CN107798351B - 一种基于深度学习神经网络的身份识别方法和系统 - Google Patents
一种基于深度学习神经网络的身份识别方法和系统 Download PDFInfo
- Publication number
- CN107798351B CN107798351B CN201711099672.2A CN201711099672A CN107798351B CN 107798351 B CN107798351 B CN 107798351B CN 201711099672 A CN201711099672 A CN 201711099672A CN 107798351 B CN107798351 B CN 107798351B
- Authority
- CN
- China
- Prior art keywords
- input data
- class
- deep learning
- training
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本发明公开了一种基于深度学习神经网络的身份识别方法和系统,所述方法为:首先获取N类输入数据;然后初始化对应的N类深度学习神经网络;接着训练N类深度学习神经网络;然后根据采集成本从低到高对类别进行排序;然后初始化i、最优输出标签L、最大相似度相对比值U;接着计算Ti类测试输出标签Li,并判断L是否与Li相同;然后获取Ti类相似度相对比值Ui,并根据上一步的结果判别是身份识别失败还是执行下一步;然后更新L和U;最后根据U与预设最大相似度相对比值c的关系、i与N的关系,判别身份是否识别成功、是否需要将i加1继续循环执行。本发明优先选择低成本测试数据,并逐渐增加测试输入类型,在最低成本的情况下取得最高的判别准确率。
Description
技术领域
本发明涉及一种身份识别方法和系统,特别是一种基于深度学习神经网络的身份识别方法和系统。
背景技术
现有技术中深度学习技术能通过输入数据得到输出标签(例如通过头像得到该人身份证号,又如通过语音得到该人身份证号),在自顶向下的监督训练阶段需要通过带有标签的数据(例如带有身份证号的头像,又如带有身份证号的语音)进行监督训练(是将数据样本作为深度学习神经网络的输入,标签作为深度学习神经网络的输出)。
但是,由于深度学习神经网络的准确率无法达到100%,所以一个头像输入深度学习神经网络后输出的身份证号可能是另一个头像相似的人的身份证号,一个语音输入深度学习神经网络后输出的身份证号可能是另一个语音相似的人的身份证号。进行用户身份识别时,为了提高识别的准确性,一般需要采集用户的多类数据,进行综合判断,但这样会增加采集的成本,而且在采集越多类数据就会给用户造成越多的不便利,并且在很大程度省耽误了用户的时间。所以需要通过尽量少的测试类别来得到准确的判断,但现有深度学习神经网络技术无法实现通过多类深度学习神经网络进行综合辨别,也无法进行类别的选择。
发明内容
本发明所解决的技术问题在于提供一种基于深度学习神经网络的身份识别方法和系统。
实现本发明目的的技术解决方案为:一种基于深度学习神经网络的身份识别方法,包括以下步骤:
步骤1、获取用于身份识别的N类输入数据。
步骤2、初始化N类输入数据对应的N类深度学习神经网络。具体为:
步骤2-1、初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式;
步骤2-2、初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。
步骤3、对所述N类深度学习神经网络进行训练。具体为:
步骤3-1、获取N类中每一类训练输入数据,并将每一类训练输入数据作为该类对应的深度学习神经网络的输入,进行自下而上的无监督训练;
步骤3-2、获取N类中每一类带有标签的训练输入数据及其对应的预期输出标签,并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签,进行自顶向下的有监督训练。
步骤4、获取所述N类输入数据中每一类输入数据的采集成本,根据采集成本从低到高对类别进行排序,得到N类已排序的类别为T1,T2,...,TN;其中采集成本是经济成本与时间成本的加权平均。
步骤5、初始化i为1,待识别身份用户的最优输出标签L为空,最大相似度相对比值U为0;其中i为自然数,取值范围为1≤i≤N。
步骤6、获取一个待识别身份用户的Ti类测试输入数据,将Ti类测试输入数据作为Ti类深度学习神经网络的输入,通过Ti类深度学习神经网络计算得到Ti类测试输出标签Li;判断最优输出标签L是否为空或与Ti类测试输出标签Li相同,如果为空或相同,则执行步骤7,否则执行步骤8。
步骤7、获取Ti类相似度相对比值Ui,然后执行步骤9。
其中,获取Ti类相似度相对比值Ui,具体为:
首先从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;然后计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度,将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui。
步骤8、获取Ti类相似度相对比值Ui,并判别是身份识别失败还是执行步骤9。
其中,获取Ti类相似度相对比值Ui,具体为:
首先从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;然后计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度,将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui。
其中,判别是身份识别失败还是执行步骤9,具体为:
步骤8-1、从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;
步骤8-2、从Ti类训练输入数据集中搜索预期标签与最优输出标签L匹配的Ti类训练输入数据集,将其作为Ti类第二训练输入数据集;
步骤8-3、计算Ti类第一训练输入数据集中每一训练输入数据与第二训练输入数据集中每一训练输入数据的相似度,如果其中最大的相似度Ni大于等于Ti类混淆相似度预设阈值bi,则执行步骤9,反之则为身份识别失败。
步骤9、判别Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系,更新最优输出标签L和最大相似度相对比值U。具体为:
如果Ui大于U,则将最优输出标签L设置为Ti类输出标签,将最大相似度相对比值U设置为Ti类相似度相对比值Ui;否则保持最优输出标签L和最大相似度相对比值U不变。
步骤10、判别最大相似度相对比值U与预设最大相似度相对比值c之间的关系;如果U大于c,则身份识别成功,将最优输出标签作为识别出的身份标签;否则判别i与N之间的关系,如果i大于等于N,则身份识别失败,如果i小于N,则将i加1并返回步骤6继续执行。
本发明的另一目的采取的技术方案为:一种基于深度学习神经网络的身份识别系统,包括输入数据获取模块、初始化神经网络模块、训练模块、排序模块、初始化起始识别条件模块、测试输出标签获取模块、最优输出标签判别模块、相似度相对比值获取及判别模块、数据更新模块、身份识别判定模块;
其中,
所述输入数据获取模块,用于获取用于身份识别的N类输入数据。
所述初始化神经网络模块,用于初始化N类输入数据对应的N类深度学习神经网络。具体包括:
初始化输入格式单元,用于初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式;
初始化输出格式单元,用于初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。
所述训练模块,用于对所述N类深度学习神经网络进行训练。具体包括:
无监督训练单元,用于获取N类中每一类训练输入数据,并将每一类训练输入数据作为该类对应的深度学习神经网络的输入,进行自下而上的无监督训练;
有监督训练单元,用于获取N类中每一类带有标签的训练输入数据及其对应的预期输出标签,并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签,进行自顶向下的有监督训练。
所述排序模块,用于将N类输入数据依据采集成本从低到高进行排序。
所述初始化起始识别条件模块,用于初始化i为1,待识别身份用户的最优输出标签L为空,最大相似度相对比值U为0。
所述测试输出标签获取模块,用于将一个待识别身份用户的Ti类测试输入数据作为Ti类深度学习神经网络的输入,通过Ti类深度学习神经网络计算得到Ti类测试输出标签Li。
所述最优输出标签判别模块,用于判断最优输出标签L是否为空或与Ti类测试输出标签Li相同。
所述相似度相对比值获取及判别模块,用于获取Ti类相似度相对比值Ui,并判别是直接执行下一模块还是需要进一步判别是身份识别失败还是执行下一模块。具体包括:
Ti类第一训练输入数据集获取单元,用于从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;
Ti类第二训练输入数据集获取单元,用于从Ti类训练输入数据集中搜索预期标签与最优输出标签L匹配的Ti类训练输入数据集,将其作为Ti类第二训练输入数据集;
Ti类相似度相对比值Ui获取单元,用于计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度,将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui;
判别单元,用于依据最优输出标签判别模块的结果,判别是是直接执行下一模块还是需要进一步判别是身份识别失败还是执行下一模块。
所述数据更新模块,用于依据Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系,更新最优输出标签L和最大相似度相对比值U;
所述身份识别判定模块,用于依据最大相似度相对比值U与预设最大相似度相对比值c之间的关系、i与N之间的关系,判定身份识别是成功、失败还是i加1返回测试输出标签获取模块继续执行。
本发明与现有技术相比,其显著优点为:本发明通过训练多类深度学习神经网络,在对用户进行身份识别时,优先选择低成本的测试数据。本发明先以一种类型的测试输入数据进行判别,如果判别不出用户的身份,则逐渐增加其他类型的测试输入数据进行判别,从而在最低成本的情况下取得最高的判别准确率。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的基于深度学习神经网络的身份识别方法的流程图。
图2为本发明的基于深度学习神经网络的身份识别方法中对深度学习神经网络进行训练的流程图。
图3为本发明的基于深度学习神经网络的身份识别方法中判别是身份识别失败还是更新最优输出标签和最大相似度相对比值的流程图。
图4为本发明的基于深度学习神经网络的身份识别系统结构框图。
图5为本发明的基于深度学习神经网络的身份识别系统中初始化神经网络模块的结构框图。
图6为本发明的基于深度学习神经网络的身份识别系统中训练模块的结构框图。
图7为本发明的基于深度学习神经网络的身份识别系统中相似度相对比值获取及判别模块的结构框图。
具体实施方式
下面结合附图及实施例对本发明作进一步详细说明。
结合图1,以N=3为例,本发明基于深度学习神经网络的身份识别方法,包括以下步骤:
步骤1、获取用于身份识别的3类输入数据,分别为图像类、指纹类和语音类输入数据。
步骤2、初始化3类输入数据对应的3类深度学习神经网络。具体为:
步骤2-1、初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式。例如,初始化图像类深度学习神经网络的输入格式为图像类的输入数据的格式。
步骤2-2、初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。例如,初始化图像类深度学习神经网络的输出格式为用户身份信息的格式如身份证号。
步骤3、对所述3类深度学习神经网络进行训练。结合图2,具体为:
步骤3-1、获取3类中每一类训练输入数据,并将每一类训练输入数据作为该类对应的深度学习神经网络的输入,进行自下而上的无监督训练。例如将每一个头像作为头像类深度学习神经网络的输入,进行自下而上的无监督训练。
步骤3-2、获取3类中每一类带有标签的训练输入数据及其对应的预期输出标签,并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签,进行自顶向下的有监督训练。例如将带有姓名标签的头像及其对应的姓名标签作为分别作为头像类深度学习神经网络的输入数据与预期输出标签,进行自顶向下的监督训练。
步骤4、获取所述3类输入数据中每一类输入数据的采集成本,根据采集成本从低到高对类别进行排序,得到3类已排序的类别为T1,T2,T3;其中采集成本是经济成本与时间成本的加权平均。例如图像类采集的经济成本是1元,时间是0.3分钟,则采集成本为加权平均(1+0.3)/2=0.65;指纹类采集的经济成本是4元,时间是1分钟,则采集成本为加权平均(4+1)/2=2.5;语音类采集的经济成本是2元,时间是2分钟,则采集成本为加权平均(2+2)/2=2。则根据采集成本从低到高对类别进行排序,得到3类已排序的类别T1图像类、T2语音类、T3指纹类。
步骤5、初始化i为1,待识别身份用户的最优输出标签L为空,最大相似度相对比值U为0;其中i为自然数,取值范围为1≤i≤N。
步骤6、获取一个待识别身份用户的T1图像类测试输入数据,将T1图像类测试输入数据作为T1图像类深度学习神经网络的输入,通过T1图像类深度学习神经网络计算得到T1类测试输出标签L1例如张三身份证号,而当前最优输出标签L为空,则执行步骤7。
步骤7、获取T1头像类相似度相对比值U1。从头像类训练输入数据集中搜索出预期输出标签与头像类测试输出标签L1张三身份证号匹配的头像类训练输入数据集,作为头像类第一训练输入数据集;计算头像类第一训练输入数据集中每一训练输入数据与头像类测试输入数据之间的相似度(例如分别为70%、86%、44%、24%、78%、98%),将其中最大相似度98%与头像类相似度预设阈值(例如为82%)的比值作为T1头像类相似度相对比值,则U1=1.19。
步骤9、因U1>U,则将最优输出标签L设置为T1头像类输出标签张三身份证号,将最大相似度相对比值U设置为T1图像类相似度相对比值U1,即U=1.19。
步骤10、假设预设最大相似度相对比值c为1.2,因U<c,则判别i与N之间的关系,由i=1、N=3得i<N,则将i加1并返回步骤6继续执行。具体为:
由上可知i=2,获取一个待识别身份用户的T2语音类测试输入数据,将T2语音类测试输入数据作为T2语音类深度学习神经网络的输入,通过T2语音类深度学习神经网络计算得到T2类测试输出标签L2例如张三身份证号,而当前最优输出标签L为张三身份证号,L与L2相同,则执行如下:
获取T2语音类相似度相对比值U2。从语音类训练输入数据集中搜索出预期输出标签与语音类测试输出标签L2张三身份证号匹配的语音类训练输入数据集,作为语音类第一训练输入数据集;计算语音类第一训练输入数据集中每一训练输入数据与语音类测试输入数据之间的相似度(例如分别为52%、64%、78%、74%、68%),将其中最大相似度78%与语音类相似度预设阈值(例如为78%)的比值作为T2语音类相似度相对比值,则U2=1。
因U2<U,则保持最优输出标签L张三身份证号、最大相似度相对比值U=1.19不变。
因U<c,则判别i与N之间的关系,由i=2、N=3得i<N,则将i加1并返回步骤6继续执行。具体为:
由上可知i=3,获取一个待识别身份用户的T3指纹类测试输入数据,将T3指纹类测试输入数据作为T3指纹类深度学习神经网络的输入,通过T3指纹类深度学习神经网络计算得到T3类测试输出标签L3例如李四身份证号,而当前最优输出标签L为张三身份证号,L与L3不相同,则执行如下:
首先获取T3指纹类相似度相对比值U3。从指纹类训练输入数据集中搜索出预期输出标签与指纹类测试输出标签L3李四身份证号匹配的指纹类训练输入数据集,作为指纹类第一训练输入数据集;计算指纹类第一训练输入数据集中每一训练输入数据与指纹类测试输入数据之间的相似度(例如为87%),将其中最大相似度87%与指纹类相似度预设阈值(例如为70%)的比值作为T3指纹类相似度相对比值,则U3=1.24。
然后判别是身份识别失败还是执行步骤9,结合图3。从指纹类训练输入数据集中搜索出预期输出标签与当前最优输出标签张三身份证号匹配的指纹类训练输入数据集,作为指纹类第二训练输入数据集;计算指纹类第二训练输入数据集中每一训练输入数据与第一训练输入数据集中每一训练输入数据之间的相似度(例如分别为46%、73%、58%、…、89%、62%),如果其中最大相似度89%小于指纹类混淆相似度预设阈值,则识别验证失败(例如如果指纹类混淆相似度预设阈值是90%,那么张三与李四对应指纹类训练输入数据集的最大相似度89%小于指纹类混淆相似度预设阈值90%,就说明张三的指纹与李四的指纹不够相似,而测试输出的结果是张三、李四,这是矛盾的,那么就可能是用户在伪造输入数据,所以识别验证失败);如果其中最大相似度大于等于指纹类混淆相似度预设阈值,则执行步骤9(例如如果指纹类混淆相似度预设阈值是88%,那么张三与李四对应指纹类训练输入数据集的最大相似度89%小于指纹类混淆相似度预设阈值88%,就说明张三的指纹与李四的指纹足够相似,而测试输出的结果是张三、李四,有可能是因为两者相似导致的误判,所以需要继续增加其他类的输入数据进一步识别)。假设上述判断结果为执行步骤9,则执行如下:因U3>U,则将最优输出标签L设置为T3指纹类输出标签李四身份证号,将最大相似度相对比值U设置为T3指纹类相似度相对比值U3,即U=1.24。
因U>c,则身份识别成功,将最优输出标签李四身份证号作为识别出的身份标签。
综上实施例可知,深度学习神经网络已经事先通过训练输入数据训练好了,所以在身份识别时只需要输入测试输入数据,就能通过深度学习神经网络实时计算得到输出标签,从而速度要比传统身份识别方式“将测试输入数据与所有海量(例如1000个用户身份可能对应十万个样本)训练数据一一匹配(需要匹配十万次),将最匹配的训练数据对应的标签作为输出标签”要快得多,但深度学习神经网络的输出标签也不一定百分百准确,此时在训练数据中搜索出该深度学习神经网络的输出标签对应的训练数据(根据标签来检索非常快,而一个输出标签对应的一个用户的训练数据比较少,例如100个左右)与测试数据进行比较,来判断深度学习神经网络的输出标签是否准确,这种方式既计算速度快,又结合了深度学习神经网络和传统模式匹配的各自优势,使得深度学习神经网络的输出标签的准确性有了评价的标准。
不同类别输入数据相似度的阈值标准是不同的,例如图像之间的相似度与语音之间的相似度的阈值是不同的,例如图像之间的相似度预设阈值是90%,达到这个相似度阈值就表明这2个图像非常像,可以认为是可能对应同一个身份标签了;而语音之间的相似度预设阈值是80%即可,因为语音的噪音相对大些,达到80%这个相似度预设阈值就表明这2个语音非常像,可以认为是可能对应同一个身份标签了。
而将每一类最大相似度与该一类相似度预设阈值的比值作为该一类最大相似度相对比值之后,不同类的最大相似度相对比值就可以相互比较了,因为已经通过除以该一类相似度预设阈值进行归一化了。例如图像最大相似度相对比值与语音最大相似度相对比值就可以比较,越大表明其对应的输出身份标签越准确。所以如果当前最大相似度相对比值大于预设最大相似度相对比值例如1.2,则身份识别成功就成功,那么就无需继续输入其他类别的测试输入数据了,节省了测试的成本和用户的时间,使得身份识别更为低成本且高效。
本发明优先选择低成本测试数据,并逐渐增加测试输入类型,在最低成本的情况下取得最高的判别准确率。
Claims (9)
1.一种基于深度学习神经网络的身份识别方法,其特征在于,包括以下步骤:
步骤1、获取用于身份识别的N类输入数据;
步骤2、初始化N类输入数据对应的N类深度学习神经网络;
步骤3、对所述N类深度学习神经网络进行训练;
步骤4、获取所述N类输入数据中每一类输入数据的采集成本,根据采集成本从低到高对类别进行排序,得到N类已排序的类别为T1,T2,...,TN;其中采集成本是经济成本与时间成本的加权平均;
步骤5、初始化i为1,待识别身份用户的最优输出标签L为空,最大相似度相对比值U为0;其中i为自然数,取值范围为1≤i≤N;
步骤6、获取一个待识别身份用户的Ti类测试输入数据,将Ti类测试输入数据作为Ti类深度学习神经网络的输入,通过Ti类深度学习神经网络计算得到Ti类测试输出标签Li;判断最优输出标签L是否为空或与Ti类测试输出标签Li相同,如果为空或相同,则执行步骤7,否则执行步骤8;
步骤7、获取Ti类相似度相对比值Ui,然后执行步骤9;
步骤8、获取Ti类相似度相对比值Ui,并判别是身份识别失败还是执行步骤9;具体为:
步骤8-1、从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;
步骤8-2、从Ti类训练输入数据集中搜索预期标签与最优输出标签L匹配的Ti类训练输入数据集,将其作为Ti类第二训练输入数据集;
步骤8-3、计算Ti类第一训练输入数据集中每一训练输入数据与第二训练输入数据集中每一训练输入数据的相似度,如果其中最大的相似度Ni大于等于Ti类混淆相似度预设阈值bi,则执行步骤9,反之则为身份识别失败;
步骤9、判别Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系,更新最优输出标签L和最大相似度相对比值U;
步骤10、判别最大相似度相对比值U与预设最大相似度相对比值c之间的关系;如果U大于c,则身份识别成功,将最优输出标签作为识别出的身份标签;否则判别i与N之间的关系,如果i大于等于N,则身份识别失败,如果i小于N,则将i加1并返回步骤6继续执行。
2.根据权利要求1所述的基于深度学习神经网络的身份识别方法,其特征在于,步骤2初始化N类输入数据对应的N类深度学习神经网络,具体为:
步骤2-1、初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式;
步骤2-2、初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。
3.根据权利要求1所述的基于深度学习神经网络的身份识别方法,其特征在于,步骤3对所述N类深度学习神经网络进行训练,具体为:
步骤3-1、获取N类中每一类训练输入数据,并将每一类训练输入数据作为该类对应的深度学习神经网络的输入,进行自下而上的无监督训练;
步骤3-2、获取N类中每一类带有标签的训练输入数据及其对应的预期输出标签,并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签,进行自顶向下的有监督训练。
4.根据权利要求1所述的基于深度学习神经网络的身份识别方法,其特征在于,步骤7、步骤8中所述获取Ti类相似度相对比值Ui,具体为:
首先从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;然后计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度,将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui。
5.根据权利要求1所述的基于深度学习神经网络的身份识别方法,其特征在于,步骤9所述判别Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系,更新最优输出标签L和最大相似度相对比值U,具体为:
如果Ui大于U,则将最优输出标签L设置为Ti类输出标签,将最大相似度相对比值U设置为Ti类相似度相对比值Ui;否则保持最优输出标签L和最大相似度相对比值U不变。
6.一种基于深度学习神经网络的身份识别系统,其特征在于,包括输入数据获取模块、初始化神经网络模块、训练模块、排序模块、初始化起始识别条件模块、测试输出标签获取模块、最优输出标签判别模块、相似度相对比值获取及判别模块、数据更新模块、身份识别判定模块;
其中,
所述输入数据获取模块,用于获取用于身份识别的N类输入数据;
所述初始化神经网络模块,用于初始化N类输入数据对应的N类深度学习神经网络;
所述训练模块,用于对所述N类深度学习神经网络进行训练;
所述排序模块,用于将N类输入数据依据采集成本从低到高进行排序;
所述初始化起始识别条件模块,用于初始化i为1,待识别身份用户的最优输出标签L为空,最大相似度相对比值U为0;
所述测试输出标签获取模块,用于将一个待识别身份用户的Ti类测试输入数据作为Ti类深度学习神经网络的输入,通过Ti类深度学习神经网络计算得到Ti类测试输出标签Li;
所述最优输出标签判别模块,用于判断最优输出标签L是否为空或与Ti类测试输出标签Li相同;
所述相似度相对比值获取及判别模块,用于获取Ti类相似度相对比值Ui,并判别是直接执行下一模块还是需要进一步判别是身份识别失败还是执行下一模块;
所述数据更新模块,用于依据Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系,更新最优输出标签L和最大相似度相对比值U;
所述身份识别判定模块,用于依据最大相似度相对比值U与预设最大相似度相对比值c之间的关系、i与N之间的关系,判定身份识别是成功、失败还是i加1返回测试输出标签获取模块继续执行。
7.根据权利要求6所述的基于深度学习神经网络的身份识别系统,其特征在于,所述初始化神经网络模块,具体包括:
初始化输入格式单元,用于初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式;
初始化输出格式单元,用于初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。
8.根据权利要求6所述的基于深度学习神经网络的身份识别系统,其特征在于,所述训练模块,具体包括:
无监督训练单元,用于获取N类中每一类训练输入数据,并将每一类训练输入数据作为该类对应的深度学习神经网络的输入,进行自下而上的无监督训练;
有监督训练单元,用于获取N类中每一类带有标签的训练输入数据及其对应的预期输出标签,并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签,进行自顶向下的有监督训练。
9.根据权利要求6所述的基于深度学习神经网络的身份识别系统,其特征在于,所述相似度相对比值获取及判别模块,具体包括:
Ti类第一训练输入数据集获取单元,用于从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集,将其作为Ti类第一训练输入数据集;
Ti类第二训练输入数据集获取单元,用于从Ti类训练输入数据集中搜索预期标签与最优输出标签L匹配的Ti类训练输入数据集,将其作为Ti类第二训练输入数据集;
Ti类相似度相对比值Ui获取单元,用于计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度,将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui;
判别单元,用于依据最优输出标签判别模块的结果,判别是是直接执行下一模块还是需要进一步判别是身份识别失败还是执行下一模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711099672.2A CN107798351B (zh) | 2017-11-09 | 2017-11-09 | 一种基于深度学习神经网络的身份识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711099672.2A CN107798351B (zh) | 2017-11-09 | 2017-11-09 | 一种基于深度学习神经网络的身份识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798351A CN107798351A (zh) | 2018-03-13 |
CN107798351B true CN107798351B (zh) | 2020-03-31 |
Family
ID=61534672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711099672.2A Active CN107798351B (zh) | 2017-11-09 | 2017-11-09 | 一种基于深度学习神经网络的身份识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798351B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596334B (zh) * | 2018-03-23 | 2021-01-01 | 大国创新智能科技(东莞)有限公司 | 基于双向深度学习的数据对应关系判断、生成方法和系统 |
CN109145834A (zh) * | 2018-08-27 | 2019-01-04 | 河南丰泰光电科技有限公司 | 一种基于神经网络的指纹识别及验证方法 |
CN110197056B (zh) * | 2018-11-16 | 2022-09-20 | 腾讯科技(深圳)有限公司 | 关系网络和关联身份识别方法、装置、设备和存储介质 |
CN109656795B (zh) * | 2018-12-11 | 2022-06-28 | 北京安和瑞福信息技术有限公司 | 测试方法及装置 |
JP2020107012A (ja) * | 2018-12-27 | 2020-07-09 | ルネサスエレクトロニクス株式会社 | 演算処理装置および機械学習方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073843A (zh) * | 2010-11-05 | 2011-05-25 | 沈阳工业大学 | 非接触式快速人手多模态信息融合识别方法 |
CN102332093A (zh) * | 2011-09-19 | 2012-01-25 | 汉王科技股份有限公司 | 一种掌纹和人脸融合识别的身份认证方法及装置 |
CN104239766A (zh) * | 2014-08-20 | 2014-12-24 | 中广核核电运营有限公司 | 基于视频和音频的核电站用身份认证方法和系统 |
CN104361276A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种多模态生物特征身份认证方法及系统 |
CN106485213A (zh) * | 2016-09-27 | 2017-03-08 | 鲁东大学 | 一种利用心电信号进行自动身份识别的特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160354B2 (en) * | 2008-12-26 | 2012-04-17 | Five Apes, Inc. | Multi-stage image pattern recognizer |
CN103973441B (zh) * | 2013-01-29 | 2016-03-09 | 腾讯科技(深圳)有限公司 | 基于音视频的用户认证方法和装置 |
-
2017
- 2017-11-09 CN CN201711099672.2A patent/CN107798351B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073843A (zh) * | 2010-11-05 | 2011-05-25 | 沈阳工业大学 | 非接触式快速人手多模态信息融合识别方法 |
CN102332093A (zh) * | 2011-09-19 | 2012-01-25 | 汉王科技股份有限公司 | 一种掌纹和人脸融合识别的身份认证方法及装置 |
CN104239766A (zh) * | 2014-08-20 | 2014-12-24 | 中广核核电运营有限公司 | 基于视频和音频的核电站用身份认证方法和系统 |
CN104361276A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种多模态生物特征身份认证方法及系统 |
CN106485213A (zh) * | 2016-09-27 | 2017-03-08 | 鲁东大学 | 一种利用心电信号进行自动身份识别的特征提取方法 |
Non-Patent Citations (3)
Title |
---|
《3D Convolutional Neural Networks for Cross Audio-Visual Matching Recognition》;AMIRSINA TORFI等;《IEEE Access》;20171107;第5卷;第22081-22091页 * |
《Cost-Sensitive Face Recognition》;Yin Zhang等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20101031;第32卷(第10期);第1758-1769页 * |
《基于深度学习的人脸识别研究》;林妙真;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130915(第9期);第I138-379页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107798351A (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798351B (zh) | 一种基于深度学习神经网络的身份识别方法和系统 | |
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN109309630B (zh) | 一种网络流量分类方法、系统及电子设备 | |
CN108664924B (zh) | 一种基于卷积神经网络的多标签物体识别方法 | |
CN110717554B (zh) | 图像识别方法、电子设备及存储介质 | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN109977980A (zh) | 一种验证码识别方法及装置 | |
CN101964063A (zh) | 一种改进的AdaBoost分类器构造方法 | |
CN101178773A (zh) | 基于特征提取和分类器的图像识别系统及方法 | |
CN110210294A (zh) | 优化模型的评价方法、装置、存储介质及计算机设备 | |
CN111062424A (zh) | 小样本食品图像识别模型训练方法及食品图像识别方法 | |
CN113489685B (zh) | 一种基于核主成分分析的二次特征提取及恶意攻击识别方法 | |
CN103474065A (zh) | 基于自动分类技术的语音意图判定识别方法 | |
CN111428028A (zh) | 基于深度学习的信息分类方法及相关设备 | |
US7233692B2 (en) | Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system | |
CN109993042A (zh) | 一种人脸识别方法及其装置 | |
CN110717540A (zh) | 一种对雷达新辐射源个体的识别方法及装置 | |
CN111079427A (zh) | 一种垃圾邮件识别方法及系统 | |
CN106384587A (zh) | 一种语音识别方法及系统 | |
CN101299762B (zh) | 一种身份认证方法及装置 | |
JP4802176B2 (ja) | パターン認識装置、パターン認識プログラム及びパターン認識方法 | |
CN114037886A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN101515329B (zh) | 基于多种特征的图像匹配方法 | |
CN114510610A (zh) | 面向多模态知识图谱构建的识别视觉概念的方法 | |
CN106557465B (zh) | 一种词权重类别的获得方法及装置 |
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 |