基于人脸特征的身份验证方法及装置制造方法及图纸

本发明专利技术公开了一种基于人脸特征的身份验证方法及装置。其中，方法包括：获取人持证件样本图像，利用人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型，其中，人脸检测模型输出人脸图片；利用人脸检测模型输出的人脸图片对深度卷积神经网络进行训练，得到人脸识别模型；获取待识别的人持证件图像，其中，待识别的人持证件图像包含持证人人脸及证件人脸；将待识别的人持证件图像输入至人脸检测模型，得到待识别的人持证件图像中的人脸图片；将待识别的人持证件图像中的人脸图片输入至人脸识别模型，计算得到待识别的人持证件图像中的人脸图片之间的人脸差异度；根据人脸差异度确定身份验证结果，提升了身份验证的准确性。

【技术实现步骤摘要】
基于人脸特征的身份验证方法及装置
本专利技术涉及身份验证
，具体涉及一种基于人脸特征的身份验证方法及装置。
技术介绍
人脸作为重要的人体特征，是辨别不同人的重要依据，相对于通过比对指纹、虹膜等复杂特征来识别不同人的身份，人脸则更自然、更直接、更便利。现有技术中，人脸检测与识别技术的应用十分广泛，例如火车站刷脸查票系统、网上贷款、身份验证等等。由于时代日新月异的变化，人工的工作效率已不满足于日渐加快的生活节奏，智能机器的需求日益增长。许多需要验证身份才能出入的地点，由于工作人员无法长时间保持精力和体力的充沛，难免会出现疏忽，从而引发一些安全隐患。所以需要人脸检测与识别技术，能够使机器通过检测并对比人脸对人们的身份进行智能化识别。这种智能化的方法相比人工验证可以极大提高验证效率，极大方便人们的日常生活和工作。很多场景都需要识别证件是否属于持证人，而实现人证识别通常需要借助人脸检测和人脸识别技术，传统的人脸检测和人脸识别技术有基于传统机器学习实现的OpenCV和dlib，这些技术都是根据预先设定的特征训练检测模型和识别模型，进而实现身份验证。上述基于传统机器学习实现的人脸检测与人脸识别技术存在以下问题：1)根据人为预先设定好的特征进行模型训练，可能使得最终检测和识别效果不佳：人脸具有许多特征，传统机器学习只能通过人为选择的部分特征进行模型训练，但人为预先设定的特征带有主观成分，并不能很好地反映人脸的特点，具备这些特征的图像未必就是人脸，从而导致检测和识别的结果不准确。2)能获取的证件照数量不多，数据集数量不足，可能导致训练模型的效果不够好：由于证件照涉及个人隐私，所以能得到的样本并不多，传统技术没有足够的数据集，导致训练模型的效果不够好。由于上述缺陷，导致仍然存在身份验证结果不准确的问题，使得部分用户还是能够持有其他用户的证件达到相应的目的。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的基于人脸特征的身份验证方法及装置。根据本专利技术的一个方面，提供了一种基于人脸特征的身份验证方法，方法基于经过训练的人脸检测模型及人脸识别模型而执行，方法包括：获取人持证件样本图像，利用人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型，其中，人脸检测模型输出人脸图片；利用人脸检测模型输出的人脸图片对深度卷积神经网络进行训练，得到人脸识别模型；获取待识别的人持证件图像，其中，待识别的人持证件图像包含持证人人脸及证件人脸；将待识别的人持证件图像输入至人脸检测模型，得到待识别的人持证件图像中的人脸图片；将待识别的人持证件图像中的人脸图片输入至人脸识别模型，计算得到待识别的人持证件图像中的人脸图片之间的人脸差异度；根据人脸差异度确定身份验证结果。根据本专利技术的另一方面，提供了一种基于人脸特征的身份验证装置，装置基于经过训练的人脸检测模型及人脸识别模型而执行，装置包括：人脸检测模型训练模块，适于获取人持证件样本图像，利用人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型，其中，人脸检测模型输出人脸图片；人脸识别模型训练模块，适于利用人脸检测模型输出的人脸图片对深度卷积神经网络进行训练，得到人脸识别模型；获取模块，适于获取待识别的人持证件图像，其中，待识别的人持证件图像包含持证人人脸及证件人脸；检测模块，适于将待识别的人持证件图像输入至人脸检测模型，得到待识别的人持证件图像中的人脸图片；识别模块，适于将待识别的人持证件图像中的人脸图片输入至人脸识别模型，计算得到待识别的人持证件图像中的人脸图片之间的人脸差异度；验证模块，适于根据人脸差异度确定身份验证结果。根据本专利技术的又一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于人脸特征的身份验证方法对应的操作。根据本专利技术的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于人脸特征的身份验证方法对应的操作。根据本专利技术提供的方案，获取人持证件样本图像，利用人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型，其中，人脸检测模型输出人脸图片；利用人脸检测模型输出的人脸图片对深度卷积神经网络进行训练，得到人脸识别模型；获取待识别的人持证件图像，其中，待识别的人持证件图像包含持证人人脸及证件人脸；将待识别的人持证件图像输入至人脸检测模型，得到待识别的人持证件图像中的人脸图片；将待识别的人持证件图像中的人脸图片输入至人脸识别模型，计算得到待识别的人持证件图像中的人脸图片之间的人脸差异度；根据人脸差异度确定身份验证结果。本专利技术提供的方案，基于卷积神经网络来训练得到人脸检测模型及人脸识别模型，实现了自动提取训练数据特征，从而避免因预先设定的特征因主观因素或不够全面造成检测和识别的不准确；另外，训练样本易于获得，从而扩充了训练数据，避免了因训练数据不足导致所训练的模型不够精准，导致验证结果不准确的问题；通过提升人脸检测模型及人脸识别模型的精确度，从而提升了身份验证结果的准确性，保证能够准确地识别出证件是否属于持证人，克服了现有技术中存在的部分用户通过持有其他用户的证件达到相应目的的缺陷。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了根据本专利技术一个实施例的基于人脸特征的身份验证方法的流程示意图；图2示出了根据本专利技术一个实施例的人脸检测模型训练的流程示意图；图3示出了根据本专利技术一个实施例的人脸识别模型训练的流程示意图；图4示出了根据本专利技术一个实施例的基于人脸特征的身份验证装置的结构示意图；图5示出了根据本专利技术一个实施例的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1示出了根据本专利技术一个实施例的基于人脸特征的身份验证方法的流程示意图。该方法基于经过训练的人脸检测模型及人脸识别模型而执行，如图1所示，该方法包括以下步骤：步骤S101，获取人持证件样本图像，利用人持证件样本文档来自技高网...

【技术保护点】
1.一种基于人脸特征的身份验证方法，包括：/n获取人持证件样本图像，利用所述人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型，其中，所述人脸检测模型输出人脸图片；/n利用所述人脸检测模型输出的人脸图片对深度卷积神经网络进行训练，得到人脸识别模型；/n获取待识别的人持证件图像，其中，所述待识别的人持证件图像包含持证人人脸及证件人脸；/n将所述待识别的人持证件图像输入至人脸检测模型，得到所述待识别的人持证件图像中的人脸图片；/n将所述待识别的人持证件图像中的人脸图片输入至人脸识别模型，计算得到所述待识别的人持证件图像中的人脸图片之间的人脸差异度；/n根据所述人脸差异度确定身份验证结果。/n

【技术特征摘要】
1.一种基于人脸特征的身份验证方法，包括：
获取人持证件样本图像，利用所述人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型，其中，所述人脸检测模型输出人脸图片；
利用所述人脸检测模型输出的人脸图片对深度卷积神经网络进行训练，得到人脸识别模型；
获取待识别的人持证件图像，其中，所述待识别的人持证件图像包含持证人人脸及证件人脸；
将所述待识别的人持证件图像输入至人脸检测模型，得到所述待识别的人持证件图像中的人脸图片；
将所述待识别的人持证件图像中的人脸图片输入至人脸识别模型，计算得到所述待识别的人持证件图像中的人脸图片之间的人脸差异度；
根据所述人脸差异度确定身份验证结果。


2.根据权利要求1所述的方法，其中，所述获取人持证件样本图像，利用所述人持证件样本图像对区域卷积神经网络进行训练，得到人脸检测模型进一步包括：
S1，从样本库中提取多个人持证件样本图像以及与人持证件样本图像对应的分类标注结果、边界框标注结果，其中，人持证件样本图像包含持证人人脸及持证人对应的证件人脸；
S2，将人持证件样本图像输入至区域卷积神经网络进行训练，得到与人持证件样本图像对应的样本分类结果、样本边界框结果；
S3，根据所述样本分类结果与分类标注结果之间的分类损失以及样本边界框结果与所述边界框标注结果之间的回归损失，得到区域卷积神经网络损失函数，根据所述区域卷积神经网络损失函数更新所述区域卷积神经网络的权重参数；
迭代执行步骤S1-步骤S3，直至满足预定收敛条件，得到人脸检测模型。


3.根据权利要求2所述的方法，其中，所述将人持证件样本图像输入至区域卷积神经网络进行训练，得到与人持证件样本图像对应的样本分类结果、样本边界框结果进一步包括：
利用区域卷积神经网络对人持证件样本图像进行特征提取，得到人持证件样本图像对应的特征图；
对所述特征图进行区域处理，得到人持证件样本图像中的目标区域；
针对人持证件样本图像中的目标区域进行池化处理，得到所述人持证件样本图像中的目标区域对应的特征向量；
对人持证件样本图像中的目标区域对应的特征向量进行两种不同的全连接层处理，得到人持证件样本图像对应的样本分类结果、样本边界框结果。


4.根据权利要求2或3所述的方法，其中，所述预定收敛条件包括：迭代次数达到预设迭代次数；和/或，所述区域卷积神经网络损失函数的输出值小于预设阈值。


5.根据权利要求2或3所...

【专利技术属性】
技术研发人员：汤人杰，
申请(专利权)人：中国移动通信集团浙江有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33