CN114445875A - 基于深度学习的身份识别与人脸比对系统及训练方法 - Google Patents
基于深度学习的身份识别与人脸比对系统及训练方法 Download PDFInfo
- Publication number
- CN114445875A CN114445875A CN202111600229.5A CN202111600229A CN114445875A CN 114445875 A CN114445875 A CN 114445875A CN 202111600229 A CN202111600229 A CN 202111600229A CN 114445875 A CN114445875 A CN 114445875A
- Authority
- CN
- China
- Prior art keywords
- training
- image
- deep learning
- module
- identity card
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的身份识别与人脸比对系统及训练方法，该系统包括通过网络传输模块相连的客户终端和服务器云端，客户终端的数据采集模块的信号输出端连接主机，主机分别连接语音提示模块、存储模块；服务器云端的图像预处理模块通过网络传输模块接收客户端主机传输的信息，身份证识别深度学习网络模型输出预测值，通过网络传输模块传输回主机，控制语音提示模块语音提示。本发明的系统实现了实时对客户端采集的身份证图像信息进行识别并与活体比对得出结果，在保护用户隐私的前提下提高了身份识别的速度和效率。本发明的系统及方法适用于任意需要利用身份证识别与人脸比对进行判断的领域。
Description
技术领域
本发明属于计算机视觉应用领域，涉及一种基于深度学习的身份识别与人脸比对系统及训练方法。
背景技术
身份证是我国公民的有效证件，记载了持有人的基本个人信息和一个唯一的身份证编号。近年来，以身份证信息为基础对用户进行的实名制制度在各行各业各个领域皆被广泛应用，在实名制过程中需要对身份证图像信息进行特征识别，传统特征识别系统不仅容易受到外界的干扰，而且还具有操作复杂、识别仪器体积大、对拍摄环境、图像质量要求高、识别效率低、易发生漏检、错检等缺点。随着计算机技术的迅速发展和深度学习技术的兴起，针对特定图像的识别技术已经成为可能。
相对于传统识别方式来讲，人脸比对识别方式是以人脸识别技术为核心的一项新兴的生物识别比对技术，是当今国际科技领域攻关的高精尖技术。其相关研究最早开始于上个世纪60年代，到了上世纪90年代已经成为了科研热点。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频或图像中提取人脸特征点，利用生物统计学的原理进行分析建立数学模型。
基于深度学习的身份识别与人脸比对的方法由于其具有无需手动设计和提取特征、能处理大量的图像数据、泛化能力强等优点，所以它成为进行身份验证的一个有效的方法。该方法可以广泛应用于服务型行业、交通系统、公安系统等需要身份检验的部门，可以节省大量的人力物力，提高识别效率，具有广阔的应用前景。
发明内容
本发明的目的之一，是要提供一种基于深度学习的身份识别与人脸比对系统，以解决传统方法身份证识别不便的问题，进一步提高了文本识别的准确率和速度。
本发明为实现上述目的，所采用的技术方案如下：
一种基于深度学习的身份识别与人脸比对系统，包括通过网络传输模块相连的客户终端和服务器云端，所述客户终端包括搭载有预训练身份验证系统的主机、数据采集模块、语音提示模块、可加密的存储模块，所述数据采集模块的信号输出端连接主机，主机的语音提示信号连接语音提示模块，主机还与存储模块通信连接；
所述服务器云端包括用于检测完成预处理的身份证图像文本区域并识别输出预测值的身份证识别深度学习网络模型，以及采用谷歌开源语义分割模型的图像预处理模块，所述图像预处理模块通过网络传输模块接收客户端主机传输的信息，对图片预处理后将信息输入至身份证识别深度学习网络模型进行预测，预测值通过网络传输模块传输回主机，控制语音提示模块语音提示。
作为对本发明系统的限定：所述身份识别深度学习网络模型为五层验证架构，包括：物理层、数据传输层、业务层、管理层和应用层，物理层包括负责采集训练或者预测的数据的底层硬件设备，数据传输层包括控制模块和协议规则，业务层包括身份识别核心算法，管理层负责系统维护管理，应用层为最上层提供移动端和PC端两种应用场景。
本发明的另一目的在于，提供一种基于深度学习的身份识别与人脸比对系统的训练方法，以解决基于传统卷积网络的识别方法难以准确检测图像的问题。
为实现上述目的，本发明所采用的技术方案为：
一种基于深度学习的身份识别与人脸比对系统的训练方法，包括依次进行的以下步骤：
S1、构建身份证图像基础数据集，用数据集对模型进行训练；
S2、采用图像分割技术，利用模型获取图像数据，使用图像增强技术扩充训练和测试数据集图像数量；
S3、将完成图像增强后的样本数据依次做归一化处理、初始化训练参数、搭建卷积神经网络，实现身份证信息识别输出；
S4、使用Adam优化器预测输出值，计算得到预测值和真实值之间的距离值，权重值、梯度，再使用梯度下降算法沿着梯度的反方向逐步更新权重，直至使用反向传播算法求出使得损失值最小时的权重参数，控制过拟合过程；
S5、根据神经网络在测试集中输出的预测信息，实现所有信贷档案图像按样本的标签逐个进行分类，并保存该训练好的神经网络，用于下次继续使用。
作为对上述方法中步骤S1的限定：步骤S1中通过人工标注身份证数据集构建身份证图像基础数据集，对身份证数据集进行文本区域分割标注。
作为对上述方法中步骤S2的限定：所述步骤S2中图像增强技术包括但不局限于平移、旋转、翻转方式。
作为对上述方法中步骤S3的限定：所述步骤S3中将图像样本数据做归一化处理后，将图像尺寸大小设置为32×32大小，调用Numpy函数库中的img_to_array的方法将图像的像素值转至数组的形式存储；
初始化参数后对初始输入的图像进行二值化处理，将所有标准训练及中的图像均归一化为0-255像素；
通过级联分类器实现身份证信息的识别输出，通过目标检测将身份证中的人像区域进行保存。
作为对上述方法中初始化训练参数的限定：所述初始化训练参数包括但不局限于批尺寸、学习率、训练伦次。
作为对上述方法中卷积神经网络的限定：所述搭建的卷积神经网络结构的组成为：
conv(32)+conv(32)+pool(64)+conv(64)+conv(64)+ pool(128)+flat()+Den()+Dropout()+Den(10)，
式中Conv表示卷积层，pool表示池化层，Den表示全连接层，Dropout表示Dropout函数。
作为对上述方法中步骤S4的限定：所述步骤S4中在使用Adam优化器进行预测时，首先使用梯度下降算法和反向传播算法降低前向预测中的模型损失值，直至降到足够低的范围内，使用人工设置的超参数作为模型初始化参数，进行训练；然后在Adam优化器中定义用来进行模型预测的假设函数，并对神经网络的权重进行随机赋值，对输入的图像进行前向预测，得到预测值。
作为对上述方法中步骤S4的另一种限定：所述步骤S4中采用平方误差代价函数得到预测值和真实值之间的距离值，用解析法求出损失函数对应的所有权重值，使用链式求导法计算出梯度，使用Dropout函数控制过拟合过程。
本发明由于采用了上述的技术方案，其与现有技术相比，所取得的技术进步在于：
(1)本发明在基于图表示学习的图神经网络算法中，通过调整模型网络结构及参数的方法提出了一种新的算法，与传统文本检测模型的性能相比，大大提高了准确率和速度。
(2)本发明在对身份证文本区域检测过程中，应用了计算机视觉领域新提出的图神经网络模型DRRG，将图表示学习中的模型与深度学习模型结合应用，进一步提高了文本识别的准确率和速度。
(3)本发明提出了一种新的身份认证五层架构，该架构包括应用层、管理层、业务层、数据传输层和物理层，基于该架构，能够解决传统银行信贷场景下所面临的身份验证问题。
综上所述，本发明的系统实现了实时对客户端采集的身份证图像信息进行识别并与活体比对得出结果，在保护用户隐私的前提下提高了身份识别的速度和效率。本发明的系统及方法适用于任意需要利用身份证识别与人脸比对进行判断的领域。
附图说明
图1为本发明实施例1的原理框图；
图2为本发明实施例1的五层架构图；
图3为本发明实施例1的使用流程图；
图4为本发明实施例2的流程示意图；
图5为本发明实施例2中人工标注数据集示意图；
图6为本发明实施例2中数据增强训练方式示意图；
图7为本发明实施例2中系统预测结果可视化展示示意图；
图8为本发明实施例2中图像特征图模型；
图9为本发明实施例2中模型评估结果图。
具体实施方式
实施例1一种基于深度学习的身份识别与人脸比对系统及方法
为了使本发明实现实施例的目的、使技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本实施例提供了一种基于深度学习的身份识别与人脸比对系统，参照图1，该系统基于C/S架构进行开发和设计，包括客户终端和服务器云端，客户终端放置数据采集设备对客户图像信息进行采集、存储和加密。服务器端放置核心识别引擎和算法，负责响应客户前端传来的服务请求。
其中所述客户终端包括主机、数据采集模块、语音提示模块、可加密的存储模块。其中主机上搭载有预训练身份验证系统，所述数据采集模块包括高清单目摄像头和高清双目摄像头，且高清单目摄像头和高清双目摄像头的信号输出端均连接主机，主机的语音提示信号连接语音提示模块，主机还与存储模块通信连接。
本实施例中的存储模块包括与主机相连的存储移动硬盘，还包括对存储移动硬盘进行加密的TPM模块。
所述服务器云端包括身份证识别深度学习网络模型和图像预处理模块，其中身份证识别深度学习网络模型基于DRRG(深度图卷积神经网络)+CNN (卷积神经网络)搭建，用于检测完成预处理的身份证图像文本区域并识别输出预测值，本实施例中的身份证识别深度学习网络模型为五层验证架构，如图2所示包括：物理层、数据传输层、业务层、管理层和应用层，物理层包括负责采集训练或者预测的数据的底层硬件设备，数据传输层包括控制模块和协议规则，业务层包括身份识别核心算法，管理层负责系统维护管理，应用层为最上层提供移动端和PC端两种应用场景。
而本实施例中的图像预处理模块采用谷歌开源语义分割模型 DeepLab-v3+。图像预处理模块通过网络传输模块接收客户端主机传输的信息，对图片预处理后将信息输入至身份证识别深度学习网络模型进行预测，预测值通过网络传输模块传输回主机，控制语音提示模块语音提示。
本实施例中，服务器云端网络传输模块包括网络延迟判断程序，根据网络延时情况自主选择数据处理模式：高延迟时，数据直接由本地主机上预训练身份验证系统进行处理；低延迟时，数据将首先在本机进行加密，然后依靠5G网络进行数据传输，服务器解密后由服务器端自学习式身份验证系统进行数据处理。
本实施例还公开了一种基于深度学习的身份识别与人脸比对系统的使用方法，参照图3，具体包括以下步骤：
S11、通过数据采集模块采集用户数据，单目摄像头采集身份证图片，双目摄像头采集客户手持身份证图像数据和视频数据，并对视频抽帧保存.
S21、由服务器云端网络传输模块针对网络延时情况判断选择相应的数据传输方式让客户终端传输数据，低延迟时，数据将首先在客户终端TPM 模块中进行加密，然后依靠5G网络进行数据传输，高延迟时，数据直接由客户终端预训练身份验证系统进行处理。
S31、服务器云端的图像预处理模块对客户终端网络传输模块发送来的图像数据，包括身份证人像图像和视频抽帧人脸图像，进行预处理。
1.S41、身份证识别深度学习网络模型通过训练集和测试集对模型完成训练后，将预处理图像和当前需验证用户的活体数据(活体数据通过通过单目、双目摄像头进行活体验证，视频和图像均可)进行识别比对，并输出判断值，通过判断值得出识别结果，并将结果反馈给语音提示模块。
S51、语音提示模块根据输出值通过语音播报的方式向用户反馈数据识别结果。
实施例2一种基于深度学习的身份识别与人脸比对系统模型训练方法
本实施例公开了一种基于身份证识别深度学习网络模型的训练方法，参照图4，该方法包括以下步骤：
1、先通过人工对身份证数据进行文本区域分割标注为如图5所示，，将标注好的身份证数据，利用图像分割技术对谷歌开源语义分割模型 DeepLab-v3+进行训练。
2、利用训练完成的DeepLab-v3+模型进行批量图像分割，分割后将数据集分为图像分割后的身份证标注数据集和图像分割后大规模未标注数据集。
3、使用包括但并不局限于平移、旋转、翻转等图像增强技术扩充训练和测试图像分割后的身份证标注数据集，具体如图6所示。
4、将完成图像增强后的样本数据做归一化处理，并将图像尺寸大小设置为32×32大小，调用Numpy函数库中的img_to_array的方法将图像的像素值转至数组的形式存储。由于在自制数据集中的图像均为彩色图像，即每张图像都有3个颜色通道，那么128张彩色图像所组成的批量可以保存在一个形状为(128，32，32，3)的4D张量中，具体如图8所示。图中，Color channels:表示图像的颜色通道数目，Height：表示图像确高度， Width：表示图像的宽度，Samples：表示样本数据。
5、初始化训练参数，对于训练一个神经网络来说，设置一个合适的参数能够有效减少训练的时间并提高效率。其中的参数如：批尺寸、学习率、训练轮次等是经过反复调整确定的，在常见的参数设置范围内多次尝试，寻找最优参数。
表1主要训练参数
6、将通过级联分类器实现身份证信息识别输出，通过目标检测方式将身份证人像区域保存，为方便对图像的训练，对初始输入图像进行二值化处理，将所有标准训练集中的图像均归一化为0-225像素。
7、通过设置包括但不局限于类别标签个数、批尺寸、学习率、训练轮次、优化器和权重衰减速率等训练参数搭建卷积神经网络，将图像加载入卷积神经网络中学习，其卷积神经网络结构的组成为：
conv(32)+conv(32)+pool(64)+conv(64)+conv(64)+ pool(128)+flat()+Den()+Dropout()+Den(10)，
式中Conv表示卷积层，pool表示池化层，Den表示全连接层，Dropout 表示Dropout函数，括号内分别为卷积核的大小和个数，全连接层括号内为神经元个数。其中最后的全连接层用到一个10路的Softmax函数，它将返回10个概率值(总和为1)组成的数组，每个概率值表示当前图像属于 10个数字类别中某一个的概率。
8、使用Adam优化器进行预测，使用梯度下降算法和反向传播算法降低前向预测中的模型损失值，直至降到足够低的范围内，使用人工设置的超参数作为模型初始化参数，进行训练。
9、定义用来进行模型预测的假设参数，并对神经网络的权重进行随机赋值，对输入的图像进行分类预测(前向传播)，得到预测值y_pred。对身份证预测的结果如图7所示。
10、采用平方误差代价函数得到预测值y_pred和真实值y之间的距离值。由于初始时是对权重参数进行的随机赋值，所以第一次预测出来的预测值的准确率是非常低的。误差函数和目标函数如下图所示，其中称为模型参数，m为样本总数。
平方误差损失函数：hθ(x)＝θ0+θ1x θ0,θ1,θ2,......θm
线性预测函数：
11、使用解析法求出损失函数对应的所有权重值，且由于损失函数是一个可微函数，所以使用链式求导法则计算出它的梯度，再使用梯度下降算法沿着梯度的反方向逐步更新权重，损失会每次都变小一些，直至使用反向传播算法求出使得损失值最小时的权重参数。具体公式如下：
其中α为学习率，控制着需要进行学习的参数沿梯度下降的效率，即收敛速度。如果使用小学习率的SGD算法进行优化，那么优化过程可能会陷入局部最小点，导致无法找到全局最小点，如图9所示。
12、使用Dropout函数控制过拟合过程，没有Dropout的网络计算公式为：
zi (l+1)＝wi (l+1)yl+bi (l+1)
使用Dropout的网络计算公式为：
rj (l)＝Bernoulli(p)
yi (l+1)＝f(zi (l+1))
公式中Bernoulli函数是为了生成概率r向量，让它的激活函数值概率p变为0。
13、根据神经网络再测试集中输出的预测信息，可实现所有信贷档案图像按照样本的标签逐一进行分类，并将其保存在该神经网络中，用于下次继续使用。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的系统结构、使用方式、运行原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于深度学习的身份识别与人脸比对系统，其特征在于：包括通过网络传输模块相连的客户终端和服务器云端，所述客户终端包括搭载有预训练身份验证系统的主机、数据采集模块、语音提示模块、可加密的存储模块，所述数据采集模块的信号输出端连接主机，主机的语音提示信号连接语音提示模块，主机还与存储模块通信连接；
所述服务器云端包括用于检测完成预处理的身份证图像文本区域并识别输出预测值的身份证识别深度学习网络模型，以及采用谷歌开源语义分割模型的图像预处理模块，所述图像预处理模块通过网络传输模块接收客户端主机传输的信息，对图片预处理后将信息输入至身份证识别深度学习网络模型进行预测，预测值通过网络传输模块传输回主机，控制语音提示模块语音提示。
2.根据权利要求1所述的基于深度学习的身份识别与人脸比对系统，其特征在于，所述身份识别深度学习网络模型为五层验证架构，包括：物理层、数据传输层、业务层、管理层和应用层，物理层包括负责采集训练或者预测的数据的底层硬件设备，数据传输层包括控制模块和协议规则，业务层包括身份识别核心算法，管理层负责系统维护管理，应用层为最上层提供移动端和PC端两种应用场景。
3.一种基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于：包括依次进行的以下步骤：
S1、构建身份证图像基础数据集，用数据集对模型进行训练；
S2、采用图像分割技术，利用模型获取图像数据，使用图像增强技术扩充训练和测试数据集图像数量；
S3、将完成图像增强后的样本数据依次做归一化处理、初始化训练参数、搭建卷积神经网络，实现身份证信息识别输出；
S4、使用Adam优化器预测输出值，计算得到预测值和真实值之间的距离值，权重值、梯度，再使用梯度下降算法沿着梯度的反方向逐步更新权重，直至使用反向传播算法求出使得损失值最小时的权重参数，控制过拟合过程；
S5、根据神经网络在测试集中输出的预测信息，实现所有信贷档案图像按样本的标签逐个进行分类，并保存该训练好的神经网络，用于下次继续使用。
4.根据权利要求3所述的基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，步骤S1中通过人工标注身份证数据集构建身份证图像基础数据集，对身份证数据集进行文本区域分割标注。
5.根据权利要求3所述的基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，所述步骤S2中图像增强技术包括但不局限于平移、旋转、翻转方式。
6.根据权利要求3所述的基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，所述步骤S3中将图像样本数据做归一化处理后，将图像尺寸大小设置为32×32大小，调用Numpy函数库中的img_to_array的方法将图像的像素值转至数组的形式存储；
初始化参数后对初始输入的图像进行二值化处理，将所有标准训练及中的图像均归一化为0-255像素；
通过级联分类器实现身份证信息的识别输出，通过目标检测将身份证中的人像区域进行保存。
7.根据权利要求3或6所述的基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，所述初始化训练参数包括但不局限于批尺寸、学习率、训练伦次。
8.根据权利要求3所述的一种基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，所述搭建的卷积神经网络结构的组成为：
conv(32)+conv(32)+pool(64)+conv(64)+conv(64)+pool(128)+flat()+Den()+Dropout()+Den(10)，
式中Conv表示卷积层，pool表示池化层，Den表示全连接层，Dropout表示Dropout函数。
9.根据权利要求3所述的基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，所述步骤S4中在使用Adam优化器进行预测时，首先使用梯度下降算法和反向传播算法降低前向预测中的模型损失值，直至降到足够低的范围内，使用人工设置的超参数作为模型初始化参数，进行训练；然后在Adam优化器中定义用来进行模型预测的假设函数，并对神经网络的权重进行随机赋值，对输入的图像进行前向预测，得到预测值。
10.根据权利要求3所述的基于深度学习的身份识别与人脸比对系统的训练方法，其特征在于，所述步骤S4中采用平方误差代价函数得到预测值和真实值之间的距离值，用解析法求出损失函数对应的所有权重值，使用链式求导法计算出梯度，使用Dropout函数控制过拟合过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111600229.5A CN114445875A (zh) | 2021-12-24 | 2021-12-24 | 基于深度学习的身份识别与人脸比对系统及训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111600229.5A CN114445875A (zh) | 2021-12-24 | 2021-12-24 | 基于深度学习的身份识别与人脸比对系统及训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445875A true CN114445875A (zh) | 2022-05-06 |
Family
ID=81363348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111600229.5A Pending CN114445875A (zh) | 2021-12-24 | 2021-12-24 | 基于深度学习的身份识别与人脸比对系统及训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445875A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115037560A (zh) * | 2022-08-10 | 2022-09-09 | 广州海普网络科技有限公司 | 一种信息技术安全通信方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885993A (zh) * | 2019-01-08 | 2019-06-14 | 深圳禾思众成科技有限公司 | 一种身份认证系统、设备及计算机可读存储介质 |
| CN110008909A (zh) * | 2019-04-09 | 2019-07-12 | 浩鲸云计算科技股份有限公司 | 一种基于ai的实名制业务实时稽核系统 |
| CN111723679A (zh) * | 2020-05-27 | 2020-09-29 | 上海五零盛同信息科技有限公司 | 基于深度迁移学习的人脸和声纹认证系统及方法 |
| CN112328999A (zh) * | 2021-01-05 | 2021-02-05 | 北京远鉴信息技术有限公司 | 双录质检方法、装置、服务器及存储介质 |
| CN112507864A (zh) * | 2020-12-04 | 2021-03-16 | 河北地质大学 | 基于卷积神经网络的信贷档案识别方法 |
-
2021
- 2021-12-24 CN CN202111600229.5A patent/CN114445875A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885993A (zh) * | 2019-01-08 | 2019-06-14 | 深圳禾思众成科技有限公司 | 一种身份认证系统、设备及计算机可读存储介质 |
| CN110008909A (zh) * | 2019-04-09 | 2019-07-12 | 浩鲸云计算科技股份有限公司 | 一种基于ai的实名制业务实时稽核系统 |
| CN111723679A (zh) * | 2020-05-27 | 2020-09-29 | 上海五零盛同信息科技有限公司 | 基于深度迁移学习的人脸和声纹认证系统及方法 |
| CN112507864A (zh) * | 2020-12-04 | 2021-03-16 | 河北地质大学 | 基于卷积神经网络的信贷档案识别方法 |
| CN112328999A (zh) * | 2021-01-05 | 2021-02-05 | 北京远鉴信息技术有限公司 | 双录质检方法、装置、服务器及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115037560A (zh) * | 2022-08-10 | 2022-09-09 | 广州海普网络科技有限公司 | 一种信息技术安全通信方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
| WO2021238019A1 (zh) | 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法 | |
| WO2018019126A1 (zh) | 视频类别识别方法和装置、数据处理装置和电子设备 | |
| CN109508671B (zh) | 一种基于弱监督学习的视频异常事件检测系统及其方法 | |
| WO2021155792A1 (zh) | 一种处理装置、方法及存储介质 | |
| CN109359541A (zh) | 一种基于深度迁移学习的素描人脸识别方法 | |
| CN114241282A (zh) | 一种基于知识蒸馏的边缘设备场景识别方法及装置 | |
| CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
| CN108133188A (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
| CN110728216A (zh) | 一种基于行人属性自适应学习的无监督行人再识别方法 | |
| WO2021184754A1 (zh) | 视频对比方法、装置、计算机设备和存储介质 | |
| CN110427881B (zh) | 基于人脸局部区域特征学习的跨库微表情识别方法及装置 | |
| CN115100709B (zh) | 一种特征分离的图像人脸识别与年龄估计方法 | |
| CN114360067A (zh) | 一种基于深度学习的动态手势识别方法 | |
| CN114092699B (zh) | 基于迁移学习的群猪图像分割的方法及系统 | |
| CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
| CN112507893A (zh) | 一种基于边缘计算的分布式无监督行人重识别方法 | |
| CN111144220B (zh) | 适于大数据的人员检测方法、装置、设备和介质 | |
| CN110751005A (zh) | 融合深度感知特征和核极限学习机的行人检测方法 | |
| CN114333062B (zh) | 基于异构双网络和特征一致性的行人重识别模型训练方法 | |
| CN115439884A (zh) | 一种基于双分支自注意力网络的行人属性识别方法 | |
| CN110992301A (zh) | 一种气体轮廓识别方法 | |
| CN114445875A (zh) | 基于深度学习的身份识别与人脸比对系统及训练方法 | |
| CN109376719A (zh) | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 | |
| CN110490053B (zh) | 一种基于三目摄像头深度估计的人脸属性识别方法 |
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 |