基于用户牙齿的身份认证方法技术

本发明专利技术实施例公开了一种基于用户牙齿的身份认证方法，所述方法包括：通过获取人脸图像，并预测所述人脸图像上每个动作单元出现的概率；预测所述人脸图像上每个动作单元的强度；根据所述概率和强度确定当前是否处于微笑状态；在处于微笑状态时，利用ResNet残差网络提取牙齿图像的关键特征点，并基于所述关键特征点提取牙齿特征；将所述人脸图像输入神经网络，提取到表情特征；将所述牙齿特征和表情特征输入至通道注意力加权神经网络中，得到牙齿特征和表情特征的通道权重；根据所述通道权重与所述表情特征和牙齿特征计算得到生物特征。将二者特征进行融合，并抑制噪音特征，可以准确的提取生物特征，便于快速准确的确定乘客身份。份。份。

【技术实现步骤摘要】
基于用户牙齿的身份认证方法


[0001]本专利技术涉及生物特征识别
，尤其涉及一种基于用户牙齿的身份认证方法。

技术介绍

[0002]基于生物识别的移动支付广泛应用于交通领域，目前，普遍采用人脸识别进行支付，利用提取到的人脸图像的特征，对其进行身份验证和识别。但人脸识别在对于整容人脸、面部差异很小的双胞胎、同一个人在不同时间段脸部变化等的识别时效果不佳。牙齿识别作为一种新兴的、极具潜力的生物特征模态，也在生物特征识别领域崭露头角。
[0003]在实现本专利技术的过程中专利技术人发现：在用于移动支付时，由于时间要求，只能采集少量人脸图像照片，且牙齿露出取决于人脸此时的表情，牙齿呈周列排布，单一的牙齿图像无法完全体现出牙齿排布的特性，而采集到的人脸图像中并不能采集到合适的牙齿图像，会导致生物特征识别产生错误。

技术实现思路

[0004]本专利技术实施例提供了一种基于用户牙齿的身份认证方法，以解决现有技术中在移动支付场景下，受到牙齿图像的限制导致生物特征识别错误率较高的的技术问题。
[0005]本专利技术实施例提供了一种基于用户牙齿的身份认证方法，包括：
[0006]获取人脸图像，并预测所述人脸图像上每个动作单元出现的概率；
[0007]预测所述人脸图像上每个动作单元的强度；
[0008]根据所述概率和强度确定当前是否处于微笑状态；
[0009]在处于微笑状态时，利用ResNet残差网络提取牙齿图像的关键特征点，并基于所述关键特征点提取牙齿特征；
>[0010]将所述人脸图像输入神经网络，提取到表情特征；
[0011]将所述牙齿特征和表情特征输入至通道注意力加权神经网络中，得到牙齿特征和表情特征的通道权重；
[0012]根据所述通道权重与所述表情特征和牙齿特征计算得到生物特征；
[0013]所述通道注意力加权神经网络，包括：
[0014]挤压模块，所述挤压模块用于接收表情特征和牙齿特征，并采用全局平均池化的方式，将多维的特征压缩到1
×
1特征，并将1
×
1特征利用全连接层进行特征学习，并用激活函数进行激活，得到压缩特征；
[0015]激励模块，所述扩张模块用于将压缩特征，利用还原全连接层将压缩特征映射回原来的通道数量特征，对每个通道1
×
1的特征维度进行sigmoid归一化，得到牙齿特征和表情特征的通道注意力矩阵。
[0016]进一步的，所述预测所述人脸图像上每个动作单元出现的概率，包括：
[0017]将所述人脸对象基于面部特征点进行对齐；
[0018]将对齐后的人脸图像输入训练完成的自回归深度神经网络，预测得到每个动作单元出现的概率和强度。
[0019]进一步的，所述自回归深度神经网络，包括：
[0020]语义识别单元，用于计算输出每个运动单元的位置；
[0021]全连接层，预测每个AU出现的概率p
i
，对于AU检测，通常采用多标签交叉熵损失(Loss)：
[0022][0023]其中，p
i
为第i个AU真实出现的概率，值为1表示出现，值为0则表示不出现。
[0024]进一步的，所述预测所述人脸图像上每个动作单元的强度，包括：
[0025]将第i个AU被预测的概率转换为强度：
[0026][0027]其中，T＝5为最大的强度级别.然后采用L2损失：
[0028][0029]进一步的，所述根据所述通道权重与所述表情特征和牙齿特征计算得到生物特征，包括：
[0030]将通道注意力矩阵与所述表情特征和牙齿特征相乘得到生物特征。
[0031]进一步的，所述方法还包括：
[0032]根据所述生物特征确定对应的乘客；
[0033]并根据乘客的起始和到达站点计算路程。
[0034]更进一步的，所述方法还包括：
[0035]根据所述路程计算费用；
[0036]根据识别的乘客身份和费用对所述乘客的账户进行扣费。
[0037]本专利技术实施例提供的基于用户牙齿的身份认证方法，通过获取人脸图像，并预测所述人脸图像上每个动作单元出现的概率；预测所述人脸图像上每个动作单元的强度；根据所述概率和强度确定当前是否处于微笑状态；在处于微笑状态时，利用ResNet残差网络提取牙齿图像的关键特征点，并基于所述关键特征点提取牙齿特征；将所述人脸图像输入神经网络，提取到表情特征；将所述牙齿特征和表情特征输入至通道注意力加权神经网络中，得到牙齿特征和表情特征的通道权重；根据所述通道权重与所述表情特征和牙齿特征计算得到生物特征；所述通道注意力加权神经网络，包括：挤压模块，所述挤压模块用于接收表情特征和牙齿特征，并采用全局平均池化的方式，将多维的特征压缩到1
×
1特征，并将1
×
1特征利用全连接层进行特征学习，并用激活函数进行激活，得到压缩特征；激励模块，所述扩张模块用于将压缩特征，利用还原全连接层将压缩特征映射回原来的通道数量特征，对每个通道1
×
1的特征维度进行sigmoid归一化，得到牙齿特征和表情特征的通道注意力矩阵。可根据图像对当前图像中人脸是否处于微笑状态进行判断，在处于微笑状态时，提取牙齿图像特征，并将微笑时的面部运动单元的特征提取，通过通道注意力机制，
附图说明
[0038]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0039]图1是本专利技术实施例提供的基于用户牙齿的身份认证方法的流程示意图。
具体实施方式
[0040]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0041]图1是本专利技术实施例提供的基于用户牙齿的身份认证方法的流程图，本实施例可适用于在移动支付场景下，基于微笑表情和牙齿特征快速进行生物特征鉴定的情况，该方法可以由基于用户牙齿的身份认证方法装置来执行，并可集成于移动支付设备中，具体包括如下步骤：
[0042]步骤110，获取人脸图像，并预测所述人脸图像上每个动作单元出现的概率。
[0043]在本实施例中，移动支付设备，特别是在运输工具，例如公交或者地铁等快捷支付场景下使用的设备可面向乘客，采集乘客的人脸图像。通常，只有在嘴部张开时，才能采集到牙齿的相应图像，因此，在本实施例中，采用了“微笑支付”方式完成生物特征识别。因此，首先需要判别是否为微笑状态。
[0044]脸部表情承载着人们日常交流中极为重要的一部分信息，但是简单地获取人脸喜怒哀乐等信息并不足够，因此需要更多的脸部肌肉细节和表情强弱程度信息。脸部动作编码系统定义了三十多个无重复的脸部肌肉动作，以动作单元(Action Units，AU)命名，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户牙齿的身份认证方法，其特征在于，包括：获取人脸图像，并预测所述人脸图像上每个动作单元出现的概率；预测所述人脸图像上每个动作单元的强度；根据所述概率和强度确定当前是否处于微笑状态；在处于微笑状态时，利用ResNet残差网络提取牙齿图像的关键特征点，并基于所述关键特征点提取牙齿特征；将所述人脸图像输入神经网络，提取到表情特征；将所述牙齿特征和表情特征输入至通道注意力加权神经网络中，得到牙齿特征和表情特征的通道权重；根据所述通道权重与所述表情特征和牙齿特征计算得到生物特征；所述通道注意力加权神经网络，包括：挤压模块，所述挤压模块用于接收表情特征和牙齿特征，并采用全局平均池化的方式，将多维的特征压缩到1
×
1特征，并将1
×
1特征利用全连接层进行特征学习，并用激活函数进行激活，得到压缩特征；激励模块，所述扩张模块用于将压缩特征，利用还原全连接层将压缩特征映射回原来的通道数量特征，对每个通道1
×
1的特征维度进行sigmoid归一化，得到牙齿特征和表情特征的通道注意力矩阵。2.根据权利要求1所述的方法，其特征在于，所述预测所述人脸图像上每个动作单元出现的概率，包括：将所述人脸对象...

【专利技术属性】
技术研发人员：王伟，王波，杨巨成，国英龙，郭庆，贾智洋，魏峰，徐振宇，李超彦，张伟，陈燕，刘海涛，王嫄，刘建征，
申请(专利权)人：思腾合力天津科技有限公司，
类型：发明
国别省市：