CN105654056A - 人脸识别的方法及装置 - Google Patents

Abstract

本发明适用于人脸识别技术领域，提供了人脸识别的方法及装置，包括：提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值；以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。本发明提升了人脸识别的准确率。

Description

人脸识别的方法及装置

技术领域

本发明属于人脸识别技术领域，尤其涉及人脸识别的方法及装置。

背景技术

在许多公共场合，出于安防因素的考虑，需要对相关人员进行身份验证。人脸识别技术利用摄像头拍摄图像或视频，以获取到大量的人脸数据，进而从大量的人脸数据中分析得到与身份相关的信息，其对人们来说具有非接触、无侵犯、方便快捷等特点，且有助于更加直观有效地进行身份分析，因此得到了广泛的推广和应用。

人脸识别在大多数应用场景之中都会受到多种因素的干扰，如光照、角度、遮挡等，其中，年龄也为一个主要的干扰因素。目前，跨年龄的人脸识别多采用特征改进的方法，通过获得对年龄变化更为鲁棒的特征表示，采用简单的距离测度方法进行分类，上述方法对特征选取的要求高，依赖于训练数据的统计特性，无法反映身份和年龄的内在特性，上述缺陷均会导致人脸识别的准确率受到影响。

发明内容

有鉴于此，本发明实施例提供了人脸识别的方法及装置，以解决目前跨年龄的人脸识别准确率低的问题。

第一方面，提供了一种人脸识别的方法，包括：

提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；

定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；

输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；

将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对为同一人的概率，所述第二概率为所述人脸图像对不为同一人的概率；

以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。

第二方面，提供了一种人脸识别的装置，包括：

特征提取单元，用于提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；

定义单元，用于定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；

训练单元，用于输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；

计算单元，用于将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对为同一人的概率，所述第二概率为所述人脸图像对不为同一人的概率；

识别单元，用于以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。

本发明实施例通过建立潜因子模型，充分考虑人脸图像中身份影响因素和年龄影响因素，具有更强的表达能力，能够学习到对身份认证更强的鉴别性信息和模式，并通过数学求解提出了计算后验概率似然比的分类方法，提升了人脸识别的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的人脸识别的方法的实现流程图；

图2是本发明实施例提供的人脸识别的方法的详细实现流程图；

图3是本发明实施例提供的人脸识别的方法人脸图像预处理的实现流程图；

图4是本发明实施例提供的人脸识别的装置的结构框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透切理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明实施例以人脸图像信息为对象，提取特征并建立潜因子模型，该潜因子模型的构成包括身份因子和年龄因子，以身份因子估计为核心，从而达到跨年龄人脸识别的目的。

图1示出了本发明实施例提供的人脸识别的方法的实现流程，详述如下：

在S101中，提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；

在S102中，定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；

在S103中，输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；

在S104中，将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对为同一人的概率，所述第二概率为所述人脸图像对不为同一人的概率；

在S105中，以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。

接下来，基于图1所示实施例，对本发明实施例进行进一步的详细阐述：

如图2所示：

在S201中，将训练样本的高维特征分解为N段，所述N为大于1的整数。

在S202中，对分解出的每段高维特征分别建立对应的潜因子分析模型，所述潜因子模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合，其数学表示如下。

$\stackrel{\→}{t}=\stackrel{\→}{\mathrm{\β}}+U\stackrel{\→}{x}+V\stackrel{\→}{y}+\stackrel{\→}{\mathrm{\ϵ}},$

其中，是均值，是身份因子，是年龄因子，是噪声，给定先验假设，身份因子和年龄因子是高斯独立分布，服从N(0,I)分布，服从N(0,σ²I)分布；

在S203中，对每段高维特征对应的潜因子分析模型，通过极大似然估计分别优化模型参数，优化的目标函数为对数形式的隐藏因子的似然函数：

$L_c={\mathrm{\Σ}}_{i,k}{\mathrm{lnp}}_{\mathrm{\θ}}({\stackrel{\→}{t}}_i^k,{\stackrel{\→}{x}}_i,{\stackrel{\→}{y}}_i),$

其中，表示该输入属于第i个人、第k个年龄组，和分别表示对应的身份因子和年龄因子。

通过使用训练集数据，训练潜因子模型，以将该潜因子模型作为人脸识别过程中的分类器。在该潜因子模型中，所述潜因子模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合，其数学表示如下：

$\stackrel{\→}{t}=\stackrel{\→}{\mathrm{\β}}+U\stackrel{\→}{x}+V\stackrel{\→}{y}+\stackrel{\→}{\mathrm{\ϵ}}$

其中，是均值，是身份因子，是年龄因子，是噪声。给定先验假设，身份因子和年龄因子是高斯独立分布，服从N(0,I)分布，服从N(0,σ²I)分布。

潜因子模型的超参数为构造对数形式的隐藏因子的似然函数为潜因子模型的目标函数：

$L_c={\mathrm{\Σ}}_{i,k}{\mathrm{lnp}}_{\mathrm{\θ}}({\stackrel{\→}{t}}_i^k,{\stackrel{\→}{x}}_i,{\stackrel{\→}{y}}_i)$

其中，表示该输入属于第i个人、第k个年龄组，和分别表示对应的身份因子和年龄因子，经过一系列数学推导，在已知和的条件下，可求出U、V和σ²的解，那么在训练过程中，通过极大似然估计(EM)算法优化目标函数，经过充分迭代，得到最优解。

在本发明实施例中，将高维特征分为多段，每段高维特征对应一个潜因子模型，以减轻高维数据带来的运算压力，例如，将高维的特征分成6段，每一段构造一个分类器，为每个分类器构建一个潜因子模型，并通过极大似然估计分别优化模型参数，以完成模型的训练。

在S204中，对人脸图像对进行高维特征提取，所述人脸图像对包括测试人脸图像和人脸图像样本。

在本发明实施例中，需要将待识别的测试人脸图像和人脸图像样本同时进行高维特征提取后，再同时输入分类器进行识别处理。提取的特征包括高维的局部二值模式(LBP)特征和梯度方向直方图(HOG)特征，通过密集、多尺度地提取LBP特征和HOG特征，得到稠密的高维特征表示，该高维特征表示中包含了丰富的局部特征和全局特征。

在S205中，将所述提取出的高维特征分解为N段，将分解出的每段高维特征分别输入预先训练好的该段高维特征对应的潜因子模型。

在S206中，计算每段高维特征对应的潜因子模型的似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对的该段高维特征为同一人的概率，所述第二概率为所述人脸图像对的该段高维特征不为同一人的概率。

在S207中，计算N段高维特征分别对应的N个潜因子模型的所述似然比的均值。

在S208中，若所述似然比均值高于预设阈值，将所述测试人脸图像识别为所述人脸图像样本。

在经过训练后得到潜因子模型，应用在人脸验证的测试过程，本发明采用计算似然比的分类方法。似然比的数学形式：

$L({\stackrel{\→}{t}}_1,{\stackrel{\→}{t}}_2)=\frac{P({\stackrel{\→}{t}}_1,{\stackrel{\→}{t}}_2|same)}{P({\stackrel{\→}{t}}_1,{\stackrel{\→}{t}}_2|different)}$

其中，是待验证的成对的人脸特征数据。

经过推导求解得：

$L({\stackrel{\→}{t}}_1,{\stackrel{\→}{t}}_2)=const+0.5{\stackrel{\→}{t}}_1^{T}Q{\stackrel{\→}{t}}_1+0.5{\stackrel{\→}{t}}_2^{T}Q{\stackrel{\→}{t}}_2+{\stackrel{\→}{t}}_2^{T}P{\stackrel{\→}{t}}_1$

其中：

$P=E_{tot}^{-1}{E}_{ac}{(E_{tot}-E_{ac}{E}_{tot}^{-1}{E}_{ac})}^{-1}$

$Q=E_{tot}^{-1}-{(E_{tot}-E_{ac}{E}_{tot}^{-1}{E}_{ac})}^{-1}$

$const=0.5log\left|\begin{array}{cc}{E}_{tot}& 0\\ 0& E_{tot}\end{array}\right|-0.5log\left|\begin{array}{cc}{E}_{tot}& E_{ac}\\ E_{ac}& E_{tot}\end{array}\right|$

E_tot＝VV^T+WW^T+σ²I

E_ac＝VV^T

通过似然比来比对测试人脸图像和人脸图像样本，计算它们属于同一个人的概率与属于不用人的概率的比值，用这个比值作为人脸图像对的相似度，可知似然比越大，测试人脸图像和人脸图像样本属于同一个人的可能性越高，因此，设定一个预设阈值，当似然比高于该预设阈值时，表示测试人脸图像和人脸图像样本是同一个人，否则是不同人。因此，给定一个训练好的潜因子模型，通过似然比确定阈值，就可以进行人脸识别。

基于以上方法训练出潜因子模型之后，在人脸识别过程中，完成对人脸图像的高维特征提取之后，也需要将提取出的高维特征分为相应的段数，并将分解出的每段高维特征分别输入预先训练好的该段高维特征对应的潜因子模型，并进行计算。例如，将高维的特征分成6段为例，则需要分别计算这6个潜因子模型的似然比，得到似然比均值，将其作为最终的相似度，并在训练集上通过ROC曲线确定一个置信阈值，那么，给定一对待验证的人脸图像，按照相同的方法计算相似度，当相似度高于置信阈值时，判定为同一人，否则判定为不同人。

作为本发明的一个实施例，在进行高维特征提取之前，为了达到更高的人脸识别准确率，会对输入的人脸图像对进行预处理，将样本人脸图像和测试人脸图像进行对齐操作，其预处理过程如图3所示：

在S301中，分别定位所述测试人脸图像和所述人脸图像样本中的人脸区域。

根据不同的应用场景，人脸图像可以由网络摄像头、照相机、视频监控等各种数字成像系统得到，在输入人脸图像之后，通过人脸检测算法，以适当大小的窗口和适当的步长扫描人脸图像，直到检测出该人脸图像中的人脸，剪切出人脸区域并保存。在本实施例中，示例性地，可以使用的人脸检测算法包括基于Haar-Like特征的Adaboost人脸检测算法。

在S302中，在所述人脸区域中检测出关键特征点。

在S303中，根据检测出的所述关键特征点，对所述测试人脸图像和所述人脸图像样本执行对齐操作。

其中，所述关键特征点包括眼睛、嘴巴、鼻子等，在人脸区域检测出上述预设的关键点之后，通过仿射变换对人脸图像进行对齐校准，使得测试人脸图像和人脸图像样本之间，人脸区域中各关键特征点的位置基本一致，这样一来，保证人脸的大小和位置基本固定，有助于进一步提高人脸识别的准确率。

进一步地，作为本发明的一个实施例，在执行S205之前，还可以通过主成分分析(PCA)和线性判别分析(LDA)方法对高维特征进行降维处理，以进一步地减轻人脸识别过程中的计算压力。

本发明实施例通过建立潜因子模型，提出了先验假设，将身份因子和年龄因子作为独立分布的隐藏因子，求解后验联合概率，进而得到人脸的身份验证结果。通过潜因子模型，充分考虑人脸图像中身份影响因素和年龄影响因素，具有更强的表达能力，能够学习到对身份认证更强的鉴别性信息和模式。通过融合局部特征和不同尺度全局特征，局部二值模式(LBP)特征和梯度方向直方图(HOG)特征，得到了更加丰富有效的特征表示。根据潜因子模型，通过数学求解提出了计算后验概率似然比的分类方法，提升了人脸识别的准确率。

为验证本发明实施例提供的人脸识别方法的可行性和准确性，将该方法在国际公开的跨年龄的人脸数据库MORPH上进行了实验测试，并与传统方法进行了比较：

MORPHAlbum2是国际公开的最大的跨年龄人脸数据库，包含20000个人的78000张图像，每个人有不同年龄的人脸图像。该实验随机抽取10000个人做训练集，10000个人做测试集，每个人选择年龄差距最大的2张图像。

实验测试结果如表1所示，传统的人脸验证方法的准确率为78％～84％，可以看出潜因子分析(HFA)的测试准确率有较大提升。对潜因子模型，当采用传统的HOG特征和余弦距离做分类时，准确率为91.14％，采用本专利提出的HOG+LBP的特征，准确率为92.12％，采用传统的HOG特征和本专利提出的似然比做分类时，准确率为93.12％，采用本专利提出的HOG+LBP并使用似然

比做分类时，准确率提高到了94.23％。表1

方法	准确率
		HFA:HOG,余弦距离	91.14％
HFA:HOG+LBP,余弦距离	92.12％
		HFA:HOG,似然比	93.12％
HFA:HOG+LBP,似然比	94.23％

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的人脸识别的方法，图4示出了本发明实施例提供的人脸识别的装置的结构框图，所述人脸识别的装置可以是软件单元、硬件单元或者是软硬结合的单元。为了便于说明，仅示出了与本实施例相关的部分。

参照图4，该装置包括：

特征提取单元41，提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；

定义单元42，定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；

训练单元43，输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；

计算单元44，将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对为同一人的概率，所述第二概率为所述人脸图像对不为同一人的概率；

识别单元45，以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。

可选地，所述装置还包括：

定位单元，定位人脸图像中的人脸区域；

检测单元，在所述人脸区域中检测出关键特征点；

对齐单元，根据检测出的所述关键特征点，对人脸图像执行对齐操作。

可选地，所述特征提取单元41具体用于：

提取人脸图像的局部二值模式特征和梯度方向直方图特征。

可选地，所述特征提取单元41具体用于：

将所述高维特征分解为N段，所述N为大于1的整数；

所述训练单元43具体用于：

对所述训练样本的每一段特征，优化一个所述潜因子模型；

所述计算单元44具体用于:

将所述人脸图像对的每一段特征，输入训练好的对应分段的所述潜因子模型，计算似然比；

计算N个似然比的平均值作为所述人脸图像对的似然比。

可选地，所述特征提取单元41具体用于：

对分解出的每段特征通过主成分分析和线性判别分析进行降维处理。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸识别的方法，其特征在于，包括：

提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；

定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；

输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；

将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对为同一人的概率，所述第二概率为所述人脸图像对不为同一人的概率；

以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。

2.如权利要求1所述的方法，其特征在于，在所述提取训练样本和待识别的人脸图像对的高维特征之前，所述方法还包括：

定位人脸图像中的人脸区域；

在所述人脸区域中检测出关键特征点；

根据检测出的所述关键特征点，对人脸图像执行对齐操作。

3.如权利要求1所述的方法，其特征在于，所述提取训练样本和待识别的人脸图像对的高维特征包括：

提取人脸图像的局部二值模式特征和梯度方向直方图特征。

4.如权利要求1所述的方法，其特征在于，所述对高维特征进行分段包括：

将所述高维特征分解为N段，所述N为大于1的整数；

所述输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型包括：

对所述训练样本的每一段特征，优化一个所述潜因子模型；

所述将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比包括:

将所述人脸图像对的每一段特征，输入训练好的对应分段的所述潜因子模型，计算似然比；

计算N个似然比的平均值作为所述人脸图像对的似然比。

5.如权利要求1所述的方法，其特征在于，所述对高维特征进行分段和降维包括：

对分解出的每段特征通过主成分分析和线性判别分析进行降维处理。

6.一种人脸识别的装置，其特征在于，包括：

特征提取单元，用于提取训练样本和待识别的人脸图像对的高维特征，对高维特征进行分段和降维；

定义单元，用于定义潜因子模型，所述潜因子分析模型将特征表示为身份因子、年龄因子、均值和噪声的线性组合；

训练单元，用于输入所述训练样本的特征，通过极大似然估计优化所述潜因子模型，目标函数是对数形式的隐藏因子联合概率；

计算单元，用于将所述人脸图像对的特征输入训练好的所述潜因子模型，计算似然比，所述似然比为第一概率与第二概率的比值，所述第一概率为所述人脸图像对为同一人的概率，所述第二概率为所述人脸图像对不为同一人的概率；

识别单元，用于以所述似然比表示相似度，若所述相似度高于预设阈值，将所述人脸图像对识别为同一个人。

7.如权利要求6所述的装置，其特征在于，所述装置还包括：

定位单元，用于定位人脸图像中的人脸区域；

检测单元，用于在所述人脸区域中检测出关键特征点；

对齐单元，用于根据检测出的所述关键特征点，对人脸图像执行对齐操作。

8.如权利要求6所述的装置，其特征在于，所述特征提取单元具体用于：

提取人脸图像的局部二值模式特征和梯度方向直方图特征。

9.如权利要求6所述的装置，其特征在于，所述特征提取单元具体用于：

将所述高维特征分解为N段，所述N为大于1的整数；

所述训练单元具体用于：

对所述训练样本的每一段特征，优化一个所述潜因子模型；

所述计算单元具体用于:

将所述人脸图像对的每一段特征，输入训练好的对应分段的所述潜因子模型，计算似然比；

计算N个似然比的平均值作为所述人脸图像对的似然比。

10.如权利要求6所述的装置，其特征在于，所述特征提取单元具体用于：

对分解出的每段特征通过主成分分析和线性判别分析进行降维处理。