【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 ...
【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
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。