一种基于L1范数神经网络的身份验证方法及装置制造方法及图纸

本发明专利技术公开了一种基于L1范数神经网络的身份验证方法及装置，利用L1范数的代价函数与测试样本的特征描述子得到目标网络和目标全连接层后，将待验证图像与测试图像利用目标网络和目标全连接层进行匹配，最终得到两个图像的相似度，根据待验证图像与预存图像的相似度判断当前用户是否合法。由于基于LI范数的代价函数得到的目标网络中的参数是确定的，每次验证时不会根据测试图像的不同再重新定义参数，因此在下次匹配时，匹配速度快，耗时很少，同时，基于L1范数的代价函数确定的目标网络为深度学习的目标网络，因此有很强大的学习能力，能够充分地学习到测试图像特征信息，因此准确度很高。

An identity verification method and device based on L1 norm neural network

The invention discloses an authentication method and device of L1 norm based on neural network, using the feature descriptor cost function and test samples with the L1 norm to get the target network and target connection layer, the image and the test image to be verified by the target network and target connection layer, finally got two images similarity, judging whether the current user is legitimate to be verified according to the similarity image with the stored image. Because of the cost function parameters of LI norm are based on the target network is determined, each validation will not according to the test images of different re defined parameters, so in the next match, the matching speed, small time, at the same time, the cost function of the L1 norm of the target network based on deep learning target network. So there is a very strong learning ability, able to fully learn the test image feature information, so the accuracy is very high.

【技术实现步骤摘要】
一种基于L1范数神经网络的身份验证方法及装置
本专利技术涉及人脸识别技术，更具体地说，涉及一种基于L1范数神经网络的身份验证方法方法及装置。
技术介绍
随着科学技术的发展，身份验证技术也得到了快速的发展。在手机解锁、门禁、移动支付等过程都需要进行身份验证，以确定用户身份是合法的。传统的身份验证方法主要是通过用户名、密码等进行验证，但是这种方式容易被黑客入侵客户端将身份信息窃取利用。人脸也可以作为用户身份的唯一标识信息，因此人脸识别技术也可以应用于用户身份的校验，而且通过人脸识别技术会避免黑客将用户身份信息的窃取利用，但是目前的人脸识别技术的识别精度普遍不高，而精度高的技术耗时又非常大。因此，如何利用耗时少而且精度高的人脸识别技术进行用户身份识别验证，是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于L1范数神经网络的身份验证方法身份验证的方法及装置，以利用耗时少而且精度高的人脸识别技术进行用户身份识别验证。为实现上述目的，本专利技术实施例提供了如下技术方案：一种基于L1范数神经网络的身份验证方法，包括：利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络；利用所述特征描述子与初始全连接层得到目标全连接层；利用预存图像的尺寸对待验证图像预处理得到目标待验证图像；利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块，其中所述目标待验证图像块的总数与所述预存图像块的总数相同；将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度；利用所述相似度验证所述待验证图像是否合法。其中，所述利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络，包括：将测试样本输入初始网络，得到测试样本的特征描述子；利用所述特征描述子最小化基于L1范数的代价函数，训练得到目标网络。其中，所述利用所述特征描述子与初始全连接层得到目标全连接层，包括：利用初始全连接层得到所述特征描述子的匹配结果；利用所述匹配结果与测试样本标签的差值，训练得到目标全连接层。其中，所述预存图像块与所述目标待验证图像块利用所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度，包括：将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对，利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子；将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果；统计匹配成功的待匹配对成功总数，将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。其中，所述利用预存图像的尺寸对待验证图像预处理得到目标待验证图像，包括：将所述待验证图像的人脸部分图像截取，并进行灰度化处理，得到灰度待验证图像；将所述灰度待验证图像缩放至预存图像的尺寸，得到目标待验证图像。一种基于L1范数神经网络的身份验证装置，包括：目标网络获取模块，用于利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络；目标全连接层获取模块，用于利用所述特征描述子与初始全连接层得到目标全连接层；待验证图像预处理模块，用于利用预存图像的尺寸对待验证图像预处理得到目标待验证图像；分块模块，用于利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块，其中所述目标待验证图像块的总数与所述预存图像块的总数相同；相似度计算模块，用于将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度；验证模块，用于利用所述相似度验证所述待验证图像是否合法。其中，所述目标网络获取模块，包括：特征描述子获取单元，用于将测试样本输入初始网络，得到测试样本的特征描述子；目标网络训练单元，用于利用所述特征描述子最小化基于L1范数的代价函数，训练得到目标网络。其中，所述目标全连接层获取模块，包括：第一匹配结果获取单元，用于利用初始全连接层得到所述特征描述子的匹配结果；目标全连接层训练单元，用于利用所述匹配结果与测试样本标签的差值，训练得到目标全连接层。其中，所述相似度计算模块，包括：匹配对特征描述子获取单元，将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对，利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子；第二匹配结果获取单元，用于将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果；统计单元，用于统计匹配成功的待匹配对成功总数，将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。其中，所述待验证图像预处理模块，包括：灰度处理单元，用于将所述待验证图像的人脸部分图像截取，并进行灰度化处理，得到灰度待验证图像；缩放单元，用于将所述灰度待验证图像缩放至预存图像的尺寸，得到目标待验证图像。通过以上方案可知，本专利技术提供的一种基于L1范数神经网络的身份验证方法，利用L1范数的代价函数与测试样本的特征描述子得到目标网络和目标全连接层后，将待验证图像与测试图像利用目标网络和目标全连接层进行匹配，最终得到两个图像的相似度，根据待验证图像与预存图像的相似度判断当前用户是否合法。由于基于LI范数的代价函数得到的目标网络中的参数是确定的，每次验证时不会根据测试图像的不同再重新定义参数，因此在下次匹配时，匹配速度快，耗时很少，同时，基于L1范数的代价函数确定的目标网络为深度学习的目标网络，因此有很强大的学习能力，能够充分地学习到测试图像特征信息，因此准确度很高。本专利技术实施例还提供一种基于L1范数神经网络的身份验证装置，同样可以实现上述技术效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例公开的一种基于L1范数神经网络的身份验证方法流程图；图2为本专利技术实施例公开的一种具体的基于L1范数神经网络的身份验证方法流程图；图3为本专利技术实施例公开的一种神经网络示意图；图4为本专利技术实施例公开的一种具体的基于L1范数神经网络的身份验证方法流程图；图5为本专利技术实施例公开的一种具体的基于L1范数神经网络的身份验证方法流程图；图6为本专利技术实施例公开的一种基于L1范数神经网络的身份验证装置结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种基于L1范数神经网络的身份验证方法身份验证的方法及装置，以利用耗时少而且精度高的人脸识别技术进行用户身份识别验证。参见图1，本专利技术实施例提供的一种基于L1范数神经网络的身份验证方法，具体包括：S101，利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络。具体地，首先需要利用测试样本得到测试样本的特征描述子，根据特本文档来自技高网...

【技术保护点】
一种基于L1范数神经网络的身份验证方法，其特征在于，包括：利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络；利用所述特征描述子与初始全连接层得到目标全连接层；利用预存图像的尺寸对待验证图像预处理得到目标待验证图像；利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块，其中所述目标待验证图像块的总数与所述预存图像块的总数相同；将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度；利用所述相似度验证所述待验证图像是否合法。

【技术特征摘要】
1.一种基于L1范数神经网络的身份验证方法，其特征在于，包括：利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络；利用所述特征描述子与初始全连接层得到目标全连接层；利用预存图像的尺寸对待验证图像预处理得到目标待验证图像；利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块，其中所述目标待验证图像块的总数与所述预存图像块的总数相同；将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度；利用所述相似度验证所述待验证图像是否合法。2.根据权利要求1所述的身份验证方法，其特征在于，所述利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络，包括：将测试样本输入初始网络，得到测试样本的特征描述子；利用所述特征描述子最小化基于L1范数的代价函数，训练得到目标网络。3.根据权利要求2所述的身份验证方法，其特征在于，所述利用所述特征描述子与初始全连接层得到目标全连接层，包括：利用初始全连接层得到所述特征描述子的匹配结果；利用所述匹配结果与测试样本标签的差值，训练得到目标全连接层。4.根据权利要求3所述的身份验证方法，其特征在于，所述预存图像块与所述目标待验证图像块利用所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度，包括：将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对，利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子；将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果；统计匹配成功的待匹配对成功总数，将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。5.根据权利要求1至4任意一项所述的身份验证方法，其特征在于，所述利用预存图像的尺寸对待验证图像预处理得到目标待验证图像，包括：将所述待验证图像的人脸部分图像截取，并进行灰度化处理，得到灰度待验证图像；将所述灰度待验证图像缩放至预存图像的尺寸，得到目标待验证图像。6.一种基于L1范数神经网络的身份验证装置，其特征在于，包括：...

【专利技术属性】
技术研发人员：范为铨，李东，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44