一种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认证方法和装置，其中所述方法包括：分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征，其中，所述第一卷积神经网络与所述第二卷积神经网络以不同的损失函数训练得到；将所述第一人脸特征以及所述第二人脸特征合并成组合人脸特征；基于所述组合人脸特征对所述目标人脸数据进行认证处理。本发明专利技术实施例可以提高人脸认证的准确率。

A method and device for face authentication

The embodiment of the invention provides a face authentication method and device, wherein said method comprises: using the first convolutional neural network and second convolutional neural networks on the same target face data are extracted respectively, the first and second corresponding facial feature facial features, among them, the first and the second convolutional neural network convolutional neural network obtained in different loss function training; the first feature and the second feature into a combination of facial features; the combination of facial feature authentication processing on the target face based on data. The embodiment of the invention can improve the accuracy of face authentication.

【技术实现步骤摘要】
一种人脸认证方法和装置
本专利技术涉及生物数据处理的
，特别是涉及一种人脸认证方法和一种人脸认证装置。
技术介绍
由于人脸认证具有自然性和不被预测个体察觉的特点，人脸认证在金融、信息安全等领域的广泛运用。按照特征表达方式和基于数据量规模的不同，人脸认证方法大体上可以分为基于浅层学习的方法和基于深度学习的方法两类。(1)基于浅层学习的方法基于浅层学习方法的人脸认证在一定规模的数据集上具有较好的效果。该方法包括基于几何的方法、基于子空间的方法、基于传统机器学习的方法等。基于几何的方法是通过主观的选取人脸的关键点，将人脸关键点的位置关系和对应的纹理特征等信息转换成图模型，以关键点作为图的点，关键点之间的关系作为图的边，最后，通过图匹配的方法完成人脸识别或人脸认证任务。但这种方法中几何特征点的选择人为主观依赖较强，特征组合方式有限，识别率较低。基于子空间的方法是将经过算子编码后的人脸特征通过映射函数投影到低纬度的子空间中，这种投影方法既可以降低特征的维度，又可以一定程度上增强特征的判别性。但这种方法对多种变化共存的复杂人脸识别问题效果较差，单一算子无法对复杂的变化人脸图像有效的表达。基于传统机器学习的方法是一种由传统统计学习理论派生出的分类或回归方法。该类方法的主要作用是用于处理人脸识别的分类问题，而特征工程还是依赖于人为主观的设计编码算子。与子空间方法相类似，基于传统机器学习的方法的特征工程也较为依赖算子的人工设计，因此，没有有效的人脸编码算子，传统机器学习方法也无法达到较好的分类效果。因此，上述基于浅层学习的方法特征结构单一，无法得到对人脸变化鲁棒的特征，对人脸的表征效果也不理想。(2)基于深度学习的方法深度学习是一种基于无监督特征学习和特征层次结构的学习方法。良好的特征表达，对最终算法的准确性起到了至关重要的作用，深度学习方法具有优异的特征学习能力，学习得到的特征对数据有更本质刻画，从而有利于可视化或分类。深度卷积网络可以自动的提取人脸图像的特征，在人脸识别上有较好的表现。但是深度卷积网络提取的特征单一，导致识别准确度较低。
技术实现思路
鉴于上述问题，为了解决上述人脸提取的特征单一、识别准确率低的问题，本专利技术实施例提出了一种人脸认证方法和相应的一种人脸认证装置。为了解决上述问题，本专利技术实施例公开了一种人脸认证方法，包括：分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征，其中，所述第一卷积神经网络与所述第二卷积神经网络以不同的损失函数训练得到；将所述第一人脸特征以及所述第二人脸特征合并成组合人脸特征；基于所述组合人脸特征对所述目标人脸数据进行认证处理。本专利技术实施例还公开了一种人脸认证装置，包括：特征提取模块，用于分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征，其中，所述第一卷积神经网络与所述第二卷积神经网络以不同的损失函数训练得到；特征组合模块，用于将所述第一人脸特征以及所述第二人脸特征合并成组合人脸特征；认证模块，用于基于所述组合人脸特征对所述目标人脸数据进行认证处理。本专利技术实施例包括以下优点：本专利技术实施例通过两个不同的卷积神经网络分别对同一幅人脸图像进行特征提取，得到第一人脸特征以及第二人脸特征，然后将第一人脸特征以及第二人脸特征融合成一个组合人脸特征，丰富了提取的人脸特征，最后根据组合人脸特征完成人脸的认证，从而提高了人脸认证准确率。附图说明图1是本专利技术的一种人脸认证方法实施例一的步骤流程图；图2是本专利技术的一种人脸认证方法实施例二的步骤流程图；图3是本专利技术实施例的第一卷积神经网络的示意图；图4是本专利技术实施例的一种Inception的结构示例图；图5是本专利技术实施例的第二卷积神经网络的示意图；图6是本专利技术实施例的ROC曲线示意图；图7是本专利技术的一种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认证方法实施例一的步骤流程图，具体可以包括如下步骤：步骤101，分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征，其中，所述第一卷积神经网络与所述第二卷积神经网络以不同的损失函数训练得到；步骤102，将所述第一人脸特征以及所述第二人脸特征合并成组合人脸特征；步骤103，基于所述组合人脸特征对所述目标人脸数据进行认证处理。本专利技术实施例通过两个不同的卷积神经网络分别对同一幅人脸图像进行特征提取，得到第一人脸特征以及第二人脸特征，然后将第一人脸特征以及第二人脸特征融合成一个组合人脸特征，丰富了提取的人脸特征，最后根据组合人脸特征完成人脸的认证，从而提高了人脸认证准确率。参照图2，示出了本专利技术的一种人脸认证方法实施例二的步骤流程图，本专利技术实施例可以应用在人脸识别系统中，如门禁系统、监控系统、支付系统等等，以对用户进行人脸认证。本专利技术实施例具体可以包括如下步骤：步骤201，对目标图像数据进行人脸检测，确定人脸数据；在具体实现中，人脸识别系统可以通过摄像头等方式采集目标图像数据，当获得目标图像数据以后，进一步对该目标图像数据进行人脸检测，以确定人脸数据。在一种实施方式中，针对包含复杂背景的、尺寸大小不一的目标图像数据，可以使用AdaBoost(自适应提升方法)级联算法等方式进行人脸检测，以找到人脸数据所在的区域。当然，本专利技术实施例并不限于上述人脸检测的方法，本领域技术人员还可以采用其他方式进行人脸检测，例如，采用基于CNN(ConvolutionalNeuralNetwork，卷积神经网络)的人脸检测算法进行人脸检测，本专利技术实施例对此不作限定。步骤202，在所述人脸数据中进行人脸特征点定位，确定眼睛数据；当确定人脸数据以后，可以采用3D-pose(3D姿势)、SDM(SupervisedDescentMethod)等人脸定位方法定位人脸特征点，并根据人脸特征点找到眼睛数据，即眼睛中心的位置。步骤203，将所述眼睛数据进行对齐；为了使得人脸处于归一化后的图像的中心位置，在步骤203中，可以将眼睛数据进行对齐，从而达到人脸对齐的目的。例如，假设目标人脸数据的大小为100×100，若想要使得人脸的中心位置位于归一化后目标人脸数据的中心，可以使得左眼位置距离左边缘0.25倍图像宽度，右眼位置距离右边缘0.25倍图像宽度，左右眼位置距离上边缘三分之一倍高度。基于此，可以设置左眼距离左边缘30像素，距离上边缘30像素，右眼距离右边缘30像素，距离上边缘30像素，即将定位后的眼睛坐标对齐到(30,30)和(30,70)的位置(当然，这样的设置需要根据实际的情况进行调整)，从而使得人脸处于归一化后的图像的中心位置。步骤204，对除所述眼睛数据之外的人脸数据，根据眼睛数据的位置关系进行相似变换以及归一化处理，得到目标人脸数据；将眼睛数据对齐以后，还可以将人脸数据中除眼睛部分的其他部分根据眼睛的位置关系进行相似变换，得到归一化后的目标人脸数据。在具体实现中，在得到归一化的目标人脸数据以后，在进行步骤205以本文档来自技高网...

【技术保护点】
一种人脸认证方法，其特征在于，包括：分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征，其中，所述第一卷积神经网络与所述第二卷积神经网络以不同的损失函数训练得到；将所述第一人脸特征以及所述第二人脸特征合并成组合人脸特征；基于所述组合人脸特征对所述目标人脸数据进行认证处理。

【技术特征摘要】
1.一种人脸认证方法，其特征在于，包括：分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征，其中，所述第一卷积神经网络与所述第二卷积神经网络以不同的损失函数训练得到；将所述第一人脸特征以及所述第二人脸特征合并成组合人脸特征；基于所述组合人脸特征对所述目标人脸数据进行认证处理。2.根据权利要求1所述的方法，其特征在于，在所述分别采用第一深度神经网络以及第二深度神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征的步骤之前，还包括：对目标图像数据进行人脸检测，确定人脸数据；在所述人脸数据中进行人脸特征点定位，确定眼睛数据；将所述眼睛数据进行对齐；对除所述眼睛数据之外的人脸数据，根据眼睛数据的位置关系进行相似变换以及归一化处理，得到目标人脸数据。3.根据权利要求1或2所述的方法，其特征在于，所述分别采用第一卷积神经网络以及第二卷积神经网络对同一目标人脸数据进行特征提取，得到对应的第一人脸特征以及第二人脸特征的步骤包括：分别将所述目标人脸数据输入第一卷积神经网络以及第二卷积神经网络，其中，所述第一卷积神经网络以及第二卷积神经网络均分布有一个或多个卷积层，每一个或多个卷积层之间交替着采样层，第一个卷积层的数据输入为目标人脸数据，输出的数据作为下一层输入的数据；所述卷积层具有第一深度范围或第二深度范围，所述第二深度范围的层数大于所述第一深度范围的层数；在所述第一卷积神经网络和/或所述第二卷积神经网络中，当当前层为第一深度范围的卷积层时，采用指定的第一卷积核与第一步长对输入的数据进行卷积操作；当当前层为第二深度范围的卷积层时，采用分层线性模型Inception对输入的数据进行卷积操作；当当前层为采样层时，进行最大化下采样；将所述第一卷积神经网络输出的多个图像数据进行排序，获得特征向量，作为所述目标人脸数据的第一人脸特征，以及，将所述第二卷积神经网络输出的多个图像数据进行排序，获得特征向量，作为所述目标人脸数据的第二人脸特征。4.根据权利要求3所述的方法，其特征在于，在所述当当前层为第一深度范围的卷积层时，采用指定的第一卷积核与第一步长对输入的数据进行卷积操作的步骤之后，还包括：对所述卷积层输出的数据进行规范化操作和/或激活操作。5.根据权利要求3所述的方法，其特征在于，所述分层线性模型Inception包括第一层、第二层、第三层、第四层；所述采用分层线性模型Inception对输入的数据进行卷积操作的步骤包括：在第一层中，采用指定的第二卷积核与第二步长对输入的数据进行卷积操作，获得第一特征图像数据；在第二层中，对输入的数...

【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