板進(jìn)行預(yù)處理，預(yù)處理包括特征點(diǎn)定 位、圖像校正和歸一化處理。事實(shí)上，人臉圖像模板可能經(jīng)事先過了預(yù)處理，可以不進(jìn)行此 步驟。
[0051] 本發(fā)明采用基于級聯(lián)Adaboost的人臉檢測算法對圖像進(jìn)行人臉檢測，然后利用 基于SDM的人臉特征點(diǎn)定位算法對檢測出來的人臉進(jìn)行特征點(diǎn)定位，并通過圖像縮放、旋 轉(zhuǎn)與平移對人臉進(jìn)行矯正和歸一化對齊，如圖3所示。
[0052] 本發(fā)明采用簡單的灰度歸一化預(yù)處理，灰度歸一化的主要目的是便于網(wǎng)絡(luò)處理連 續(xù)數(shù)據(jù)而避免處理較大的離散灰度值，從而避免出現(xiàn)異常情況。
[0053] 本發(fā)明對人臉圖像進(jìn)行預(yù)處理可以方便后續(xù)的認(rèn)證過程，并且避免了異常像素點(diǎn) 對認(rèn)證結(jié)果的影響。
[0054] 作為本發(fā)明的人臉認(rèn)證的方法的另一種改進(jìn)，每個(gè)卷積網(wǎng)絡(luò)包括卷積操作、激活 操作以及下采樣操作，每個(gè)層級的特征向量通過如下步驟計(jì)算得到：
[0055] 步驟SlOll :使用卷積核對待認(rèn)證人臉圖像和人臉圖像模板進(jìn)行卷積操作，得到 卷積特征圖，卷積操作為same卷積操作；
[0056] 本發(fā)明采用same形式的卷積操作，操作時(shí)對輸入圖像進(jìn)行零填充。same形式的卷 積操作所得到的特征圖與輸入圖像原尺寸相同。
[0057] 步驟S1012 :使用激活函數(shù)對卷積特征圖進(jìn)行激活操作，得到激活特征圖，激活函 數(shù)為ReLU激活函數(shù)。
[0058] 步驟S1013:使用采樣函數(shù)對激活特征圖進(jìn)行下采樣操作，得到采樣特征圖，下采 樣操作為最大值采樣；
[0059] 本發(fā)明采用最大值采樣，最大值采樣將采樣塊內(nèi)元素值的最大值作為采樣塊的特 征，在圖像處理中，最大值采樣能夠提取圖像的紋理信息，并且在一定程度上維持圖像的某 種不變性，如旋轉(zhuǎn)、平移、縮放等；另外，根據(jù)統(tǒng)計(jì)學(xué)實(shí)驗(yàn)，相較平均采樣而言，最大值采樣對 數(shù)據(jù)分布變化不敏感，特征提取相對穩(wěn)定。
[0060] 步驟S1014 :對得到的采樣特征圖重復(fù)上述步驟，得到新的采樣特征圖，并如此重 復(fù)執(zhí)行若干次；
[0061] 步驟S1015 :將得到的所有采樣特征圖進(jìn)行向量化，得到每個(gè)層級的特征向量，將 每個(gè)步驟得到的所有采樣特征圖組成一個(gè)向量。
[0062] 本發(fā)明能夠提取出特征豐富并且穩(wěn)定的的特征向量，能夠充分的描述人臉圖像， 增加了認(rèn)證準(zhǔn)確率。
[0063] 作為本發(fā)明的人臉認(rèn)證的方法的再一種改進(jìn)，多層級深度卷積網(wǎng)絡(luò)通過softmax 分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練得到，包括：
[0064] 訓(xùn)練時(shí)，首先要有人臉圖像樣本庫，然后對人臉圖像樣本使用初始化的多層級深 度卷積網(wǎng)絡(luò)依次提取出多個(gè)層級的特征向量；與前述的步驟SlOl是一樣的，只不過上面是 認(rèn)證過程，這里是訓(xùn)練過程，此時(shí)的多層級深度卷積網(wǎng)絡(luò)中的各個(gè)參數(shù)取初值；
[0065] 將多個(gè)層級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射為相同維數(shù)的統(tǒng)一 維度特征向量；
[0066] 在softmax分類網(wǎng)絡(luò)中使用線性映射矩陣分別對統(tǒng)一維度特征向量進(jìn)行映射，得 到映射向量；此時(shí)的線性映射矩陣取初值；
[0067] 使用softmax函數(shù)對映射向量進(jìn)行激活，得到網(wǎng)絡(luò)輸出值向量；
[0068] 以網(wǎng)絡(luò)輸出值向量和人臉圖像樣本的標(biāo)簽數(shù)據(jù)為輸入量，通過交叉熵?fù)p失函數(shù)計(jì) 算出網(wǎng)絡(luò)誤差；
[0069] 將各個(gè)統(tǒng)一維度特征向量串聯(lián)成一個(gè)聯(lián)合特征向量；
[0070] 將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到綜合特征向量；
[0071] 為網(wǎng)絡(luò)誤差分配權(quán)重，并計(jì)算線性映射矩陣、統(tǒng)一維度線性映射矩陣、線性降維映 射矩陣和卷積核的更新梯度；
[0072] 利用線性映射矩陣、統(tǒng)一維度線性映射矩陣、線性降維映射矩陣和卷積核的更新 梯度對線性映射矩陣、統(tǒng)一維度線性映射矩陣、線性降維映射矩陣和卷積核進(jìn)行迭代更 新；
[0073] 判斷網(wǎng)絡(luò)誤差和迭代次數(shù)是否符合要求，若是，結(jié)束，否則，轉(zhuǎn)至對人臉圖像樣本 使用初始化的多層級深度卷積網(wǎng)絡(luò)依次提取出多個(gè)層級的特征向量。
[0074] 網(wǎng)絡(luò)誤差符合要求是指網(wǎng)絡(luò)誤差取值最?。ɑ蛘咝〉揭欢ǔ潭龋藭r(shí)多層級深 度卷積網(wǎng)絡(luò)和softmax分類網(wǎng)絡(luò)的各個(gè)參數(shù)（線性映射矩陣、統(tǒng)一維度線性映射矩陣、線性 降維映射矩陣和卷積核）為訓(xùn)練后的多層級深度卷積網(wǎng)絡(luò)和softmax分類網(wǎng)絡(luò)；迭代次數(shù) 符合要求是指迭代次數(shù)達(dá)到設(shè)定值。
[0075] 本發(fā)明通過softmax分類網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練，進(jìn)一步避免了梯度彌散問題，并且 可以進(jìn)一步通過對分類網(wǎng)絡(luò)誤差加權(quán)增加網(wǎng)絡(luò)學(xué)習(xí)的靈活度。
[0076] 作為本發(fā)明的人臉認(rèn)證的方法的再一種改進(jìn)，步驟S105包括：
[0077] 步驟S1051 :以得到的待認(rèn)證人臉圖像的綜合特征向量和人臉圖像模板的綜合特 征向量為輸入量進(jìn)行余弦相似度操作，得到余弦相似度；
[0078] 步驟S1052 :以得到的待認(rèn)證人臉圖像的綜合特征向量和人臉圖像模板的綜合特 征向量為輸入量進(jìn)行絕對值歸一化余弦操作，得到絕對值歸一化余弦值；
[0079] 步驟S1053 :對得到的待認(rèn)證人臉圖像的綜合特征向量和人臉圖像模板的綜合特 征向量進(jìn)行求模操作，得到第一模長與第二模長；
[0080] 步驟S1054 :將余弦相似度、絕對值歸一化余弦值、第一模長與第二模長組成一個(gè) 四維的差異向量；
[0081] 步驟S1055:使用差異向量映射矩陣將差異向量映射，得到一維向量，作為比對分 值；
[0082] 步驟S1056 :將比對分值與比對閾值進(jìn)行比對，若比對分值大于比對閾值，則人臉 認(rèn)證通過。
[0083] 發(fā)明人發(fā)現(xiàn)，傳統(tǒng)的比對認(rèn)證方法，尤其是余弦相似度方法，忽略了向量的模長差 異，從而造成差異描述不全面，降低了比對認(rèn)證的準(zhǔn)確率；絕對值歸一化余弦值對比對向量 的模長差異敏感，能夠彌補(bǔ)余弦相似度忽略向量的模長差異而造成的差異描述不全面的問 題。
[0084] 故本發(fā)明將比對特征的余弦相似度、絕對值歸一化余弦值以及兩個(gè)特征模長組合 為一個(gè)四維差異向量，進(jìn)行線性判別分析，進(jìn)一步的提高了認(rèn)證準(zhǔn)確率。
[0085] 另一方面，本發(fā)明提供一種人臉認(rèn)證的裝置，如右圖2所示，包括：
[0086] 第一提取模塊11，用于對待認(rèn)證人臉圖像和人臉圖像模板使用預(yù)先經(jīng)過多層分類 網(wǎng)絡(luò)聯(lián)合訓(xùn)練的多層級深度卷積網(wǎng)絡(luò)依次提取出多個(gè)層級的特征向量；
[0087] 第一映射模塊12,用于將多個(gè)層級的特征向量依次通過統(tǒng)一維度線性映射矩陣映 射為統(tǒng)一維度特征向量；
[0088] 第一串聯(lián)模塊13,用于將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量；
[0089] 第二映射模塊14,用于將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到 綜合特征向量；
[0090] 第一比對模塊15,用于通過線性判別分析，利用絕對值歸一化余弦值，對得到的待 認(rèn)證人臉圖像的綜合特征向量和人臉圖像模板的綜合特征向量的進(jìn)行比對認(rèn)證。
[0091] 本發(fā)明的人臉認(rèn)證的裝置抗干擾能力強(qiáng)，可擴(kuò)展性好，認(rèn)證準(zhǔn)確率高，并且避免了 梯度彌散問題，彌補(bǔ)利用高層特征不足以充分描述圖像的缺陷。
[0092] 作為本發(fā)明的人臉認(rèn)證的裝置的一種改進(jìn)，第一提取模塊之前還包括：
[0093] 預(yù)處理模塊，用于對待認(rèn)證人臉圖像和人臉圖像模板進(jìn)行預(yù)處理，預(yù)處理包括特 征點(diǎn)定位、圖像校正和歸一化處理。
[0094] 本發(fā)明對人臉圖像進(jìn)行預(yù)處理可以方便后續(xù)的認(rèn)證過程，并且避免了異常像素點(diǎn) 對認(rèn)證結(jié)果的影響。
[0095] 作為本發(fā)明的人臉認(rèn)證的裝置的另一種改進(jìn)，每個(gè)層級的特征向量通過如下單元 計(jì)算得到：
[0096] 卷積單元，用于使用卷積核對待認(rèn)證人臉圖像和人臉圖像模板進(jìn)行卷積操作，得 到卷積特征圖，卷積操作為same卷積操作；
[0097] 激活單元，用于使用激活函數(shù)對卷積特征圖進(jìn)行激活操作，得到激活特征圖，激活 函數(shù)為ReLU激活函數(shù)；
[0098] 采樣單元，用于使用采樣函數(shù)對激活特征圖進(jìn)行下采樣操作，得到采樣特征圖，下 采樣操作為最大值采樣；
[0099] 循環(huán)單元，用于對得到的采樣特征圖重復(fù)上述步驟，得到新的采樣特征圖，并如此 重復(fù)執(zhí)行若干次；
[0100] 第一向量化單元，用于將得到的所有采樣特征圖進(jìn)行向量化，得到每個(gè)層級的特 征向量。
[0101] 本發(fā)明能夠提取出特征豐富并且穩(wěn)定的的特征向量，能夠充分的描述人臉圖像， 增加了認(rèn)證準(zhǔn)確率。
[0102] 作為本發(fā)明的人臉認(rèn)證的裝置的再一種改進(jìn)，多層級深度卷積網(wǎng)絡(luò)通過softmax 分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練得到，包括：
[0103] 第二提取模塊，用于對人臉圖像樣本使用初始化的多層級深度卷積網(wǎng)絡(luò)依次提取 出多個(gè)層級的特征向量；
[0104] 第三映射模塊，用于將多個(gè)層級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射 為相同維數(shù)的統(tǒng)一維度特征向量；<