人臉認證的方法和裝置的制造方法
【技術領域】
[0001] 本發明涉及生物識別領域,特別是指一種人臉認證的方法和裝置。
【背景技術】
[0002] 人臉認證是生物識別的一種形式,通過有效的表征人臉,得到兩幅人臉圖片的特 征,利用分類算法來判定這兩張照片是否是同一個人。一般在人臉識別裝置中預先存儲有 一幅人臉圖像,作為人臉圖像模板;在認證時,拍攝一幅人臉圖像,作為待認證人臉圖像,提 取兩幅圖像的特征,利用分類算法來判定這兩張照片是否是同一個人。
[0003] 提取特征的方法為:人工設計出一個特征向量,通過各種算法取出規定的特征向 量,如基于幾何特征的人臉認證方法、基于子空間的人臉認證方法、基于信號處理的人臉認 證方法等,但是這種方法極容易受到光照、表情等因素對結果的影響,抗干擾能力差,并且 人工設計出的特征向量多是基于特定的情況下的,可擴展性差。
[0004] 基于深度網絡的人臉識別與認證技術可以自動學習并提取特征,但是一般的深度 網絡存在著梯度彌散問題,并且對各層級特征處理和理解不充分,僅利用高層特征不足以 充分描述圖像。
【發明內容】
[0005] 本發明提供一種人臉認證的方法和裝置,該方法抗干擾能力強,可擴展性好,認證 準確率高。
[0006] 為解決上述技術問題,本發明提供技術方案如下:
[0007] 一種人臉認證的方法,包括:
[0008] 對待認證人臉圖像和人臉圖像模板使用預先經過多層分類網絡聯合訓練的多層 級深度卷積網絡依次提取出多個層級的特征向量;
[0009] 將多個層級的特征向量依次通過統一維度線性映射矩陣映射為統一維度特征向 量;
[0010] 將統一維度特征向量串聯成聯合特征向量;
[0011] 將聯合特征向量通過線性降維映射矩陣進行降維映射得到綜合特征向量;
[0012] 通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認證人臉圖像的綜合 特征向量和人臉圖像模板的綜合特征向量的進行比對認證。
[0013] -種人臉認證的裝置,包括:
[0014] 第一提取模塊,用于對待認證人臉圖像和人臉圖像模板使用預先經過多層分類網 絡聯合訓練的多層級深度卷積網絡依次提取出多個層級的特征向量;
[0015] 第一映射模塊,用于將多個層級的特征向量依次通過統一維度線性映射矩陣映射 為統一維度特征向量;
[0016] 第一串聯模塊,用于將統一維度特征向量串聯成聯合特征向量;
[0017] 第二映射模塊,用于將聯合特征向量通過線性降維映射矩陣進行降維映射得到綜 合特征向量;
[0018] 第一比對模塊,用于通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認 證人臉圖像的綜合特征向量和人臉圖像模板的綜合特征向量的進行比對認證。
[0019] 本發明具有以下有益效果:
[0020] 本發明的人臉認證的方法中,首先使用預先經過多層分類網絡聯合訓練的多層級 深度卷積網絡提取待認證人臉圖像和人臉圖像模板的多個層級的特征向量,然后將多個層 級的特征向量依次通過統一維度線性映射矩陣映射為統一維度特征向量,再將統一維度特 征向量串聯成聯合特征向量,并將聯合特征向量通過線性降維映射矩陣進行降維映射得到 綜合特征向量,最后通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認證人臉圖 像的綜合特征向量和人臉圖像模板的綜合特征向量的進行比對認證。
[0021] 與現有技術相比,本發明通過多層級深度卷積網絡自動學習并提取特征,與現有 技術中人工設計出一個特征向量相比,抗干擾能強,可擴展性好,認證準確率高。
[0022] 本發明的多層級深度卷積網絡通過多層分類網絡進行聯合訓練得到,避免了梯度 彌散問題,認證準確率高。
[0023] 并且將多個層級的特征向量融合,增加圖像特征豐富度,彌補了一般的深度網絡 對各層級特征處理不充分、僅利用高層特征不足以充分描述圖像的缺陷;進一步提高了認 證準確率。
[0024] 發明人還發現,傳統的比對認證方法,尤其是余弦相似度方法,忽略了向量的模長 差異,從而造成差異描述不全面,降低了比對認證的準確率;本發明采用線性判別分析,對 包括絕對值歸一化余弦值在內的多個差異特征進行比對分析,進一步的提高了認證準確 率。
[0025] 故本發明的人臉認證的方法抗干擾能力強,可擴展性好,認證準確率高,并且避免 了梯度彌散問題,彌補利用高層特征不足以充分描述圖像的缺陷。
【附圖說明】
[0026] 圖1為本發明的人臉認證的方法的流程圖;
[0027] 圖2為本發明的人臉認證的裝置的示意圖;
[0028] 圖3為本發明中圖像預處理的示意圖;
[0029] 圖4為本發明中對多層級深度卷積網絡以及分類網絡進行訓練的示意圖;
[0030] 圖5為本發明中的基本卷積網絡的結構示意圖;
[0031] 圖6為本發明中的多層級深度卷積網絡示意圖;
[0032] 圖7為本發明中的分類網絡示意圖;
[0033] 圖8為本發明中的下采樣操作示意圖。
【具體實施方式】
[0034] 為使本發明要解決的技術問題、技術方案和優點更加清楚,下面將結合附圖及具 體實施例進行詳細描述。
[0035] -方面,本發明一種人臉認證的方法,如圖1所示,包括:
[0036] 步驟SlOl :對待認證人臉圖像和人臉圖像模板使用預先經過多層分類網絡聯合 訓練的多層級深度卷積網絡依次提取出多個層級的特征向量;
[0037] 多層級深度卷積網絡包括2個以上的卷積網絡,每個卷積網絡包括卷積、激活和 下采樣操作,這些操作的順序以及數量不固定,根據實際情況決定;本發明的每個卷積網絡 均提取出一個特征向量,可以記為feai, fea2, fea3,…(這里只列出1組多個層級的特征向 量,即待認證人臉圖像或人臉圖像模板的多個層級的特征向量,后文的公式也只寫出一個 圖像的公式),第一個卷積網絡的輸入為待認證人臉圖像或人臉圖像模板,后一個卷積網絡 的輸入為前一個卷積網絡操作后的特征圖;
[0038] -般的深度網絡存在著梯度彌散問題,本發明的多層級深度卷積網絡通過多層分 類網絡進行聯合訓練得到,避免了上述問題。
[0039] 步驟S102 :將多個層級的特征向量依次通過統一維度線性映射矩陣映射為統一 維度特征向量;統一維度線性映射矩陣是經過預先訓練得到的,可以記為W 1, W2, W3,…,統一 維度特征向量可以記為4 f2, f3,…。
[0040] 步驟S103 :將統一維度特征向量串聯成聯合特征向量;可以記為feature^#。
[0041] 步驟S104 :將聯合特征向量通過線性降維映射矩陣進行降維映射得到綜合特征 向量;線性降維映射矩陣是經過預先訓練得到的,可以記為W t,綜合特征向量可以記為fT。
[0042] 步驟S105 :通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認證人臉 圖像的綜合特征向量和人臉圖像模板的綜合特征向量的進行比對認證。
[0043] 本發明的人臉認證的方法中,首先使用預先經過多層分類網絡聯合訓練的多層級 深度卷積網絡提取待認證人臉圖像和人臉圖像模板的多個層級的特征向量,然后將多個層 級的特征向量依次通過統一維度線性映射矩陣映射為統一維度特征向量,再將統一維度特 征向量串聯成聯合特征向量,并將聯合特征向量通過線性降維映射矩陣進行降維映射得到 綜合特征向量,最后通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認證人臉圖 像的綜合特征向量和人臉圖像模板的綜合特征向量的進行比對認證。
[0044] 與現有技術相比,本發明通過多層級深度卷積網絡自動學習并提取特征,與現有 技術中人工設計出一個特征向量相比,抗干擾能強,可擴展性好,認證準確率高。
[0045] 本發明的多層級深度卷積網絡通過多層分類網絡進行聯合訓練得到,避免了梯度 彌散問題,認證準確率高。
[0046] 并且將多個層級的特征向量融合,增加圖像特征豐富度,彌補了一般的深度網絡 對各層級特征處理不充分、僅利用高層特征不足以充分描述圖像的缺陷;進一步提高了認 證準確率。
[0047] 發明人還發現,傳統的比對認證方法,尤其是余弦相似度方法,忽略了向量的模長 差異,從而造成差異描述不全面,降低了比對認證的準確率;本發明采用線性判別分析,對 包括絕對值歸一化余弦值在內的多個差異特征進行比對分析,進一步的提高了認證準確 率。
[0048] 故本發明的人臉認證的方法抗干擾能力強,可擴展性好,認證準確率高,并且避免 了梯度彌散問題,彌補利用高層特征不足以充分描述圖像的缺陷。
[0049] 作為本發明的人臉認證的方法的一種改進,步驟SlOl之前還包括:
[0050] 步驟SlOO :對待認證人臉圖像和人臉圖像模