[發明專利]一種人臉認證方法和裝置

有效

• 申請號: 201610852125.6
• 申請日: 2016-09-26
• 公開（公告）號: CN107871105B
• 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，其中所述方法包括：分別采用第一卷積神經網絡以及第二卷積神經網絡對同一目標人臉數據進行特征提取，得到對應的第一人臉特征以及第二人臉特征，其中，所述第一卷積神經網絡與所述第二卷積神經網絡以不同的損失函數訓練得到；將所述第一人臉特征以及所述第二人臉特征合并成組合人臉特征；基于所述組合人臉特征對所述目標人臉數據進行認證處理。本發明實施例可以提高人臉認證的準確率。

技術領域

本發明涉及生物數據處理的技術領域，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預測個體察覺的特點，人臉認證在金融、信息安全等領域的廣泛運用。

按照特征表達方式和基于數據量規模的不同，人臉認證方法大體上可以分為基于淺層學習的方法和基于深度學習的方法兩類。

(1)基于淺層學習的方法

基于淺層學習方法的人臉認證在一定規模的數據集上具有較好的效果。該方法包括基于幾何的方法、基于子空間的方法、基于傳統機器學習的方法等。

基于幾何的方法是通過主觀的選取人臉的關鍵點，將人臉關鍵點的位置關系和對應的紋理特征等信息轉換成圖模型，以關鍵點作為圖的點，關鍵點之間的關系作為圖的邊，最后，通過圖匹配的方法完成人臉識別或人臉認證任務。但這種方法中幾何特征點的選擇人為主觀依賴較強，特征組合方式有限，識別率較低。

基于子空間的方法是將經過算子編碼后的人臉特征通過映射函數投影到低緯度的子空間中，這種投影方法既可以降低特征的維度，又可以一定程度上增強特征的判別性。但這種方法對多種變化共存的復雜人臉識別問題效果較差，單一算子無法對復雜的變化人臉圖像有效的表達。

基于傳統機器學習的方法是一種由傳統統計學習理論派生出的分類或回歸方法。該類方法的主要作用是用于處理人臉識別的分類問題，而特征工程還是依賴于人為主觀的設計編碼算子。與子空間方法相類似，基于傳統機器學習的方法的特征工程也較為依賴算子的人工設計，因此，沒有有效的人臉編碼算子，傳統機器學習方法也無法達到較好的分類效果。

因此，上述基于淺層學習的方法特征結構單一，無法得到對人臉變化魯棒的特征，對人臉的表征效果也不理想。

(2)基于深度學習的方法

深度學習是一種基于無監督特征學習和特征層次結構的學習方法。良好的特征表達，對最終算法的準確性起到了至關重要的作用，深度學習方法具有優異的特征學習能力，學習得到的特征對數據有更本質刻畫，從而有利于可視化或分類。深度卷積網絡可以自動的提取人臉圖像的特征，在人臉識別上有較好的表現。但是深度卷積網絡提取的特征單一，導致識別準確度較低。

發明內容

鑒于上述問題，為了解決上述人臉提取的特征單一、識別準確率低的問題，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：

分別采用第一卷積神經網絡以及第二卷積神經網絡對同一目標人臉數據進行特征提取，得到對應的第一人臉特征以及第二人臉特征，其中，所述第一卷積神經網絡與所述第二卷積神經網絡以不同的損失函數訓練得到；

將所述第一人臉特征以及所述第二人臉特征合并成組合人臉特征；

基于所述組合人臉特征對所述目標人臉數據進行認證處理。

本發明實施例還公開了一種人臉認證裝置，包括：

特征提取模塊，用于分別采用第一卷積神經網絡以及第二卷積神經網絡對同一目標人臉數據進行特征提取，得到對應的第一人臉特征以及第二人臉特征，其中，所述第一卷積神經網絡與所述第二卷積神經網絡以不同的損失函數訓練得到；