欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

人臉認(rèn)證的方法和裝置的制造方法

文檔序號:9417805閱讀:354來源:國知局
人臉認(rèn)證的方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及生物識別領(lǐng)域,特別是指一種人臉認(rèn)證的方法和裝置。
【背景技術(shù)】
[0002] 人臉認(rèn)證是生物識別的一種形式,通過有效的表征人臉,得到兩幅人臉圖片的特 征,利用分類算法來判定這兩張照片是否是同一個(gè)人。一般在人臉識別裝置中預(yù)先存儲有 一幅人臉圖像,作為人臉圖像模板;在認(rèn)證時(shí),拍攝一幅人臉圖像,作為待認(rèn)證人臉圖像,提 取兩幅圖像的特征,利用分類算法來判定這兩張照片是否是同一個(gè)人。
[0003] 提取特征的方法為:人工設(shè)計(jì)出一個(gè)特征向量,通過各種算法取出規(guī)定的特征向 量,如基于幾何特征的人臉認(rèn)證方法、基于子空間的人臉認(rèn)證方法、基于信號處理的人臉認(rèn) 證方法等,但是這種方法極容易受到光照、表情等因素對結(jié)果的影響,抗干擾能力差,并且 人工設(shè)計(jì)出的特征向量多是基于特定的情況下的,可擴(kuò)展性差。
[0004] 基于深度網(wǎng)絡(luò)的人臉識別與認(rèn)證技術(shù)可以自動(dòng)學(xué)習(xí)并提取特征,但是一般的深度 網(wǎng)絡(luò)存在著梯度彌散問題,并且對各層級特征處理和理解不充分,僅利用高層特征不足以 充分描述圖像。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種人臉認(rèn)證的方法和裝置,該方法抗干擾能力強(qiáng),可擴(kuò)展性好,認(rèn)證 準(zhǔn)確率高。
[0006] 為解決上述技術(shù)問題,本發(fā)明提供技術(shù)方案如下:
[0007] 一種人臉認(rèn)證的方法,包括:
[0008] 對待認(rèn)證人臉圖像和人臉圖像模板使用預(yù)先經(jīng)過多層分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練的多層 級深度卷積網(wǎng)絡(luò)依次提取出多個(gè)層級的特征向量;
[0009] 將多個(gè)層級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射為統(tǒng)一維度特征向 量;
[0010] 將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量;
[0011] 將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到綜合特征向量;
[0012] 通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認(rèn)證人臉圖像的綜合 特征向量和人臉圖像模板的綜合特征向量的進(jìn)行比對認(rèn)證。
[0013] -種人臉認(rèn)證的裝置,包括:
[0014] 第一提取模塊,用于對待認(rèn)證人臉圖像和人臉圖像模板使用預(yù)先經(jīng)過多層分類網(wǎng) 絡(luò)聯(lián)合訓(xùn)練的多層級深度卷積網(wǎng)絡(luò)依次提取出多個(gè)層級的特征向量;
[0015] 第一映射模塊,用于將多個(gè)層級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射 為統(tǒng)一維度特征向量;
[0016] 第一串聯(lián)模塊,用于將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量;
[0017] 第二映射模塊,用于將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到綜 合特征向量;
[0018] 第一比對模塊,用于通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認(rèn) 證人臉圖像的綜合特征向量和人臉圖像模板的綜合特征向量的進(jìn)行比對認(rèn)證。
[0019] 本發(fā)明具有以下有益效果:
[0020] 本發(fā)明的人臉認(rèn)證的方法中,首先使用預(yù)先經(jīng)過多層分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練的多層級 深度卷積網(wǎng)絡(luò)提取待認(rèn)證人臉圖像和人臉圖像模板的多個(gè)層級的特征向量,然后將多個(gè)層 級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射為統(tǒng)一維度特征向量,再將統(tǒng)一維度特 征向量串聯(lián)成聯(lián)合特征向量,并將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到 綜合特征向量,最后通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認(rèn)證人臉圖 像的綜合特征向量和人臉圖像模板的綜合特征向量的進(jìn)行比對認(rèn)證。
[0021] 與現(xiàn)有技術(shù)相比,本發(fā)明通過多層級深度卷積網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)并提取特征,與現(xiàn)有 技術(shù)中人工設(shè)計(jì)出一個(gè)特征向量相比,抗干擾能強(qiáng),可擴(kuò)展性好,認(rèn)證準(zhǔn)確率高。
[0022] 本發(fā)明的多層級深度卷積網(wǎng)絡(luò)通過多層分類網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練得到,避免了梯度 彌散問題,認(rèn)證準(zhǔn)確率高。
[0023] 并且將多個(gè)層級的特征向量融合,增加圖像特征豐富度,彌補(bǔ)了一般的深度網(wǎng)絡(luò) 對各層級特征處理不充分、僅利用高層特征不足以充分描述圖像的缺陷;進(jìn)一步提高了認(rèn) 證準(zhǔn)確率。
[0024] 發(fā)明人還發(fā)現(xiàn),傳統(tǒng)的比對認(rèn)證方法,尤其是余弦相似度方法,忽略了向量的模長 差異,從而造成差異描述不全面,降低了比對認(rèn)證的準(zhǔn)確率;本發(fā)明采用線性判別分析,對 包括絕對值歸一化余弦值在內(nèi)的多個(gè)差異特征進(jìn)行比對分析,進(jìn)一步的提高了認(rèn)證準(zhǔn)確 率。
[0025] 故本發(fā)明的人臉認(rèn)證的方法抗干擾能力強(qiáng),可擴(kuò)展性好,認(rèn)證準(zhǔn)確率高,并且避免 了梯度彌散問題,彌補(bǔ)利用高層特征不足以充分描述圖像的缺陷。
【附圖說明】
[0026] 圖1為本發(fā)明的人臉認(rèn)證的方法的流程圖;
[0027] 圖2為本發(fā)明的人臉認(rèn)證的裝置的示意圖;
[0028] 圖3為本發(fā)明中圖像預(yù)處理的示意圖;
[0029] 圖4為本發(fā)明中對多層級深度卷積網(wǎng)絡(luò)以及分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練的示意圖;
[0030] 圖5為本發(fā)明中的基本卷積網(wǎng)絡(luò)的結(jié)構(gòu)示意圖;
[0031] 圖6為本發(fā)明中的多層級深度卷積網(wǎng)絡(luò)示意圖;
[0032] 圖7為本發(fā)明中的分類網(wǎng)絡(luò)示意圖;
[0033] 圖8為本發(fā)明中的下采樣操作示意圖。
【具體實(shí)施方式】
[0034] 為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合附圖及具 體實(shí)施例進(jìn)行詳細(xì)描述。
[0035] -方面,本發(fā)明一種人臉認(rèn)證的方法,如圖1所示,包括:
[0036] 步驟SlOl :對待認(rèn)證人臉圖像和人臉圖像模板使用預(yù)先經(jīng)過多層分類網(wǎng)絡(luò)聯(lián)合 訓(xùn)練的多層級深度卷積網(wǎng)絡(luò)依次提取出多個(gè)層級的特征向量;
[0037] 多層級深度卷積網(wǎng)絡(luò)包括2個(gè)以上的卷積網(wǎng)絡(luò),每個(gè)卷積網(wǎng)絡(luò)包括卷積、激活和 下采樣操作,這些操作的順序以及數(shù)量不固定,根據(jù)實(shí)際情況決定;本發(fā)明的每個(gè)卷積網(wǎng)絡(luò) 均提取出一個(gè)特征向量,可以記為feai, fea2, fea3,…(這里只列出1組多個(gè)層級的特征向 量,即待認(rèn)證人臉圖像或人臉圖像模板的多個(gè)層級的特征向量,后文的公式也只寫出一個(gè) 圖像的公式),第一個(gè)卷積網(wǎng)絡(luò)的輸入為待認(rèn)證人臉圖像或人臉圖像模板,后一個(gè)卷積網(wǎng)絡(luò) 的輸入為前一個(gè)卷積網(wǎng)絡(luò)操作后的特征圖;
[0038] -般的深度網(wǎng)絡(luò)存在著梯度彌散問題,本發(fā)明的多層級深度卷積網(wǎng)絡(luò)通過多層分 類網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練得到,避免了上述問題。
[0039] 步驟S102 :將多個(gè)層級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射為統(tǒng)一 維度特征向量;統(tǒng)一維度線性映射矩陣是經(jīng)過預(yù)先訓(xùn)練得到的,可以記為W 1, W2, W3,…,統(tǒng)一 維度特征向量可以記為4 f2, f3,…。
[0040] 步驟S103 :將統(tǒng)一維度特征向量串聯(lián)成聯(lián)合特征向量;可以記為feature^#。
[0041] 步驟S104 :將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到綜合特征 向量;線性降維映射矩陣是經(jīng)過預(yù)先訓(xùn)練得到的,可以記為W t,綜合特征向量可以記為fT。
[0042] 步驟S105 :通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認(rèn)證人臉 圖像的綜合特征向量和人臉圖像模板的綜合特征向量的進(jìn)行比對認(rèn)證。
[0043] 本發(fā)明的人臉認(rèn)證的方法中,首先使用預(yù)先經(jīng)過多層分類網(wǎng)絡(luò)聯(lián)合訓(xùn)練的多層級 深度卷積網(wǎng)絡(luò)提取待認(rèn)證人臉圖像和人臉圖像模板的多個(gè)層級的特征向量,然后將多個(gè)層 級的特征向量依次通過統(tǒng)一維度線性映射矩陣映射為統(tǒng)一維度特征向量,再將統(tǒng)一維度特 征向量串聯(lián)成聯(lián)合特征向量,并將聯(lián)合特征向量通過線性降維映射矩陣進(jìn)行降維映射得到 綜合特征向量,最后通過線性判別分析,利用絕對值歸一化余弦值,對得到的待認(rèn)證人臉圖 像的綜合特征向量和人臉圖像模板的綜合特征向量的進(jìn)行比對認(rèn)證。
[0044] 與現(xiàn)有技術(shù)相比,本發(fā)明通過多層級深度卷積網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)并提取特征,與現(xiàn)有 技術(shù)中人工設(shè)計(jì)出一個(gè)特征向量相比,抗干擾能強(qiáng),可擴(kuò)展性好,認(rèn)證準(zhǔn)確率高。
[0045] 本發(fā)明的多層級深度卷積網(wǎng)絡(luò)通過多層分類網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練得到,避免了梯度 彌散問題,認(rèn)證準(zhǔn)確率高。
[0046] 并且將多個(gè)層級的特征向量融合,增加圖像特征豐富度,彌補(bǔ)了一般的深度網(wǎng)絡(luò) 對各層級特征處理不充分、僅利用高層特征不足以充分描述圖像的缺陷;進(jìn)一步提高了認(rèn) 證準(zhǔn)確率。
[0047] 發(fā)明人還發(fā)現(xiàn),傳統(tǒng)的比對認(rèn)證方法,尤其是余弦相似度方法,忽略了向量的模長 差異,從而造成差異描述不全面,降低了比對認(rèn)證的準(zhǔn)確率;本發(fā)明采用線性判別分析,對 包括絕對值歸一化余弦值在內(nèi)的多個(gè)差異特征進(jìn)行比對分析,進(jìn)一步的提高了認(rèn)證準(zhǔn)確 率。
[0048] 故本發(fā)明的人臉認(rèn)證的方法抗干擾能力強(qiáng),可擴(kuò)展性好,認(rèn)證準(zhǔn)確率高,并且避免 了梯度彌散問題,彌補(bǔ)利用高層特征不足以充分描述圖像的缺陷。
[0049] 作為本發(fā)明的人臉認(rèn)證的方法的一種改進(jìn),步驟SlOl之前還包括:
[0050] 步驟SlOO :對待認(rèn)證人臉圖像和人臉圖像模
當(dāng)前第1頁1 2 3 4 5 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1
绥芬河市| 临澧县| 南平市| 措勤县| 永定县| 临朐县| 鲜城| 会同县| 图片| 定远县| 綦江县| 卫辉市| 固始县| 竹溪县| 潍坊市| 乌拉特中旗| 汽车| 拜泉县| 白玉县| 崇州市| 盘锦市| 东丽区| 兴义市| 三河市| 昂仁县| 正安县| 田阳县| 桑日县| 新源县| 巨鹿县| 云南省| 萍乡市| 津南区| 永泰县| 巨鹿县| 合水县| 布拖县| 南丰县| 盱眙县| 自治县| 石家庄市|