[發明專利]雙通道神經網絡模型訓練及人臉比對方法、終端及介質

在審

• 申請號: 201810299180.6
• 申請日: 2018-04-04
• 公開（公告）號: CN108446666A
• 公開（公告）日: 2018-08-24
• 發明（設計）人: 王義文;王健宗;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 楊毅玲;何玲君

1.一種雙通道神經網絡模型訓練方法，其特征在于，所述方法包括：

a.獲取不同人的一張原始人臉圖片，每張原始人臉圖片的尺寸為182*182；

b.將每張原始人臉圖片進行隨機裁剪成預設數量的人臉圖片，得到人臉樣本數據集；

c.分別對所述人臉樣本數據集中的每張人臉圖片進行直方圖均衡化處理，得到直方圖均衡化人臉圖片；

d.將人臉樣本數據中的每張所述人臉圖片輸入第一深度神經網絡中提取出第一人臉特征，同時將對應的直方圖均衡化人臉圖片輸入第二深度神經網絡中提取出第二人臉特征；

e.對所述第一人臉特征進行歸一化得到第一歸一化人臉特征，同時對所述第二人臉特征進行歸一化得到第二歸一化人臉特征；

f.根據預設連接規則連接所述第一歸一化人臉特征和所述第二歸一化人臉特征得到新的歸一化人臉特征，作為最終人臉特征表示；及

g.將所述最終人臉特征表示進行歸一化后輸入至預先設置的損失函數中計算損失函數值，當損失函數值小于或等于預先設置的損失函數閾值時，則雙通道神經網絡模型訓練結束并更新所述雙通道神經網絡模型中的權重和偏置。

2.如權利要求1所述的方法，其特征在于，所述方法還包括：

當損失函數值大于預先設置的損失函數閾值，則獲取更多的原始人臉圖片，并基于增加后的原始人臉圖片重新執行上述步驟a-g。

3.如權利要求1所述的方法，其特征在于，所述將每張原始人臉圖片進行隨機裁剪成預設數量的人臉圖片，得到人臉樣本數據集還包括：

所述人臉樣本數據集中的每張人臉圖片的尺寸為171*160。

4.如權利要求1至3任意一項所述的方法，其特征在于，所述方法還包括：

利用預先存儲的人臉檢測算法分別對裁剪出的每張人臉圖片進行檢測，判斷裁剪出的所有人臉圖片中的每張人臉圖片中是否包含人臉區域；及

當確定裁剪出的所有人臉圖片中的每張人臉圖片中包含人臉區域時，分別對所述人臉樣本數據集中的每張人臉圖片進行直方圖均衡化處理，得到直方圖均衡化人臉圖片；或

當確定裁剪出的所有人臉圖片中的每張或部分人臉圖片中不包含人臉區域時，繼續對不包含人臉區域的人臉圖片所對應的原始人臉圖片進行隨機裁剪，直到得到所述預設數量的人臉圖片。

5.一種利用如權利要求1至4任意一項所述的雙通道神經網絡模型進行人臉比對的方法，其特征在于，所述方法包括：

在收到待進行人臉比對的目標用戶的人臉圖片后，對目標用戶的人臉圖片進行直方圖均衡化處理，得到目標用戶的直方圖均衡化人臉圖片；

將所述目標用戶的人臉圖片輸入訓練好的雙通道神經網絡模型中的第一深度神經網絡中提取出第三人臉特征，同時將所述目標用戶的直方圖均衡化人臉圖片輸入訓練好的雙通道神經網絡模型中的第二深度神經網絡中提取出第四人臉特征；

對所述第三人臉特征進行歸一化得到第三歸一化人臉特征，同時對所述第四人臉特征進行歸一化得到第四歸一化人臉特征；

根據所述預設連接規則連接所述第三歸一化人臉特征和所述第四歸一化人臉特征得到新的歸一化人臉特征，作為所述目標用戶的最終特征表示；

計算所述目標用戶的最終特征表示與數據庫中注冊用戶的最終特征表示之間的相似度；及

根據計算得到的相似度與預先設置的置信度閾值之間的關系，確定人臉比對結果。

6.如權利要求5所述的方法，其特征在于，所述計算所述目標用戶的最終特征表示與數據庫中注冊用戶的最終特征表示之間的相似度為SIM＝0.5+0.5*COSθ，而其中，COSθ為特征向量A與特征向量B之間的余弦值，所述特征向量A為上述目標用戶的最終特征表示，所述特征向量B為所述注冊用戶的最終特征表示。

7.如權利要求6所述的方法，其特征在于，在所述計算所述目標用戶的最終特征表示與數據庫中注冊用戶的最終特征表示之間的相似度之后，所述方法還包括：

根據預先設置的排序方法對計算得到的相似度進行排序；

比較最大的相似度與預先設置的置信度閾值之間的關系，確定人臉比對結果。