[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

本發明實施例提供了一種人臉認證方法和裝置，該方法包括：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。本發明實施例采用單網絡、多分塊的方法，網絡與分類器分離的訓練策略，所以需要訓練樣本數量較小，減小了在訓練過程中出現過擬合的可能性。沒有采用首尾相連構造更高維度的特征，構造了與原始人臉特征維度相同、更利于識別和對變化魯棒性更強的目標人臉特征。

技術領域

本發明涉及生物數據的技術領域，特別是涉及一種人臉認證方法和一種人臉認證裝置。

背景技術

由于人臉認證具有自然性和不被被測個體察覺的特點，人臉認證在金融、信息安全等領域的廣泛運用。

目前，人臉認證方案大體上有基于傳統機器學習方法和基于深度學習方法兩種，基于深度學習的人臉認證方法又可以分為基于深度學習與度量學習聯合的方法、基于深度學習與度量學分離訓練方法。

基于傳統機器學習的方法，大多數是人為主觀設計特征，通過統計學習的方法從人臉圖像中提取特征，進而進行人臉認證。

但是，由于人的主觀思想往往具有一定的片面性，所以提取的特征往往只傾向于對某一個或是某幾個變量具有魯棒性，其他人臉的變量魯棒性較差。

基于深度學習與度量學習聯合訓練的方法，是在訓練網絡的過程中直接引入度量學習，訓練結束后網絡具有較好的分類、認證或聚類等性能。

但是，多網絡復雜度高，需要在訓練過程中不斷的調整網絡的參數以達到最優，同時需要進行度量學習。所以，在訓練的過程中參數多、訓練復雜、容易出現過擬合。

如果將多個的特征融合，將多個人臉的特征首尾相連，形成一個維度更高的特征，不但會增加計算量，也會帶來存儲上的損耗。

發明內容

鑒于上述問題，為了解決上述特征片面、多網絡復雜度高、特征融合維度高問題，本發明實施例提出了一種人臉認證方法和相應的一種人臉認證裝置。

為了解決上述問題，本發明實施例公開了一種人臉認證方法，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。

本發明實施例還公開了一種人臉認證裝置，包括：

目標人臉圖像劃分模塊，用于將目標圖像中的目標人臉圖像劃分為多個分塊人臉圖像；

原始人臉特征學習模塊，用于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；

目標人臉特征生成模塊，用于選擇至少部分原始人臉特征生成目標人臉特征；

認證處理模塊，用于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。

本發明實施例包括以下優點：

本發明實施例提出一種將目標人臉圖像劃分為多個分塊人臉圖像，自主分別學習多個原始人臉特征，根據多個原始人臉特征生成目標人臉特征進行認證處理。