CN108510466A - 用于验证人脸的方法和装置 - Google Patents
用于验证人脸的方法和装置 Download PDFInfo
- Publication number
- CN108510466A CN108510466A CN201810257451.1A CN201810257451A CN108510466A CN 108510466 A CN108510466 A CN 108510466A CN 201810257451 A CN201810257451 A CN 201810257451A CN 108510466 A CN108510466 A CN 108510466A
- Authority
- CN
- China
- Prior art keywords
- facial image
- face
- feature vector
- image
- eigenvector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001815 facial effect Effects 0.000 claims abstract description 130
- 239000013598 vector Substances 0.000 claims abstract description 96
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 238000012795 verification Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 description 30
- 230000006870 function Effects 0.000 description 22
- 230000006854 communication Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于验证人脸的方法和装置。该方法的一具体实施方式包括：获取第一人脸图像和第二人脸图像，其中，第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；将第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，特征提取模型用于提取图像特征；融合第一特征向量和第二特征向量，得到融合特征向量；将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果。该实施方式实现了对两种不同类型的相机采集的人脸图像进行人脸验证。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及计算机视觉技术领域，尤其涉及用于验证人脸的方法和装置。
背景技术
人脸验证，即将用户提供的人脸图像与待验证的用户身份对应的注册人脸图像进行比对，以对用户身份进行验证。目前大部分的人脸验证在注册阶段和验证阶段都采用相同类型的人脸图像(例如，都是可见光图像)来进行人脸验证。然而这种人脸验证方式，经常因为拍照环境的不同导致人脸验证的正确率较低或者验证失败。比如，注册阶段采用的是可见光图像，而验证时，拍照环境的光线不好，如果还是采用可见光图像进行验证就很有可能造成验证失败。
发明内容
本申请实施例提出了用于验证人脸的方法和装置。
第一方面，本申请实施例提供了一种用于验证人脸的方法，该方法包括：获取第一人脸图像和第二人脸图像，其中，第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；将第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，特征提取模型用于提取图像特征；融合第一特征向量和第二特征向量，得到融合特征向量；将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果，其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，全连接层用于表征特征向量和人脸验证结果之间的对应关系。
在一些实施例中，融合第一特征向量和第二特征向量，得到融合特征向量，包括：将第一特征向量和第二特征向量输入预设双线性模型，得到融合特征向量。
在一些实施例中，融合第一特征向量和第二特征向量，得到融合特征向量，包括：拼接第一特征向量和第二特征向量，得到融合特征向量。
在一些实施例中，特征提取模型为卷积神经网络。
第二方面，本申请实施例提供了一种用于验证人脸的装置，该装置包括：获取单元，配置用于获取第一人脸图像和第二人脸图像，其中，第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；输入单元，配置用于将第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，特征提取模型用于提取图像特征；融合单元，配置用于融合第一特征向量和第二特征向量，得到融合特征向量；验证单元，配置用于将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果，其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，全连接层用于表征特征向量和人脸验证结果之间的对应关系。
在一些实施例中，融合单元进一步用于：将第一特征向量和第二特征向量输入预设双线性模型，得到融合特征向量。
在一些实施例中，融合单元进一步用于：拼接第一特征向量和第二特征向量，得到融合特征向量。
在一些实施例中，特征提取模型为卷积神经网络。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于验证人脸的方法和装置，通过融合两种类型的相机采集的人脸图像的特征，得到融合特征，再将融合特征输入预先训练的全连接层进行人脸验证，实现了对两种不同类型的相机采集的人脸图像进行人脸验证。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于验证人脸的方法的一个实施例的流程图；
图3是根据本申请的用于训练特征提取模型和全连接层的训练步骤的一个实施例的流程图；
图4是根据本申请的用于验证人脸的方法的又一个实施例的流程图；
图5是根据本申请的用于验证人脸的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于验证人脸的方法或用于验证人脸的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如深度图像采集类应用、红外图像采集类应用、可见光图像采集类应用、图像处理类应用、人脸验证类应用、搜索类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏和至少一种相机类型的相机(例如，可见光相机、红外相机、深度相机等等)的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供深度图像采集服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的第一人脸图像和第二人脸图像进行人脸验证的人脸验证服务器。人脸验证服务器可以对接收到的第一人脸图像和第二人脸图像等数据进行分析等处理，并将处理结果(例如，人脸验证结果)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于验证人脸的方法一般由服务器105执行，相应地，用于验证人脸的装置一般设置于服务器105中。
需要指出的是，服务器105的本地也可以直接存储第一人脸图像和第二人脸图像，服务器105可以直接提取本地的第一人脸图像和第二人脸图像进行人脸验证，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是，终端设备101、102、103中也可以安装有人脸验证类应用，终端设备101、102、103也可以基于第一人脸图像和第二人脸图像进行人脸验证，此时，用于验证人脸的方法也可以由终端设备101、102、103执行，相应地，用于验证人脸的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100也可以不包括服务器105和网络104。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供人脸验证服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本申请的用于验证人脸的方法的一个实施例的流程200。该用于验证人脸的方法，包括以下步骤：
步骤201，获取第一人脸图像和第二人脸图像。
在本实施例中，用于验证人脸的方法的执行主体(例如图1所示的服务器)可以获取第一人脸图像和第二人脸图像。其中，第一人脸图像可以是采用第一相机类型的相机拍摄人脸所得到的图像。第二人脸图像可以是采用第二相机类型的相机拍摄人脸所得到的图像。这里，第一相机类型不同于第二相机类型，第一相机类型和第二相机类型可以分别是预设相机类型集合中的相机类型。这里，预设相机类型集合可以包括但不限于：可见光相机类型、红外相机类型和深度相机类型。
例如，第一相机类型和第二相机类型可以分别是可见光相机类型和红外相机类型，或者也可以分别是可见光相机类型和深度相机类型，或者还可以分别是红外相机类型和深度相机类型。
在本实施例的一些可选的实现方式中，上述第一人脸图像可以是与上述执行主体(例如图1所示的服务器)通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述执行主体中的，而上述第二人脸图像可以是上述执行主体本地存储的。比如，上述终端设备(比如，手机)中可以安装有第一相机类型的相机，用户可以使用上述终端设备上安装的第一相机类型的相机拍摄人脸照片，作为第一人脸图像。然后，用户在上述终端设备上并发起针对指定用户的人脸验证请求，从而上述终端设备将上述第一人脸图像和上述指定用户的用户标识发送给上述执行主体，上述执行主体可以获取上述第一人脸图像，并从本地获取所收到的用户标识所指示的用户的采用第二相机类型的相机拍摄的注册人脸图像作为第二人脸图像，从而上述执行主体获取到了第一人脸图像和第二人脸图像。需要说明的是，终端设备中也可以安装有第二相机类型的相机，上述执行主体本地存储的用户的注册人脸图像也可以是用户预先使用上述终端设备上安装的第二相机类型的相机拍摄用户人脸照片并发送到上述执行主体的。
在本实施例的一些可选的实现方式中，上述第一人脸图像和第二人脸图像可以是与上述执行主体(例如图1所示的服务器)通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述执行主体中的。比如，上述终端设备(比如，手机)中可以安装有第一相机类型的相机，当用户发起人脸验证请求时，用户可以使用上述终端设备上安装的第一相机类型的相机拍摄人脸照片，终端设备可以获取上述拍摄的照片作为第一人脸图像，并且在上述终端设备本地存储有上述用户的采用第二相机类型的相机拍摄的注册人脸图像，终端设备可以获取上述注册人脸图像作为第二人脸图像，以及终端设备还可以将所获取的上述第一人脸图像和第二人脸图像发送给上述执行主体。需要说明的是，终端设备中也可以安装有第二相机类型的相机，终端设备本地存储的注册人脸图像即可以是用户预先使用上述终端设备上安装的第二相机类型的相机拍摄用户人脸照片得到的。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中，上述第一人脸图像和第二人脸图像也可以是上述执行主体本地所存储的。例如，当上述执行主体为终端设备时，那么终端设备中可以安装有第一相机类型的相机。用户可以使用上述终端设备上安装的第一相机类型的相机拍摄用户人脸照片，终端设备可以获取上述拍摄的照片作为第一人脸图像，并且在上述终端设备本地存储有上述用户的采用第二相机类型的相机拍摄的注册人脸图像，终端设备可以获取上述注册人脸图像作为第二人脸图像，从而上述执行主体，即终端设备可以获取到第一人脸图像和第二人脸图像。需要说明的是，终端设备中也可以安装有第二相机类型的相机，终端设备本地存储的注册人脸图像可以是用户预先使用上述终端设备上安装的第二相机类型的相机拍摄用户人脸照片得到的。
步骤202，将第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量。
在本实施例中，上述执行主体(例如图1所示的服务器)可以将步骤201所获取的第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量。
这里，特征提取模型可以是各种用于提取图像特征的模型。这里的图像特征也可以是各种特征，包括但不限于颜色特征、纹理特征、二维形状特征、二维空间关系特征、三维形状特征、三维空间关系特征、脸型特征、五官的形状特征、五官的位置及比例特征等等。
在本实施例的一些可选的实现方式中，特征提取模型可以是卷积神经网络。这里，卷积神经网络(Convolutional Neural Network，CNN)可以包括至少一个卷积层和至少一个池化层，其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行下采样(Down Sample)。实践中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像特征的提取，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。此处，与第一人脸图像和第二人脸图像分别对应的第一特征向量和第二特征向量可以分别用于对第一人脸图像和第二人脸图像中的特征进行表征，同时实现对第一人脸图像和第二人脸图像进行降维，以减少后期计算量。实践中，上述卷积神经网络还可以包括激活函数层，激活函数层使用各种非线性激活函数(例如ReLU(Rectified Linear Units，修正线性单元)函数、Sigmoid函数等)对输入的信息进行非线性计算。
步骤203，融合第一特征向量和第二特征向量，得到融合特征向量。
在本实施例中，为了得到不同相机类型的相机所采集的待识别人脸的图像特征，上述执行主体可以采用各种实现方式将步骤202中得到的第一特征向量和第二特征向量进行融合，得到融合特征向量。
在本实施例的一些可选的实现方式中，上述执行主体可以拼接第一特征向量和第二特征向量，得到融合特征向量。例如，可以将第二特征向量的各个分量拼接在第一特征向量的各个分量之后，或者，也可以将第一特征向量的各个分量拼接在第二特征向量的各个分量之后。
在本实施例的一些可选的实现方式中，上述执行主体也可以对于融合特征向量中的每个分量，按照与该分量对应的公式，对第一特征向量和第二特征向量进行计算以得到该分量的取值，其中，与该分量对应的公式可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对第一特征向量和第二特征向量中的各个分量进行计算以得到该分量的取值的计算公式。
步骤204，将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果。
在本实施例中，上述执行主体可以将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果。其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，上述全连接层用于表征特征向量和人脸验证结果之间的对应关系。
需要说明的是，上述特征提取模型和全连接层可以是基于大量的训练样本，采用机器学习方法预先训练得到的，其中，每个训练样本可以包括第一样本人脸图像、第二样本人脸图像和标注信息，其中，第一样本人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，第二样本人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像，标注信息用于表征第一样本人脸图像中的人脸和第二样本人脸图像中的人脸是否是同一个人的人脸。
请参考图3，图3示出了根据本申请的用于训练特征提取模型和全连接层的训练步骤的一个实施例的流程300。该训练步骤可以包括以下步骤：
步骤301，确定初始特征提取模型的模型结构和初始全连接层的网络结构以及初始化初始特征提取模型的模型参数和初始全连接层的网络参数。
在本实施例中，训练步骤的执行主体可以与用于验证人脸的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到特征提取模型和全连接层后将训练好的特征提取模型和全连接层的模型/网络结构信息和模型/网络参数的参数值存储在本地。如果不同，则训练步骤的执行主体可以在训练得到特征提取模型和全连接层后，将训练好的特征提取模型和全连接层的模型/网络结构信息和模型/网络参数的参数值发送给用于验证人脸的方法的执行主体。
在本实施例中，训练步骤的执行主体可以首先确定初始特征提取模型的模型结构和初始全连接层的网络结构。
对于初始特征提取模型，由于特征提取的方法以及所要提取的特征的不同，需要确定的模型/网络结构信息也是不同的。
在本实施例的一些可选的实现方式中，初始特征提取模型可以为卷积神经网络。由于卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，则这里需要确定卷积神经网络类型的初始特征提取模型包括哪些层(例如，卷积层，池化层，激励函数层等等)，层与层之间的连接顺序关系，以及每个层都包括哪些参数(例如，权重weight、偏置项bias、卷积的步长)等等。其中，卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长，是否需要填充，填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(Down Sample)，以压缩数据和参数的量，减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如，取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如，激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。实践中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像特征的提取，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。
在本实施例的一些可选的实现方式中，初始特征提取模型还可以为主动形状模型(Active Shape Model，ASM)、主元分析(Principal Component Analysis，PCA)模型、独立分量分析(Independent Component Analysis，ICA)模型和线性判别分析(LinearDiscriminant Analysis，LDA)模型、局部特征分析(Local Feature Analysis，LFA)模型等等用于提取人脸图像特征的模型。相应的，对应不同的特征提取模型，需要确定的模型结构信息也是不同的。
对于初始全连接层，由于全连接层用于连接两层，而且所连接的两层之间的所有神经元都有权重连接，因此，对于初始全连接层需要确定初始全连接层的前一层的神经元个数、初始全连接层的后一层的神经元个数，从而可以确定全连接层中的权重参数个数为M×N个，其中，M为初始全连接层的前一层的神经元个数，N为初始全连接层的后一层的神经元个数。实践中，通常全连接层除了包括M×N个权重参数用于执行全连接操作之外，还可以包括偏置项和进行非线性计算的激励函数层，因此，还可以确定偏置项参数和所使用的激励函数。实践中，可以将全连接层之后的激励函数层进行非线性计算之后所得的数值作为是同一人的人脸的概率，如果这个概率值大于预设的概率阈值，则可以生成两个图像中所包括的人脸是同一人的人脸的人脸验证结果，反之，则可以生成两个图像中所包括的人脸不是同一人的人脸的人脸验证结果。
在本实施例中，训练步骤的执行主体可以在确定了初始特征提取模型的模型结构和初始全连接层的网络结构之后，可以初始化初始特征提取模型的模型参数和初始全连接层的网络参数。实践中，可以将初始特征提取模型的各个模型参数和初始全连接层的各个网络参数用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证网络可以正常地学习。
步骤302，获取训练样本集。
在本实施例中，训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取训练样本集。其中，每个训练样本可以包括第一样本人脸图像、第二样本人脸图像和标注信息，其中，第一样本人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，第二样本人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像，标注信息用于表征第一样本人脸图像中的人脸和第二样本人脸图像中的人脸是否是同一个人的人脸。
步骤303，对于训练样本集中的训练样本，执行参数调整步骤。
在本实施例中，训练步骤的执行主体可以对于步骤302中获取的训练样本，执行以下参数调整步骤：
参数调整第一步，将该训练样本中的第一样本人脸图像和第二样本人脸图像分别输入初始特征提取模型，得到第一样本特征向量和第二样本特征向量，以及融合所得到的第一样本特征向量和第二样本特征向量，得到与该训练样本对应的样本融合特征向量。
参数调整第二步，将与该训练样本对应的样本融合特征向量输入到初始全连接层，得到样本人脸验证结果。
参数调整第三步，利用预设的损失函数(例如，L1范数或者L2范数)计算所得到的样本人脸验证结果和该训练样本中的标注信息之间的差异，以及基于计算所得的差异调整上述初始特征提取模型的模型参数和全连接层的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。
这里，可以采用各种实现方式基于计算所得的差异调整上述初始特征提取模型的模型参数和全连接层的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始特征提取模型的模型参数和全连接层的网络参数。
步骤304，将参数调整之后的初始特征提取模型确定为预先训练的特征提取模型，以及将参数调整之后的初始全连接层确定为预先训练的全连接层。
本申请的上述实施例提供的用于验证人脸的方法通过融合两种类型的相机采集的人脸图像的特征，得到融合特征，再将融合特征输入预先训练的全连接层进行人脸验证，实现了对两种不同类型的相机采集的人脸图像进行人脸验证。
进一步参考图4，其示出了用于验证人脸的方法的又一个实施例的流程400。该用于验证人脸的方法的流程400，包括以下步骤：
步骤401，获取第一人脸图像和第二人脸图像。
步骤402，将第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量。
在本实施例中，步骤401和步骤402的具体操作与图2所示的实施例中步骤201和步骤202的具体操作基本相同，在此不再赘述。
步骤403，将第一特征向量和第二特征向量输入预设双线性模型，得到融合特征向量。
在本实施例中，上述执行主体(例如图1所示的服务器)可以步骤402中得到的第一特征向量和第二特征向量输入预设双线性模型，得到融合特征向量。
这里，双线性模型是一种两因素模型，它具有的数学属性是如果固定其中一个因素，模型的输出对另一个因素来说是线性的，它能够灵活地将两个因素分离或者结合起来。
这里，将第一特征向量和第二特征向量输入预设双线性模型，得到融合特征向量，可以用如下公式进行表示：
Fr＝F1WF2 (1)
其中：
F1为V1维的第一特征向量对应的1×V1的矩阵；
F2为V2维的第二特征向量对应的1×V2的矩阵；
W为预设双线性模型中的模型参数张量，W为V1×Vr×V2的张量；
Fr为融合后的Vr维的融合特征向量对应的1×Vr的矩阵。
融合时，将第一特征向量和第二特征向量分别作为上述公式中的F1和F2，计算得到融合特征向量Fr。
可选地，W可以是由技术人员基于大量数据的统计而人工设定的。W也可以是采用各种机器学习算法基于大量样本数据训练后得到的。
步骤404，将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果。
在本实施例中，步骤404的具体操作与图2所示的实施例中步骤204的具体操作基本相同，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于验证人脸的方法的流程400中突出了采用双线性模型融合第一特征向量和第二特征向量得到融合特征向量的步骤，由此，本实施例描述的方案可以提高特征融合的效率，进而进一步提高人脸验证的速度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于验证人脸的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于验证人脸的装置500包括：获取单元501、输入单元502、融合单元503和验证单元504。其中，获取单元501，配置用于获取第一人脸图像和第二人脸图像，其中，上述第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，上述第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；输入单元502，配置用于将上述第一人脸图像和上述第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，上述特征提取模型用于提取图像特征；融合单元503，配置用于融合上述第一特征向量和上述第二特征向量，得到融合特征向量；验证单元504，配置用于将上述融合特征向量输入预先训练的全连接层，得到与上述第一人脸图像和上述第二人脸图像对应的人脸验证结果，其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，上述全连接层用于表征特征向量和人脸验证结果之间的对应关系。
在本实施例中，用于验证人脸的装置500的获取单元501、输入单元502、融合单元503和验证单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述融合单元503可以进一步用于：将上述第一特征向量和上述第二特征向量输入预设双线性模型，得到上述融合特征向量。
在本实施例的一些可选的实现方式中，上述融合单元503可以进一步用于：拼接上述第一特征向量和上述第二特征向量，得到上述融合特征向量。
在本实施例的一些可选的实现方式中，上述特征提取模型可以为卷积神经网络。
需要说明的是，本申请实施例提供的用于验证人脸的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605：包括硬盘等的存储部分606；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器608上，以便于从其上读出的计算机程序根据需要被安装入存储部分606。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分607从网络上被下载和安装，和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、融合单元和验证单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取第一人脸图像和第二人脸图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取第一人脸图像和第二人脸图像，其中，第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；将第一人脸图像和第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，特征提取模型用于提取图像特征；融合第一特征向量和第二特征向量，得到融合特征向量；将融合特征向量输入预先训练的全连接层，得到与第一人脸图像和第二人脸图像对应的人脸验证结果，其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，全连接层用于表征特征向量和人脸验证结果之间的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于验证人脸的方法，包括：
获取第一人脸图像和第二人脸图像，其中，所述第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，所述第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；
将所述第一人脸图像和所述第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，所述特征提取模型用于提取图像特征；
融合所述第一特征向量和所述第二特征向量，得到融合特征向量；
将所述融合特征向量输入预先训练的全连接层，得到与所述第一人脸图像和所述第二人脸图像对应的人脸验证结果，其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，所述全连接层用于表征特征向量和人脸验证结果之间的对应关系。
2.根据权利要求1所述的方法，其中，所述融合所述第一特征向量和所述第二特征向量，得到融合特征向量，包括：
将所述第一特征向量和所述第二特征向量输入预设双线性模型，得到所述融合特征向量。
3.根据权利要求1所述的方法，其中，所述融合所述第一特征向量和所述第二特征向量，得到融合特征向量，包括：
拼接所述第一特征向量和所述第二特征向量，得到所述融合特征向量。
4.根据权利要求1-3中任一所述的方法，其中，所述特征提取模型为卷积神经网络。
5.一种用于验证人脸的装置，包括：
获取单元，配置用于获取第一人脸图像和第二人脸图像，其中，所述第一人脸图像是采用第一相机类型的相机拍摄人脸所得到的图像，所述第二人脸图像是采用第二相机类型的相机拍摄人脸所得到的图像；
输入单元，配置用于将所述第一人脸图像和所述第二人脸图像分别输入预先训练的特征提取模型，得到第一特征向量和第二特征向量，其中，所述特征提取模型用于提取图像特征；
融合单元，配置用于融合所述第一特征向量和所述第二特征向量，得到融合特征向量；
验证单元，配置用于将所述融合特征向量输入预先训练的全连接层，得到与所述第一人脸图像和所述第二人脸图像对应的人脸验证结果，其中，人脸验证结果用于指示两个图像中的人脸是否是同一人的人脸，所述全连接层用于表征特征向量和人脸验证结果之间的对应关系。
6.根据权利要求5所述的装置，其中，所述融合单元进一步用于：
将所述第一特征向量和所述第二特征向量输入预设双线性模型，得到所述融合特征向量。
7.根据权利要求5所述的装置，其中，所述融合单元进一步用于：
拼接所述第一特征向量和所述第二特征向量，得到所述融合特征向量。
8.根据权利要求5-7中任一所述的装置，其中，所述特征提取模型为卷积神经网络。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810257451.1A CN108510466A (zh) | 2018-03-27 | 2018-03-27 | 用于验证人脸的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810257451.1A CN108510466A (zh) | 2018-03-27 | 2018-03-27 | 用于验证人脸的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108510466A true CN108510466A (zh) | 2018-09-07 |
Family
ID=63378704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810257451.1A Pending CN108510466A (zh) | 2018-03-27 | 2018-03-27 | 用于验证人脸的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510466A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214361A (zh) * | 2018-10-18 | 2019-01-15 | 康明飞（北京）科技有限公司 | 一种人脸识别方法和装置及车票验证方法和装置 |
| CN109472240A (zh) * | 2018-11-12 | 2019-03-15 | 北京影谱科技股份有限公司 | 人脸识别多模型自适应特征融合增强方法和装置 |
| CN109767528A (zh) * | 2018-12-25 | 2019-05-17 | 河北微幼趣教育科技有限公司 | 信息确认方法和装置 |
| CN110133735A (zh) * | 2019-05-16 | 2019-08-16 | 山东大学 | 深部异常体边界识别与分步增强方法、系统、介质及设备 |
| CN111104987A (zh) * | 2019-12-25 | 2020-05-05 | 三一重工股份有限公司 | 人脸识别方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
| CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
| CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
| CN107767328A (zh) * | 2017-10-13 | 2018-03-06 | 上海交通大学 | 基于少量样本生成的任意风格和内容的迁移方法和系统 |
-
2018
- 2018-03-27 CN CN201810257451.1A patent/CN108510466A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
| CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
| CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
| CN107767328A (zh) * | 2017-10-13 | 2018-03-06 | 上海交通大学 | 基于少量样本生成的任意风格和内容的迁移方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 赵池航等: "交通信息感知理论与方法", 《交通信息感知理论与方法》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214361A (zh) * | 2018-10-18 | 2019-01-15 | 康明飞（北京）科技有限公司 | 一种人脸识别方法和装置及车票验证方法和装置 |
| CN109472240A (zh) * | 2018-11-12 | 2019-03-15 | 北京影谱科技股份有限公司 | 人脸识别多模型自适应特征融合增强方法和装置 |
| CN109767528A (zh) * | 2018-12-25 | 2019-05-17 | 河北微幼趣教育科技有限公司 | 信息确认方法和装置 |
| CN110133735A (zh) * | 2019-05-16 | 2019-08-16 | 山东大学 | 深部异常体边界识别与分步增强方法、系统、介质及设备 |
| CN111104987A (zh) * | 2019-12-25 | 2020-05-05 | 三一重工股份有限公司 | 人脸识别方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108062780B (zh) | 图像压缩方法和装置 | |
| CN108416323A (zh) | 用于识别人脸的方法和装置 | |
| CN108537152A (zh) | 用于检测活体的方法和装置 | |
| CN108416324A (zh) | 用于检测活体的方法和装置 | |
| CN108510466A (zh) | 用于验证人脸的方法和装置 | |
| EP3889912A1 (en) | Method and apparatus for generating video | |
| CN108898186A (zh) | 用于提取图像的方法和装置 | |
| CN109002842A (zh) | 图像识别方法和装置 | |
| CN108446651A (zh) | 人脸识别方法和装置 | |
| CN107644209A (zh) | 人脸检测方法和装置 | |
| CN108701207A (zh) | 用于面部识别和视频分析以识别上下文视频流中的个人的装置和方法 | |
| CN108830235A (zh) | 用于生成信息的方法和装置 | |
| CN109255830A (zh) | 三维人脸重建方法和装置 | |
| CN108446650A (zh) | 用于识别人脸的方法和装置 | |
| CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
| CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
| CN108776786A (zh) | 用于生成用户真伪识别模型的方法和装置 | |
| CN109308681A (zh) | 图像处理方法和装置 | |
| CN108492364A (zh) | 用于生成图像生成模型的方法和装置 | |
| CN108363995A (zh) | 用于生成数据的方法和装置 | |
| CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
| CN109086719A (zh) | 用于输出数据的方法和装置 | |
| CN108510454A (zh) | 用于生成深度图像的方法和装置 | |
| CN108509892A (zh) | 用于生成近红外图像的方法和装置 | |
| CN108363999A (zh) | 基于人脸识别的操作执行方法和装置 |
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 |