CN111582027B - 身份认证方法、装置、计算机设备和存储介质 - Google Patents
身份认证方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111582027B CN111582027B CN202010250552.3A CN202010250552A CN111582027B CN 111582027 B CN111582027 B CN 111582027B CN 202010250552 A CN202010250552 A CN 202010250552A CN 111582027 B CN111582027 B CN 111582027B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- user
- feature
- similarity
- 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 59
- 238000000605 extraction Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 38
- 238000013441 quality evaluation Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 1
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及一种身份认证方法、装置、计算机设备和存储介质。所述方法包括:获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。采用本方法能够提高人脸识别的准确度。
Description
技术领域
本申请涉及人脸识别技术领域,特别是涉及一种基于人脸识别的驾驶员身份认证方法、装置、计算机设备和存储介质。
背景技术
人脸识别是一种重要的身份识别方式,是计算机视觉领域中的重要研究方向之一。人脸识别常常被认为是用户体验最为友好的生物识别方式,使得其在设备解锁、移动支付、应用认证等移动和嵌入式应用中有了广泛的应用。
然而,现有技术在进行人脸识别的过程中,待识别人员的人脸姿态往往是多样化的,这也使人脸识别过程中的准确度受到影响。
因此,现有技术中存在人脸识别准确度不高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高身份认证准确度的身份认证方法、装置、计算机设备和存储介质。
一种身份认证方法,所述方法包括:
获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
在其中一个实施例中,所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态,所述根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重,包括:
获取所述人脸图像的人脸姿态;
分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;
根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;所述子特征相似度为所述人脸特征与所述子角度人脸特征之间的特征相似度;其中,所述相似度阈值用于表征与所述子特征相似度对应的决策权重。
在其中一个实施例中当所述预设用户具有一个时,所述根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果,包括:
当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配;
当所述预设用户具有多个时,所述根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果,包括:
当所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,则根据所述人脸特征与各个所述预设用户的多角度人脸特征之间的特征相似度,对各个所述预设用户进行排序,得到排序后的各个预设用户;
从所述排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;
计算所述第一候选预设用户对应的第一特征相似度与所述第二候选预设用户对应的第二特征相似度之间的相似度差值;
当所述相似度差值满足所述相似度差值的预设条件,则判定所述待认证用户与所述第一候选预设用户匹配。
在其中一个实施例中,所述获取所述人脸图像的人脸姿态,包括:
确定所述人脸图像中的人脸关键点;
根据所述人脸关键点,确定所述待认证用户在所述人脸图像中的人脸偏航角;其中,所述人脸偏航角用于表征所述待认证用户在所述人脸图像的人脸姿态;所述人脸偏航角所在的平面与水平面平行。
在其中一个实施例中,所述提取所述人脸图像中的人脸特征,包括:
获取特征提取模型;其中,所述特征提取模型用于对输入的图像进行处理,得到与所述图像对应的人脸特征;
通过所述特征提取模型,对所述人脸图像进行特征提取处理,得到所述人脸特征。
在其中一个实施例中,所述获取特征提取模型,包括:
构建人脸识别模型;所述人脸识别模型包括特征提取层和特征分类层;所述人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果;
基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型;所述训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签;
将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型。
在其中一个实施例中,所述获取待认证用户的人脸图像,包括:
获取所述待认证用户的初始人脸图像;
对所述初始人脸图像进行图像优化处理,得到优化后人脸图像;
基于所述待认证用户在所述优化后人脸图像中的人眼特征点,对所述优化后人脸图像进行校正,得到校正后人脸图像,作为所述待认证用户的人脸图像。
在其中一个实施例中,所述对所述初始人脸图像进行图像优化处理,得到优化后人脸图像,包括:
对所述初始人脸图像进行图像优化处理,得到初始优化图像;
对所述初始优化图像进行图像质量评估;所述图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种;
当所述图像质量评估通过时,确定所述初始优化图像为所述优化后人脸图像。
一种身份认证装置,所述装置包括:
获取模块,用于获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
相似度确定模块,用于确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
权重确定模块,用于根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
认证模块,用于根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
上述一种身份认证方法、装置、计算机设备和存储介质,通过获取待认证用户的人脸图像,并提取人脸图像中的人脸特征;然后,通过分别确定人脸特征与预设的各个多角度人脸特征之间的特征相似度;其中,多角度人脸特征为根据预设用户的多角度人脸图像得到的;再然后,通过根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定特征相似度的决策权重;并根据特征相似度和特征相似度的决策权重,判断待认证用户是否与预设用户相匹配,如此,可以消除因待认证用户的人脸姿态多样化而对人脸识别的准确度造成的影响,进而准确地对待认证用户进行人脸识别,进而准确地输出待认证用户的身份认证结果。
附图说明
图1为一个实施例中一种身份认证方法的应用环境图;
图2为一个实施例中一种身份认证方法的流程示意图;
图3为一个实施例中一种多角度人脸图像的示意图;
图4为一个实施例中一种身份认证方法的决策树的示意图;
图5为另一个实施例中一种身份认证方法的流程示意图;
图6为一个实施例中另一种身份认证方法的流程示意图;
图7为一个实施例中一种身份认证装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种身份认证方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种身份认证方法,包括以下步骤:
步骤S210,获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征。
其中,待认证用户可以是指需要进行身份认证的用户。实际应用中,待认证用户可以是在车辆中需要进行身份认证的驾驶员。
其中,人脸图像可以是指携带有待认证用户人脸信息的图像。
具体实现中,当待认证用户是在车辆中需要进行身份认证的驾驶员时,计算机设备110在获取待认证用户的人脸图像的过程中,计算机设备110可以实时采集和分析车辆内部的监控视频,通过分析采集的每一帧图像,判断驾驶位上是否有人员存在;具体地,计算机设备110可以采用SSD(Single Shot MultiBox Detector,一种目标检测算法)算法,确定每一帧图像中驾驶员的位置信息,进而判断是否存在人员在驾驶位;若存在人员在驾驶位时,则计算机设备110获取该人员在图像中的脸部区域对应的图像,进而得到待认证用户的人脸图像。
当计算机设备110获取待认证用户的人脸图像之后,计算机设备110提取出人脸图像中的人脸特征;具体地,计算机设备110可以将人脸图像输入至预训练的神经网络,通过预训练的神经网络对人脸图像进行处理,并根据预训练的神经网络的输出结果,确定与该人脸图像对应人脸特征。
步骤S220,确定人脸特征与预设用户的多角度人脸特征之间的特征相似度;多角度人脸特征为根据预设用户的多角度人脸图像得到的。
其中,多角度人脸特征为根据预设用户的多角度人脸图像得到的。实际应用中,计算机设备110可以将预设用户的多角度人脸图像输入至预训练的神经网络,得到各个多角度人脸图像对应的人脸特征,进而得到预设用户的多角度人脸特征。
其中,多角度人脸图像可以是指通过从多个不同角度对预设用户的人脸进行图像采集所得到的图像。
具体实现中,计算机设备110在提取人脸图像中的人脸特征之后,计算机设备110获取预先录入的与预设用户对应的多角度人脸特征,并计算出人脸特征与多角度人脸特征之间的特征相似度。具体来说,计算机设备110可以基于余弦相似度算法,计算出人脸特征与多角度人脸特征之间的余弦相似度,并将该余弦相似度作为人脸特征与多角度人脸特征之间的特征相似度Si。
其中,人脸特征与多角度人脸特征之间的特征相似度Si可以表示为:
其中,j为与人脸图像的人脸特征对应的特征向量;k为与多角度人脸图像i的多角度人脸特征对应的特征向量。
步骤S230,根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定特征相似度的决策权重。
其中,人脸姿态差异可以是指待认证用户在人脸图像中的人脸姿态与预设用户在多角度人脸图像中的人脸姿态之间的差异。
其中,决策权重可以用于表征对应的特征相似度在输出待认证用户的身份认证结果的过程中所起的重要程度。
实际应用中,当待认证用户在人脸图像中的人脸姿态与预设用户在多角度人脸图像中的人脸姿态之间的差异越小,待认证用户的人脸图像与预设用户的多角度人脸特征之间的特征相似度在输出待认证用户的身份认证结果的过程中所起的重要程度越高。
具体实现中,计算机设备110可以根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定与该特征相似度对应的决策权重。
步骤S240,根据特征相似度和特征相似度的决策权重,确定待认证用户的身份认证结果。
具体实现中,当计算机设备110特征相似度对应的决策权重后,计算机设备110可以根据特征相似度和特征相似度的决策权重,确定待认证用户的身份认证结果。具体来说,计算机设备110可以确定与该特征相似度的决策权重对应的第一相似度阈值,并通过判断该特征相似度是否大于该第一相似度阈值,进而判断待认证用户是否与预设用户匹配。
当然,计算机设备110还可以根据该特征相似度的决策权重对该特征相似度进行加权,得到加权后的特征相似度;然后,通过判断加权后的特征相似度是否大于预设的第二相似度阈值,并通过判断该特征相似度是否大于该第二相似度阈值,进而判断待认证用户是否与预设用户匹配。
上述一种身份认证方法中,通过获取待认证用户的人脸图像,并提取人脸图像中的人脸特征;然后,通过分别确定人脸特征与预设的各个多角度人脸特征之间的特征相似度;其中,多角度人脸特征为根据预设用户的多角度人脸图像得到的;再然后,通过根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定特征相似度的决策权重;并根据特征相似度和特征相似度的决策权重,判断待认证用户是否与预设用户相匹配,如此,可以消除因待认证用户的人脸姿态多样化而对人脸识别的准确度造成的影响,进而准确地对待认证用户进行人脸识别,进而准确地输出待认证用户的身份认证结果。
在另一个实施例中,多角度人脸特征包括多个子角度人脸特征,各个子角度人脸特征具有对应的人脸姿态,根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定特征相似度的决策权重,包括:获取人脸图像的人脸姿态;分别确定人脸图像的人脸姿态与各个子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;根据各个人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;子特征相似度为人脸特征与子角度人脸特征之间的特征相似度;其中,相似度阈值用于表征与子特征相似度对应的决策权重。
其中,多角度人脸特征包括多个子角度人脸特征。实际应用中,如图3所示,图3提供了一种多角度人脸图像的示意图,当预设用户的多角度人脸图像具有多张时,预设用户的多角度人脸特征包括多个子角度人脸特征。且各个子角度人脸特征具有对应的人脸姿态。
其中,子特征相似度为人脸特征与子角度人脸特征之间的特征相似度。
具体实现中,当计算机设备110在根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定特征相似度的决策权重的过程中,具体包括:计算机设备110可以获取人脸图像的人脸姿态,具体来说,计算机设备110可以确定人脸图像中的人脸关键点;并根据人脸关键点,确定待认证用户在人脸图像中的人脸姿态角。
在一个实施例中,在获取人脸图像的人脸姿态的步骤中,具体包括:确定人脸图像中的人脸关键点;根据人脸关键点,确定待认证用户在人脸图像中的人脸偏航角;其中,人脸偏航角用于表征待认证用户在人脸图像的人脸姿态。
其中,人脸偏航角所在的平面与水平面平行。
其中,人脸关键点包括左眼关键点、右眼关键点、鼻尖关键点、左嘴角关键点和右嘴角关键点中的至少一种。
具体实现中,计算机设备110在获取人脸图像的人脸姿态的过程中,计算机设备110可以对人脸图像进行图像识别,确定人脸图像中的人脸关键点。然后,再基于待认证用户在人脸图像中人脸关键点,确定待认证用户在人脸图像中的人脸偏航角。具体来说,计算机设备110可以利用POSIT姿态估计算法,对预设的三维人脸模板中的多个人脸特征点对应的三维坐标进行旋转、平移等变换投射至人脸图像中的人脸关键点,从而估计出相机的变换参数。最后,计算机设备110再根据相机位姿、预先标定的相机内参和变换参数,计算出待认证用户在人脸图像中的人脸欧拉角。其中,人脸欧拉角可以包括人脸偏航角(Yaw角)、人脸翻滚角(Roll角)和人脸俯仰角(Pitch角)。最后,计算机设备110将人脸欧拉角中的人脸偏航角,作为待认证用户在人脸图像中的第一人脸姿态。
需要说明的是,各个子角度人脸特征对应的人脸姿态可以根据预设用户的对应的多角度人脸图像获得;其中,根据多角度人脸图像,确定各个子角度人脸特征对应的人脸姿态的具体过程与上文中获取人脸图像的人脸姿态的具体过程原理一致,在此不再赘述。
然后,计算机设备110分别确定人脸图像的人脸姿态与各个子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;具体地,计算机设备110可以分别计算待认证用户在人脸图像中的人脸偏航角与每个多角度人脸图像中的人脸偏航角之间的差值的绝对值,作为人脸图像的人脸姿态与各个子角度人脸特征对应的人脸姿态之间的人脸姿态偏差。然后,计算机设备110根据各个人脸姿态偏差,并通过各个人脸姿态偏差分别确定与各个子特征相似度的决策权重;并确定与该个子特征相似度的决策权重对应的相似度阈值。
例如,假设多角度人脸图像有三张,即第一角度人脸图像a、第二角度人脸图像b和第三角度人脸图像c,且预设用户在第一角度人脸图像a中的人脸偏航角为Da°,在第二角度人脸图像b中的人脸偏航角为Db°,在第三角度人脸图像c中的人脸偏航角为Dc°,则待认证用户的人脸特征与预设用户的多角度人脸特征之间的特征相似度可以表示为(Sa,Sb,Sc)。其中,Sa为第一子特征相似度;Sb为第二子特征相似度;Sc为第三子特征相似度。计算机设备110在根据人脸图像与多角度人脸图像之间的人脸姿态差异,确定特征相似度的决策权重的过程中,计算机设备110首先计算出待认证用户在人脸图像x中的人脸偏航角Dx°。然后,依次计算出Dx与Da、Db和Dc的差值的绝对值,进而得到各个人脸姿态偏差。再假设Da为45;Db为0;Dc为-45;Dx为10。则Dx与Db的差值的绝对值最小,Dx与Da的差值的绝对值次之,Dx与Dc的差值的绝对值最大。说明人脸图像x与第二角度人脸图像b之间的人脸姿态差异最小,人脸图像x与第一角度人脸图像a之间的人脸姿态差异次之,人脸图像x与第三角度人脸图像c之间的人脸姿态差异最大。
因而,计算机设备110将人脸图像x与第二角度人脸图像b的第二子特征相似度Sb记为Score1,其中,Score1对应于第一相似度阈值T1;将人脸图像x与第一角度人脸图像a之间的第一子特征相似度Sa记为Score2,其中,Score2对应于第二相似度阈值T2;将人脸图像x与第三角度人脸图像c之间的第三子特征相似度Sc记为Score3,其中,Score3对应于第三相似度阈值T3。其中,子特征相似度对应的相似度阈值可以用于表征该子特征相似度对应的决策权重。使用说明的是,Score1对应于第一相似度阈值T1,Score2对应于第二相似度阈值T2和Score3对应于第三相似度阈值T3可以通过本领域技术人员的经验进行设定,也可以通过预训练的机器学习网络进行处理确定,在此不作限定。
本实施例提供的技术方案,通过获取人脸图像的人脸姿态;并分别确定人脸图像的人脸姿态与各个子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;通过根据各个人脸姿态偏差,准确地确定与各个子特征相似度的决策权重对应的相似度阈值,从而便于后续准确地根据各个子特征相似度对应的相似度阈值,判断待认证用户是否与预设用户匹配。
在其中一个实施例中,当预设用户具有一个时,在根据特征相似度和特征相似度的决策权重,确定待认证用户的身份认证结果,包括:当待认证用户与预设用户之间的各个子特征相似度均大于对应的相似度阈值时,则判定待认证用户与预设用户匹配。
具体实现中,当计算机设备110确定各个子特征相似度对应的相似度阈值之后,计算机设备110在根据特征相似度和特征相似度的决策权重,确定待认证用户的身份认证结果,包括:计算机设备110判断待认证用户与预设用户之间的各个子特征相似度是否均大于对应的相似度阈值,若各个子特征相似度均大于对应的相似度阈值时,则计算机设备110判定待认证用户与预设用户匹配,即确定待认证用户的身份认证结果为待认证用户与预设用户匹配。当计算机设备110确定各个特征相似度中有任一个特征相似度小于或等于其对应的相似度阈值时,计算机设备110则判定待认证用户与预设用户不匹配。
接上例,计算机设备110在将人脸图像x与第二角度人脸图像b的第二子特征相似度Sb记为Score1,其中,Score1对应于第一相似度阈值T1;将人脸图像x与第一角度人脸图像a之间的第一子特征相似度Sa记为Score2,其中,Score2对应于第二相似度阈值T2;将人脸图像x与第三角度人脸图像c之间的第三子特征相似度Sc记为Score3,其中,Score3对应于第三相似度阈值T3。然后,计算机设备110基于上述的映射关系构建如图4所示的决策树。当待认证用户与预设用户之间的各个子特征相似度均大于对应的相似度阈值(即Score1>T1(即Sb>T1)&&Score2>T2(即Sa>T2)&&Score3>T3(即Sc>T3))时,计算机设备110确定待认证用户的身份认证结果为待认证用户与预设用户匹配。
当预设用户具有多个时且计算机设备110确定待认证用户与每个所述预设用户之间的各个子特征相似度对应的相似度阈值之后,计算机设备110在根据特征相似度和特征相似度的决策权重,确定待认证用户的身份认证结果的过程中,包括:当计算机设备110判断所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,计算机设备110则根据人脸特征与各个预设用户的多角度人脸特征之间的特征相似度,对各个预设用户进行排序,得到排序后的各个预设用户;从排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;计算第一候选预设用户对应的第一特征相似度与第二候选预设用户对应的第二特征相似度之间的相似度差值;当相似度差值满足相似度差值的预设条件,则判定待认证用户与第一候选预设用户匹配。
假设预设用户具有三组且每组预设用户的特征相似度包括多个子特征相似度时,例如,待认证用户与预设用户A之间的特征相似度为(0.4,0.4,0.6);待认证用户与预设用户B之间的特征相似度为(0.5,0.4,0.7);待认证用户与预设用户C之间的特征相似度为(0.6,0.6,0.6),且每个特征相似度对应的相似度阈值T1、T2和T3均可以设为0.3时;此时计算机设备110确定待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值。然后,计算机设备110则根据人脸特征与各个预设用户的多角度人脸特征之间的特征相似度,对各个预设用户进行排序,得到排序后的各个预设用户。
由于特征相似度包括多个子特征相似度时,因此计算机设备110可以对每组特征相似度中的子特征相似度进行求和,得到每个预设用户对应的总体相似度。如预设用户A的总体相似度Sum1=0.4+0.4+0.6=1.4;预设用户B的总体相似度Sum2=0.5+0.4+0.7=1.6;预设用户C的总体相似度Sum3=0.7+0.9+0.7=2.4。然后,计算机设备110根据对各个预设用户对应的总体相似度,按照从大到小顺序对各个预设用户进行排序,得到排序后的各个预设用户(即预设用户C>预设用户B>预设用户A);可以看出,排名越前的预设用户与待认证用户之间的人脸相似度越高。
然后,计算机设备110从排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户。其中,第一候选预设用户和第二候选预设用户为在排序后的各个预设用户中排名处于前两位的预设用户,第一候选预设用户为在排序后的各个预设用户中的特征相似度最高的预设用户。
在然后计算第一候选预设用户对应的第一特征相似度与第二候选预设用户对应的第二特征相似度之间的相似度差值;当相似度差值满足相似度差值的预设条件,则判定待认证用户与第一候选预设用户匹配。
接上例,计算机设备110确定第一候选预设用户为预设用户C,第二候选预设用户为预设用户B;然后,计算机设备110计算出预设用户C的总体相似度Max1=Sum3=2.4与预设用户B的总体相似度Max2=Sum2=1.6之间的差,得到相似度差值Max1-Max2=0.8。当相似度差值Max1-Max2大于预设的差值阈值T4时,则说明待认证用户与排名处于前两位的预设用户之间的人脸特征相似度差距很大,待认证用户与第一候选预设用户相匹配的结果置信度高,计算机设备110则判定待认证用户与第一候选预设用户匹配。当相似度差值Max1-Max2小于差值阈值T4时,说明待认证用户与排名处于前两位的预设用户之间的人脸特征相似度差距不大,此时计算机设备110获取的待认证用户的人脸特征并不能供计算机设备110在各个预设用户中确定与待认证用户匹配的目标用户;因此,计算机设备110则确定待认证用户的身份认证结果为人脸验证失败。
本实施例的技术方案,当待认证用户具有多个且每个待认证用户均为候选匹配用户时,通过根据各个待认证用户的人脸特征与预设用户的多角度人脸特征的总体特征相似度,对各个待认证用户进行筛选,确定与预设用户匹配的候选匹配用户,从而准确地输出待认证用户的身份认证结果。
在另一个实施例中,提取人脸图像中的人脸特征,包括:获取特征提取模型;其中,特征提取模型用于对输入的图像进行处理,得到与图像对应的人脸特征;通过特征提取模型,对人脸图像进行特征提取处理,得到人脸特征。
其中,特征提取模型是基于训练样本对预设的神经网络训练获取的进而用于对输入的图像进行处理,得到与图像对应的人脸特征。
在其中一个实施例中,计算机设备110获取特征提取模型的过程中,具体包括:构建人脸识别模型;所述人脸识别模型包括特征提取层和特征分类层;所述人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果;基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型;所述训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签;将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型。
其中,人脸识别模型包括特征提取层和特征分类层。
其中,人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果。
具体实现中,在对获取特征提取模型的过程中,计算机设备110可以构建人脸识别模型。其中,该人脸识别模型可以是一个端到端的人脸识别网络(例如,VGGFace网络),人脸识别模型包括特征提取层和特征分类层。计算机设备110通过该人脸识别网络用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果。然后,计算机设备110基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型。其中,训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签。实际应用中,训练样本包含人脸在不同环境、各个角度,以及佩戴眼镜前后的图像以及对应的人脸分类标签。
当得到训练后的人脸识别模型后,计算机设备110将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型;具体来说,计算机设备110可以对训练后的人脸识别模型进行修改,去除训练后的人脸识别模型中的特征分类层,进而得到修改后的人脸识别网络,作为特征提取模型。如此,该特征提取模型可以具有更强的通用性能,准确地输出与该人脸图像对应的人脸特征。
具体实现中,计算机设备110在通过特征提取模型,对人脸图像进行特征提取处理,得到人脸特征的过程中,具体包括:计算机设备110可以将人脸图像输入至特征提取模型,作为特征提取模型的输入参数,通过特征提取模型,对人脸图像进行特征提取处理,得到与该人脸图像对应的人脸特征。实际应用中,人脸特征的特征维度可以为4096维。
本实施例的技术方案,通过构建人脸识别模型,并对人脸识别模型进行机器学习训练,得到训练后的人脸识别模型;然后,将训练后的人脸识别模型中的特征提取层,作为特征提取模型,进而使特征提取模型具有更强的通用性能,从而可以准确且快速地对人脸图像进行特征提取处理得到待认证用户的人脸特征,进而便于后续快速地输出待认证用户的身份认证结果。
在另一个实施例中,获取待认证用户的人脸图像,包括:获取待认证用户的初始人脸图像;对初始人脸图像进行图像优化处理,得到优化后人脸图像;基于待认证用户在优化后人脸图像中的人眼特征点,对优化后人脸图像进行校正,得到校正后人脸图像,作为待认证用户的人脸图像。
其中,初始人脸图像可以是指未经过图像处理的人脸图像。
具体实现中,计算机设备110在获取待认证用户的人脸图像的过程中,具体包括:计算机设备110首先获取待认证用户的初始人脸图像;然后,计算机设备110对初始人脸图像进行图像优化处理,得到优化后人脸图像;具体来说,计算机设备110可以通过直方图均衡化、双边滤波等图像优化操作,对初始人脸图像进行图像优化处理,得到优化后人脸图像。
然后,计算机设备110通过确定待认证用户在优化后人脸图像中的人眼特征点,并基于该人眼特征点,对优化后人脸图像进行校正,得到校正后人脸图像,作为待认证用户的人脸图像。具体来说,计算机设备110可以采用人脸检测神经网络(如,MTCNN神经网络),确定待认证用户在优化后人脸图像中的人脸特征点,其中,人脸特征点包括人眼特征点;该人眼特征点包括左眼特征点和右眼特征点;然后,计算机设备110确定左眼特征点和右眼特征点在优化后人脸图像中位置坐标;并根据左眼特征点的位置坐标和右眼特征点的位置坐标,确定左眼特征点与右眼特征点形成的连线与图像水平线之间的夹角;最后,计算机设备110根据该夹角,对优化后人脸图像进行校正;具体地,计算机设备110利用仿射变换,根据该夹角和优化后人脸图像,计算出旋转后的图像,得到校正后人脸图像,作为待认证用户的人脸图像。
需要说明的是,当计算机设备110得到校正后人脸图像后,计算机设备110还可以根据校正后人脸图像,确定待认证用户在校正后人脸图像中的人脸姿态,然后,计算机设备110判断该人脸姿态是否满足预设的姿态,当该人脸姿态不满足预设的姿态时,计算机设备110则对该校正后人脸图像进行舍弃,不对该校正后人脸图像进行进一步的处理。具体来说,计算机设备110可以确定待认证用户在校正后人脸图像中的人脸欧拉角,当该人脸欧拉角超过预设的欧拉角度范围时,计算机设备110则判定待认证用户在校正后人脸图像中的人脸姿态不满足预设的姿态。
本实施例的技术方案,通过对初始人脸图像进行图像优化处理,得到优化后人脸图像;并基于待认证用户在优化后人脸图像中的人眼特征点,对优化后人脸图像进行校正,得到校正后人脸图像,作为待认证用户的人脸图像,从而可以消除因待认证用户的人脸图像的环境因素而对人脸识别的准确度造成的影响,进而准确地输出待认证用户的身份认证结果。
在另一个实施例中,对所述初始人脸图像进行图像优化处理,得到优化后人脸图像,包括:对所述初始人脸图像进行图像优化处理,得到初始优化图像;对初始优化图像进行图像质量评估;图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种;当所述图像质量评估通过时,确定所述初始优化图像为所述优化后人脸图像。
其中,图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种。
具体实现中,当计算机设备110可以通过直方图均衡化、双边滤波等图像优化操作,对初始人脸图像进行图像优化处理后,还需要对优化后的图像即初始优化图像进行图像质量评估,得到图像质量评估结果。具体地,计算机设备110可以对该初始优化图像进行清晰度评估、亮度评估和对比度评估,进而得到对应的图像质量评估结果。然后,计算机设备110通过判断图像质量评估结果是否满足预设条件,进而判断该初始优化图像是否通过该图像质量评估。当计算机设备110判定该初始优化图像通过该图像质量评估时,计算机设备110则确定所述初始优化图像为所述优化后人脸图像。当计算机设备110判定该初始优化图像不通过该图像质量评估时,计算机设备110则对该初始优化图像进行舍弃,不对该初始优化图像进行进一步的处理。
具体来说,当计算机设备110在对该初始优化图像进行清晰度评估时,计算机设备110可以对初始优化图像进行模糊处理,得到模糊人脸图像;然后,计算机设备110获取模糊人脸图像与初始优化图像之间的相邻像素值的变化程度;当该变化程度大于预设的变化阈值时,则说明模糊人脸图像与初始优化图像之间的高频分量具有差距,该初始优化图像的图像清晰度满足预设的清晰度条件,该初始优化图像通过该清晰度评估。
当计算机设备110在对该初始优化图像进行亮度评估时,计算机设备110可以获取初始优化图像的人脸区域图像;然后,计算机设备110确定该人脸区域图像的图像平均亮度,并根据该图像平均亮度,判断该初始优化图像是否通过亮度评估。例如,计算机设备110可以将人脸区域图像从RGB颜色空间转换到HLS颜色空间,然后,在该基于HLS颜色空间的人脸区域图像中,根据HLS颜色空间中的亮度分量,提取人脸区域图像中的所有像素的亮度均值,当该亮度均值大于预设的亮度阈值时,则判定该初始优化图像通过该亮度评估。
当计算机设备110在对该初始优化图像进行对比度评估时,计算机设备110可以获取初始优化图像的人脸区域图像;然后,计算机设备110确定该人脸区域图像的图像亮度方差,并根据该图像亮度方差,判断该初始优化图像是否通过亮度评估。更具体地,当人脸区域图像的图像亮度方差小于预设的亮度方差阈值时,说明人脸区域的亮度较均匀,则判定该初始优化图像通过该对比度评估。
本实施例的技术方案,通过对初始优化图像进行图像质量评估;图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种,从而可以根据图像质量评估对应的评估结果,判断是否对初始优化图像进行进一步地处理,提高输出待认证用户的身份认证结果的效率。
如图5所示,在另一个实施例中,提供了一种身份认证方法。本实施例主要以该方法应用于上述图1中的计算机设备110。参照图5,该身份认证方法具体包括如下步骤:步骤S510,获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征。步骤S520,确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态。步骤S530,获取所述人脸图像的人脸姿态。步骤S540,分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差。步骤S550,根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值。步骤S560,当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配。上述步骤的具体限定可以参见上文对一种身份认证方法的具体限定,在此不再赘述。
如图6所示,在一个实施例中,提供了另一种身份认证方法。本实施例主要以该方法应用于上述图1中的计算机设备110。参照图6,该身份认证方法具体包括如下步骤:步骤610,获取待认证用户的初始人脸图像。步骤S620,对所述初始人脸图像进行图像优化处理,得到优化后人脸图像。步骤S630,对所述优化后人脸图像进行图像质量评估;所述图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种。步骤S640,当所述图像质量评估通过时,基于所述待认证用户在所述优化后人脸图像中的人眼特征点,对所述优化后人脸图像进行校正,得到校正后人脸图像,作为所述待认证用户的人脸图像。步骤S650,通过特征提取模型,对所述人脸图像进行特征提取处理,得到人脸特征;其中,所述特征提取模型是基于训练样本对预设的神经网络训练获取的,用于对输入的图像进行处理,得到与所述图像对应的人脸特征。步骤S660,确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的。步骤S670,根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重。步骤S680,根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。上述步骤的具体限定可以参见上文对一种身份认证方法的具体限定,在此不再赘述。
应该理解的是,虽然图2、图5和图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图5和图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种身份认证装置,包括:
获取模块710,用于获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
相似度确定模块720,用于确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
权重确定模块730,用于根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
认证模块740,用于根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
在其中一个实施例中,所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态,所述权重确定模块730,具体用于获取所述人脸图像的人脸姿态;
分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;
根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;所述子特征相似度为所述人脸特征与所述子角度人脸特征之间的特征相似度;其中,所述相似度阈值用于表征与所述子特征相似度对应的决策权重。
在其中一个实施例中,当所述预设用户具有一个时,所述认证模块740,具体用于当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配;
当所述预设用户具有多个时,所述认证模块740,具体用于当所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,则根据所述人脸特征与各个所述预设用户的多角度人脸特征之间的特征相似度,对各个所述预设用户进行排序,得到排序后的各个预设用户;从所述排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;计算所述第一候选预设用户对应的第一特征相似度与所述第二候选预设用户对应的第二特征相似度之间的相似度差值;当所述相似度差值满足所述相似度差值的预设条件,则判定所述待认证用户与所述第一候选预设用户匹配。
在其中一个实施例中,所述获取模块710,具体用于确定所述人脸图像中的人脸关键点;根据所述人脸关键点,确定所述待认证用户在所述人脸图像中的人脸偏航角;其中,所述人脸偏航角用于表征所述待认证用户在所述人脸图像的人脸姿态;所述人脸偏航角所在的平面与水平面平行。
在其中一个实施例中,所述获取模块710,具体用于获取特征提取模型;其中,所述特征提取模型用于对输入的图像进行处理,得到与所述图像对应的人脸特征;通过所述特征提取模型,对所述人脸图像进行特征提取处理,得到所述人脸特征。
在其中一个实施例中,所述获取模块710,具体用于构建人脸识别模型;所述人脸识别模型包括特征提取层和特征分类层;所述人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果;基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型;所述训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签;将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型。
在其中一个实施例中,所述获取模块710,具体用于获取所述待认证用户的初始人脸图像;对所述初始人脸图像进行图像优化处理,得到优化后人脸图像;基于所述待认证用户在所述优化后人脸图像中的人眼特征点,对所述优化后人脸图像进行校正,得到校正后人脸图像,作为所述待认证用户的人脸图像。
在其中一个实施例中,所述获取模块710,具体用于对所述初始人脸图像进行图像优化处理,得到初始优化图像;对所述初始优化图像进行图像质量评估;所述图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种;当所述图像质量评估通过时,确定所述初始优化图像为所述优化后人脸图像。
关于一种身份认证装置的具体限定可以参见上文中对于一种身份认证方法的限定,在此不再赘述。上述一种身份认证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储人脸图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种身份认证方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S210,获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
步骤S220,确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
步骤S230,根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
步骤S240,根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
在一个实施例中,所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态,处理器执行计算机程序时还实现以下步骤:获取所述人脸图像的人脸姿态;分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;所述子特征相似度为所述人脸特征与所述子角度人脸特征之间的特征相似度;其中,所述相似度阈值用于表征与所述子特征相似度对应的决策权重。
在一个实施例中,当所述预设用户具有一个时,处理器执行计算机程序时还实现以下步骤:当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配;
当所述预设用户具有多个时,处理器执行计算机程序时还实现以下步骤:当所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,则根据所述人脸特征与各个所述预设用户的多角度人脸特征之间的特征相似度,对各个所述预设用户进行排序,得到排序后的各个预设用户;从所述排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;计算所述第一候选预设用户对应的第一特征相似度与所述第二候选预设用户对应的第二特征相似度之间的相似度差值;当所述相似度差值满足所述相似度差值的预设条件,则判定所述待认证用户与所述第一候选预设用户匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定所述人脸图像中的人脸关键点;根据所述人脸关键点,确定所述待认证用户在所述人脸图像中的人脸偏航角;其中,所述人脸偏航角用于表征所述待认证用户在所述人脸图像的人脸姿态;所述人脸偏航角所在的平面与水平面平行。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取特征提取模型;其中,所述特征提取模型用于对输入的图像进行处理,得到与所述图像对应的人脸特征;通过所述特征提取模型,对所述人脸图像进行特征提取处理,得到所述人脸特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:构建人脸识别模型;所述人脸识别模型包括特征提取层和特征分类层;所述人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果;基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型;所述训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签;将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述待认证用户的初始人脸图像;对所述初始人脸图像进行图像优化处理,得到优化后人脸图像;基于所述待认证用户在所述优化后人脸图像中的人眼特征点,对所述优化后人脸图像进行校正,得到校正后人脸图像,作为所述待认证用户的人脸图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述初始人脸图像进行图像优化处理,得到初始优化图像;对所述初始优化图像进行图像质量评估;所述图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种;当所述图像质量评估通过时,确定所述初始优化图像为所述优化后人脸图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S210,获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
步骤S220,确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;
步骤S230,根据所述人脸图像与所述多角度人脸图像之间的人脸姿态差异,确定所述特征相似度的决策权重;
步骤S240,根据所述特征相似度和所述特征相似度的决策权重,确定所述待认证用户的身份认证结果。
在一个实施例中,所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态,计算机程序被处理器执行时还实现以下步骤:获取所述人脸图像的人脸姿态;分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;所述子特征相似度为所述人脸特征与所述子角度人脸特征之间的特征相似度;其中,所述相似度阈值用于表征与所述子特征相似度对应的决策权重。
在一个实施例中,当所述预设用户具有一个时,计算机程序被处理器执行时还实现以下步骤:当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配;
当所述预设用户具有多个时,计算机程序被处理器执行时还实现以下步骤:当所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,则根据所述人脸特征与各个所述预设用户的多角度人脸特征之间的特征相似度,对各个所述预设用户进行排序,得到排序后的各个预设用户;从所述排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;计算所述第一候选预设用户对应的第一特征相似度与所述第二候选预设用户对应的第二特征相似度之间的相似度差值;当所述相似度差值满足所述相似度差值的预设条件,则判定所述待认证用户与所述第一候选预设用户匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定所述人脸图像中的人脸关键点;根据所述人脸关键点,确定所述待认证用户在所述人脸图像中的人脸偏航角;其中,所述人脸偏航角用于表征所述待认证用户在所述人脸图像的人脸姿态;所述人脸偏航角所在的平面与水平面平行。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取特征提取模型;其中,所述特征提取模型用于对输入的图像进行处理,得到与所述图像对应的人脸特征;通过所述特征提取模型,对所述人脸图像进行特征提取处理,得到所述人脸特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:构建人脸识别模型;所述人脸识别模型包括特征提取层和特征分类层;所述人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果;基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型;所述训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签;将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述待认证用户的初始人脸图像;对所述初始人脸图像进行图像优化处理,得到优化后人脸图像;基于所述待认证用户在所述优化后人脸图像中的人眼特征点,对所述优化后人脸图像进行校正,得到校正后人脸图像,作为所述待认证用户的人脸图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述初始人脸图像进行图像优化处理,得到初始优化图像;对所述初始优化图像进行图像质量评估;所述图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种;当所述图像质量评估通过时,确定所述初始优化图像为所述优化后人脸图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种身份认证方法,其特征在于,所述方法包括:
获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态;所述多角度人脸图像是通过从多个不同角度对所述预设用户的人脸进行图像采集所得到的图像;
分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;
根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;所述子特征相似度为所述人脸特征与所述子角度人脸特征之间的特征相似度;其中,所述相似度阈值用于表征与所述子特征相似度对应的决策权重;所述决策权重用于表征对应的子特征相似度在输出所述待认证用户的身份认证结果的过程中所起的重要程度;
当所述预设用户具有一个时,且当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配;
当所述预设用户具有多个时,且当所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,则根据所述人脸特征与各个所述预设用户的多角度人脸特征之间的特征相似度,对各个所述预设用户进行排序,得到排序后的各个预设用户;从所述排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;计算所述第一候选预设用户对应的第一特征相似度与所述第二候选预设用户对应的第二特征相似度之间的相似度差值;当所述相似度差值满足所述相似度差值的预设条件,则判定所述待认证用户与所述第一候选预设用户匹配。
2.根据权利要求1所述的方法,其特征在于,所述待认证用户是在车辆中需要进行身份认证的驾驶员。
3.根据权利要求1所述的方法,其特征在于,所述获取所述人脸图像的人脸姿态,包括:
确定所述人脸图像中的人脸关键点;
根据所述人脸关键点,确定所述待认证用户在所述人脸图像中的人脸偏航角;其中,所述人脸偏航角用于表征所述待认证用户在所述人脸图像的人脸姿态;所述人脸偏航角所在的平面与水平面平行。
4.根据权利要求3所述的方法,其特征在于,所述人脸关键点包括左眼关键点、右眼关键点、鼻尖关键点、左嘴角关键点和右嘴角关键点中的至少一种。
5.根据权利要求1所述的方法,其特征在于,所述提取所述人脸图像中的人脸特征,包括:
获取特征提取模型;其中,所述特征提取模型用于对输入的图像进行处理,得到与所述图像对应的人脸特征;
通过所述特征提取模型,对所述人脸图像进行特征提取处理,得到所述人脸特征。
6.根据权利要求5所述的方法,其特征在于,所述获取特征提取模型,包括:
构建人脸识别模型;所述人脸识别模型包括特征提取层和特征分类层;所述人脸识别模型用于对输入的图像进行特征提取和分类处理,得到与所述图像对应的人脸分类结果;
基于预设的训练样本,对所述人脸识别模型进行训练,得到训练后的人脸识别模型;所述训练样本包括人脸样本图像和与所述人脸样本图像的人脸分类标签;
将所述训练后的人脸识别模型中的特征提取层,作为所述特征提取模型。
7.根据权利要求1所述的方法,其特征在于,所述获取待认证用户的人脸图像,包括:
获取所述待认证用户的初始人脸图像;
对所述初始人脸图像进行图像优化处理,得到优化后人脸图像;
基于所述待认证用户在所述优化后人脸图像中的人眼特征点,对所述优化后人脸图像进行校正,得到校正后人脸图像,作为所述待认证用户的人脸图像。
8.根据权利要求7所述的方法,其特征在于,所述对所述初始人脸图像进行图像优化处理,得到优化后人脸图像,包括:
对所述初始人脸图像进行图像优化处理,得到初始优化图像;
对所述初始优化图像进行图像质量评估;所述图像质量评估包括清晰度评估、亮度评估、对比度评估中的至少一种;
当所述图像质量评估通过时,确定所述初始优化图像为所述优化后人脸图像。
9.一种身份认证装置,其特征在于,所述装置包括:
获取模块,用于获取待认证用户的人脸图像,并提取所述人脸图像中的人脸特征;
相似度确定模块,用于确定所述人脸特征与预设用户的多角度人脸特征之间的特征相似度;所述多角度人脸特征为根据所述预设用户的多角度人脸图像得到的;所述多角度人脸特征包括多个子角度人脸特征,各个所述子角度人脸特征具有对应的人脸姿态;所述多角度人脸图像是通过从多个不同角度对所述预设用户的人脸进行图像采集所得到的图像;
权重确定模块,用于分别确定所述人脸图像的人脸姿态与各个所述子角度人脸特征对应的人脸姿态之间的人脸姿态偏差;根据各个所述人脸姿态偏差,分别确定各个子特征相似度对应的相似度阈值;所述子特征相似度为所述人脸特征与所述子角度人脸特征之间的特征相似度;其中,所述相似度阈值用于表征与所述子特征相似度对应的决策权重;所述决策权重用于表征对应的子特征相似度在输出所述待认证用户的身份认证结果的过程中所起的重要程度;
认证模块,用于当所述预设用户具有一个时,且当所述待认证用户与所述预设用户之间的各个所述子特征相似度均大于对应的所述相似度阈值时,则判定所述待认证用户与所述预设用户匹配;当所述预设用户具有多个时,且当所述待认证用户与每个所述预设用户之间的各个子特征相似度均大于对应的所述相似度阈值时,则根据所述人脸特征与各个所述预设用户的多角度人脸特征之间的特征相似度,对各个所述预设用户进行排序,得到排序后的各个预设用户;从所述排序后的各个预设用户中,按序选取第一候选预设用户和第二候选预设用户;计算所述第一候选预设用户对应的第一特征相似度与所述第二候选预设用户对应的第二特征相似度之间的相似度差值;当所述相似度差值满足所述相似度差值的预设条件,则判定所述待认证用户与所述第一候选预设用户匹配。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250552.3A CN111582027B (zh) | 2020-04-01 | 2020-04-01 | 身份认证方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250552.3A CN111582027B (zh) | 2020-04-01 | 2020-04-01 | 身份认证方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582027A CN111582027A (zh) | 2020-08-25 |
CN111582027B true CN111582027B (zh) | 2024-03-22 |
Family
ID=72124249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010250552.3A Active CN111582027B (zh) | 2020-04-01 | 2020-04-01 | 身份认证方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582027B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022016396A1 (zh) * | 2020-07-21 | 2022-01-27 | 深圳先进技术研究院 | 医学图像的处理方法、处理装置及计算机可读存储介质 |
CN112183202B (zh) * | 2020-08-26 | 2023-07-28 | 湖南大学 | 一种基于牙齿结构特征的身份认证方法及装置 |
CN113989886B (zh) * | 2021-10-22 | 2024-04-30 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
CN116758590B (zh) * | 2023-08-17 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 用于身份认证的手掌特征处理方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008072622A1 (ja) * | 2006-12-13 | 2008-06-19 | Panasonic Corporation | 顔認証装置 |
CN101271515A (zh) * | 2007-03-21 | 2008-09-24 | 株式会社理光 | 能识别多角度目标的图像检测装置 |
CN107506702A (zh) * | 2017-08-08 | 2017-12-22 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
CN107545252A (zh) * | 2017-08-31 | 2018-01-05 | 北京图铭视界科技有限公司 | 基于多姿态人脸模型的视频中人脸识别方法及装置 |
CN107704812A (zh) * | 2017-09-18 | 2018-02-16 | 维沃移动通信有限公司 | 一种人脸识别方法及移动终端 |
CN109978884A (zh) * | 2019-04-30 | 2019-07-05 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于人脸分析的多人图像评分方法、系统、设备及介质 |
-
2020
- 2020-04-01 CN CN202010250552.3A patent/CN111582027B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008072622A1 (ja) * | 2006-12-13 | 2008-06-19 | Panasonic Corporation | 顔認証装置 |
CN101271515A (zh) * | 2007-03-21 | 2008-09-24 | 株式会社理光 | 能识别多角度目标的图像检测装置 |
CN107506702A (zh) * | 2017-08-08 | 2017-12-22 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
CN107545252A (zh) * | 2017-08-31 | 2018-01-05 | 北京图铭视界科技有限公司 | 基于多姿态人脸模型的视频中人脸识别方法及装置 |
CN107704812A (zh) * | 2017-09-18 | 2018-02-16 | 维沃移动通信有限公司 | 一种人脸识别方法及移动终端 |
CN109978884A (zh) * | 2019-04-30 | 2019-07-05 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于人脸分析的多人图像评分方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111582027A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582027B (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
Atoum et al. | Face anti-spoofing using patch and depth-based CNNs | |
US10650261B2 (en) | System and method for identifying re-photographed images | |
JP6411510B2 (ja) | 無制約の媒体内の顔を識別するシステムおよび方法 | |
US9262614B2 (en) | Image processing device, image processing method, and storage medium storing image processing program | |
CN111209845A (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
Rozsa et al. | LOTS about attacking deep features | |
CN110909651A (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
Bedagkar-Gala et al. | Multiple person re-identification using part based spatio-temporal color appearance model | |
US12080100B2 (en) | Face-aware person re-identification system | |
CN111144366A (zh) | 一种基于联合人脸质量评估的陌生人脸聚类方法 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
US11126827B2 (en) | Method and system for image identification | |
US20190114470A1 (en) | Method and System for Face Recognition Based on Online Learning | |
Smith-Creasey et al. | Continuous face authentication scheme for mobile devices with tracking and liveness detection | |
JP6071002B2 (ja) | 信頼度取得装置、信頼度取得方法および信頼度取得プログラム | |
CN110598638A (zh) | 模型训练方法、人脸性别预测方法、设备及存储介质 | |
CN113255557B (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
CN107944398A (zh) | 基于深度特征联合表示图像集人脸识别方法、装置和介质 | |
Pang et al. | VD-GAN: A unified framework for joint prototype and representation learning from contaminated single sample per person | |
KR101961462B1 (ko) | 객체 인식 방법 및 장치 | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
Srikrishnaswetha et al. | Comparision study on various face detection techniques | |
CN112836682A (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 | |
Geetha et al. | 3D face recognition using Hadoop |
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 |