Способ идентификации человека по изображению его лица

Иллюстрации

Показать все

Изобретение относится к распознаванию изображений. Технический результат заключается в уменьшении времени идентификации за счет сокращения объема необходимых вычислений. Результат достигается за счет включения в способ операций, в которых получают изображения лиц, выделяют на них область лица, извлекают индивидуальные признаки этой области, формируют из них уникальный вектор признаков, индексируют изображение лица этим уникальным вектором признаков, который образует индекс, являющийся одной точкой в многомерном пространстве признаков, именуемом индексным пространством, для индексного пространства строят дерево гиперплоскостей путем специфического деления индексного пространства гиперплоскостями, архивируют проиндексированные изображения лиц вместе с индексным пространством, повторяют операции по формированию запросного индекса для нового изображения, осуществляют первичный поиск в индексном пространстве ближайших точек, формируют набор соответствующих архивированных изображений, осуществляют вторичный поиск в этом наборе путем сравнения векторов дополнительных признаков и принимают решение об идентификации конкретного человека посредством выбора архивированного изображения с вектором дополнительных признаков, наиболее подобным вектору дополнительных признаков изображения лица идентифицируемого человека. 6 з.п. ф-лы, 9 ил.

Реферат

Область изобретения

Настоящее изобретение относится к распознаванию изображений, а конкретнее - к способу идентификации человека по изображению его лица с использованием быстрого поиска кандидатов в индексном пространстве по запросному индексу и по дереву гиперплоскостей, иерархически разбивающих это индексное пространство, и с применением вторичного поиска среди выделенных кандидатов по набору признаков.

Уровень техники

Задача идентификации человека по изображению его лица все еще стоит в повестке дня современных исследований в силу своей специфики. Эта задача, требующая большого объема вычислений даже в случае фиксированного положения головы идентифицируемого человека, осложняется в реальных условиях возможными поворотами или отклонениями головы от этого заранее заданного положения, отличными от исходных условиями освещенности, изменением выражения лица идентифицируемого человека в зависимости от его эмоционального состояния и многими иными факторами.

Для сокращения объема вычислений, осуществляемых в процессе распознавания и идентификации человека по изображению его лица, все изображения так или иначе преобразуются в специфические совокупности данных, которые и используются при поиске и сопоставлении изображения лица идентифицируемого человека с архивированным набором эталонных изображений.

Так, в заявке США №2003/0123734 (публ. 03.07.2003) описывается способ распознавания объектов, в котором выделенные при распознавании признаки используются для определения набора кандидатов.

В заявке США №2002/0039447 (публ. 04.04.2002) описан способ идентификации, в котором создают данные изображений физических лиц, распознанные изображения группируются и группам присваиваются индексы, используемые в дальнейших вычислениях.

В заявке США №2005/0123202 (публ. 09.06.2005) описан способ идентификации, в котором базисные векторы изображений, полученные при распознавании принципиальных компонент, взвешиваются для каждой подгруппы, и дальнейший анализ ведется с учетом этих весов.

Сходный подход раскрыт в заявке США №2006/0008150 (публ. 12.01.2001), раскрывающей способ распознавания, в котором выделяют наиболее информативные признаки, когда изображение лица разбивается на подобласти, и каждая подобласть дает свой вклад в распознавание лица.

Аналогично, в международной заявке WO 2005/024707 (публ. 17.03.2005) описан способ распознавания признаков, в котором в распознаваемых изображениях удаляют малоинформативные области для сокращения объема вычислений.

В способе распознавания лиц, описанном в другой международной заявке WO 2005/055715 (публ. 01.07.2005), в процессе распознавания учитывают признаки, передающие выражение лица.

Заявка США №2005/0105779 (публ. 19.05.2005) раскрывает способ, в котором создают метаданные распознаваемых лиц путем создания векторов признаков этих лиц в разных положениях.

Патент США №5325445 (публ. 28.06.1994) раскрывает классификацию признаков с помощью контролируемого статистического распознавания образов. При этом создается n-мерное пространство признаков и осуществляется его древовидная иерархическая декомпозиция с помощью минимаксного разделения n-мерных векторов признаков различных признаковых классификаций в соответствующем пространстве признаков, где каждая ячейка содержит векторы признаков только одной признаковой классификации.

В заявке США №2004/0017932 (публ. 29.01.2004) описано распознавание лиц с помощью базовых лиц, когда входное изображение лица и эталонные изображения лиц проецируются на точки в пространстве изображений и вычисляется расстояние между этими точками. Идентификация же человека осуществляется по тому изображению, соответствующая точка которого расположена на минимальном расстоянии от точки, на которую проецируется входное изображение лица.

Все эти известные способы требуют, однако, весьма больших объемов вычислений и реализуются в течение длительного времени.

Сущность изобретения

Целью настоящего изобретения является уменьшение времени идентификации за счет сокращения объема необходимых вычислений.

Эта цель достигается в предлагаемом согласно настоящему изобретению способе идентификации человека по изображению его лица. Этот способ заключается в том, что: а) получают изображения лиц заранее заданных людей; б) выделяют область лица по меньшей мере одного человека на каждом из изображений; в) извлекают индивидуальные признаки из каждой из выделенных областей лица; г) формируют уникальный вектор признаков из извлеченных индивидуальных признаков для каждой из областей лица; д) индексируют по меньшей мере одно изображение лица каждого человека с помощью сформированного соответствующего уникального вектора признаков, который и образует индекс, являющийся одной точкой в многомерном пространстве признаков, именуемом индексным пространством; е) строят для упомянутого индексного пространства дерево гиперплоскостей, для чего осуществляют рекурсивное деление индексного пространства гиперплоскостями, при котором каждому узлу дерева гиперплоскостей ставят во взаимно однозначно соответствие одну гиперплоскость, разделяющую поставленное в соответствие этому узлу множество уникальных векторов признаков на два равных по объему подмножества так, чтобы среднеквадратичное расстояние от гиперплоскости до уникальных векторов признаков было максимально, и получающиеся подмножества векторов ставят в соответствие двум нижележащим узлам дерева гиперплоскостей, а каждому узлу самого нижнего уровня ставят в соответствие не более одного из уникальных векторов признаков; ж) архивируют проиндексированные изображения лиц, включая и связанное с этим архивом изображений индексное пространство, в котором каждой точке соответствует по меньшей мере одно архивированное изображение; з) получают изображение сцены, содержащей лицо по меньшей мере одного идентифицируемого человека; и) повторяют операции б)-г) для изображения, полученного в операции з), в результате чего получают уникальный индекс для области лица каждого из идентифицируемых людей, именуемый запросным индексом; к) осуществляют первичный поиск путем выделения в индексном пространстве тех точек, расстояние которых от точки запросного индекса не превышает заранее заданной величины, путем рекурсивного отбрасывания наиболее удаленных от него индексированных векторов признаков с использованием построенного дерева гиперплоскостей; л) формируют набор архивированных изображений, связанных с индексами, найденными в результате операции к); м) осуществляют вторичный поиск среди сформированного в операции л) набора архивированных изображений лиц путем формирования и последующего сравнения векторов дополнительных признаков этих выделенных архивированных изображений и вектора соответствующих дополнительных признаков изображения лица каждого идентифицируемого человека; н) принимают решение об идентификации конкретного человека посредством выбора архивированного изображения, вектор дополнительных признаков которого имеет меру подобия вектору дополнительных признаков изображения лица идентифицируемого человека, превышающую заданный порог и максимальную среди сравниваемых в операции м) архивированных изображений лиц.

Особенностью способа по настоящему изобретению является то, что в операции м) вторичный поиск осуществляют на основе вычисления меры подобия векторов дополнительных признаков, проводимого с помощью нейронной сети.

Еще одной особенностью способа по настоящему изобретению является то, что в операции в) путем спектрального анализа выделяют амплитудную и фазовую составляющие цифрового изображения и используют эти составляющие при формировании уникальных векторов признаков в операции г).

Еще одной особенностью способа по настоящему изобретению является то, что в операции в) индивидуальные признаки извлекают из выделенных областей лица посредством поиска характерных подобластей в каждой из областей лица с использованием нейронной сети с обратными связями, которая реализует алгоритм итеративного классификатора, определяющего направление сдвига к цели. При этом характерные подобласти выбираются из группы, состоящей из зон, соответствующих глазам, бровям, носу, рту, подбородку на человеческом лице, а также ушам и контуру лица.

Еще одной особенностью способа по настоящему изобретению является то, что в операции в) определяют дополнительно углы поворота головы человека относительно трех ортогональных осей с помощью нейронной сети с обратными связями и учитывают эти данные в операции г).

Наконец, еще одной особенностью способа по настоящему изобретению является то, что в операции в) определяют дополнительно условия освещенности лица на изображении с помощью нейронной сети с обратными связями и учитывают эти данные в операции г).

Краткое описание чертежей

На фиг.1 показан первый этап реализации способа по настоящему изобретению.

На фиг.2 проиллюстрирован пример формирования уникального вектора признаков изображения человеческого лица.

На фиг.3 схематично представлен пример разделения множества уникальных векторов гиперплоскостью.

На фиг.4 проиллюстрирован принцип построения дерева гиперплоскостей, предназначенного для организации быстрого поиска в индексном пространстве.

На фиг.5 показан второй этап реализации способа по настоящему изобретению.

На фиг.6 представлен алгоритм первичного поиска кандидатов в индексном пространстве по запросному индексу и дереву гиперплоскостей, иерархически разбивающих индексное пространство.

На фиг.7 проиллюстрирован пример осуществления поиска кандидатов для идентификации с помощью многомерного индексного пространства.

На фиг.8 и 9 представлены два примера функциональной схемы нейронной сети с обратной связью.

Подробное описание изобретения

Способ идентификации человека по изображению его лица согласно настоящему изобретению состоит - как и любой из вышеприведенных аналогов - из двух этапов.

Первый из этих этапов, проиллюстрированный на фиг.1, заключается в формировании базы данных для дальнейшей идентификации людей. Согласно фиг.1, сначала получают изображение лица каждого из заранее заданных людей (шаг 11). Это может быть отсканированная фотография человека либо его цифровая фотография, сделанная в данный момент или извлеченная из архивной памяти.

На этом исходном изображении выделяют область лица человека (шаг 12) с помощью известных средств и методов (см., к примеру, Ming-Hsuan Yang, «Detecting Faces in Images: A Survey», IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.24, No. 1, January 2002). Если на исходном изображении представлено несколько людей, выделяют области лица каждого из этих людей и анализируют каждую такую область по отдельности.

Затем на шаге 13 из каждой выделенной области лица извлекают индивидуальные признаки (см., к примеру, T.F.Cootes, G.J.Edwards and C.J.Taylor, «Active Appearance Models», in Proc. European Conference on Computer Vision 1998 (H.Burkhardt & B.Neumann Ed.s), Vol.2, pp.484-498, Springer, 1998). Для этого можно, например, осуществлять поиск характерных подобластей в каждой из областей лица с использованием нейронной сети с обратными связями, которая реализует алгоритм итеративного классификатора, определяющего направление сдвига к цели (см., к примеру, Sumanth Tamma, «Face Recognition Techniques», Department of Computer Science, University of New Mexico, December 5, 2002). При этом в качестве характерных подобластей можно выбирать зоны, соответствующие глазам, бровям, носу, рту, подбородку на человеческом лице, а также ушам и контуру лица. Схема функционирования соответствующей нейронной сети с обратной связью проиллюстрирована на фиг.8. Вход классификатора - это паттерн (область изображения лица) с фрагментом изображения, преобразуемый от итерации к итерации, с учетом выходных значений оцениваемых параметров на предыдущей итерации. Преобразование в этом случае заключается в сдвиге анализируемой области изображения, при поиске характерных подобластей области лица, в соответствующем направлении по горизонтали и по вертикали. Выходной вектор образуют два выхода, определяющие направление сдвига к искомой подобласти, соответственно, по горизонтали и по вертикали.

Извлечение индивидуальных признаков можно осуществлять путем спектрального анализа цифрового изображения (см., к примеру, Gokberk, В.Irfanoglu, M.O.Akarun, L.Alpaydm, E. «Optimal Gabor kernel location selection for face recognition», Image Processing, 2003. ICIP 2003. Proceedings. 2003 International Conference, Vol.1, pp. 1-677-80, 14-17 Sept. 2003), в процессе которого выделяются амплитудная и фазовая составляющие спектральных компонентов.

Кроме того, при извлечении индивидуальных признаков можно дополнительно определять углы поворота головы человека относительно трех ортогональных осей (см., к примеру, Shi Han, Gang Pan, Zhaohui Wu, «Human Face Orientation Detection Using Power Spectrum Based Measurements», fgr, p.791, Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004), а также условия освещенности лица на изображении (см., к примеру, Haitao Wang, Stan Z Li, Yangsheng Wang, «Face Recognition under Varying Lighting Conditions Using Self Quotient Image», fgr, p.819, Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004). Для определения углов поворота головы человека относительно трех ортогональных осей, а также для определения условий освещенности лица на изображении могут быть также применимы нейронные сети с обратными связями. Для этих случаев характерно использование параметров, изменение которых отразить в исходном векторе нельзя, и применяется схема функционирования нейронной сети с обратной связью, проиллюстрированная на фиг.9. Вход классификатора - это выровненный по крену (угол отклонения изображения лица в плоскости изображения от вертикали) паттерн (область изображения лица) и вектор оценочных значений тангажа и рысканья (углов поворота головы в пространстве, соответственно, в вертикальном и горизонтальном направлении) или вектор оценочных значений углов направления освещенности изображения лица - в зависимости от задачи. Выходной вектор образуют два выхода, определяющие направление градиента вектора оценочных значений.

Из извлеченных таким образом признаков для каждой области лица формируют уникальный вектор признаков (шаг 14). Для этого можно использовать выделенные ранее амплитудную и фазовую составляющие цифрового изображения, а также упомянутые выше сведения об углах поворота головы человека и условиях освещенности лица на изображении. На фиг.2 приведен условный пример формирования такого уникального вектора признаков.

Как видно из фиг.2, для каждой выделенной области лица осуществляют поиск характерных подобластей (например, как показано на фиг.2, брови, глаза, рот) и из этих подобластей извлекают индивидуальные признаки, характеризуя их соответствующими числами. Совокупность таких чисел и составляет уникальный вектор признаков для данного лица.

Полученный уникальный вектор признаков образует индекс, с помощью которого индексируется соответствующее изображение лица каждого человека. Этот индекс является одной точкой в многомерном пространстве признаков, именуемом индексным пространством. Число измерений такого пространства определяется количеством индивидуальных признаков, выделяемых в области лица, а каждое число, которым характеризуется тот или иной индивидуальный признак, откладывается на соответствующей координатной оси индексного пространства. На фиг.2 условно показана совокупность полученных уникальных векторов признаков в виде множества точек, спроецированных на плоскость ху.

Для упомянутого индексного пространства строят дерево гиперплоскостей (шаг 15), предназначенное для организации быстрого поиска в упомянутом индексном пространстве. Для этого осуществляют рекурсивное деление индексного пространства гиперплоскостями, при котором каждому узлу дерева гиперплоскостей ставят во взаимно однозначно соответствие одну гиперплоскость, разделяющую поставленное в соответствие этому узлу множество уникальных векторов признаков на два равных по объему подмножества. На фиг.3 такой гиперплоскостью является плоскость Plane 1. Деление производят так, чтобы среднеквадратичное расстояние от упомянутой гиперплоскости (Plane 1 на фиг.3) до уникальных векторов (A-D на фиг.3) признаков было максимально. Получающиеся подмножества векторов ставят в соответствие двум нижележащим узлам дерева гиперплоскостей, а каждому узлу самого нижнего уровня (терминальному узлу) ставят в соответствие не более одного из уникальных векторов признаков (см. фиг.3 справа).

Построенное индексное пространство можно, разумеется, наращивать впоследствии, если возникнет необходимость увеличить количество людей, подлежащих идентификации. Для этого каждое новое изображение лица, которое добавляется в индексное пространство, проходит через все описанные выше операции 11-14 на фиг.1, после чего оно добавляется в общую индексную базу путем поиска и разветвления соответствующего узла дерева, наиболее близкого к данному индексу.

После того, как индексное пространство построено на основе сформированных уникальных векторов признаков, в последней операции (шаг 16) первого этапа реализации предлагаемого способа архивируют проиндексированные изображения лиц, включая и связанное с этим архивом изображений индексное пространство, в котором каждой точке соответствует по меньшей мере одно архивированное изображение. В результате получают индексированную базу данных эталонных изображений. Эти данные можно далее использовать на втором этапе предлагаемого способа для идентификации конкретных людей.

Второй этап способа по настоящему изобретению иллюстрируется на фиг.5. В первой операции, как и на первом этапе (фиг.1), получают изображение сцены, содержащей лицо идентифицируемого человека (шаг 51). В принципе, на этом изображении может быть несколько лиц, тогда для каждого лица на этом изображении сцены будут выполняться описанные ниже операции. Как и для первого этапа, получать изображение можно различными путями: извлекать файл изображения из архива, сканировать обычную фотографию, использовать цифровую фотографию и т.п.

Как и на первом этапе, на изображении выделяют область лица человека с помощью известных средств и методов (шаг 52). Затем из выделенной области лица извлекают индивидуальные признаки (шаг 53) точно так же, как это описано для первого этапа. Из извлеченных таким образом индивидуальных признаков формируют уникальный вектор признаков (шаг 54). Фактически на втором этапе повторяют шаги 11-14 первого этапа, но уже для изображения лица того человека, которого необходимо идентифицировать. В результате этого получают уникальный индекс для области лица каждого из идентифицируемых людей, и этот индекс именуется запросным индексом.

После этого осуществляют первичный поиск по запросному индексу и дереву, иерархически разбивающих указанное индексное пространство гиперплоскостей. Для этого выделяют в индексном пространстве те точки, расстояние которых от точки запросного индекса не превышает заранее заданной величины. Такое выделение производят путем рекурсивного отбрасывания индексированных векторов признаков, наиболее удаленных от запросного индекса. Блок-схема алгоритма, в соответствии с которым осуществляется шаг 55 первичного поиска, показана на фиг.6. Входным параметром первичного поиска является запросный индекс. Согласно этому алгоритму, корень дерева выбирается в качестве стартового узла. Если узел терминальный, то рассчитывают расстояния до всех его листьев. (Листья - это ссылки на ключи в базе данных, принадлежащие терминальному узлу.) Если же узел не является терминальным, то производят расчет знакового расстояния (см. d / -d на фиг.3) от гиперплоскости, соответствующей текущему выбранному узлу дерева, до запросного индекса. В зависимости от величины полученного расстояния выбирают в качестве текущего узла один или оба узла следующего уровня. По этим расчетам выбирают те векторы, расстояния до которых минимальны, т.е. ближайшие точки индексного пространства к запросному индексу.

На основании выделенных индексов (точек в индексном пространстве) формируют набор архивированных изображений, связанных с этими выделенными индексами (шаг 56).

Затем осуществляют вторичный поиск среди сформированного набора архивированных изображений лиц (шаг 57). Этот вторичный поиск проводят путем формирования и последующего сравнения векторов дополнительных признаков этих выделенных архивированных изображений и вектора соответствующих дополнительных признаков изображения лица каждого идентифицируемого человека. К дополнительным признакам могут относиться дополнительные метрики лица (например, локальный вектор главных компонент по области), дополнительные признаки областей лица (например, форма бровей, овала лица), уникальные признаки (например, наличие родинок, шрамов и т.п.) и другие. Такие признаки могут быть сформированы для архивированных изображений как на этапе формирования первичного набора признаков, так и непосредственно в процессе функционирования системы.

Сам вторичный поиск может осуществляться любым известным способом, например, на основе вычисления меры подобия векторов дополнительных признаков, проводимого с помощью нейронной сети (многослойного персептрона). Входом является N-мерный вектор мер корреляции элементов векторов дополнительных признаков. N - число параметров, по которым осуществляется идентификация в результате вторичного поиска. Один выход - значение в интервале (-1, 1), определяющее меру подобия векторов дополнительных признаков, по которым был сформирован входной вектор сети. По этому значению и заданному для него порогу осуществляется классификация на 2 класса - близких между собой векторов дополнительных признаков, и векторов, которые в пространстве векторов дополнительных признаков изображений лиц удалены друг от друга настолько, что сами изображения лиц считаются непохожими.

По результатам вторичного поиска принимают решение об идентификации конкретного человека (шаг 58) посредством выбора архивированного изображения, у которого вектор дополнительных признаков имеет меру подобия вектору дополнительных признаков изображения лица идентифицируемого человека, превышающую заданный порог, и максимальную среди сравниваемых во вторичном поиске архивированных изображений лиц.

Фиг.7 иллюстрирует пример идентификации человека по изображению его лица согласно настоящему изобретению. Согласно изображенному алгоритму на первом этапе, после загрузки в систему изображения лица идентифицируемого человека, происходит выделение первичных и вторичных характеристик лица, из которых составляются два вектора признаков. Первичные признаки лица представляют собой поисковый индекс и задают точку в индексном пространстве. Далее в соответствии с заранее определенными критериями близости (например, по расстоянию R) в индексном пространстве находятся индексы, наиболее близкие к заданной индексной точке, соответствующей лицу идентифицируемого человека. На основании этих индексов формируют список лиц с близкими первичными признаками сходства и извлекают из хранилища архивированные изображения лиц, соответствующие этим индексам. Следующий этап включает в себя сравнение лиц из полученного набора эталонных изображений с входным идентифицируемым изображением по вторичным признакам лица. Для этого сравниваются вторичные признаки каждого из лиц, близких к идентифицируемому по первичным признакам, с вторичными (дополнительными) признаками лица входного изображения. В ряде случаев возможно извлечение дополнительных признаков из архивированных изображений лиц, соответствующих списку лиц с близкими первичными признаками, и входного изображения лица идентифицируемого человека. На последнем этапе происходит вычисление меры подобия каждого архивированного лица и входного изображения лица на основе сравнения вторичных и (или) дополнительных признаков. В результате получается ранжированный по мере подобия список лиц, который используется для принятия решения.

Время осуществления первичного поиска резко сокращается по сравнению с вышеприведенными аналогами, поскольку поиск кандидатов (первичный поиск) в способе по настоящему изобретению осуществляется не путем перебора всех изображений из архива и сравнения их анализируемым изображением лица, а путем быстрого выделения подмножества точек индексного пространства, удаленных от запросного индекса на расстояние не больше заданного, с использованием дерева гиперплоскостей, иерархически разделяющих множество точек, соответствующих уникальным векторам признаков, на сужающиеся подмножества. В процессе вторичного поиска производится детальный анализ всех кандидатов, отобранных в результате первичного поиска. Таким образом, способ по настоящему изобретению обеспечивает технический результат в виде сокращения объема требуемых вычислений (т.е. уменьшения требуемых аппаратных вычислительных средств) и повышения скорости идентификации при поддержке высокого качества идентификации.

Хотя настоящее изобретение проиллюстрировано в данном описании примерами своего осуществления, эти примеры не ограничивают объема настоящего изобретения, определяемого лишь прилагаемой формулой изобретения с учетом возможных эквивалентных признаков.

1. Способ идентификации человека по изображению его лица, заключающийся в том, что

а) получают изображения лиц заранее заданных людей;

б) выделяют область лица по меньшей мере одного человека на каждом из упомянутых изображений;

в) извлекают индивидуальные признаки из каждой из упомянутых выделенных областей лица;

г) формируют уникальный вектор признаков из упомянутых извлеченных индивидуальных признаков для каждой из упомянутых областей лица;

д) индексируют по меньшей мере одно изображение лица каждого человека с помощью сформированного соответствующего уникального вектора признаков, который и образует индекс, являющийся одной точкой в многомерном пространстве признаков, именуемом индексным пространством;

е) строят для упомянутого индексного пространства дерево гиперплоскостей, для чего осуществляют рекурсивное деление упомянутого индексного пространства гиперплоскостями, при котором каждому узлу упомянутого дерева гиперплоскостей ставят во взаимно однозначное соответствие одну гиперплоскость, разделяющую поставленное в соответствие этому узлу множество упомянутых уникальных векторов признаков на два равных по объему подмножества так, чтобы среднеквадратичное расстояние от упомянутой гиперплоскости до упомянутых уникальных векторов признаков было максимально, и получающиеся подмножества векторов ставят в соответствие двум нижележащим узлам упомянутого дерева гиперплоскостей, а каждому узлу самого нижнего уровня ставят в соответствие не более одного из упомянутых уникальных векторов признаков;

ж) архивируют упомянутые проиндексированные изображения лиц, включая и связанное с этим архивом изображений упомянутое индексное пространство, в котором каждой точке соответствует по меньшей мере одно архивированное изображение;

з) получают изображение сцены, содержащей лицо по меньшей мере одного идентифицируемого человека;

и) повторяют операции б)-г) для изображения, полученного в операции з), в результате чего получают уникальный индекс для области лица каждого из идентифицируемых людей, именуемый запросным индексом;

к) осуществляют первичный поиск путем выделения в упомянутом индексном пространстве тех точек, расстояние которых от точки запросного индекса не превышает заранее заданной величины, путем рекурсивного отбрасывания наиболее удаленных от него индексированных векторов признаков с использованием упомянутого дерева гиперплоскостей;

л) формируют набор архивированных изображений, связанных с индексами, найденными в результате операции к);

м) осуществляют вторичный поиск среди сформированного в операции л) набора архивированных изображений лиц путем формирования и последующего сравнения векторов дополнительных признаков этих выделенных архивированных изображений и вектора соответствующих дополнительных признаков изображения лица каждого идентифицируемого человека;

н) принимают решение об идентификации конкретного человека посредством выбора архивированного изображения, вектор дополнительных признаков которого имеет меру подобия вектору дополнительных признаков изображения лица идентифицируемого человека, превышающую заданный порог, и максимальную среди сравниваемых в операции м) архивированных изображений лиц.

2. Способ по п.1, в котором в операции м) упомянутый вторичный поиск осуществляют на основе вычисления меры подобия векторов дополнительных признаков, проводимого с помощью нейронной сети.

3. Способ по п.1, в котором в операции в) путем спектрального анализа выделяют амплитудную и фазовую составляющие цифрового изображения и используют эти составляющие при формировании упомянутых уникальных векторов признаков в операции г).

4. Способ по п.1, в котором в операции в) упомянутые индивидуальные признаки извлекают из упомянутых выделенных областей лица посредством поиска характерных подобластей в каждой из упомянутых областей лица с использованием нейронной сети с обратными связями, которая реализует алгоритм итеративного классификатора, определяющего направление сдвига к цели.

5. Способ по п.4, в котором упомянутые характерные подобласти выбираются из группы, состоящей из зон, соответствующих глазам, бровям, носу, рту, подбородку на человеческом лице, а также ушам и контуру лица.

6. Способ по п.1, в котором в операции в) определяют дополнительно углы поворота головы человека относительно трех ортогональных осей с помощью нейронной сети с обратными связями и учитывают эти данные в операции г).

7. Способ по п.1, в котором в операции в) определяют дополнительно условия освещенности лица на изображении с помощью нейронной сети с обратными связями и учитывают эти данные в операции г).