WO2019128367A1 - 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 - Google Patents

基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
WO2019128367A1
WO2019128367A1 PCT/CN2018/109169 CN2018109169W WO2019128367A1 WO 2019128367 A1 WO2019128367 A1 WO 2019128367A1 CN 2018109169 W CN2018109169 W CN 2018109169W WO 2019128367 A1 WO2019128367 A1 WO 2019128367A1
Authority
WO
WIPO (PCT)
Prior art keywords
sample
face
image
training
neural network
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.)
Ceased
Application number
PCT/CN2018/109169
Other languages
English (en)
French (fr)
Inventor
许丹丹
梁添才
章烈剽
龚文川
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.)
GRG Banking Equipment Co Ltd
Original Assignee
GRG Banking Equipment 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 GRG Banking Equipment Co Ltd filed Critical GRG Banking Equipment Co Ltd
Publication of WO2019128367A1 publication Critical patent/WO2019128367A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Definitions

  • the present invention relates to the field of image processing technologies, and in particular, to a face authentication method, apparatus, computer device, and storage medium based on Triplet Loss.
  • Face authentication refers to comparing the photos of the scenes collected by the scene and the photos of the IDs in the identity information to determine whether they are the same person.
  • the key technology of face authentication is face recognition.
  • the method based on classification learning mainly calculates the classification loss function (such as softmax loss, center loss and related variants) of the sample after the feature is extracted by the deep convolution network to optimize the network.
  • the last layer of the network is used for classification.
  • the number of output nodes is always consistent with the total number of categories in the training data set.
  • This type of method is suitable for training samples, especially when the training samples of the same category are rich, and the network can get better. Training effect and generalization ability.
  • the number of categories reaches hundreds of thousands or more, the amount of parameters in the final classification layer (fully connected layer) of the network will increase linearly and become quite large, which makes the network difficult to train.
  • Another type of method is a method based on metric learning, which organizes training samples in the form of tuples (such as a binary set or a triplet triplet). After deep deconvolution, there is no need to pass the classification layer, but directly based on the volume.
  • the product feature vector calculates the metric loss between samples (such as contrast loss, triplet loss, etc.) to optimize the network.
  • This method does not need to train the classification layer, so the network parameter quantity is not affected by the number of categories, and the category of the training data set. There is no limit to the number. It is only necessary to select the same or different types of samples according to the corresponding strategy to construct a suitable tuple.
  • the metric learning method is more suitable for the case where the training data breadth is large but the depth is insufficient (the number of sample categories is large, but the similar samples are few). By the different combinations between the samples, a considerable amount of tuple data can be constructed. It is used for training, and the measurement learning method pays more attention to the internal relationship of the tuple. It has its inherent advantages for the judgment of 1:1 face verification.
  • metric-based learning methods use Euclidean distance to measure the similarity between samples, while Euclidean distance measures the absolute distance of each point in space, which is directly related to the position coordinates of each point. This is not in line with people.
  • the distribution property of the face feature space leads to low reliability of face recognition.
  • a face recognition method based on Triplet Loss comprising:
  • the method further includes:
  • the training sample including a document face image and at least one scene face image that are marked for each mark object;
  • the triad element includes a reference sample, a positive sample, and a negative sample;
  • the convolutional neural network model is trained based on the supervision of the triplet loss function;
  • the triad loss function is measured by the cosine distance and the model is optimized by the stochastic gradient descent algorithm. parameter;
  • the verification set data is input into the convolutional neural network model, and when the training end condition is reached, the trained convolutional neural network model for face authentication is obtained.
  • the step of training the convolutional neural network model according to the training sample, and generating the triple element corresponding to each training sample by using OHEM includes:
  • the currently trained convolutional neural network model is used to extract the cosine distance between the features. For each reference sample, from other images that do not belong to the label object, the selection distance is the smallest and is different from the reference sample. An image of the category as a negative sample of the reference sample.
  • the triad loss function includes a definition of the cosine distance of a homogeneous sample, and a definition of the cosine distance of the heterogeneous sample.
  • the triplet loss function is:
  • cos( ⁇ ) represents the cosine distance and is calculated as N is the number of triples
  • N represents the number of triples
  • the method further includes: initializing the basic model parameters trained based on the massive open source face data, adding a normalization layer and a ternary loss function layer after the feature output layer, to obtain training Convolutional neural network model.
  • a face recognition device based on Triplet Loss comprising: an image acquisition module, an image preprocessing module, a feature acquisition module, a calculation module and an authentication module;
  • the image obtaining module is configured to obtain a photo of the document and a photo of the scene of the character based on the face authentication request;
  • the image pre-processing module is configured to perform face detection, key point positioning, and image pre-processing on the scene photo and the photo of the document, respectively, to obtain a scene face image corresponding to the scene photo, and the photo of the ID Corresponding document face image;
  • the feature acquiring module is configured to input the scene face image and the document face image into a pre-trained convolutional neural network model for face authentication, and acquire the output of the convolutional neural network model a first feature vector corresponding to the scene face image, and a second feature vector corresponding to the document face image; wherein the convolutional neural network model is obtained based on the supervision training of the triplet loss function;
  • the calculating module is configured to calculate a cosine distance of the first feature vector and the second feature vector
  • the authentication module is configured to compare the cosine distance and a preset threshold, and determine a face authentication result according to the comparison result.
  • the apparatus further includes: a sample acquisition module, a triplet acquisition module, a training module, and a verification module;
  • the sample obtaining module is configured to acquire a labeled training sample, where the training sample includes a document face image and at least one scene face image that are marked for each mark object;
  • the triplet obtaining module is configured to train a convolutional neural network model according to the training sample, and generate a triple element corresponding to each training sample by using OHEM; the triplet element includes a reference sample, a positive sample, and a negative sample. ;
  • the training module is configured to train the convolutional neural network model according to the triad element of each training sample and the supervision of the base triad loss function; the triad loss function is measured by a cosine distance A stochastic gradient descent algorithm to optimize model parameters;
  • the verification module is configured to input the verification set data into the convolutional neural network model, and when the training end condition is reached, obtain a trained convolutional neural network model for face authentication.
  • a computer apparatus comprising a memory, a processor, and a computer program stored on the memory and operable on the processor, the processor executing the computer program to implement the steps of the above-described Triplet Loss-based face authentication method.
  • a storage medium having stored thereon a computer program characterized in that, when the computer program is executed by a processor, the steps of the above-described facelet authentication method based on Triplet Loss are implemented.
  • the facelet authentication method, device, computer device and storage medium based on Triplet Loss use face-conflicted convolutional neural network for face authentication, and the convolutional neural network model is based on the supervision training of the triplet loss function.
  • the similarity between the scene face image and the document face image is calculated according to the first feature vector corresponding to the scene face image and the cosine distance of the second feature vector corresponding to the document face image, and the cosine distance is a space vector
  • the angle is more reflected in the direction, which is more in line with the distribution properties of the face feature space, which improves the reliability of face authentication.
  • FIG. 1 is a schematic structural diagram of a facelet authentication system based on a Triplet Loss according to an embodiment
  • FIG. 2 is a flow chart of a face authentication method based on Triplet Loss in an embodiment
  • FIG. 3 is a flow chart showing the steps of training a convolutional neural network model for face authentication in one embodiment
  • Figure 4 is a schematic diagram showing the probability of sample misclassification in the case where the interval between classes is uniform and the variance within the class is large;
  • Figure 5 is a schematic diagram showing the probability of sample misclassification in the case where the interval between classes is uniform and the variance within the class is small;
  • FIG. 6 is a schematic diagram of a migration learning process of face authentication based on Triplet Loss in an embodiment
  • FIG. 7 is a schematic structural diagram of a convolutional neural network model for face authentication in an embodiment
  • FIG. 8 is a schematic flowchart of a face authentication method based on Triplet Loss in an embodiment
  • FIG. 9 is a structural block diagram of a face authentication device based on a Triplet Loss in an embodiment
  • FIG. 10 is a structural block diagram of a face authentication device based on Triplet Loss in another embodiment.
  • FIG. 1 is a schematic structural diagram of a facelet authentication system based on a Triplet Loss according to an embodiment.
  • the face authentication system includes a server 101 and an image capture device 102.
  • the server 101 is connected to the network of the image collection device 102.
  • the image collection device 102 collects a real-time scene photo of the user to be authenticated, and a photo of the ID, and transmits the collected real-time scene photo and ID photo to the server 101.
  • the server 101 determines whether the person in the scene photo and the person in the photo ID are the same person, and authenticates the identity of the authenticated user.
  • the image capture device 102 can be a camera or a user terminal having a camera function.
  • the image collection device 102 can be a camera; for example, the image collection device 102 can be a mobile terminal having an imaging function.
  • the face authentication system may further include a card reader for reading a photo of the ID in the chip (such as an ID card).
  • FIG. 2 is a flow chart of a face authentication method based on Triplet Loss in one embodiment. As shown in Figure 2, the method includes:
  • the photo of the certificate refers to the photo corresponding to the document that can prove the identity of the person, such as the photo of the ID printed on the ID card or the photo of the ID in the chip.
  • the way to obtain the photo of the ID card can be obtained by taking a photo of the document, or reading the photo of the ID stored in the ID chip through the card reader.
  • the documents in this embodiment may be an identity card, a driver's license or a social security card.
  • the scene photo of the character is a photo taken by the user to be authenticated at the time of authentication, and the user to be authenticated is in the live environment.
  • the on-site environment refers to the environment in which the user is taking pictures, and the on-site environment is not limited.
  • the scene photo may be obtained by using a mobile terminal having a camera function to collect a scene photo and send it to the server.
  • Face authentication refers to comparing the photos of the scenes collected by the scene and the photos of the IDs in the identity information to determine whether they are the same person.
  • the face authentication request is triggered based on an actual application operation, for example, a face authentication request is triggered based on the user's account opening request.
  • the application prompts the user to perform a photo collection operation on the display interface of the user terminal, and after the photo collection is completed, sends the collected photo to the server for face authentication.
  • Face detection refers to recognizing a photo and obtaining a face area in the photo.
  • Key point positioning refers to the location of the face key detected in the photo and the position of the face key in each photo.
  • Key points of the face include the eyes, the tip of the nose, the tip of the mouth, the eyebrows, and the outline points of the various parts of the face.
  • the cascading convolutional neural network (MTCNN) method based on multi-task joint learning can be used to simultaneously perform face detection and face key point detection, and face detection methods based on LBP features and people based on shape regression can also be used. Face key point detection method.
  • Image pre-processing refers to performing portrait alignment and cropping processing according to the position of the detected face key point in each picture, thereby obtaining a size-normalized scene face image and a document face image.
  • the scene face image refers to the face image obtained by performing face detection, key point positioning and image preprocessing on the scene photo.
  • the face image of the document refers to face detection, key point positioning and image pre-preparation of the document photo. The face image obtained after processing.
  • the convolutional neural network model based on the supervision of the triplet loss function is pre-trained according to the training samples in advance.
  • the convolutional neural network includes a convolutional layer, a pooling layer, an activation function layer, and a fully connected layer, and each neuron parameter of each layer is determined by training.
  • the trained convolutional neural network through the network forward propagation, the first feature vector of the scene face image output by the fully connected layer of the convolutional neural network model and the second feature vector corresponding to the document face image are obtained.
  • a triplet refers to randomly selecting a sample from a training data set.
  • the sample is called a reference sample, and then randomly selects a sample that belongs to the same person as the reference sample as a positive sample, and selects a sample that does not belong to the same person as a negative sample.
  • the sample thus constitutes a (reference sample, positive sample, negative sample) triplet.
  • the three-tuple model has two main combinations: When the image is a reference sample, both the positive sample and the negative sample are scene photos; when the scene image is used as the reference sample, both the positive sample and the negative sample are passport photos.
  • a network shared by parameters is trained to obtain the feature representation of the three elements.
  • the purpose of improving the triplet loss is to learn to make the distance between the reference expression of the reference sample and the positive sample as small as possible, and the distance between the feature expression of the reference sample and the negative sample is as large as possible, and There is a minimum spacing between the distance between the feature representation of the reference sample and the positive sample and the distance between the reference sample and the feature representation of the negative sample.
  • the cosine distance also known as the cosine similarity, is a measure of the magnitude of the difference between two individuals using the cosine of the angle between the two vectors in the vector space.
  • the similarity between the image and the document face image is smaller.
  • the Euclidean distance is used to measure the similarity between samples.
  • the Euclidean distance measures the absolute distance of each point in the space, which is directly related to the position coordinates of each point, which does not conform to the distribution property of the face feature space.
  • the cosine distance is used to measure the similarity between the samples.
  • the cosine distance measures the angle between the space vectors, which is more reflected in the direction, not the position, which is more in line with the distribution properties of the face feature space.
  • x represents the first feature vector and y represents the second feature vector.
  • S210 Compare the cosine distance and the preset threshold, and determine a face authentication result according to the comparison result.
  • the result of the certification includes the passing of the certification, that is, the photo of the certificate and the photo of the scene belong to the same person.
  • the result of the certification also includes the failure of the certification, ie the photo of the ID and the photo of the scene do not belong to the same person.
  • the authentication is successful, and when the cosine distance is less than the preset threshold, the representation is That is, the similarity between the photo of the document and the photo of the scene is less than a preset threshold, and the authentication fails.
  • the above-mentioned facelet authentication method based on Triplet Loss uses a pre-trained convolutional neural network for face authentication, and the convolutional neural network model is obtained based on the supervision training of the triplet loss function, and the scene face image and the document face are obtained.
  • the similarity of the image is calculated according to the first feature vector corresponding to the scene face image and the cosine distance of the second feature vector corresponding to the document face image.
  • the cosine distance measures the angle between the space vectors and is more reflected in the direction difference. Therefore, it is more in line with the distribution attribute of the face feature space, which improves the reliability of face authentication.
  • the face authentication method further includes the step of training to obtain a convolutional neural network model for face authentication.
  • 3 is a flow diagram of the steps of training a convolutional neural network model for face authentication in one embodiment. As shown in Figure 3, this step includes:
  • the marker object is a person
  • the training sample is marked in person
  • the scene face image and the document face image belonging to the same person are marked.
  • the scene face image and the document face image can be obtained by performing face detection, key point positioning, and image preprocessing on the marked scene photo and the ID photo.
  • Face detection refers to recognizing a photo and obtaining a face area in the photo.
  • Key point positioning refers to the location of the face key detected in the photo and the position of the face key in each photo.
  • Key points of the face include the eyes, the tip of the nose, the tip of the mouth, the eyebrows, and the outline points of the various parts of the face.
  • the cascading convolutional neural network (MTCNN) method based on multi-task joint learning can be used to simultaneously perform face detection and face key, and the face detection method based on LBP feature and the face key based on shape regression can also be used. Point detection method.
  • Image preprocessing refers to performing portrait alignment and cropping processing according to the position of the detected face key point in each picture, thereby obtaining a size normalized scene face image and a document face image.
  • the scene face image refers to the face image obtained by performing face detection, key point positioning and image preprocessing on the scene photo.
  • the face image of the document refers to face detection, key point positioning and image pre-preparation of the document photo.
  • the sample is called a reference sample, and then randomly selecting a scene photo sample that belongs to the same person as the reference sample as a positive sample. Select a scene sample that does not belong to the same person as a negative sample, thereby forming a (reference sample, positive sample, negative sample) triplet.
  • the positive sample and the reference sample are the same kind of samples, that is, belong to the same person image.
  • a negative sample is a heterogeneous sample of a reference sample, that is, an image that does not belong to the same person.
  • the reference sample and the positive sample in the triple element are labeled in the training sample, and the negative sample is constructed in the convolutional neural network.
  • the OHEM (Online Hard Example Mining) strategy is used to construct the triplet online, that is, in the network.
  • the current network is used to perform forward calculation on the candidate triplet, and the image in the training sample that does not belong to the same user as the reference sample is selected, and the image with the closest cosine distance is used as the negative sample, thereby obtaining corresponding training samples.
  • Triple element the image in the training sample that does not belong to the same user as the reference sample is selected, and the image with the closest cosine distance is used as the negative sample, thereby obtaining corresponding training samples.
  • the step of training the convolutional neural network based on the training samples and generating the corresponding triple elements of each training sample comprises the following steps S1 and S2:
  • S1 randomly select an image as a reference sample, and select an image belonging to the same label object and different from the reference sample category as a positive sample.
  • the category refers to the type of image to which it belongs.
  • the category of the training sample includes a scene face image and a document face image. Because the face authentication is mainly the comparison between the document photo and the scene photo, the reference sample and the positive sample should belong to different categories. If the reference sample is the scene face image, the positive sample is the document face image; if the reference sample is the document For the face image, the positive sample is the scene face image.
  • the currently trained convolutional neural network model is used to extract the cosine distance between the features. For each reference sample, from other images that do not belong to the same tag object, the selection distance is the smallest, and the reference sample belongs to different categories. The image as a negative sample of the reference sample.
  • the negative sample is selected from the face image of the label that does not belong to the same person as the reference sample.
  • the negative sample uses the OHEM strategy to construct the triplet online, that is, optimization in each iteration of the network.
  • the candidate triples are forwardly calculated, and the images in the training samples that do not belong to the same user as the reference samples and whose cosine distance is closest and do not belong to the same category as the reference samples are selected as negative samples. That is, the negative sample is different from the reference sample. It can be considered that if the documentary photo is taken as a reference sample in the triplet, both the positive sample and the negative sample are scene photos; otherwise, if the scene is taken as the reference sample, then the other positive and negative samples are the identity photos.
  • the human verification terminal verifies the user identity by comparing the user ID chip photo with the scene photo.
  • the data collected in the background is usually a single person's sample with only two pictures, that is, the photo taken and the scene captured at the comparison time. Photo, but the number of different individuals can be thousands. If the data with such a large number of categories and few similar samples is trained by the classification-based method, the classification layer parameters will be too large and the network is very difficult to learn, so consider using the metric learning method.
  • the typical measurement learning is generally to use the triplet loss method to construct an effective feature map by constructing an image triplet. Under this mapping, the feature distance of the same sample is smaller than the feature distance of the heterogeneous sample. Thereby achieving the purpose of correct comparison.
  • the purpose of the triplet loss is to make the distance between the feature expressions of the reference sample and the positive sample as small as possible, and the distance between the feature expressions of the reference sample and the negative sample is as large as possible, and There is a minimum separation between the distance between the reference expression of the reference sample and the positive sample and the distance between the reference expression of the reference sample and the negative sample.
  • the triplet loss function includes a definition of the cosine distance of a homogeneous sample and a definition of the cosine distance of the heterogeneous sample.
  • the same type of sample refers to the reference sample and the positive sample
  • the heterogeneous sample refers to the reference sample and the negative sample.
  • the cosine distance of a similar sample refers to the cosine distance of the reference sample and the positive sample
  • the cosine distance of the heterogeneous sample refers to the cosine distance of the reference sample and the negative sample.
  • the original triplet loss method only considers the gap between classes and does not consider the intra-class gap. If the distribution within the class is not enough, the generalization ability of the network will be weakened, and the adaptability to the scene will also decrease.
  • the original tripletloss method uses Euclidean distance to measure the similarity between samples. In fact, after the face model is deployed, the cosine distance is used to measure more in the feature comparison. The Euclidean distance measures the absolute distance of each point in the space, which is directly related to the position coordinates of each point. The cosine distance measures the angle between the space vectors, which is more reflected in the direction, not the position, which is more in line with The distribution property of the face feature space.
  • the triplet loss method is used to perform iterative optimization by constructing a triplet data input network online and then backpropagating the metric loss of the triple.
  • Each triple contains three images, one reference sample, one positive sample of the same kind as the reference sample, and one negative sample that is heterogeneous to the reference sample, labeled (anchor, positive, negative).
  • anchor positive, negative
  • the basic idea of the original triplet loss is that the distance between the reference sample and the positive sample is made smaller than the distance between the reference sample and the negative sample by metric learning, and the difference between the distances is greater than a minimum interval parameter ⁇ . So the original triplet loss loss function is as follows:
  • N is the number of triples
  • a feature vector representing a reference sample a eigenvector representing a positive sample of its kind
  • a feature vector representing a heterogeneous negative sample Represents the L2 paradigm, the Euclidean distance.
  • [ ⁇ ] + is as follows:
  • the original triplet loss function only defines the distance between the same sample (anchor, positive) and the heterogeneous sample (anchor, negative), that is, the interval between the classes is increased as much as possible by the interval parameter ⁇ , and
  • the intra-class distance is not limited, that is, there is no constraint on the distance between similar samples. If the distance within the class is scattered and the variance is too large, the generalization ability of the network will be weakened, and the probability that the sample will be misclassified will be greater.
  • Figure 4 is a schematic diagram showing the probability of sample misclassification when the interval between classes is uniform and the variance within the class is large.
  • Figure 5 is a probability diagram of the probability of sample misclassification when the interval between classes is uniform and the variance within the class is small.
  • the shaded part indicates the probability of sample misclassification.
  • the probability of sample misclassification is significantly larger than the interval between classes, and the intra-class variance is small. The probability of a sample being misclassified.
  • the present invention proposes an improved triplet loss method, which on the one hand retains the limitation of the distance between classes in the original method, and increases the constraint on the distance within the class, so that the intra-class distance is as concentrated as possible.
  • Its loss function expression is:
  • cos( ⁇ ) represents the cosine distance and is calculated as N is the number of triples
  • N represents the number of triples
  • the improved triplet loss function is changed from Euclidean distance to cosine distance, which can keep the consistency between the training phase and the deployment phase and improve the continuity of feature learning.
  • the first item of the new triplet loss function is consistent with the original triplet loss, which is used to increase the gap between classes.
  • the second item adds the distance constraint on the same sample pair (orthogonal group), which is used to narrow the intra-class gap.
  • ⁇ 1 is an inter-class interval parameter, which ranges from 0 to 0.2
  • ⁇ 2 is an intra-class interval parameter, ranging from 0.8 to 1.0.
  • the obtained metric corresponds to the similarity between the two samples, so In the expression, only the samples with the cosine similarity of the negative tuple in the range of ⁇ 1 greater than the cosine similarity of the positive tuple will actually participate in the training.
  • the model is trained based on the improved ternary loss function, and the back-propagation optimization training of the model is carried out through the joint constraint between the loss between classes and the loss within the class, so that the similar samples are as close as possible in the feature space and the heterogeneous samples are in the feature space. Keep it as far as possible to improve the recognition of the model, thus improving the reliability of face authentication.
  • 90% of the data is taken from the pool of human image data as a training set, and the remaining 10% is used as a verification set.
  • the improved triplet loss value is calculated based on the above formula and fed back to the convolutional neural network for iterative optimization.
  • the performance of the observation model in the verification set when the verification performance is no longer elevated, the model reaches a convergence state, and the training phase is terminated.
  • the above-mentioned face authentication method increases the constraint on the sample distance within the class in the loss function of the original triplet loss, thereby reducing the intra-class gap and increasing the generalization ability of the model while increasing the inter-class gap;
  • the original triplet loss measurement method is changed from Euclidean distance to cosine distance, keeping the consistency of training and deployment metrics, and improving the continuity of feature learning.
  • the step of training the convolutional neural network further comprises: initializing the basic model parameters trained based on the massive open source face data, adding a normalized layer and the improved triplet after the feature output layer Loss function layer, get the convolutional neural network to be trained.
  • the deep face recognition model based on the conventional Internet-based massive face data training will greatly reduce the performance of the human-environment comparison application in a specific scenario, but the specific application
  • the source of human witness data in the scenario is limited.
  • Direct learning often results in unsatisfactory training results due to insufficient samples. Therefore, it is extremely necessary to develop a method for effectively expanding the training of small data sets to enhance face recognition.
  • the accuracy of the model in a specific application scenario meets the needs of market applications.
  • Deep learning algorithms often rely on the training of massive data.
  • the comparison between document photos and scenes is a heterogeneous sample comparison problem.
  • the conventional deep face recognition model based on massive Internet face data training. Performance will drop significantly in the comparison of applications.
  • the source of human data is limited (requires the same person's ID card image and corresponding scene image), and the amount of data that can be used for training is small. Direct training may result in poor training results due to insufficient samples, so deep learning is used.
  • migration learning When training the model of humanity and syndrome, it is often the idea of using migration learning.
  • a basic model with reliable performance on the open source test set is trained, and then it is repeated twice on the limited person data. Extended training enables the model to automatically learn the feature representation of a particular modality and improve model performance. This process is shown in Figure 6.
  • the entire network is initialized with pre-trained basic model parameters, and then an L2 normalization layer and an improved triplet loss layer are added after the feature output layer of the network, and the convolutional nerve to be trained
  • the network structure diagram is shown in Figure 7.
  • FIG. 8 a schematic diagram of a face authentication method is shown in FIG. 8 and includes three phases, namely, a data acquisition and preprocessing phase, a training phase, and a deployment phase.
  • the card reader module of the human verification terminal device reads the ID card photo, and the front camera captures the live photo, and passes through the face detector, key point detector, face alignment and cutting. The module is then obtained with a normalized ID face image and a scene face image.
  • the training phase 90% of the data from the human image data pool is used as the training set, and the remaining 10% is used as the verification set. Since the comparison of the person's card is mainly the comparison between the photo of the document and the scene photo, if the photo is taken as an anchor in the triad, the other two pictures are scene photos; otherwise, if the scene is taken as a reference Figure, the other two pictures are photo ID.
  • the strategy of constructing triples on-line using OHEM is to use the current network to perform forward calculation on the candidate triples in the process of optimization of each iteration of the network, and to filter the effective triples satisfying the conditions, and calculate the improved according to the above formula. The value of the triplet loss is fed back into the network for iterative optimization. At the same time, the performance of the observation model in the verification set, when the verification performance is no longer elevated, the model reaches a convergence state, and the training phase is terminated.
  • the image acquired by the device passes through the same pre-processing procedure as the training phase, and then the feature vector of each face image is obtained through the network forward calculation.
  • the cosine distance is calculated to obtain the similarity between the two images, and then the judgment is performed according to the preset threshold, and the same person is greater than the preset threshold, and vice versa.
  • the original triplet loss function only defines the learning relationship of the distance between classes.
  • the above face authentication method increases the constraint of the intra-class distance by improving the original triplet loss loss function, which can make the network in the training process. In the process of increasing the gap between classes, the intra-class gap is minimized, thereby improving the generalization ability of the network, and thus improving the adaptability of the model.
  • the Euclidean distance is used to replace the Euclidean distance metric in the original triplet loss, which is more consistent with the distribution property of the face feature space, and maintains the consistency between the training phase and the deployment phase, making the comparison result more reliable.
  • a face authentication device comprising: an image acquisition module 902, an image preprocessing module 904, a feature acquisition module 906, a calculation module 908, and an authentication module 910.
  • the image obtaining module 902 is configured to obtain a photo of the document and a photo of the scene of the person based on the face authentication request.
  • the image pre-processing module 904 is configured to perform face detection, key point positioning, and image pre-processing on the scene photo and the ID photo, respectively, to obtain a scene face image corresponding to the scene photo, and a document face image corresponding to the ID photo.
  • the feature acquisition module 906 is configured to input the scene face image and the document face image into a pre-trained convolutional neural network model for face authentication, and obtain a corresponding scene face image output by the convolutional neural network model.
  • the calculation module 908 is configured to calculate a cosine distance of the first feature vector and the second feature vector.
  • the authentication module 910 is configured to compare the cosine distance and the preset threshold, and determine a face authentication result according to the comparison result.
  • the face authentication device described above performs face authentication using a pre-trained convolutional neural network, and the convolutional neural network model is obtained based on the supervised training of the improved triad loss function, and the scene face image and the document face image are obtained.
  • the similarity is calculated according to the first feature vector corresponding to the scene face image and the cosine distance of the second feature vector corresponding to the document face image.
  • the cosine distance measures the angle between the space vectors and is more reflected in the direction difference. Instead of position, it is more in line with the distribution properties of the face feature space, which improves the reliability of face authentication.
  • the face authentication device further includes: a sample acquisition module 912, a triplet acquisition module 914, a training module 916, and a verification module 918.
  • the sample obtaining module 912 is configured to obtain a labeled training sample, where the training sample includes a document face image and at least one scene face image that are marked for each mark object.
  • the triplet obtaining module 914 is configured to train the convolutional neural network model according to the training samples, and generate the triple element corresponding to each training sample by using OHEM; the triplet elements include a reference sample, a positive sample, and a negative sample.
  • the triplet obtaining module 914 is configured to randomly select an image as a reference sample, select an image belonging to the same label object and different from the reference sample category as a positive sample, and also use the current training convolution according to the OHEM strategy.
  • the neural network model extracts the cosine distance between the features. For each reference sample, from other face images that do not belong to the same tag object, select the image with the smallest distance and different categories from the reference sample as the negative of the reference sample. sample.
  • both the positive sample and the negative sample are scene photos; when the scene photo is taken as the reference sample, both the positive sample and the negative sample are the passport photos.
  • the training module 916 is configured to train a convolutional neural network model based on the triple element of each training sample based on the supervision of the triad loss function, and the triad loss function is measured by a cosine distance as a metric by a random gradient Algorithm to optimize model parameters.
  • the improved triplet loss function includes a definition of the cosine distance of a homogeneous sample and a definition of the cosine distance of the heterogeneous sample.
  • the improved triplet loss function is:
  • cos( ⁇ ) represents the cosine distance and is calculated as N is the number of triples
  • N represents the number of triples
  • the verification module 918 is configured to input the verification set data into the convolutional neural network model, and when the training end condition is reached, obtain a trained convolutional neural network model for face authentication.
  • the face authentication device further includes a model initialization module 920, configured to initialize the basic model parameters trained based on the massive open source face data, and add a normalization layer and a triplet after the feature output layer. Loss function layer, get the convolutional neural network to be trained.
  • the above-mentioned face authentication device increases the constraint on the sample distance within the class in the loss function of the original triplet loss, thereby reducing the intra-class gap and increasing the generalization ability of the model while increasing the inter-class gap;
  • the original triplet loss measurement method is changed from Euclidean distance to cosine distance, keeping the consistency of training and deployment metrics, and improving the continuity of feature learning.
  • a computer device comprising a memory, a processor, and a computer program stored on the memory and operable on the processor, the step of implementing the face authentication method of each of the above embodiments when the processor executes the computer program.
  • a storage medium having stored thereon a computer program, wherein the computer program is executed by a processor to implement the steps of the face authentication method of each of the above embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质，该方法包括：基于人脸认证请求，获取证件照片和人物的场景照片；对场景照片和证件照片分别进行人脸检测、关键点定位和图像预处理，得到场景照片对应的场景人脸图像，以及证件照片对应的证件人脸图像；将场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取卷积神经网络模型输出的场景人脸图像对应的第一特征向量，以及证件人脸图像对应的第二特征向量；计算第一特征向量和第二特征向量的余弦距离；比较余弦距离和预设阈值，并根据比较结果确定人脸认证结果。该方法提高了人脸认证的可靠性。

Description

基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质。
背景技术
人脸认证，是指对比现场采集的人物场景照片以及身份信息中的证件照片，判断是否为同一个人。人脸认证的关键技术为人脸识别。
随着深度学习技术的兴起，人脸识别的相关问题不断突破传统的技术瓶颈，性能水平得到较大的提升。在运用深度学习解决人脸识别问题的研究工作中，主要有两派主流的方法：基于分类学习的方法和基于度量学习的方法。其中，基于分类学习的方法主要是在深度卷积网络提取特征之后计算样本的分类损失函数(比如softmax loss、center loss及相关变体)来对网络进行优化，网络最后一层是用于分类的全连接层，其输出节点的数量往往要与训练数据集的总类别数保持一致，该类方法适用于训练样本较多，尤其是同一类别的训练样本比较丰富的情况，网络可以得到较好的训练效果和泛化能力。但当类别数达到数十万或更高数量级时，网络最后的分类层(全连接层)参数量会呈线性增长而相当庞大，导致网络难以训练。
另一类方法是基于度量学习的方法，该方法以元组的方式组织训练样本(比如二元组pair或者三元组triplet)，在深度卷积网络之后无需通过分类层，而是直接基于卷积特征向量计算样本间的度量损失(比如contrastive loss、triplet loss等)来对网络进行优化，该方法不需要训练分类层，因此网络参数量不受类别数增长的影响，对训练数据集的类别数无限定，只需要根据相应策略选取同类或异类样本构造合适的元组即可。相比分类学习方法，度量学习方法更适用于训练数据广度较大但深度不足(样本类别数多，但同类样本少)的情况，通过样本之间的不同组合，可以构造相当丰富的元组数据用于训练，同时度量学习方式更加关注元组内部关系，对于1:1人脸验证这类判断是与不是的问题有其先天的优势。
在实际应用中，许多的机构都要求实名制登记，例如，银行开户，手机号码登记、金融账号开户等等。实名制登记要求用户携带身份证到指定的地点，由工作人员验证本人与身份证的照片对应后，方可开户成功。而随着互联网技术地发展，越来越多的机构推出了便民服务，不再强制要求客户到指定网点。用户的地理位置不受限制，上传身份证，并利用移动终端的图像采集装置采集现场的人物场景照片，由系统进行人脸认证，并在人脸认证通过后， 即可开户成功。而传统地基于度量的学习方法，使用欧式距离来度量样本之间的相似度，而欧氏距离衡量的是空间各点的绝对距离，跟各个点所在的位置坐标直接相关，这并不符合人脸特征空间的分布属性，导致人脸识别的可靠性较低。
发明内容
基于此，有必要针对传统的人脸认证方法可靠性低的问题，提供一种基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质。
一种基于Triplet Loss的人脸认证方法，包括：
基于人脸认证请求，获取证件照片和人物的场景照片；
对所述场景照片和所述证件照片分别进行人脸检测、关键点定位和图像预处理，得到所述场景照片对应的场景人脸图像，以及所述证件照片对应的证件人脸图像；
将所述场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取所述卷积神经网络模型输出的所述场景人脸图像对应的第一特征向量，以及所述证件人脸图像对应的第二特征向量；其中，所述卷积神经网络模型基于三元组损失函数的监督训练得到；
计算所述第一特征向量和所述第二特征向量的余弦距离；
比较所述余弦距离和预设阈值，并根据比较结果确定人脸认证结果。
在一个实施例中，所述方法还包括：
获取带标记的训练样本，所述训练样本包括标记了属于每个标记对象的一张证件人脸图像和至少一张场景人脸图像；
根据所述训练样本训练卷积神经网络模块，通过OHEM产生各训练样本对应的三元组元素；所述三元组元素包括参考样本、正样本和负样本；
根据各训练样本的三元组元素，基于三元组损失函数的监督，训练所述卷积神经网络模型；该三元组损失函数，以余弦距离作为度量方式，通过随机梯度下降算法来优化模型参数；
将验证集数据输入所述卷积神经网络模型，达到训练结束条件时，得到训练好的用于人脸认证的卷积神经网络模型。
在另一个实施例中，根据所述训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素的步骤，包括：
随机选择一个图像作为参考样本，选择属于同一标签对象、与参考样本类别不同的图像作为正样本；
根据OHEM策略，利用当前训练的卷积神经网络模型提取特征之间的余弦距离，对于每一个参考样本，从其它不属于所述标签对象的图像中，选择距离最小、与所述参考样本属于不同类别的图像，作为该参考样本的负样本。
在另一个实施例中，所述三元组损失函数包括对同类样本的余弦距离的限定，以及对异类样本的余弦距离的限定。
在另一个实施例中，所述三元组损失函数为：
Figure PCTCN2018109169-appb-000001
其中，cos(·)表示余弦距离，其计算方式为
Figure PCTCN2018109169-appb-000002
N是三元组数量，
Figure PCTCN2018109169-appb-000003
表示参考样本的特征向量，
Figure PCTCN2018109169-appb-000004
表示同类正样本的特征向量，
Figure PCTCN2018109169-appb-000005
表示异类负样本的特征向量，[·] +的含义如下：
Figure PCTCN2018109169-appb-000006
α 1为类间间隔参数，α 2为类内间隔参数。
在另一个实施例中，所述方法还包括：利用基于海量开源人脸数据训练好的基础模型参数进行初始化，在特征输出层后添加归一化层及三元组损失函数层，得到待训练的卷积神经网络模型。
一种基于Triplet Loss的人脸认证装置，包括：图像获取模块、图像预处理模块、特征获取模块、计算模块和认证模块；
所述图像获取模块，用于基于人脸认证请求，获取证件照片和人物的场景照片；
所述图像预处理模块，用于对所述场景照片和所述证件照片分别进行人脸检测、关键点定位和图像预处理，得到所述场景照片对应的场景人脸图像，以及所述证件照片对应的证件人脸图像；
所述特征获取模块，用于将所述场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取所述卷积神经网络模型输出的所述场景人脸图像对应的第一特征向量，以及所述证件人脸图像对应的第二特征向量；其中，所述卷积神经网络模型基于三元组损失函数的监督训练得到；
所述计算模块，用于计算所述第一特征向量和所述第二特征向量的余弦距离；
所述认证模块，用于比较所述余弦距离和预设阈值，并根据比较结果确定人脸认证结果。
在另一个实施例中，所述装置还包括：样本获取模块、三元组获取模块、训练模块和验证模块；
所述样本获取模块，用于获取带标记的训练样本，所述训练样本包括标记了属于每个标记对象的一张证件人脸图像和至少一张场景人脸图像；
所述三元组获取模块，用于根据所述训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素；所述三元组元素包括参考样本、正样本和负样本；
所述训练模块，用于根据各训练样本的三元组元素，基三元组损失函数的监督，训练所述卷积神经网络模型；该三元组损失函数，以余弦距离作为度量方式，通过随机梯度下降算法来优化模型参数；
所述验证模块，用于将验证集数据输入所述卷积神经网络模型，达到训练结束条件时，得到训练好的用于人脸认证的卷积神经网络模型。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于Triplet Loss的人脸认证方法的步骤。
一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现上述的基于Triplet Loss的人脸认证方法的步骤。
本发明所述的基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质，利用预先训练的卷积神经网络进行人脸认证，由于卷积神经网络模型基于三元组损失函数的监督训练得到，而场景人脸图像和证件人脸图像的相似度根据场景人脸图像对应的第一特征向量和证件人脸图像对应的第二特征向量的余弦距离计算得到，余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，从而更符合人脸特征空间的分布属性，提高了人脸认证的可靠性。
附图说明
图1为一个实施例的基于Triplet Loss的人脸认证系统的结构示意图；
图2为一个实施例中基于Triplet Loss的人脸认证方法的流程图；
图3为一个实施例中训练得到用于人脸认证的卷积神经网络模型的步骤的流程图；
图4为在类间间隔一致、类内方差较大情况下，样本错分的概率示意图；
图5为在类间间隔一致、类内方差较小情况下，样本错分的概率示意图；
图6为一个实施例中基于Triplet Loss的人脸认证的迁移学习过程的示意图；
图7为一个实施例中用于人脸认证的卷积神经网络模型的结构示意图；
图8为一个实施例中基于Triplet Loss的人脸认证方法的流程示意图；
图9为一个实施例中基于Triplet Loss的人脸认证装置的结构框图；
图10为另一个实施例中基于Triplet Loss的人脸认证装置的结构框图。
具体实施方式
图1为一个实施例的基于Triplet Loss的人脸认证系统的结构示意图。如图1所示，人脸认证系统包括服务器101和图像采集装置102。其中，服务器101与图像采集装置102网络连接。图像采集装置102采集待认证用户的实时场景照片，以及证件照片，并将采集的实时场景照片和证件照片发送至服务器101。服务器101判断场景照片的人物与证件照中的人物是否为同一人，对待认证用户的身份进行认证。基于具体的应用场景，图像采集装置102可以为摄像头，或是具有摄像功能的用户终端。以在开户现场为例，图像采集装置102可以为摄像头；以通过互联网进行金融账号开户为例，图像采集装置102可以为具有摄像功能的移动终端。
在其它的实施例中，人脸认证系统还可以包括读卡器，用于读取证件(如身份证等)芯片内的证件照。
图2为一个实施例中基于Triplet Loss的人脸认证方法的流程图。如图2所示，该方法包括：
S202，基于人脸认证请求，获取证件照片和人物的场景照片。
其中，证件照片是指能够证明人物身份的证件所对应的照片，例如身份证上所印制的证件照或芯片内的证件照。证件照片的获取方式可以采用对证件进行拍照获取，也可以通过读卡器读取证件芯片所存储的证件照片。本实施例中的证件可以为身份证，驾驶证或社会保障卡等。
人物的场景照片是指待认证用户在认证时所采集，该待认证用户在现场环境的照片。现场环境是指用户在拍照时的所处环境，现场环境不受限制。场景照片的获取方式可以为，利用具有摄像功能的移动终端采集场景照片并发送至服务器。
人脸认证，是指对比现场采集的人物场景照片以及身份信息中的证件照片，判断是否为同一个人。人脸认证请求基于实际的应用操作触发，例如，基于用户的开户请求，触发人脸认证请求。应用程序在用户终端的显示界面提示用户进行照片的采集操作，并在照片采集完成后，将采集的照片发送至服务器，进行人脸认证。
S204，对场景照片和证件照片分别进行人脸检测、关键点定位和图像预处理，得到场景照片对应的场景人脸图像，以及证件照片对应的证件人脸图像。
人脸检测是指识别照片并获取照片中的人脸区域。
关键点定位，是指对照片中检测的人脸区域，获取人脸关键点在每幅照片中的位置。人脸关键点包括眼睛，鼻尖、嘴角尖、眉毛以及人脸各部件轮廓点。
本实施例中，可采用基于多任务联合学习的级联卷积神经网络MTCNN方法同时完成人脸检测和人脸关键点检测，亦可采用基于LBP特征的人脸检测方法和基于形状回归的人脸关键点检测方法。
图像预处理是指将根据检测的人脸关键点在每张图片中的位置，进行人像对齐和剪切处理，从而得到尺寸归一化的场景人脸图像和证件人脸图像。其中，场景人脸图像是指对场景照片进行人脸检测、关键点定位和图像预处理后得到的人脸图像，证件人脸图像是指对证件照片进行人脸检测、关键点定位和图像预处理后得到的人脸图像。
S206，将场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取卷积神经网络模型输出的场景人脸图像对应的第一特征向量，以及证件人脸图像对应的第二特征向量。
其中，卷积神经网络模型基于三元组损失函数的监督预先根据训练样本提前训练好的。卷积神经网络包括卷积层、池化层、激活函数层和全连接层，每层的各个神经元参数通过训练确定。利用训练好的卷积神经网络，通过网络前向传播，获取卷积神经网络模型的全连接层输出的场景人脸图像的第一特征向量，以及证件人脸图像对应的第二特征向量。
三元组(triplet)是指从训练数据集中随机选一个样本，该样本称为参考样本，然后再随机选取一个和参考样本属于同一人的样本作为正样本，选取不属于同一人的样本作为负样本，由此构成一个(参考样本、正样本、负样本)三元组。由于人证比对主要是基于证件照与场景照的比对，而不是证件照与证件照、或者场景照与场景照的比对，因此三元组的模式主要有两种组合：以证件照图像为参考样本时，正样本和负样本均为场景照；以场景照图像为参考样本时，正样本和负样本均为证件照。
针对三元组中的每个样本，训练一个参数共享的网络，得到三个元素的特征表达。改进三元组损失(triplet loss)的目的就是通过学习，让参考样本和正样本的特征表达之间的距离尽可能小，而参考样本和负样本的特征表达之间的距离尽可能大，并且要让参考样本和正样本的特征表达之间的距离和参考样本和负样本的特征表达之间的距离之间有一个最小的间隔。
S208，计算第一特征向量和第二特征向量的余弦距离。
余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。第一特征向量和第二特征向量的余弦距离越大，表示场景人脸图像 和证件人脸图像的相似度越大，第一特征向量和第二特征向量的余弦距离越小，表示场景人脸图像和证件人脸图像的相似度越小。当场景人脸图像和证件人脸图像的余弦距离越接收于1时，两张图像属于同一人的机率越大，当场景人脸图像和证件人脸图像的余弦距离越小，两张图像属于同一人的机率越小。
传统的三元组损失(triplet loss)方法中，使用欧式距离来度量样本之间的相似度。而欧氏距离衡量的是空间各点的绝对距离，跟各个点所在的位置坐标直接相关，这并不符合人脸特征空间的分布属性。本实施例中，考虑人脸特征空间的分布属性和实际应用场景，采用余弦距离来度量样本之间的相似度。余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，而不是位置，从而更符合人脸特征空间的分布属性。
具体地，余弦距离的计算公式为：
Figure PCTCN2018109169-appb-000007
其中，x表示第一特征向量，y表示第二特征向量。
S210，比较余弦距离和预设阈值，并根据比较结果确定人脸认证结果。
认证结果包括认证通过，即证件照片和场景照片属于同一人。认证结果还包括认证失败，即证件照片和场景照片不属于同一人。
具体地，将余弦距离与预设阈值进行比较，当余弦距离大于预设阈值时，表示即证件照片与场景照片的相似度大于预设阈值，认证成功，当余弦距离小于预设阈值时，表示即证件照片与场景照片的相似度小于预设阈值，认证失败。
上述的基于Triplet Loss的人脸认证方法，利用预先训练的卷积神经网络进行人脸认证，由于卷积神经网络模型基于三元组损失函数的监督训练得到，而场景人脸图像和证件人脸图像的相似度根据场景人脸图像对应的第一特征向量和证件人脸图像对应的第二特征向量的余弦距离计算得到，余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，从而更符合人脸特征空间的分布属性，提高了人脸认证的可靠性。
在另一个实施例中，人脸认证方法还包括训练得到用于人脸认证的卷积神经网络模型的步骤。图3为一个实施例中训练得到用于人脸认证的卷积神经网络模型的步骤的流程图。如图3所示，该步骤包括：
S302，获取带标记的训练样本，训练样本包括标记了属于每个标记对象的一张证件人脸图像和至少一张场景人脸图像。
本实施例中，标记对象即人，训练样本以人为单位，标记了同属于一个人的场景人脸图 像和证件人脸图像。具体地，场景人脸图像和证件人脸图像可通过对带标记的场景照片和证件照片进行人脸检测、关键点定位和图像预处理得到。
人脸检测是指识别照片并获取照片中的人脸区域。
关键点定位，是指对照片中检测的人脸区域，获取人脸关键点在每幅照片中的位置。人脸关键点包括眼睛，鼻尖、嘴角尖、眉毛以及人脸各部件轮廓点。
本实施例中，可采用基于多任务联合学习的级联卷积神经网络MTCNN方法同时完成人脸检测和人脸关键，亦可采用基于LBP特征的人脸检测方法和基于形状回归的人脸关键点检测方法。
图像预处理是指将根据检测的人脸关键点在每张图片中的位置，进行人像对齐和剪切处理，从而得到尺寸归一化场景人脸图像和证件人脸图像。其中，场景人脸图像是指对场景照片进行人脸检测、关键点定位和图像预处理后得到的人脸图像，证件人脸图像是指对证件照片进行人脸检测、关键点定位和图像预处理后得到的人脸图像。
S304，根据训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素；三元组元素包括参考样本、正样本和负样本。
三元组有两种组合方式：以证件照图像为参考样本时，正样本和负样本均为场景照图像；以场景照图像为参考样本时，正样本和负样本均为证件照图像。
具体地，以证件照为参考图像为例，从训练数据集中随机选一个人的证件照样本，该样本称为参考样本，然后再随机选取一个和参考样本属于同一人的场景照样本作为正样本，选取不属于同一人的场景照样本作为负样本，由此构成一个(参考样本、正样本、负样本)三元组。
即正样本与参考样本为同类样本，即属于同一人图像。负样本是参考样本的异类样本，即不属于同一人的图像。其中，三元组元素中的参考样本和正样本是训练样本中已标记的，负样本在卷积神经网络的训练过程中，采用OHEM(Online Hard Example Mining)策略在线构造三元组，即在网络每次迭代优化的过程中，利用当前网络对候选三元组进行前向计算，选择训练样本中与参考样本不属于同一用户，且余弦距离最近的图像作为负样本，从而得到各训练样本对应的三元组元素。
一个实施例中，根据训练样本训练卷积神经网络，并产生各训练样本对应的三元组元素的步骤，包括以下步骤S1和S2：
S1：随机选择一个图像作为参考样本，选择属于同一标签对象、与参考样本类别不同的图像作为正样本。
类别是指所属的图像类型，本实施例中，训练样本的类别包括场景人脸图像和证件人脸图像。因为人脸认证主要是证件照和场景照之间的对比，因此，参考样本和正样本应当属于不同的类别，若参考样本为场景人脸图像，则正样本为证件人脸图像；若参考样本为证件人脸图像，则正样本为场景人脸图像。
S2：根据OHEM策略，利用当前训练的卷积神经网络模型提取特征之间的余弦距离，对于每一个参考样本，从其它不属于同一标签对象的图像中，选择距离最小、与参考样本属于不同类别的图像，作为该参考样本的负样本。
负样本从与参考样本不属于同一人的标签的人脸图像中选择，具体地，负样本在卷积神经网络的训练过程中，采用OHEM策略在线构造三元组，即在网络每次迭代优化的过程中，利用当前网络对候选三元组进行前向计算，选择训练样本中与参考样本不属于同一用户，且余弦距离最近、与参考样本不属于同一类别的图像作为负样本。即，负样本与参考样本的类别不同。可以认为，三元组中若以证件照为参考样本，则正样本和负样本均是场景照；反之若以场景照为参考样本，则另外正样本和负样本均是证件照。
S306，根据各训练样本的三元组元素，基于三元组损失函数的监督，训练卷积神经网络模型，该三元组损失函数，以余弦距离作为度量方式，通过随机梯度下降算法来优化模型参数。
人证核验终端通过比对用户证件芯片照与场景照是否一致来对用户身份进行验证，后台采集到的数据往往是单个人的样本只有两张图，即证件照与比对时刻抓拍到的场景照，而不同个体的数量却可以成千上万。这种类别数量较大而同类样例少的数据如果用基于分类的方法来进行训练，分类层参数会过于庞大而导致网络非常难以学习，因此考虑用度量学习的方法来解决。其中度量学习的典型的一般是用三元组损失(triplet loss)方法，通过构造图像三元组来学习一种有效的特征映射，在该映射下同类样本的特征距离小于异类样本的特征距离，从而达到正确比对的目的。
三元组损失(triplet loss)的目的就是通过学习，让参考样本和正样本的特征表达之间的距离尽可能小，而参考样本和负样本的特征表达之间的距离尽可能大，并且要让参考样本和正样本的特征表达之间的距离和参考样本和负样本的特征表达之间的距离之间有一个最小的间隔。
在另一个实施例中，三元组损失函数包括对同类样本的余弦距离的限定，以及对异类样本的余弦距离的限定。
其中，同类样本是指参考样本和正样本，异类样本是指参考样本和负样本。同类样本的 余弦距离是指参考样本和正样本的余弦距离，异类样本的余弦距离是指参考样本和负样本的余弦距离。
一方面，原始的triplet loss方法只是考虑了类间差距而没有考虑类内差距，如果类内分布不够聚敛，网络的泛化能力就会减弱，对场景适应性也会随之降低。另一方面，原始的tripletloss方法采用的是欧式距离来度量样本之间的相似度，实际上人脸模型部署后在特征比对环节，更多地会采用余弦距离来进行度量。欧氏距离衡量的是空间各点的绝对距离，跟各个点所在的位置坐标直接相关；而余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，而不是位置，从而更符合人脸特征空间的分布属性。
采用triplet loss方法，通过在线构造三元组数据输入网络，然后反向传播三元组的度量损失来进行迭代优化。每一个三元组包含三张图像，分别是一个参考样本，一个与参考样本同类的正样本，以及一个与参考样本异类的负样本，标记为(anchor,positive,negative)。原始triplet loss的基本思想是，通过度量学习使得参考样本与正样本之间的距离小于参考样本与负样本之间的距离，并且距离之差大于一个最小间隔参数α。因此原始的triplet loss损失函数如下：
Figure PCTCN2018109169-appb-000008
其中，N是三元组数量，
Figure PCTCN2018109169-appb-000009
表示参考样本(anchor)的特征向量，
Figure PCTCN2018109169-appb-000010
表示同类正样本(positive)的特征向量，
Figure PCTCN2018109169-appb-000011
表示异类负样本(negative)的特征向量。
Figure PCTCN2018109169-appb-000012
表示L2范式，即欧氏距离。[·] +的含义如下：
Figure PCTCN2018109169-appb-000013
从上式可看出，原始的triplet loss函数只限定了同类样本(anchor,positive)与异类样本(anchor,negative)之间的距离，即通过间隔参数α尽可能增大类间距离，而对类内距离未作任何限定，即对同类样本之间的距离未作任何约束。如果类内距离比较分散，方差过大，网络的泛化能力就会减弱，样本被错分的概率就会更大。图4为在类间间隔一致、类内方差较大情况下，样本错分的概率示意图，图5为在类间间隔一致、类内方差较小情况下，样本错分的概率示意图，如图4和图5所示，阴影部分表示样本错分的概率，在类间间隔一致、类内方差较大情况下，样本错分的概率明显大于类间间隔一致、类内方差较小情况下，样本错分的概率。
针对上述问题，本发明提出改进的triplet loss方法，一方面保留了原始方法中对类间距离的限定，同时增加了对类内距离的约束项，使得类内距离尽可能聚敛。其loss函数表达式为：
Figure PCTCN2018109169-appb-000014
其中，cos(·)表示余弦距离，其计算方式为
Figure PCTCN2018109169-appb-000015
N是三元组数量，
Figure PCTCN2018109169-appb-000016
表示参考样本的特征向量，
Figure PCTCN2018109169-appb-000017
表示同类正样本的特征向量，
Figure PCTCN2018109169-appb-000018
表示异类负样本的特征向量，[·] +的含义如下：
Figure PCTCN2018109169-appb-000019
α 1为类间间隔参数，α 2为类内间隔参数。
相比原始的triplet loss函数，改进后的triplet loss函数的度量方式由欧氏距离改为余弦距离，这样可以保持训练阶段与部署阶段度量方式的一致性，提高特征学习的连续性。同时新的triplet loss函数第一项与原始的triplet loss作用一致，用于增大类间差距，第二项添加了对同类样本对(正元组)的距离约束，用于缩小类内差距。α 1为类间间隔参数，取值范围为0～0.2，α 2为类内间隔参数，取值范围为0.8～1.0。值得注意的是，由于是用余弦方式度量，得到的度量值对应两个样本之间的相似度，因此在
Figure PCTCN2018109169-appb-000020
表达式中，只有负元组余弦相似度在α 1范围内大于正元组余弦相似度的样本，才会真正参与训练。
基于改进后的三元组损失函数来训练模型，通过类间损失与类内损失的联合约束来对模型进行反向传播的优化训练，使得同类样本在特征空间尽可能接近而异类样本在特征空间尽可能远离，提高模型的辨识力，从而提高人脸认证的可靠性。
S308，将验证集数据输入卷积神经网络，达到训练结束条件时，得到训练好的用于人脸认证的卷积神经网络。
具体地，从人证图像数据池中取90％数据作为训练集，剩余10％作为验证集。基于上式计算出改进后的triplet loss值，反馈到卷积神经网络中进行迭代优化。同时观测模型在验证集中的性能表现，当验证性能不再升高时，模型达到收敛状态，训练阶段终止。
上述的人脸认证方法，一方面在原始triplet loss的损失函数中增加了对类内样本距离的约束，从而在增大类间差距的同时减小类内差距，提升模型的泛化能力；另一方面，将原始triplet loss的度量方式由欧氏距离改为余弦距离，保持训练与部署的度量一致性，提高特征学 习的连续性。
在另一个实施例中，训练卷积神经网络的步骤还包括：利用基于海量开源人脸数据训练好的基础模型参数进行初始化，在特征输出层后添加归一化层及改进后的三元组损失函数层，得到待训练的卷积神经网络。
具体地，在用深度学习解决人证合一问题时，常规的基于互联网海量人脸数据训练得到的深度人脸识别模型在特定场景下的人证比对应用上性能会大幅下降，而特定应用场景下的人证数据来源又比较有限，直接地学习往往由于样本不足导致训练结果不理想，因此极需要研发一种有效地针对小数据集的场景数据进行扩展训练的方法，以提升人脸识别模型在特定应用场景下的准确率，满足市场应用需求。
深度学习算法往往依赖于海量数据的训练，在人证合一应用中，证件照与场景照比对属于异质样本比对问题，常规的基于海量互联网人脸数据训练得到的深度人脸识别模型在人证比对应用上性能会大幅下降。然而人证数据来源有限(需要同时具备同一个人的身份证图像及相应的场景图像)，可用于训练的数据量较少，直接训练会由于样本不足导致训练效果不理想，因此在运用深度学习进行人证合一的模型训练时，往往是利用迁移学习的思想，先基于海量的互联网人脸数据训练一个在开源测试集上性能可靠的基础模型，然后再在有限的人证数据上进行二次扩展训练，使模型能自动学习特定模态的特征表示，提升模型性能。此过程如图6所示。
在二次训练的过程中，整个网络用预训练好的基础模型参数进行初始化，然后在网络的特征输出层之后添加一个L2归一化层以及改进后的triplet loss层，待训练的卷积神经网络结构图如图7所示。
一个实施例中，一种人脸认证方法的流程示意图如图8所示，包括三个阶段，分别为数据采集与预处理阶段、训练阶段和部署阶段。
数据采集与预处理阶段，由人证核验终端设备的读卡器模块读取证件芯片照，以及前置摄像头抓取现场照片，经过人脸检测器、关键点检测器、人脸对齐与剪切模块之后得到尺寸归一化的证件人脸图像和场景人脸图像。
训练阶段，从人证图像数据池中取90％数据作为训练集，剩余10％作为验证集。由于人证比对主要是证件照与场景照之间的比对，因为三元组中若以证件照为参考图(anchor),则另外两张图均是场景照；反之若以场景照为参考图，则另外两张图均是证件照。采用OHEM 在线构造三元组的策略，即在网络每次迭代优化的过程中，利用当前网络对候选三元组进行前向计算，筛选满足条件的有效三元组，按照上式计算出改进后的triplet loss值，反馈到网络中进行迭代优化。同时观测模型在验证集中的性能表现，当验证性能不再升高时，模型达到收敛状态，训练阶段终止。
部署阶段，将训练好的模型部署到人证核验终端进行使用时，设备采集到的图像经过与训练阶段相同的预处理程序，然后通过网络前向计算得到每张人脸图像的特征向量，通过计算余弦距离得到两张图像的相似度，然后根据预设阈值进行判决，大于预设阈值的为同一人，反之为不同人。
上述的人脸认证方法，原始triplet loss函数只限定了类间距离的学习关系，上述的人脸认证方法，通过改进原始triplet loss损失函数增加了类内距离的约束项，可以使得网络在训练过程中增大类间差距的同时尽可能减小类内差距，从而提高网络的泛化能力，进而提升模型的场景适应性。另外，用余弦距离替代了原始triplet loss中的欧氏距离度量方式，更符合人脸特征空间的分布属性，保持了训练阶段与部署阶段度量方式的一致性，使得比对结果更加可靠。
在一个实施例中，提供一种人脸认证装置，如图9所示，包括：图像获取模块902、图像预处理模块904、特征获取模块906、计算模块908和认证模块910。
图像获取模块902，用于基于人脸认证请求，获取证件照片和人物的场景照片。
图像预处理模块904，用于对场景照片和证件照片分别进行人脸检测、关键点定位和图像预处理，得到场景照片对应的场景人脸图像，以及证件照片对应的证件人脸图像。
特征获取模块906，用于将场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取卷积神经网络模型输出的场景人脸图像对应的第一特征向量，以及证件人脸图像对应的第二特征向量；其中，卷积神经网络模型基于三元组损失函数的监督训练得到。
计算模块908，用于计算第一特征向量和第二特征向量的余弦距离。
认证模块910，用于比较余弦距离和预设阈值，并根据比较结果确定人脸认证结果。
上述的人脸认证装置，利用预先训练的卷积神经网络进行人脸认证，由于卷积神经网络模型基于改进后的三元组损失函数的监督训练得到，而场景人脸图像和证件人脸图像的相似度根据场景人脸图像对应的第一特征向量和证件人脸图像对应的第二特征向量的余弦距离计 算得到，余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，而不是位置，从而更符合人脸特征空间的分布属性，提高了人脸认证的可靠性。
如图9所示，在另一个实施例中，人脸认证装置还包括：样本获取模块912、三元组获取模块914、训练模块916和验证模块918。
样本获取模块912，用于获取带标记的训练样本，所述训练样本包括标记了属于每个标记对象的一张证件人脸图像和至少一张场景人脸图像。
三元组获取模块914，用于根据训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素；三元组元素包括参考样本、正样本和负样本。
具体地，三元组获取模块914，用于随机选择一个图像作为参考样本，选择属于同一标签对象、与参考样本类别不同的图像作为正样本，还用于根据OHEM策略，利用当前训练的卷积神经网络模型提取特征之间的余弦距离，对于每一个参考样本，从其它具有不属于同一标签对象的人脸图像中，选择距离最小、与参考样本属于不同类别的图像，作为该参考样本的负样本。
具体地，以证件照作为参考样本时，正样本和负样本均为场景照；以场景照作为参考样本时，正样本和负样本均为证件照。
训练模块916，用于根据各训练样本的三元组元素，基于三元组损失函数的监督，训练卷积神经网络模型，该三元组损失函数，以余弦距离作为度量方式，通过随机梯度下降算法来优化模型参数。
具体地，改进型三元组损失函数包括对同类样本的余弦距离的限定，以及对异类样本的余弦距离的限定。
改进型三元组损失函数为：
Figure PCTCN2018109169-appb-000021
其中，cos(·)表示余弦距离，其计算方式为
Figure PCTCN2018109169-appb-000022
N是三元组数量，
Figure PCTCN2018109169-appb-000023
表示参考样本的特征向量，
Figure PCTCN2018109169-appb-000024
表示同类正样本的特征向量，
Figure PCTCN2018109169-appb-000025
表示异类负样本的特征向量，[·] +的含义如下：
Figure PCTCN2018109169-appb-000026
α 1为类间间隔参数，α 2为类内间隔参数。
验证模块918，用于将验证集数据输入卷积神经网络模型，达到训练结束条件时，得到训练好的用于人脸认证的卷积神经网络模型。
在另一个实施例中，人脸认证装置还包括模型初始化模块920，用于利用基于海量开源人脸数据训练好的基础模型参数进行初始化，在特征输出层后添加归一化层及三元组损失函数层，得到待训练的卷积神经网络。上述的人脸认证装置，一方面在原始triplet loss的损失函数中增加了对类内样本距离的约束，从而在增大类间差距的同时减小类内差距，提升模型的泛化能力；另一方面，将原始triplet loss的度量方式由欧氏距离改为余弦距离，保持训练与部署的度量一致性，提高特征学习的连续性。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各实施例的人脸认证方法的步骤。
一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现上述各实施例的人脸认证方法的步骤。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

  1. 一种基于Triplet Loss的人脸认证方法，包括：
    基于人脸认证请求，获取证件照片和人物的场景照片；
    对所述场景照片和所述证件照片分别进行人脸检测、关键点定位和图像预处理，得到所述场景照片对应的场景人脸图像，以及所述证件照片对应的证件人脸图像；
    将所述场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取所述卷积神经网络模型输出的所述场景人脸图像对应的第一特征向量，以及所述证件人脸图像对应的第二特征向量；其中，所述卷积神经网络模型基于三元组损失函数的监督训练得到；
    计算所述第一特征向量和所述第二特征向量的余弦距离；
    比较所述余弦距离和预设阈值，并根据比较结果确定人脸认证结果。
  2. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    获取带标记的训练样本，所述训练样本包括标记了属于每个标记对象的一张证件人脸图像和至少一张场景人脸图像；
    根据所述训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素；所述三元组元素包括参考样本、正样本和负样本；
    根据各训练样本的三元组元素，基于三元组损失函数的监督，训练所述卷积神经网络模型；该三元组损失函数，以余弦距离作为度量方式，通过随机梯度下降算法来优化模型参数；
    将验证集数据输入所述卷积神经网络模型，达到训练结束条件时，得到训练好的用于人脸认证的卷积神经网络模型。
  3. 根据权利要求2所述的方法，其特征在于，根据所述训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素的步骤，包括：
    随机选择一个图像作为参考样本，选择属于同一标签对象、与参考样本类别不同的图像作为正样本；
    根据OHEM策略，利用当前训练的卷积神经网络模型提取特征之间的余弦距离，对于每一个参考样本，从其它不属于同一标签对象的图像中，选择距离最小、与所述参考样本属于不同类别的图像，作为该参考样本的负样本。
  4. 根据权利要求2所述的方法，其特征在于，所述三元组损失函数包括对同类样本的余弦距离的限定，以及对异类样本的余弦距离的限定。
  5. 根据权利要求4所述的方法，其特征在于，所述三元组损失函数为：
    Figure PCTCN2018109169-appb-100001
    其中，cos(·)表示余弦距离，其计算方式为
    Figure PCTCN2018109169-appb-100002
    N是三元组数量，
    Figure PCTCN2018109169-appb-100003
    表示参考样本的特征向量，
    Figure PCTCN2018109169-appb-100004
    表示同类正样本的特征向量，
    Figure PCTCN2018109169-appb-100005
    表示异类负样本的特征向量，[·] +的含义如下：
    Figure PCTCN2018109169-appb-100006
    α 1为类间间隔参数，α 2为类内间隔参数。
  6. 根据权利要求2所述的方法，其特征在于，所述方法还包括：利用基于海量开源人脸数据训练好的基础模型参数进行初始化，在特征输出层后添加归一化层及三元组损失函数层，得到待训练的卷积神经网络模型。
  7. 一种基于Triplet Loss的人脸认证装置，包括：图像获取模块、图像预处理模块、特征获取模块、计算模块和认证模块；
    所述图像获取模块，用于基于人脸认证请求，获取证件照片和人物的场景照片；
    所述图像预处理模块，用于对所述场景照片和所述证件照片分别进行人脸检测、关键点定位和图像预处理，得到所述场景照片对应的场景人脸图像，以及所述证件照片对应的证件人脸图像；
    所述特征获取模块，用于将所述场景人脸图像和证件人脸图像输入到预先训练好的用于人脸认证的卷积神经网络模型，并获取所述卷积神经网络模型输出的所述场景人脸图像对应的第一特征向量，以及所述证件人脸图像对应的第二特征向量；其中，所述卷积神经网络模型基于三元组损失函数的监督训练得到；
    所述计算模块，用于计算所述第一特征向量和所述第二特征向量的余弦距离；
    所述认证模块，用于比较所述余弦距离和预设阈值，并根据比较结果确定人脸认证结果。
  8. 根据权利要求7所述的装置，其特征在于，所述装置还包括：样本获取模块、三元组获取模块、训练模块和验证模块；
    所述样本获取模块，用于获取带标记的训练样本，所述训练样本包括标记了属于每个标 记对象的一张证件人脸图像和至少一张场景人脸图像；
    所述三元组获取模块，用于根据所述训练样本训练卷积神经网络模型，通过OHEM产生各训练样本对应的三元组元素；所述三元组元素包括参考样本、正样本和负样本；
    所述训练模块，用于根据各训练样本的三元组元素，基于三元组损失函数的监督，训练所述卷积神经网络模型；该三元组损失函数，以余弦距离作为度量方式，通过随机梯度下降算法来优化模型参数；
    所述验证模块，用于将验证集数据输入所述卷积神经网络模型，达到训练结束条件时，得到训练好的用于人脸认证的卷积神经网络模型。
  9. 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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6任一项所述的基于Triplet Loss的人脸认证方法的步骤。
  10. 一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现权利要求1至6任一项所述的基于Triplet Loss的人脸认证方法的步骤。
PCT/CN2018/109169 2017-12-26 2018-09-30 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 Ceased WO2019128367A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711436879.4A CN108009528B (zh) 2017-12-26 2017-12-26 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN201711436879.4 2017-12-26

Publications (1)

Publication Number Publication Date
WO2019128367A1 true WO2019128367A1 (zh) 2019-07-04

Family

ID=62061566

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/109169 Ceased WO2019128367A1 (zh) 2017-12-26 2018-09-30 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN108009528B (zh)
WO (1) WO2019128367A1 (zh)

Cited By (110)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414431A (zh) * 2019-07-29 2019-11-05 广州像素数据技术股份有限公司 基于弹性上下文关系损失函数的人脸识别方法及系统
CN110458233A (zh) * 2019-08-13 2019-11-15 腾讯云计算（北京）有限责任公司 混合粒度物体识别模型训练及识别方法、装置及存储介质
CN110516533A (zh) * 2019-07-11 2019-11-29 同济大学 一种基于深度度量的行人再辨识方法
CN110555478A (zh) * 2019-09-05 2019-12-10 东北大学 基于难样本挖掘的深度度量网络的风机多故障诊断方法
CN110647938A (zh) * 2019-09-24 2020-01-03 北京市商汤科技开发有限公司 图像处理方法及相关装置
CN110647880A (zh) * 2019-08-12 2020-01-03 深圳市华付信息技术有限公司 一种移动端身份证图像遮挡判断方法
CN110674637A (zh) * 2019-09-06 2020-01-10 腾讯科技（深圳）有限公司 一种人物关系识别模型训练方法、装置、设备及介质
CN110705357A (zh) * 2019-09-02 2020-01-17 深圳中兴网信科技有限公司 人脸识别方法和人脸识别装置
CN110705393A (zh) * 2019-09-17 2020-01-17 中国计量大学 一种提升社区人口人脸识别性能的方法
CN110796057A (zh) * 2019-10-22 2020-02-14 上海交通大学 行人重识别方法、装置及计算机设备
CN110852367A (zh) * 2019-11-05 2020-02-28 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN110956098A (zh) * 2019-11-13 2020-04-03 深圳和而泰家居在线网络科技有限公司 图像处理方法及相关设备
CN111008550A (zh) * 2019-09-06 2020-04-14 上海芯灵科技有限公司 基于Multiple loss损失函数的指静脉验证身份的识别方法
CN111062430A (zh) * 2019-12-12 2020-04-24 易诚高科（大连）科技有限公司 一种基于概率密度函数的行人重识别评价方法
CN111079566A (zh) * 2019-11-28 2020-04-28 深圳市信义科技有限公司 一种大规模人脸识别模型优化系统
CN111091089A (zh) * 2019-12-12 2020-05-01 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111126360A (zh) * 2019-11-15 2020-05-08 西安电子科技大学 基于无监督联合多损失模型的跨域行人重识别方法
CN111126240A (zh) * 2019-12-19 2020-05-08 西安工程大学 一种三通道特征融合人脸识别方法
CN111144240A (zh) * 2019-12-12 2020-05-12 深圳数联天下智能科技有限公司 图像处理方法及相关设备
CN111191563A (zh) * 2019-12-26 2020-05-22 三盟科技股份有限公司 基于数据样本与测试数据集训练的人脸识别方法及系统
CN111198964A (zh) * 2020-01-10 2020-05-26 中国科学院自动化研究所 图像检索方法及系统
CN111209839A (zh) * 2019-12-31 2020-05-29 上海涛润医疗科技有限公司 人脸识别方法
CN111222411A (zh) * 2019-11-28 2020-06-02 中国船舶重工集团公司第七一三研究所 一种激光发射安全快速报警方法和装置
CN111241925A (zh) * 2019-12-30 2020-06-05 新大陆数字技术股份有限公司 人脸质量评定方法、系统、电子设备及可读存储介质
CN111274946A (zh) * 2020-01-19 2020-06-12 杭州涂鸦信息技术有限公司 一种人脸识别方法和系统及设备
CN111368766A (zh) * 2020-03-09 2020-07-03 云南安华防灾减灾科技有限责任公司 一种基于深度学习的牛脸检测与识别方法
CN111414862A (zh) * 2020-03-22 2020-07-14 西安电子科技大学 基于神经网络融合关键点角度变化的表情识别方法
CN111429414A (zh) * 2020-03-18 2020-07-17 腾讯科技（深圳）有限公司 基于人工智能的病灶影像样本确定方法和相关装置
CN111507289A (zh) * 2020-04-22 2020-08-07 上海眼控科技股份有限公司 视频匹配方法、计算机设备和存储介质
CN111539247A (zh) * 2020-03-10 2020-08-14 西安电子科技大学 一种超光谱人脸识别方法、装置、电子设备及其存储介质
CN111582107A (zh) * 2020-04-28 2020-08-25 浙江大华技术股份有限公司 目标重识别模型的训练方法、识别方法、电子设备及装置
CN111626212A (zh) * 2020-05-27 2020-09-04 腾讯科技（深圳）有限公司 图片中对象的识别方法和装置、存储介质及电子装置
CN111639535A (zh) * 2020-04-29 2020-09-08 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
CN111738157A (zh) * 2020-06-23 2020-10-02 平安科技（深圳）有限公司 面部动作单元数据集的构建方法、装置和计算机设备
CN111988614A (zh) * 2020-08-14 2020-11-24 深圳前海微众银行股份有限公司 哈希编码优化方法、设备及可读存储介质
CN112052821A (zh) * 2020-09-15 2020-12-08 浙江智慧视频安防创新中心有限公司 消防通道安全检测方法、装置、设备及存储介质
CN112069993A (zh) * 2020-09-04 2020-12-11 西安西图之光智能科技有限公司 基于五官掩膜约束的密集人脸检测方法及系统和存储介质
CN112084956A (zh) * 2020-09-11 2020-12-15 上海交通大学烟台信息技术研究院 一种基于小样本学习原型网络的特殊面容人群筛查系统
CN112200154A (zh) * 2020-11-17 2021-01-08 苏州方正璞华信息技术有限公司 一种戴口罩人脸识别方法、装置、电子设备及存储介质
CN112232226A (zh) * 2020-10-19 2021-01-15 戴姆勒股份公司 通过判别式模型检测目标对象的方法和系统
CN112257738A (zh) * 2020-07-31 2021-01-22 北京京东尚科信息技术有限公司 机器学习模型的训练方法、装置和图像的分类方法、装置
CN112287765A (zh) * 2020-09-30 2021-01-29 新大陆数字技术股份有限公司 人脸活体检测方法、装置、设备及可读存储介质
CN112307968A (zh) * 2020-10-30 2021-02-02 天地伟业技术有限公司 一种人脸识别特征压缩方法
CN112328786A (zh) * 2020-11-03 2021-02-05 平安科技（深圳）有限公司 基于bert的文本分类方法、装置、计算机设备及存储介质
CN112329826A (zh) * 2020-10-24 2021-02-05 中国人民解放军空军军医大学 图像识别模型的训练方法、图像识别方法和装置
CN112347957A (zh) * 2020-11-12 2021-02-09 广联达科技股份有限公司 行人重识别方法、装置、计算机设备及存储介质
CN112560880A (zh) * 2019-09-25 2021-03-26 中国电信股份有限公司 目标分类方法、目标分类装置及计算机可读存储介质
CN112580011A (zh) * 2020-12-25 2021-03-30 华南理工大学 一种面向生物特征隐私保护的人像加解密系统
CN112733574A (zh) * 2019-10-14 2021-04-30 中移(苏州)软件技术有限公司 一种人脸识别的方法、装置及计算机可读存储介质
CN112766237A (zh) * 2021-03-12 2021-05-07 东北林业大学 一种基于簇特征点聚类的无监督行人重识别方法
CN112836566A (zh) * 2020-12-01 2021-05-25 北京智云视图科技有限公司 针对边缘设备的多任务神经网络人脸关键点检测方法
CN112836629A (zh) * 2021-02-01 2021-05-25 清华大学深圳国际研究生院 一种图像分类方法
CN112836719A (zh) * 2020-12-11 2021-05-25 南京富岛信息工程有限公司 一种融合二分类和三元组的示功图相似性检测方法
CN112861626A (zh) * 2021-01-04 2021-05-28 西北工业大学 基于小样本学习的细粒度表情分类方法
CN112949780A (zh) * 2020-04-21 2021-06-11 佳都科技集团股份有限公司 特征模型训练方法、装置、设备及存储介质
CN112966724A (zh) * 2021-02-07 2021-06-15 惠州市博实结科技有限公司 一种图像单类别分类的方法及装置
CN113157956A (zh) * 2021-04-23 2021-07-23 雅马哈发动机（厦门）信息系统有限公司 图片搜索方法、系统、移动终端及存储介质
CN113344031A (zh) * 2021-05-13 2021-09-03 清华大学 一种文本分类方法
CN113362096A (zh) * 2020-03-04 2021-09-07 驰众信息技术（上海）有限公司 一种基于深度学习的框架广告图像匹配方法
CN113392866A (zh) * 2020-11-19 2021-09-14 腾讯科技（深圳）有限公司 一种基于人工智能的图像处理方法、装置及存储介质
CN113435545A (zh) * 2021-08-14 2021-09-24 北京达佳互联信息技术有限公司 图像处理模型的训练方法及装置
CN113469253A (zh) * 2021-07-02 2021-10-01 河海大学 一种基于三元组孪生网络的窃电检测方法
CN113486804A (zh) * 2021-07-07 2021-10-08 科大讯飞股份有限公司 一种对象识别方法、装置、设备及存储介质
CN113569081A (zh) * 2021-01-26 2021-10-29 腾讯科技（北京）有限公司 图像识别方法、装置、设备及存储介质
CN113569991A (zh) * 2021-08-26 2021-10-29 深圳市捷顺科技实业股份有限公司 人证比对模型训练方法、计算机设备及计算机存储介质
CN113642481A (zh) * 2021-08-17 2021-11-12 百度在线网络技术（北京）有限公司 识别方法、训练方法、装置、电子设备以及存储介质
CN113705383A (zh) * 2021-08-12 2021-11-26 南京英诺森软件科技有限公司 一种基于三元约束的跨年龄人脸识别方法及系统
CN113762019A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 特征提取网络的训练方法、人脸识别方法和装置
CN113780461A (zh) * 2021-09-23 2021-12-10 中国人民解放军国防科技大学 基于特征匹配的鲁棒神经网络训练方法
CN113807122A (zh) * 2020-06-11 2021-12-17 阿里巴巴集团控股有限公司 模型训练方法、对象识别方法及装置、存储介质
CN113887653A (zh) * 2021-10-20 2022-01-04 西安交通大学 一种基于三元网络的紧耦合弱监督学习的定位方法及系统
CN113947790A (zh) * 2021-09-23 2022-01-18 秦桂珍 金融大数据人脸识别方法及金融管理系统
CN114049479A (zh) * 2021-11-10 2022-02-15 苏州魔视智能科技有限公司 自监督的鱼眼相机图像特征点提取方法、装置及存储介质
CN114078276A (zh) * 2021-11-23 2022-02-22 华东交通大学 一种条件对抗域泛化的人脸活体检测方法及网络模型架构
CN114241017A (zh) * 2021-11-16 2022-03-25 沈阳先进医疗设备技术孵化中心有限公司 图像配准方法、装置、存储介质及计算机设备
CN114299306A (zh) * 2021-10-22 2022-04-08 腾讯科技（深圳）有限公司 获取图像检索模型的方法、图像检索方法、装置和设备
CN114333015A (zh) * 2021-12-29 2022-04-12 以萨技术股份有限公司 脸部识别模型的训练方法、装置以及电子设备
CN114445871A (zh) * 2021-12-22 2022-05-06 天翼云科技有限公司 一种人脸识别智能视频监控方法及系统
CN114491476A (zh) * 2022-01-24 2022-05-13 支付宝(杭州)信息技术有限公司 具有可靠泛化性的图像相似度匹配方法和装置
CN114511897A (zh) * 2021-12-21 2022-05-17 特斯联科技集团有限公司 一种身份识别方法、系统、存储介质及服务器
GB2600922A (en) * 2020-11-05 2022-05-18 Thales Holdings Uk Plc One shot learning for identifying data items similar to a query data item
CN114581963A (zh) * 2022-02-25 2022-06-03 浙江工业大学 基于重构差异的oct指纹切面图像真伪检测方法
CN114663965A (zh) * 2022-05-24 2022-06-24 之江实验室 一种基于双阶段交替学习的人证比对方法和装置
CN114708488A (zh) * 2022-04-26 2022-07-05 桂林电子科技大学 基于类内类间相关性的YOLOv5神经网络改进方法
CN114764937A (zh) * 2021-01-13 2022-07-19 武汉Tcl集团工业研究院有限公司 一种人脸对齐方法及设备
CN114817888A (zh) * 2022-06-27 2022-07-29 中国信息通信研究院 证书登记和颁发方法、装置与存储介质
CN114863124A (zh) * 2022-05-25 2022-08-05 小荷医疗器械(海南)有限公司 模型训练方法、息肉检测方法、相应装置、介质及设备
CN114863425A (zh) * 2022-03-31 2022-08-05 哈尔滨工程大学 基于有监督对比学习的尿红细胞的分类方法
CN114882558A (zh) * 2022-04-29 2022-08-09 陕西师范大学 基于人脸识别技术的学习场景实时身份认证方法
CN114926445A (zh) * 2022-05-31 2022-08-19 哈尔滨工业大学 一种基于孪生网络的小样本农作物病害图像识别方法及系统
CN114937287A (zh) * 2022-05-31 2022-08-23 深圳市优必选科技股份有限公司 行人重识别方法、装置、计算机可读存储介质及终端设备
CN115063374A (zh) * 2022-06-24 2022-09-16 合肥的卢深视科技有限公司 模型训练、人脸图像质量评分方法、电子设备及存储介质
CN115187826A (zh) * 2021-04-02 2022-10-14 华为云计算技术有限公司 自监督训练方法及装置
CN115565120A (zh) * 2021-07-02 2023-01-03 瑞昱半导体股份有限公司 用于一类神经网络模型的训练方法及相关的装置
CN115661569A (zh) * 2022-10-17 2023-01-31 北京航空航天大学 一种高精度的细粒度sar目标检测方法
CN116113952A (zh) * 2020-08-25 2023-05-12 华为技术有限公司 用于图像的属于分布内度量的分布之间的距离
CN116129479A (zh) * 2021-11-11 2023-05-16 北京眼神智能科技有限公司 卷积神经网络训练和人脸检活方法、装置、介质及设备
CN116152933A (zh) * 2022-12-12 2023-05-23 支付宝(杭州)信息技术有限公司 一种异常检测模型的训练方法、装置、设备及存储介质
CN116206355A (zh) * 2023-04-25 2023-06-02 鹏城实验室 人脸识别模型训练、图像注册、人脸识别方法及装置
CN116910604A (zh) * 2023-06-07 2023-10-20 中国银行股份有限公司 用户分类方法、装置、计算机设备、存储介质和程序产品
CN116959064A (zh) * 2023-06-25 2023-10-27 上海腾桥信息技术有限公司 一种证件验证方法、装置、计算机设备和存储介质
CN116977461A (zh) * 2023-06-30 2023-10-31 北京开普云信息科技有限公司 特定场景的人像生成方法、装置、存储介质及设备
CN117935380A (zh) * 2024-01-29 2024-04-26 华南理工大学 一种针对化妆人脸的欺诈检测方法及系统
CN118038277A (zh) * 2024-03-27 2024-05-14 杭州电子科技大学 一种基于终身学习的机器人场景识别方法
CN118410192A (zh) * 2024-06-24 2024-07-30 广州思德医疗科技有限公司 内镜图像去重方法、装置、计算机设备、可读存储介质和程序产品
CN119138866A (zh) * 2024-11-19 2024-12-17 江西财经大学 基于人体生命体征特征提取的信号监测系统
CN119784972A (zh) * 2024-11-21 2025-04-08 北京邮电大学 一种基于在线难例挖掘的端到端散射体轮廓建模方法
CN119964131A (zh) * 2024-10-22 2025-05-09 湖北省烟草公司咸宁市公司 基于对比学习模型的烟包倒影识别方法、装置及电子设备
CN120013929A (zh) * 2025-04-17 2025-05-16 国科大杭州高等研究院 一种基于one-shot的晶圆缺陷检测方法
CN120223444A (zh) * 2025-05-28 2025-06-27 小元感知(葫芦岛)科技有限公司 基于多重视频识别的远程身份认证方法

Families Citing this family (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009528B (zh) * 2017-12-26 2020-04-07 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
CN108922542B (zh) * 2018-06-01 2023-04-28 平安科技（深圳）有限公司 样例三元组的获取方法、装置、计算机设备以及存储介质
CN108921033A (zh) * 2018-06-04 2018-11-30 北京京东金融科技控股有限公司 人脸图片比对方法、装置、介质及电子设备
CN110598840B (zh) * 2018-06-13 2023-04-18 富士通株式会社 知识迁移方法、信息处理设备以及存储介质
CN109145704B (zh) * 2018-06-14 2022-02-22 西安电子科技大学 一种基于人脸属性的人脸画像识别方法
CN108921952B (zh) * 2018-06-15 2022-09-06 深圳大学 物体功能性预测方法、装置、计算机设备和存储介质
CN108985198A (zh) * 2018-07-02 2018-12-11 四川斐讯信息技术有限公司 一种基于大数据特征向量的余弦距离计算方法
CN110738071A (zh) * 2018-07-18 2020-01-31 浙江中正智能科技有限公司 一种基于深度学习和迁移学习的人脸算法模型训练方法
CN109145956B (zh) * 2018-07-26 2021-12-14 上海慧子视听科技有限公司 评分方法、装置、计算机设备及存储介质
CN108960342B (zh) * 2018-08-01 2021-09-14 中国计量大学 基于改进Soft-Max损失函数的图像相似度计算方法
CN108960209B (zh) * 2018-08-09 2023-07-21 腾讯科技（深圳）有限公司 身份识别方法、装置及计算机可读存储介质
CN109165589B (zh) * 2018-08-14 2021-02-23 北京颂泽科技有限公司 基于深度学习的车辆重识别方法和装置
CN109271877A (zh) * 2018-08-24 2019-01-25 北京智芯原动科技有限公司 一种人形识别方法及装置
CN109145991B (zh) * 2018-08-24 2020-07-31 北京地平线机器人技术研发有限公司 图像组生成方法、图像组生成装置和电子设备
CN110874602A (zh) * 2018-08-30 2020-03-10 北京嘀嘀无限科技发展有限公司 一种图像识别方法及装置
CN109344740A (zh) * 2018-09-12 2019-02-15 上海了物网络科技有限公司 人脸识别系统、方法及计算机可读存储介质
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN109214361A (zh) * 2018-10-18 2019-01-15 康明飞（北京）科技有限公司 一种人脸识别方法和装置及车票验证方法和装置
CN109543524A (zh) * 2018-10-18 2019-03-29 同盾控股有限公司 一种图像识别方法、装置
CN109492583A (zh) * 2018-11-09 2019-03-19 安徽大学 一种基于深度学习的车辆重识别方法
CN109685106A (zh) * 2018-11-19 2019-04-26 深圳博为教育科技有限公司 一种图像识别方法、人脸考勤方法、装置以及系统
CN109522850B (zh) * 2018-11-22 2023-03-10 中山大学 一种基于小样本学习的动作相似度评估方法
CN109685121B (zh) * 2018-12-11 2023-07-18 中国科学院苏州纳米技术与纳米仿生研究所 图像检索模型的训练方法、图像检索方法、计算机设备
CN111325223B (zh) * 2018-12-13 2023-10-24 中国电信股份有限公司 深度学习模型的训练方法、装置和计算机可读存储介质
CN109711443A (zh) * 2018-12-14 2019-05-03 平安城市建设科技(深圳)有限公司 基于神经网络的户型图识别方法、装置、设备及存储介质
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
CN109657792A (zh) * 2018-12-19 2019-04-19 北京世纪好未来教育科技有限公司 构建神经网络的方法、装置和计算机可读介质
CN109711358B (zh) * 2018-12-28 2020-09-04 北京远鉴信息技术有限公司 神经网络训练方法、人脸识别方法及系统和存储介质
CN109871762B (zh) * 2019-01-16 2023-08-08 平安科技（深圳）有限公司 一种人脸识别模型的评价方法和装置
CN111461152B (zh) * 2019-01-21 2024-04-05 同方威视技术股份有限公司 货物检测方法及装置、电子设备和计算机可读介质
CN109886186A (zh) * 2019-02-18 2019-06-14 上海骏聿数码科技有限公司 一种人脸识别方法及装置
US10885385B2 (en) * 2019-03-19 2021-01-05 Sap Se Image search and training system
CN109948568A (zh) * 2019-03-26 2019-06-28 东华大学 基于arm微处理器和深度学习的嵌入式人脸识别系统
CN110147732A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 指静脉识别方法、装置、计算机设备及存储介质
CN111832364B (zh) * 2019-04-22 2024-04-23 普天信息技术有限公司 一种人脸识别方法及装置
CN110147833B (zh) * 2019-05-09 2021-10-12 北京迈格威科技有限公司 人像处理方法、装置、系统和可读存储介质
CN110213660B (zh) * 2019-05-27 2021-08-20 广州荔支网络技术有限公司 节目的分发方法、系统、计算机设备和存储介质
DE102019209462A1 (de) * 2019-06-27 2020-12-31 Robert Bosch Gmbh Verfahren zur Bestimmung eines Vertrauens-Wertes eines detektierten Objektes
CN110674688B (zh) * 2019-08-19 2023-10-31 深圳力维智联技术有限公司 用于视频监控场景的人脸识别模型获取方法、系统和介质
CN112580406A (zh) * 2019-09-30 2021-03-30 北京中关村科金技术有限公司 人脸比对的方法、装置以及存储介质
CN111104846B (zh) * 2019-10-16 2022-08-30 平安科技（深圳）有限公司 数据检测方法、装置、计算机设备和存储介质
CN110765933A (zh) * 2019-10-22 2020-02-07 山西省信息产业技术研究院有限公司 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
CN110929099B (zh) * 2019-11-28 2023-07-21 杭州小影创新科技股份有限公司 一种基于多任务学习的短视频帧语义提取方法及系统
CN111062338B (zh) * 2019-12-19 2023-11-17 厦门商集网络科技有限责任公司 一种证照人像一致性比对方法及其系统
CN111178249A (zh) * 2019-12-27 2020-05-19 杭州艾芯智能科技有限公司 人脸比对的方法、装置、计算机设备及存储介质
CN111368644B (zh) * 2020-02-14 2024-01-05 深圳市商汤科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111401257B (zh) * 2020-03-17 2022-10-04 天津理工大学 一种基于余弦损失在非约束条件下的人脸识别方法
CN111401277B (zh) * 2020-03-20 2024-10-25 深圳前海微众银行股份有限公司 人脸识别模型更新方法、装置、设备和介质
CN113538075A (zh) * 2020-04-14 2021-10-22 阿里巴巴集团控股有限公司 数据的处理方法、模型的训练方法、装置和设备
CN111709313B (zh) * 2020-05-27 2022-07-29 杭州电子科技大学 基于局部和通道组合特征的行人重识别方法
US11586857B2 (en) * 2020-06-16 2023-02-21 Fujifilm Business Innovation Corp. Building entry management system
CN114065901B (zh) * 2020-07-31 2026-03-13 华为技术有限公司 训练神经网络模型的方法和装置
CN112116021B (zh) * 2020-09-27 2024-12-10 广州华多网络科技有限公司 一种宝石相似性度量数据处理方法及相关设备
CN112492383A (zh) * 2020-12-03 2021-03-12 珠海格力电器股份有限公司 视频帧的生成方法及装置、存储介质、电子设备
CN114723933B (zh) * 2020-12-18 2025-09-16 重庆中星微人工智能芯片技术有限公司 区域信息生成方法、装置、电子设备和计算机可读介质
CN113065495B (zh) * 2021-04-13 2023-07-14 深圳技术大学 图像相似度的计算方法、目标对象重识别方法及系统
CN113283359A (zh) * 2021-06-02 2021-08-20 万达信息股份有限公司 一种手持证件照的认证方法、系统和电子设备
CN113344875B (zh) * 2021-06-07 2024-07-05 武汉象点科技有限公司 一种基于自监督学习的异常图像检测方法
CN113269155B (zh) * 2021-06-28 2024-07-16 苏州市科远软件技术开发有限公司 端到端的人脸识别方法、装置、设备及存储介质
CN113642468B (zh) * 2021-08-16 2024-11-26 中国银行股份有限公司 身份认证方法及装置
CN113688793A (zh) * 2021-09-22 2021-11-23 万章敏 人脸模型的训练方法及人脸识别系统
CN116188256A (zh) * 2021-11-25 2023-05-30 北京字跳网络技术有限公司 超分图像处理方法、装置、设备及介质
TWI819417B (zh) * 2021-11-26 2023-10-21 元氣智能股份有限公司 以並行卷積神經網路進行模式選擇的人臉識別的系統和方法
CN114387457A (zh) * 2021-12-27 2022-04-22 腾晖科技建筑智能(深圳)有限公司 一种基于调参的人脸类内类间距优化方法
CN114283483A (zh) * 2021-12-31 2022-04-05 中国联合网络通信集团有限公司 人脸识别方法及设备
CN114743279A (zh) * 2022-05-13 2022-07-12 以萨技术股份有限公司 活体检测函数生成方法、装置、存储介质及设备
CN114898454B (zh) * 2022-05-31 2026-01-06 中国第一汽车股份有限公司 一种神经网络模型的训练方法、装置、电子设备及介质
CN114882573B (zh) * 2022-06-06 2025-04-08 浙江工业大学 一种基于个性化联邦学习的面部识别方法和装置
CN115422517A (zh) * 2022-09-14 2022-12-02 平安银行股份有限公司 基于信用卡的身份认证方法、装置、介质及设备
DE102022132343A1 (de) * 2022-12-06 2024-06-06 Bundesdruckerei Gmbh Authentifizierungsvorrichtung und Verfahren zum Authentifizieren einer Person anhand eines der Person zugeordneten Identifikationsdokumentes sowie Identitätsdokument und Verfahren zum Herstellen
CN116127298B (zh) * 2023-02-22 2024-03-19 北京邮电大学 基于三元组损失的小样本射频指纹识别方法
CN117114972B (zh) * 2023-08-04 2026-01-23 东莞理工学院 一种证件照的生成方法、装置、终端设备和存储介质
CN118337532B (zh) * 2024-06-13 2024-08-23 浙江鹏信信息科技股份有限公司 基于零信任的流量安全审计防护方法及系统、可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129216B1 (en) * 2013-07-15 2015-09-08 Xdroid Kft. System, method and apparatus for computer aided association of relevant images with text
CN106599827A (zh) * 2016-12-09 2017-04-26 浙江工商大学 一种基于深度卷积神经网络的小目标快速检测方法
CN107194341A (zh) * 2017-05-16 2017-09-22 西安电子科技大学 Maxout多卷积神经网络融合人脸识别方法和系统
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置
CN108009528A (zh) * 2017-12-26 2018-05-08 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129216B1 (en) * 2013-07-15 2015-09-08 Xdroid Kft. System, method and apparatus for computer aided association of relevant images with text
CN106599827A (zh) * 2016-12-09 2017-04-26 浙江工商大学 一种基于深度卷积神经网络的小目标快速检测方法
CN107194341A (zh) * 2017-05-16 2017-09-22 西安电子科技大学 Maxout多卷积神经网络融合人脸识别方法和系统
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置
CN108009528A (zh) * 2017-12-26 2018-05-08 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BRANDON, AMOS: "OpenFace:A general-purpose face recognition library with mobile applications", CMU SCHOOL OF COMPUTER SCIENCE , TECH. REP., 30 June 2016 (2016-06-30), XP055378815 *

Cited By (159)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516533A (zh) * 2019-07-11 2019-11-29 同济大学 一种基于深度度量的行人再辨识方法
CN110414431A (zh) * 2019-07-29 2019-11-05 广州像素数据技术股份有限公司 基于弹性上下文关系损失函数的人脸识别方法及系统
CN110414431B (zh) * 2019-07-29 2022-12-27 广州像素数据技术股份有限公司 基于弹性上下文关系损失函数的人脸识别方法及系统
CN110647880A (zh) * 2019-08-12 2020-01-03 深圳市华付信息技术有限公司 一种移动端身份证图像遮挡判断方法
CN110458233A (zh) * 2019-08-13 2019-11-15 腾讯云计算（北京）有限责任公司 混合粒度物体识别模型训练及识别方法、装置及存储介质
CN110458233B (zh) * 2019-08-13 2024-02-13 腾讯云计算（北京）有限责任公司 混合粒度物体识别模型训练及识别方法、装置及存储介质
CN110705357A (zh) * 2019-09-02 2020-01-17 深圳中兴网信科技有限公司 人脸识别方法和人脸识别装置
CN110555478A (zh) * 2019-09-05 2019-12-10 东北大学 基于难样本挖掘的深度度量网络的风机多故障诊断方法
CN110555478B (zh) * 2019-09-05 2023-02-03 东北大学 基于难样本挖掘的深度度量网络的风机多故障诊断方法
CN110674637A (zh) * 2019-09-06 2020-01-10 腾讯科技（深圳）有限公司 一种人物关系识别模型训练方法、装置、设备及介质
CN111008550A (zh) * 2019-09-06 2020-04-14 上海芯灵科技有限公司 基于Multiple loss损失函数的指静脉验证身份的识别方法
CN110705393A (zh) * 2019-09-17 2020-01-17 中国计量大学 一种提升社区人口人脸识别性能的方法
CN110705393B (zh) * 2019-09-17 2023-02-03 中国计量大学 一种提升社区人口人脸识别性能的方法
CN110647938B (zh) * 2019-09-24 2022-07-15 北京市商汤科技开发有限公司 图像处理方法及相关装置
CN110647938A (zh) * 2019-09-24 2020-01-03 北京市商汤科技开发有限公司 图像处理方法及相关装置
CN112560880A (zh) * 2019-09-25 2021-03-26 中国电信股份有限公司 目标分类方法、目标分类装置及计算机可读存储介质
CN112733574A (zh) * 2019-10-14 2021-04-30 中移(苏州)软件技术有限公司 一种人脸识别的方法、装置及计算机可读存储介质
CN112733574B (zh) * 2019-10-14 2023-04-07 中移(苏州)软件技术有限公司 一种人脸识别的方法、装置及计算机可读存储介质
CN110796057A (zh) * 2019-10-22 2020-02-14 上海交通大学 行人重识别方法、装置及计算机设备
CN110852367B (zh) * 2019-11-05 2023-10-31 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN110852367A (zh) * 2019-11-05 2020-02-28 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN110956098A (zh) * 2019-11-13 2020-04-03 深圳和而泰家居在线网络科技有限公司 图像处理方法及相关设备
CN111126360B (zh) * 2019-11-15 2023-03-24 西安电子科技大学 基于无监督联合多损失模型的跨域行人重识别方法
CN111126360A (zh) * 2019-11-15 2020-05-08 西安电子科技大学 基于无监督联合多损失模型的跨域行人重识别方法
CN111222411A (zh) * 2019-11-28 2020-06-02 中国船舶重工集团公司第七一三研究所 一种激光发射安全快速报警方法和装置
CN111222411B (zh) * 2019-11-28 2023-09-01 中国船舶重工集团公司第七一三研究所 一种激光发射安全快速报警方法和装置
CN111079566B (zh) * 2019-11-28 2023-05-02 深圳市信义科技有限公司 一种大规模人脸识别模型优化系统
CN111079566A (zh) * 2019-11-28 2020-04-28 深圳市信义科技有限公司 一种大规模人脸识别模型优化系统
CN111091089B (zh) * 2019-12-12 2022-07-29 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111091089A (zh) * 2019-12-12 2020-05-01 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111144240A (zh) * 2019-12-12 2020-05-12 深圳数联天下智能科技有限公司 图像处理方法及相关设备
CN111062430B (zh) * 2019-12-12 2023-05-09 易诚高科（大连）科技有限公司 一种基于概率密度函数的行人重识别评价方法
CN111062430A (zh) * 2019-12-12 2020-04-24 易诚高科（大连）科技有限公司 一种基于概率密度函数的行人重识别评价方法
CN111126240B (zh) * 2019-12-19 2023-04-07 西安工程大学 一种三通道特征融合人脸识别方法
CN111126240A (zh) * 2019-12-19 2020-05-08 西安工程大学 一种三通道特征融合人脸识别方法
CN111191563A (zh) * 2019-12-26 2020-05-22 三盟科技股份有限公司 基于数据样本与测试数据集训练的人脸识别方法及系统
CN111241925A (zh) * 2019-12-30 2020-06-05 新大陆数字技术股份有限公司 人脸质量评定方法、系统、电子设备及可读存储介质
CN111241925B (zh) * 2019-12-30 2023-08-18 新大陆数字技术股份有限公司 人脸质量评定方法、系统、电子设备及可读存储介质
CN111209839A (zh) * 2019-12-31 2020-05-29 上海涛润医疗科技有限公司 人脸识别方法
CN111209839B (zh) * 2019-12-31 2023-05-23 上海涛润医疗科技有限公司 人脸识别方法
CN111198964A (zh) * 2020-01-10 2020-05-26 中国科学院自动化研究所 图像检索方法及系统
CN111198964B (zh) * 2020-01-10 2023-04-25 中国科学院自动化研究所 图像检索方法及系统
CN111274946A (zh) * 2020-01-19 2020-06-12 杭州涂鸦信息技术有限公司 一种人脸识别方法和系统及设备
CN111274946B (zh) * 2020-01-19 2023-05-05 杭州涂鸦信息技术有限公司 一种人脸识别方法和系统及设备
CN113362096A (zh) * 2020-03-04 2021-09-07 驰众信息技术（上海）有限公司 一种基于深度学习的框架广告图像匹配方法
CN111368766B (zh) * 2020-03-09 2023-08-18 云南安华防灾减灾科技有限责任公司 一种基于深度学习的牛脸检测与识别方法
CN111368766A (zh) * 2020-03-09 2020-07-03 云南安华防灾减灾科技有限责任公司 一种基于深度学习的牛脸检测与识别方法
CN111539247A (zh) * 2020-03-10 2020-08-14 西安电子科技大学 一种超光谱人脸识别方法、装置、电子设备及其存储介质
CN111539247B (zh) * 2020-03-10 2023-02-10 西安电子科技大学 一种超光谱人脸识别方法、装置、电子设备及其存储介质
CN111429414A (zh) * 2020-03-18 2020-07-17 腾讯科技（深圳）有限公司 基于人工智能的病灶影像样本确定方法和相关装置
CN111429414B (zh) * 2020-03-18 2023-04-07 腾讯科技（深圳）有限公司 基于人工智能的病灶影像样本确定方法和相关装置
CN111414862A (zh) * 2020-03-22 2020-07-14 西安电子科技大学 基于神经网络融合关键点角度变化的表情识别方法
CN111414862B (zh) * 2020-03-22 2023-03-24 西安电子科技大学 基于神经网络融合关键点角度变化的表情识别方法
CN112949780B (zh) * 2020-04-21 2022-09-20 佳都科技集团股份有限公司 特征模型训练方法、装置、设备及存储介质
CN112949780A (zh) * 2020-04-21 2021-06-11 佳都科技集团股份有限公司 特征模型训练方法、装置、设备及存储介质
CN111507289A (zh) * 2020-04-22 2020-08-07 上海眼控科技股份有限公司 视频匹配方法、计算机设备和存储介质
CN111582107B (zh) * 2020-04-28 2023-09-29 浙江大华技术股份有限公司 目标重识别模型的训练方法、识别方法、电子设备及装置
CN111582107A (zh) * 2020-04-28 2020-08-25 浙江大华技术股份有限公司 目标重识别模型的训练方法、识别方法、电子设备及装置
CN111639535B (zh) * 2020-04-29 2023-08-22 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
CN111639535A (zh) * 2020-04-29 2020-09-08 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
CN111626212A (zh) * 2020-05-27 2020-09-04 腾讯科技（深圳）有限公司 图片中对象的识别方法和装置、存储介质及电子装置
CN111626212B (zh) * 2020-05-27 2023-09-26 腾讯科技（深圳）有限公司 图片中对象的识别方法和装置、存储介质及电子装置
CN113807122A (zh) * 2020-06-11 2021-12-17 阿里巴巴集团控股有限公司 模型训练方法、对象识别方法及装置、存储介质
CN111738157A (zh) * 2020-06-23 2020-10-02 平安科技（深圳）有限公司 面部动作单元数据集的构建方法、装置和计算机设备
CN111738157B (zh) * 2020-06-23 2023-07-21 平安科技（深圳）有限公司 面部动作单元数据集的构建方法、装置和计算机设备
CN112257738A (zh) * 2020-07-31 2021-01-22 北京京东尚科信息技术有限公司 机器学习模型的训练方法、装置和图像的分类方法、装置
CN111988614B (zh) * 2020-08-14 2022-09-13 深圳前海微众银行股份有限公司 哈希编码优化方法、设备及可读存储介质
CN111988614A (zh) * 2020-08-14 2020-11-24 深圳前海微众银行股份有限公司 哈希编码优化方法、设备及可读存储介质
CN116113952A (zh) * 2020-08-25 2023-05-12 华为技术有限公司 用于图像的属于分布内度量的分布之间的距离
CN112069993A (zh) * 2020-09-04 2020-12-11 西安西图之光智能科技有限公司 基于五官掩膜约束的密集人脸检测方法及系统和存储介质
CN112069993B (zh) * 2020-09-04 2024-02-13 西安西图之光智能科技有限公司 基于五官掩膜约束的密集人脸检测方法及系统和存储介质
CN112084956A (zh) * 2020-09-11 2020-12-15 上海交通大学烟台信息技术研究院 一种基于小样本学习原型网络的特殊面容人群筛查系统
CN112052821B (zh) * 2020-09-15 2023-07-07 浙江智慧视频安防创新中心有限公司 消防通道安全检测方法、装置、设备及存储介质
CN112052821A (zh) * 2020-09-15 2020-12-08 浙江智慧视频安防创新中心有限公司 消防通道安全检测方法、装置、设备及存储介质
CN112287765B (zh) * 2020-09-30 2024-06-04 新大陆数字技术股份有限公司 人脸活体检测方法、装置、设备及可读存储介质
CN112287765A (zh) * 2020-09-30 2021-01-29 新大陆数字技术股份有限公司 人脸活体检测方法、装置、设备及可读存储介质
CN112232226A (zh) * 2020-10-19 2021-01-15 戴姆勒股份公司 通过判别式模型检测目标对象的方法和系统
CN112329826A (zh) * 2020-10-24 2021-02-05 中国人民解放军空军军医大学 图像识别模型的训练方法、图像识别方法和装置
CN112307968A (zh) * 2020-10-30 2021-02-02 天地伟业技术有限公司 一种人脸识别特征压缩方法
CN112328786A (zh) * 2020-11-03 2021-02-05 平安科技（深圳）有限公司 基于bert的文本分类方法、装置、计算机设备及存储介质
GB2600922B (en) * 2020-11-05 2024-04-10 Thales Holdings Uk Plc One shot learning for identifying data items similar to a query data item
GB2600922A (en) * 2020-11-05 2022-05-18 Thales Holdings Uk Plc One shot learning for identifying data items similar to a query data item
CN112347957A (zh) * 2020-11-12 2021-02-09 广联达科技股份有限公司 行人重识别方法、装置、计算机设备及存储介质
CN112200154A (zh) * 2020-11-17 2021-01-08 苏州方正璞华信息技术有限公司 一种戴口罩人脸识别方法、装置、电子设备及存储介质
CN113392866A (zh) * 2020-11-19 2021-09-14 腾讯科技（深圳）有限公司 一种基于人工智能的图像处理方法、装置及存储介质
CN112836566A (zh) * 2020-12-01 2021-05-25 北京智云视图科技有限公司 针对边缘设备的多任务神经网络人脸关键点检测方法
CN112836719B (zh) * 2020-12-11 2024-01-05 南京富岛信息工程有限公司 一种融合二分类和三元组的示功图相似性检测方法
CN112836719A (zh) * 2020-12-11 2021-05-25 南京富岛信息工程有限公司 一种融合二分类和三元组的示功图相似性检测方法
CN112580011A (zh) * 2020-12-25 2021-03-30 华南理工大学 一种面向生物特征隐私保护的人像加解密系统
CN112580011B (zh) * 2020-12-25 2022-05-24 华南理工大学 一种面向生物特征隐私保护的人像加解密系统
CN112861626B (zh) * 2021-01-04 2024-03-08 西北工业大学 基于小样本学习的细粒度表情分类方法
CN112861626A (zh) * 2021-01-04 2021-05-28 西北工业大学 基于小样本学习的细粒度表情分类方法
CN114764937A (zh) * 2021-01-13 2022-07-19 武汉Tcl集团工业研究院有限公司 一种人脸对齐方法及设备
CN113762019B (zh) * 2021-01-22 2024-04-09 北京沃东天骏信息技术有限公司 特征提取网络的训练方法、人脸识别方法和装置
CN113762019A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 特征提取网络的训练方法、人脸识别方法和装置
CN113569081A (zh) * 2021-01-26 2021-10-29 腾讯科技（北京）有限公司 图像识别方法、装置、设备及存储介质
CN112836629A (zh) * 2021-02-01 2021-05-25 清华大学深圳国际研究生院 一种图像分类方法
CN112836629B (zh) * 2021-02-01 2024-03-08 清华大学深圳国际研究生院 一种图像分类方法
CN112966724B (zh) * 2021-02-07 2024-04-09 惠州市博实结科技有限公司 一种图像单类别分类的方法及装置
CN112966724A (zh) * 2021-02-07 2021-06-15 惠州市博实结科技有限公司 一种图像单类别分类的方法及装置
CN112766237A (zh) * 2021-03-12 2021-05-07 东北林业大学 一种基于簇特征点聚类的无监督行人重识别方法
CN115187826A (zh) * 2021-04-02 2022-10-14 华为云计算技术有限公司 自监督训练方法及装置
CN113157956A (zh) * 2021-04-23 2021-07-23 雅马哈发动机（厦门）信息系统有限公司 图片搜索方法、系统、移动终端及存储介质
CN113344031B (zh) * 2021-05-13 2022-12-27 清华大学 一种文本分类方法
CN113344031A (zh) * 2021-05-13 2021-09-03 清华大学 一种文本分类方法
CN113469253A (zh) * 2021-07-02 2021-10-01 河海大学 一种基于三元组孪生网络的窃电检测方法
CN113469253B (zh) * 2021-07-02 2024-05-14 河海大学 一种基于三元组孪生网络的窃电检测方法
CN115565120A (zh) * 2021-07-02 2023-01-03 瑞昱半导体股份有限公司 用于一类神经网络模型的训练方法及相关的装置
CN113486804A (zh) * 2021-07-07 2021-10-08 科大讯飞股份有限公司 一种对象识别方法、装置、设备及存储介质
CN113486804B (zh) * 2021-07-07 2024-02-20 科大讯飞股份有限公司 一种对象识别方法、装置、设备及存储介质
CN113705383A (zh) * 2021-08-12 2021-11-26 南京英诺森软件科技有限公司 一种基于三元约束的跨年龄人脸识别方法及系统
CN113435545A (zh) * 2021-08-14 2021-09-24 北京达佳互联信息技术有限公司 图像处理模型的训练方法及装置
CN113642481A (zh) * 2021-08-17 2021-11-12 百度在线网络技术（北京）有限公司 识别方法、训练方法、装置、电子设备以及存储介质
CN113569991B (zh) * 2021-08-26 2024-05-28 深圳市捷顺科技实业股份有限公司 人证比对模型训练方法、计算机设备及计算机存储介质
CN113569991A (zh) * 2021-08-26 2021-10-29 深圳市捷顺科技实业股份有限公司 人证比对模型训练方法、计算机设备及计算机存储介质
CN113780461A (zh) * 2021-09-23 2021-12-10 中国人民解放军国防科技大学 基于特征匹配的鲁棒神经网络训练方法
CN113947790A (zh) * 2021-09-23 2022-01-18 秦桂珍 金融大数据人脸识别方法及金融管理系统
CN113887653B (zh) * 2021-10-20 2024-02-06 西安交通大学 一种基于三元网络的紧耦合弱监督学习的定位方法及系统
CN113887653A (zh) * 2021-10-20 2022-01-04 西安交通大学 一种基于三元网络的紧耦合弱监督学习的定位方法及系统
CN114299306A (zh) * 2021-10-22 2022-04-08 腾讯科技（深圳）有限公司 获取图像检索模型的方法、图像检索方法、装置和设备
CN114049479A (zh) * 2021-11-10 2022-02-15 苏州魔视智能科技有限公司 自监督的鱼眼相机图像特征点提取方法、装置及存储介质
CN116129479A (zh) * 2021-11-11 2023-05-16 北京眼神智能科技有限公司 卷积神经网络训练和人脸检活方法、装置、介质及设备
CN114241017A (zh) * 2021-11-16 2022-03-25 沈阳先进医疗设备技术孵化中心有限公司 图像配准方法、装置、存储介质及计算机设备
CN114078276A (zh) * 2021-11-23 2022-02-22 华东交通大学 一种条件对抗域泛化的人脸活体检测方法及网络模型架构
CN114511897A (zh) * 2021-12-21 2022-05-17 特斯联科技集团有限公司 一种身份识别方法、系统、存储介质及服务器
CN114445871A (zh) * 2021-12-22 2022-05-06 天翼云科技有限公司 一种人脸识别智能视频监控方法及系统
CN114333015A (zh) * 2021-12-29 2022-04-12 以萨技术股份有限公司 脸部识别模型的训练方法、装置以及电子设备
CN114491476A (zh) * 2022-01-24 2022-05-13 支付宝(杭州)信息技术有限公司 具有可靠泛化性的图像相似度匹配方法和装置
CN114581963A (zh) * 2022-02-25 2022-06-03 浙江工业大学 基于重构差异的oct指纹切面图像真伪检测方法
CN114863425A (zh) * 2022-03-31 2022-08-05 哈尔滨工程大学 基于有监督对比学习的尿红细胞的分类方法
CN114708488A (zh) * 2022-04-26 2022-07-05 桂林电子科技大学 基于类内类间相关性的YOLOv5神经网络改进方法
CN114882558A (zh) * 2022-04-29 2022-08-09 陕西师范大学 基于人脸识别技术的学习场景实时身份认证方法
CN114882558B (zh) * 2022-04-29 2024-02-23 陕西师范大学 基于人脸识别技术的学习场景实时身份认证方法
CN114663965B (zh) * 2022-05-24 2022-10-21 之江实验室 一种基于双阶段交替学习的人证比对方法和装置
CN114663965A (zh) * 2022-05-24 2022-06-24 之江实验室 一种基于双阶段交替学习的人证比对方法和装置
CN114863124A (zh) * 2022-05-25 2022-08-05 小荷医疗器械(海南)有限公司 模型训练方法、息肉检测方法、相应装置、介质及设备
CN114937287A (zh) * 2022-05-31 2022-08-23 深圳市优必选科技股份有限公司 行人重识别方法、装置、计算机可读存储介质及终端设备
CN114926445A (zh) * 2022-05-31 2022-08-19 哈尔滨工业大学 一种基于孪生网络的小样本农作物病害图像识别方法及系统
CN114926445B (zh) * 2022-05-31 2024-03-26 哈尔滨工业大学 一种基于孪生网络的小样本农作物病害图像识别方法及系统
CN115063374A (zh) * 2022-06-24 2022-09-16 合肥的卢深视科技有限公司 模型训练、人脸图像质量评分方法、电子设备及存储介质
CN114817888A (zh) * 2022-06-27 2022-07-29 中国信息通信研究院 证书登记和颁发方法、装置与存储介质
CN115661569A (zh) * 2022-10-17 2023-01-31 北京航空航天大学 一种高精度的细粒度sar目标检测方法
CN116152933A (zh) * 2022-12-12 2023-05-23 支付宝(杭州)信息技术有限公司 一种异常检测模型的训练方法、装置、设备及存储介质
CN116206355A (zh) * 2023-04-25 2023-06-02 鹏城实验室 人脸识别模型训练、图像注册、人脸识别方法及装置
CN116910604A (zh) * 2023-06-07 2023-10-20 中国银行股份有限公司 用户分类方法、装置、计算机设备、存储介质和程序产品
CN116959064A (zh) * 2023-06-25 2023-10-27 上海腾桥信息技术有限公司 一种证件验证方法、装置、计算机设备和存储介质
CN116959064B (zh) * 2023-06-25 2024-04-26 上海腾桥信息技术有限公司 一种证件验证方法、装置、计算机设备和存储介质
CN116977461A (zh) * 2023-06-30 2023-10-31 北京开普云信息科技有限公司 特定场景的人像生成方法、装置、存储介质及设备
CN116977461B (zh) * 2023-06-30 2024-03-08 北京开普云信息科技有限公司 特定场景的人像生成方法、装置、存储介质及设备
CN117935380A (zh) * 2024-01-29 2024-04-26 华南理工大学 一种针对化妆人脸的欺诈检测方法及系统
CN118038277A (zh) * 2024-03-27 2024-05-14 杭州电子科技大学 一种基于终身学习的机器人场景识别方法
CN118410192A (zh) * 2024-06-24 2024-07-30 广州思德医疗科技有限公司 内镜图像去重方法、装置、计算机设备、可读存储介质和程序产品
CN119964131A (zh) * 2024-10-22 2025-05-09 湖北省烟草公司咸宁市公司 基于对比学习模型的烟包倒影识别方法、装置及电子设备
CN119138866A (zh) * 2024-11-19 2024-12-17 江西财经大学 基于人体生命体征特征提取的信号监测系统
CN119138866B (zh) * 2024-11-19 2025-02-11 江西财经大学 基于人体生命体征特征提取的信号监测系统
CN119784972A (zh) * 2024-11-21 2025-04-08 北京邮电大学 一种基于在线难例挖掘的端到端散射体轮廓建模方法
CN120013929A (zh) * 2025-04-17 2025-05-16 国科大杭州高等研究院 一种基于one-shot的晶圆缺陷检测方法
CN120013929B (zh) * 2025-04-17 2025-06-24 国科大杭州高等研究院 一种基于one-shot的晶圆缺陷检测方法
CN120223444A (zh) * 2025-05-28 2025-06-27 小元感知(葫芦岛)科技有限公司 基于多重视频识别的远程身份认证方法

Also Published As

Publication number Publication date
CN108009528B (zh) 2020-04-07
CN108009528A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
WO2019128367A1 (zh) 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
US10755084B2 (en) Face authentication to mitigate spoofing
WO2019024636A1 (zh) 身份认证的方法、系统和装置
CN106780906B (zh) 一种基于深度卷积神经网络的人证合一识别方法及系统
US9189686B2 (en) Apparatus and method for iris image analysis
WO2019120115A1 (zh) 人脸识别的方法、装置及计算机装置
CN106778525A (zh) 身份认证方法和装置
CN106485186B (zh) 图像特征提取方法、装置、终端设备及系统
CN105740779B (zh) 人脸活体检测的方法和装置
CN113033519B (zh) 活体检测方法、估算网络处理方法、装置和计算机设备
CN110414350A (zh) 基于注意力模型的双路卷积神经网络的人脸防伪检测方法
WO2020088029A1 (zh) 活体检验方法、存储介质和电子设备
CN106778468A (zh) 3d人脸识别方法及设备
WO2018072028A1 (en) Face authentication to mitigate spoofing
CN106778489A (zh) 人脸3d特征身份信息库的建立方法及设备
CN112041847A (zh) 提供具有隐私标签的图像
CN114863499A (zh) 一种基于联邦学习的指静脉与掌静脉识别方法
WO2025194766A1 (zh) 基于掌静脉的身份识别方法、装置、存储介质及电子设备
TW202520206A (zh) 一種基於電腦圖形學的證照原件識別方法
Qin et al. Finger-vein image quality evaluation based on the representation of grayscale and binary image
CN106156739A (zh) 一种基于脸部轮廓分析的证件照耳朵检测与提取方法
Peter et al. Improving ATM security via face recognition
TWI632509B (zh) 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質
Yuan et al. SALM: Smartphone-based identity authentication using lip motion characteristics
Yang et al. Privileged information-based conditional structured output regression forest for facial point detection

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18897492

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18897492

Country of ref document: EP

Kind code of ref document: A1