The embodiment of the invention provides a method and device for training, a face model of face authentication method and device, including the training methods: obtaining training samples, the training samples including training image data and document image data; according to the training image data and the image data acquired card training face images and documents face image; the training face image training facial feature model; paired training face images and documents face image, adjust the facial feature model. The embodiment of the invention solves the problem of uneven number of samples, improves the performance of the model, and improves the accuracy of face authentication by identifying the training model of signal pre training and authentication signal trimming.
【技术实现步骤摘要】
人脸模型的训练方法和装置、人脸认证方法和装置
本专利技术涉及生物数据的
,特别是涉及一种人脸模型的训练方法、一种基于人脸模型的人脸认证方法、一种人脸模型的训练装置和一种基于人脸模型的人脸认证装置。
技术介绍
随着第二代身份证、居住证等证件在金融、商业等领域的广泛应用,出现了越来越多如盗用证件、伪造证件等问题。人脸认证在使用中具有用户配合度低、非接触、非强制等特点,人脸认证在金融、商业等领域辅助进行证件的验证。但是,人脸认证也极易受到外界环境(如光照,姿态,表情等)的影响,并且,证件中的图像经过压缩,分辨率较低,与当前视频图像年龄差异大,背景差别明显。目前,基于证件进行认证处理的方法主要是基于传统的统计学习和机器学习的方法,例如,MMP-PCA方法、LGBP-PCA-LDA方法、BSF-PCA-LDA方法等等。这些人脸认证的方法采用的大多为人工设计(hand-crafted)特征,该特征对光照、姿态、年龄变化鲁棒性较差,并且,训练过程需要大量的证件照片和视频照片作为样本,但是,证件照片一般数量很少,往往只有一张,导致训练的模型性能较差,人脸认证的准确率较低。
技术实现思路
鉴于上述问题,为了解决上述特征鲁棒性较差、样本数量较多、模型性能差、人脸认证的准确率较低的问题,本专利技术实施例提出了一种人脸模型的训练方法、一种基于人脸模型的人脸认证方法和相应的一种人脸模型的训练装置、一种基于人脸模型的人脸认证装置。为了解决上述问题,本专利技术实施例公开了一种人脸模型的训练方法,包括:获取训练样本,所述训练样本包括训练图像数据和证件图像数据;根据所述训练图像数据和所述 ...
【技术保护点】
一种人脸模型的训练方法,其特征在于,包括:获取训练样本,所述训练样本包括训练图像数据和证件图像数据;根据所述训练图像数据和所述证件图像数据获得训练人脸图像和证件人脸图像;采用所述训练人脸图像训练人脸特征模型;采用配对的训练人脸图像和证件人脸图像,对所述人脸特征模型进行调整。
【技术特征摘要】
1.一种人脸模型的训练方法,其特征在于,包括:获取训练样本,所述训练样本包括训练图像数据和证件图像数据;根据所述训练图像数据和所述证件图像数据获得训练人脸图像和证件人脸图像;采用所述训练人脸图像训练人脸特征模型;采用配对的训练人脸图像和证件人脸图像,对所述人脸特征模型进行调整。2.根据权利要求1所述的方法,其特征在于,所述采用所述训练人脸图像训练人脸特征模型的步骤包括:采用所述训练人脸图像基于人脸识别对预置的人脸特征模型进行训练,以训练出所述模型参数的初始参数值。3.根据权利要求2所述的方法,其特征在于,所述采用配对的训练人脸图像和证件人脸图像,对所述人脸特征模型进行调整的步骤包括:采用配对的训练人脸图像和证件人脸图像基于人脸认证对所述人脸特征模型进行训练,以将所述模型参数从初始参数值调整为目标参数值。4.根据权利要求2所述的方法,其特征在于,所述采用所述训练人脸图像基于人脸识别对所述人脸特征模型进行训练,以训练出所述模型参数的初始参数值训练人脸图像的步骤包括:随机提取训练人脸图像;将随机提取的训练人脸图像输入预置的人脸特征模型中提取训练人脸特征;计算所述训练人脸特征用于人脸识别时的第一损失率;判断所述第一损失率是否收敛;若是,则以当前迭代的所述模型参数的参数值作为初始参数值;若否,则采用所述第一损失率计算第一梯度;采用所述第一梯度与预设的学习率对所述模型参数的参数值进行下降,返回执行所述随机提取训练人脸图像的步骤。5.根据权利要求4所述的方法,其特征在于,所述计算所述训练人脸特征用于人脸识别时的第一损失率的步骤包括:计算所述训练人脸特征属于预设的用户标签的概率;采用所述概率计算所述训练人脸特征的用于人脸识别时的第一损失率。6.根据权利要求3所述的方法,其特征在于,所述采用所述配对的训练人脸图像和证件人脸图像基于人脸认证对所述人脸特征模型进行训练,以将所述模型参数从初始参数值调整为目标参数值的步骤包括:将属于同一用户的训练人脸图像和证件人脸图像进行配对;随机提取配对的训练人脸图像和证件人脸图像;将随机提取的、配对的训练人脸图像和证件人脸图像输入所述人脸特征模型中提取训练人脸特征和证件人脸特征;计算所述训练人脸特征和证件人脸特征用于人脸认证时的第二损失率;判断所述第二损失率是否收敛;若是,则以当前迭代的所述模型参数的参数值作为目标参数值;若否,则采用所述第二损失率计算第二梯度;采用所述第二梯度与预设的学习率对所述模型参数的参数值进行下降,返回执行所述随机提取配对的训练人脸图像和证件人脸图像的步骤。7.根据权利要求6所述的方法,其特征在于,所述计算所述训练人脸特征和证件人脸特征用于人脸认证时的第二损失率的步骤包括:计算所述训练人脸特征和证件人脸特征之间的距离;采用所述距离计算所述训练人脸特征和证件人脸特征的用于人脸认证时的第二损失率。8.根据权利要求1-6任一项所述的方法,其特征在于,还包括:采用配对的训练人脸图像和证件人脸图像,按照联合贝叶斯训练人脸认证模型。9.根据权利要求1-6任一项所述的方法,其特征在于,所述人脸特征模型包括卷积神经网络,所述卷积神经网络包括一个或多个卷积层、一个或多个采样层,所述卷积神经网络的模型参数包括卷积核;所述卷积神经网络对输入的人脸图像的处理如下:当所述卷积层属于第一深度范围时,采用指定的单个卷积核进行卷积操作;当所述卷积层属于第二深度范围时,采用分层线性模型Inception进行卷...
【专利技术属性】
技术研发人员:王洋,张伟琳,陆小军,
申请(专利权)人:北京眼神科技有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。