CN106203387A

CN106203387A - 人脸验证方法及系统

Info

Publication number: CN106203387A
Application number: CN201610581045.1A
Authority: CN
Inventors: 公绪超
Original assignee: LeTV Holding Beijing Co Ltd; LeTV Cloud Computing Co Ltd
Current assignee: LeTV Holding Beijing Co Ltd; LeTV Cloud Computing Co Ltd
Priority date: 2016-07-21
Filing date: 2016-07-21
Publication date: 2016-12-07

Abstract

本发明公开一种人脸验证方法及系统，属于图像识别技术领域，其中方法包括：获取人脸图像的整体特征；将整体特征与第一特征库中存储的参考整体特征进行比较以确定人脸图像通过验证的第一概率，参考整体特征至少基于人脸图像样本生成；基于人脸图像关键点进行局部特征提取；将提取的局部特征与第二特征库中存储的参考局部特征进行比对以确定人脸图像通过验证的第二概率，参考局部特征提取自人脸图像样本；至少基于第一概率和第二概率确定人脸图像是否通过验证。本发明实施例的方法及系统可以更加准确、有效地完成人脸验证。

Description

人脸验证方法及系统

技术领域

本发明涉及图像识别技术领域，特别涉及一种人脸验证方法及系统。

背景技术

人脸验证是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或者手机或者任何可以进行图片或者视频拍摄的硬件终端采集含有人脸的图像或者视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行的一系列相关技术，通常叫做人脸识别。人脸识别作为身份验证的一种重要方式目前已经广泛应用于政府、军队、电子商务、移动支付等领域，用于实名制验证、用户登录、交易等多种场景。

然而，发明人在进行人脸验证技术的开发及应用中发现诸多问题，例如，由于验证失败，需要进行多次验证，或者由于人脸的姿态(例如，正脸、右侧脸、左侧脸、低头、仰头等)不正，为了获取用户的正脸，不断提醒用户调整姿态等，从而造成对验证的延时，给用户带来不好的体验。

发明内容

本发明提供一种人脸验证方法及系统，以用于至少解决上述技术问题之一。

第一方面，本发明实施例提供一种人脸验证方法，其包括：

获取待验证的人脸图像的整体特征；

将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率，所述参考整体特征至少基于所述人脸图像样本生成；

基于所述人脸图像关键点提取所述人脸图像的局部特征；

将提取的所述局部特征与参考局部特征进行比对以确定所述人脸图像通过验证的第二概率，所述参考局部特征提取自所述人脸图像样本；

至少基于所述第一概率和第二概率确定所述人脸图像是否通过验证。

第二方面，本发明实施例还提供一种人脸验证系统，其包括：

整体特征提取模块，用于获取待验证的人脸图像的整体特征；

第一验证模块，用于将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率，所述参考整体特征至少基于所述人脸图像样本生成；

局部特征提取模块，用于基于所述人脸图像关键点提取所述人脸图像的局部特征；

第二验证模块，用于将提取的所述局部特征与第二特征库中存储的参考局部特征进行比对以确定所述人脸图像通过验证的第二概率，所述参考局部特征提取自所述人脸图像样本；

第三验证模块，用于至少基于所述第一概率和第二概率确定所述人脸图像是否通过验证。

第三方面，本发明实施例提供一种计算机可读的非瞬时性存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行上述方法实施例中的相关步骤，例如：

获取待验证的人脸图像的整体特征；

基于所述人脸图像关键点提取所述人脸图像的局部特征；

第四方面，本发明实施例还公开一种电子设备，其包括：

至少一个存储器，用于存放计算机操作指令；

至少一个处理器，用于执行所述存储器存储的计算机操作指令，以执行：

获取待验证的人脸图像的整体特征；

基于所述人脸图像关键点提取所述人脸图像的局部特征；

本发明实施例的人脸验证方法及系统中，一方面通过获取人脸图像的整体特征并与参考整体特征进行比较来确定人脸图像通过验证的第一概率，保证了能够在获取正脸图像时快速进行验证；另一方面围绕人脸图像上的关键点获取人脸图像的局部特征并与参考局部特征进行比较来确定了人脸图像通过验证的第二概率，由于这种验证方式是通过关键点获取的用户的局部区域的特征进行验证的，所以即使获取的人脸图像不是正脸也可以快速的完成人脸验证；最后综合考虑第一概率和第二概率来确定人脸图像是否能够通过验证，从而保证了对人脸图像的验证的准确性和有效性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明的人脸验证方法一实施例的流程图；

图2为图1中的步骤S11的一实施方式的流程图；

图3为图1中的步骤S15的一实施方式的流程图；

图4为图1中的步骤S12的一实施方式的流程图；

图5为图1中的步骤S14的一实施方式的流程图；

图6为本发明的人脸验证系统一实施例的原理框图；

图7为本发明的人脸验证系统中整体特征提取模块实施例的原理框图；

图8为本发明的人脸验证系统中第三验证模块一实施例的原理框图；

图9为本发明的人脸验证系统中第一验证模块一实施例的原理框图；

图10为本发明的人脸验证系统中第二验证模块一实施例的原理框图；

图11为本发明的用户设备的一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本发明中，“组件”、“装置”、“系统”等等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，组件可以、但不限于是运行于处理器的过程、处理器、对象、可执行组件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是组件。一个或多个组件可在执行的过程和/或线程中，并且组件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。组件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一组件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

如图1所示，本发明的一实施例的人脸验证方法，其包括：

S11、获取待验证的人脸图像的整体特征；

S12、将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率，所述参考整体特征至少基于所述人脸图像样本生成；参考整体特征存储在预先建立的第一特征库中。

S13、基于所述人脸图像关键点提取所述人脸图像的局部特征。

S14、将提取的所述局部特征与参考局部特征进行比较以确定所述人脸图像通过验证的第二概率，所述参考局部特征提取自所述人脸图像样本；参考局部特征存储在预先建立的第二特征库中。

S15、至少基于所述第一概率和第二概率确定所述人脸图像是否通过验证。

本发明实施例的人脸验证方法中，一方面通过获取人脸图像的整体特征并与第一特征库中存储的参考整体特征进行比较来确定人脸图像通过验证的第一概率，保证了能够在获取正脸图像时快速进行验证；另一方面围绕人脸图像上的关键点获取人脸图像的局部特征并与第二特征库中存储的参考局部特征进行比较来确定了人脸图像通过验证的第二概率，由于这种验证方式是通过关键点获取的用户的局部区域的特征进行验证的，所以即使获取的人脸图像不是正脸也可以快速的完成人脸验证；最后综合考虑第一概率和第二概率来确定人脸图像是否能够通过验证，从而避免了单一通过一方面进行图像验证可能存在的误判的情况，从而保证了对人脸图像的验证的准确性和有效性。

在本实施例的步骤S11中的人脸图像是从视频或者硬件设备采集的图像中获得的，并且对图像进行了预处理，例如，对图像进行过滤与图像锐化以得到边缘更加清晰，之后采用DPM(Deformable Part Model)算法从图像中检测并得到人脸图像。

如图2所示，在一些实施例中，步骤S11中获取待验证的人脸图像的整体特征包括：

S21、将所述人脸图像输入至深度卷积神经网络，所述深度卷积神经网络基于人脸图像样本进行深度学习得到；；

S22、从所述深度卷积神经网络的全连接层获取相应于所述人脸图像的整体特征。

深度卷积神经网络从输入端至输出端至少依次包括了输入层、五个卷积层、一个池化层、三个归一化层、全连接层以及输出层，以人脸图像样本作为输入，以相应于每一个人脸图像样本的设定值为输出进行训练深度学习得到；本实施例中的样本人脸图像可以选择1000个人的10000张图片为样本人脸图像，以这10000张图片为输入，不断调整第一深度卷积神经网络，直到该第一深度卷积神经网络的输出结果的准确率达到一定阈值，该阈值可以是0.9，或者根据对人脸图像识别精度的要求的不同将该阈值调高或者调低。

并且在训练过程中将人脸图像样本在全连接层的输出作为对人脸图像样本的描述，即作为人脸图像样本的参考特征(参考特征至少包括了基于样本人脸图像的边缘信息、纹理信息以及形状信息生成，并且参考特征为一个量化的数字序列)，并将参考特征存储至人脸特征库中。

在一些实施例中，在将获取的人脸图像输入至深度卷积神经网络之前还包括对获取的人脸图像进行校正，以便于更加准确的通过人脸图像进行验证。本实施例中采用SDM进行人脸关键点的检测，综合考虑效果与效率本实施例中只采用嘴唇、鼻尖、双眼、眉毛等七个特征区域一共50个关键点，根据定位出的双眼来判断人脸图像是否需要校正，例如，通过检测人脸图像中左右眼是否在同一个水平线上来判断当前人脸图像是否需要进行校正，当左右眼不在同一水平线上时，驱动整个人脸图像进行旋转以实现对人脸图像的校正。

在上述实施例中，步骤S13中基于所述人脸图像关键点提取所述人脸图像的局部特征为，以确定的嘴唇、鼻尖、双眼、眉毛等几个区域为中心进行采集，并且分别以这七个点为中心提取周围4、7和11为边的密集sift特征，为了减少数据量，提升处理速度，提取后的密集SIFT特征还要进行PCA(Principal Component Analysis)降维，PCA不仅仅是对高维数据进行降维，更重要的是通过降维去除了噪声，发现了数据中的模式，PCA把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关，从旧特征到新特征的映射捕获数据中的固有变异性，从而获得人脸特征图像的七个局部区域中更具区别性的局部特征。

如图3所示，在一些实施例中，至少基于所述第一概率和第二概率确定所述人脸图像是否通过验证包括：

S31、采用支持向量机对所述第一概率和所述第二概率进行融合以确定所述人脸图像通过验证的第三概率。

S32、当所述第三概率大于验证阈值时确定所述人脸图像通过验证。

在本实施例中，采用SVM(Support Vector Machine支持向量机)方法对第一概率和第二概率进行融合以验证人脸图像。

SVM属于数据分类的范畴，数据分类是数据挖掘中的一个重要题目。数据分类是指在已有分类的训练数据的基础上，根据某种原理，经过训练形成一个分类器；然后使用分类器判断没有分类的数据的类别，并输出被判断数据属于所述类别的概率值。

支持向量机是一种基于分类边界的分类方法，本实施例中通过大量的人脸图像的第一概率和第二概率以及人脸图像的实际身份信息进行训练来最终确定SVM分类器，其基本原理是：训练数据第一概率和第二概率是分布在二维平面上的点，它们按照其分类(不同身份信息)聚集在不同的区域，通过大量的不同人脸图像确定分类边界，从而确定下SVM分类器；当有待验证人脸图像的第一概率和第二概率输入SVM分类器时，根据第一概率和第二概率所落在的分类边界的区域所对应的身份信息确定待验证人脸图像是否通过验证，并输出待验证人脸图像通过验证的概率值。

采用SVM方法的优点在于，并不是直接确定第一概率和第二概率中取值较大的一个概率值所对应的身份信息为人脸图像的正确身份信息并通过验证 (这种方法一般只适用于第一概率和第二概率的取值相差较大的情况)。因为如果在第一概率和第二概率中以二选一的方式确定待验证人脸图像通过验证的话会存在如下一种难于判断的情况：第一概率和第二概率的大小相接近，但第一概率和第二概率又分别对应不同的身份信息。这种情况下将难于简单的通过判断第一概率和第二概率的大小来准确的实现对待验证人脸图像的验证。所以本发明实施例采用SVM分类器将对结果的验证转换到了二维平面上来，从而确保了对待验证人脸图像的高效可靠的验证。

如图4所示，在一些实施例中，将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率包括：

S41、计算所述整体特征与参考整体特征之间的相似度；

S42、确定计算得到的所有相似度中的最大值为所述第一概率。

本实施例中，整体特征为取自待验证人脸图像的用于描述待验证人脸图像的特征值，该特征值至少是基于待验证人脸图像的边缘信息、纹理信息以及形状信息生成的数字序列所转化的特征向量。参考整体特征为预先存储的样本人脸图像的边缘信息、纹理信息以及形状信息生成的数字序列所转化的参考特征向量。本实施例中通过计算特征向量和参考特征向量之间的余弦相似度的方式来确定待验证人脸图像通过验证的第一概率值。

本实施例通过采用能够唯一地表征人脸图像特征的边缘信息、纹理信息和形状信息生成特征向量来计算待验证人脸图像与人脸特征库中存储的参考特征向量所对应的样本人脸的之间的余弦相似度的方法从人脸图像的整体上确定了待验证人脸图像通过验证的概率。

如图5所示，在一些实施例中，将提取的所述局部特征与参考局部特征进行比对以确定所述人脸图像通过验证的第二概率包括：

S51、计算所述局部特征与参考局部特征之间的相似度；

S52、确定计算得到的所有相似度中的最大值为所述第二概率。

本实施例中，局部特征至少基于确定的待验证人脸图像的嘴唇、鼻尖、双眼、眉毛等几个区域为中心进行采集，并且分别以这七个点为中心提取周围4、7和11为边的密集sift特征生成。同样参考局部特征至少基于确定的样本人脸图像的嘴唇、鼻尖、双眼、眉毛等几个区域为中心进行采集，并且分别以这七个点为中心提取周围4、7和11为边的密集sift特征生成。

本实施例中仅仅通过比较人脸图像上固定的具有鲜明特征的几个区域的相似度来进行人脸验证。这种方法不仅减少了数据的处理量，而且提升了对人脸图像特征数据的处理效率，有助于更加高效的实现人脸图像的验证，提升了人脸验证的实时性。此外，由于本实施例中用于比较验证的局部特征为人脸图像的局部特征，所以即使在不能够完整的获取人脸图像的情况下也可以完整对人脸图像的验证，因此保证了对人脸验证的可靠性。

上述实施例中分别通过两个方面验证人脸图像，这样即使其中一种方法得到的验证结果因偶然性的因素导致无法通过验证，也会由另外一种方法使得对人脸图像的验证通过，从而保证了人脸图像的验证的可靠性和有效性。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作合并，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

如图6所示，本发明实施例还提供一种人脸验证系统600，其包括：

局部特征提取模块610，用于获取待验证的人脸图像输的整体特征。

第一验证模块620，用于将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率，所述参考整体特征至少基于所述人脸图像样本生成；参考整体特征存储在预先建立的第一特征库中。

整体特征提取模块630，用于基于所述人脸图像关键点获取所述人脸图像的局部特征。

第二验证模块640，用于将提取的所述局部特征与参考局部特征进行比对以确定所述人脸图像通过验证的第二概率，所述参考局部特征提取自所述人脸图像样本；参考局部特征存储在预先建立的第二特征库中。

第三验证模块650，用于至少基于所述第一概率和第二概率确定所述人脸图像是否通过验证。

本发明实施例的人脸验证系统中，一方面通过深度卷积神经网络获取人脸图像的整体特征并与第一特征库中存储的参考整体特征进行比较来确定人脸图像通过验证的第一概率；另一方面围绕人脸图像上的关键点获取人脸图像的局部特征并与第二特征库中存储的参考局部特征进行比较来确定了人脸图像通过验证的第二概率；最后综合考虑第一概率和第二概率来确定人脸图像是否能够通过验证，从而保证了对人脸图像的验证的准确性和有效性。

如图7所示，在一些实施例中，整体特征提取模块610包括：

图像传输单元611，用于将所述人脸图像输入至深度卷积神经网络；所述深度卷积神经网络基于人脸图像样本进行深度学习得到；

特征获取单元612，用于从所述深度卷积神经网络的全连接层获取相应于所述人脸图像的整体特征。

如图8所示，在一些实施例中，第三验证模块650包括：

概率融合单元651，用于采用支持向量机对所述第一概率和所述第二概率进行融合以确定所述人脸图像通过验证的第三概率；

验证结果确定单元652，用于当所述第三概率大于验证阈值时确定所述人脸图像通过验证。

如图9所示，在一些实施例中，第一验证模块620包括：

第一相似度计算单元621，用于计算所述整体特征与第一特征库中存储的所有的参考整体特征之间的相似度；

第一概率确定单元622，用于确定计算得到的所有相似度中的最大值为所述第一概率。

如图10所示，在一些实施例中，第二验证模块640包括：

第二相似度计算单元641，用于计算所述局部特征与第二特征库中存储的所有的参考局部特征之间的相似度；

第二概率确定单元642，用于确定计算得到的所有相似度中的最大值为所述第二概率。

上述本发明实施例的人脸验证系统可用于执行本发明实施例的人脸验证方法，并相应的达到上述本发明实施例的人脸验证方法所达到的技术效果，这里不再赘述。

一方面，本发明实施例提供一种计算机可读的非瞬时性存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行上述方法实施例中的相关步骤，例如：

获取待验证的人脸图像的整体特征；

基于所述人脸图像关键点提取所述人脸图像的局部特征；

另一方面，本发明实施例还公开一种电子设备，该电子设备包括：

至少一个存储器，用于存放计算机操作指令；

获取待验证的人脸图像的整体特征；

基于所述人脸图像关键点提取所述人脸图像的局部特征；

本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。

如图11所示，为本发明上述实施例中用户设备一实施例的结构示意图，本申请具体实施例并不对用户设备1100的具体实现做限定，其包括：

处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130、以及通信总线1140。其中：

处理器1110、通信接口1120、以及存储器1130通过通信总线1140完成相互间的通信。

通信接口1120，用于与比如第三方访问端等的网元通信。

处理器1110，用于执行程序1132，具体可以执行上述方法实施例中的相关步骤。

具体地，程序1132可以包括程序代码，所述程序代码包括计算机操作指令。

处理器1110可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。

以上所描述的方法实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种人脸验证方法，包括：

获取待验证的人脸图像的整体特征；

将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率，所述参考整体特征至少基于人脸图像样本生成；

基于所述人脸图像关键点提取所述人脸图像的局部特征；

将提取的所述局部特征与参考局部特征进行比较以确定所述人脸图像通过验证的第二概率，所述参考局部特征提取自所述人脸图像样本；

2.根据权利要求1所述的方法，其中，所述获取待验证的人脸图像的整体特征包括：

将所述待验证的人脸图像输入至深度卷积神经网络，所述深度卷积神经网络基于人脸图像样本进行深度学习得到；

从所述深度卷积神经网络的全连接层获取相应于所述人脸图像的整体特征。

3.根据权利要求2所述的方法，其中，所述至少基于所述第一概率和第二概率确定所述人脸图像是否通过验证包括：

采用支持向量机对所述第一概率和所述第二概率进行融合以确定所述人脸图像通过验证的第三概率；

当所述第三概率大于验证阈值时确定所述人脸图像通过验证。

4.根据权利要求3所述的方法，其中，所述将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率包括：

计算所述整体特征与参考整体特征之间的相似度；

确定计算得到的所有相似度中的最大值为所述第一概率。

5.根据权利要求3所述的方法，其中，所述将提取的所述局部特征与参考局部特征进行比较以确定所述人脸图像通过验证的第二概率包括：

计算所述局部特征与参考局部特征之间的相似度；

确定计算得到的所有相似度中的最大值为所述第二概率。

6.一种人脸验证系统，包括：

第一验证模块，用于将所述整体特征与参考整体特征进行比较以确定所述人脸图像通过验证的第一概率，所述参考整体特征至少基于人脸图像样本生成；

第二验证模块，用于将提取的所述局部特征与参考局部特征进行比对以确定所述人脸图像通过验证的第二概率，所述参考局部特征提取自所述人脸图像样本；

7.根据权利要求6所述的系统，其中，所述整体特征提取模块包括：

图像传输单元，用于将所述人脸图像输入至深度卷积神经网络；

信息获取单元，用于从所述深度卷积神经网络的全连接层获取相应于所述人脸图像的整体特征信息。

8.根据权利要求7所述的系统，其中，所述第三验证模块包括：

概率融合单元，用于采用支持向量机对所述第一概率和所述第二概率进行融合以确定所述人脸图像通过验证的第三概率；

验证结果确定单元，用于当所述第三概率大于验证阈值时确定所述人脸图像通过验证。

9.根据权利要求8所述的系统，其中，所述第一验证模块包括：

第一相似度计算单元，用于计算所述整体特征与参考整体特征之间的相似度；

第一概率确定单元，用于确定所述第一相似度计算单元计算得到的所有相似度中的最大值为所述第一概率。

10.根据权利要求8所述的系统，其中，所述第二验证模块包括：

第二相似度计算单元，用于计算所述局部特征与参考局部特征信息之间的相似度；

第二概率确定单元，用于确定所述第二相似度计算单元计算得到的所有相似度中的最大值为所述第二概率。