CN114663965A - 一种基于双阶段交替学习的人证比对方法和装置 - Google Patents

一种基于双阶段交替学习的人证比对方法和装置 Download PDF

Info

Publication number
CN114663965A
CN114663965A CN202210566142.9A CN202210566142A CN114663965A CN 114663965 A CN114663965 A CN 114663965A CN 202210566142 A CN202210566142 A CN 202210566142A CN 114663965 A CN114663965 A CN 114663965A
Authority
CN
China
Prior art keywords
image
training
stage
loss function
face
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.)
Granted
Application number
CN202210566142.9A
Other languages
English (en)
Other versions
CN114663965B (zh
Inventor
黎晨阳
徐冠雷
徐晓刚
王军
何鹏飞
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.)
Zhejiang Gongshang University
Zhejiang Lab
Original Assignee
Zhejiang Gongshang University
Zhejiang Lab
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 Zhejiang Gongshang University, Zhejiang Lab filed Critical Zhejiang Gongshang University
Priority to CN202210566142.9A priority Critical patent/CN114663965B/zh
Publication of CN114663965A publication Critical patent/CN114663965A/zh
Application granted granted Critical
Publication of CN114663965B publication Critical patent/CN114663965B/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
    • G06F18/214—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
    • 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

Abstract

本发明公开一种基于双阶段交替学习的人证比对方法和装置，该方法包括：步骤一：收集人脸图像；步骤二：将收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；步骤三：将经过处理后的训练集的图像依批次输入到卷积神经网络，使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。本发明有效提升了人证比对的准确率，实现余弦损失函数与三元组损失函数的结合，具有重大的应用价值。

Description

一种基于双阶段交替学习的人证比对方法和装置
技术领域
本发明属于计算机视觉、人脸识别领域，涉及一种基于双阶段交替学习的人证比对方法和装置。
背景技术
随着计算机视觉技术的发展以及日渐增长的智能安防、电子商务等需求，人脸识别技术成为人工智能应用产品落地最为广泛的一个领域。使用深度学习方法的人脸识别技术核心在于通过卷积神经网络（CNN）抽象化出人脸图像的特征，用于计算人脸图像之间的相似度，进而实现人脸识别的功能。
在人证比对的实际应用中，需要使用摄像头实时采集的人脸照片与事先录入的证件照片做比对，比对结果往往受到摄像头成像、光照、年龄差别等因素的影响，造成识别能力下降，从而影响最终识别结果。特别在金融、安防等重要场景，错误的人证比对结果可能造成不可估量的影响。因而如何训练出一个能精确提取人脸特征的卷积神经网络成为计算机视觉技术中心一个重要的研究课题。在卷积神经网络训练过程中，损失函数的选取对最终的特征提取能力有决定性的影响。为了提升人证比对模型的判别性能，近年来一系列加入间隔抑制的余弦损失函数，如A-Softmax，CosFace，ArcFace开始成为训练人脸识别模型的主流方法。这些余弦损失函数的共同之处在于均使用了余弦角间隔和对余弦值尺度放大的方式进行模型训练，有利于扩大不同类别的类间差异。然而在人证比对网络训练数据中，证件照片的数量一般每类只有一张，远少于摄像头采集的照片，从而导致卷积神经网络更加倾向于学习摄像头照片的特征，对证件照片的判别能力不强，造成误检、漏检的情况。考虑到同一类人物中摄像头照片与证件照片差距过大的问题，在行人重识别领域被广泛使用的三元组损失函数可以有效减少类内差异，然而类间分离的效果不如余弦损失函数，导致不同人的摄像头照片互相混淆，降低人证比对效果。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种基于双阶段交替学习的人证比对方法和装置，其具体技术方案如下：
一种基于双阶段交替学习的人证比对方法，包括以下步骤：
步骤一：收集人脸图像，并对人脸图像进行数据标注；
步骤二：将步骤一收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；
步骤三：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，完成使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；
步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。
进一步地，所述步骤一，具体为：收集人脸图像，将人脸图像按个体进行分类，并按照分类的结果对每个人脸图像进行数据标注；所述人脸图像包括摄像头图像和证件图像，其中，对于每一类人脸中的证件图像照片添加属于证件照的标识。
进一步地，所述步骤二，具体为：将步骤一中收集的所有图片裁剪为统一像素大小，后进行水平翻转、去噪、亮度增强和比对度增强处理，得到人脸图像数据集，即训练集，再将训练集进行分批处理。
进一步地，所述步骤三，具体为：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，所述卷积神经网络中Softmax层输出人脸图像的特征向量，该特征向量依训练批次分别送入余弦损失函数或者三元组损失函数进行双阶段交替训练，计算损失值，再通过反向传播的方式更新卷积神经网络的权重，重复进行双阶段交替训练直至余弦损失函数和三元组损失函数收敛，完成对卷积神经网络的训练。
进一步地，所述余弦损失函数其计算公式为：
Figure 100002_DEST_PATH_IMAGE001
其中， n为一批输入卷积神经网络的人脸图像的数量，i为n的索引，
Figure 406902DEST_PATH_IMAGE002
为目标类别的特征向量，j为非目标类别的特征向量，
Figure 589622DEST_PATH_IMAGE003
为输入的第i张人脸图像的特征向量与
Figure 900518DEST_PATH_IMAGE002
之间的夹角，
Figure 702252DEST_PATH_IMAGE004
为输入的第i张人脸图像的特征向量与j之间的夹角，C为训练数据中人脸图像的类别总数，s为预先设定的余弦值放大尺度，m为预先设定的余弦夹角间隔，s与m均为固定值；
所述三元组损失函数具体为：其中三元组的选取方式为：在本批次图像中随机选取一个证件图像样本，设定为预定义基准图；在本批次图像中随机选取一个与预定义基准图为同一类别的摄像头图像样本，设定为正样本图；在本批次图像中其他类别的图像中随机选取一个样本，设定为负样本图；此三元组的损失函数计算公式为：
Figure 47782DEST_PATH_IMAGE005
其中，
Figure 27502DEST_PATH_IMAGE006
为预定义基准图通过卷积神经网络提取的特征向量；
Figure 825694DEST_PATH_IMAGE007
为正样本图通过卷积神经网络提取的特征向量；
Figure 165539DEST_PATH_IMAGE008
为负样本图通过卷积神经网络提取的特征向量；
Figure 631156DEST_PATH_IMAGE009
为预先设定的三元组间隔；
进一步地，所述双阶段交替训练具体为：将余弦损失函数训练阶段称为一阶段；将三元组损失函数训练阶段称为二阶段；训练从一阶段开始，训练A个纪元后变换为二阶段训练B个纪元，将A+B个纪元记为一个轮回，每个轮回结束后变换为一阶段开始新的轮回。
进一步地，所述余弦损失函数训练阶段的数据采样方式为在所有人脸图像中随机无重复采样n张，所述三元组损失函数训练阶段的数据采样方式为在所有人脸图像类别中随机挑选p类，每类随机采样k张，k张中包含一张证件照片，且p×k = n；所述纪元具体是指：将所有批次的图像依次送入卷积神经网络中提取人脸特征，其中，计算余弦损失函数或三元组损失函数并反向传播更新网络权重的过程为一个纪元。
进一步地，所述步骤四，具体为：将需要进行人证比对的摄像头图像和证件图像，即测试集，输入到步骤三中训练好的人证比对模型中，经卷积神经网络中Softmax层输出人脸图像的特征向量，将摄像头图像和证件图像的特征向量相乘，所得的乘积即为两者间的相似度，若计算得到的相似度大于预设的相似度阈值，则判断两者属于同一人，否则认为两者非同一人。
一种基于双阶段交替学习的人证比对装置，包括一个或多个处理器，用于实现所述的基于双阶段交替学习的人证比对方法。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的基于双阶段交替学习的人证比对方法。
本发明的有益效果体现在：
结合了余弦损失函数和三元组损失函数的优点，针对训练数据中证件图像数量少、证件图像与摄像头图像差异大等问题，通过双阶段交替训练的方式，减少了类内差异的同时扩大了类间差异，减少了光照、成像等因素的影响，使得提取出的人脸图像特征更有判别性；减少了人证比对过程中的误判情况，有效提升了人证比对的准确率。
附图说明
图1是本发明的一种基于双阶段交替学习的人证比对方法的流程示意图；
图2是本发明公开的基于余弦损失函数和三元组损失函数双阶段交替学习的人证比对方法的应用流程图；
图3是本发明的一种基于双阶段交替学习的人证比对装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
如图1和图2所示，一种基于双阶段交替学习的人证比对方法，包括以下步骤：
步骤一：收集人脸图像，并对人脸图像进行数据标注；
具体的，收集人脸图像，将人脸图像按个体进行分类，并按照分类的结果对每个人脸图像进行数据标注；所述人脸图像包括摄像头图像和证件图像，其中，对于每一类人脸中的证件图像照片额外添加属于证件照的标识。
步骤二：将步骤一收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，将所述人脸图像数据集分批。
具体的，将步骤一中收集的所有图片裁剪为统一像素大小，后进行水平翻转、去噪、亮度增强和比对度增强处理，得到人脸图像数据集，即训练集，再将训练集进行分批处理。
本实施例中，将步骤一中收集的所有图片裁剪为112*112像素大小，后进行水平翻转、去噪、亮度增强和比对度增强处理，得到人脸图像数据集，即训练集，将训练集以32的批大小分为153个批次。
步骤三：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，完成使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型。
具体的，将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，卷积神经网络中Softmax层输出人脸图像的特征向量，特征向量依训练阶段批次分别送入余弦损失函数或者三元组损失函数进行双阶段交替训练，计算本批次的损失值，通过反向传播的方式更新卷积神经网络的权重，重复进行双阶段交替训练直至余弦损失函数和三元组损失函数收敛，完成对卷积神经网络的训练。
在步骤三中使用的余弦损失函数为CosFace，其计算公式为：
Figure 280312DEST_PATH_IMAGE010
其中， n为一批输入卷积神经网络的人脸图像的数量，i为n的索引，
Figure 300220DEST_PATH_IMAGE002
为目标类别的特征向量，j为非目标类别的特征向量，
Figure 443757DEST_PATH_IMAGE003
为输入的第i张人脸图像的特征向量与
Figure 498300DEST_PATH_IMAGE002
之间的夹角，
Figure 85402DEST_PATH_IMAGE004
为输入的第i张人脸图像的特征向量与j之间的夹角，C为训练数据中人脸图像的类别总数，s为预先设定的余弦值放大尺度，m为预先设定的余弦夹角间隔，s与m均为固定值；
本步骤中使用的三元组损失函数中三元组的选取方式为：在本批次图像中随机选取一个证件图像样本，设定为预定义基准图Anchor；在本批次图像中随机选取一个与预定义基准图Anchor为同一类别的摄像头图像样本，设定为正样本图Positive；在本批次图像中其他类别的图像中随机选取一个样本，设定为负样本图Negative；此三元组的损失函数计算公式为：
Figure 592607DEST_PATH_IMAGE005
其中，
Figure 539834DEST_PATH_IMAGE006
为预定义基准图Anchor通过卷积神经网络提取的特征向量；
Figure 448884DEST_PATH_IMAGE007
为正样本图Positive通过卷积神经网络提取的特征向量；
Figure 315209DEST_PATH_IMAGE008
为负样本图Negative通过卷积神经网络提取的特征向量；
Figure 699923DEST_PATH_IMAGE009
为预先设定的三元组间隔。
本步骤中使用的余弦损失函数训练阶段数据采样方式为在所有人脸图像中随机无重复采样n张；由于三元组损失函数在选取三元组时需要在每批训练数据中有同类别的人脸，如果使用余弦损失函数训练的采样方式则无法保证此需求，因此本步骤中使用的三元组损失函数训练阶段数据采样方式为在所有人脸图像类别中随机挑选p类，每类随机采样k张，k张中包含一张证件照片，且保证p * k = n。将所有批次的图像依次送入卷积神经网络中提取人脸特征，其中计算余弦损失函数或三元组损失函数并反向传播更新网络权重的过程称为一个纪元。
本步骤中使用的双阶段交替训练策略为：将余弦损失函数训练阶段称为一阶段；将三元组损失函数训练阶段称为二阶段；训练从一阶段开始，训练4个纪元后变换为二阶段训练一个纪元，将这5个纪元记为一个轮回，每个轮回结束后变换为一阶段开始新的轮回。重复进行双阶段交替训练直至余弦损失函数和三元组函数收敛。
在本实施例中，使用的卷积神经网络为ResNet50，训练分为余弦损失函数训练阶段和三元组损失函数训练阶段。在余弦损失函数训练阶段，采用对步骤一中选取的4893张训练集图像随机无重复采样的方式，每一批包含32张人脸图像。在三元组损失函数训练阶段，采用对步骤一中选取的1136类训练人物每一批随机采样8类，每一类中随机采样4张的方式进行数据采样，在每一类采样的4张照片中保证至少有一张为证件照片，每一批次共32张人脸图像。本发明的训练采用SGD随机梯度下降优化算法迭代更新网络权重，共进行20个轮回，每个轮回中前4个纪元使用余弦损失函数，第5个纪元使用三元组损失函数。
步骤四：将需要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。
具体的，将需要进行人证比对的摄像头图像和证件图像，即测试集，输入到步骤三中训练好的人证比对模型中，经卷积神经网络中Softmax层输出人脸图像的特征向量，将摄像头图像和证件图像的特征向量相乘，所得的乘积即为两者间的相似度，若计算得到的相似度大于预设的相似度阈值，则判断两者属于同一人，否则认为两者非同一人。
本实施例中，将需要进行人证比对的摄像头图像和证件图像，分别送入步骤三中训练好的人证比对模型提取特征向量，将两者特征向量相乘得到相似度。相似度阈值设定为0.4，若摄像头图像与证件图像之间的相似度大于0.4则判断两者为同一人，否则认为两者非同一人。
如下表1所示，是基于本发明上述实施例所提供的方法在126类，610张人证比对测试集上的表现，本发明将测试集中的摄像头照片和证件照片随机配对，获得了500对正样本和500对负样本共1000对测试组，其中正样本为摄像头照片与证件照片属于同一人的配对，负样本为摄像头照片与证件照片不属于同一人的配对。从上至下依次陈列了用于对照的其他基准方法与本实施例的结果，采用准确率作为评价指标，准确率定义如下：
准确率 = 判断正确的测试组数量／测试组总数量；
表1：现有技术与本发明方法人脸识别准确率的比较：
Figure 309896DEST_PATH_IMAGE011
。
与前述一种基于双阶段交替学习的人证比对方法的实施例相对应，本发明还提供了一种基于双阶段交替学习的人证比对装置的实施例。
参见图3，本发明实施例提供的一种基于双阶段交替学习的人证比对装置，包括一个或多个处理器，用于实现上述实施例中的一种基于双阶段交替学习的人证比对方法。
本发明的一种基于双阶段交替学习的人证比对装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明一种基于双阶段交替学习的人证比对装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于双阶段交替学习的人证比对方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于双阶段交替学习的人证比对方法，其特征在于，包括以下步骤：
步骤一：收集人脸图像，并对人脸图像进行数据标注；
步骤二：将步骤一收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；
步骤三：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，完成使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；
步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。
2.如权利要求1所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤一，具体为：收集人脸图像，将人脸图像按个体进行分类，并按照分类的结果对每个人脸图像进行数据标注；所述人脸图像包括摄像头图像和证件图像，其中，对于每一类人脸中的证件图像照片添加属于证件照的标识。
3.如权利要求1所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤二，具体为：将步骤一中收集的所有图片裁剪为统一像素大小，后进行水平翻转、去噪、亮度增强和比对度增强处理，得到人脸图像数据集，即训练集，再将训练集进行分批处理。
4.如权利要求1所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤三，具体为：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，所述卷积神经网络中Softmax层输出人脸图像的特征向量，该特征向量依训练批次分别送入余弦损失函数或者三元组损失函数进行双阶段交替训练，计算损失值，再通过反向传播的方式更新卷积神经网络的权重，重复进行双阶段交替训练直至余弦损失函数和三元组损失函数收敛，完成对卷积神经网络的训练。
5.如权利要求4所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述余弦损失函数其计算公式为：
Figure DEST_PATH_IMAGE001
其中， n为一批输入卷积神经网络的人脸图像的数量，i为n的索引，
Figure 618451DEST_PATH_IMAGE002
为目标类别的特征向量，j为非目标类别的特征向量，
Figure 921256DEST_PATH_IMAGE003
为输入的第i张人脸图像的特征向量与
Figure 40870DEST_PATH_IMAGE002
之间的夹角，
Figure 188955DEST_PATH_IMAGE004
为输入的第i张人脸图像的特征向量与j之间的夹角，C为训练数据中人脸图像的类别总数，s为预先设定的余弦值放大尺度，m为预先设定的余弦夹角间隔，s与m均为固定值；
所述三元组损失函数具体为：其中三元组的选取方式为：在本批次图像中随机选取一个证件图像样本，设定为预定义基准图；在本批次图像中随机选取一个与预定义基准图为同一类别的摄像头图像样本，设定为正样本图；在本批次图像中其他类别的图像中随机选取一个样本，设定为负样本图；此三元组的损失函数计算公式为：
Figure 947963DEST_PATH_IMAGE005
其中，
Figure 421670DEST_PATH_IMAGE006
为预定义基准图通过卷积神经网络提取的特征向量；
Figure 515397DEST_PATH_IMAGE007
为正样本图通过卷积神经网络提取的特征向量；
Figure 201593DEST_PATH_IMAGE008
为负样本图通过卷积神经网络提取的特征向量；
Figure 205321DEST_PATH_IMAGE009
为预先设定的三元组间隔。
6.如权利要求4所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述双阶段交替训练具体为：将余弦损失函数训练阶段称为一阶段；将三元组损失函数训练阶段称为二阶段；训练从一阶段开始，训练A个纪元后变换为二阶段训练B个纪元，将A+B个纪元记为一个轮回，每个轮回结束后变换为一阶段开始新的轮回。
7.如权利要求6所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述余弦损失函数训练阶段的数据采样方式为在所有人脸图像中随机无重复采样n张，所述三元组损失函数训练阶段的数据采样方式为在所有人脸图像类别中随机挑选p类，每类随机采样k张，k张中包含一张证件照片，且p×k = n；所述纪元具体是指：将所有批次的图像依次送入卷积神经网络中提取人脸特征，其中，计算余弦损失函数或三元组损失函数并反向传播更新网络权重的过程为一个纪元。
8.如权利要求7所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤四，具体为：将需要进行人证比对的摄像头图像和证件图像，即测试集，输入到步骤三中训练好的人证比对模型中，经卷积神经网络中Softmax层输出人脸图像的特征向量，将摄像头图像和证件图像的特征向量相乘，所得的乘积即为两者间的相似度，若计算得到的相似度大于预设的相似度阈值，则判断两者属于同一人，否则认为两者非同一人。
9.一种基于双阶段交替学习的人证比对装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-8中任一项所述的基于双阶段交替学习的人证比对方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的基于双阶段交替学习的人证比对方法。
CN202210566142.9A 2022-05-24 2022-05-24 一种基于双阶段交替学习的人证比对方法和装置 Active CN114663965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210566142.9A CN114663965B (zh) 2022-05-24 2022-05-24 一种基于双阶段交替学习的人证比对方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210566142.9A CN114663965B (zh) 2022-05-24 2022-05-24 一种基于双阶段交替学习的人证比对方法和装置

Publications (2)

Publication Number Publication Date
CN114663965A true CN114663965A (zh) 2022-06-24
CN114663965B CN114663965B (zh) 2022-10-21

Family

ID=82036506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210566142.9A Active CN114663965B (zh) 2022-05-24 2022-05-24 一种基于双阶段交替学习的人证比对方法和装置

Country Status (1)

Country Link
CN (1) CN114663965B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019091271A1 (zh) * 2017-11-13 2019-05-16 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测系统
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN111401281A (zh) * 2020-03-23 2020-07-10 山东师范大学 基于深度聚类和样例学习的无监督行人重识别方法及系统
CN111539351A (zh) * 2020-04-27 2020-08-14 广东电网有限责任公司广州供电局 一种多任务级联的人脸选帧比对方法
US20200285896A1 (en) * 2019-03-09 2020-09-10 Tongji University Method for person re-identification based on deep model with multi-loss fusion training strategy
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN112597979A (zh) * 2021-03-03 2021-04-02 之江实验室 一种实时更新余弦夹角损失函数参数的人脸识别方法
CN112912887A (zh) * 2018-11-08 2021-06-04 北京比特大陆科技有限公司 基于人脸识别的处理方法、装置、设备及可读存储介质
WO2021218060A1 (zh) * 2020-04-29 2021-11-04 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
US20220148571A1 (en) * 2020-01-16 2022-05-12 Tencent Technology (Shenzhen) Company Limited Speech Recognition Method and Apparatus, and Computer-Readable Storage Medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019091271A1 (zh) * 2017-11-13 2019-05-16 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测系统
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN112912887A (zh) * 2018-11-08 2021-06-04 北京比特大陆科技有限公司 基于人脸识别的处理方法、装置、设备及可读存储介质
US20200285896A1 (en) * 2019-03-09 2020-09-10 Tongji University Method for person re-identification based on deep model with multi-loss fusion training strategy
US20220148571A1 (en) * 2020-01-16 2022-05-12 Tencent Technology (Shenzhen) Company Limited Speech Recognition Method and Apparatus, and Computer-Readable Storage Medium
CN111401281A (zh) * 2020-03-23 2020-07-10 山东师范大学 基于深度聚类和样例学习的无监督行人重识别方法及系统
CN111539351A (zh) * 2020-04-27 2020-08-14 广东电网有限责任公司广州供电局 一种多任务级联的人脸选帧比对方法
WO2021218060A1 (zh) * 2020-04-29 2021-11-04 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN112597979A (zh) * 2021-03-03 2021-04-02 之江实验室 一种实时更新余弦夹角损失函数参数的人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VAIBHAV B.SINHA等: ""DANTE: Deep alternations for training neural networks"", 《NEURAL NETWORKS》 *
张涛等: ""一种基于全局特征的行人重识别改进算法"", 《激光与光电子学进展》 *

Also Published As

Publication number Publication date
CN114663965B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN112750140B (zh) 基于信息挖掘的伪装目标图像分割方法
CN110610129A (zh) 一种基于自注意力机制的深度学习人脸识别系统及方法
CN109711358B (zh) 神经网络训练方法、人脸识别方法及系统和存储介质
CN110503076B (zh) 基于人工智能的视频分类方法、装置、设备和介质
CN112699786B (zh) 一种基于空间增强模块的视频行为识别方法及系统
CN110765860A (zh) 摔倒判定方法、装置、计算机设备及存储介质
CN112598643A (zh) 深度伪造图像检测及模型训练方法、装置、设备、介质
CN107784288A (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN111325237B (zh) 一种基于注意力交互机制的图像识别方法
CN111079816A (zh) 图像的审核方法、装置和服务器
CN112257738A (zh) 机器学习模型的训练方法、装置和图像的分类方法、装置
CN111325190A (zh) 一种表情识别方法、装置、计算机设备及可读存储介质
CN113111880A (zh) 证件图像校正方法、装置、电子设备及存储介质
CN112733665A (zh) 一种基于轻量化网络结构设计的人脸识别方法及系统
CN111666976A (zh) 基于属性信息的特征融合方法、装置和存储介质
CN114861241A (zh) 基于智能检测的防窥屏方法及其相关设备
CN113255557B (zh) 一种基于深度学习的视频人群情绪分析方法及系统
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN114663965B (zh) 一种基于双阶段交替学习的人证比对方法和装置
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
US20220405527A1 (en) Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media
CN114821691A (zh) 人脸活体检测网络的训练方法及装置
WO2022263904A1 (en) Target detection methods, apparatuses, electronic devices and computer-readable storage media

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