CN110298331B - 一种人证比对方法 - Google Patents

一种人证比对方法 Download PDF

Info

Publication number
CN110298331B
CN110298331B CN201910604785.6A CN201910604785A CN110298331B CN 110298331 B CN110298331 B CN 110298331B CN 201910604785 A CN201910604785 A CN 201910604785A CN 110298331 B CN110298331 B CN 110298331B
Authority
CN
China
Prior art keywords
image
identity card
images
casia
webface
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
Application number
CN201910604785.6A
Other languages
English (en)
Other versions
CN110298331A (zh
Inventor
章东平
陈思瑶
郭梦婷
李开民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
CCI China Co Ltd
Original Assignee
China Jiliang University
CCI China Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University, CCI China Co Ltd filed Critical China Jiliang University
Priority to CN201910604785.6A priority Critical patent/CN110298331B/zh
Publication of CN110298331A publication Critical patent/CN110298331A/zh
Application granted granted Critical
Publication of CN110298331B publication Critical patent/CN110298331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • 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
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Abstract

本发明公开了一种人证比对方法，使用收集的身份证图像与公开人脸数据集CASIA‑Webface，采用生成对抗网络生成与CASIA‑Webface中人脸图像相应的不同年龄段身份证图像，采用稀疏变异字典学习方法生成与身份证图像相应的人脸图像，将CASIA‑Webface、生成的与CASIA‑Webface中人脸图像相应的不同年龄段身份证图像、A张身份证图像、由A张身份证图像生成的人脸图像输入到人脸识别网络中进行训练，提高人证比对的准确率。

Description

一种人证比对方法
技术领域
本发明属于人脸识别领域，涉及到神经网络、模式识别等技术，尤其涉及到一种人证比对方法。
背景技术
人证比对技术，是指通过计算机将人脸信息，身份证信息进行采集、处理、对比等，来鉴定个人身份的一项技术。
随着深度学习的复兴与发展，深度学习方法已经成功应用到许多领域，例如目标检测、物体识别、语音识别等。因此，采用深度学习方法进行人证比对已成为必要。人证比对是将摄像头采集的人脸图像与身份证图像分别输入至训练好的人脸识别模型中提取特征，计算余弦相似度，若相似度大于某一阈值，则判断为同一人，反之，判断为不同人。但是，采用深度学习方法训练人脸识别模型，需要大量训练数据，且公开人脸数据集多为名人的人脸图像，缺乏身份证图像，造成人证比对准确率不高。
解决上述问题的关键就是进行数据增强，生成与公开人脸数据集中人脸图像相应的身份证图像，且生成与身份证图像相应的人脸图像，将其输入到人脸识别网络中训练，从而，提高人证比对的准确率。
发明内容
本发明克服了现有技术的不足之处，提出了一种人证比对方法，目的在于利用生成对抗网络生成身份证图像，利用稀疏变异字典学习方法生成与身份证相应的人脸图像，将其作为训练数据输入到人脸识别网络中训练，提高人证比对准确率。
本发明为达上述发明目的，采用如下技术方案：
一种人证比对方法，该方法包括：
使用收集的A张身份证图像数据与公开人脸数据集CASIA-Webface，采用生成对抗网络生成与CASIA-Webface中人脸图像相应的不同年龄段身份证图像，采用稀疏变异字典学习方法生成与A张身份证图像相应的人脸图像；将CASIA-Webface、生成的与CASIA-Webface中人脸图像相应的不同年龄段身份证图像、A张身份证图像、由A张身份证图像生成的人脸图像作为训练数据，输入到人脸识别网络中进行训练；在人证比对过程中，将身份证图像及摄像头采集到的人脸图像分别输入到训练好的人脸识别模型中，提取特征，计算特征间的余弦相似度，将相似度高于某一阈值T判断为同一个人，反之，判断为不同人。
进一步地，采用生成对抗网络生成与公开人脸数据集CASIA-Webface中人脸图像相应的不同年龄阶段身份证图像包括:对公开人脸数据集CASIA-Webface及A张身份证图像进行预处理，将图像尺寸大小变换为W×H，对A张身份证图像进行标记标签，根据年龄将其分为少年、青年、中年，标签分别为1、2、3；
生成对抗网络由3个模块组成，分别为生成对抗网络中的生成器Gi(i＝1,2,3)、生成对抗网络的判别器D及预训练好的人脸识别模型R，其中，G1表示生成少年身份证图像，G2表示生成青年身份证图像，G3表示生成中年身份证图像；
对生成对抗网络的生成器Gi(i＝1,2,3)、生成对抗网络的判别器D进行权重初始化；
分别训练生成器G1与判别器D、生成器G2与判别器D、生成器G3与判别器D，固定生成器Gi的权重，训练判别器D，其中，生成器Gi的输入为CASIA-Webface人脸图像z，输出为生成的身份证图像Gi(z)，其年龄标签为i，判别器D的输入为生成的身份证图像Gi(z)及标签为i的身份证图像xi，该判别器采用多任务卷积神经网络结构，进行年龄判别任务及是否为生成图像判别任务，其损失函数为
Figure BDA0002120457280000021
其中，
Figure BDA0002120457280000022
表示固定生成器Gi权重训练判断器D的损失函数，
Figure BDA0002120457280000023
表示是否为生成图像判别任务的损失函数，LAGE表示年龄判别任务的损失函数,λ1、λ2表示损失权重，E表示期望值，
Figure BDA0002120457280000024
表示xi取自标签为i的身份证图像，z～pdata(z)表示z取自CASIA-Webface数据集，fi表示判别器D输入样本的特征；yi表示输入样本的年龄标签，即1、2、3，1表示少年，2表示青年，3表示中年；wj代表权重矩阵的第j个列；b为偏置项，n为训练样本的类别数，即n＝3；
固定判别器D及预训练好的人脸识别模型R权重，训练生成器Gi，其损失函数为
Figure BDA0002120457280000031
其中，
Figure BDA0002120457280000032
表示固定判断器D的权重，训练生成器Gi的损失函数，
Figure BDA0002120457280000033
表示是否为生成图像判别任务的损失函数，LID表示人脸识别损失函数，λ3、λ4表示损失权重，E表示期望值，z～pdata(z)表示z取自CASIA-Webface数据集，R(z)表示CASIA-Webface数据集人脸图像输入到预训练好的人脸识别模型R得到的特征，R(Gi(z))表示生成器生成的年龄类别为i的身份证图像输入到预训练好的人脸识别模型R得到的特征，d表示欧式距离；
交替训练判别器D和生成器Gi直至模型无法提升；
将生成器G1、G2、G3及判别器D进行联合训练，固定训练好的生成器G1、G2、G3的权重，将CASIA-Webface人脸图像z分别输入到生成器G1、G2、G3中，得到生成的与CASIA-Webface人脸图像z相应的少年身份证图像G1(z)、青年身份证图像G2(z)、中年身份证图像G3(z)，将其与真实的身份证图像x输入到判断器D中，进行年龄判别任务及是否为生成图像判别任务，其损失函数为
Figure BDA0002120457280000034
其中，LD表示固定生成器G1、G2、G3权重训练判别器D的损失函数，LGAN.D表示是否为生成图像判别任务的损失函数，LAGE表示年龄判别任务的损失函数，λ5、λ6表示损失权重，E表示期望值，z～pdata(z)表示z取自CASIA-Webface数据集，x～Pdata(x)表示x取自身份证图像,fi表示判别器D输入样本的特征；yi表示输入样本的年龄标签，即1、2、3，1表示少年，2表示青年，3表示中年；wj代表权重矩阵的第j个列；b为偏置项，n为训练样本的类别数，即n＝3；
固定判别器D及预训练好的人脸识别模型R权重，训练生成器G1、G2、G3，其损失函数为：
Figure BDA0002120457280000041
其中，
Figure BDA0002120457280000042
表示固定判断器D的权重，训练生成器Gi的损失函数，
Figure BDA0002120457280000043
表示是否为生成图像判别任务的损失函数，LID表示人脸识别损失函数，λ7、λ8表示损失权重，z～pdata(z)表示z取自CASIA-Webface数据集，R(z)表示CASIA-Webface数据集人脸图像输入到预训练好的人脸识别模型R得到的特征，R(G1(z)，G2(z)，G3(z))表示生成器G1(z)，G2(z)，G3(z)生成的青年身份证图像、中年身份证图像、老年身份证图像依次输入到预训练好的人脸识别模型R得到的特征，d表示欧式距离；
交替训练判别器D和生成器G1、G2、G3，直至模型无法提升；将CASIA-Webface每张人脸图像输入到训练好的生成对抗网络中生成与该人脸图像相应的3张不同年龄段身份证图像，即少年身份证图像、青年身份证图像、中年身份证图像。
进一步地，采用稀疏变异字典学习方法生成与A张身份证图像相应的人脸图像，其中，稀疏变异字典学习(sparse variation dictionary learning，SVDL)通过将图库字典和外部字典相结合来学习外部泛型变异字典，SVDL利用外部数据的类间变化特征，从外部数据到图库数据学习具有投影矩阵的紧凑字典，将图库图像Y、图库字典YG和外部变异字典YD划分为X块，对于每个局部区域Yi，可以分别用图库字典和外部变异字典表示：
Yi＝YGxiG+YDxiD+R
其中，G表示图库字典，D表示外部变异字典数据集，xiG表示图库字典G上的编码向量，xiD表示外部变异字典D上的编码向量，R表示残差；
固定残差R，将CASIA-Webface数据集分成N个部分，输入A张身份证图像，采用稀疏变异字典学习方法，可以生成A×N张人脸图像；固定变异字典，改变残差R，有M种残差，输入A张身份证图像，采用稀疏变异字典学习方法，则可以生成A×M张人脸图像,通过稀疏变异字典学习方法可生成与每张身份证图像相应的(N+M)张人脸图像。
与现有技术相比，本发明的有益效果体现在：
本发明使用收集的A张身份证图像数据与公开人脸数据集CASIA-Webface，采用生成对抗网络生成与CASIA-Webface中人脸图像相应的不同年龄段身份证图像，采用稀疏变异字典学习方法生成与A张身份证图像相应的人脸图像；将CASIA-Webface、生成的与CASIA-Webface中人脸图像相应的不同年龄段身份证图像、A张身份证图像、由A张身份证图像生成的人脸图像作为训练数据，输入到人脸识别网络中进行训练，从而提高人证比对的准确率。
附图说明
图1是基于生成对抗网络的生成身份证图像流程图。
图2是生成对抗网络中生成器网络结构示意图。
图3是生成对抗网络中的判别器网络结构示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1-3所示，使用收集的1万张身份证图像数据与公开人脸数据集CASIA-Webface，采用生成对抗网络生成与CASIA-Webface中人脸图像相应的不同年龄段身份证图像，采用稀疏变异字典学习方法生成与1万张身份证图像相应的人脸图像；将CASIA-Webface、生成的与CASIA-Webface中人脸图像相应的不同年龄段身份证图像、1万张身份证图像、由1万张身份证图像生成的人脸图像作为训练数据，输入到人脸识别网络中进行训练；在人证比对过程中，将身份证图像及摄像头采集到的人脸图像分别输入到训练好的人脸识别模型中，提取特征，计算特征间的余弦相似度，将相似度高于某一阈值T(T＝0.7)判断为同一个人，反之，判断为不同人。
进一步地，采用生成对抗网络生成与公开人脸数据集CASIA-Webface中人脸图像相应的不同年龄阶段身份证图像包括:对公开人脸数据集CASIA-Webface及1万张身份证图像进行预处理，将图像尺寸大小变换为96×112，对1万张身份证图像进行标记标签，根据年龄将其分为少年、青年、中年，标签分别为1、2、3；
生成对抗网络由3个模块组成，分别为生成对抗网络中的生成器Gi(i＝1,2,3)、生成对抗网络的判别器D及预训练好的人脸识别模型R，其中，G1表示生成少年身份证图像，G2表示生成青年身份证图像，G3表示生成中年身份证图像；
对生成对抗网络的生成器Gi(i＝1,2,3)、生成对抗网络的判别器D进行权重初始化；
分别训练生成器G1与判别器D、生成器G2与判别器D、生成器G3与判别器D，固定生成器Gi的权重，训练判别器D，其中，生成器Gi的输入为CASIA-Webface人脸图像z，输出为生成的身份证图像Gi(z)，其年龄标签为i，判别器D的输入为生成的身份证图像Gi(z)及标签为i的身份证图像xi，该判别器采用多任务卷积神经网络结构，进行年龄判别任务及是否为生成图像判别任务，其损失函数为
Figure BDA0002120457280000061
其中，
Figure BDA0002120457280000062
表示固定生成器Gi权重训练判断器D的损失函数，
Figure BDA0002120457280000063
表示是否为生成图像判别任务的损失函数，LAGE表示年龄判别任务的损失函数,λ1、λ2表示损失权重，取λ1＝0.5，λ2＝0.5，E表示期望值，
Figure BDA0002120457280000064
表示xi取自标签为i的身份证图像，z～pdata(z)表示z取自CASIA-Webface数据集，fi表示判别器D输入样本的特征；yi表示输入样本的年龄标签，即1、2、3，1表示少年，2表示青年，3表示中年；wj代表权重矩阵的第j个列；b为偏置项，n为训练样本的类别数，即n＝3；
固定判别器D及预训练好的人脸识别模型R权重，训练生成器Gi，其损失函数为
Figure BDA0002120457280000071
其中，
Figure BDA0002120457280000072
表示固定判断器D的权重，训练生成器Gi的损失函数，
Figure BDA0002120457280000073
表示是否为生成图像判别任务的损失函数，LID表示人脸识别损失函数，λ3、λ4表示损失权重，取λ3＝0.6、λ4＝0.4，E表示期望值，z～pdata(z)表示z取自CASIA-Webface数据集，R(z)表示CASIA-Webface数据集人脸图像输入到预训练好的人脸识别模型R得到的特征，R(Gi(z))表示生成器生成的年龄类别为i的身份证图像输入到预训练好的人脸识别模型R得到的特征，d表示欧式距离；
交替训练判别器D和生成器Gi直至模型无法提升；
将生成器G1、G2、G3及判别器D进行联合训练，固定训练好的生成器G1、G2、G3的权重，将CASIA-Webface人脸图像z分别输入到生成器G1、G2、G3中，得到生成的与CASIA-Webface人脸图像z相应的少年身份证图像G1(z)、青年身份证图像G2(z)、中年身份证图像G3(z)，将其与真实的身份证图像x输入到判断器D中，进行年龄判别任务及是否为生成图像判别任务，其损失函数为
Figure BDA0002120457280000074
其中，LD表示固定生成器G1、G2、G3权重训练判别器D的损失函数，LGAN.D表示是否为生成图像判别任务的损失函数，LAGE表示年龄判别任务的损失函数，λ5、λ6表示损失权重，取λ5＝0.5、λ6＝0.5，E表示期望值，z～pdata(z)表示z取自CASIA-Webface数据集，x～Pdata(x)表示x取自身份证图像,fi表示判别器D输入样本的特征；yi表示输入样本的年龄标签，即1、2、3，1表示少年，2表示1青年，3表示中年；wj代表权重矩阵的第j个列；b为偏置项，n为训练样本的类别数，即n＝3；
固定判别器D及预训练好的人脸识别模型R权重，训练生成器G1、G2、G3，其损失函数为：
Figure BDA0002120457280000081
其中，
Figure BDA0002120457280000082
表示固定判断器D的权重，训练生成器Gi的损失函数，
Figure BDA0002120457280000083
表示是否为生成图像判别任务的损失函数，LID表示人脸识别损失函数，λ7、λ8表示损失权重，取λ7＝0.6、λ8＝0.4，z～pdata(z)表示z取自CASIA-Webface数据集，R(z)表示CASIA-Webface数据集人脸图像输入到预训练好的人脸识别模型R得到的特征，R(G1(z)，G2(z)，G3(z))表示生成器G1(z)，G2(z)，G3(z)生成的青年身份证图像、中年身份证图像、老年身份证图像依次输入到预训练好的人脸识别模型R得到的特征，d表示欧式距离；
交替训练判别器D和生成器G1、G2、G3，直至模型无法提升；将CASIA-Webface每张人脸图像输入到训练好的生成对抗网络中生成与该人脸图像相应的3张不同年龄段身份证图像，即少年身份证图像、青年身份证图像、中年身份证图像。
进一步地，采用稀疏变异字典学习方法生成与A张身份证图像相应的人脸图像，其中，稀疏变异字典学习(sparse variation dictionary learning，SVDL)通过将图库字典和外部字典相结合来学习外部泛型变异字典，SVDL利用外部数据的类间变化特征，从外部数据到图库数据学习具有投影矩阵的紧凑字典，将图库图像Y、图库字典YG和外部变异字典YD划分为X块，对于每个局部区域Yi，可以分别用图库字典和外部变异字典表示：
Yi＝YGxiG+YDxiD+R
其中，G表示图库字典，D表示外部变异字典数据集，xiG表示图库字典G上的编码向量，xiD表示外部变异字典D上的编码向量，R表示残差；
固定残差R，将CASIA-Webface数据集分成10个部分，输入1万张身份证图像，采用稀疏变异字典学习方法，可以生成1万×10张人脸图像；固定变异字典，改变残差R，有10种残差，输入1万张身份证图像，采用稀疏变异字典学习方法，则可以生成1万×10张人脸图像,通过稀疏变异字典学习方法可生成与每张身份证图像相应的20张人脸图像。

Claims (5)

1.一种人证比对方法，其特征在于包括如下步骤：
使用收集的A张身份证图像数据与公开人脸数据集CASIA-Webface，采用生成对抗网络生成与CASIA-Webface中人脸图像相应的不同年龄段身份证图像，采用稀疏变异字典学习方法生成与A张身份证图像相应的人脸图像；
将CASIA-Webface、生成的与CASIA-Webface中人脸图像相应的不同年龄段身份证图像、A张身份证图像、由A张身份证图像生成的人脸图像作为训练数据，输入到人脸识别网络中进行训练；
在人证比对过程中，将身份证图像及摄像头采集到的人脸图像分别输入到训练好的人脸识别模型中，提取特征，计算特征间的余弦相似度，将相似度高于某一阈值T判断为同一个人，反之，判断为不同人；
所述采用生成对抗网络生成与公开人脸数据集CASIA-Webface中人脸图像相应的不同年龄阶段身份证图像包括如下步骤:
步骤1：对公开人脸数据集CASIA-Webface及A张身份证图像进行预处理，将图像尺寸大小变换为W×H，对A张身份证图像进行标记标签，根据年龄将其分为少年、青年、中年，标签分别为1、2、3；
步骤2：生成对抗网络由3个模块组成，分别为生成对抗网络中的生成器Gi，i＝1,2,3、生成对抗网络的判别器D及预训练好的人脸识别模型R，其中，G1表示生成少年身份证图像，G2表示生成青年身份证图像，G3表示生成中年身份证图像；
步骤3：对步骤2中生成对抗网络的生成器Gi，i＝1,2,3、生成对抗网络的判别器D进行权重初始化；
步骤4：分别训练生成器G1与判别器D、生成器G2与判别器D、生成器G3与判别器D，固定生成器Gi的权重，训练判别器D，其中，生成器Gi的输入为CASIA-Webface人脸图像z，输出为生成的身份证图像Gi(z)，其年龄标签为i，判别器D的输入为生成的身份证图像Gi(z)及标签为i的身份证图像xi，该判别器采用多任务卷积神经网络结构，进行年龄判别任务及是否为生成图像判别任务，其损失函数为
Figure FDA0002898077900000011
固定判别器D及预训练好的人脸识别模型R权重，训练生成器Gi，其损失函数为
Figure FDA0002898077900000012
其中，人脸识别模型R输入为CASIA-Webface人脸图像z及生成的青年身份证图像Gi(z)；交替训练判别器D和生成器Gi直至模型无法提升；
步骤5：将生成器G1、G2、G3及判别器D进行联合训练，固定步骤4中训练好的生成器G1、G2、G3的权重，将CASIA-Webface人脸图像z分别输入到生成器G1、G2、G3中，得到生成的与CASIA-Webface人脸图像z相应的少年身份证图像G1(z)、青年身份证图像G2(z)、中年身份证图像G3(z)，将其与真实的身份证图像x输入到判断器D中，进行年龄判别任务及是否为生成图像判别任务，其损失函数为LD；固定判别器D及预训练好的人脸识别模型R权重，训练生成器G1、G2、G3，其损失函数为LG，其中，人脸识别模型R输入为CASIA-Webface人脸图像z及生成的身份证图像G1(z)、G2(z)、G3(z)；交替训练判别器D和生成器G1、G2、G3，直至模型无法提升；
步骤6：将CASIA-Webface每张人脸图像输入到训练好的生成对抗网络中生成与该人脸图像相应的3张不同年龄段身份证图像，即少年身份证图像、青年身份证图像、中年身份证图像；
所述采用稀疏变异字典学习方法生成与A张身份证图像相应的人脸图像，其中，稀疏变异字典学习(sparse variation dictionary learning，SVDL)通过将图库字典和外部字典相结合来学习外部泛型变异字典，SVDL利用外部数据的类间变化特征，从外部数据到图库数据学习具有投影矩阵的紧凑字典，将图库图像Y、图库字典YG和外部变异字典YD划分为X块，对于每个局部区域Yi，可以分别用图库字典和外部变异字典表示：
Yi＝YGxiG+YDxiD+R
其中，G表示图库字典，D表示外部变异字典数据集，xiG表示图库字典G上的编码向量，xiD表示外部变异字典D上的编码向量，R表示残差；
固定残差R，将CASIA-Webface数据集分成N个部分，输入A张身份证图像，采用稀疏变异字典学习方法，可以生成A×N张人脸图像；固定变异字典，改变残差R，有M种残差，输入A张身份证图像，采用稀疏变异字典学习方法，则可以生成A×M张人脸图像,通过稀疏变异字典学习方法可生成与每张身份证图像相应的(N+M)张人脸图像。
2.如权利要求1所述的一种人证比对方法，其特征在于：所述步骤4中损失函数
Figure FDA0002898077900000021
公式为：
Figure FDA0002898077900000022
其中，
Figure FDA0002898077900000023
表示固定生成器Gi权重训练判断器D的损失函数，
Figure FDA0002898077900000024
表示是否为生成图像判别任务的损失函数，LAGE表示年龄判别任务的损失函数,λ1、λ2表示损失权重，E表示期望值，
Figure FDA0002898077900000025
表示xi取自标签为i的身份证图像，z～Pdata(z)表示z取自CASIA-Webface数据集，fi表示判别器D输入样本的特征；yi表示输入样本的年龄标签，即1、2、3，1表示少年，2表示青年，3表示中年；wj代表权重矩阵的第j个列；b为偏置项，n为训练样本的类别数，即n＝3。
3.如权利要求1所述的一种人证比对方法，其特征在于：所述步骤4中损失函数
Figure FDA0002898077900000031
公式为：
Figure FDA0002898077900000032
其中，
Figure FDA0002898077900000033
表示固定判断器D的权重，训练生成器Gi的损失函数，
Figure FDA0002898077900000034
表示是否为生成图像判别任务的损失函数，LID表示人脸识别损失函数，λ3、λ4表示损失权重，E表示期望值，z～Pdata(z)表示z取自CASIA-Webface数据集，R(z)表示CASIA-Webface数据集人脸图像输入到预训练好的人脸识别模型R得到的特征，R(Gi(z))表示生成器生成的年龄类别为i的身份证图像输入到预训练好的人脸识别模型R得到的特征，d表示欧式距离。
4.如权利要求1所述的一种人证比对方法，其特征在于：所述步骤5中损失函数LD公式为：
Figure FDA0002898077900000035
其中，LD表示固定生成器G1、G2、G3权重训练判别器D的损失函数，LGAN.D表示是否为生成图像判别任务的损失函数，LAGE表示年龄判别任务的损失函数，λ5、λ6表示损失权重，E表示期望值，z～Pdata(z)表示z取自CASIA-Webface数据集，x～Pdata(x)表示x取自身份证图像,fi表示判别器D输入样本的特征；yi表示输入样本的年龄标签，即1、2、3，1表示少年，2表示青年，3表示中年；wj代表权重矩阵的第j个列；b为偏置项，n为训练样本的类别数，即n＝3。
5.如权利要求1所述的一种人证比对方法，其特征在于：所述步骤5中损失函数LG公式为：
Figure FDA0002898077900000036
其中，
Figure FDA0002898077900000037
表示固定判断器D的权重，训练生成器Gi的损失函数，
Figure FDA0002898077900000038
表示是否为生成图像判别任务的损失函数，LID表示人脸识别损失函数，λ7、λ8表示损失权重，z～Pdata(z)表示z取自CASIA-Webface数据集，R(z)表示CASIA-Webface数据集人脸图像输入到预训练好的人脸识别模型R得到的特征，R(G1(z)，G2(z)，G3(z))表示生成器G1(z)，G2(z)，G3(z)生成的青年身份证图像、中年身份证图像、老年身份证图像依次输入到预训练好的人脸识别模型R得到的特征，d表示欧式距离。
CN201910604785.6A 2019-07-05 2019-07-05 一种人证比对方法 Active CN110298331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910604785.6A CN110298331B (zh) 2019-07-05 2019-07-05 一种人证比对方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910604785.6A CN110298331B (zh) 2019-07-05 2019-07-05 一种人证比对方法

Publications (2)

Publication Number Publication Date
CN110298331A CN110298331A (zh) 2019-10-01
CN110298331B true CN110298331B (zh) 2021-04-06

Family

ID=68030504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910604785.6A Active CN110298331B (zh) 2019-07-05 2019-07-05 一种人证比对方法

Country Status (1)

Country Link
CN (1) CN110298331B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627077B (zh) * 2020-05-27 2023-04-18 成都知识视觉科技有限公司 一种医疗图像的处理方法及其压缩、还原系统
CN112766169A (zh) * 2021-01-21 2021-05-07 中信银行股份有限公司 开户身份认证方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304858A (zh) * 2017-12-28 2018-07-20 中国银联股份有限公司 对抗样本识别模型生成方法、验证方法及其系统
CN109816200A (zh) * 2018-12-17 2019-05-28 平安国际融资租赁有限公司 任务推送方法、装置、计算机设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3607492A4 (en) * 2017-04-07 2021-01-06 INTEL Corporation ADVANCED AND AUGMENTED TRAINING PROCESSES AND SYSTEMS OF DEEP NEURAL NETWORKS USING SYNTHETIC DATA AND INNOVATIVE GENERATIVE NETWORKS
US11741693B2 (en) * 2017-11-15 2023-08-29 Palo Alto Research Center Incorporated System and method for semi-supervised conditional generative modeling using adversarial networks
CN108537743B (zh) * 2018-03-13 2022-05-20 杭州电子科技大学 一种基于生成对抗网络的面部图像增强方法
CN109255289B (zh) * 2018-07-27 2021-10-26 电子科技大学 一种基于统一式生成模型的跨衰老人脸识别方法
CN109857879B (zh) * 2018-12-20 2021-04-30 杭州英歌智达科技有限公司 一种基于gan的人脸检索方法
CN109902615B (zh) * 2019-02-25 2020-09-29 中国计量大学 一种基于对抗网络的多个年龄段图像生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304858A (zh) * 2017-12-28 2018-07-20 中国银联股份有限公司 对抗样本识别模型生成方法、验证方法及其系统
CN109816200A (zh) * 2018-12-17 2019-05-28 平安国际融资租赁有限公司 任务推送方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110298331A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN107423701B (zh) 基于生成式对抗网络的人脸非监督特征学习方法及装置
CN103605972A (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN106446954A (zh) 一种基于深度学习的字符识别方法
Singh et al. OCR for Telugu script using back-propagation based classifier
CN110298331B (zh) 一种人证比对方法
Laishram et al. A neural network based handwritten Meitei Mayek alphabet optical character recognition system
CN114398681A (zh) 训练隐私信息分类模型、识别隐私信息的方法和装置
CN102184384A (zh) 一种基于多尺度局部相位量化特征的人脸识别方法
Pratama et al. Face recognition for presence system by using residual networks-50 architecture
CN102063628B (zh) 双面盲文点字的提取方法
Sanjrani et al. Handwritten optical character recognition system for Sindhi numerals
Jena et al. Implementation of linear discriminant analysis for Odia numeral recognition
CN114220179A (zh) 一种基于faiss的在线手写签名笔迹检索方法和系统
CN102129557A (zh) 一种基于lda子空间学习的人脸识别方法
Ramteke et al. Recognition of off-line MODI script: a structure similarity approach
CN114944002B (zh) 文本描述辅助的姿势感知的人脸表情识别方法
CN110738985A (zh) 基于语音信号的跨模态生物特征识别方法及系统
CN113792541B (zh) 一种引入互信息正则化器的方面级情感分析方法
Alqudah et al. Shift and scale invariant recognition of printed numerals
Imantoko et al. Comparative analysis of support vector machine and k-nearest neighbors with a pyramidal histogram of the gradient for sign language detection
Ramteke et al. Recognition of offline MODI script
Desai et al. Signature Verification and Forgery Recognition System Using KNN, Backpropagation and CNN
Hallyal et al. Optimized recognition of CAPTCHA through attention models
Bani Baker et al. Image-Based Arabic Sign Language Recognition System Using Transfer Deep Learning Models
Shin et al. Enhancing low-resolution face recognition with feature similarity knowledge distillation

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