CN104239858A - 一种人脸特征验证的方法和装置 - Google Patents

Abstract

本发明实施例公开了一种人脸特征验证模型的的生成方法和装置。包括：获取N张输入人脸图像；对所述N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库；对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组；对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述至少两组人脸样本中每一组人脸样本的本征表示；对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型；根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型。根据本发明实施例的人脸特征验证模型的的生成方法和装置，复杂度低，计算量较少。

Description

一种人脸特征验证的方法和装置

技术领域

本发明涉及图像处理技术，尤其涉及一种人脸特征验证的方法和装置。

背景技术

与人体的其它生物特征(指纹、虹膜等)一样，人脸和人的身份的对应性非常强，它的不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别方式进行比较，人脸特征识别方式具有如下特点：非强制性和非接触性，与虹膜指纹等其他认证方式不同，不需要用户的配合，在远距离上即可获取用户的脸部图像进行识别；单一设备可同时采集多个人脸，进行并发操作。人脸特征识别技术主要有两种不同的应用场景，一是人脸身份验证；二是人脸身份识别。其中人脸身份验证指的是给定两张人脸的图像，判断两张人脸图像中人的身份是否是同一个人。而人脸身份识别，指的是给定一个由多个人脸和其对应身份的数据库，对于一个给定的人脸，确定是否和数据库中某个人脸是同一身份，如果是，给出其身份信息。一般来说，人脸身份验证是人脸身份识别的基础。通过逐一验证给定人脸和数据库中的人脸是否是同一个人，就能够完成人脸身份识别的任务。

在人脸身份验证的过程中，人脸图像经过一定的预处理之后，成为一个样本x。在给定一个样本集x₁，…，x_K的情况下，通过机器学习的方法，训练得到一个判别函数f(·，·),对于给定的两个人脸得到的两个人脸样本y₁，y₂，根据f(y₁，y₂)得到的值判断两个人脸样本y₁，y₂是同一个人或是不同的人。一种通用方法是，当f(y₁，y₂)＞0时，样本代表相同身份的人，否则样本则代表不同身份的人。目前主流的人脸身份验证技术有很多种，目前最为成功的有两种，(1)贝叶斯建模方法；(2)深度学习的方法。

贝叶斯模型的主要的方法包含以下基本的部分，模型学习阶段与模型测试阶段。模型学习阶段包括以下的几个步骤：

训练样本集准备:收集人脸图像集V＝{v₁，…，v_M}，这M张图像来自N个不同身份的人。通常M＞＞N,每一个人在图像集中对应多张不同的图片，M和N均为正整数。

利用图像集V构建样本集X＝{x₁，…，x_M}，其中x_i＝g(v_i)，这里g是一个函数变换，将图像v_i转化为一个数字向量x_i。通常g包含图像预处理，如i)将人脸区域从图片中提取出来，ii)进行人脸对齐操作，iii)从对齐后的人脸图像区域中提取一定的特征。

通过人脸样本集构建人脸验证训练样本集Δ＝{δ₁，δ₂，…，δ_L}.,这里δ_j＝x_a-x_b，x_a，x_b∈X。

记δ＝x-y为两个人脸特征的差值对应的随机变量。通过学习样本集Δ,学习得到概率模型p(δ|Ω_I)，p(δ|Ω_E)。这里Ω_I和Ω_E分别表示δ是类内变化(同一身份的人在不同图片中表现出来的变化)，还是类间变化(不同身份的人在不同的图片中表现出来的变化)的假设。在一般的贝叶斯模型中，都预设p(δ|Ω_I)，p(δ|Ω_E)是高斯分布的模型，模型学习的目的是得到这两个高斯分布模型的参数。

在得到了贝叶斯模型之后，测试的步骤包括:

对于给定的两张图片v_α，v_β,经过和训练阶段相同的函数变换g,得到数字向量x_α，x_β。记δ_αβ＝x_α-x_β，通过概率模型p(δ|Ω_I)，p(δ|Ω_E)，计算 $S\left({\mathrm{\δ}}_{\mathrm{\α\β}}\right)=\log \left(\frac{p\left({\mathrm{\δ}}_{\mathrm{\α\β}}\right|{\mathrm{\Ω}}_I)}{p\left({\mathrm{\δ}}_{\mathrm{\α\β}}\right|{\mathrm{\Ω}}_E)}\right).$

如果S(δ_αβ)＞0，则样本来自同一身份的人，否则样本来自不同身份的人。

以上给出的是经典的贝叶斯模型的应用步骤。经典的贝叶斯模型有以下的几个明显的缺点:

模型是基于输入的两个人脸的特征表示的差值，丢失了一部分的判别性的信息，同时也降低了样本的可区分度。p(δ|Ω_I)，p(δ|Ω_E)假设为高斯模型，在实际使用中是一种过度简化的处理。高斯模型并不能够完全的处理诸如不同人脸图像之间的姿态、光照、表情、年龄、遮挡、发型等差异。

深度学习的方法在人脸身份验证上，主要是通过深度网络学习人脸的有效的数字特征表达，即用深度网络来模拟函数g,将神经网络的输入(原始的人脸图像或者是抽取的某种特征)转化为更有效的数字特征x，易于进一步进行身份验证。对于两张输入图片v_α和v_β，都经过深度神经网络得到数字特征表达x_α和x_β，在得到x_α和x_β之后，将它们作为输入，可以采用多种分类方法将特征对(x_α，x_β)映射到{相同的人,不同的人}这两类。例如可以应用前面介绍的贝叶斯方法来做，也可以采用相对简单的分类方法，如Soft-max,SVM等对特征对进行分类。

深度神经网络模型的优点是其判别性能很好，但是其缺点也非常突出。其主要的不足在于两点：模型复杂度非常高，模型的参数量很大，存储不方便。一般涉及到的模型参数个数大约是1200万个。测试的时候的计算量也比较大，在终端实现较为困难。需要极大量的训练数据，这是基于深度学习的技术框架的通病。涉及训练的标注图片都在百万量级。这需要投入很大的人力和物力去收集、标注、检查相关的图像数据。

发明内容

有鉴与此，为解决上述问题，本发明的实施例提一种人脸特征验证模型的生成方法和装置。根据本发明实施例的人脸特征验证模型的生成方法和装置，经过本征表示学习得到的模型在处理不同拍摄场景下由于类内和类间的姿态、光照、表情、年龄等变化的时候表现力和区分性强；学习的模型在人脸图像验证中错误率低，在标准互联网图片测试中，接近人眼的的识别水平；模型的复杂度低，计算量少。

第一方面，本发明提供一种人脸特征验证模型的生成方法，所述方法包括：

获取N张输入人脸图像，其中，所述N张输入人脸图像对应M个具有独立身份的人，N为大于2的整数，M为大于2的整数；

对所述N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库；

对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组，得到c组人脸样本,c为大于等于2的整数；

对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示；

根据所述M个独立身份的人中每个所述具有独立身份的人的所述c组人脸样本的共有本征表示得到本征表示的训练样本集；

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型；

根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型。

结合第一方面，在第一种实施方式中，所述所述根据流形关联判决得到所述c组人脸样本的共有本征表示，包括：

所述c组人脸样本中每一个组的人脸样本的数量相等；

根据预设的似然函数和所述流形关联判决得到所述c组人脸样本中每一组人脸样本的私有本征表示和所述c组人脸样本的共有本征表示。

结合第一方面，在第二种实施方式中，对一个所述具有独立身份的人，根据所述c组人脸样本的共有本征表示得到得到本征表示的训练样本集得到本征表示的训练样本集，包括：

根据得到的所述c组人脸样本的共有本征表示得到正训练样本集和负训练样本集，其中，正训练样本集中的一个训练样本对来自同一个人，负训练样本集中的一个训练样本对来自不同的人；

相应的，对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型，具体包括：

对所述正训练样本集和所述负训练样本集进行训练，得到所述本征表示的贝叶斯模型。

结合上面任一实施例的本发明第一方面实施例第三种可能实现的方式中，对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型，包括：

根据期望最大化算法对所述本征表示的训练样本集进行训练，得到所述本征表示的贝叶斯模型。

结合上面任一实施例的本发明第一方面实施例第四种可能实现的方式中，所述根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型，包括：

通过所述预设的模型映射关系的高斯过程回归，映射所述本征表示的贝叶斯模型，得到原始特征表示的贝叶斯模型，该原始特征表示的贝叶斯模型即所述人脸特征验证模型。

本发明第二方面实施例公开了一种人脸特征验证模型的的生成装置，所述装置包括：

获取模块，用于获取N张输入人脸图像，其中，所述N张输入人脸图像对应M个具有独立身份的人，N为大于2的整数，M为大于2的整数；

特征提取模块，用于对所述N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库；

分组模块，用于对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组，得到c组人脸样本,c为大于等于2的整数；

本征表示的贝叶斯模型生成模块，用于对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型；

人脸特征验证模型生成模块，用于根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型。

结合第二方面，在第一种实施方式中，所述本征表示的贝叶斯模型生成模块具体用于：

对每一个所述具有独立身份的人的样本，根据预设的似然函数和所述流形关联判决得到所述c组人脸样本中每一组人脸样本的私有本征表示和所述c组人脸样本的共有本征表示，其中，所述c组人脸样本中每一个组的人脸样本的数量相等，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型。

结合第二方面，在第二种实施方式中，所述本征表示的贝叶斯模型生成模块具体用于：

对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到正训练样本集和负训练样本集，其中，正训练样本集中的一个训练样本对来自同一个人，负训练样本集中的一个训练样本对来自不同的人，

对所述正训练样本集和所述负训练样本集进行训练，得到所述本征表示的贝叶斯模型。

结合第二方面，在第三种实施方式中，所述本征表示的贝叶斯模型生成模块，具体用于：

对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

根据期望最大化算法对所述本征表示的训练样本集进行训练，得到所述本征表示的贝叶斯模型。

结合上面任一实施例的本发明第二方面实施例第四种可能实现的方式中，所述人脸特征验证模型生成模块具体用于：

通过所述预设的模型映射关系的高斯过程回归，映射所述本征表示的贝叶斯模型，得到原始特征表示的贝叶斯模型，该原始特征表示的贝叶斯模型即所述人脸特征验证模型。根据本发明实施例的人脸特征验证模型的生成方法和装置，经过本征表示学习得到的模型在处理不同拍摄场景下由于类内和类间的姿态、光照、表情、年龄等变化的时候表现力和区分性强；学习的模型在人脸图像验证中错误率低，在标准互联网图片测试中，接近人眼的的识别水平；模型的复杂度低，计算量少。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的人脸特征验证模型的生成方法的流程图。

图2为本发明另一实施例的人脸特征验证模型的生成方法的流程图。

图3为本发明实施例的人脸特征验证模型的生成装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面根据图1描述本发明实施例的一种人脸特征验证模型的的生成方法。

如图1所示，人脸特征验证模型的的生成方法主要包括：

S11:获取N张输入人脸图像，其中，N张输入人脸图像对应M个具有独立身份的人，N为大于2的整数，M为大于2的整数。

S12：对N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库。

S13：对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组，得到c组人脸样本,c为大于等于2的整数。

S14：对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示。

S15：根据所述具有独立身份的人的所述c组人脸样本的共有本征表示得到本征表示的训练样本集。

S16:对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型。

S17:根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型。

根据本发明实施例的人脸特征验证模型的生成方法，经过本征表示学习得到的模型在处理不同拍摄场景下由于类内和类间的姿态、光照、表情、年龄等变化的时候表现力和区分性强；学习的模型在人脸图像验证中错误率低，在标准互联网图片测试中，接近人眼的的识别水平；模型的复杂度低，计算量少。

下面根据图2描述本发明实施例的一种人脸特征验证模型的的生成方法。

如图2所示，人脸特征验证模型的生成方法主要包括：

步骤S21：获取图像样本。

在人脸识别的技术领域中，获取图像样本已经是一种非常成熟的技术。本步骤中获取图像样本的方法可以采用现有技术中的任意一种方法。原始图像的获取可以采用相机拍摄、摄像机拍摄等方式；处理原始图像得到图像样本的方式也可参照现有技术中的有关方案。在此不再赘述。

步骤S22：图像样本预处理。

在本步骤中，对于步骤S1获取到的图像样本进行预处理，从而得到人脸样本库。在本发明的一个实施例中，图像样本的预处理可以包括如下的步骤：

(1)从图像样本中得到大小为W×N的人脸图像，W、H为正整数，单位为像素点的个数；

(2)将得到的人脸图像与若干标准模板做配准对齐；

(3)抽取配准对齐后的人脸图像的数字特征，形成一个维数为的数字向量，D为正整数。

对每一个图像样本都重复(1),(2),(3)的步骤，人脸样本库即为获得的全部图像的数字向量以及其对应的人的身份的集合。

然后对人脸样本库中的人脸样本进行分组。具体的，对于人脸样本库中属于同一个人的人脸样本，确定一个分组数。可以理解的是，判断人脸样本库中的人脸样本是不是属于同一个人，可以采用人工判断的方式，也可以采用其它现有技术中的任意一种方式。例如可以在图像样本中标注人的id号，相同的id号表示同一个人，不同的id号表示不同的人。

步骤S23：本征表示学习。

通过扩展流形关联判决(manifold relevance determination,MRD)模型得到每个人的样本的本征表示。

在不同的拍摄环境下，光照、表情、年龄等因素出现变化的时候会影响人脸识别的准确性。本征表示学习的主要目的就是减少上述因素对人脸识别模型造成的不利影响。

在本发明的一个实施例中，将同属于一个人(排序可以是第i个，i为正整数)的所有人脸样本的集合X_i等分成份，c为正整数，多余的样本不进行本征表示学习的操作；在一个具体的例子中，例如属于id号为3的人的人脸样本一共有1215个，共分为60份，此处c＝60，每一份包括20个人脸样本，剩余的15个样本则不进行后续的操作。记c是其中的任意的一个等份，每个等份中包含的样本个数为n_i，那么每一等分的数据维数是n_i×D。记第i个人的低维本征表示为Z_i(维数为n_i×Q，Q＜＜D)。

可以构造一个本征表示与原始特征表示的映射函数其中这里代表第j份样本中的第n(1≤n≤n_i)个样本的第d维。通过一个均值函数为0，协方差函数为

$k^{i,j}\left(z_a^i{z}_b^i\right)={\left({\mathrm{\σ}}^{\mathrm{ij}}\right)}^2\exp (-\frac{1}{2}\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_q^{i,j}{(z_{\mathrm{aq}}^i-z_{\mathrm{bq}}^i)}^2)$

的高斯(Gaussian Process，GP)过程，可以独立抽样选取函数F^i，j。

高斯过程指的是这样随机变量的集合，当选定集合中的有限个随机变量的时候，这有限个随机变量的联合分布是高斯分布。高斯过程由两个参数m，K决定，其中m是均值函数，K是协方差函数。具体的可参考“M.Ebden,“Gaussian Processesfor Regression:A Quick Introduction”,2008”。

根据上述步骤能够得到以下的似然函数：

$p(X_i^1,\·\·\·,X_i^c|Z_i,{\mathrm{\θ}}^{X_i})=\underset{j=1}{\overset{c}{\mathrm{\Π}}}\∫p\left(X_i^j\right|F^{i,j})p\left(F^{i,j}\right|Z_i,w^{i,j},{\mathrm{\θ}}^{i,j}){\mathrm{dF}}^{i,j}$

这里 ${\mathrm{\θ}}^{X_i}=\{w^{i,1},\·\·\·,w^{i,c},{\mathrm{\θ}}^{i,1},\·\·\·,{\mathrm{\θ}}^{i,c}\};w^{i,j}=\{w_q^{\mathrm{ij}}{\}}_{q=1}^Q$ 成为ARD权重。分布p(F^i，j|Z_i，w^i，j，θ^i，j)则可以通过一系列的参数为k^i，j的高斯过程的乘积来建模。因此，在给定本征表示Z_i的先验分布的情况下，可得到样本集的似然函数可以表达为：

$p(X_i^1,\·\·\·,X_i^c|{\mathrm{\θ}}^{X_i},{\mathrm{\θ}}^{Z_i})=\∫p(X_i^1,\·\·\·,X_i^c|Z_i,{\mathrm{\θ}}^{X_i})p\left(Z_i\right|{\mathrm{\θ}}^{Z_i}){\mathrm{dZ}}_i.$

似然函数主要用于判断训练模型的效果，似然函数根据不同的变量得到的值可以用于指示训练模型的效果的优劣。

具体的，采取以下的步骤构建本征表示：

(1)通过MRD的方法可以获得当最大化时的解，样本的本征表示以及相应的参数具体的MRD的方法可以参考“A.C.Damianou,Carl Henrik Ek,Michalis K.Tistias,Neil D.Lawrence,“Manifold Relevance Determination”,ICML,2012。”此处不再赘述。

(2)将得到的Z_i分解为其中是对应的私有本征表示，而是所有c份样本共有的本征表示。的分量是由Z_i的Q维中所有满足自动关联判决(Automatic Relevance Determination，ARD)权重 的q分量组成的。而是所有满足的q分量组成的。这里δ是一个用户选定的阈值。记的维数为对每一个人，重复(1),(2)，能到一个本征表示集合集合中的元素对应的维数分别是记对于对每个维度对应的ARD权重进行从大到小的排序，保留前个分量。排序后的本征表示集记为其中由n_i个样本组成。

步骤S24：构建训练样本集。

训练样本集是若干个样本的集合，该集合用以进行模式判别模型的训练，后续使用中，训练样本集也可以简写成训练集。

对于T_i中的样本中的任意一个本征表示样本在原始样本中可以找到对应的c个样本其中这样对于第i个人的样本，可以建立下面的对应关系：

$\begin{array}{ccccc}(t_1^i,x_1^{i,1}),& \·\·\·\·\·\·,& (t_1^i,x_1^{i,j}),& \·\·\·\·\·\·,& (t_1^i,x_1^{i,c})\\ \·& & \·& & \·\\ \·& & \·& & \·\\ \·& & \·& & \·\\ (t_n^i,x_n^{i,1}),& \·\·\·\·\·\·,& (t_n^i,x_n^{i,j}),& \·\·\·\·\·\·,& (t_n^i,x_n^{i,c})\\ \·& & \·& & \·\\ \·& & \·& & \·\\ \·& & \·& & \·\end{array}$

$(t_{n_i}^i,x_{n_i}^{i,1})\·\·\·\·\·\·,(t_{n_i}^i,x_{n_i}^{i,j}),\·\·\·\·\·\·,(t_{n_i}^i,x_{n_i}^{i,c})$

基于这个对应关系，可以构架下面的训练样本：

其中t^k，x^k是一一对应的。通过这些样本构建本征正负训练样本集 ${\mathrm{\Π}}_T^{+}=$ $\left\{t^k\right|i_{\mathrm{\α}}=i_b\},{\mathrm{\Π}}_T^{-}=\{t^k|i_a\≠i_b\},$ 以及对应的原始正负训练样本集 ${\mathrm{\Π}}_X^{+}=$ $\left\{x^k\right|i_{\mathrm{\α}}=i_b\},{\mathrm{\Π}}_X^{-}=\{x^k|i_a\≠i_b\}.$ 同理，和以及和中的元素都是一一对应的。其中，正训练样本的表示的是相同的人，负训练样本表示的是不同的人。

步骤S25：训练本征表示的贝叶斯模型。

记是本征表示对对应的随机变量，通过本征表示正样本集和负样本集可以使用期望最大化(Expectation-Maximization Algorithm，EM)方法训练高斯混合(Gaussian Mixture Module，GMM)模型

和

其中，假定定样本数据是通过GMM分布模型抽样得到的，EM是一种估算GMM模型的参数的方法。具体的EM算法可参考“Yaniv Taigman,Ming Yang,MarcAurelio Ranzato,Lior Wolf,DeepFace:Closing the Gap to Human-LevelPerformance in Face Verification,CVPR 2014”。高斯混合模型是这样的一种模型：随机变量的密度函数是由多个不同参数的高斯密度函数的线性组合的概率模型，其参数有线性加权因子a₁,…,a_M,均值u₁,…,u_M,协方差矩阵Σ₁,…,Σ_M组成，其中a₁+…+a_M＝1。

即获得参数集

${\mathrm{\θ}}^{+}=(L,{\mathrm{\λ}}_1,\·\·\·,{\mathrm{\λ}}_L,{\mathrm{\μ}}_{+}^1,\·\·\·,{\mathrm{\μ}}_{+}^1,{\mathrm{\Σ}}_{+}^1,\·\·\·,{\mathrm{\Σ}}_{+}^L)$

和

${\mathrm{\θ}}^{-}=(T,{\mathrm{\ξ}}_1,\·\·\·,{\mathrm{\ξ}}_S,{\mathrm{\μ}}_{-}^1,\·\·\·,{\mathrm{\μ}}_{-}^S,{\mathrm{\Σ}}_{-}^1,\·\·\·,{\mathrm{\Σ}}_{-}^S).$

步骤S26：模型映射。

通过高斯过程回归(Gaussian Process Regression，GPR)得到原始样本的贝叶斯模型。高斯过程回归是指利用高斯过程来对已有数据进行建模，利用得到的模型对新输入数据进行相关预测和判断的方法。

由映射可构造函数通过高斯过程回归(GPR)，能够将通过训练集学习到的本征样本对的分布函数，映射到决定的原始特征样本对的分布函数。在给定高斯过程的ARD协方差函数为

$\hat{k}(t^a,t^b)={\mathrm{\σ}}_f^2\exp (-\frac{1}{2}\underset{q=1}{\overset{2Q_s}{\mathrm{\Σ}}}{w}_q{(t_q^a-z_q^b)}^2)+{\mathrm{\σ}}_{\∈}^2\mathrm{\δ}(t^a,t^b)$

的情况下，如果随机变量t是满足分布那么经过映射,随机变量x用以用分布来近似,这里

${\mathrm{\μ}}_x=C\stackrel{\‾}{k}$

${\mathrm{\Σ}}_x=(\stackrel{\‾}{k}-\mathrm{Tr}\left(K^{-1}\stackrel{\‾}{K}\right))I+C(\stackrel{\‾}{K}-\stackrel{\‾}{k}{\stackrel{\‾}{k}}^T)C^T$

C＝[x¹，…，x^K]K^-1

$k={[\hat{k}(t^1,t),\·\·\·,\hat{k}(t^K,t)]}^T$

$K={\left[\hat{k}(t^a,t^b)\right]}_{a,b=1..K}$

$\stackrel{\‾}{k}=\hat{k}({\mathrm{\μ}}_T,{\mathrm{\μ}}_T).$

利用上面的映射关系，可将EM方法训练得到的两个GMM概率分布模型分别映射到

和

这里p(x|Ω_E)和p(x|Ω_I)均依赖于的参数为了确定p(x|Ω_I)，需经过以下步骤:

通过训练样本构造LSO(Leave-set-out)似然函数

这里 $I_l=\left\{k\right|f\left(t^k\right)=x^k,p\left(t^k\right|{\mathrm{\μ}}_{+}^l,{\mathrm{\Σ}}_{+}^l)=\max \{p\left(z^k\right|{\mathrm{\μ}}_{+}^1,{\mathrm{\Σ}}_{+}^1),\·\·\·,p\left(z^k\right|{\mathrm{\μ}}_{+}^L,{\mathrm{\Σ}}_{+}^L)\}$ 使用共轭梯度下降法最大化化函数特到相应的参数通过确定的计算出p(x|Ω_I)。使用同样的方法利用和确定p(x|Ω_E)。

在本发明的一个实施例中，共轭梯度下降法可具体参考Nabney,I.:Netlab:algorithms for pattern recognition.Springer(2002)。

在本发明的一种应用中，在获得模型p(x|Ω_E)和p(x|Ω_I)之后，对于给定的两张人脸，使用以下的两个步骤做人脸验证测试:

(1)对图像样本进行预处理获得两张图像的数字特征x₁，x₂,并记x^*＝[x₁，x₂].

(2)计算如果s(x^*)＞0,则两张人脸图像来自同一个人，否则两个人脸代表不同的人。

下面结合图3描述根据本发明实施例的人脸特征验证模型的生成装置300，如图3所示，人脸特征验证模型的生成装置300包括：

获取模块310，用于获取N张输入人脸图像，其中，N张输入人脸图像对应M个具有独立身份的人，N为大于2的整数，M为大于2的整数；

特征提取模块320，用于对N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库；

分组模块330，用于对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组，得到c组人脸样本,c为大于等于2的整数；

本征表示的贝叶斯模型生成模块340，用于对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型；

人脸特征验证模型生成模块350，用于根据预设的模型映射关系和本征表示的贝叶斯模型，得到人脸特征验证模型。

在本发明的一个实施例中，本征表示的贝叶斯模型生成模块340具体用于：

对每一个具有独立身份的人的样本，根据预设的似然函数和流形关联判决得到所述c组人脸样本中每一组人脸样本的私有本征表示和c组人脸样本的共有本征表示，其中，c组人脸样本中每一个组的人脸样本的数量相等，

根据得到的c组人脸样本的共有本征表示得到本征表示的训练样本集，

对本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型。

在本发明的一个实施例中，本征表示的贝叶斯模型生成模块340具体用于：

根对每一个具有独立身份的人的样本，根据流形关联判决得到c组人脸样本的共有本征表示，根据得到的c组人脸样本的共有本征表示得到正训练样本集和负训练样本集，其中，正训练样本集中的一个训练样本对来自同一个人，负训练样本集中的一个训练样本对来自不同的人，

对正训练样本集和负训练样本集进行训练，得到本征表示的贝叶斯模型。

在本发明的一个实施例中，本征表示的贝叶斯模型生成模块340，具体用于：

对每一个具有独立身份的人的样本，根据流形关联判决得到c组人脸样本的共有本征表示，

根据得到的c组人脸样本的共有本征表示得到本征表示的训练样本集，

根据期望最大化算法对本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型。

在本发明的一个实施例中，人脸特征验证模型生成模块350具体用于：

通过预设的模型映射关系的高斯过程回归，映射本征表示的贝叶斯模型，得到原始特征表示的贝叶斯模型，该原始特征表示的贝叶斯模型即人脸特征验证模型。

根据本发明实施例的人脸特征验证模型的生成装置300，经过本征表示学习得到的模型在处理不同拍摄场景下由于类内和类间的姿态、光照、表情、年龄等变化的时候表现力和区分性强；学习的模型在人脸图像验证中错误率低，在标准互联网图片测试中，接近人眼的的识别水平；模型的复杂度低，计算量少。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能模块、单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种人脸特征验证模型的的生成方法，其特征在于，所述方法包括：

获取N张输入人脸图像，其中，所述N张输入人脸图像对应M个具有独立身份的人，N为大于2的整数，M为大于2的整数；

对所述N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库；

对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组，得到c组人脸样本,c为大于等于2的整数；

对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示；

根据所述具有独立身份的人的所述c组人脸样本的共有本征表示得到本征表示的训练样本集；

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型；

根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型。

2.根据权利要求1所述的人脸特征验证模型的生成方法，其特征在于，所述根据流形关联判决得到所述c组人脸样本的共有本征表示，包括：

所述c组人脸样本中每一个组的人脸样本的数量相等；

根据预设的似然函数和所述流形关联判决得到所述c组人脸样本中每一组人脸样本的私有本征表示和所述c组人脸样本的共有本征表示。

3.根据权利要求1或2所述的人脸特征验证模型的生成方法，其特征在于，根据所述c组人脸样本的共有本征表示得到得到本征表示的训练样本集得到本征表示的训练样本集，包括：

根据得到的所述c组人脸样本的共有本征表示得到正训练样本集和负训练样本集，其中，正训练样本集中的一个训练样本对来自同一个人，负训练样本集中的一个训练样本对来自不同的人；

相应的，对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型，具体包括：

对所述正训练样本集和所述负训练样本集进行训练，得到所述本征表示的贝叶斯模型。

4.根据权利要求1至3任一所述的人脸特征验证模型的生成方法，其特征在于，对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型，包括：

根据期望最大化算法对所述本征表示的训练样本集进行训练，得到所述本征表示的贝叶斯模型。

5.根据权利要求1至4任一所述的人脸特征验证模型的生成方法，其特征在于，所述根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型，包括：

通过所述预设的模型映射关系的高斯过程回归，映射所述本征表示的贝叶斯模型，得到原始特征表示的贝叶斯模型，该原始特征表示的贝叶斯模型即所述人脸特征验证模型。

6.一种人脸特征验证模型的的生成装置，其特征在于，所述装置包括：

获取模块，用于获取N张输入人脸图像，其中，所述N张输入人脸图像对应M个具有独立身份的人，N为大于2的整数，M为大于2的整数；

特征提取模块，用于对所述N张输入人脸图像进行特征提取，得到每一张人脸图像的原始特征表示，根据得到的原始特征表示组成人脸样本库；

分组模块，用于对所述人脸样本库中对应一个所述具有独立身份的人的样本进行分组，得到c组人脸样本,c为大于等于2的整数；

本征表示的贝叶斯模型生成模块，用于对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型；

人脸特征验证模型生成模块，用于根据预设的模型映射关系和所述本征表示的贝叶斯模型，得到人脸特征验证模型。

7.根据权利要求6所述的人脸特征验证模型的生成装置，其特征在于，所述本征表示的贝叶斯模型生成模块具体用于：

对每一个所述具有独立身份的人的样本，根据预设的似然函数和所述流形关联判决得到所述c组人脸样本中每一组人脸样本的私有本征表示和所述c组人脸样本的共有本征表示，其中，所述c组人脸样本中每一个组的人脸样本的数量相等，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

对所述本征表示的训练样本集进行训练，得到本征表示的贝叶斯模型。

8.根据权利要求6所述的人脸特征验证模型的生成装置，其特征在于，所述本征表示的贝叶斯模型生成模块，具体用于：

对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到正训练样本集和负训练样本集，其中，正训练样本集中的一个训练样本对来自同一个人，负训练样本集中的一个训练样本对来自不同的人，

对所述正训练样本集和所述负训练样本集进行训练，得到所述本征表示的贝叶斯模型。

9.根据权利要求6所述的人脸特征验证模型的生成装置，其特征在于，所述本征表示的贝叶斯模型生成模块具体用于：

对每一个所述具有独立身份的人的样本，根据流形关联判决得到所述c组人脸样本的共有本征表示，

根据得到的所述c组人脸样本的共有本征表示得到本征表示的训练样本集，

根据期望最大化算法对所述本征表示的训练样本集进行训练，得到所述本征表示的贝叶斯模型。

10.根据权利要求6至9任一所述的人脸特征验证模型的生成装置，其特征在于，所述人脸特征验证模型生成模块具体用于：

通过所述预设的模型映射关系的高斯过程回归，映射所述本征表示的贝叶斯模型，得到原始特征表示的贝叶斯模型，该原始特征表示的贝叶斯模型即所述人脸特征验证模型。