[發明專利]一種基于小樣本匹配網絡的標準證件照檢測方法

在審

• 申請號: 202010952759.5
• 申請日: 2020-09-11
• 公開（公告）號: CN112115834A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 王蒙;文濤;楊飛燕;寧宏維
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 昆明人從眾知識產權代理有限公司 53204
• 代理人: 李曉亞

本發明公開了一種基于小樣本匹配網絡證件照檢測方法。本發明提出了小樣本匹配網絡，該網絡由雙向GRU網絡，帶有注意力機制的GRU網絡和注意力塊組成。用雙向GRU網絡和帶有注意力機制的GRU網絡分別對支持集S和測試批B中的樣本進行編碼，其中S是兩個網絡共同的輸入，并且兩個網絡的GRU部分是參數共享的。注意力塊用于計算映射到新空間的S中各樣本與B中樣本間的余弦距離，借助注意力機制得到一個標簽的線性組合，通過softmax函數映射為概率，將概率值最大的類別作為預測標簽輸出，從而解決在異常樣本稀缺情況下的檢測模型訓練困難問題。本發明能準確地識別出證件照的異常，根據預測標簽判斷證件照是否標準，根據標簽含義得知異常的部位。

技術領域

本發明涉及圖像分類和遷移學習的技術領域，具體涉及一種基于小樣本匹配網絡的方法。

背景技術

證件是當今社會不可或缺的身份核實方式，而證件照是驗證身份最直接也最重要的環節，及時驗證證件照是否符合標準往往決定著證件的審核周期。由于不同人照片質量差別較大，通常需要專門的審核人員進行人力驗證，這樣既耗時出錯率又高，有時由于沒有說清問題原因，同一個人同樣的問題往往還會重復出現；除此之外，一些偏遠地區可能還會出現審核人員不足的問題，這些都極大的限制了證件照的審核速度，所以開發出一種計算機自動識別異常的技術是十分重要的。

好的模型通常需要依靠大量的樣本及其詳盡的標注來提升模型性能，并且正負樣本數量也要均衡，但有時異常樣本難以采集導致數量過少，這將極大影響模型的性能。例如基于多標簽深度卷積網絡的證件照分類方法(基于caffe框架)中使用了56382個樣本，分為7類，負樣本數量每個樣本要標注7個標簽，整個過程既費時又費力。除此之外，現有的模型往往還有結構復雜，識別度不高，魯棒性不強等問題。

發明內容

本發明主要是針對上述現有技術的缺陷提供的一種新的解決方案，一方面能準確而快速的檢測出證件照是否存在異常，節省了大量的人力，工作效率顯著提高。另一方面克服了異常樣本過少的難題，只需要收集少量異常樣本并打上標簽即可對模型進行訓練，而不是收集大量的正常和異常數據訓練模型，這樣在保持高預測率的前提下大大減少了訓練周期和成本。

本發明采用的技術方案為：

(1)收集標準證件照和異常證件照并進行標注形成證件照數據集；所述異常證件照的異常情況包括眼睛異常，鼻子異常，耳朵異常，嘴巴異常和濃妝，標注時將對應異常的標簽標注出來，標準證件照則標注“標準照”的標簽。

(2)構建已經預訓練的小樣本匹配網絡；

使用證件照訓練集先對小樣本匹配網絡進行預訓練，初始化參數，便于后續訓練，該網絡包括attGRU塊和BiGRU塊，Attention Kernel塊。

attGRU塊和BiGRU塊共享一個GRU網絡。它們分別對支持集樣本x_i和測試批樣本進行編碼，將其映射到一個新的特征空間，使得后續余弦距離的計算更合理和準確。

GRU的具體細節如下：

圖3是對GRU內部更詳細的描述，其中h′_i是當前記憶內容。GRU的函數表示為h_i＝GRU(x_i,h_i-1)，其中x_i是當前步的輸入，h_i-1是上一步的輸出，h_i是當前步的輸出。GRU通過更新門和重置門控制信息。

更新門：輸入h_i-1和x_i分別經過線性變換，得到的結果合計為X，X經過sigmoid層后輸出的結果z_i即為更新門，z_i用來決定保留多少信息；