CN109189961A - 一种人脸识别可信度的计算方法及系统 - Google Patents

Abstract

本发明公开了一种人脸识别可信度的计算方法及系统，其中，该方法包括步骤：在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。本发明利用人脸识别数据集中的大样本作计算和统计计算人脸识别结果的可信度，无需进行庞大的运算，且计算结果更加准确和可靠。

Description

一种人脸识别可信度的计算方法及系统

技术领域

本发明涉及人脸识别领域，尤其涉及一种人脸识别可信度的计算方法及系统。

背景技术

人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行识别的一系列相关技术，通常也叫做人像识别、面部识别。

随着科技的发展，人脸识别技术目前日益成熟，facenet、deepid等主流识别方法都是将人脸图片经过卷积计算得到特征向量，通过两张图片的特征向量的余弦距离来判断两张图片是不是同一个人，如何计算识别结果的可信度，是一项需解决的问题。

公开号为CN105335726A的专利公开了一种人脸识别置信度获取方法和系统，其中，方法包括：获取待测对象的第一人脸图片，并在预设的人脸图片库内获取第二人脸图片；其中，所述人脸图片库是多张人脸图片组成的数据库；计算第一人脸图片与各个第二人脸图片之间的相似度，并确定最大相似度；根据所述最大相似度计算将所述待测对象识别为目标对象的置信度；其中，所述目标对象为所述最大相似度对应的第二人脸图片所属的对象。所述人脸识别置信度获取方法和系统能够对人脸识别结果的有效性进行评估，提高了人脸识别结果的可靠性。该发明通过直接计算采集的人脸图片和人脸图片库中图片的相似度以获得识别为目标对象的置信度，运算量庞大，所计算的可信度结果不够准确。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种人脸识别可信度的计算方法及系统，利用人脸识别数据集中的大样本作计算和统计，在进行人脸识别判断时无需进行庞大的运算，且计算结果更加准确和可靠。

为了实现以上目的，本发明采用以下技术方案：

一种人脸识别可信度的计算方法，包括步骤：

在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。

优选的，所述计算每对图片的相似度具体包括步骤：

计算每对图片的余弦距离，根据所述余弦距离获得每对图片的相似度。

优选的，所述正/负样本的正态分布表达式分别为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

优选的，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

优选的，还包括步骤：

根据所述正负样本人脸识别可信度的计算结果建立人脸识别的可信度模型；

获取待测人脸识别的图片对，并计算所述图片对的余弦距离；

在所述可信度模型中根据所述图片对的余弦距离获得人脸识别的可信度。

相应的，还提供一种人脸识别可信度的计算系统，包括：

选取样本模块，用于在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

计算相似度模块，用于计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

正态分布模块，用于将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

可信度计算模块，用于根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。

优选的，所述计算相似度模块包括：

余弦距离计算单元，用于计算每对图片的余弦距离并根据所述余弦距离获得每对图片的相似度。

优选的，所述正/负样本的正态分布表达式分别为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

优选的，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

优选的，还包括：

模型建立模块，用于根据所述正负样本人脸识别可信度的计算结果建立人脸识别的可信度模型；

获取计算模块，用于获取待测人脸识别的图片对，并计算所述图片对的余弦距离；

可信度获取模块，用于在所述可信度模型中根据所述图片对的余弦距离获得人脸识别的可信度。

与现有技术相比，本发明通过计算人脸识别数据集的相同个体图片的相似度对及不同个体图片对的相似度计算人脸识别结果的可信度，利用人脸识别数据集中的大样本作计算和统计，再对采集到的人脸图片对进行可信度分析，判断结果更可靠；由人脸特征向量的计算的余弦距离获得图片对的相似度，无需进行庞大的运算，且可信度计算更简洁、准确，符合实际情况。

附图说明

图1为实施例一提供的一种人脸识别可信度的计算方法流程图；

图2为实施例一正样本和负样本数随余弦距离变化的正态分布曲线图；

图3为实施例一人脸识别可信度随余弦距离的变化曲线图；

图4为实施例一提供的一种人脸识别可信度的计算系统结构图；

图5为实施例二提供的一种人脸识别可信度的计算方法流程图；

图6为实施例二提供的一种人脸识别可信度的计算系统结构图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一

本实施例公开了一种人脸识别可信度的计算方法，如图1所示，包括步骤：

S101、在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

S102、计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

S103、将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

S104、根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。

随着科技的发展，人脸识别技术目前日益成熟，facenet、deepid等主流识别方法都是将人脸图片经过卷积计算得到特征向量，通过两张图片的特征向量的余弦距离来判断两张图片是不是同一个人，如何计算识别结果的可信度，是一项需解决的问题。

本实施例利用人脸识别数据集中的大样本作计算和统计，再对采集到的人脸图片对进行可信度分析：步骤S101选取人脸识别的样本图片：在预设人脸数据集，可以是LFW人脸数据集中选取同样数量的同一个体人脸样本和非同一个体的人脸图片，分别选取预设数量对的同一个体人脸图片样本和不同个体人脸图片样本；步骤S102计算每对图片的相似度，将同一个体每对图片的相似度作为正样本，以及不同个体每对图片的相似度作为负样本，不同图片对的相似度可能相同也可能不同。

优选的，所述计算每对图片的相似度具体包括步骤：

计算每对图片的余弦距离，根据所述余弦距离获得每对图片的相似度。

本实施例通过计算图片之间余弦距离来获取图片的相似度，余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量，余弦距离越小，两张图片的相似度越大，通过提取人脸识别的特征向量来计算每对图片的余弦距离以获得图片与图片之间的相似度，可以达成度的减小运算量，且计算结果更为准确、可靠。

本实施例以在在LFW人脸数据集选取6000对人脸样本计算人脸识别可信度为例，其中3000对为同一个人的样本(计算得到余弦距离，即为3000个正样本)，3000对为不同人的样本(计算得到余弦距离，即为3000个负样本)。通过人脸识别方法提取特征向量，计算这6000对样本的余弦距离，余弦距离取值在[0,1]，实际计算统计取值在[0,0.7]。然后统计随着余弦距离的每个区间的正样本数和负样本数。

步骤S103将正负样本数随余弦距离的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式，所述正/负样本数随余弦距离的分布如图2所示，横坐标代表余弦距离，纵坐标代表样本数量，以余弦距离的间隔0.01为一个统计区间，共统计了7001个区间的样本分布。左边曲线表示正样本(即同一个人的图片对对应的余弦距离)的分布，右边曲线表示负样本(即不同人的图片对对应的余弦距离)的分布。中间直线表示最佳分割点，在实际计算中将中间线左侧判断为同一个人，将中间线右侧判断为非同一个人。优选的，所述正/负样本的正态分布表达式为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

优选的，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

步骤S104最后根据正样本和正负总样本的分布的比值计算人脸识别结果的可信度。利用人脸识别数据集中的大样本作计算和统计，判断结果相较于现有技术而言更加可靠、准确，如图3所示，横坐标为余弦距离，纵坐标为可信度，可以看出横坐标(余弦距离)越接近0，正样本的可信度越接近1，这符合实际情况余弦距离越小，说明两张图片越相似，两张图片是同一个人的概率越高。

相应的，本实施例还提供一种人脸识别可信度的计算系统，如图4所示，包括：

选取样本模块101，用于在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

计算相似度模块102，用于计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

正态分布模块103，用于将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

可信度计算模块104，用于根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。

优选的，所述计算相似度模块包括：

余弦距离计算单元102A，用于计算每对图片的余弦距离并根据所述余弦距离获得每对图片的相似度。

优选的，所述正/负样本的正态分布表达式分别为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

优选的，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。。。。

本实施例通过计算人脸识别数据集的相同个体图片的相似度对及不同个体图片对的相似度建立人脸识别结果的可信度模型，利用人脸识别数据集中的大样本作计算和统计，判断结果更可靠；由人脸特征向量的计算的余弦距离与阈值比较大小作为识别结果，无需进行庞大的运算，且可信度计算更简洁、准确，符合实际情况。

实施例二

本实施例公开了一种人脸识别可信度的计算方法，与实施例一不同的是，本实施例还包括步骤S205，步骤S206及步骤S207，通过利用人脸识别数据集中的大样本作计算和统计，并建立人脸识别的可信度模型，再对采集到的人脸图片对进行可信度分析，判断结果更可靠，如图5所示，包括步骤：

S201、在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

S202、计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

S203、将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

S204、根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度；

S205、根据所述正负样本人脸识别可信度的计算结果建立人脸识别的可信度模型；

S206、获取待测人脸识别的图片对，并计算所述图片对的余弦距离；

S207、在所述可信度模型中根据所述图片对的余弦距离获得人脸识别的可信度。

通过建立人脸识别的可信度模型，利用人脸识别数据集中的大样本作计算和统计，实现快速对小样本的可信度计算。

优选的，所述根据所述人脸识别的可信度获取模块所述图片对是否为同一个体具体为：

判断所述人脸识别的可信度是否大于设定阈值，若是，则所述待测图片对为同一个体。

优选的，所述正/负样本的正态分布表达式为：

所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

相应的，本实施例还提供一种人脸识别可信度的计算系统，如图6所示，包括：

选取样本模块201，用于在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

计算相似度模块202，用于计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

正态分布模块203，用于将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

可信度计算模块204，用于根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度；

模型建立模块205，用于根据所述正负样本人脸识别可信度的计算结果建立人脸识别的可信度模型；

获取计算模块206，用于获取待测人脸识别的图片对，并计算所述图片对的余弦距离；

可信度获取模块207，用于在所述可信度模型中根据所述图片对的余弦距离获得人脸识别的可信度。

与实施例一相比，本实施例还包括模型建立模块205，获取计算模块206及可信度获取模块207。

优选的，所述计算相似度模块包括：

余弦距离计算单元202A，用于计算每对图片的余弦距离并根据所述余弦距离获得每对图片的相似度。

优选的，所述正/负样本的正态分布表达式分别为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

优选的，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

本实施例通过利用人脸识别数据集中的大样本作计算和统计，再对采集到的人脸图片对进行可信度分析，在实际运用中无需进行庞大的运算量，且判断结果更可靠。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种人脸识别可信度的计算方法，其特征在于，包括步骤：

在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。

2.如权利要求1所述的一种人脸识别可信度的计算方法，所述计算每对图片的相似度具体包括步骤：

计算每对图片的余弦距离，根据所述余弦距离获得每对图片的相似度。

3.如权利要求1所述的一种人脸识别可信度的计算方法，其特征在于，所述正/负样本的正态分布表达式分别为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

4.如权利要求3所述的一种人脸识别可信度的计算方法，其特征在于，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

5.如权利要求1所述的一种人脸识别可信度的计算方法，其特征在于，还包括步骤：

根据所述正负样本人脸识别可信度的计算结果建立人脸识别的可信度模型；

获取待测人脸识别的图片对，并计算所述图片对的余弦距离；

在所述可信度模型中根据所述图片对的余弦距离获得人脸识别的可信度。

6.一种人脸识别可信度的计算系统，其特征在于，包括：

选取样本模块，用于在预设人脸数据集中选取预设数量对的同一个体人脸图片样本及预设数量对的非同一个体人脸图片样本；

计算相似度模块，用于计算所述同一个体人脸图片样本中每对图片的相似度作为正样本，计算所述非同一个体人脸图片中每对图片的相似度作为负样本；

正态分布模块，用于将正负样本数随相似度值的分布拟合为正态分布曲线，并分别获得正负样本的正态分布表达式；

可信度计算模块，用于根据所述正样本分布与正负样本分布之和的比值计算人脸识别可信度。

7.如权利要求6所述的一种人脸识别可信度的计算系统，所述计算相似度模块包括：

余弦距离计算单元，用于计算每对图片的余弦距离并根据所述余弦距离获得每对图片的相似度。

8.如权利要求6所述的一种人脸识别可信度的计算系统，其特征在于，所述正/负样本的正态分布表达式分别为：

其中，f_sam表示正样本数量，x表示相似度，相似度x服从一个数学期望为μ_sam、方差为δ_sam ²的正态分布，记为N(μ_sam，δ_sam ²)，A_sam为常数；f_dif表示负样本数，相似度x服从一个数学期望为μ_dif、方差为δ_dif ²的正态分布，记为N(μ_dif，δ_dif ²)，A_dif为常数。

9.如权利要求8所述的一种人脸识别可信度的计算系统，其特征在于，所述正样本与负样本的分布之和为f_total＝f_sam+f_dif，所述人脸识别的可信度具体为：confidence＝f_sam/f_total。

10.如权利要求6所述的一种人脸识别可信度的计算系统，其特征在于，还包括：

模型建立模块，用于根据所述正负样本人脸识别可信度的计算结果建立人脸识别的可信度模型；

获取计算模块，用于获取待测人脸识别的图片对，并计算所述图片对的余弦距离；

可信度获取模块，用于在所述可信度模型中根据所述图片对的余弦距离获得人脸识别的可信度。