CN110765933A - 一种应用于驾驶人身份认证系统的动态人像感知比对方法 - Google Patents

Abstract

本发明一种应用于驾驶人身份认证系统的动态人像感知比对方法，属于动态人像感知比对技术领域；所要解决的技术问题为：提供一种应用于驾驶人身份认证系统的动态人像感知比对方法的改进；解决该技术问题采用的技术方案为：通过ArcFace损失函数训练一个基准深度模型；将训练模型用于从人脸样本图像中进行特征提取，通过选择适合的三元组得到适合的训练结果，优化完成后，采用最近邻方法进行人像识别，将相似度数据反馈回驾考系统中进行分析处理，通过动态TripletLoss模型修正方法，利用人工核验的考生照片修正损失函数，通过不断微调、完善模型提高小样本情况下的人像识别率；本发明应用于驾驶人身份认证系统。

Description

一种应用于驾驶人身份认证系统的动态人像感知比对方法

技术领域

本发明一种应用于驾驶人身份认证系统的动态人像感知比对方法，属于动态人像感知比对技术领域。

背景技术

目前为配合公安部推出的公安交管放管服改革措施落地，对驾考系统进行了一定程度的升级与改进，增设相应的考试配套设施，对考试人员的登记信息进行有效管理；在驾考核实人员身份过程中，要求系统调取驾考平台考生身份人像信息库内数据，在考场入口门禁处自动抓拍考生照片，将抓拍照片与信息库内预存信息进行比对，平台将核验结果返回考试系统，若考生信息核验失败则由考场工作人员进行人工核验。

在进行人像比对过程中，发现由于大部分考场日均考试安排计划在200人左右，并且每位考生只有一张报名照片，目前系统采用的传统深度学习方法对于这类小样本集数据往往会出现过拟合且无法收敛的情况；由检测率、误检率和漏检率作为算法的评价指标，相应的概念定义如下：检测率为识别正确考生数量与总考生数量的比值，误检率为判断错误的考生数量与总考生数量的比值，漏检率为没有识别的考生数量与总考生数量的比值，则目前系统平台在5日内的检测数据如表1所示：

序号	总考生数量	检测率	误检率	漏检率
					1	1638	97.3％	0.5％	2.2％
2	1215	97.7％	0.2％	2.1％
					3	1595	97.0％	0.3％	2.7％
4	1196	96.9％	0.3％	2.8％
					5	1725	97.6％	0.5％	2.9％

表1最近邻方法识别结果

由上表数据可知，目前系统采用的人像比对算法存在一定的误检率，而实际业务中要求对误检率趋近于零，需要做到宁可漏检也不能出现误检；因此有必要对现有的人像识别比对算法及检测方法进行相应改进。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种应用于驾驶人身份认证系统的动态人像感知比对方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种应用于驾驶人身份认证系统的动态人像感知比对方法，包括如下步骤：

步骤一：在MS-Celeb-1M数据集上，采用resnet101网络结构，通过ArcFace损失函数训练一个基准深度模型；

步骤二：将训练模型用于从人脸样本图像中进行特征提取：

采用f(x)∈R^d表示照片x的特征提取过程，将照片嵌入一个欧几里得空间，通过输入一个三元组

其中a为考生报名照片，p为人工核验后上传的考生报道照片，n为其他考生报道照片；

将上述三元组满足以下约束：

上式中：α为同一考生样本和与其他考生样本之间的距离间距，Γ为当日该考试场考生照片集，总数记为N；

通过上式构造出用于人像识别的TripletLoss损失函数：

步骤三：将三元组

分为两类判断结果：

一类为一般三元组，满足：

满足一般三元组条件的a与n值距离较近，中间间隔距离不超过α；

另一类为困难三元组，满足：

表示n容易被识别错误；

步骤四：通过选择适合的三元组得到适合的训练结果：

要求正样本p满足：

同时获得一个负样本n满足：

即在理想状况下，选择与基准样本距离最远的正样本以及和基准样本距离最近的负样本，从而优化识别结果；

步骤五：优化完成后，采用最近邻方法进行人像识别；

记当日考试人数为M，计算报道考生照片x与所有考生报名照片之间的欧几里得距离，选取出N个最有可能匹配的报名照片信息，通过公式：

g(x)＝min||x-x_i||，i＝1，2，...，M；

计算余弦夹角：得出报道照片与这N个报名照片的相似度：

设报道照片x的特征向量为x＝(x₁，x₂，...，x_m)；

设报名照片y的特征向量为y＝(y₁，y₂，...，y_m)；

则上述特征向量的相似度表示为：

由上式定义S函数为报道照片与报名照片的相似度；

步骤六：将相似度数据反馈回驾考系统中进行分析处理，通过动态TripletLoss模型修正方法，利用人工核验的考生照片修正损失函数，通过不断微调、完善模型提高小样本情况下的人像识别率。

本发明相对于现有技术具备的有益效果为：本发明提供一种改进后的人像比对算法，将其应用于交管部门的驾考人身份认证系统，通过活体人像比对技术，将驾驶人现场抓拍照片、身份证照片与业务系统内预存照片进行比对核验，不仅保障了业务办理过程的有效性和可靠性，通过身份核验自动调取驾驶人基本信息资料，可以有效提高驾考身份核验效率及核验准确率。

附图说明

下面结合附图对本发明做进一步说明：

图1为本发明动态人像感知比对方法步骤流程图；

图2为本发明步骤四中三元组得到训练结果的目标优化图。

具体实施方式

如图1和图2所示，本发明提供的一种应用于驾驶人身份认证系统的动态人像感知比对方法，首先在微软的MS-Celeb-1M数据集上，采用resnet101网络结构，通过ArcFace损失函数训练了一个基准深度模型，然后在实际考试过程中采用动态的TripletLoss方法，利用人工核验的考生照片修正损失函数，最终通过不断微调、完善后的模型提高小样本情况下的人像识别率，满足实际业务需求；

采用f(x)∈R^d表示照片x的特征提取过程，将照片嵌入一个欧几里得空间；通过输入一个三元组其中a为考生报名照片，p为人工核验后上传的考生报道照片，n为其他考生报道照片。

对于上述三元组要求满足以下约束：

上式中：α为同一考生样本和与其他考生样本之间的距离间距，Γ为当日该考试场考生照片集，总数记为N；

通过上式构造出可用于人像识别的TripletLoss损失函数：

由于在训练过程中只有1张报名照片和1张报道照片，因此认为所获得的三元组可以分为两类：一类为一般三元组，满足：

这类三元组中a与n的距离较近，中间间隔距离不超过α；

另一类为困难三元组，满足：

表示n容易被识别错误。

三元组的选择对训练的结果非常重要，要求正样本p能够满足：

并希望能够获得一个负样本n满足：

即在理想状况下，选择与基准样本距离最远的正样本以及和基准样本距离最近的负样本；优化完成后，采用最近邻方法进行人像识别，记当日考试人数为M，计算报道考生照片x与所有考生报名照片之间的欧几里得距离，选取出N个最有可能匹配的报名照片信息：

g(x)＝min||x-x_i||，i＝1，2，...，M (7)

然后通过余弦夹角计算：报道照片与这N个报名照片的相似度，设报到照片x的特征向量为x＝(x₁，x₂，...，x_m)，设报名照片y的特征向量为y＝(y₁，y₂，...，y_m)，上述特征向量的相似度表示为：

最终定义S为报道照片与报名照片的相似度数据并反馈回驾驶人考试系统中进行分析处理。

采用上述改进算法再次进行人像比对实验，与原算法并行测试5个工作日数据量，结果如表2所示：

表2算法结果比较

由上表可见，新算法在误检率上有较大的提升，并能基本不出现误检情况，并且在漏检率上也有一定降低，可以满足实际驾考业务的需求。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种应用于驾驶人身份认证系统的动态人像感知比对方法，其特征在于：包括如下步骤：

步骤一：在MS-Celeb-1M数据集上，采用resnet101网络结构，通过ArcFace损失函数训练一个基准深度模型；

步骤二：将训练模型用于从人脸样本图像中进行特征提取：

采用f(x)∈R^d表示照片x的特征提取过程，将照片嵌入一个欧几里得空间，通过输入一个三元组

其中a为考生报名照片，p为人工核验后上传的考生报道照片，n为其他考生报道照片；

将上述三元组满足以下约束：

上式中：α为同一考生样本和与其他考生样本之间的距离间距，Γ为当日该考试场考生照片集，总数记为N；

通过上式构造出用于人像识别的TripletLoss损失函数：

步骤三：将三元组

分为两类判断结果：

一类为一般三元组，满足：

满足一般三元组条件的a与n值距离较近，中间间隔距离不超过α；

另一类为困难三元组，满足：

表示n容易被识别错误；

步骤四：通过选择适合的三元组得到适合的训练结果：

要求正样本p满足：

同时获得一个负样本n满足：

即在理想状况下，选择与基准样本距离最远的正样本以及和基准样本距离最近的负样本，从而优化识别结果；

步骤五：优化完成后，采用最近邻方法进行人像识别；

记当日考试人数为M，计算报道考生照片x与所有考生报名照片之间的欧几里得距离，选取出N个最有可能匹配的报名照片信息，通过公式：

g(x)＝min||x-x_i||，i＝1，2，...，M；

计算余弦夹角：得出报道照片与这N个报名照片的相似度：

设报道照片x的特征向量为x＝(x₁，x₂，...，x_m)；

设报名照片y的特征向量为y＝(y₁，y₂，...，y_m)；

则上述特征向量的相似度表示为：

由上式定义S函数为报道照片与报名照片的相似度；

步骤六：将相似度数据反馈回驾考系统中进行分析处理，通过动态TripletLoss模型修正方法，利用人工核验的考生照片修正损失函数，通过不断微调、完善模型提高小样本情况下的人像识别率。

Images