[發明專利]一種人臉認證方法和裝置

有效

• 申請號: 201610849667.8
• 申請日: 2016-09-23
• 公開（公告）號: CN107871103B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 王洋;張偉琳;陸小軍
• 申請（專利權）人: 北京眼神科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 趙娟

1.一種人臉認證方法，其特征在于，包括：

將目標圖像中的目標人臉圖像劃分為多個分塊人臉圖像；

將所述多個分塊人臉圖像中分別輸入預置的神經網絡模型中，提取相應的多個原始人臉特征；

從所述多個原始人臉特征中選擇至少部分原始人臉特征生成目標人臉特征；

根據所述目標人臉特征對所述目標人臉圖像進行認證處理；

其中，所述選擇至少部分原始人臉特征生成目標人臉特征的步驟包括：

對至少部分原始人臉特征配置權重；

采用配置了權重的原始人臉特征生成目標人臉特征；

其中，所述將所述多個分塊人臉圖像中分別輸入預置的神經網絡模型中，提取相應的多個原始人臉特征的步驟包括：

將每個分塊人臉圖像輸入預置的卷積神經網絡，所述卷積神經網絡包括一個或多個卷積層、一個或多個采樣層；

當所述卷積層屬于第一深度范圍時，采用指定的單個卷積核進行卷積操作；

當所述卷積層屬于第二深度范圍時，采用分層線性模型Inception進行卷積操作，其中，所述第二深度范圍的層數大于所述第一深度范圍的層數；

在所述采樣層中，進行最大化下采樣；

根據所述卷積神經網絡輸出的多個圖像數據獲得特征向量，作為所述分塊人臉圖像的原始人臉特征；其中，所述分層線性模型Inception包括第一層、第二層、第三層、第四層；

所述采用分層線性模型Inception分塊人臉圖像進行卷積操作的步驟包括：

在第一層中，采用指定的第一卷積核與第一步長對輸入所述分層線性模型Inception的圖像數據進行卷積操作，獲得第一特征圖像數據；

在第二層中，采用指定的第二卷積核與第二步長對輸入所述分層線性模型Inception的圖像數據進行卷積操作，獲得第二特征圖像數據；采用指定的第三卷積核與第三步長對所述第二特征圖像數據人臉數據進行卷積操作，獲得第三特征圖像數據；

在第三層中，采用指定的第四卷積核與第四步長對輸入所述分層線性模型Inception的圖像數據進行卷積操作，獲得第四特征圖像數據；采用指定的第五卷積核與第五步長對所述第四特征圖像數據進行卷積操作，獲得第五特征圖像數據；

在第四層中，采用指定的第六卷積核與第六步長對所述輸入所述分層線性模型Inception的圖像數據進行卷積操作，獲得第六特征圖像數據；對所述第六特征圖像數據進行最大化下采樣操作，獲得第七特征圖像數據；

連接所述第一特征圖像數據、所述第三特征圖像數據、所述第五特征圖像數據和所述得第七特征圖像數據，獲得第八特征圖像數據。

2.根據權利要求1所述的方法，其特征在于，所述將目標圖像中的目標人臉圖像劃分為多個分塊人臉圖像的步驟包括：

對目標圖像進行人臉檢測，確定候選人臉圖像；

在所述候選人臉圖像中進行人臉特征點定位，確定眼睛數據的位置；

將所述眼睛數據的位置與預設模板位置進行對齊；

對除所述眼睛數據之外的候選人臉圖像根據所述眼睛數據的位置進行相似變換，獲得歸一化的目標人臉圖像；

對所述目標人臉圖像進行分割，獲得分塊人臉圖像。

3.根據權利要求2所述的方法，其特征在于，所述將目標圖像中的目標人臉圖像劃分為多個分塊人臉圖像的步驟還包括：

對至少部分分塊人臉圖像進行鏡像對稱變換，獲得新的分塊人臉圖像。

4.根據權利要求3所述的方法，其特征在于，所述對至少部分原始人臉特征配置權重的步驟包括：

獲取多個分塊人臉訓練圖像；

采用配置多個權重后的多個分塊人臉訓練圖像訓練弱分類器，所述弱分類器用于合成強分類器；

計算所述弱分類器的分類誤差率；

采用所述分類誤差率計算所述弱分類器在所述強分類器中的重要系數；

以所述重要系數更新所述人臉特征訓練樣本的權重，當前迭代的次數累加一；

判斷當前迭代的次數是否超過預設的迭代閾值；

若是，則從所述多個分塊人臉訓練圖像的多個權重中提取至少部分權重；

若否，則返回執行所述采用配置多個權重后的多個分塊人臉訓練圖像訓練弱分類器的步驟；

將提取的至少部分權重配置給對應的至少部分原始人臉特征。