申请/专利权人：首都师范大学

申请日：2019-03-11

公开（公告）日：2021-10-12

公开（公告）号：CN109977807B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.10.12#授权;2019.07.30#实质审查的生效;2019.07.05#公开

摘要：本发明公开了一种基于复数矩阵的人脸特征模板保护方法及系统，其中，该方法包括：获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱；根据多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵；根据多幅灰度人脸图像中的训练图像和多个复数矩阵计算协方差矩阵，根据协方差矩阵生成特征向量矩阵；对特征向量矩阵进行置乱生成置乱矩阵，利用置乱矩阵对多个复数矩阵进行投影生成人脸图像对应的特征；将多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对人脸图像对应的特征进行识别。该方法基于图像局部方差图谱和二维主成分分析，可以保护人脸图像的隐私性和数据的安全性，应用于身份识别与认证领域。

主权项：1.一种基于复数矩阵的人脸特征模板保护方法，其特征在于，包括以下步骤：S1，获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱；S2，根据所述多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵；S3，根据所述多幅灰度人脸图像中的训练图像和所述多个复数矩阵计算协方差矩阵，根据所述协方差矩阵生成特征向量矩阵；S4，对所述特征向量矩阵进行置乱生成置乱矩阵，利用所述置乱矩阵对所述多个复数矩阵进行投影生成人脸图像对应的特征；S5，将所述多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对所述人脸图像对应的特征进行识别；所述每一幅灰度人脸图像对应的局部方差图谱的计算公式为： 其中，为灰度人脸图像的局部方差图谱，i＝1，2，…，M，M为灰度人脸图像的幅数，灰度人脸图像的尺寸为W1×W2，L表示邻域内像素点的总数，表示邻域的平均灰度值；所述S2，进一步包括：将所述灰度人脸图像fix,y作为实部分量、所述局部方差图谱作为虚部分量，构建所述多个复数矩阵具体表示为： 其中，fix,y为灰度人脸图像，为灰度人脸图像的局部方差图谱；所述S3进一步包括：S31，计算所述多幅灰度人脸图像中的训练图像的平均值根据所述平均值和所述多个复数矩阵生成所述协方差矩阵，所述协方差矩阵为： 其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；S32，对所述协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成所述特征向量矩阵W＝[X1,X2,…,Xd]。

全文数据：基于复数矩阵的人脸特征模板保护方法及系统技术领域本发明涉及图像处理技术领域，特别涉及一种基于复数矩阵的人脸特征模板保护方法及系统。背景技术由于传统的身份认证体系容易被伪造、被篡，而人脸获取是非接触式的、非侵犯性的，具有普遍性、易采集性、高安全性等诸多优点，人脸识别研究尤为受到关注，并成为身份认证的重要方式之一，被应用于银行、火车站、出入境管理等领域。但是如果人脸图像泄露，攻击者可以通过仿制面具，比如采用3D打印做出超逼真的人皮面具欺骗人脸识别与认证系统，可能导致严重的经济后果和风险隐患。因此，人脸特征的安全性和隐私性也成为实际应用中亟待解决的重要技术问题之一。发明内容本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于复数矩阵的人脸特征模板保护方法，该方法基于图像局部方差图谱和二维主成分分析，可以保护人脸图像的隐私性和数据的安全性。本发明的另一个目的在于提出一种基于复数矩阵的人脸特征模板保护系统。为达到上述目的，本发明一方面实施例提出了一种基于复数矩阵的人脸特征模板保护方法，包括：S1，获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱；S2，根据所述多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵；S3，根据所述多幅灰度人脸图像中的训练图像和所述多个复数矩阵计算协方差矩阵，根据所述协方差矩阵生成特征向量矩阵；S4，对所述特征向量矩阵进行置乱生成置乱矩阵，利用所述置乱矩阵对所述多个复数矩阵进行投影生成人脸图像对应的特征；S5，将所述多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对所述人脸图像对应的特征进行识别。本发明实施例的基于复数矩阵的人脸特征模板保护方法，不仅使用了人脸图像的灰度信息，同时充分利用了人脸图像的细节信息，有效的提高了识别精度。同时对特征矩阵进行置乱处理，充分考虑了人脸图像的安全性和隐私性。当人脸图像特征模板受到攻击或威胁时，可以通过修改置乱矩阵重新发布新的特征模板，替换原先受攻击或威胁的模板，可应用于身份识别与认证领域。另外，根据本发明上述实施例的基于复数矩阵的人脸特征模板保护方法还可以具有以下附加的技术特征：进一步地，在本发明的一个实施例中，所述每一幅灰度人脸图像对应的局部方差图谱的计算公式为：其中，fiVx,y为灰度人脸图像的局部方差图谱，i＝1，2，…，M，M为灰度人脸图像的幅数，灰度人脸图像的尺寸为W1×W2，L表示邻域内像素点的总数，表示邻域的平均灰度值。进一步地，在本发明的一个实施例中，所述S2，进一步包括：将所述灰度人脸图像fix,y作为实部分量、所述局部方差图谱fiVx,y作为虚部分量，构建所述多个复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi其中，fix,y为灰度人脸图像，fiVx,y为灰度人脸图像的局部方差图谱。进一步地，在本发明的一个实施例中，所述S3具体包括：S31，计算所述多幅灰度人脸图像中的训练图像的平均值根据所述平均值和所述多个复数矩阵fic生成所述协方差矩阵，所述协方差矩阵为：其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；S32，对所述协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成所述特征向量矩阵W＝[X1,X2,…,Xd]。进一步地，在本发明的一个实施例中，所述对所述特征向量矩阵进行置乱生成置乱矩阵具体包括：获取尺寸为W2×W2的单位矩阵并进行行变换和或列变换，生成新的矩阵R；对所述特征向量矩阵W和所述新的矩阵R进行变换得到所述置乱矩阵，所述置乱矩阵W'为：W'＝RTW。为达到上述目的，本发明另一方面实施例提出了一种基于复数矩阵的人脸特征模板保护系统，包括：计算模块，用于获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱；构建模块，用于根据所述多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵；生成模块，用于根据所述多幅灰度人脸图像中的训练图像和所述多个复数矩阵计算协方差矩阵，根据所述协方差矩阵生成特征向量矩阵；投影模块，用于对所述特征向量矩阵进行置乱生成置乱矩阵，利用所述置乱矩阵对所述多个复数矩阵进行投影生成人脸图像对应的特征；识别保护模块，用于将所述多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对所述人脸图像对应的特征进行识别。本发明实施例的基于复数矩阵的人脸特征模板保护系统，不仅使用了人脸图像的灰度信息，同时充分利用了人脸图像的细节信息，有效的提高了识别精度。同时对特征矩阵进行置乱处理，充分考虑了人脸图像的安全性和隐私性。当人脸图像特征模板受到攻击或威胁时，可以通过修改置乱矩阵重新发布新的特征模板，替换原先受攻击或威胁的模板，可应用于身份识别与认证领域。另外，根据本发明上述实施例的基于复数矩阵的人脸特征模板保护系统还可以具有以下附加的技术特征：进一步地，在本发明的一个实施例中，所述每一幅灰度人脸图像对应的局部方差图谱的计算公式为：其中，fiVx,y为灰度人脸图像的局部方差图谱，i＝1，2，…，M，M为灰度人脸图像的幅数，灰度人脸图像的尺寸为W1×W2，L表示邻域内像素点的总数，表示邻域的平均灰度值。进一步地，在本发明的一个实施例中，所述构建模块，具体用于，将所述灰度人脸图像fix,y作为实部分量、所述局部方差图谱fiVx,y作为虚部分量，构建所述多个复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi其中，fix,y为灰度人脸图像，fiVx,y为灰度人脸图像的局部方差图谱。进一步地，在本发明的一个实施例中，所述生成模块，进一步包括：第一生成单元和分解单元；所述第一生成单元，用于计算所述多幅灰度人脸图像中的训练图像的平均值根据所述平均值和所述多个复数矩阵fic生成所述协方差矩阵，所述协方差矩阵为：其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；所述分解单元，用于对所述协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成所述特征向量矩阵W＝[X1,X2,…,Xd]。进一步地，在本发明的一个实施例中，所述对所述特征向量矩阵进行置乱生成置乱矩阵具体包括：获取尺寸为W2×W2的单位矩阵并进行行变换和或列变换，生成新的矩阵R；对所述特征向量矩阵W和所述新的矩阵R进行变换得到所述置乱矩阵，所述置乱矩阵W'为：W'＝RTW。本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明本发明上述的和或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本发明一个实施例的基于复数矩阵的人脸特征模板保护方法流程图；图2为根据本发明一个实施例的原始人脸图像及对应的局部方差图谱；图3为根据本发明一个实施例的基于复数矩阵的人脸特征模板保护系统结构示意图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。下面参照附图描述根据本发明实施例提出的基于复数矩阵的人脸特征模板保护方法及系统。首先将参照附图描述根据本发明实施例提出的基于复数矩阵的人脸特征模板保护方法。图1为根据本发明一个实施例的基于复数矩阵的人脸特征模板保护方法流程图。如图1所示，该基于复数矩阵的人脸特征模板保护方法包括以下步骤：在步骤S1中，获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱。具体地，假设有M幅灰度人脸图像为fix,yi＝1，2，…，M，其尺寸为W1×W2，首先计算M幅灰度人脸图像对应的的M个局部方差图谱，其中，令像素点的邻域大小为m×m，则局部方差计算公式为：其中，L＝m2表示邻域内像素点的总数，表示邻域的平均灰度值。需要说明的是，对于图像边界的像素点采取对称补齐方式来求其亮度局部方差。在步骤S2中，根据多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵。进一步地，S2进一步包括：将灰度人脸图像fix,y作为实部分量、局部方差图谱fiVx,y作为虚部分量，构建多个复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi其中，fix,y为灰度人脸图像，fiVx,y为灰度人脸图像的局部方差图谱。具体地，将原灰度图像作为实部分量、局部方差图谱作为虚部分量，构建复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi在步骤S3中，根据多幅灰度人脸图像中的训练图像和多个复数矩阵计算协方差矩阵，根据协方差矩阵生成特征向量矩阵。进一步地，S3进一步包括：S31，计算多幅灰度人脸图像中的训练图像的平均值根据平均值和多个复数矩阵fic生成协方差矩阵，协方差矩阵为：其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；S32，对协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成特征向量矩阵W＝[X1,X2,…,Xd]。具体地，首先，计算训练集图像的平均值则协方差矩阵为：然后，对协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量得到特征向量矩阵W＝[X1,X2,…,Xd]。在步骤S4中，对特征向量矩阵进行置乱生成置乱矩阵，利用置乱矩阵对多个复数矩阵进行投影生成人脸图像对应的特征。进一步地，对特征向量矩阵进行置乱生成置乱矩阵具体包括：获取尺寸为W2×W2的单位矩阵并进行行变换和或列变换，生成新的矩阵R；'对特征向量矩阵W和新的矩阵R进行变换得到置乱矩阵，置乱矩阵W为：W'＝RTW。具体地，生成一个W2×W2尺寸的单位矩阵，对单位矩阵进行行变换或者列变换中的一种或多种，得到一个新的矩阵R，然后对上一步骤得到的特征向量矩阵W进行变换，变换公式为：W'＝RTW，通过变换生成置换矩阵W'，使用置换矩阵W'对复数矩阵ficx,y进行投影得到人脸图像对应的特征。在步骤S5中，将多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对人脸图像对应的特征进行识别。具体地，将测试图像与训练图像进行比较，使用基于Euclidean距离的最近邻分类器进行分类得到识别率。主成分分析法已经成功用于人脸识别，但基于主成分分析的人脸识别方法不具有可撤销性。基于置乱主成分分析的生物特征识别方法，在不影响识别精度时同时保护了生物特征的安全性和隐私性；当人脸图像特征模板受到攻击或威胁时，可以重新发布新的特征模板。人眼通常对高频信息比较敏感，因为图像的高频部分通常反映了图像的结构信息，而图像的局部方差可以较好的表征图像的结构信息。本发明实施例的方法基于图像局部方差图谱和二维主成分分析，不仅使用了人脸图像的灰度信息，同时充分利用了人脸图像的细节信息，有效的提高了识别精度。同时对特征矩阵进行置乱处理，充分考虑了人脸图像的安全性和隐私性。当人脸图像特征模板受到攻击或威胁时，可以通过修改置乱矩阵重新发布新的特征模板，替换原先受攻击或威胁的模板，可应用于身份识别与认证领域。下面通过一个具体实施例来说明本发明实施例的基于复数矩阵的人脸特征模板保护方法。使用RadfD人脸图像库，共67个人，每人8幅。其中，选择6幅图像作为训练，2幅图像作为测试；图像大小为64×64，邻域大小为3×3、5×5、7×7。通过上述的步骤后，如图2所示，图2a为一幅原始的灰度人脸图像，图2b为邻域3×3的局部方差图，图2c为邻域5×5的局部方差图，图2d为邻域7×7的局部方差图，同时，表1为识别率％比较表，给出了本发明是实施例方法和基于置乱二维主成分分析RP-2DPCA方法的识别结果，可以看出使用图像局部方差图后能够有效地提高识别率。表1根据本发明实施例提出的基于复数矩阵的人脸特征模板保护方法，较传统的主成分分析方法，将图像结构信息融入到主成分分析，增加了承载的信息量，进一步提高了识别精度；由于矩阵R具有随机性，当注册的生物特征数据发生丢失或者被盗时可以重新发布特征模板。其次参照附图描述根据本发明实施例提出的基于复数矩阵的人脸特征模板保护系统。图3为根据本发明一个实施例的基于复数矩阵的人脸特征模板保护系统结构示意图。如图3所示，该保护系统包括：计算模块100、构建模块200、生成模块300、投影模块400和识别保护模块500。其中，计算模块100用于获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱。构建模块200用于根据多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵。生成模块300用于根据多幅灰度人脸图像中的训练图像和多个复数矩阵计算协方差矩阵，根据协方差矩阵生成特征向量矩阵。投影模块400用于对特征向量矩阵进行置乱生成置乱矩阵，利用置乱矩阵对多个复数矩阵进行投影生成人脸图像对应的特征。识别保护模块500用于将多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对人脸图像对应的特征进行识别。该保护识别系统10可以保护人脸图像的隐私性和数据的安全性。进一步地，在本发明的一个实施例中，每一幅灰度人脸图像对应的局部方差图谱的计算公式为：其中，fiVx,y为灰度人脸图像的局部方差图谱，i＝1，2，…，M，M为灰度人脸图像的幅数，灰度人脸图像的尺寸为W1×W2，L表示邻域内像素点的总数，表示邻域的平均灰度值。进一步地，在本发明的一个实施例中，构建模块，具体用于，将灰度人脸图像fix,y作为实部分量、局部方差图谱fiVx,y作为虚部分量，构建多个复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi其中，fix,y为灰度人脸图像，fiVx,y为灰度人脸图像的局部方差图谱。进一步地，在本发明的一个实施例中，生成模块，进一步包括：第一生成单元和分解单元；第一生成单元，用于计算多幅灰度人脸图像中的训练图像的平均值根据平均值和多个复数矩阵fic生成协方差矩阵，协方差矩阵为：其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；分解单元，用于对协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成特征向量矩阵W＝[X1,X2,…,Xd]。进一步地，在本发明的一个实施例中，对特征向量矩阵进行置乱生成置乱矩阵具体包括：获取尺寸为W2×W2的单位矩阵并进行行变换和或列变换，生成新的矩阵R；对特征向量矩阵W和新的矩阵R进行变换得到置乱矩阵，置乱矩阵W'为：W'＝RTW。需要说明的是，前述对基于复数矩阵的人脸特征模板保护方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。根据本发明实施例提出的基于复数矩阵的人脸特征模板保护系统，不仅使用了人脸图像的灰度信息，同时充分利用了人脸图像的细节信息，有效的提高了识别精度。同时对特征矩阵进行置乱处理，充分考虑了人脸图像的安全性和隐私性。当人脸图像特征模板受到攻击或威胁时，可以通过修改置乱矩阵重新发布新的特征模板，替换原先受攻击或威胁的模板，可应用于身份识别与认证领域。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

权利要求：1.一种基于复数矩阵的人脸特征模板保护方法，其特征在于，包括以下步骤：S1，获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱；S2，根据所述多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵；S3，根据所述多幅灰度人脸图像中的训练图像和所述多个复数矩阵计算协方差矩阵，根据所述协方差矩阵生成特征向量矩阵；S4，对所述特征向量矩阵进行置乱生成置乱矩阵，利用所述置乱矩阵对所述多个复数矩阵进行投影生成人脸图像对应的特征；S5，将所述多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对所述人脸图像对应的特征进行识别。2.根据权利要求1所述的方法，其特征在于，所述每一幅灰度人脸图像对应的局部方差图谱的计算公式为：其中，fiVx,y为灰度人脸图像的局部方差图谱，i＝1，2，…，M，M为灰度人脸图像的幅数，灰度人脸图像的尺寸为W1×W2，L表示邻域内像素点的总数，表示邻域的平均灰度值。3.根据权利要求1所述的方法，其特征在于，所述S2，进一步包括：将所述灰度人脸图像fix,y作为实部分量、所述局部方差图谱fiVx,y作为虚部分量，构建所述多个复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi其中，fix,y为灰度人脸图像，fiVx,y为灰度人脸图像的局部方差图谱。4.根据权利要求1所述的方法，其特征在于，所述S3进一步包括：S31，计算所述多幅灰度人脸图像中的训练图像的平均值根据所述平均值和所述多个复数矩阵fic生成所述协方差矩阵，所述协方差矩阵为：其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；S32，对所述协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成所述特征向量矩阵W＝[X1,X2,…,Xd]。5.根据权利要求1所述的方法，其特征在于，所述对所述特征向量矩阵进行置乱生成置乱矩阵具体包括：获取尺寸为W2×W2的单位矩阵并进行行变换和或列变换，生成新的矩阵R；对所述特征向量矩阵W和所述新的矩阵R进行变换得到所述置乱矩阵，所述置乱矩阵W'为：W'＝RTW。6.一种基于复数矩阵的人脸特征模板保护系统，其特征在于，包括：计算模块，用于获取多幅灰度人脸图像，计算每一幅灰度人脸图像对应的局部方差图谱；构建模块，用于根据所述多幅灰度人脸图像和多个局部方差图谱构建多个复数矩阵；生成模块，用于根据所述多幅灰度人脸图像中的训练图像和所述多个复数矩阵计算协方差矩阵，根据所述协方差矩阵生成特征向量矩阵；投影模块，用于对所述特征向量矩阵进行置乱生成置乱矩阵，利用所述置乱矩阵对所述多个复数矩阵进行投影生成人脸图像对应的特征；识别保护模块，用于将所述多幅灰度人脸图像中的测试图像与训练图像进行比较，并通过分类器对所述人脸图像对应的特征进行识别。7.根据权利要求6所述的系统，其特征在于，所述每一幅灰度人脸图像对应的局部方差图谱的计算公式为：其中，fiVx,y为灰度人脸图像的局部方差图谱，i＝1，2，…，M，M为灰度人脸图像的幅数，灰度人脸图像的尺寸为W1×W2，L表示邻域内像素点的总数，表示邻域的平均灰度值。8.根据权利要求6所述的系统，其特征在于，所述构建模块，具体用于，将所述灰度人脸图像fix,y作为实部分量、所述局部方差图谱fiVx,y作为虚部分量，构建所述多个复数矩阵ficx,y，具体表示为：ficx,y＝fix,y+fiVx,yi其中，fix,y为灰度人脸图像，fiVx,y为灰度人脸图像的局部方差图谱。9.根据权利要求6所述的系统，其特征在于，所述生成模块，进一步包括：第一生成单元和分解单元；所述第一生成单元，用于计算所述多幅灰度人脸图像中的训练图像的平均值根据所述平均值和所述多个复数矩阵fic生成所述协方差矩阵，所述协方差矩阵为：其中，为多幅灰度人脸图像中的训练图像的平均值，T表示矩阵的转置；所述分解单元，用于对所述协方差矩阵进行特征值分解，选取前d个最大特征值对应的特征向量生成所述特征向量矩阵W＝[X1,X2,…,Xd]。10.根据权利要求6所述的系统，其特征在于，所述对所述特征向量矩阵进行置乱生成置乱矩阵具体包括：获取尺寸为W2×W2的单位矩阵并进行行变换和或列变换，生成新的矩阵R；对所述特征向量矩阵W和所述新的矩阵R进行变换得到所述置乱矩阵，所述置乱矩阵W'为：W'＝RTW。

百度查询： 首都师范大学 基于复数矩阵的人脸特征模板保护方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD