以得到特征值λ显示如下：\n$\lambda =\frac{N_i}{N-N_i}{\upsilon }_i^T{\Sigma }_i^{-1}{\upsilon }_i---\left(21\right)$\n特征向量vi用作用于第i个客户等级ωi的线性判别式变换ai的基 底，通过下式给出ai：\n                ai＝Uvi                      (22)\n正是这个变换ai定义了一维等级特有的、用于根据本发明测试探 测图像面部的可靠性的“渔民面部”。\n在一种方法中，在此称作“接受客户”方法，在利用变换ai在等 级特有的“渔民面部”上投影定义一个探测图像面部的向量zp并且相 对于用于各个等级(在这个例子中指第i个等级)的投影平均值ai Tμi测 试投影向量ai Tzp。\n为此，通过下面的方程式计算差值dc：\n$d_c=|a_i^T{z}_p-a_i^T{\mu }_i|---\left(23\right)$\n如果测试统计量dc比预定阈值tc大，也就是(如果dc≤tc)接受 探测面部图像的可靠性，也就是接受要求的身份(第i个客户的)； 否则(也就是dc＞tc)拒绝探测面部图像的可靠性也就是拒绝要求的身 份。\n选定阈值tc实现规定的工作点；也就是，真正要求的错误拒绝和 冒名顶替者要求的错误接受之间的规定关系。从绘制了两种错误率之 间的关系作为判断阈的函数的“接受者运行特性(ROC)”曲线确定工 作点。利用独立面部图像装置即计算装置计算ROC曲线。\n典型地，工作点设置在错误拒绝与错误接受率一样的“相等的错 误率(EER)”处。\n在另外的方法中，在此称作“拒绝冒名顶替者”方法，相对于冒 名顶替者的投影平均值测试投影向量ai Tzp，也就是 为 此，通过下面的方程式计算差值di：\n$d_i=|a_i^T+\frac{N_i}{N-N_i}{a}_i^T{\mu }_i|---\left(24\right)$\n在这种情形下，期望用于冒名顶替者的投影向量ai Tzp接近冒名顶替 者的投影平均值。从而，如果测试统计量di比预定阈值ti大(也就是 di＞ti)，则接受探测面部图像的可靠性，也就是接受请求身份(第i 个客户的)；否则(也就是di≤ti)拒绝探测面部的可靠性，也就是拒 绝请求身份。当训练面部图像N的数量大时，冒名顶替者的平均值将 接近原点并且方程24中的第二项可以忽略。在这种情形下，差值di 仅仅是投影向量的绝对值|ai Tzp|。\n图1(a)和1(b)分别示出了用于利用“拒绝冒名顶替者”方法 获得的冒名顶替者的探测面部图像和客户的探测面部图像的测试统计 量ti的直方图。正如所期望的，冒名顶替者的探测面部图像在原点处 集结，也就是冒名顶替者的平均值μΩ(图1(a))，而客户的探测面 部图像在远离原点处落下(fall)(图1(b))。图1(b)中的负投 影是为了显示“渔民面部”而采用的惯例的人造产物。尽管原则上， 能够计算客户面部图像的投影以便提供总是正的的测试统计量ti。\n已经发现“接受客户”方法和“拒绝冒名顶替者”方法是互补的 并且可以结合或融合。“融合”方法的实例是简单的串联融合方案。 更具体地，最初利用“拒绝冒名顶替者”方法测试探测面部图像。如 果测试探测面部图像失败，也就是将申请人作为冒名顶替者拒绝，则 接受探测面部图像的可靠性。另一方面，如果探测面部图像通过测试， 也就是将申请人作为冒名顶替者接受，利用“接受客户”方法重新测 试探测面部图像。如果探测面部图像通过了第二测试，也就是将申请 人作为客户接受，则接受探测面部图像的可靠性；否则拒绝可靠性。\n在这个例子中，不同的阈值tc和ti分别用于“客户接受”和“拒 绝冒名顶替者”方法。然而，因为客户和冒名顶替者的探测向量zp都 投影进一维空间，所以可能发现用于这两种方法的共用阈值，其在给 定的工作点错误率处分开客户和冒名顶替者图像。\n已经通过根据K Messer等人在1999年的AVBPA会刊上发表的论 文“XM2VTSDB：扩展的M2VTS数据库”的第72至77中所描述的所谓 洛桑协议的传导验证实验测试了上述人员身份验证方法。\n这个协议提供了用于人员身份验证算法的性能表征的标准框架， 以致不同方法的结果可以直接比较。该协议将数据库的部分规定进三 个不同组；也就是，包含200个客户的训练组，包含200个客户和25 个冒名顶替者的计算组和包含200个客户和70个冒名顶替者的测试 组。\n在计算和测试组中的冒名顶替者的图像彼此独立并且不同于客户 组。训练组用来计算变换ai定义的客户“渔民面部”，已经作了描述。 计算组用来确定阈值ti、tc和测试组用来计算关于独立数据的错误接 受和错误拒绝。\n在测试之前，将面部图像正确地注册到一个像素内以便消除由于 未对准而对性能产生的任何起作用的影响，并且通过删除图像平均值 或通过直方图平坦化光学地规格化每个图像。\n已经发现当采用“接受客户”方法时，使用具有提供最佳结果的 直方图平坦化光学地规格化图像获得最佳结果，而当采用“拒绝冒名 顶替者”方法时，通过未规格化的图像可以获得最佳结果。\n测试结果显示“拒绝冒名顶替者”方法比“接受客户”方法提供 了较低级别的错误拒绝/错误接受，并且利用“融合”方法能够获得更 低的级别，这些级别也比利用传统LDA验证方法获得的级别低。\n已经描述过，传统LDA人员身份验证方法包括使用多个共享的、 横越具有100个或更多维数的子空间的“渔民面部”、必要的合成物 和计算密集的矩阵运算。对照这些，本发明包括使用等级特有的、由 仅占用一维子空间的变换ai定义的“渔民面部”。本发明还有用于验 证方法计算效率的重要暗示；更具体地，因为在操作阶段中(也就是 产生“渔民面部”之后)的计算的复杂性线性地与子空间的维数成比 例，因此本发明等级特有的方法的操作比传统方法的操作快100倍以 上。\n而且，因为测试统计量dc、di是一维，不需要计算“渔民空间” 内的欧几里德距离，所以通过简单地比较测试统计量dc、di和提供更 多计算增益的阈值tc、ti即可作出决定。此外，客户和冒名顶替者平 均值 的投影可以预先计算并且这导致更快的处理。\n还有，在训练阶段中，可以用相对直接的方式计算等级特有的“渔 民面部”a，不需要处理特征值分析问题。这尤其适于当训练面部图像 的数量N较大时；然后，等级之间的散布矩阵Mi趋向于零并且等级之 内的散布矩阵∑i简单变成全部等级共用的混合协方差矩阵Φ，以便提 供另外的计算增益。\n使用如上所述等级特有的“渔民面部”ai的另一个结果是可以独 立于任何其他的“渔民面部”而计算每个这种“渔民面部”。这使得 新客户的登记比上述包含多个共享“渔民面部”的传统LDA方法相对 直接。因此，本发明在客户总数连续地改变和训练面部图像数据库需 要增加或更新的情形下获得了特殊应用，虽然不是唯一的。\n可以在不同方式的变形中实现本发明的人员身份验证方法。\n在完全集中的人员身份验证系统中，将探测面部图像传送到远程 中央处理站，该中央处理站存储了所有客户的详情并且执行必要的处 理以便为了验证作出决定。\n可替代地，可以使用半集中系统，如图2中示意地所示。在这种 情形下，等级特有的数据；例如特征向量v1，v2...vm和平均值向量 μ1，μ2...μm预先计算并且将之存储在远程数据存储器内，例如诸如智能 卡10之类的便携数据存储器，并且在本地处理机11内执行数据处理。 本地处理机11存储用于PCA投影矩阵U的基底u1，u2...un并且访问来 自智能卡10的数据，如果必要，通过读卡器12。处理机11使用这些 数据处理显示接收自相关输入装置13的探测面部图像的向量zp。\n在另外的方法中，可以使用完全本地化的系统。在这种情形下， 在智能卡内存储和处理全部必要的数据。使用这种方法，就数据存储 和处理速度来说，包含处理等级特有“渔民面部”ai的本发明比包含 处理多个共享“渔民面部”的传统LDA方法更加有效m倍。\n此外，新客户的登记或智能卡数据库的更新变得切实可行，而利 用传统LDA方法则不实用。因此，本发明公开了具有非集中式结构的 人员身份验证系统的可能性。\n在本发明前述实施例中，显示探测面部图像作为为验证系统所知 的m个客户之一的面部图像，并且相对于各自客户等级测试这个图像。 在本发明另外的实施例中，探测面部图像的身份是未知的；在这种情 形下，为了发现匹配和建立身份，相对于客户等级的一个或多个测试 探测面部图像。这个实施例发现了应用，尤其在诸如特写镜头之类的 控制照片的匹配和来自CCTV电视图像的嫌疑犯相对于已知面部图像数 据库的识别。\n应清楚本发明还包含诸如CD ROM之类的包含用于执行根据本发明 的人员身份验证方法的计算机可执行指令的计算机可读介质。