CN107657223B - 一种基于快速处理多距离度量学习的人脸认证方法 - Google Patents

Abstract

本发明公开了一种基于快速处理多距离度量学习的人脸认证方法，所述方法包括：对训练样本集中的每个样本提取K种特征；利用一种快速且有效的度量学习算法，获得K种特征对应的初步距离度量矩阵；利用带约束的目标函数对初步距离度量矩阵的特征值进行优化，从而获得优化后的距离度量矩阵；对需要测试的两个样本，提取同样的K种特征，并利用已学习到的距离度量获得两样本的距离；若距离小于阈值，判断为同一个人，若大于阈值，则判断不是同一个人。本发明通过在带约束的目标函数中优化矩阵的特征值从而优化距离度量矩阵，可以有效较少计算成本，提高学习速度，从而更加适用于实际场景。

Description

一种基于快速处理多距离度量学习的人脸认证方法

技术领域

本发明涉及计算机视觉和模式识别技术领域，具体涉及一种基于快速处理多距离度量学习的人脸认证方法。

背景技术

人脸认证是计算机视觉的研究热点之一，在信息安全和验证方面有非常大的应用前景，如二代身份证的人脸验证系统。由于人脸受到光照、年龄、姿势等外在因素的影响，在不同环境中获得的同一张人脸可能会有很大的差异，因此需要学习一种可以反映人们对相似性定义的度量，即距离度量学习，距离度量学习旨在学习一个马氏距离度量，以使来自同一个人的人脸图像之间的距离变得更近，而来自不同人的人脸图像之间的距离变远，以此更好的认证两张人脸图像是否属于一个人。

在人脸图像分析中，通常能够提取多个特征表示每个人脸图像，并且希望从这多个特征中获得比从单个特征更多的有用信息，因此多距离度量学习旨在通过对每个人脸图像提取的不同特征进行距离度量学习，利用更多对人脸描述有用的信息来更好的度量人脸的相似性。

发明内容

本发明提出了一种快速处理多距离度量学习的人脸认证方法，目的在于对人脸图像的多种特征进行距离度量学习时，在保证高人脸认证准确率的前提下有较快的认证速度，从而更加适用于实际场景。

本发明的目的可以通过采取如下技术方案达到：

一种基于快速处理多距离度量学习的人脸认证方法，所述的人脸认证方法包括下列步骤：

输入训练集，其中，训练集由两个子集组成，子集S中的样本对(x_i,x_j)来自同一个人脸，子集D中的样本对(x_i,x_j)来自两个不同的人脸；

对训练子集中的每个人脸图像均提取K种特征，

表示样本x_i的第k个特征，k＝1,2,……,K；

学习K种特征对应的距离度量矩阵及其权重；

输入两张人脸图像作为测试样本；

对输入的两张人脸图像提取同样的K种特征，并利用已经学习到的距离度量矩阵和权重计算这两张人脸图像的距离d；

判断，若两张图像的距离小于给定的第一阈值，则是同一个人，若大于给定的第二阈值，则不是同一个人。

进一步地，所述的学习K种特征对应的距离度量矩阵及其权重包括：

a)利用KISS算法，求出每种特征对应的距离度量：

式中，y_ij＝1表示

和

来自同一张人脸，y_ij＝-1表示

和

来自不同的人脸；

b)求出M_0k的特征向量和特征值：

式中，P_k表示由M_0k特征向量组成的矩阵，Λ_0k表示由特征向量对应的特征值组成的对角矩阵；

c)以Λ_0k作为初始值，优化特征值变量Λ_k：

式中，

表示

和

的马氏距离，

表示第k种特征对应的铰链损失函数，其中h(x)＝max(x,0)；

d)利用上述求得的Λ_k及公式

求得优化后的距离度量M_k。

进一步地，所述的对训练子集中的每个人脸图像均提取K种特征的特征提取方法包括LBP特征或SIFT特征提取等方法。

进一步地，所述的距离d具体如下：

其中，M_k和w_k分别为每种特征对应的距离度量及其权重。

进一步地，所述的判断，若两张图像的距离小于给定的第一阈值，则是同一个人，若大于给定的第二阈值，则不是同一个人具体如下：

判断若d²(x,y)<μ_k-τ_k，则两张人脸图像是同一个人，若d²(x,y)>μ_k+τ_k，则两张人脸图像不是同一个人，其中，参数μ_k和τ_k根据训练样本集的实际情况得到，参数μ_k为距离阈值，τ_k是对距离阈值的调整参数。

本发明相对于现有技术具有如下的优点及效果：

1)本发明通过对每个人脸图像提取K种特征，可以获得对人脸特征可多的信息，从而更全面的描述人脸的特征；

2)本发明通过同时学习K种特征对应的距离度量矩阵，可以在保留K种特征对人脸距离度量的有用信息的同时，利用同一人脸的K种特征之间的相关性，获得更准确的距离度量；

3)本发明利用一种快速且有效的距离度量算法，先获得K种特征对应的距离度量矩阵，并作为初始值，再利用带约束的目标函数，优化矩阵的特征值从而优化距离度量矩阵，可以有效较少计算成本，提高学习速度，从而更加适用于实际场景。

附图说明

图1是本发明公开的一种基于快速处理多距离度量学习的人脸认证方法的流程图；

图2是本发明中更快速获取多距离度量矩阵的方法流程图。

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。

实施例一

如图1所示，本实施例公开了一种基于快速处理多距离度量学习的人脸认证方法，具体按照以下步骤进行：

步骤S1、输入训练集。其中，训练集由两个子集组成，子集S中的样本对(x_i,x_j)来自同一个人脸，子集D中的样本对(x_i,x_j)来自两个不同的人脸。

步骤S2、特征提取。对训练子集中的每个人脸图像均提取K种特征，

表示样本x_i的第k个特征，k＝1,2,……,K，其中，提取样本特征的方法可以是现有的任一种特征提取方法，如LBP特征、SIFT特征。

通过K种特征可以比单一的特征获得更多关于人脸图像的信息，从而更全面的描述人脸的特征。

步骤S3、利用多距离度量学习方法，对步骤S2中获得的

特征进行学习，求得每种特征对应的距离度量M_k及其权重w_k。

为了更快速的获得所述步骤S3中的M_k及其w_k的，结合图2，具体的流程如下所述：

S301、利用一种比较快速且有效的算法，如KISS算法，求出每种特征对应的距离度量：

式中，y_ij＝1表示

和

来自同一张人脸，y_ij＝-1表示

和

来自不同的人脸。

相比于先将K种特征组合再学习一个单一的距离度量矩阵，同时学习的方式获得K种特征对应的距离度量矩阵M_0k，为人脸的距离度量获得更多有用的信息。

S302、求出M_0k的特征向量和特征值:

式中，P_k表示由M_0k特征向量组成的矩阵，Λ_0k表示由特征向量对应的特征值组成的对角矩阵。

S303、以Λ_0k作为初始值，优化特征值变量Λ_k：

式中，

表示

和

的马氏距离，

表示第k种特征对应的铰链损失函数，其中h(x)＝max(x,0)，参数μ_k和τ_k根据训练样本集的实际情况得到，参数μ_k为距离阈值，τ_k是对距离阈值的调整参数，从而进一步增大同一个人的距离和不同人的距离的间隔，具体的，当

和

来自同一个人时，要求它们的距离

小于μ_k-τ_k(μ_k>τ_k>0)，当

和

来自两个不同的人时，要求它们的距离

大于μ_k+τ_k，w_k为J_k对应的权重，

表示对于同一样本对的不同特征，希望它们的距离尽量接近，从而保持同一样本不同特征之间的相关性。

S304、利用步骤S303求得的Λ_k及公式

求得优化后的距离度量M_k。

通过优化特征值而非整个度量矩阵，可以减少优化过程的计算量，加速距离度量的学习过程。

步骤S4、输入两张人脸图像作为测试样本。

步骤S5、对步骤S4的两个样本均提取与步骤S2对应的K种特征。

步骤S6、利用步骤S3获得的M_k和w_k计算两个人脸图像的距离：

步骤S7、判断若d²(x,y)<μ_k-τ_k，则两张人脸图像是同一个人，若d²(x,y)>μ_k+τ_k，则两张人脸图像不是同一个人。

实施例二

本实施例更具体公开了一种基于快速处理多距离度量学习的人脸认证方法，具体按照以下步骤进行：

步骤S1、输入训练集。训练集由两部分组成，一部分为同一个人的两张不同环境下的人脸图像组成的相似对人脸图像，另一部分为两个人的两张图像组成的不相似对人脸图像；

步骤S2、特征提取。对训练集中的每一张人脸图像均提取K个特征，

表示样本x_i的第k个特征，k＝1,2,……,K，其中，特征的提取可以是现有的任一中特征提取方法，如局部二值模式(LBP)特征、尺度不变特征转换(SIFT)特征等。

步骤S3、利用多距离度量学习方法，对步骤S2中获得的

特征进行学习，求得K个特征对应的距离度量M_k及其权重w_k，其中，k＝1,2,……,K。

具体步骤如下：

假设

表示第x_i张人脸图像的第k个特征，

表示第K个特征对应的距离度量，并且是个正定矩阵，则样本对

和

的距离为：

要求对于来自同一个人的两张图像的距离

要小于μ_k-τ_k(μ_k>τ_k>0)，来自不同人的两张图像的距离

要大于μ_k+τ_k，因此μ_k和τ_k的选择根据训练样本集的实际情况选择，令y_ij＝1表示

和

来自同一个人，y_ij＝-1表示

和

来自不同的人，则有：

第k个特征对应的铰链损失函数为：

其中，h(x)＝max(x,0)。同时由于样本x_i的第k和第l特征描述的是同一张人脸图像，因此希望

和

之间的距离与

和

之间的距离应该尽量接近。最终，通过下面这个模型来学习M_k：

通过上述的模型学习K个M_k矩阵的计算量非常大，为了较少计算量，具体的步骤如下：

先选择一种快速并且有效的距离度量学习方法，如KISS算法：

将M_0k进行分解：

其中

表示M_0k的特征向量，

是对应的特征值，P_k表示特征

线性变换的空间，而Λ_k表示将

变换到由P_k组成的特征空间中的新的向量，因此，通过学习Λ_k可以得到更优化的M_k。此时

和

的距离为：

学习模型为：

将学习到的Λ_k由

得到优化后的M_k。

步骤S4、输入需要认证的两张人脸图像。

步骤S5、对输入的两张人脸图像均提取K种特征，所选取的特征种类与步骤S2的特征种类相同。

步骤S6、利用步骤S3获得的M_k和w_k计算两个人脸图像的距离d，该距离d具体如下：：

步骤S7、判断距离d是否大于所给阈值，若大于，则两张人脸图像是同一个人的图像，若小于，则两张人脸图像分别是两个不同的人的图像。

该步骤具体如下：

判断若d²(x,y)<μ_k-τ_k，则两张人脸图像是同一个人，若d²(x,y)>μ_k-τ_k，则两张人脸图像不是同一个人。

通过上述技术方案的描述，可以看到本发明通过同时学习样本多种特征的距离度量获取更多有用的判别信息，在优化距离度量矩阵的过程中，通过优化其特征值而不是整个距离度量矩阵以较少计算成本，提高计算速度，更适用实际场景。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于快速处理多距离度量学习的人脸认证方法，其特征在于，所述的人脸认证方法包括下列步骤：

输入训练集，其中，训练集由两个子集组成，子集S中的样本对(x_i,x_j)来自同一个人脸，子集D中的样本对(x_i,x_j)来自两个不同的人脸；

对训练子集中的每个人脸图像均提取K种特征，

表示样本x_i的第k个特征，k＝1,2,……,K；

学习K种特征对应的距离度量矩阵及其权重；

输入两张人脸图像作为测试样本；

对输入的两张人脸图像提取同样的K种特征，并利用已经学习到的距离度量矩阵和权重计算这两张人脸图像的距离d；

判断，若两张图像的距离小于给定的第一阈值，则是同一个人，若大于给定的第二阈值，则不是同一个人；

其中，所述的学习K种特征对应的距离度量矩阵及其权重包括：

a)利用KISS算法，求出每种特征对应的距离度量：

式中，y_ij＝1表示

和

来自同一张人脸，y_ij＝-1表示

和

来自不同的人脸；

b)求出M_0k的特征向量和特征值：

式中，P_k表示由M_0k特征向量组成的矩阵，Λ_0k表示由特征向量对应的特征值组成的对角矩阵；

c)以Λ_0k作为初始值，优化特征值变量Λ_k：

式中，k和l分别表示图像的第k种和第l种特征，

表示

和

的马氏距离，

表示

和

的马氏距离，

表示第k种特征对应的铰链损失函数，w_k为J_k对应的权重，参数μ_k为距离阈值，τ_k是对距离阈值的调整参数，根据训练样本集的实际情况得到，其中h(x)＝max(x,0)；

d)利用上述求得的Λ_k及公式

求得优化后的距离度量M_k。

2.根据权利要求1所述的一种基于快速处理多距离度量学习的人脸认证方法，其特征在于，所述的对训练子集中的每个人脸图像均提取K种特征的特征提取方法包括LBP特征或SIFT特征提取方法。

3.根据权利要求1所述的一种基于快速处理多距离度量学习的人脸认证方法，其特征在于，所述的距离d具体如下：

其中，M_k和w_k分别为每种特征对应的距离度量及其权重。

4.根据权利要求3所述的一种基于快速处理多距离度量学习的人脸认证方法，其特征在于，所述的判断，若两张图像的距离小于给定的第一阈值，则是同一个人，若大于给定的第二阈值，则不是同一个人具体如下：

判断若d²(x,y)<μ_k-τ_k，则两张人脸图像是同一个人，若d²(x,y)>μ_k+τ_k，则两张人脸图像不是同一个人，其中，参数μ_k和τ_k根据训练样本集的实际情况得到，参数μ_k为距离阈值，τ_k是对距离阈值的调整参数。

Images