[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的人證合一識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201611235723.5
• 申請日: 2016-12-28
• 公開（公告）號: CN106780906B
• 公開（公告）日: 2019-06-21
• 發(fā)明（設(shè)計）人: 俞進森
• 申請（專利權(quán)）人: 北京品恩科技股份有限公司
• 主分類號: G07C9/00
• 分類號: G07C9/00;G06N3/04
• 代理公司: 安徽匯樸律師事務(wù)所 34116
• 代理人: 劉海涵

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的人證合一識別方法，其特征在于，包括以下步驟：

步驟S1：利用人臉圖像采集模塊采集人臉樣本圖像，或者直接使用標準人臉圖像數(shù)據(jù)庫中的圖像作為人臉樣本圖像，將樣本圖像隨機劃分預(yù)測集和訓(xùn)練集；將樣本圖像輸入圖像預(yù)處理模塊，采用基于Haar特征的Adaboost算法得到樣本圖像中的人臉區(qū)域，將樣本圖像中的人臉區(qū)域進行定比例擴展，然后截取部分人臉區(qū)域的圖像進行縮放后，再通過灰度處理，獲得預(yù)測集和訓(xùn)練集樣本的灰度圖像；

步驟S2：利用模型訓(xùn)練模塊構(gòu)建初步的人臉卷積神經(jīng)網(wǎng)絡(luò)模型，將預(yù)測集樣本的灰度圖像輸入人臉卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到全連接層的人臉高層次特征值，根據(jù)該特征值與其理想值的差距，調(diào)整模型的權(quán)值矩陣，獲得訓(xùn)練后的人臉識別卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟S3：對特征值進行L2范數(shù)歸一化，獲得人臉圖像的特征表示；

步驟S4：從預(yù)測集樣本中隨機選擇某個人的灰度圖像作為錨點，選擇該人其它圖像生成的特征值與錨點之間的距離最大的一張灰度圖像作為正樣本，選擇其他人圖像生成的特征值與錨點之間的距離最小的一張灰度圖像作為負樣本，構(gòu)建獲得由錨點、正樣本和負樣本組成的三元組；利用目標函數(shù)進行篩選，選擇不滿足目標函數(shù)的三元組為最難區(qū)分三元組；

步驟S5：精調(diào)卷積神經(jīng)網(wǎng)絡(luò)模型：將選取的最難區(qū)分三元組輸入人臉識別卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練、精調(diào)，再次獲得相應(yīng)的特征值，重復(fù)步驟S3-S4，利用上一輪訓(xùn)練好的人臉識別卷積神經(jīng)網(wǎng)絡(luò)模型，進行下一輪最難三元組選擇和訓(xùn)練，通過最后生成的特征值，利用圖像對比模塊計算與訓(xùn)練集樣本之間的歐式距離，將歐式距離與設(shè)定閾值比較，判斷是否為同一人，從而獲取人臉識別的正確率和誤識率，所述判斷的標準為，若歐式距離小于設(shè)定值，則為同一人；

步驟S6：多次迭代優(yōu)化直到人臉識別卷積神經(jīng)網(wǎng)絡(luò)模型收斂，直至迭代收斂，即人臉識別的正確率的評價標準達到最高值，獲得最終用于識別的人臉識別深度卷積神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練結(jié)束；

步驟S7：利用證件圖像采集模塊采集證件圖像，利用人臉圖像采集模塊采集待識別人臉圖像，利用圖像預(yù)處理模塊，采用基于Haar特征的Adaboost算法得到證件圖像和人臉圖像中的人臉區(qū)域，然后截取部分人臉區(qū)域的圖像，縮放后通過灰度處理獲得證件圖像和人臉圖像的灰度圖像；將證件圖像和人臉圖像的灰度圖像輸入步驟S6的深度卷積神經(jīng)網(wǎng)絡(luò)模型中，利用圖像對比模塊計算證件圖像和人臉圖像的全連接層的人臉高層次特征值；利用特征值計算證件圖像與人臉圖像之間的歐式距離，若歐式距離小于識別閾值，則人證統(tǒng)一，反之，則人證不統(tǒng)一；

所述步驟S2的步驟包括：

步驟S201：構(gòu)建共有22層的深度卷積神經(jīng)網(wǎng)絡(luò)，每層的各個神經(jīng)元的初始權(quán)值、參數(shù)全部通過隨機函數(shù)生成，大小為正負1之間，每層采用的卷積核分別為1、3、5，卷積步長為1，卷積間隔為0、1、2，同時網(wǎng)絡(luò)中每層數(shù)據(jù)使用3×3的矩陣池化，完成初步構(gòu)建；

步驟S202：前向傳播：將預(yù)測集樣本的灰度圖像輸入到深度卷積神經(jīng)網(wǎng)絡(luò)里面，通過整個網(wǎng)絡(luò)一步步收斂，使維度一層層降低，最后輸出128維的人臉高層次特征值O_p；

步驟S203：反向傳播：計算O_p與相應(yīng)的理想輸出值Yp的差，按極小化誤差的方法調(diào)整權(quán)值矩陣，獲得訓(xùn)練后的人臉識別卷積神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的人證合一識別方法，其特征在于，所述步驟S4中，目標函數(shù)的公式為：

式中，表示錨點的特征表示，表示正樣本的特征表示，表示負樣本的特征表示，α代表兩者距離之間的最小間隔，L代表三元組損失，三元組選擇即選擇損失大于零的情況。

3.一種基于權(quán)利要求1或2所述的深度卷積神經(jīng)網(wǎng)絡(luò)的人證合一識別方法的人證合一識別系統(tǒng)，其特征在于，所述識別系統(tǒng)包括：

人臉圖像采集模塊：用于采集人臉圖像；

證件圖像采集模塊：用于采集證件圖像；

圖像預(yù)處理模塊：用于獲得圖像的人臉區(qū)域，并將人臉區(qū)域進行定比例擴展，然后截取部分人臉區(qū)域的圖像進行縮放后，再通過灰度處理，獲得灰度圖像；

模型訓(xùn)練模塊：用于構(gòu)建人臉卷積神經(jīng)網(wǎng)絡(luò)模型，并對模型進行訓(xùn)練，獲得圖像特征值；

圖像對比模塊：用于計算人臉圖像之間的歐式距離，并與設(shè)定閾值進行比較，輸出結(jié)果；

用戶登錄模塊：用于輸入登錄名和密碼，并啟動識別系統(tǒng)。