CN108875559B - 基于证件照与现场照的人脸识别方法及系统 - Google Patents
基于证件照与现场照的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN108875559B CN108875559B CN201810391451.0A CN201810391451A CN108875559B CN 108875559 B CN108875559 B CN 108875559B CN 201810391451 A CN201810391451 A CN 201810391451A CN 108875559 B CN108875559 B CN 108875559B
- Authority
- CN
- China
- Prior art keywords
- image
- photo
- certificate
- model
- training set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 115
- 238000005457 optimization Methods 0.000 claims description 53
- 238000010801 machine learning Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及生物特征识别技术领域,具体提供了一种基于证件照与现场照的人脸识别方法及系统,旨在解决如何提高基于证件照与现场照的人脸识别准确性的技术问题。为此目的,本发明中的人脸识别方法可以根据证件照图像与现场照图像的图像特征,计算二者相似度,进而根据相似度值判断证件照图像与现场照图像是否相似。基于此,在对大规模的证件照与现场照进行比对时,基于相似度判断,可以快速完成图像比对工作。同时,本发明中的人脸识别系统可以执行并实现上述人脸识别方法。
Description
技术领域
本发明涉及生物特征识别技术领域,具体涉及一种基于证件照与现场照的人脸识别方法及系统。
背景技术
人脸识别技术指的是利用分析比较的计算机方法识别人脸的技术,其主要包括如下步骤:首先,判断人脸图像或视频流中是否存在人脸,若存在人脸则获取每个人脸的位置、大小和每个主要面部器官的位置信息。然后,根据所获取的信息提取每个人脸中所包含的身份特征。最后,将所提取的身份特征与预设人脸特征进行比对,从而根据比对结果识别每个人脸的身份。
目前,基于机器学习算法的人脸识别技术,需要对大量样本数据进行学习,才能提高对相应人脸类别的识别准确率。然而,在基于证件照与现场照进行人脸识别时,每种人脸类别往往仅具有少量样本数据,因此这种人脸识别技术将无法对人脸类别进行准确识别。
发明内容
为了解决现有技术中的上述问题,即为了解决如何提高基于证件照与现场照的人脸识别准确性的技术问题。为此目的,本发明提供了一种基于证件照与现场照的人脸识别方法及系统。
在第一方面,本发明中基于证件照与现场照的人脸识别方法包括如下步骤:
获取目标体的证件照图像与现场照图像;
基于预先构建的人脸识别模型,并根据所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度;
根据所计算的相似度,判断所述证件照图像与现场照图像是否相似;
其中,所述人脸识别模型是基于预设的训练集,并利用机器学习算法构建的图像分类模型。
进一步地,本发明提供的一个优选技术方案为:
所述训练集包括常规图像训练集和证件/现场照图像训练集;
在“基于预先构建的人脸识别模型,并根据所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度”的步骤之前,所述方法还包括:
获取所述常规图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的分类损失函数对人脸识别模型进行模型训练,得到第一优化模型;
获取所述证件/现场照图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的度量学习损失函数对所述第一优化模型进行模型训练,得到第二优化模型;
根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用机器学习算法对所述第二优化模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
在“根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用机器学习算法对所述第二优化模型进行模型训练”的步骤之前,所述方法还包括:
基于所述第二优化模型,提取所述证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量,并将每个所述图像类别对应平均特征向量作为该图像类别的特征模板;
利用K最近邻算法,并根据所述特征模板,获取每个所述图像类别的相似图像类别。
进一步地,本发明提供的一个优选技术方案为:
“根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用机器学习算法对所述第二优化模型进行模型训练”的步骤具体包括:
根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用批梯度下降法对所述第二优化模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
在“基于预先构建的人脸识别模型,并根据所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度”的步骤之前,所述方法还包括:
检测图像中是否包含人脸,
若包含人脸,则获取所述图像中的人脸关键点;
根据所获取的人脸关键点对所述图像进行对齐和裁剪处理;
其中,所述图像是所述证件照图像、现场照图像或所述训练集内的样本图像。
在第二方面,本发明中基于证件照与现场照的人脸识别系统包括:
图像获取模块,其配置为获取目标体的证件照图像与现场照图像;
相似度计算模块,其配置为根据所述图像获取模块所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度
相似度判断模块,其配置为根据所述相似度计算模块所计算的相似度,判断所述证件照图像与现场照图像是否相似;
其中,所述人脸识别模型是基于预设的训练集,并利用机器学习算法构建的图像分类模型。
进一步地,本发明提供的一个优选技术方案为:
所述训练集包括常规图像训练集和证件/现场照图像训练集;所述人脸识别模型包括模型训练单元;所述模型训练单元包括:
预学习子单元,其配置为获取所述常规图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的分类损失函数对人脸识别模型进行模型训练,得到第一优化模型;
迁移学习子单元,其配置为获取所述证件/现场照图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的度量学习损失函数对所述第一优化模型进行模型训练,得到第二优化模型;
精细学习子单元,其配置为根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用机器学习算法对所述第二优化模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
所述精细学习子单元进一步配置为执行如下操作:
基于所述第二优化模型,提取所述证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量,并将每个所述图像类别对应平均特征向量作为该图像类别的特征模板;
利用K最近邻算法,并根据所述特征模板,获取每个所述图像类别的相似图像类别。
进一步地,本发明提供的一个优选技术方案为:
所述精细学习子单元进一步配置为执行如下操作:
根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用批梯度下降法对所述第二优化模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
所述人脸识别系统还包括图像预处理模块,该图像预处理模块配置为执行如下操作:
检测图像中是否包含人脸,
若包含人脸,则获取所述图像中的人脸关键点;
根据所获取的人脸关键点对所述图像进行对齐和裁剪处理;
其中,所述图像是所述证件照图像、现场照图像或所述训练集内的样本图像。
与最接近的现有技术相比,上述技术方案至少具有如下有益效果:
1、本发明中的基于证件照与现场照的人脸识别方法主要包括如下步骤:首先,获取目标体的证件照图像与现场照图像。然后,基于人脸识别模型,并根据证件照图像与现场照图像的图像特征,计算证件照图像与现场照图像的相似度。最后,根据相似度判断证件照图像与现场照图像是否相似。基于上述步骤,在对大规模的证件照与现场照进行比对时,基于相似度判断,可以快速完成人脸图像的比对工作。
2、本发明中的基于证件照与现场照的人脸识别方法,可以采用三步式训练方法对人脸识别模型进行模型训练。具体地,首先根据常规图像训练集内样本图像的图像特征,对人脸识别模型进行模型训练,得到第一优化模型。然后,根据证件/现场照图像训练集内样本图像的图像特征,对第一优化模型进行模型训练,得到第二优化模型。最后,根据证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,对第二优化模型进行模型训练。通过上述三步式训练方法,可以极大地提高人脸识别模型对大规模证件照与现场照的分类识别能力。
附图说明
图1是本发明实施例中一种基于证件照与现场照的人脸识别方法的主要步骤示意图;
图2是本发明实施例中一种基于证件照与现场照的人脸识别系统的主要结构示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
参阅附图1,图1示例性示出了本实施例中一种基于证件照与现场照的人脸识别方法的主要步骤。如图1所示,本实施例中基于证件照与现场照的人脸识别方法可以包括如下步骤:
步骤S101:获取目标体的证件照图像与现场照图像。
本实施例中证件照图像指的是身份证、驾驶证或社保证等证件上的人脸图像,并且证件照图像具有单色背景、光线正常和人脸表情自然等特点。现场照图像指的是在随机环境(如火车站、银行或楼门处等)下的人脸图像,并且现场照具有背景色、光线和人脸表情不可控等特点。
步骤S102:基于预先构建的人脸识别模型,并根据所获取的证件照图像与现场照图像的图像特征,计算证件照图像与现场照图像的相似度。
本实施例中人脸识别模型是基于预设的训练集,并利用机器学习算法构建的图像分类模型。其中,训练集可以包括常规图像训练集和证件/现场照图像训练集。常规图像训练集指的是利用数据类别有限,并且每种数据类别对应的样本数量较多的数据库构建的训练集。例如,该数据库可以是华盛顿大学的“百万人脸Mega Face数据库”和微软的“MS-Celeb数据库”等。
在本实施例的一个优选实施方案中,可以按照如下步骤对人脸识别模型进行模型训练,以使用优化后的人脸识别模型进行人脸识别:
步骤S201:获取常规图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的分类损失函数对人脸识别模型进行模型训练,得到第一优化模型。
具体地,本实施方案中人脸识别模型可以是利用深度学习算法构建的卷积神经网络(Convolutional Neural Networks,CNN)。本实施例中分类损失函数且可以是Softmax或A-Softmax等损失函数。
步骤S202:获取证件/现场照图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的度量学习损失函数对第一优化模型进行模型训练,得到第二优化模型。
具体地,本实施例中度量学习损失函数可以是Contrastive Loss或Triplet Loss等损失函数。
在本实施方案中利用证件/现场照图像训练集对第一优化模型进行二次训练,可以提高人脸识别模型对证件/现场照图像的识别能力。
步骤S203:基于第二优化模型,提取证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量,并将每个图像类别对应平均特征向量作为该图像类别的特征模板。
本实施例中平均特征向量指的是对每个图像类别对应的所有样本图像的特征向量进行平均值计算后得到的特征向量。
步骤S204:利用K最近邻算法,并根据特征模板,获取每个图像类别的相似图像类别。
在本实施方案中,可以将每个图像类别的相似图像类别的编号存入相应的相似类别组中(即图像类别与相似类别组一一对应),以便对第二优化模型进行模型训练时调取相应的相似类别样本图像的特征模板。
步骤S205:根据证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用机器学习算法对第二优化模型进行模型训练。
本实施方案中可以利用批梯度下降法对第二优化模型进行模型训练。具体地,在对第二优化模型进行模型训练的过程中,当第二优化模型中分类层的分类数据反向传播到第二优化模型中特征层时,利用当前批梯度中样本图像对应的特征模板和相应相似类别组中相似类别样本图像的特征模板,对第二优化模型中分类层中的参数权重进行优化。
可选的,本实施方案中采用于Softmax损失函数对第二优化模型进行模型训练,并且可以利用Softmax损失函数所得的图像类别预测概率,对相似类别组中的图像类别进行更新。
在本实施方案中,利用证件/现场照图像训练集对第二优化模型进行训练,可以进一步提高人脸识别模型对证件/现场照图像的识别能力。同时,通过批梯度下降法对第二优化模型进行模型训练,使得在图像处理设备显存不足的情况下,也可以对大规模的证件/现场照图像进行分类。
进一步地,本实施例中图1所示的人脸识别方法在对目标图像进行识别之前,或对人脸识别模型进行模型训练之前,还可以按照如下步骤对目标图像或训练集内的样本图像进行预处理:
首先,检测图像中是否包含人脸,若包含人脸则获取图像中的人脸关键点(如眼睛、鼻或嘴等)。
然后,根据所获取的人脸关键点对图像进行对齐和裁剪处理。
具体地,本实施例中对图像进行对齐处理可以包括图像旋转、图像缩放和图像平移等操作,对图像进行裁剪处理指的是将图像裁剪成特定大小的图像(如像素尺寸为120×120的图像)。
步骤S103:根据所计算的相似度,判断证件照图像与现场照图像是否相似。
具体地,本实施例中可以利用常规的相似度计算方法,计算证件照图像与现场照图像之间的相似度,从而根据所计算的相似度判断证件照图像与现场照图像是否相似。
例如,可以计算证件照图像的图像特征与现场照图像的图像特征之间的余弦距离,若余弦距离越大说明证件照图像与现场照图像越相似,若余弦距离越小说明证件照图像与现场照图像越不相似。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的技术构思,本发明实施例还提供一种基于证件照与现场照的人脸识别系统。下面结合附图对该基于证件照与现场照的人脸识别系统进行具体说明。
参阅附图2,图2示例性示出了本实施例中一种基于证件照与现场照的人脸识别系统的主要结构。如图2所示,本实施例中基于证件照与现场照的人脸识别系统可以包括图像获取模块11、相似度计算模块12 和相似度判断模块13。
具体地,图像获取模块11可以配置为获取目标体的证件照图像与现场照图像。相似度计算模块12可以配置为根据图像获取模块11所获取的证件照图像与现场照图像的图像特征,计算证件照图像与现场照图像的相似度。相似度判断模块13可以配置为根据相似度计算模块12所计算的相似度,判断证件照图像与现场照图像是否相似。其中,人脸识别模型是基于预设的训练集,并利用机器学习算法构建的图像分类模型。训练集可以包括常规图像训练集和证件/现场照图像训练集
进一步地,本实施例中图2所示的人脸识别模型还可以包括模型训练单元,该模型训练单元可以包括预学习子单元、迁移学习子单元和精细学习子单元。
具体地,预学习子单元可以配置为获取常规图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的分类损失函数对人脸识别模型进行模型训练,得到第一优化模型。迁移学习子单元可以配置为获取证件/现场照图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的度量学习损失函数对第一优化模型进行模型训练,得到第二优化模型。精细学习子单元可以配置为根据证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用机器学习算法对第二优化模型进行模型训练。
在本实施例的一个优选实施方案中,精细学习子单元还可以配置为执行如下操作:首先,基于第二优化模型,提取证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量,并将每个图像类别对应平均特征向量作为该图像类别的特征模板。然后,利用K最近邻算法,并根据特征模板,获取每个图像类别的相似图像类别。
在本实施例的另一个优选实施方案中,精细学习子单元还可以配置为利用批梯度下降法对第二优化模型进行模型训练。
进一步地,本实施例中图2所示的人脸识别系统还可以包括图像预处理模块,该图像预处理模块可以配置为执行如下操作:
首先,检测图像中是否包含人脸,若包含人脸,则获取图像中的人脸关键点。然后,根据所获取的人脸关键点对图像进行对齐和裁剪处理。其中,这个图像指的是证件照图像、现场照图像或训练集内的样本图像。
上述基于证件照与现场照的人脸识别系统实施例可以用于执行上述基于证件照与现场照的人脸识别方法实施例,其技术原理、所解决的技术问题及产生的技术效果相似,所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的基于证件照与现场照的人脸识别系统的具体工作过程及有关说明,可以参考前述基于证件照与现场照的人脸识别方法实施例中的对应过程,在此不再赘述。
本领域技术人员可以理解,上述基于证件照与现场照的人脸识别系统还包括一些其他公知结构,例如处理器、存储器等,其中,存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等,处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等,为了不必要地模糊本公开的实施例,这些公知的结构未在图2中示出。
应该理解,图2中的各个模块的数量仅仅是示意性的。根据实际需要,各模块可以具有任意的数量。
本领域技术人员可以理解,可以对实施例中的系统中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个系统中。可以把实施例中的模块组合成一个模块,以及此外可以把它们分成多个子模块。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”或“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例中包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (6)
1.一种基于证件照与现场照的人脸识别方法,其特征在于包括:
获取目标体的证件照图像与现场照图像;
获取常规图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的分类损失函数对预先构建的人脸识别模型进行模型训练,得到第一优化模型;
获取证件/现场照图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的度量学习损失函数对所述第一优化模型进行模型训练,得到第二优化模型;
基于所述第二优化模型,提取所述证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量,并将每个所述图像类别对应平均特征向量作为该图像类别的特征模板;利用K最近邻算法,并根据所述特征模板,获取每个所述图像类别的相似图像类别;
根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及每类样本图像各自对应的相似图像类别,利用机器学习算法对所述第二优化模型进行模型训练;
基于模型训练后的第二优化模型,并根据所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度;
根据所计算的相似度,判断所述证件照图像与现场照图像是否相似;
其中,所述人脸识别模型是基于预设的训练集,并利用机器学习算法构建的图像分类模型;所述训练集包括常规图像训练集和证件/现场照图像训练集。
2.根据权利要求1所述的基于证件照与现场照的人脸识别方法,其特征在于,“根据证件/现场照图像训练集内每类样本图像对应的特征模板,以及每类样本图像各自对应的相似图像类别,利用机器学习算法对所述第二优化模型进行模型训练”的步骤具体包括:
根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用批梯度下降法对所述第二优化模型进行模型训练。
3.根据权利要求1或2所述的基于证件照与现场照的人脸识别方法,其特征在于,在“基于模型训练后的第二优化模型的人脸识别模型,并根据所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度”的步骤之前,所述方法还包括:
检测图像中是否包含人脸,
若包含人脸,则获取所述图像中的人脸关键点;
根据所获取的人脸关键点对所述图像进行对齐和裁剪处理;
其中,所述图像是所述证件照图像、现场照图像或所述训练集内的样本图像。
4.一种基于证件照与现场照的人脸识别系统,其特征在于包括:
图像获取模块,其配置为获取目标体的证件照图像与现场照图像;
相似度计算模块,其配置为基于人脸识别模型并且根据所述图像获取模块所获取的证件照图像与现场照图像的图像特征,计算所述证件照图像与现场照图像的相似度;
相似度判断模块,其配置为根据所述相似度计算模块所计算的相似度,判断所述证件照图像与现场照图像是否相似;
其中,所述人脸识别模型是基于预设的训练集,并利用机器学习算法构建的图像分类模型;所述训练集包括常规图像训练集和证件/现场照图像训练集;
所述人脸识别模型包括模型训练单元;所述模型训练单元包括:
预学习子单元,其配置为获取所述常规图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的分类损失函数对人脸识别模型进行模型训练,得到第一优化模型;
迁移学习子单元,其配置为获取所述证件/现场照图像训练集内样本图像的图像特征,并根据所获取的图像特征,利用机器学习算法和预设的度量学习损失函数对所述第一优化模型进行模型训练,得到第二优化模型;
精细学习子单元,其配置为基于所述第二优化模型,提取所述证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量,并将每个所述图像类别对应平均特征向量作为该图像类别的特征模板;利用K最近邻算法,并根据所述特征模板,获取每个所述图像类别的相似图像类别;根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及每类样本图像各自对应的相似图像类别,利用机器学习算法对所述第二优化模型进行模型训练。
5.根据权利要求4所述的基于证件照与现场照的人脸识别系统,其特征在于,所述精细学习子单元进一步配置为执行如下操作:
根据所述证件/现场照图像训练集内每类样本图像对应的特征模板,以及该类样本图像对应的相似类别样本图像的特征模板,利用批梯度下降法对所述第二优化模型进行模型训练。
6.根据权利要求4或5所述的基于证件照与现场照的人脸识别系统,其特征在于,所述人脸识别系统还包括图像预处理模块,该图像预处理模块配置为执行如下操作:
检测图像中是否包含人脸,
若包含人脸,则获取所述图像中的人脸关键点;
根据所获取的人脸关键点对所述图像进行对齐和裁剪处理;
其中,所述图像是所述证件照图像、现场照图像或所述训练集内的样本图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391451.0A CN108875559B (zh) | 2018-04-27 | 2018-04-27 | 基于证件照与现场照的人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391451.0A CN108875559B (zh) | 2018-04-27 | 2018-04-27 | 基于证件照与现场照的人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875559A CN108875559A (zh) | 2018-11-23 |
CN108875559B true CN108875559B (zh) | 2021-04-13 |
Family
ID=64326691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810391451.0A Active CN108875559B (zh) | 2018-04-27 | 2018-04-27 | 基于证件照与现场照的人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875559B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522877A (zh) * | 2018-12-14 | 2019-03-26 | 睿云联(厦门)网络通讯技术有限公司 | 一种基于安卓设备的离线多人脸识别方法以及计算机设备 |
CN109886186A (zh) * | 2019-02-18 | 2019-06-14 | 上海骏聿数码科技有限公司 | 一种人脸识别方法及装置 |
CN110135582B (zh) * | 2019-05-09 | 2022-09-27 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
CN110619315B (zh) * | 2019-09-24 | 2020-10-30 | 重庆紫光华山智安科技有限公司 | 人脸识别模型的训练方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
CN106709418A (zh) * | 2016-11-18 | 2017-05-24 | 北京智慧眼科技股份有限公司 | 基于现场照和证件照的人脸识别方法及识别装置 |
CN107944020A (zh) * | 2017-12-11 | 2018-04-20 | 深圳云天励飞技术有限公司 | 人脸图像查找方法及装置、计算机装置和存储介质 |
-
2018
- 2018-04-27 CN CN201810391451.0A patent/CN108875559B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709418A (zh) * | 2016-11-18 | 2017-05-24 | 北京智慧眼科技股份有限公司 | 基于现场照和证件照的人脸识别方法及识别装置 |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
CN107944020A (zh) * | 2017-12-11 | 2018-04-20 | 深圳云天励飞技术有限公司 | 人脸图像查找方法及装置、计算机装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108875559A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875559B (zh) | 基于证件照与现场照的人脸识别方法及系统 | |
US11003941B2 (en) | Character identification method and device | |
CN110569878B (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
WO2021212659A1 (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN110610129A (zh) | 一种基于自注意力机制的深度学习人脸识别系统及方法 | |
CN103136533A (zh) | 基于动态阈值的人脸识别方法及装置 | |
TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
CN110321870B (zh) | 一种基于lstm的掌静脉识别方法 | |
CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN111079571A (zh) | 证卡信息识别及其边缘检测模型训练方法、装置 | |
CN112686191B (zh) | 基于人脸三维信息的活体防伪方法、系统、终端及介质 | |
CN111340022A (zh) | 身份证信息识别方法、装置、计算机设备及存储介质 | |
WO2021127916A1 (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
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 | |
US20150178544A1 (en) | System for estimating gender from fingerprints | |
CN113128341A (zh) | 一种基于卷积神经网络的狗脸识别方法 | |
CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
CN109145704A (zh) | 一种基于人脸属性的人脸画像识别方法 | |
CN113591603A (zh) | 证件的验证方法、装置、电子设备及存储介质 | |
Lawal et al. | Face-based gender recognition analysis for Nigerians using CNN | |
CN112613471A (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
CN111950415A (zh) | 一种图像检测方法和装置 | |
CN113505716B (zh) | 静脉识别模型的训练方法、静脉图像的识别方法及装置 | |
CN113240043B (zh) | 基于多图片差异性的鉴伪方法、装置、设备及存储介质 | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 |
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 |