CN107392191A - 身份判定方法、装置及电子设备 - Google Patents
身份判定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN107392191A CN107392191A CN201710807571.XA CN201710807571A CN107392191A CN 107392191 A CN107392191 A CN 107392191A CN 201710807571 A CN201710807571 A CN 201710807571A CN 107392191 A CN107392191 A CN 107392191A
- Authority
- CN
- China
- Prior art keywords
- user
- feature vector
- face features
- mapping
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 175
- 238000013507 mapping Methods 0.000 claims description 65
- 230000001815 facial effect Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 8
- 230000036544 posture Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种身份判定方法,方法包括:获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;将第一用户的人脸特征映射至第一特征向量,以及将第二用户的人脸特征映射至第二特征向量;确定第一特征向量与第二特征向量之间的相似度;判断相似度是否大于预设阈值;若相似度大于预设阈值,则判定第一用户与第二用户为同一人。本发明还提供一种身份判定装置及电子设备。本发明能提高身份判定的准确性,同时,提高身份判定的效率。
Description
技术领域
本发明涉及人脸特征处理技术领域,尤其涉及一种身份判定方法、装置及电子设备。
背景技术
在驾照考试中,对学员的身份认证是确保考试存在意义和保证交通安全的重要前提。传统的确认学员身份的方法一般是通过人工判断学员的人脸与对应的身份证中的人脸是否一致。然而,这种方式中,人工工作量大、耗时多,存在作弊空间,并且通常身份证中的照片与实际人脸存在较大的差异,人工操作在认证身份时较容易出错,不利于驾照考试中学员身份认证。
发明内容
鉴于以上内容,有必要提供一种身份判定方法、装置及电子设备,能够提高身份判定的准确性,同时,提高身份判定的效率。
一种身份判定方法,所述方法包括:
获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;
将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量,其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大;
确定所述第一特征向量与所述第二特征向量之间的相似度;
判断所述相似度是否大于预设阈值;
若所述相似度大于预设阈值,则判定所述第一用户与所述第二用户为同一人。
在一种可能的实现方式中,所述将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
在一种可能的实现方式中,所述获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征之前,所述方法还包括:
获取需要进行特征学习的多个人脸特征,其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同;
将所述多个人脸特征映射至第三特征向量;
根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
在一种可能的实现方式中,所述方法还包括:
若所述相似度小于或等于所述预设阈值,则判定所述第一用户与所述第二用户为不同人。
一种身份判定装置,所述身份判定装置包括:
获取单元,用于获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;
映射单元,用于将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量,其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大;
确定单元,用于确定所述第一特征向量与所述第二特征向量之间的相似度;
判断单元,用于判断所述相似度是否大于预设阈值;
判定单元,用于若所述相似度大于预设阈值,则判定所述第一用户与所述第二用户为同一人。
在一种可能的实现方式中,所述映射单元将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
在一种可能的实现方式中,所述获取单元,还用于获取需要进行特征学习的多个人脸特征,其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同;
所述映射单元,还用于将所述多个人脸特征映射至第三特征向量;
所述确定单元,还用于根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
在一种可能的实现方式中,所述判定单元,还用于若所述相似度小于或等于所述预设阈值,则判定所述第一用户与所述第二用户为不同人。
一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述的身份判定方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述的身份判定方法。
由以上技术方案,本发明中,电子设备可以获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量,其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大;进一步地,电子设备可以确定所述第一特征向量与所述第二特征向量之间的相似度;判断所述相似度是否大于预设阈值;若所述相似度大于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为同一人。可见,通过本发明的实施例,电子设备在确定相似度之前,电子设备可以将获取到的第一用户的人脸特征以及第二用户的人脸特征分别进行映射至新的特征表达空间,使得映射后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大,进而在比较相似度和阈值时,就可以很精准地判定是否为同一人,从而能够提高身份判定的准确性,同时,提高身份判定的效率。
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,还可以根据提供的附图获得其他的附图。
图1是本发明公开的一种身份判定方法的较佳实施例的流程图。
图2是本发明公开的另一种身份判定方法的较佳实施例的流程图。
图3是本发明公开的一种身份判定装置的较佳实施例的功能模块图。
图4是本发明实现身份判定方法的较佳实施例的电子设备的结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
优选地,本发明的身份判定方法可以应用在一个或者多个所述电子设备中。所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、交互式网络电视(Internet ProtocolTelevision,IPTV)、智能式穿戴式设备、数码相机等。
请参见图1,图1是本发明公开的一种身份判定方法的较佳实施例的流程图。其中,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S11、电子设备获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征。
本发明中,电子设备可以通过摄像头对当前的第一用户进行现场拍摄,获得第一用户的图像,此外,电子设备还可以直接读取证件照中的第二用户的图像。其中,该证件照可以包括但不限于身份证、护照、驾驶证以及社保证中的照片。其中,第一用户和第二用户可以属于同一人,或者,第一用户和第二用户可以属于不同人。
具体的,电子设备获得第一用户的图像以及第二用户的图像后,利用卷积神经网络训练人脸检测模型,分别准确地定位第一用户的图像以及第二用户的图像中的人脸区域,并截取人脸图片。
进一步地,为减少光照环境和人脸姿态表情变化对验证产生的影响,在截取人脸图片后,首先电子设备需要将彩色图片灰度化,然后对图片进行直方图归一化操作,以减少光照对图片的影响,增强图像的对比度。
更进一步地,通过预先已经训练好的特征提取模型,提取第一用户的人脸特征以及证件照中的第二用户的人脸特征。
S12、电子设备将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量。
本发明中,通常证件照中的照片都是提前拍摄的,而且在进行证件照的拍摄时,具有严格的姿态(比如需要坐直坐正等)要求,而在实际场景中拍摄图片时却没有任何限制。故由于年龄跨度以及姿态差异,同一个人的证件照与实际场景中拍摄的图片可能会存在差异,为了提高人脸验证的准确性,需要尽可能的缩小属于同一人的证件照与实际场景中拍摄的图片的差异,而增大属于不同人的证件照与实际场景中拍摄的图片的差异。
本发明中,可以将获取到的所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量。其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大。
具体的,所述将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
举例来说,假设预先经特征学习得到的目标参数矩阵为A,所述第一用户的人脸特征用特征表达函数表示为x(n),则将所述第一用户的人脸特征映射至第一特征向量表示为rn=f(x(n);A)。
S13、电子设备确定所述第一特征向量与所述第二特征向量之间的相似度。
本发明中,在确定第一特征向量以及第二特征向量之后,进一步地,电子设备需要确定所述第一特征向量与所述第二特征向量之间的相似度。
假设映射完成后得到的所述第一特征向量与所述第二特征向量分别为r1、r2,则两者之间的相似度表示为:
S14、电子设备判断所述相似度是否大于预设阈值,若是,执行步骤S15,若否,执行步骤S16。
其中,该预设阈值可以是预先经过多次试验获得的,该预设阈值为用于表示两个用户为同一人的相似度的临界值,比如80%。
S15、电子设备判定所述第一用户与所述第二用户为同一人,并结束本流程。
本发明中,若电子设备判断所述相似度大于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为同一人。
S16、电子设备判定所述第一用户与所述第二用户为不同人。
本发明中,若电子设备判断所述相似度小于或等于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为不同人。
在图1所描述的方法流程中,电子设备可以获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量,其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大;进一步地,电子设备可以确定所述第一特征向量与所述第二特征向量之间的相似度;判断所述相似度是否大于预设阈值;若所述相似度大于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为同一人。可见,通过本发明的实施例,电子设备在确定相似度之前,电子设备可以将获取到的第一用户的人脸特征以及第二用户的人脸特征分别进行映射以得到第一特征向量和第二特征向量,使得映射后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大,进而在比较相似度和阈值时,就可以很精准地判定是否为同一人,从而能够提高身份判定的准确性,同时,提高身份判定的效率。
请参见图2,图2是本发明公开的另一种身份判定方法的较佳实施例的流程图。其中,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S21、电子设备获取需要进行特征学习的多个人脸特征。
其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同。
S22、电子设备将所述多个人脸特征映射至第三特征向量。
假设训练样本由N个有类别标记的数据组成,记为其中x(n)表示第n个训练样本的人脸特征,y(n)表示其对应的类别标记,总共的类别数为C,特征表达函数为rn=f(x(n);A),n∈[1,N],N为正整数。A为目标参数矩阵,可以用单位矩阵初始化,rn表示人脸特征x(n)映射后新的特征表达,即第三特征向量,并且有,
其中fz为特征向量的维度。
S23、电子设备根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
本发明中,由于同一人的人脸图像会有多种不同姿态,比如:正脸、侧脸,在训练时需要进行聚类。以上述假设为例,对于第c类的样本,其可以通过k-means算法计算得到K个簇,分别为首先假设每个类的样本的簇之间的距离已经最小化,即对于第c类的样本有:
其中,为第c类样本的第K个簇的中心,是对的估计,K为正整数。
其中,k-means算法是输入聚类个数k,以及包含n个数据对象的数据库,输出满足方差最小标准k个聚类的一种算法。k-means算法接受输入量k;然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。
进一步定义C(r)表示特征向量r的类别,μ(r)表示该类别的聚类中心。
定义目标函数损失为:
其中,α为正数,表示差异的间隔大小,表示所有样本偏离其所属类别中心的协方差,其中,是对σ2的估计。目标函数损失L(A)等式右边的对数中,分子用于表示属于同一人的特征向量之间的差异,分母用于表示属于不同人的特征向量之间的差异。当目标函数损失L(A)趋于稳定时,可以使得属于同一人的特征向量之间的差异变小,而属于不同人的特征向量之间的差异变大。
更进一步地,本发明中,可以通过梯度下降算法不断迭代来求解当目标函数损失L(A)趋于稳定时,参数矩阵A中的元素。
具体的,通过梯度下降算法来求解参数矩阵A中的元素:
即
其中,η表示学习率,i,j∈[1,fz]。
其中,梯度下降法的计算过程就是沿梯度下降的方向求解极小值(也可以沿梯度上升方向求解极大值)。
S24、电子设备获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征。
本发明中,电子设备可以通过摄像头对当前的第一用户进行现场拍摄,获得第一用户的图像,此外,电子设备还可以直接读取证件照中的第二用户的图像。其中,该证件照可以包括但不限于身份证、护照、驾驶证以及社保证中的照片。其中,第一用户和第二用户可以属于同一人,或者,第一用户和第二用户可以属于不同人。
具体的,电子设备获得第一用户的图像以及第二用户的图像后,利用预先训练完成的人脸检测模型,分别准确地定位第一用户的图像以及第二用户的图像中的人脸区域,并截取人脸图片。
进一步地,为减少光照环境和人脸姿态表情变化对验证产生的影响,在截取人脸图片后,首先电子设备需要将彩色图片灰度化,然后对图片进行直方图归一化操作,以减少光照对图片的影响,增强图像的对比度。
更进一步地,通过预先已经训练好的特征提取模型,提取第一用户的人脸特征以及证件照中的第二用户的人脸特征。
S25、电子设备使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
本发明中,在预先进行特征学习获得目标参数矩阵之后,电子设备就可以使用该目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大。
具体映射过程与训练时的相同,在此不再赘述。
S26、电子设备确定所述第一特征向量与所述第二特征向量之间的相似度。
本发明中,在确定第一特征向量以及第二特征向量之后,进一步地,电子设备需要确定所述第一特征向量与所述第二特征向量之间的相似度。
假设映射完成后得到的所述第一特征向量与所述第二特征向量分别为r1、r2,则两者之间的相似度表示为:
S27、电子设备判断所述相似度是否大于预设阈值,若是,执行步骤S28,若否,执行步骤S29。
其中,该预设阈值可以是预先经过多次试验获得的,该预设阈值为用于表示两个用户为同一人的相似度的临界值,比如80%。
S28、电子设备判定所述第一用户与所述第二用户为同一人,并结束本流程。
本发明中,若电子设备判断所述相似度大于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为同一人。
S29、电子设备判定所述第一用户与所述第二用户为不同人。
本发明中,若电子设备判断所述相似度小于或等于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为不同人。
在图2所描述的方法流程中,电子设备可以预先对多个人脸特征进行特征学习,并得到使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵,进而在需要进行第一用户与第二用户的身份判定时,使用预先经特征学习得到的空间映射的目标参数矩阵,将获取到的第一用户的人脸特征以及第二用户的人脸特征分别进行映射以得到第一特征向量和第二特征向量,使得映射后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大,进而在比较相似度和阈值时,就可以很精准地判定是否为同一人,从而能够提高身份判定的准确性,同时,提高身份判定的效率。
请参见图3,图3是本发明公开的一种身份判定装置的较佳实施例的功能模块图。其中,图3描述的身份判定装置用于执行图1或图2所描述的身份判定方法中的部分或全部步骤。本发明所称的单元是指一种能够被处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各单元的功能将在后续的实施例中详述。
获取单元101,用于获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;
本发明中,可以通过摄像头对当前的第一用户进行现场拍摄,获得第一用户的图像,此外,还可以直接读取证件照中的第二用户的图像。其中,该证件照可以包括但不限于身份证、护照、驾驶证以及社保证中的照片。其中,第一用户和第二用户可以属于同一人,或者,第一用户和第二用户可以属于不同人。
具体的,获得第一用户的图像以及第二用户的图像后,利用预先训练的人脸检测模型,分别准确地定位第一用户的图像以及第二用户的图像中的人脸区域,并截取人脸图片。
进一步地,为减少光照环境和人脸姿态表情变化对验证产生的影响,在截取人脸图片后,首先需要将彩色图片灰度化,然后对图片进行直方图归一化操作,以减少光照对图片的影响,增强图像的对比度。
更进一步地,通过预先已经训练好的特征提取模型,提取第一用户的人脸特征以及证件照中的第二用户的人脸特征。
映射单元102,用于将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量;
本发明中,通常证件照中的照片都是提前拍摄的,而且在进行证件照的拍摄时,具有严格的姿态(比如需要坐直坐正等)要求,而在实际场景中拍摄图片时却没有任何限制。故由于年龄跨度以及姿态差异,同一个人的证件照与实际场景中拍摄的图片可能会存在差异,为了提高人脸验证的准确性,需要尽可能的缩小属于同一人的证件照与实际场景中拍摄的图片的差异,而增大属于不同人的证件照与实际场景中拍摄的图片的差异。
本发明中,可以将获取到的所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量。其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大。
确定单元103,用于确定所述第一特征向量与所述第二特征向量之间的相似度;
本发明中,在确定第一特征向量以及第二特征向量之后,进一步地,电子设备需要确定所述第一特征向量与所述第二特征向量之间的相似度。
判断单元104,用于判断所述相似度是否大于预设阈值;
其中,该预设阈值可以是预先经过多次试验获得的,该预设阈值为用于表示两个用户为同一人的相似度的临界值,比如80%。
判定单元105,用于若所述相似度大于预设阈值,则判定所述第一用户与所述第二用户为同一人。
可选的,所述映射单元102将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
可选的,所述获取单元101,还用于获取需要进行特征学习的多个人脸特征,其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同;
所述映射单元102,还用于将所述多个人脸特征映射至第三特征向量;
所述确定单元103,还用于根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
可选的,所述判定单元105,还用于若所述相似度小于或等于所述预设阈值,则判定所述第一用户与所述第二用户为不同人。
在图3所描述的身份判定装置中,在确定相似度之前,可以将获取到的第一用户的人脸特征以及第二用户的人脸特征分别进行映射至新的特征向量,使得映射后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大,进而在比较相似度和阈值时,就可以很精准地判定是否为同一人,从而能够提高身份判定的准确性,同时,提高身份判定的效率。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读存储介质中。其中,该计算机可读存储介质可以存储计算机程序,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
如图4所示,图4是本发明实现身份判定方法的较佳实施例的电子设备的结构示意图。所述电子设备1包括存储器12以及处理器13。本领域技术人员可以理解,所述图4所示的电子设备的示意图仅仅是电子设备的示例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述电子设备1还包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
所述存储器12可选地包括一个或多个计算机可读存储介质,用于存储一种身份判定方法的程序和各种数据,并在运行过程中实现高速、自动地完成程序或数据的存取。所述存储器12可选地包括高速随机存取存储器,并且还可选地包括非易失性存储器,诸如一个或多个磁盘存储设备、闪存存储器设备、或其它非易失性固态存储器设备。
所述处理器13又称中央处理器(CPU,Central Processing Unit),是一块超大规模的集成电路,是电子设备1的运算核心(Core)和控制核心(Control Unit)。所述处理器13可执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等,例如身份判定装置11。
结合图1或图2,所述电子设备1中的所述存储器12存储多个指令以实现一种身份判定方法,所述处理器13可执行所述多个指令从而实现:
获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;
将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量,其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大;
确定所述第一特征向量与所述第二特征向量之间的相似度;
判断所述相似度是否大于预设阈值;
若所述相似度大于预设阈值,则判定所述第一用户与所述第二用户为同一人。
在一种可选的实施方式中,所述将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
在一种可选的实施方式中,所述获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征之前,所述处理器13可执行所述多个指令从而实现:
获取需要进行特征学习的多个人脸特征,其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同;
将所述多个人脸特征映射至第三特征向量;
根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
在一种可选的实施方式中,所述处理器13可执行所述多个指令从而实现:
若所述相似度小于或等于所述预设阈值,则判定所述第一用户与所述第二用户为不同人。
具体地,所述处理器13对上述指令的具体实现方法可参考图1或图2对应实施例中相关步骤的描述,在此不赘述。
在图4所描述的电子设备中,电子设备可以获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量,其中,映射之后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大;进一步地,电子设备可以确定所述第一特征向量与所述第二特征向量之间的相似度;判断所述相似度是否大于预设阈值;若所述相似度大于预设阈值,则电子设备可以判定所述第一用户与所述第二用户为同一人。可见,通过本发明的实施例,电子设备在确定相似度之前,电子设备可以将获取到的第一用户的人脸特征以及第二用户的人脸特征分别进行映射至新的特征表达空间,使得映射后,属于同一人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较小,而属于不同人的所述第一用户的第一特征向量与所述第二用户的第二特征向量的差异较大,进而在比较相似度和阈值时,就可以很精准地判定是否为同一人,从而能够提高身份判定的准确性,同时,提高身份判定的效率。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种身份判定方法,其特征在于,所述方法包括:
获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;
将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量;
确定所述第一特征向量与所述第二特征向量之间的相似度;
判断所述相似度是否大于预设阈值;
若所述相似度大于预设阈值,则判定所述第一用户与所述第二用户为同一人。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
3.根据权利要求2所述的方法,其特征在于,所述获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征之前,所述方法还包括:
获取需要进行特征学习的多个人脸特征,其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同;
将所述多个人脸特征映射至第三特征向量;
根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
若所述相似度小于或等于所述预设阈值,则判定所述第一用户与所述第二用户为不同人。
5.一种身份判定装置,其特征在于,包括:
获取单元,用于获取当前拍摄的第一用户的人脸特征以及证件照中的第二用户的人脸特征;
映射单元,用于将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量;
确定单元,用于确定所述第一特征向量与所述第二特征向量之间的相似度;
判断单元,用于判断所述相似度是否大于预设阈值;
判定单元,用于若所述相似度大于预设阈值,则判定所述第一用户与所述第二用户为同一人。
6.根据权利要求5所述的身份判定装置,其特征在于,所述映射单元将所述第一用户的人脸特征映射至第一特征向量,以及将所述第二用户的人脸特征映射至第二特征向量包括:
使用预先经特征学习得到的空间映射的目标参数矩阵,将所述第一用户的人脸特征映射至第一特征向量,以及使用所述目标参数矩阵将所述第二用户的人脸特征映射至第二特征向量。
7.根据权利要求6所述的身份判定装置,其特征在于,所述获取单元,还用于获取需要进行特征学习的多个人脸特征,其中,所述多个人脸特征包括经现场拍摄而获得的人脸特征以及从证件照中获得的人脸特征,每个所述人脸特征具有类别标记,属于同一人的人脸特征的类别标记相同,而属于不同人的人脸特征的类别标记不同;
所述映射单元,还用于将所述多个人脸特征映射至第三特征向量;
所述确定单元,还用于根据所述第三特征向量,确定使得所述多个人脸特征中类别标记相同的人脸特征的差异较小、且类别标记不同的人脸特征的差异较大的目标参数矩阵。
8.根据权利要求5至7任一项所述的身份判定装置,其特征在于,所述判定单元,还用于若所述相似度小于或等于所述预设阈值,则判定所述第一用户与所述第二用户为不同人。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至4中任意一项所述的身份判定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至4任意一项所述的身份判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807571.XA CN107392191B (zh) | 2017-09-08 | 2017-09-08 | 身份判定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807571.XA CN107392191B (zh) | 2017-09-08 | 2017-09-08 | 身份判定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392191A true CN107392191A (zh) | 2017-11-24 |
CN107392191B CN107392191B (zh) | 2018-09-21 |
Family
ID=60351992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710807571.XA Active CN107392191B (zh) | 2017-09-08 | 2017-09-08 | 身份判定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392191B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038948A (zh) * | 2017-12-26 | 2018-05-15 | 杭州数梦工场科技有限公司 | 乘客身份的验证方法及装置、计算机可读存储介质 |
CN110610575A (zh) * | 2019-09-20 | 2019-12-24 | 北京百度网讯科技有限公司 | 硬币识别方法及装置、收银机 |
CN111489117A (zh) * | 2020-03-11 | 2020-08-04 | 北京联合大学 | 一种基于视觉计算交互的物品分发方法及系统 |
CN114399622A (zh) * | 2022-03-23 | 2022-04-26 | 荣耀终端有限公司 | 图像处理方法和相关装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426016A (zh) * | 2013-08-14 | 2013-12-04 | 湖北微模式科技发展有限公司 | 一种第二代身份证真伪鉴别方法与装置 |
CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
CN103839042A (zh) * | 2012-11-27 | 2014-06-04 | 腾讯科技(深圳)有限公司 | 人脸识别方法和人脸识别系统 |
CN103914904A (zh) * | 2013-10-30 | 2014-07-09 | 北京安捷天盾科技发展有限公司 | 人脸识别排号机 |
CN104112114A (zh) * | 2013-10-30 | 2014-10-22 | 北京安捷天盾科技发展有限公司 | 身份验证方法和装置 |
CN104239859A (zh) * | 2014-09-05 | 2014-12-24 | 西安电子科技大学 | 基于结构化因子分析的人脸识别方法 |
WO2015115681A1 (ko) * | 2014-01-28 | 2015-08-06 | 영남대학교 산학협력단 | 표정 동작사전을 이용한 표정인식 방법 및 장치 |
CN105138980A (zh) * | 2015-08-20 | 2015-12-09 | 深圳云天励飞技术有限公司 | 基于身份证件信息和人脸识别的身份验证方法及系统 |
CN105871702A (zh) * | 2016-05-31 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 一种信息识别方法及服务器 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
-
2017
- 2017-09-08 CN CN201710807571.XA patent/CN107392191B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839042A (zh) * | 2012-11-27 | 2014-06-04 | 腾讯科技(深圳)有限公司 | 人脸识别方法和人脸识别系统 |
CN103426016A (zh) * | 2013-08-14 | 2013-12-04 | 湖北微模式科技发展有限公司 | 一种第二代身份证真伪鉴别方法与装置 |
CN103914904A (zh) * | 2013-10-30 | 2014-07-09 | 北京安捷天盾科技发展有限公司 | 人脸识别排号机 |
CN104112114A (zh) * | 2013-10-30 | 2014-10-22 | 北京安捷天盾科技发展有限公司 | 身份验证方法和装置 |
CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
WO2015115681A1 (ko) * | 2014-01-28 | 2015-08-06 | 영남대학교 산학협력단 | 표정 동작사전을 이용한 표정인식 방법 및 장치 |
CN104239859A (zh) * | 2014-09-05 | 2014-12-24 | 西安电子科技大学 | 基于结构化因子分析的人脸识别方法 |
CN105138980A (zh) * | 2015-08-20 | 2015-12-09 | 深圳云天励飞技术有限公司 | 基于身份证件信息和人脸识别的身份验证方法及系统 |
CN105871702A (zh) * | 2016-05-31 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 一种信息识别方法及服务器 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038948A (zh) * | 2017-12-26 | 2018-05-15 | 杭州数梦工场科技有限公司 | 乘客身份的验证方法及装置、计算机可读存储介质 |
CN108038948B (zh) * | 2017-12-26 | 2020-12-08 | 杭州数梦工场科技有限公司 | 乘客身份的验证方法及装置、计算机可读存储介质 |
CN112288932A (zh) * | 2017-12-26 | 2021-01-29 | 杭州数梦工场科技有限公司 | 乘客身份的验证方法及装置、计算机可读存储介质 |
CN112288932B (zh) * | 2017-12-26 | 2022-11-25 | 杭州数梦工场科技有限公司 | 乘客身份的验证方法及装置、计算机可读存储介质 |
CN110610575A (zh) * | 2019-09-20 | 2019-12-24 | 北京百度网讯科技有限公司 | 硬币识别方法及装置、收银机 |
US11354887B2 (en) | 2019-09-20 | 2022-06-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Coin identification method, device, and cash register |
CN111489117A (zh) * | 2020-03-11 | 2020-08-04 | 北京联合大学 | 一种基于视觉计算交互的物品分发方法及系统 |
CN114399622A (zh) * | 2022-03-23 | 2022-04-26 | 荣耀终端有限公司 | 图像处理方法和相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107392191B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
CN109117808B (zh) | 面部识别方法、装置、电子设备及计算机可读介质 | |
CN105678250B (zh) | 视频中的人脸识别方法和装置 | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
CN107392191B (zh) | 身份判定方法、装置及电子设备 | |
CN108229330A (zh) | 人脸融合识别方法及装置、电子设备和存储介质 | |
US7873189B2 (en) | Face recognition by dividing an image and evaluating a similarity vector with a support vector machine | |
CN104123543B (zh) | 一种基于人脸识别的眼球运动识别方法 | |
WO2013175792A1 (ja) | 人物属性推定システム、及び学習用データ生成装置 | |
WO2019061658A1 (zh) | 眼镜定位方法、装置及存储介质 | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN104143086A (zh) | 人像比对在移动终端操作系统上的应用技术 | |
CN104134364B (zh) | 具有自我学习能力的实时交通标记识别方法及系统 | |
CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
CN111898550B (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
CN110516707B (zh) | 一种图像标注方法及其装置、存储介质 | |
CN108765014A (zh) | 一种基于门禁系统的智能广告投放方法 | |
CN112036520A (zh) | 基于深度学习的大熊猫年龄识别方法、装置及存储介质 | |
CN103745242A (zh) | 一种跨设备生物特征识别方法 | |
CN115984930A (zh) | 微表情识别方法、装置、微表情识别模型的训练方法 | |
CN113436735A (zh) | 基于人脸结构度量的体重指数预测方法、设备和存储介质 | |
CN114861241A (zh) | 基于智能检测的防窥屏方法及其相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |