[發明專利]人臉認證方法和裝置

在審

• 申請號: 201610852196.6
• 申請日: 2016-09-26
• 公開（公告）號: CN107871107A
• 公開（公告）日: 2018-04-03
• 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;G06K9/62
• 代理公司: 北京潤澤恒知識產權代理有限公司11319
• 代理人: 蘇培華

1.一種人臉認證方法，其特征在于，所述方法包括：

采用預先由分類損失和認證損失監督訓練的卷積神經網絡模型對多個待測人臉圖像提取特征，得到所述多個待測人臉圖像的多個人臉特征向量；

采用主成分分析方法對所述多個人臉特征向量進行降維，得到降維后的多個人臉特征向量；

采用聯合貝葉斯分類器對降維后的所述多個人臉特征向量進行分類計算，確定所述多個待測人臉圖像是否為同一人的人臉圖像。

2.根據權利要求1所述的方法，其特征在于，所述采用預先由分類損失和認證損失監督訓練的卷積神經網絡模型對多個待測人臉圖像提取特征，得到所述多個待測人臉圖像的多個人臉特征向量的步驟之前，所述方法還包括：

對輸入至所述卷積神經網絡模型的訓練樣本對進行運算，得到所述訓練樣本對的人臉特征向量，其中，所述訓練樣本對為正樣本對，且選自包含人臉標注的人臉數據集；

采用雙信號損失函數對所述人臉特征向量進行計算，得到訓練損失，其中，所述雙信號損失函數為分類損失函數和認證損失函數的加權和；

根據所述訓練損失調整所述卷積神經網絡模型的卷積參數，使所述訓練損失收斂，得到由所述分類損失和認證損失監督訓練的卷積神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，所述采用雙信號損失函數對所述人臉特征向量進行計算，得到訓練損失的步驟，包括：

計算所述訓練樣本對的人臉特征向量的多元回歸概率值；

采用所述分類損失函數對所述多元回歸概率值進行計算，得到分類損失；

計算所述訓練樣本對的人臉特征向量的歐式距離；

采用所述認證損失函數對所述歐式距離進行計算，得到認證損失；

根據所述雙信號損失函數中所述分類損失函數和所述認證損失函數之間的權重，計算所述分類損失和所述認證損失的加權和，得到所述訓練損失。

4.根據權利要求2所述的方法，其特征在于，所述對輸入至所述卷積神經網絡模型的訓練樣本對進行運算，得到所述訓練樣本對的人臉特征向量的步驟之前，所述方法還包括：

確定所述人臉數據集中屬于同一個人的多個人臉樣本；

將所述多個人臉樣本排列成環結構；

依次將所述環結構中相鄰的兩個人臉樣本構造為一個正樣本對，得到所述人臉數據集的正樣本對。

5.根據權利要求2所述的方法，其特征在于，所述對輸入至所述卷積神經網絡模型的訓練樣本對進行運算，得到所述訓練樣本對的人臉特征向量的步驟之前，所述方法還包括：

計算人臉數據庫中屬于不同人的人臉樣本的相似度；

若所述相似度大于預設閾值、且接收到用戶對所述相似度的確認信息，則將所述人臉數據庫中屬于不同人的人臉樣本合并為屬于同一人的人臉樣本；

對所述人臉數據庫中的屬于同一個人的人臉樣本進行角度旋轉；

通過對經過所述角度旋轉后的所述人臉樣本進行相似變化，得到放大或縮小的多個人臉樣本；

將所述多個人臉樣本補充至所述同一個人的人臉樣本的人臉數據集以得到構造的人臉數據集。

6.根據權利要求1所述的方法，其特征在于，所述采用預先由分類損失和認證損失監督訓練的卷積神經網絡模型對多個待測人臉圖像提取特征，得到所述多個待測人臉圖像的多個人臉特征向量的步驟之前，所述方法還包括：

對多個待測圖像分別進行人臉檢測，確定所述多個待測圖像的人臉區域；

對多個所述人臉區域分別進行特征點定位，確定每個人臉特征的多個定位點；

在所述每個人臉特征的多個定位點中確定每個眼睛的中心定位點；

將所述人臉區域中所述每個眼睛的中心定位點分別對齊至預設的眼睛坐標位置；

對經過所述對齊處理后的所述人臉區域進行相似變換；

對經過所述相似變換后的所述人臉區域進行歸一化處理；

將經過所述歸一化處理后的所述人臉區域轉換為灰度圖像形成所述待測人臉圖像。