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 ...
【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
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。