[發明專利]一種基于深度卷積神經網絡的人證合一識別方法及系統

有效

• 申請號: 201611235723.5
• 申請日: 2016-12-28
• 公開（公告）號: CN106780906B
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 俞進森
• 申請（專利權）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: 安徽匯樸律師事務所 34116
• 代理人: 劉海涵

本發明公開了一種基于深度卷積神經網絡的人證合一識別方法及系統，通過構建人臉卷積神經網絡模型，利用最難區分三元組和迭代優化的方式對人臉卷積神經網絡模型進行訓練，獲得深度卷積神經網絡模型，利用該模型計算證件圖像與人臉圖像的特征值，并依據特征值計算歐式距離，進而判斷證件圖像與人臉圖像是否一致。與現有技術相比，該方法和系統對背景、光照以及姿態等變化具有較好的魯棒性，其可利用深度學習不斷迭代訓練，提升人臉識別的性能與及提取特征的準確度，有效地增強系統的性能。

技術領域

本發明涉及的是模式識別中的生物特征識別領域，尤其涉及的是一種基于深度卷積神經網絡的人證合一識別方法及系統。

背景技術

人臉識別主要用于身份識別，特別是近年來隨著計算機技術、圖像處理技術、模式識別技術等快速進步，而出現的一種嶄新的生物特征識別技術。由于可廣泛應用于安全驗證、視頻監控、出入口控制等諸多領域，識別速度快、識別率高，因此已經成為身份識別技術研究領域主要的發展方向

如今二代身份證件中內置了非接觸式IC智能芯片，其中存儲了持有人的人臉圖像信息，以及身份信息；人證合一系統，是利用身份證件芯片內存儲的人臉圖像與證件持有人現場采集的人臉圖像比對來進行身份驗證；

目前主流的人臉識別在需要配合的基礎上獲取人臉圖像，應用分類算法進行人臉識別。主要有以下幾類方法：(1)基于幾何特征的方法：檢測臉部器官如眼睛、眉毛、鼻子、嘴巴和下巴等，利用各個器官的位置、大小及相互之間的空間分布關系來識別人臉；(2)基于子空間的方法：將人臉圖像經過投影變換投射至子空間中，由于投影變換具有非正交、非線性的特性，因此子空間中的人臉表示更具分辨力；(3)、基于局部特征的方法：利用各類局部算子計算出相應的人臉圖像，通過統計其直方圖，利用直方圖信息進行識別。

這些方式在實際監控時，容易受到光線變化、背景、姿態等諸多因素的干擾，使得提取的特征在以上外界因素發生變化時，導致原始圖像出現結構丟失、特征描述不全面和不確定等問題，這些缺陷導致人臉識別率低，可靠性差，無法進行大面積推廣等。因此在實際監控惡劣的環境下實現準確快速的人臉識別技術成為當前具有挑戰性的問題。

卷積神經網絡(CNNs)是深度學習的另一分支，具有層級化的結構，在各種環境下的人臉識別都獲得了優異的性能。加之GPU等硬件的大幅加速，使得大規模的圖像處理變得簡單可行，獲取的模型也更好，基于此模型而設計的人證合一系統提高了身份驗證的準確度。

發明內容

本發明的目的在于克服現有技術的不足，提供了一種基于深度卷積神經網絡的人證合一識別方法及系統，以解決在光線、背景、姿態等諸多因素的干擾下，人證合一的識別率低、可靠性差等技術問題。

本發明是通過以下技術方案實現的：

本發明提供了一種基于深度卷積神經網絡的人證合一識別方法，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據庫中的圖像作為人臉樣本圖像，將樣本圖像隨機劃分預測集和訓練集；將樣本圖像輸入圖像預處理模塊，采用基于Haar特征的Adaboost算法得到樣本圖像中的人臉區域，將樣本圖像中的人臉區域進行定比例擴展，然后截取部分人臉區域的圖像進行縮放后，再通過灰度處理，獲得預測集和訓練集樣本的灰度圖像；

步驟S2：利用模型訓練模塊構建初步的人臉卷積神經網絡模型，將預測集樣本的灰度圖像輸入人臉卷積神經網絡進行訓練，得到全連接層的人臉高層次特征值，根據該特征值與其理想值的差距，調整模型的權值矩陣，獲得訓練后的人臉識別卷積神經網絡模型；

步驟S3：對特征值進行L2范數歸一化，獲得人臉圖像的特征表示；