TWI453680B - 可抑制雜訊及環境影響之臉部辨識方法 - Google Patents

Description

可抑制雜訊及環境影響之臉部辨識方法

本發明係與臉部辨識方法有關，特別是關於一種可抑制雜訊及環境影響之臉部辨識方法。

傳統的使用權限取得方式，例如通過門禁系統或登入電腦系統等，其步驟為輸入使用者帳號並輸入對應之密碼。

輸入使用者帳號及輸入對應之密碼之動作，有完全手動者；亦有透過識別卡，例如接觸式識別卡或RFID識別卡自動輸入使用者帳號及密碼者。完全手動者常有帳號密碼外流或被使用者遺忘的問題，而識別卡則有被盜用或是非法複製的問題。

為了避免前述問題發生，臉部辨識技術目前逐漸被用於作為識別身份以取得特定權限。

臉部辨識技術大致分為二個階段，分別為臉部學習階段及臉部辨識階段。臉部學習階段在於擷取使用者之臉部的影像，經特定的數值處理作業，以將影像轉換特定之數據化資料，並以數據表現其特徵。臉部辨識階段則在於擷取待辨識之臉部的影像，同樣地將影像轉換為特定型態之數據化資料，並以數據表現其特徵。最後再將兩筆數據化資料加以比對，確認其特徵是否近似，以判別待辨識之臉部是否與使用者之臉部相符合。

而將臉部之影像轉換為數據化資料以供辨識的核心技術大致有主成分分析法(Principal Components Analysis)、三維臉部辨識法、以五官為基礎之辨識法、子特徵向量比對等等。前述各種方法各有其優缺點，然而，其等所共通面臨之問題在於：取得待辨識之臉部之環境，往往與臉部學習階段的環境有很大的差異，或是待辨識之臉部的影像包含了雜訊，該些環境影響或雜訊，將使得待辨識之臉部無法通過臉部辨識。為了避免使用者經常性地無法通過臉部辨識，臉部辨識階段就必須降低比對門檻。但是降低比對門檻，將使得臉部辨識過於容易通過，而讓陌生人通過臉部辨識。

鑑於上述問題，本發明基於子特徵向量比對，提出一種可抑制雜訊及環境影響之臉部辨識方法，以降低雜訊或環境對臉部辨識之可靠度的影響。

本發明提出一種可抑制雜訊及環境影響之臉部辨識方法，執行於一資料處理裝置，用以判別一當前臉部影像與一參考臉部影像是否相符合，所述方法包含下列步驟：提供一特徵向量資料庫，儲存該參考臉部影像之一參考子特徵向量群、一參考環境狀態向量及一動態閥值表；擷取該當前臉部影像；取得該當前臉部影像之當前子特徵向量群；將該當前子特徵向量群中每一子特徵向量，與該參考子特徵向量群中對應之子特徵向量進行比對，找出該當前臉部影像中每一該區塊的子特徵向量差距；將該些子特徵向量差距由小至大排列；由數值較小者開始選取各該子特徵向量差距，而僅取得該些子特徵向量差距中一特定個數，並加總該些該子特徵向量差距為一總差距；取得該當前臉部影像之當前環境狀態向量；計算該參考環境狀態向量與該當前環境狀態向量之間的歐氏距離；依據該參考環境狀態向量與該當前環境狀態向量之間的歐氏距離，於該動態閥值表上取得一對應之動態閥值，其中該動態閥值表記載複數個動態閥值，且每一動態閥值與一特定範圍之歐氏距離關連；以及判別該總差距是否超過該動態閥值，並於總差距未超過該動態閥值時決定該當前臉部影像與該參考臉部影像相符合。

通過前述可抑制雜訊及環境影響之臉部辨識方法，本發明可在取得子特徵向量群之前，先降低各臉部影像之雜訊。接著在取得子特徵向量群之差距之後，本發明係進一步考量環境狀態之變化，而動態地選取比對前述差距之閥值，從而使每一次取得的動態閥值都可以符合環境狀態之變化，以改善臉部辨識之可靠度。

請參閱「第1圖」至「第2圖」所示，係為本發明實施例所提出之一種可抑制雜訊及環境影響之臉部辨識方法，執行於一資料處理裝置20，用以判別一當前臉部影像C與一參考臉部影像R是否相符合，而產生一辨識結果，而找出對應之識別身份。前述辨識結果及其所對應之辨識身份可用於取代該資料處理裝置20之登入帳號及密碼，從而簡化取得該資料處理裝置20使用權限之步驟。

該資料處理裝置20(例如電腦或筆記型電腦)係安裝一臉部辨識程式，藉以執行可抑制雜訊及環境影響之臉部辨識方法。該資料處理裝置20連接或內建一特徵向量資料庫40，並透過一影像擷取裝置30擷取當前臉部影像C或參考臉部影像R。

本發明之可抑制雜訊及環境影響之臉部辨識方法，主要包含臉部影像特徵向量處理程序，前述臉部影像特徵向量處理程序不只用於臉部特徵學習階段，也用於臉部辨識階段。

如「第1圖」所示，本發明之可抑制雜訊及環境影響之臉部辨識方法透過影像擷取裝置30擷取使用者之當前臉部影像C或參考臉部影像R，並傳送至資料處理裝置20。影像擷取裝置30可為一攝影機，外接或內建於該資料處理裝置20。

參閱「第2圖」及「第3圖」所示，於此先說明臉部特徵學習階段所包含之步驟，該臉部特徵學習階段實際上包含一臉部影像特徵向量處理程序，以提供特徵向量資料庫40。

參閱「第2圖」及「第3圖」所示，首先，於臉部影像特徵向量處理程序的部分，使用者先使影像擷取裝置30對準臉部，以透過該影像擷取裝置30擷取參考臉部影像R，傳送至資料處理裝置20，如步驟Step 110所示。

參閱「第2圖」及「第3圖」所示，接著，資料處理裝置20對該參考臉部影像R施行高斯模糊降噪處理(Gaussian Blur Noise Reduction)，以降低該臉部影像R中的雜訊，如步驟Step 120所示。

該高斯模糊降噪處理係用於降低雜訊，其也可以用其他的降低雜訊處理方式取代；或是，若擷取臉部影像R之場所照明充足而可確保擷取臉部影像R具有低雜訊時，也可以不施行步驟Step 120之高斯模糊降噪處理。

參閱「第2圖」及「第3圖」所示，接著，資料處理裝置20將參考臉部影像R分割成N×N個區塊，每一個區塊都給予一區塊辨識碼(Block_ID)，如步驟Step 130所示。

參閱「第2圖」及「第3圖」所示，資料處理裝置20分析每一區塊中，每一像素之像素值，並對每一區塊進行局部二值化處理(Local Binary Pattern，LBP)。資料處理裝置20依據像素值之變化，將每一區塊轉換為具有M個維度之子特徵向量，如步驟Step 140所示。

參閱「第2圖」及「第3圖」所示，該參考臉部影像R共可獲得N×N個子特徵向量，因此資料處理裝置20結合該些子特徵向量為一參考子特徵向量群，以儲存於特徵向量資料庫40，如步驟Step 150所示。

參閱「第2圖」及「第3圖」所示，資料處理裝置20並將該參考子特徵向量群傳送至特徵向量資料庫40，如步驟Step 160所示。

前述之作業，係用以建立參考子特徵向量群，以供後續比對之用。於建立參考子特徵向量群時，資料處理裝置20可同時接受識別身份之資料之輸入，以使參考子特徵向量群與一對應之識別身份產生關連。

經過前述之步驟後，可得一特徵向量資料庫40，該特徵向量資料庫40中儲存至少一參考子特徵向量群，該參考子特徵向量群與一識別身份被設定互相關連。

之後，針對該參考臉部影像R，取得參考環境狀態向量，取得步驟如下：參閱「第4圖」及「第5圖」所示，資料處理裝置20先將參考臉部影像R分割為4個等分，由左上等分開始逆時針排列依序為第一等分1、第二等分2、第三等分3、第四等分4，如步驟Step 170所示。

參閱「第4圖」及「第5圖」所示，接著，資料處理裝置20分別計算第一等分1、第二等分2、第三等分3、第四等分4之平均灰階值m1、m2、m3、m4，如步驟Step 181所示。

參閱「第4圖」及「第5圖」所示，如步驟Step 182所示，資料處理裝置20接著以下列規則：以左邊等分的平均灰階值減右邊等分的平均灰階值、以上方等分的平均灰階值減下方等分的平均灰階值，再取得四個灰階值差值(m1-m4)、(m2-m3)、(m1-m2)、(m4-m3)，前述之規則主要係用以計算每一平均灰階值與其他平均灰階值之差值，因此並不限定於前述規則。且等分的數量亦不限定於四個(2×2)，亦可為3×3、4×4...等。

如步驟Step 190所示，接著，結合第一等分1、第二等分2、第三等分3、第四等分4之平均灰階值m1、m2、m3、m4，及四個灰階值差值(m1-m4)、(m2-m3)、(m1-m2)、(m4-m3)作為每一維度之數值為一參考環境狀態向量，儲存於特徵向量資料庫40中。

接著說明可抑制雜訊及環境影響之臉部辨識方法之中的臉部辨識階段。於臉部辨識階段中，同樣地，係先執行臉部影像特徵向量處理程序，取得一當前子特徵向量群，再將該當前子特徵向量群，與特徵向量資料庫40中的參考子特徵向量群逐一比對。

參閱「第6圖」及「第7圖」所示，使用者先使影像擷取裝置30對準臉部，透過該影像擷取裝置30擷取當前臉部影像C，傳送當前臉部影像C至資料處理裝置20，如步驟Step 210所示。

參閱「第6圖」及「第7圖」所示，接著，資料處理裝置20對該當前臉部影像C施行高斯模糊降噪處理，以降低當前臉部影像C中的雜訊，如步驟Step 220所示。如同步驟Step 120，該高斯模糊降噪處理係用於降低雜訊，也可以用其他的降低雜訊處理方式取代；或是，若擷取臉部影像C之場所照明充足而可確保擷取臉部影像C具有低雜訊時，也可以不施行步驟Step 220之高斯模糊降噪處理。

參閱「第6圖」及「第7圖」所示，接著，資料處理裝置20將當前臉部影像C分割成N×N個區塊，每一個區塊都給予一區塊辨識碼(Block_ID)，如步驟Step 230所示。

參閱「第6圖」及「第7圖」所示，資料處理裝置20分析分析每一區塊中，每一像素之像素值，並對每一區塊進行局部二值化處理。資料處理裝置20依據像素值之變化，將當前臉部影像C之每一區塊轉換為具有M個維度之子特徵向量，如步驟Step 240所示。

參閱「第6圖」及「第7圖」所示，該當前臉部影像C共可獲得N×N個子特徵向量，因此資料處理裝置20結合該些子特徵向量為一當前子特徵向量群，如步驟Step 250所示。

參閱「第8圖」及「第9圖」所示，資料處理裝置20將對應於當前臉部影像C之當前子特徵向量群中每一子特徵向量，與參考臉部影像R之參考子特徵向量群中對應之子特徵向量進行比對，找出當前臉部影像C中每一該區塊的子特徵向量差距，如步驟Step 300所示。

參考「第10圖」所示，步驟Step 300之自適性比對的細節如下。

首先，資料處理裝置20由特徵向量資料庫40載入一個參考子特徵向量群，如步驟Step 310所示。

將參考子特徵向量群及當前子特徵向量群中，具有相同區塊辨識碼(Block_ID)而互相對應之子特徵向量進行比對，而得到N×N組子特徵向量差距，如步驟Step 320所示。

以資料處理裝置20將前述的該些子特徵向量差距由小至大排列，由數值較小者開始選取各該子特徵向量差距，而僅選取該些子特徵向量差距中一特定個數者，例如僅取前65%，其餘數值較大者捨棄不採用，如步驟Step 330所示。

如步驟Step 340所示，資料處理裝置20加總前述選取之子特徵向量差距為一總差距。

步驟Step 330中，捨棄子特徵向量差距中數值較大者不採用的原因在於執行步驟Step 140、Step 240的局部二值化處理(LBP)時，每一區塊的子特徵向量實際上都會受到雜訊影響，而使其子特徵向量受到影響。而子特徵向量差距數值較大者捨棄不採用時，被捨棄的區塊實際上都是受到雜訊影響較大者，特別是陰影、瀏海、臉部光滑處的顆粒狀雜訊，重要的臉部特徵被捨棄的機率不高。

反之，在光線正常場合下，雖雜訊極少，但欠缺鑑別性的區塊有時會更被凸顯出來，例如光滑的額頭、臉頰在強光作用下的顆粒狀雜訊，這些區塊不但欠缺鑑別性的特徵，而且充足的光線也會使其子特徵向量受到影響而在特徵向量組合中被突顯出來，並造成其對應之子特徵向量差距數值較大。因此，在光線正常場合下，捨棄子特徵向量差距數值較大者並不會捨棄重要的臉部特徵，反而可以提升重要的臉部特徵的權重。

接著，資料處理裝置20指定一動態閥值，進行動態閥值檢查，如步驟Step 400所示。動態閥值檢查係用以判別當前臉部影像C與特徵向量資料庫40中參考臉部影像R的子特徵向量差距之總差距是否超過該動態閥值。亦即，當前子特徵向量群與參考子特徵向量群的差異是否超過該動態閥值。

參閱「第11圖」至「第12圖」所示，以下說明步驟Step 400之細節。

參閱「第11圖」至「第12圖」所示，資料處理裝置20先將當前臉部影像C分割為4個等分，由左上等分開始逆時針排列依序為第一等分1、第二等分2、第三等分3、第四等分4，如步驟Step 410所示。

參閱「第11圖」至「第12圖」所示，資料處理裝置20分別計算第一等分1、第二等分2、第三等分3、第四等分4之平均灰階值m1、m2、m3、m4，如步驟Step 420所示。

參閱「第11圖」至「第12圖」，如步驟Step 430所示，資料處理裝置20接著計算每一平均灰階值與其他平均灰階值之差值(m1-m4)、(m2-m3)、(m1-m2)、(m4-m3)。

如步驟Step 440所示，接著，以第一等分1、第二等分2、第三等分3、第四等分4之平均灰階值m1、m2、m3、m4，及四個灰階值差值(m1-m4)、(m2-m3)、(m1-m2)、(m4-m3)作為每一維度之數值，結合為一當前環境狀態向量。

實際上，步驟Step 410至Step 440所執行之步驟，係與步驟Step 160至Step 190相同，其差異僅在於實施對象為參考臉部影像R或當前臉部影像C。

如步驟Step 450所示，資料處理裝置20計算參考環境狀態向量與當前環境狀態向量之間的歐氏距離(Euclidean distance)。

如步驟Step 460所示，資料處理裝置20由特徵向量資料庫40載入一動態閥值表。動態閥值表記載複數個動態閥值，且每一動態閥值與一特定範圍之歐氏距離關連。前述動態閥值表可透過在不同環境測試後，逐一建立出每一動態閥值與一特定範圍之歐氏距離之關連性。

如步驟Step 470所示，資料處理裝置20依據參考環境狀態向量及當前環境狀態向量之間的歐氏距離，取得一對應之動態閥值。

參閱「第8圖」所示，如步驟Step 500，以資料處理裝置20判別總差距是否超過動態閥值。

若，當前子特徵向量群與參考子特徵向量群的總差距超過該動態閥值，則判定當前臉部影像C與該參考臉部圖像R不相符，而屬於一陌生人，如步驟Step 510所示。

若，當前子特徵向量群與參考子特徵向量群的差距，未超過該動態閥值，則決定當前臉部影像C與該參考臉部圖像R相符合，而屬於使用者，如步驟Step 520所示。

上述辨識結果及參考子特徵向量群所對應之辨識身份，可用於取代該資料處理裝置20之登入帳號及密碼，從而簡化取得該資料處理裝置20使用權限之步驟。

動態閥值可以反映出取得當前臉部影像C及取得參考臉部影像R時的環境影響，隨該環境影響調整比對閥值，從而避免臉部辨識方法的辨識門檻過於嚴苛，也仍可降低陌生人通過臉部辨識的機率。

為了提升臉部辨識的正確性，本發明臉部辨識方法之步驟可進行下列二種修正。

其一，執行多層次取樣，增加當前子特徵向量群與參考子特徵向量群中的子特徵向量數，以增加有效的比對樣本數。

參閱「第13圖」及「第14圖」所示，執行多層次取樣的步驟，係用以取代步驟Step 130至步驟Step 140或步驟Step 230至步驟Step 240。以下不再區隔當前臉部影像C及參考臉部影像R，僅以臉部影像F稱之。

參閱「第13圖」及「第14圖」所示，取得臉部影像F並進行降低雜訊處理之後(如步驟Step 110至步驟Step 120之後，或步驟Step 210至步驟Step 220)，資料處理裝置20將臉部影像F分為第一層影像F1及第二層影像F2，其中第一層影像F1為原始的臉部影像F，第二層影像F2為原始的臉部影像F中的局部區域，特別是臉部中心特徵明顯的區域，如步驟Step 610所示。

參閱「第13圖」及「第14圖」所示，資料處理裝置20將第一層影像F1及第二層影像F2分別分割為複數個區塊；例如第一層影像F1分割成N×N個區塊，第二層影像F2分割成L×L個區塊。同樣地，所有的每一個區塊都給予一區塊辨識碼(Block_ID)，如步驟Step 620所示。

參閱「第13圖」及「第14圖」所示，資料處理裝置20分析每一區塊中，每一像素之像素值，並對每一區塊進行局部二值化處理。資料處理裝置20依據像素值之變化，將每一區塊轉換為具有M個維度之子特徵向量，如步驟Step 630所示。

參閱「第13圖」及「第14圖」所示，該參考臉部影像R共可獲得N×N個加上L×L個子特徵向量，該L×L個都來自臉部特徵明顯處，而可增加臉部特徵之權重。資料處理裝置20結合該些子特徵向量為一參考子特徵向量群，以儲存於特徵向量資料庫40，如步驟Step 640所示。而該臉部影像F共可獲得N×N加上L×L個子特徵向量的子特徵向量組合，以作為參考子特徵向量群。

如此一來，子特徵向量即可原來的N×N個，再增加L×L個，且該L×L個都來自臉部特徵明顯處，而可增加臉部特徵之權重。

其二，執行多尺寸取樣，修正當前臉部影像C與特徵向量資料庫40中的參考臉部影像R的歐氏距離，以降低雜訊的影響。

參閱「第15圖」及「第16圖」所示，執行多尺寸取樣的步驟，係用以取代步驟Step 130至步驟Step 140或步驟Step 230至步驟Step 240。

參閱「第15圖」及「第16圖」所示，取得參考臉部影像R或當前臉部影像C之後(如步驟Step 110至步驟Step 120之後，或步驟Step 210至步驟Step 220)，資料處理裝置20進一步變更參考臉部影像R及當前臉部影像C之解析度，分別取得一參考縮小臉部影像Rs及一當前縮小臉部影像Cs，如步驟Step 710所示。產生縮小臉部影像的過程中，雜訊部分可以被消除，但人臉特徵的權重也會被降低。因此，原始的臉部影像F仍需在後續的步驟中用到。

參閱「第15圖」所示，接著，資料處理裝置20將參考臉部影像R、該當前臉部影像C、參考縮小臉部影像Rs或當前縮小臉部影像Cs分別分割為複數個區塊；所有的每一個區塊都給予一區塊辨識碼(Block_ID)，如步驟Step 720所示。

參閱「第15圖」所示，資料處理裝置20分析每一區塊中，每一像素之像素值，並對每一區塊進行局部二值化處理。資料處理裝置20依據像素值之變化，將每一區塊轉換為具有M個維度之子特徵向量，如步驟Step 730所示。

參閱「第15圖」及「第16圖」所示，最後，資料處理裝置20分別取得該參考縮小臉部影像Rs及該當前縮小臉部影像Cs之子特徵向量群，以找出當前縮小臉部影像Cs之子特徵向量群中每一該區塊的子特徵向量差距，如步驟Step 740所示。

參閱「第16圖」及「第17圖」所示，而原有的步驟Step 300，亦即對當前臉部影像C之當前子特徵向量群，與特徵向量資料庫40中的每一參考子特徵向量群進行自適性比對的步驟，則區分為兩個平行支線執行，分別為步驟Step 300’及Step 300”。

參閱「第16圖」及「第17圖」所示，Step 300’仍為找出該當前臉部影像C中每一區塊的子特徵向量差距，亦即Step 310’至Step 340’與Step 310至Step 340相同。

參閱「第16圖」及「第17圖」所示，Step 300”係找出當前縮小臉部影像Cs之子特徵向量群中每一該區塊的子特徵向量差距，亦即Step 310”至Step 340”與Step 310至Step 340相同，但比較對象為當前縮小臉部影像Cs及參考縮小影像Rs。

最後，加總當前縮小臉部影像Cs之子特徵向量群中每一區塊的子特徵向量差距至由當前臉部影像C取得之總差距，取得之總差距，用以於步驟Step 500中與動態閥值進行比對。

本發明之臉部辨識方法主要係考量環境狀態之變化，而改變每一次比對之動態閥值，使每一次取得的動態閥值都可以符合環境狀態之變化，以改善臉部辨識之可靠度。

20‧‧‧資料處理裝置

40‧‧‧特徵向量資料庫

30‧‧‧影像擷取裝置

R‧‧‧參考臉部影像

Rs‧‧‧參考縮小臉部影像

C‧‧‧當前臉部影像

Cs‧‧‧當前縮小臉部影像

F‧‧‧臉部影像

F1‧‧‧第一層影像

F2‧‧‧第二層影像

1,2,3...NxN‧‧‧子特徵向量

第1圖為執行本發明之可抑制雜訊及環境影響之臉部辨識方法之資料處理裝置。

第2圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(一)。

第3圖為轉換參考臉部影像為參考子特徵向量群之示意圖。

第4圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(二)。

第5圖為取得參考環境狀態向量之示意圖。

第6圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(三)。

第7圖為轉換當前臉部影像為當前子特徵向量群之示意圖。

第8圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(四)。

第9圖為自適性比對之示意圖。

第10圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(五)。

第11圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(六)。

第12圖為取得計算歐氏距離以取得動態閥值之示意圖。

第13圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(七)。

第14圖為多層次取樣之示意圖。

第15圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(八)。

第16圖為多尺寸取樣之示意圖。

第17圖為本發明之可抑制雜訊及環境影響之臉部辨識方法之流程圖(九)。

C‧‧‧當前臉部影像

1,2,3...NxN‧‧‧子特徵向量

Claims (9)

1. 一種可抑制雜訊及環境影響之臉部辨識方法，執行於一資料處理裝置，用以判別一當前臉部影像與一參考臉部影像是否相符合，該方法包含下列步驟：提供一特徵向量資料庫，儲存該參考臉部影像之一參考子特徵向量群、一參考環境狀態向量及一動態閥值表；擷取該當前臉部影像；取得該當前臉部影像之當前子特徵向量群；將該當前子特徵向量群中每一子特徵向量，與該參考子特徵向量群中對應之子特徵向量進行比對，找出該當前臉部影像中的每一子特徵向量差距；將該些子特徵向量差距由小至大排列；由數值較小者開始選取各該子特徵向量差距，而僅取得該些子特徵向量差距中一特定個數，並加總該些該子特徵向量差距為一總差距；取得該當前臉部影像之當前環境狀態向量；計算該參考環境狀態向量與該當前環境狀態向量之間的歐氏距離；依據該參考環境狀態向量與該當前環境狀態向量之間的歐氏距離，於該動態閥值表上取得一對應之動態閥值，其中該動態閥值表記載複數個動態閥值，且每一動態閥值與一特定範圍之歐氏距離關連；以及判別該總差距是否超過該動態閥值，並於總差距未超過該動態閥值時決定該當前臉部影像與該參考臉部影像相符合。
2. 如請求項1所述之可抑制雜訊及環境影響之臉部辨識方法，其中取得參考子特徵向量群或該當前子特徵向量群之步驟包含： 透過一影像擷取裝置擷取一參考臉部影像或一當前臉部影像；傳送該參考臉部影像或該當前臉部影像至該資料處理裝置；以該資料處理裝置對該參考臉部影像或該當前臉部影像施行降低雜訊處理；以該資料處理裝置將該參考臉部影像或該當前臉部影像分割成複數個區塊；以及以該資料處理裝置對每一該區塊進行局部二值化處理，將每一該區塊轉換為複數個子特徵向量，而結合為一子特徵向量群。
3. 如請求項1所述之可抑制雜訊及環境影響之臉部辨識方法，其中擷取該參考臉部影像或該當前臉部影像之後，更包含下列步驟：以該資料處理裝置將該參考臉部影像或該當前臉部影像分為第一層影像及第二層影像；其中該第一層影像為該參考臉部影像或該當前臉部影像，該第二層影像為該參考臉部影像或該當前臉部影像中的局部區域；以及將該第一層影像及該第二層影像分別分割為複數個區塊。
4. 如請求項2所述之可抑制雜訊及環境影響之臉部辨識方法，其中該降低雜訊處理之步驟係執行高斯模糊降噪處理(Gaussian Blur Noise Reduction)。
5. 如請求項2所述之可抑制雜訊及環境影響之臉部辨識方法，其中擷取該參考臉部影像或該當前臉部影像之後，其中更包含：變更該參考臉部影像及該當前臉部影像之解析度，分別取得一參考縮小臉部影像及一當前縮小臉部影像； 分別取得該參考縮小臉部影像及該當前縮小臉部影像之子特徵向量群，以找出當前縮小臉部影像之子特徵向量群中每一該區塊的子特徵向量差距；以及加總當前縮小臉部影像之子特徵向量群中每一該區塊的子特徵向量差距至由當前臉部影像取得之總差距。
6. 如請求項1所述之可抑制雜訊及環境影響之臉部辨識方法，其中該參考子特徵向量群與一對應之識別身份產生關連。
7. 如請求項1所述之可抑制雜訊及環境影響之臉部辨識方法，其中取得參考環境狀態向量或當前環境狀態向量的步驟包含：先將一該參考臉部影像或該當前臉部影像分割為複數個等分；分別計算每一該等分之平均灰階值；計算每一該平均灰階值與其他該些平均灰階值之差值；以及以該些平均灰階值及四個灰階值差值作為每一維度之數值，結合為該環境狀態向量。
8. 如請求項2所述之可抑制雜訊及環境影響之臉部辨識方法，其中，找出該當前臉部影像與參考臉部影像的該些子特徵向量差距的步驟包含：以該資料處理裝置由該特徵向量資料庫載入該參考子特徵向量群；以及將參考子特徵向量群及當前子特徵向量群中，屬於相同區塊之子特徵向量進行比對，以得到該些子特徵向量差距。
9. 如請求項1所述之可抑制雜訊及環境影響之臉部辨識方法，其中，所選取之子特徵向量差距，係為該些由小至大排列之子特徵向量差距之前65%。