人脸模型的训练方法和装置、人脸认证方法和装置制造方法及图纸

本发明专利技术实施例提供了一种人脸模型的训练方法和装置、人脸认证方法和装置，该训练方法包括：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。本发明专利技术实施例通过识别信号预训练和认证信号微调的方法训练模型，解决样本数量不平衡的问题，提高了模型的性能，从而提高了人脸认证的准确率。

Face model training method and device, face authentication method and device

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。本专利技术实施例还公开了一种基于人脸模型的人脸认证方法，所述人脸模型为如上述训练方法得到的人脸模型，所述人脸模型包括人脸特征模型，所述人脸认证方法包括：当接收到人脸认证的指令时，采集目标图像数据；在所述目标图像数据中提取目标人脸图像；将所述目标人脸图像输入预先训练的人脸特征模型中提取目标人脸特征；根据所述目标人脸特征与指定的证件图像数据进行认证处理。本专利技术实施例还公开了一种人脸模型的训练装置，包括：训练样本获取模块，用于获取训练样本，所述训练样本包括训练图像数据和证件图像数据；样本人脸图像提取模块，用于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；人脸模型训练模块，用于采用所述训练人脸图像训练人脸特征模型；人脸模型调整模块，用于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。本专利技术实施例还公开了一种基于人脸模型的人脸认证装置，所述人脸模型为如上述训练装置得到的人脸模型，所述人脸模型包括人脸特征模型，所述人脸认证装置包括：目标图像数据模块，用于在接收到人脸认证的指令时，采集目标图像数据；目标人脸图像提取模块，用于在所述目标图像数据中提取目标人脸图像；目标人脸特征提取模块，用于将所述目标人脸图像输入预先训练的人脸特征模型中提取目标人脸特征；认证处理模块，用于根据所述目标人脸特征与指定的证件图像数据进行认证处理。本专利技术实施例包括以下优点：本专利技术实施例在训练图像数据和证件图像数据中提取训练人脸图像和证件人脸图像，采用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，对人脸特征模型进行调整，识别信号预训练和认证信号微调的方法训练模型，解决样本数量不平衡的问题，提高了模型的性能，从而提高了人脸认证的准确率。并且，对人脸进行特征表达，不依赖于人工对特征的选择，并且对年龄，姿态和光照等因素表现出较好的鲁棒性。附图说明图1是本专利技术的一种人脸模型的训练方法实施例的步骤流程图；图2是本专利技术实施例的一种训练样本的示例图；图3是本专利技术的另一种人脸模型的训练方法实施例的步骤流程图；图4是本专利技术实施例的一种卷积神经网络的处理流程图；图5是本专利技术实施例的一种Inception的结构示例图；图6是本专利技术的一种基于人脸模型的人脸认证方法实施例的步骤流程图；图7A-图7D是本专利技术实施例的一种数据库的图像示例图；图8是本专利技术实施例的一种测试ROC曲线对比图；图9是本专利技术的一种人脸模型的训练装置实施例的结构框图；图10是本专利技术的一种基于人脸模型的人脸认证装置实施例的结构框图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。参照图1，示出了本专利技术的一种人脸模型的训练方法实施例的步骤流程图，具体可以包括如下步骤：步骤101，获取训练样本。在具体实现中，训练样本包括训练图像数据和证件图像数据。其中，证件图像数据为某个证件中存储的图像数据，例如，二代身份证、居住证、驾驶证等等，证件图像数据一般经过高强度的压缩，分辨率低，而且，数量一般很少，通常一个证件只有一副，背景较为纯净(如白色、蓝色、红色等)。训练图像数据为与证件图像数据不同的图像数据，如视频图像数据，训练图像数据一般未经过高强度的压缩，分辨率比证件图像数据高，而且，可以通过摄像头等方式采集，数量一般比证件图像数据多，背景较为复杂(如包含环境信息)。例如，如图2所示，最左侧的图像数据为证件图像数据，其余的图像数据为训练图像数据。步骤102，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。在训练图像数据和证件图像数据中一般具有用户的人脸，从其中提取训练人脸图像和证件人脸图像，进行人脸特征模型的训练。在本专利技术的一个实施例中，步骤102可以包括如下子步骤：子步骤S11，在所述训练图像数据和所述证件图像数据中分别进行人脸检测，确定训练人脸图像和证件人脸图像；子步骤S12，在所述训练人脸图像和所述证件人脸图像中分别中进行人脸特征点定位，确定训练眼睛数据和证件眼睛数据；子步骤S13，将所述训练眼睛数据的位置和所述证件眼睛数据的位置与预设模板位置进行对齐；子步骤S14，对除所述训练眼睛数据之外的训练人脸图像，根据所述训练眼睛数据的位置关系进行相似变换，获得归一化后的训练人脸图像；子步骤S15，对除所述证件眼睛数据之外的证件人脸图像，根据所述证件眼睛数据的位置关系进行相似变换，获得归一化后的证件人脸图像。在本专利技术实施例中，可以采取AdaBoost(自适应提升方法)对训练样本进行人脸检测，在检测出的人脸图像(即训练人脸图像和证件人脸图像)上采用coase-to-fine(CF，级联深度模型)方法对人脸图像进行定位，并利用定位后眼睛数据的位置坐标，采用相似变换进行归一化，例如，归一化后人脸图像的大小为100×100。步骤103，采用所述训练人脸图像训练人脸特征模型。在具体实现中，训练的人脸模型包括人脸特征模型，该人脸特征模型可以为用于提取人脸特征的模型。在本专利技术的一个实施例中，步骤103可以包括如下子步骤：子步骤S21，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。对于卷积神经网络等神经网络模型来说，训练数据的数量和质量往往直接影响模型提取特征的能力和分类的效果。但是，由于身份证等证件的证件图像数据多为单样本，即一个身份证中只本文档来自技高网...

【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