認(rèn)證率（錯誤判對率為0. 1 % )。
[0247] 以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員 來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也 應(yīng)視為本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種人臉認(rèn)證的方法，其特征在于，包括： 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)依次提取出多個層級的特征向量； 將多個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； 將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量； 將聯(lián)合特征向量通過線性降維映射矩陣進行降維映射得到綜合特征向量； 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行比對認(rèn)證。2. 根據(jù)權(quán)利要求1所述的人臉認(rèn)證的方法，其特征在于，所述對待認(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 層級的特征向量之前還包括： 對待認(rèn)證人臉圖像和人臉圖像模板進行預(yù)處理，所述預(yù)處理包括特征點定位、圖像校 正和歸一化處理。3. 根據(jù)權(quán)利要求1所述的人臉認(rèn)證的方法，其特征在于，每個層級的特征向量通過如 下步驟計算得到： 使用卷積核對待認(rèn)證人臉圖像和人臉圖像模板進行卷積操作，得到卷積特征圖，所述 卷積操作為same卷積操作； 使用激活函數(shù)對所述卷積特征圖進行激活操作，得到激活特征圖，所述激活函數(shù)為 ReLU激活函數(shù)； 使用采樣函數(shù)對所述激活特征圖進行下采樣操作，得到采樣特征圖，所述下采樣操作 為最大值采樣； 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； 將得到的所有采樣特征圖進行向量化，得到每個層級的特征向量。4. 根據(jù)權(quán)利要求1-3中任一所述的人臉認(rèn)證的方法，其特征在于，所述多層級深度卷 積網(wǎng)絡(luò)通過softmax分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練得到，訓(xùn)練步驟包括： 對人臉圖像樣本使用初始化的多層級深度卷積網(wǎng)絡(luò)依次提取出多個層級的特征向 量； 將多個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； 在softmax分類網(wǎng)絡(luò)中使用線性映射矩陣分別對統(tǒng)一維度特征向量進行映射，得到映 射向量； 使用softmax函數(shù)對映射向量進行激活，得到網(wǎng)絡(luò)輸出值向量； 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)計算出 網(wǎng)絡(luò)誤差； 將各個統(tǒng)一維度特征向量串聯(lián)成一個聯(lián)合特征向量； 將所述聯(lián)合特征向量通過線性降維映射矩陣進行降維映射得到綜合特征向量； 為所述網(wǎng)絡(luò)誤差分配權(quán)重，并計算所述線性映射矩陣、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； 利用所述線性映射矩陣、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 梯度對所述線性映射矩陣、統(tǒng)一維度線性映射矩陣、線性降維映射矩陣和卷積核進行迭代 更新； 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)至所述對人臉圖像樣本 使用初始化的多層級深度卷積網(wǎng)絡(luò)依次提取出多個層級的特征向量。5. 根據(jù)權(quán)利要求1-3中任一所述的人臉認(rèn)證的方法，其特征在于，所述通過線性判別 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行比對認(rèn)證包括： 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 進行余弦相似度操作，得到余弦相似度； 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 進行絕對值歸一化余弦操作，得到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進行求模 操作，得到第一模長與第二模長； 將所述余弦相似度、絕對值歸一化余弦值、第一模長與第二模長組成一個四維的差異 向量； 使用差異向量映射矩陣將所述差異向量映射，得到一維向量，作為比對分值； 將比對分值與比對閾值進行比對，若比對分值大于比對閾值，則人臉認(rèn)證通過。6. -種人臉認(rèn)證的裝置，其特征在于，包括： 第一提取模塊，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)依次提取出多個層級的特征向量； 第一映射模塊，用于將多個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； 第一串聯(lián)模塊，用于將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量； 第二映射模塊，用于將聯(lián)合特征向量通過線性降維映射矩陣進行降維映射得到綜合特 征向量； 第一比對模塊，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行比對認(rèn)證。7. 根據(jù)權(quán)利要求6所述的人臉認(rèn)證的裝置，其特征在于，所述第一提取模塊之前還包 括： 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行預(yù)處理，所述預(yù)處理包括特 征點定位、圖像校正和歸一化處理。8. 根據(jù)權(quán)利要求6所述的人臉認(rèn)證的裝置，其特征在于，每個層級的特征向量通過如 下單元計算得到： 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行卷積操作，得到卷 積特征圖，所述卷積操作為same卷積操作； 激活單元，用于使用激活函數(shù)對所述卷積特征圖進行激活操作，得到激活特征圖，所述 激活函數(shù)為ReLU激活函數(shù)； 采樣單元，用于使用采樣函數(shù)對所述激活特征圖進行下采樣操作，得到采樣特征圖，所 述下采樣操作為最大值采樣； 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； 第一向量化單元，用于將得到的所有采樣特征圖進行向量化，得到每個層級的特征向 量。9. 根據(jù)權(quán)利要求6-8中任一所述的人臉認(rèn)證的裝置，其特征在于，所述多層級深度卷 積網(wǎng)絡(luò)通過softmax分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練得到，包括： 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 個層級的特征向量； 第三映射模塊，用于將多個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； 第四映射模塊，用于在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 量進行映射，得到映射向量； 激活模塊，用于使用softmax函數(shù)對映射向量進行激活，得到網(wǎng)絡(luò)輸出值向量； 第一計算模塊，用于以網(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)計算出網(wǎng)絡(luò)誤差； 第二串聯(lián)模塊，用于將各個統(tǒng)一維度特征向量串聯(lián)成一個聯(lián)合特征向量； 第五映射模塊，用于將所述聯(lián)合特征向量通過線性降維映射矩陣進行降維映射得到綜 合特征向量； 第二計算模塊，用于為所述網(wǎng)絡(luò)誤差分配權(quán)重，并計算所述線性映射矩陣、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； 更新模塊，用于利用所述線性映射矩陣、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所述線性映射矩陣、統(tǒng)一維度線性映射矩陣、線性降維映射矩陣和卷 積核進行迭代更新； 判斷模塊，用于判斷網(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)至所述第 二提取模塊。10. 根據(jù)權(quán)利要求6-8中任一所述的人臉認(rèn)證的裝置，其特征在于，所述第一比對模塊 包括： 第一計算單元，用于以得到的待認(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行余弦相似度操作，得到余弦相似度； 第二計算單元，用于以得到的待認(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行絕對值歸一化余弦操作，得到絕對值歸一化余弦值； 第三計算單元，用于對得到的待認(rèn)證人臉圖像的綜合特征向量和人臉圖像模板的綜合 特征向量進行求模操作，得到第一模長與第二模長； 第二向量化單元，用于將所述余弦相似度、絕對值歸一化余弦值、第一模長與第二模長 組成一個四維的差異向量； 映射單元，用于使用差異向量映射矩陣將所述差異向量映射，得到一維向量，作為比對 分值； 比對單元，用于將比對分值與比對閾值進行比對，若比對分值大于比對閾值，則人臉認(rèn) 證通過。
【專利摘要】本發(fā)明公開了一種人臉認(rèn)證的方法和裝置，屬于生物識別領(lǐng)域，所述方法包括：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)依次提取出多個層級的特征向量；將多個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；將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量；將聯(lián)合特征向量通過線性降維映射矩陣進行降維映射得到綜合特征向量；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行比對認(rèn)證。與現(xiàn)有技術(shù)相比，本發(fā)明的人臉認(rèn)證的方法抗干擾能強，可擴展性好，認(rèn)證準(zhǔn)確率高。
【IPC分類】G06K9/00
【公開號】CN105138973
【申請?zhí)枴緾N201510490244
【發(fā)明人】郇淑雯, 毛秀萍, 張偉琳, 朱和貴
【申請人】北京天誠盛業(yè)科技有限公司
【公開日】2015年12月9日
【申請日】2015年8月11日