CN106682606A - 一种人脸确认方法及安全认证装置 - Google Patents

Abstract

本发明提供一种人脸确认方法及安全认证装置，通过获取训练集，再根据训练集训练基于局部描述算子的稀疏自编码器，以使稀疏自编码器的输出逼近输入；对稀疏自编码器进行优化获得权重矩阵W⁽¹⁾；将W⁽¹⁾作为滤波器对人脸图像进行特征提取，获得人脸特征；根据提取的人脸特征训练相似度度量模型，获得相似度度量矩阵，进而根据相似度度量矩阵计算训练集的特征对的相似度得分，以获得相似度的确认阈值；然后获取测试集的特征对，根据相似度度量矩阵计算测试集特征对的相似度得分；根据相似度得分与相似度的确认阈值比较，获得人脸确认的结果，该方法具有较好的类内鲁棒性与类间判别性，有效提高人脸确认的精度。

Description

一种人脸确认方法及安全认证装置

技术领域

本发明涉及生物特征识别领域，尤其涉及一种人脸确认方法及安全认证装置。

背景技术

人脸识别因其在实际生活中的易用性得到了国内外学者的广泛关注，通常一个人脸确认系统由人脸采集，特征提取，特征确认等几个步骤构成。其中特征提取对于人脸确认的正确率具有最重要的影响。提取出最具判别性的特征在进行人脸确认时，通常可以获得更好的确认率，反之则会大幅度降低人脸确认系统的准确度。而对人脸确认的研究也主要集中特征提取的方法上，人脸的特征提取则大致可以分为局部特征提取和全局特征提取两种。

近些年来，传统、经典的手工制作的特征(LBP、SIFT等)太过于单一，无法从中进行较大的改进，从而限制了更好特征提取模型的发展。由于特征自学习方法改变了单一的特征提取方法，从而受到关注，其思想包括：从局部图像中学习一个码本或者学习一组滤波算子。Ahonenetal采用K-means方法形成一个局部的滤波响应码本。Cui Zetal提出了对局部特征通过字典学习进行局部编码。

基于上述自学习方法，提出了一个广义的特征提取框架：基于局部描述算子的稀疏自编码器(Sparse Auto-Encoder based Local Descriptor)简称SAELD。通过自稀疏编码器学习一组滤波算子进行人脸特征的提取。

发明内容

本发明提供一种用于提高人脸确认精度的人脸确认方法。

本发明第一个方面提供的一种人脸确认方法，包括：

获取训练集，所述训练集包含m个样本，所述样本为通过展开图像块的像素获得的列向量，所述图像块为人脸图像分块后的多个图像块中的一个；

根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；

对所述稀疏自编码器进行优化获得权重矩阵W⁽¹⁾；

将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；所述根据所述提取的人脸特征训练相似度度量模型，获得相似度度量矩阵；

根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；

获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；

根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。

较佳地，所述图像块的大小为n＝p×p。

较佳地，所述获取训练集包括：随机采样大量的人脸图像块，共选取m个图块组成所述训练集x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m，其中表示第i个训练样本。

较佳地，所述根据所述训练集训练基于局部描述算子的稀疏自编码器中，所述稀疏自编码器的输出与输出之间的重构误差项满足如下公式：

其中，x⁽ⁱ⁾为第i个输入样本，y(x⁽ⁱ⁾)为第i个输入样本的输出，W，b表示输入层到隐层，隐层到输出层的权重矩阵与偏置项。

较佳地，所述单隐层神经网络中各个层神经元个数分别为s₁、s₂、s₃；逐次将所述单隐层神经网络前一层网络的输出值作为后面一层网络的输入值。

较佳地，所述稀疏自编码器包括：编码部分和解码部分；

其中，所述编码部分是所述输入层到所述隐层的非线性映射，其定义如下：

h(x)＝σ(W⁽¹⁾x+b⁽¹⁾)

所述解码部分是所述隐层到输出一种非线性映射，其定义如下：

y(x)＝σ(W⁽²⁾x+b⁽²⁾)

其中，W⁽¹⁾为所述输入层到所述隐层的权重；W⁽²⁾为所述隐层到所述输出层的权重，b⁽¹⁾和b⁽²⁾分别为相对应的偏置项，σ(·)为所述隐层和所述输出层神经元的非线性映射关系，定义如下：

较佳地，所述稀疏自编码器第j个隐层单元h_j平均激活值定义如下：

其中，期望的平均激值用ρ表示；

并且采用KL距离来测量期望激活值与实际激活值，其定义如下：

较佳地，还包括：

在所述稀疏自编码器模型中增加稀疏性约束，则所述目标函数的公式为：

较佳地，所述对所述稀疏自编码器进行优化获得权重矩阵W⁽¹⁾，包括：

设置所述自稀疏编码模型中权重矩阵W和偏置项b的初始值，利用反向传播算法对所述目标函数的公式进行求解；

依次迭代更新权重矩阵W和偏置值b，直到网络收敛或者达到最大迭代次数；

获得优化的稀疏自编码器的权重值W与偏置值b，从而获得所述权重矩阵W⁽¹⁾。

较佳地，所述将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征，包括：

利用所述W⁽¹⁾对所述人脸图像进行卷积操作，并采用Sigmoid函数对滤波后的人脸图像进行非线性映射，获得卷积特征。

较佳地，在所述获得卷积特征之后，还包括：

对所述卷积特征进行最大值池化操作，获得池化后的人脸特征；

对所述池化后的人脸特征进行白化主成分分析处理，取排列在前面d个主成分；

所述训练集表达式为：x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m；

所述训练集经过特征提取后，则可以获得成对的特征向量集x2＝{x_i1,x_i2},i＝1,2,L N，其中属于一对人脸图像的SAELD特征向量。

较佳地，还包括：

对所述SAELD特征向量进行加权子空间的投影。

较佳地，所述对所述SAELD特征向量进行加权子空间的投影，包括：

对所述SAELD特征对向量集x2＝{x_i1,x_i2},i＝1,2,L N引入类标信息；

其中，(x_i1,x_i2)∈S表示两个特征代表同一个人；(x_i1,x_i2)∈D则表示两个特征分别代表不同的人；

定义类内特征对的加权协方差矩阵表达式为：

其中，u＝2，a＝0.8；

将所述加权协方差矩阵进行特征值分解，可得其特征值Λ＝{λ₁,K,λ_d}及对应的特征向量P＝(v₁,K,v_d)，则所述加权协方差矩阵转化为：

当时，

则所述人脸图像的人脸特征对在类内子空间的投影过程定义如下：

则所述SAELD特征对向量集通过加权子空间的投影，获得投影后的SAELD特征对向量集其中

较佳地，获得投影后的SAELD特征对向量集作为所述训练集的特征对训练所述相似度度量模型。

较佳地，在所述获取所述人脸特征之间的相似度，还包括：

结合余弦相似度与马氏距离，所述相似度度量矩阵的目标函数定义如下：

其中，表示余弦相似度度量函数；

表示马氏度量函数；

在所述目标函数中引入二值类标y_i；

其中，当则这一对特征代表同一个人，类标y_i＝1；

当表示这一对特征代表不同的人，则类标y_i＝-1；

优化的度量矩阵(G，M)满足以下条件：

所述相似度度量矩阵满足如下公式：

其中，所述相似度度量矩阵的最优解(G，M)为：

较佳地，所述获取所述提取的人脸特征训练相似度度量模型，获得相似度度量矩阵的最优解，根据所述相似度矩阵获得训练集的特征对的相似度的确认阈值，包括：

根据所述相似度度量矩阵的最优解计算所述训练集的特征对的相似度得分，获得所述相似度的确认阈值。

较佳地，所述获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分，包括：

根据所述测试集特征对的相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。

较佳地，所述根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果，包括：

当所述相似度得分大于或等于所述相似度的确认阈值时，所述人脸确认的结果为确认成功；

当所述相似度得分小于所述相似度的确认阈值时，所述人脸确认的结果为确认失败。

本发明第二个方面提供一种安全认证装置，包括：图像识别模块、处理模块，所述处理模块包括：训练单元和确认单元；

其中，所述训练单元，用于：

获取训练集，所述训练集包含m个样本，所述样本为通过展开图像块的像素获得的列向量，所述图像块为人脸图像分块后的多个图像块中的一个；

根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；

对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W⁽¹⁾；

将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；所述滤波器包含k个滤波算子；

根据所述人脸特征训练相似度度量模型，获得相似度度量矩阵；

根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；

所述确认单元，用于：

获取测试样本的特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；

根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。

优选地，所述图像识别模块，用于：获取人脸图像；

所述处理模块，还包括：图像处理单元；

所述图像处理单元，用于对所述人脸图像进行分割获取图像块；根据所述图像块生成所述训练集。

本实施例提供的人脸确认方法及安全认证装置，通过获取训练集，再根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；对所述稀疏自编码器进行优化获得权重矩阵W⁽¹⁾；将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；根据所述人脸特征训练相似度度量模型，获得相似度度量矩阵，进而根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；然后获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果，该方法具有较好的类内鲁棒性与类间判别性，有效提高人脸确认的精度。

附图说明

图1为本发明实施例提供的一种人脸确认方法的流程示意图；

图2为本发明实施例提供的一种人脸确认方法的示意图；

图3为本发明实施例提供的一种稀疏自编码器结构示意图；

图4为本发明实施例提供的一种权重矩阵示意图；

图5为本发明实施例提供的一种卷积与非线性映射流程示意图；

图6为本发明实施例提供的池化操作流程示意图；

图7为本发明实施例提供的人脸确认方法与目前主流方法在公开LFW数据集上的实验结果对比示意图；

图8为本发明实施例提供的一种安全认证装置的结构示意图；

图9为本发明实施例提供的另一种安全认证装置的结构示意图。

具体实施方式

图1为本发明实施例提供的一种人脸确认方法的流程示意图，该方法被终端设备执行，该终端设备可以为：安全认证装置，例如机场的人脸识别设备等，或者，又例如手机、智能穿戴设备等。参照图1，该方法具体包括：

步骤100、获取训练集，所述训练集包含m个样本，所述样本为通过展开图像块的像素获得的列向量，所述图像块为人脸图像分块后的多个图像块中的一个；

步骤101、根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；

步骤102、对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W⁽¹⁾；

步骤103、将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；所述滤波器包含k个滤波算子；

步骤104、根据所述人脸特征训练相似度度量模型，获得相似度度量矩阵；

步骤105、根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；

步骤106、获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；

步骤107、根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。

本实施例提供的人脸确认方法，通过获取训练集，再根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；对所述稀疏自编码器进行优化获得权重矩阵W⁽¹⁾；将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；根据所述提取的人脸特征训练相似度度量模型，获得相似度度量矩阵，进而根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；然后获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果，该方法具有较好的类内鲁棒性与类间判别性，有效提高人脸确认的精度。

图2为本发明实施例提供的一种人脸确认方法的示意图，参照图2，可知，该确认方法可以包括：

对人脸图像进行裁剪；

对裁剪后的图像预处理获得训练集和测试集；

其中，训练集用于随机采样获得图像块；

进一步将图像块训练上述稀疏自编码器(Sparse Auto-Encoder，简称：SAE)，

具体的，该稀疏自编码器为基于局部描述算子的稀疏自编码器(Sparse Auto-Encoder based Local Descriptor，简称：SAELD)。

之后在通过滤波器池进行特征提取；

再将人脸特征与测试集的特征进行卷积；

进一步进行池化与串联；

最后完成白化PCA，从而获得SAELD特征。

可选地，在上述实施例执行步骤100之前，还需要对图片进行预处理，具体的，该图像预处理方式，包括：

对样本图像进行裁剪、对齐，留下人脸图像，其大小为a×b像素，本发明中a＝150，b＝80；

进一步地，在完成图像的预处理后，还需要将图像划分为多个图像块：每幅图像分块，图像块的大小为n＝p×p；

可选的，所述获取训练集包括：随机采样大量的人脸图像块，共选取m个图块组成所述训练集x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m，其中表示第i个训练样本。

可选地，图3为本发明实施例提供的一种稀疏自编码器结构示意图，参照图3，下面给出步骤101的一种可能的实现方式，其目的是通过权重W的训练使得模型输出逼近输入，即其中，所述稀疏自编码器的输出与输出之间的重构误差项满足如下公式：

其中，x⁽ⁱ⁾为第i个输入样本，y(x⁽ⁱ⁾)为第i个输入样本的输出，W，b表示输入层到隐层，隐层到输出层的权值矩阵与偏置项。

所述单隐层神经网络中各个层神经元个数分别为s₁、s₂、s₃；逐次将所述单隐层神经网络前一层网络的输出值作为后面一层网络的输入值。

可选地，所述稀疏自编码器包括：编码部分和解码部分；

其中，所述编码部分是所述输入层到所述隐层的非线性映射，其定义如下：

h(x)＝σ(W⁽¹⁾x+b⁽¹⁾) (2)

所述解码部分是所述隐层到输出一种非线性映射，其定义如下：

y(x)＝σ(W⁽²⁾x+b⁽²⁾) (3)

其中，W⁽¹⁾为所述输入层到所述隐层的权重；W⁽²⁾为所述隐层到所述输出层的权重，b⁽¹⁾和b⁽²⁾分别为相对应的偏置项，σ(·)为所述隐层和所述输出层神经元的非线性映射关系，定义如下：

进一步地，所述稀疏自编码器第j个隐层单元h_j平均激活值定义如下：

其中，期望的平均激值用ρ表示；

一般地，引入稀疏性约束条件保证用尽量少的隐藏单元来表示输入层特征(即隐层中只有小部分神经元处于激活状态，其余神经元均处于未激活状态)，并且采用KL距离来测量期望激活值与实际激活值，其定义如下：

在所述稀疏自编码器模型中增加稀疏性约束，则在上述稀疏自编码器模型中增加稀疏性约束，则将公式(6)作为公式(1)的正则项，因此，公式(1)可重新定义为：

其中表示稀疏惩罚项，表示矩阵W的Frobenius范数，其目的是为了防止模型过拟合。λ和β为设置的平衡参数，用于调节各项之间的相对大小关系。ρ和分别表示期望的激活值和实际的激活值。

进一步地，步骤102的一种可能的实现方式：设置所述自稀疏编码模型中权重矩阵W和偏置项b的初始值，利用反向传播算法对上述公式(7)进行求解，依次迭代更新权重矩阵W和偏置值b，即获得优化的稀疏自编码器的权重值W与偏置值b，直到网络收敛或者达到最大迭代次数，从而获得所述权重矩阵W⁽¹⁾。

最终，得到优化的稀疏自编码器的权重值W与偏置值b。图4为本发明实施例提供的一种权重矩阵示意图，参照图4，每一个方格代表学习的输入层到隐层的权重矩阵

下面提供步骤103的一种可能的实现方式：

步骤103a、利用所述W⁽¹⁾对所述人脸图像进行卷积操作，并采用Sigmoid函数对滤波后的人脸图像进行非线性映射，获得卷积特征。

具体的，图5为本发明实施例提供的一种卷积与非线性映射流程示意图，参照图5，图像大小为a×b，图像块大小为p×p，利用W⁽¹⁾对每幅人脸图像进行卷积操作(滤波)，并采用Sigmoid函数对滤波后的图像进行非线性映射。则每幅图像可以得到k个卷积特征，其特征大小为(a-p+1)×(b-p+1)。因此，获得的特征维数太高，冗余度很大；

在步骤103a的基础上，为了进一步降低特征维数，给出了一种进行池化操作的方案，具体的：

步骤103b、对所述卷积特征进行最大值池化操作，获得池化后的人脸特征x；

步骤103c、对所述池化后的人脸特征进行白化主成分分析处理，取排列在前面d个主成分；所述训练集表达式为：x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m；

步骤103d、所述训练集经过特征提取后，则可以获得成对的特征向量集x2＝{x_i1,x_i2},i＝1,2,L N，其中属于一对人脸图像的SAELD特征向量。

具体的，图6为本发明实施例提供的池化操作流程示意图，参照图6，对提取的卷积特征进行池化操作。池化可分为最大值池化与均值池化。首先对图像分块，对每个块内所有像素值取最大值或均值来表示这个图块特征。这种策略不仅能结合图像的不同位置的特征信息，也可以有效降低特征维数。本专利采用最大值池化，图像池化与采样尺寸分别取9×9，则将所有特征串联成一个列向量，列向量长度为：k×(a-p+1)×(b-p+1)/9。

更进一步地，步骤103b-103d进一步降低特征维数与特征之间冗余性。

进一步地，对所述SAELD特征向量进行加权子空间的投影。

具体的，所述对所述SAELD特征向量进行加权子空间的投影，包括：

对所述SAELD特征对向量集x2＝{x_i1,x_i2},i＝1,2,L N引入类标信息；

其中，(x_i1,x_i2)∈S表示两个特征代表同一个人；(x_i1,x_i2)∈D则表示两个特征分别代表不同的人；

定义类内特征对的加权协方差矩阵表达式为：

其中，ω_i表示类内特征对(x_i1,x_i2)∈S的权值，其定义如下：

其中，u＝2，a＝0.8；

将所述加权协方差矩阵进行特征值分解，可得其特征值Λ＝{λ₁,K,λ_d}及对应的特征向量P＝(v₁,K,v_d)，则所述加权协方差矩阵转化为：

当时，

则所述人脸图像的人脸特征对在类内子空间的投影过程定义如下：

则所述SAELD特征对向量集通过加权子空间的投影，获得投影后的SAELD特征对向量集其中

进一步地，学习相似度度量矩阵：基于上述步骤得到投影后的SAELD特征对向量集将其作为训练集的特征对，设计一种相似度度量学习模型，利用优化的度量矩阵计算一对人脸的特征向量之间的相似度，具体步骤如下：

获得投影后的SAELD特征对向量集作为所述训练集的特征对训练所述相似度度量模型。

具体的，结合余弦相似度与马氏距离，所述相似度度量矩阵的目标函数定义如下：

其中，表示余弦相似度度量函数；

表示马氏度量函数，二者均可以测量一对人脸特征之间的相似性。s_G值越大，则二者越相似；d_M值越小则表示二者越相似。因此，式(14)值越大，代表二个特征相似程度越高。在所述目标函数中引入二值类标y_i；

其中，当则这一对特征代表同一个人，类标y_i＝1；

当表示这一对特征代表不同的人，则类标y_i＝-1

优化的度量矩阵(G，M)必需保证满足以下条件：当y_i＝1时，式(14)值较大；反之，当y_i＝-1，式(14)的值较小，基于这一规则，则优化的度量矩阵(G，M)满足以下条件：

为避免最小化式(15)的经验误差产生的过拟合现象，增加正则项约束，则相似度度量模型重新定义如下：

对式(16)引入松弛变量，得到所述相似度度量矩阵满足如下公式：

进一步利用拉格朗日函数，式(17)可表示如下：

将式(18)分别对M,G,ζ进行求导：

分别令可得：

则式(20)代入式(18)，则得到相应的对偶函数：

其中，所述相似度度量矩阵的最优解(G^*,M^*)为：

进一步地，人脸确认的过程前，步骤104的一种可能的实现方式为：

根据所述相似度度量矩阵的最优解(G^＊，M^＊)所述训练集的特征对计算相似度得分，获得所述相似度的确认阈值。

可选地，步骤106一种可能的实现方式为：

根据所述相似度度量矩阵的最优解对所述训练集的特征对计算相似度得分，获得所述相似度的确认阈值。

具体的，得到相似度确认阈值后，进一步获取测试集特征对，用相似度度量矩阵的最优解计算测试集特征对的相似度得分。

可选地，步骤107一种可能的实现方式为：

当所述相似度得分大于或等于所述相似度的确认阈值时，所述人脸确认的结果为确认成功；

当所述相似度得分小于所述相似度的确认阈值时，所述人脸确认的结果为确认失败。

最后，图7为本发明实施例提供的人脸确认方法与目前主流方法在公开LFW数据集上的实验结果对比示意图，参照图7，可知本专利提供方法可以取得较为精准的人脸确认精度。

下面给出用于执行上述实施例各个步骤及实现相应功能的一种安全认证装置，图8为本发明实施例提供的一种安全认证装置的结构示意图，参照图8，该装置包括：图像识别模块10、处理模块11，进一步地，所述处理模块11包括：训练单元11-1和确认单元11-2；

其中，所述训练单元11-1，用于：

获取训练集，所述训练集包含m个样本，所述样本为通过展开图像块的像素获得的列向量，所述图像块为人脸图像分块后的多个图像块中的一个；

根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；

对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W⁽¹⁾；

将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；所述滤波器包含k个滤波算子；

根据所述人脸特征训练相似度度量模型，获得相似度度量矩阵；

根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；

所述确认单元11-2，用于：

获取测试集特征对，根据所述相似度度量矩阵计算所述测试样本的特征对的相似度得分；

根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。

本实施例提供的安全认证装置，通过训练单元获取训练集，训练单元再根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；训练单元对所述稀疏自编码器进行优化获得权重矩阵W⁽¹⁾；训练单元将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；根据所述提取的人脸特征训练相似度度量模型，获得相似度度量矩阵，进而训练单元根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；然后确认单元获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；确认单元根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果，该方法具有较好的类内鲁棒性与类间判别性，有效提高人脸确认的精度。

在图8的基础上，图9为本发明实施例提供的另一种安全认证装置的结构示意图，参照图9，该处理模块11，还包括：图像处理单元11-3；

所述图像识别模块10，用于：获取人脸图像；

所述图像处理单元11-3，用于对所述人脸图像进行分割获取图像块；根据所述图像块生成所述训练集。

需要说明的是，上文中图像识别模块10和处理模块11可以集成在同一个实体设备中，也可以通过网络连接，分别设置于不同的实体设备中。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种人脸确认方法，其特征在于，包括：

获取训练集，所述训练集包含m个样本，所述样本为通过展开图像块的像素获得的列向量，所述图像块为人脸图像分块后的多个图像块中的一个；

根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；

对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W⁽¹⁾；

将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；所述滤波器包含k个滤波算子；

根据所述提取的人脸特征训练相似度度量模型，获得相似度度量矩阵；

根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；

获取测试集的特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；

根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。

2.根据权利要求1所述的方法，其特征在于，所述图像块的大小为n＝p×p。

3.根据权利要求1所述的方法，其特征在于，所述获取训练集包括：随机采样大量的人脸图像块，共选取m个图块组成所述训练集x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m，其中表示第i个训练样本。

4.根据权利要求3所述的方法，其特征在于，所述根据所述训练集训练基于局部描述算子的稀疏自编码器中，所述稀疏自编码器的输出与输出之间的重构误差项满足如下公式：

$<W,b>=\arg \underset{W,b}{min}\left(\underset{i=1}{\overset{m}{\&Sigma;}}{\left(x^{\left(i\right)}-y{\left(x\right)}^{\left(i\right)}\right)}^2\right)$

其中，x⁽ⁱ⁾为第i个输入样本，y(x⁽ⁱ⁾)为第i个输入样本的输出，W，b表示输入层到隐层，隐层到输出层的权重矩阵与偏置项。

5.根据权利要求4所述的方法，其特征在于，所述单隐层神经网络中各个层神经元个数分别为s₁、s₂、s₃；逐次将所述单隐层神经网络前一层网络的输出值作为后面一层网络的输入值。

6.根据权利要求5所述的方法，其特征在于，所述稀疏自编码器包括：编码部分和解码部分；

其中，所述编码部分是所述输入层到所述隐层的非线性映射，其定义如下：

h(x)＝σ(W⁽¹⁾x+b⁽¹⁾)

所述解码部分是所述隐层到输出一种非线性映射，其定义如下：

y(x)＝σ(W⁽²⁾x+b⁽²⁾)

其中，W⁽¹⁾为所述输入层到隐层的权重矩阵；W⁽²⁾为隐层到输出层的权重矩阵，b⁽¹⁾和b⁽²⁾分别为相对应的偏置项，σ(·)为所述隐层和所述输出层神经元的非线性映射关系，定义如下：

$\mathrm{\&sigma;}\left(x\right)=\frac{1}{1+e^{-x}}.$

7.根据权利要求6所述的方法，其特征在于，所述稀疏自编码器第j个隐层单元h_j平均激活值定义如下：

${\widehat{\mathrm{\&rho;}}}_j=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}\left(h_j\right)$

其中，期望的平均激值用ρ表示；

并且采用KL距离来测量期望激活值与实际激活值，其定义如下：

$KL\left(\mathrm{\&rho;}\right|\left|{\widehat{\mathrm{\&rho;}}}_j\right)=\mathrm{\&rho;}log\frac{\mathrm{\&rho;}}{{\widehat{\mathrm{\&rho;}}}_j}+(1-\mathrm{\&rho;})log\frac{(1-\mathrm{\&rho;})}{(1-{\widehat{\mathrm{\&rho;}}}_j)}.$

8.根据权利要求7所述的方法，其特征在于，还包括：

在所述稀疏自编码器模型中增加稀疏性约束，则所述目标函数的公式为：

$<W,b>=\arg \underset{W,b}{min}(\underset{i=1}{\overset{m}{\&Sigma;}}{\left(x^{\left(i\right)}-y{\left(x\right)}^{\left(i\right)}\right)}^2+\mathrm{\&lambda;}|\left|W\right|{|}_F^2+\mathrm{\&beta;}\underset{j=1}{\overset{k}{\&Sigma;}}KL\left(\mathrm{\&rho;}\left|\right|{\widehat{\mathrm{\&rho;}}}_j\right)).$

9.根据权利要求8所述的方法，其特征在于，所述对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W⁽¹⁾，包括：

设置所述自稀疏编码模型中权重矩阵和偏置项的初始值，利用反向传播算法对所述目标函数的公式进行求解；

依次迭代更新权重矩阵和偏置值，直到网络收敛或者达到最大迭代次数；

获得优化的稀疏自编码器的权重值W与偏置值b，从而获得所述输入层到隐层的权重矩阵W⁽¹⁾。

10.一种安全认证装置，包括：图像识别模块、处理模块，其特征在于，所述处理模块包括：训练单元和确认单元；

其中，所述训练单元，用于：

获取训练集，所述训练集包含m个样本，所述样本为通过展开图像块的像素获得的列向量，所述图像块为人脸图像分块后的多个图像块中的一个；

根据所述训练集训练基于局部描述算子的稀疏自编码器，以使所述稀疏自编码器的输出逼近输入；所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型；

对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W⁽¹⁾；

将所述W⁽¹⁾作为滤波器对所述人脸图像进行特征提取，获得人脸特征；所述滤波器包含k个滤波算子；

根据所述人脸特征训练相似度度量模型，获得相似度度量矩阵；

根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分，以获得相似度的确认阈值；

所述确认单元，用于：

获取测试集特征对，根据所述相似度度量矩阵计算所述测试集特征对的相似度得分；

根据所述相似度得分与所述相似度的确认阈值比较，获得所述人脸确认的结果。