人脸验证方法和系统技术方案

本发明专利技术涉及一种人脸验证方法和系统，方法包括：利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；建立判别式高阶玻尔兹曼机，设置隐含层的节点数；利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；向判别式高阶玻尔兹曼机模型输入待验证的成对人脸数据，得到对应的验证结果数据。本发明专利技术通过在无监督玻尔兹曼机模型中引入数据关系类别信息，使模型判别力增强，更适于具有精度要求的人脸验证。

【技术实现步骤摘要】
【国外来华专利技术】人脸验证方法和系统
本专利技术涉及一种人脸验证方法和系统，尤其涉及一种基于判别式高阶玻尔兹曼机的人脸验证方法和系统。
技术介绍
人脸验证技术由于其广泛的应用一直是模式识别领域的热点研究问题，例如作为身份认证应用在海关和银行等。给定一对人脸图像，人脸验证的目标是是判断这两张人脸图像是否表示同一个人。之前的工作主要是研究约束环境下的人脸验证，即实验中的人脸图像都是在受控的环境因素下采集的，包括固定的光照、姿态和表情。然而在实际应用中，这些因素都是不可控的，例如视频监控中的人脸图像可能包含任意的光照。所以，最近许多研究人员开始转而研究非约束环境下的人脸验证问题。非约束环境因素下的人脸图像有非常大的类内方差，处理起来将具有挑战性。现有的人脸验证问题包含两个步骤：数据特征表示和数据关系度量。对于数据特征表示，人们通常使用一些人工设定的特征描述子来表示人脸数据，例如LBP、SIFT和Gabor等。在得到成对的人脸数据表示后，通常利用余弦距离来度量每对图像的相似度大小，进而可以判断这对图像是否表示同一个人。
技术实现思路
本专利技术的目的是针对现有技术的缺陷，提供一种人脸验证方法和系统，以实现更适于具有精度要求的人脸验证。为实现上述目的，本专利技术提供了一种人脸验证方法，所述方法包括：步骤1、利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；步骤2、建立判别式高阶玻尔兹曼机，设置隐含层的节点数；步骤3、利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；步骤4、把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；步骤5、向所述判别式高阶玻尔兹曼机模型输入待验证的成对人脸数据，得到对应的验证结果数据。本专利技术还提供了一种人脸验证系统，所述系统包括：网络建立模块、网络权重优化模块和数据验证模块，其中：所述网络建立模块，用于建立判别式高阶玻尔兹曼机，并设置网络隐含层的节点数；所述网络权重优化模块，利用随机梯度下降算法来最小化该玻尔兹曼机的目标函数来获得优化后的玻尔兹曼机权重，从而得到最终的判别式高阶玻尔兹曼机模型；所述数据验证模块，用于向所述判别式高阶玻尔兹曼机输入待验证的成对人脸数据，得到类别层两个节点值，比较两个数值的相对大小即可得出人脸验证结果数据。本专利技术人脸验证方法和系统，通过在无监督玻尔兹曼机模型中引入数据关系类别信息，使模型判别力增强，更适于具有精度要求的人脸验证。附图说明图1为本专利技术人脸验证方法的流程图；图2示出了本专利技术所使用的判别式高阶玻尔兹曼机结构示意图；图3是张量对角化方法的示意图；图4为本专利技术人脸验证系统的示意图；图5为不同的输入数据维度和不同的隐含结点数量时的实验效果变化图。具体实施方式下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。专利技术人脸验证方法和系统主要是提出了一个更有效的数据关系度量方法，可以在较大程度上提升人脸验证的精度。图1为本专利技术人脸验证方法的流程图，如图所示，本专利技术具体包括如下步骤：步骤101、利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中需要设置主成分分析降维后的数据维度；其中，主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的数据降维方法，这种方法需要设定降维后的数据维度，通常从几百到几千不等。线性判别分析(LinearDiscriminantAnalysis,LDA)是一种常用的有监督的子空间学习方法，处理后可以使得数据的判别性增强。步骤102、建立判别式高阶玻尔兹曼机，设置隐含层的节点数；其中，所述判别式高阶玻尔兹曼机为多层网络结构，包括两个数据输入层、一个隐含层和一个类别输出层。所述判别式高阶玻尔兹曼机的两个输入层为成对的人脸训练数据，比如人脸图像的特征表示。在本专利技术一实施例中，要求所有人脸数据保持相同的大小，例如同样长度的向量；类别输出层用于表示成对人脸训练数据的验证结果，由于人脸验证的结果只有两类，即匹配或者不匹配，这里输出层只包含两个结点，分别对应这两种类别；该判别式高阶玻尔兹曼机具有网络权重，用于根据当前层节点值获得下一层节点值。所述判别式高阶玻尔兹曼机的输入层和输出层的节点数是固定的，但是其隐含层的节点数需要手工调节以使得该模型的效果最优。图2示出了本专利技术一实施例中所使用的判别式高阶玻尔兹曼机结构示意图。如图2所示，这是一个四层的网络，每层中的圆形点表示网络节点。底部最左边两层分别代表两个人脸数据输入层，输入层输入的是都是I维的列向量向量的每一维度用一个节点表示，其取值都归一化为0均值且方差为1。最高层为类别输出层，将人脸验证的类别表示为一个2维的向量向量的取值为[1,0]或[0,1]，两种情况对应匹配或者不匹配。中间的隐含层是一个K维的向量向量的每一维取值为0或者1。h和z的值都可以由它们前面层的向量值计算得到，其中h与x和y层互相连接：其中,σ(x)＝1/(1+e-x)、x＝(xi)i∈I、y＝(yj)j∈J、h＝(hk)k∈K、z＝(zt)t∈{1,2}。c＝(ck)k∈K和d＝(dt)t∈{1,2}分别为隐含层和类别层的偏置参数。W＝(Wijk)i∈I,j∈J,k∈K是两个输入层和隐含层之间的连接权重，而U＝(Ukt)k∈K,t∈{1,2}是隐含层和类别层之间的连接权重。步骤103、利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；判别式高阶玻尔兹曼机含有大量的模型参数需要进行学习，当输入的数据维度为几百时，三维的权重张量W就可能会含有上百万的权重参数。这样，在训练数据量不是非常多的情况下，很容易导致过拟合。因此这里采用张量对角化的方法来减少参数，如图3所示。在h轴上，每个hk对应着一个权重矩阵切片:W..k＝(Wijk)i∈I,j∈J其中矩阵中的每个权重Wijk都对应着结点xi和yj的连接关系。隐含的假设是x中的任意一个结点都与y中所以结点存在相关关系。这样的假设对人脸数据来说并不合适。具体来说，我们通常利用局部描述子来提取人脸关键点附件的特征，例如，在人脸眼睛、鼻子和嘴等部位提取LBP特征，然后将这些特征串联得到最终的特征。所以x和y中每个结点仅仅表征了人脸的局部区域，如图3中的R1-R5所示。当进行人脸验证时，人们通常关心的是两幅人脸图像中的相同位置例如眼睛是否是匹配的，而不关心一个人的眼睛与另外一个人的鼻子是否匹配。所以，只有位置上临近的xi结点和yj结点表示的人脸区域一样时，他们才存在较强的相关性，如图3中的块对角化矩阵，其中黑色代表有相关性，白色为没有相关性。因此对于任意结点xi，我们定义与其相关的ε-邻域的结点为{yj,j∈[i-ε,i+ε]}，然后将每个权重矩阵切片W..k减少到只保留其2ε+1个对角线上的权重：这样整个权重张量W中的参数量级即从O(n3)减少为O(n2)。步骤104、把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；以图2中的网络为例进行说明，把两个输入层数据，中间的本文档来自技高网...

【技术保护点】
一种人脸验证方法，其特征在于，所述方法包括：步骤1、利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；步骤2、建立判别式高阶玻尔兹曼机，设置隐含层的节点数；步骤3、利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；步骤4、把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；步骤5、向所述判别式高阶玻尔兹曼机模型输入待验证的成对人脸数据，得到对应的验证结果数据。

【技术特征摘要】
【国外来华专利技术】1.一种人脸验证方法，其特征在于，所述方法包括：步骤1、利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；步骤2、建立判别式高阶玻尔兹曼机，设置隐含层的节点数；所述步骤2中的所述判别式高阶玻尔兹曼机的模型是包括两个数据输入层，一个隐含层和一个类别输出层的四层网络结构；所述两个数据输入层为成对的训练人脸数据，所述类别输出层表示人脸验证结果；并且所述判别式高阶玻尔兹曼机具有网络权重，以根据当前层节点值获得下一层节点值；输入层输入的都是I维的列向量x,y∈RI×1，向量的每一维度用一个节点表示，其取值都归一化为0均值且方差为1；最高层为类别输出层，将人脸验证的类别表示为一个2维的向量Z∈R2×1，向量的取值为[1,0]或[0,1]，两种情况对应匹配或者不匹配；中间的隐含层是一个K维的向量h∈RK×1，向量的每一维取值为0或者1；步骤3、利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；具体的，在h轴上，每个hk对应着一个权重矩阵切片:W..k＝(...

【专利技术属性】
技术研发人员：王亮，谭铁牛，王威，黄岩，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11