一种身份认证方法及装置
技术领域
本发明涉及模式识别技术,尤指一种基于生物信息的身份认证方法及装置。
背景技术
随着技术的发展和应用的需要,对身份的认证显得更加必要和重要。其中,通过生物特征信息如人脸信息、指纹信息、虹膜信息等进行身份认证的技术,具有不能假冒、稳定方便的特点,能够更好地达到身份认证的目的,而且,随着这种基于生物信息的身份认证技术的日趋成熟,其应用会越来越广泛。
本文以基于人脸的身份认证为例进行描述。
人脸身份认证系统从应用上可分为两种:
一种是通过对获得的测试人人脸信息与某个预先建立的人脸数据库中的人脸信息的比对,确定测试人是否属于某个数据库,从而确定其身份。这种应用从本质上讲就是一个人脸识别系统;
另一种是通过对获得的测试人人脸信息及其声称的身份的认证,确定测试人是否具有其声称的身份,这种通过认证确定测试人是否具有其声称的身份的应用可以看作是一个该声称身份的两类分类器。可认证多个身份的身份认证系统可以认为是由多个两类分类器构成的。这种认证系统具有广阔的应用前景。这种应用对应的认证系统的输入包括:人脸图像(或人脸视频),以及该测试人声称的身份信息即声称自己是谁,认证系统提取该人脸图像的用于认证的特征,并输入给该身份信息对应的两类分类器,两类分类器根据同类、不同类和无法认证分别给出认证通过、认证不通过或拒绝识别的结果。
图1a是人脸识别系统中两类分类器的训练过程示意图,如图1a所示,根据训练样本集,分别为训练样本中具有不同身份信息的人脸训练一个两类分类器。训练的方法可以是Boosting、支持向量机(SVM)等。两类分类器的训练样本集包括正样本集和反样本集,其中,正样本集是身份信息为该两类分类器对应的身份信息的样本集,反样本集是身份信息不是该两类分类器对应的身份信息的样本集。
图1b是人脸识别系统中对测试样本进行身份认证的过程示意图,如图1b所示,假设测试样本为测试人的人脸图像,测试样本和其声称的身份信息输入与该声称身份相对应的两类分类器,经过分类,如果测试人的人脸图像与该两类分类器的正样本集中的人脸图像属于同类,那么认证结果为通过;如果属于不同类,那么认证结果为不通过;如果该两类分类器无法确定该样本属于正样本集还是反样本集,则该两类分类器拒绝认证该样本,并给出拒绝识别的结果。常用的分类方法有最小距离分类方法、支持向量机(SVM)方法、Boosting方法、神经网络方法等。
人脸身份认证系统中通常还包括图像预处理、人脸检测、用于从人脸图像中提取用于认证的特征的识别特征提取等基本模块。这些模块的具体实现与本文无关,这里不做介绍。
对于同一种分类方法构建的分类器,采用不同的训练样本集训练得到的分类器的分类能力是不同的,显然,对于与训练样本条件类似的测试样本,分类器的分类能力较高,而其它情况下分类能力较低。
目前,存在多种具有不同分类策略的分类器,其中多数分类器的分类结果非常依赖于前期的训练;而人脸身份认证系统中,前期的训练通常采用已有的训练样本,也就是说分类器是通过离线训练得到的,实际的测试样本与训练样本可能不同。这样,即使对训练样本具有好的分类结果的分类器在实际的应用中也经常无法获得让人满意的分类结果。
现有的人脸认证系统,训练样本集通常是预先确定的,在实际应用中直接采用离线训练好的分类器进行认证,得到的认证系统的应用范围比较窄, 在改变测试环境时,身份认证正确率会迅速降低,适应能力很差。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于生物信息的身份认证方法,通过在线训练两类分类器,能够提高身份认证的正确率,从而提高认证系统的应用环境适应能力。
本发明的另一目的在于提供一种基于生物信息的身份认证装置,通过在线训练两类分类器,能够提高身份认证的正确率,从而提高认证系统的应用环境适应能力。
为达到上述目的,本发明的技术方案具体是这样实现的:
一种身份认证方法,该方法包括:
A.获取当前测试样本信息;
B.判断当前测试样本是否通过其对应的当前两类分类器的认证,如果通过,进入步骤C;如果不通过,进入步骤D;
C.将当前测试样本加入当前两类分类器的正样本集,训练当前两类分类器;同时将当前测试样本加入其它的两类分类器的反样本集,训练其它的两类分类器;然后结束流程;
D.将当前测试样本加入当前两类分类器的反样本集,训练当前两类分类器;然后结束流程。
在所述步骤A之后,步骤B之前,该方法还包括:
判断所述当前两类分类器对该测试样本的分类结果的置信度是否大于预设可信阈值,如果大于,执行步骤B;否则,判断是否通过人工认证,如果通过人工认证,进入步骤C;如果未通过人工认证,进入步骤D。
在所述步骤A之后,步骤B之前,该方法还包括:
判断所述当前两类分类器对该测试样本的分类结果的置信度是否大于预设可信阈值,如果大于,执行步骤B;否则,存储当前测试样本,之后结束本流程。
所述测试样本信息为生物信息和该测试样本声称身份。
所述生物信息为人脸图像信息、或指纹信息、或虹膜信息。
该方法进一步包括:如果当前两类分类器对该测试样本的分类结果的置信度小于预设可信阈值,则将所述当前测试样本加入当前两类分类器的不能实现认证的样本集。
一种身份认证装置,该装置包括:
测试样本信息获取单元,用于获取当前测试样本信息;
认证单元,用于对当前测试样本进行认证,在通过当前测试样本对应的当前两类分类器的认证时,向样本加入单元发送通过认证通知;在未通过当前两类分类器的认证时,向样本加入单元发送未通过认证通知;
样本加入单元,用于在接收到通过认证通知时,将当前测试样本加入当前两类分类器的正样本集、将当前测试样本加入其它的两类分类器的反样本集,并向训练单元发送训练所有两类分类器通知;在接收到未通过认证通知时,将当前测试样本加入当前两类分类器的反样本集,并向训练单元发送训练当前两类分类器通知;
训练单元,用于接收来自样本加入单元的通知,对所有两类分类器或当前两类分类器进行训练。
所述认证单元进一步用于,在当前两类分类器对该测试样本的分类结果的置信度小于预设可信阈值时,向样本加入单元发送拒绝识别通知;
所述样本加入单元进一步用于,在接收到拒绝识别通知时,将所述当前测试样本加入当前两类分类器中不能实现认证的样本集
置信度判别单元,其中预先设置有可信阈值。用于在当前两类分类器的分类结果的置信度大于预设可信阈值时,向认证单元发送自动认证通知;在当前两类分类器的分类结果的置信度小于预设可信阈值时,向人工认证单元发送人工认证通知;
所述认证单元,进一步用于在接收到所述自动认证通知后,再对当前测试样本进行认证;
人工认证单元,用于接收人工认证通知,对当前测试样本进行人工认证,当人工判断出当前测试样本与当前两类分类器中的正样本集属于同类时,向样本加入单元发送通过认证通知;当人工判断出当前测试样本与当前两类分类器中的正样本集属于不同类时,向样本加入单元发送未通过认证通知。
置信度判别单元,其中预先设置有可信阈值。用于在当前两类分类器的分类结果的置信度大于预设可信阈值时,向认证单元发送自动认证通知;在当前两类分类器的分类结果的置信度小于预设可信阈值时,向人工认证单元发送人工认证通知;
所述认证单元,进一步用于在接收到所述自动认证通知后,再对当前测试样本进行认证;
存储单元,用于接收人工认证通知,存储当前测试样本。
由上述技术方案可见,本发明这种采用在线训练的方法,把实际应用中的测试样本作为训练样本进行两类分类器的在线训练,使本发明方法适应于实际的应用场景。进一步地,本发明方法通过置信度由两类分类器自行选择训练样本,提高了系统的自我训练能力。
附图说明
图1a是人脸识别系统中两类分类器的训练过程示意图;
图1b是人脸识别系统中测试样本进行身份认证的过程示意图;
图2是本发明基于人脸的身份认证的方法实施例的流程图;
图3是本发明基于人脸的身份认证的装置实施例的组成结构示意图。
具体实施方式
本发明提出一种人脸认证系统,采用在线训练的方法,把实际应用中的测试样本作为训练样本进行两类分类器的在线训练,使其适应于实际的应用场景。进一步地,本发明方法通过置信度由两类分类器自行选择训练样本,提高了系统的自我训练能力。
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
图2是本发明基于人脸的身份认证的方法实施例的流程图,
如图2所示,本实施例包括以下步骤:
步骤200:获取当前测试样本信息。本实施例中测试样本信息为人脸图像及测试样本声称身份。
本步骤中的测试样本信息主要为由图像处理或计算得到的用于认证的信息,其中人脸图像会通过特征提取获得用于认证的特征。具体获取方法属于现有技术,这里不再赘述。
步骤201:声称身份对应的当前两类分类器对该测试样本的分类结果的置信度是否大于预设可信阈值,如果是,进入步骤202;否则,进入步骤203。
置信度是一种衡量系统的认证结果的可信程度的度量,本发明方法可以进一步采用置信度来保证后续认证的可信度。
假设S为一个测试样本,其声称身份为A,A对应的两类分类器认为S是A(即同类)的概率为r1,认为是非A(即不同类)的概率为r2,显然,r1+r2=1。当r1>r2时,认证通过;当r1<r2时,认证不通过。
置信度P如公式(1)所示:
从公式(1)中可以看出,0≤P≤1;P越大,置信度越高,表明两类分类器的分类结果的可信程度越高,当P=1时,置信度为1,认证结果可信度最高;而P越小,置信度越低,表明两类分类器的分类结果越不可信,比如P=0时,即r1=r2=0.5,此时两类分类器的分类能力相当于随机分类器。
可信阈值是系统能够承受的最低可信程度,即只有认证结果的可信度大于该可信阈值的置信度的认证结果才是可以信赖的。
步骤202:判断是否通过声称身份对应的当前两类分类器的认证,如果是,进入步骤204;否则,进入步骤205。
本步骤就是两类分类器进行分类,并根据分类结果进行认证,如果当前测试样本的人脸图像与声称身份对应的当前两类分类器的正样本集中的人脸图像属于同类,那么认证结果为通过;如果属于不同类,那么认证结果为不通过。分类的具体实现属于现有技术,常用的分类方法有最小距离分类方法、支持向量机(SVM)方法、Boosting方法、神经网络方法等。
需要说明的是,如果该两类分类器对当前测试样本的认证结果的置信度小于预设的可信阈值,则该两类分类器拒绝认证该样本,并给出拒绝识别的结果后将所述当前测试样本加入当前两类分类器中不能实现认证的样本集。
步骤203:判断是否通过人工认证,如果是,进入步骤204;否则进入步骤205。
当人工判断当前测试样本的人脸图像与声称身份对应的当前两类分类器中的正样本属于同类时,认证结果为通过;当人工判断当前测试样本的人脸图像与声称身份对应的当前两类分类器中的正向样本属于不同类时,认证结果为不通过。
人工认证即由工作人员判断测试样本与其声称的身份是否一致。
步骤204:将当前测试样本人脸图像加入当前两类分类器的正样本集,训练当前两类分类器;同时将当前测试样本人脸图像加入其它的两类分类器的反样本集,训练其它的两类分类器。
实际应用中,为了减少重复训练的次数,通常可以在新样本增加到一定数目时才进行训练。
步骤205:将当前测试样本人脸图像加入当前两类分类器的反样本集,训练当前两类分类器。
步骤204和步骤205中训练两类分类器的方法是现有技术,比如Boosting,SVM(支持向量机)等,这里不再详细描述。
从步骤204和步骤205的实现可以看出,通过在线训练的方式,本发明两类分类器总是由最新的测试样本进行更新,适应范围广,认证效果稳定。
需要说明的是,本发明从实际应用来看,可以分为初始阶段和稳定阶段。
初始阶段是应用本发明装置的认证系统刚开始运行的阶段,此时,系统中的两类分类器为初始两类分类器,性能较低,比如可以采用随机分类器。当有测试样本进入该系统时,系统对测试样本进行认证,由于此时的两类分类器性能较差,置信度通常较低,需要人工干预,以给出正确的认证结果,从而保证在线训练的正确性。随着训练样本的增加,两类分类器的性能逐渐提高,系统将进入稳定运行阶段。
在稳定运行阶段,系统已经经过了较多的训练,具有了较好的分类性能。此时,可以减少或去掉人工认证,而采用系统的置信度进行样本的选择,由系统自己训练自己,提高自身的认证能力。对于置信度不满足要求的测试样本,可以将其存储在某个固定的路径下,由工作人员在合适的时间进行处理。
当系统的应用环境发生变化时,系统中的两类分类器可能不完全适应新的测试样本,此时可能有许多样本的置信度较低。此时,可以增加人工认证,以使系统尽快训练适应新的应用环境;也可以仍然由系统自己根据置信度选择样本进行训练,只是由于此时置信度满足要求的样本较少,系统达到稳定的时间会较长。
从图2所示流程可以看出,本发明采用在线训练的方法,把实际应用中的测试样本作为训练样本进行两类分类器的在线训练,使本发明方法适应于实际的应用场景。进一步地,本发明方法通过置信度由两类分类器自行选择训练样本,提高了系统的自我训练能力。
图3是本发明基于人脸的身份认证的装置实施例的组成结构示意图,如图3所示,从逻辑上可将该装置分为两个部分:认证部分和在线训练部分。其中,认证部分包括测试样本信息获取单元、认证单元,在线训练单元包括样本加入单元和训练单元。认证部分和在线训练部分可以采用不同的线程同时进行,每隔一段时间更新训练结果。本发明装置不需要事先进行训练,而是在应用的同时进行训练,这样提高了系统的性能。下面详细介绍该装置各组成单元的功能。
测试样本信息获取单元,用于获取当前测试样本信息。在本实施例中所 述测试样本信息包括人脸图像及声称身份信息。
认证单元,用于对当前测试样本进行认证,在认证结果的置信度大于预设可信阈值时,如果通过测试样本中声称身份对应的当前两类分类器的认证,向样本加入单元发送通过认证通知;如果未通过当前两类分类器的认证,向样本加入单元发送未通过认证通知;在认证结果的置信度不大于预设可信阈值时,当前两类分类器无法确定当前测试样本属于正样本集还是反样本集,向样本加入单元发送拒绝识别通知。
样本加入单元,用于在接收到通过认证通知时,将当前测试样本中的人脸图像加入当前两类分类器的正样本集、将当前测试样本中的人脸图像加入其它的两类分类器的反样本集,并向训练单元发送训练所有两类分类器通知;在接收到未通过认证通知时,将当前测试样本中的人脸图像加入当前两类分类器的反样本集,并向训练单元发送训练当前两类分类器通知。进一步地,在样本加入单元接收到拒绝识别通知时,将所述当前测试样本加入当前两类分类器中不能实现认证的样本集。
训练单元,用于接收来自样本加入单元的通知,对所有两类分类器或当前两类分类器进行训练。
本发明装置认证部分还可以进一步包括置信度判别单元和人工认证单元:其中,
置信度判别单元:其中预先设置有可信阈值。用于在当前两类分类器的认证结果的置信度大于预设可信阈值时,向认证单元发送自动认证通知;在当前两类分类器的认证结果的置信度小于预设可信阈值时,向人工认证单元发送人工认证通知。
认证单元,进一步用于在接收到认证通知后,再对当前测试样本进行认证。
人工认证单元,用于接收人工认证通知,对当前测试样本进行人工认证,当人工判断出当前测试样本中的人脸图像与当前两类分类器中的正样本集属于同类时,向样本加入单元发送通过认证通知;当人工判断出当前测试样 本中的人脸图像与当前两类分类器中的正样本集属于不同类时,向样本加入单元发送未通过认证通知。
需要说明的是,人工认证单元也可以省略,用一存储单元来代替,所述存储单元,用于接收人工认证通知,存储当前测试样本。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。