CN107391996B - 一种基于l1范数神经网络的身份验证方法及装置 - Google Patents
一种基于l1范数神经网络的身份验证方法及装置 Download PDFInfo
- Publication number
- CN107391996B CN107391996B CN201710651409.3A CN201710651409A CN107391996B CN 107391996 B CN107391996 B CN 107391996B CN 201710651409 A CN201710651409 A CN 201710651409A CN 107391996 B CN107391996 B CN 107391996B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- verified
- matched
- norm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012795 verification Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 abstract description 28
- 238000013135 deep learning Methods 0.000 abstract description 6
- 239000011148 porous material Substances 0.000 description 20
- 238000010606 normalization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于L1范数神经网络的身份验证方法及装置,利用L1范数的代价函数与测试样本的特征描述子得到目标网络和目标全连接层后,将待验证图像与测试图像利用目标网络和目标全连接层进行匹配,最终得到两个图像的相似度,根据待验证图像与预存图像的相似度判断当前用户是否合法。由于基于LI范数的代价函数得到的目标网络中的参数是确定的,每次验证时不会根据测试图像的不同再重新定义参数,因此在下次匹配时,匹配速度快,耗时很少,同时,基于L1范数的代价函数确定的目标网络为深度学习的目标网络,因此有很强大的学习能力,能够充分地学习到测试图像特征信息,因此准确度很高。
Description
技术领域
本发明涉及人脸识别技术,更具体地说,涉及一种基于L1范数神经网络的身份验证方法方法及装置。
背景技术
随着科学技术的发展,身份验证技术也得到了快速的发展。在手机解锁、门禁、移动支付等过程都需要进行身份验证,以确定用户身份是合法的。传统的身份验证方法主要是通过用户名、密码等进行验证,但是这种方式容易被黑客入侵客户端将身份信息窃取利用。
人脸也可以作为用户身份的唯一标识信息,因此人脸识别技术也可以应用于用户身份的校验,而且通过人脸识别技术会避免黑客将用户身份信息的窃取利用,但是目前的人脸识别技术的识别精度普遍不高,而精度高的技术耗时又非常大。
因此,如何利用耗时少而且精度高的人脸识别技术进行用户身份识别验证,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于L1范数神经网络的身份验证方法身份验证的方法及装置,以利用耗时少而且精度高的人脸识别技术进行用户身份识别验证。
为实现上述目的,本发明实施例提供了如下技术方案:
一种基于L1范数神经网络的身份验证方法,包括:
利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络;
利用所述特征描述子与初始全连接层得到目标全连接层;
利用预存图像的尺寸对待验证图像预处理得到目标待验证图像;
利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块,其中所述目标待验证图像块的总数与所述预存图像块的总数相同;
将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度;
利用所述相似度验证所述待验证图像是否合法。
其中,所述利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络,包括:
将测试样本输入初始网络,得到测试样本的特征描述子;
利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
其中,所述利用所述特征描述子与初始全连接层得到目标全连接层,包括:
利用初始全连接层得到所述特征描述子的匹配结果;
利用所述匹配结果与测试样本标签的差值,训练得到目标全连接层。
其中,所述预存图像块与所述目标待验证图像块利用所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度,包括:
将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对,利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子;
将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果;
统计匹配成功的待匹配对成功总数,将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。
其中,所述利用预存图像的尺寸对待验证图像预处理得到目标待验证图像,包括:
将所述待验证图像的人脸部分图像截取,并进行灰度化处理,得到灰度待验证图像;
将所述灰度待验证图像缩放至预存图像的尺寸,得到目标待验证图像。
一种基于L1范数神经网络的身份验证装置,包括:
目标网络获取模块,用于利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络;
目标全连接层获取模块,用于利用所述特征描述子与初始全连接层得到目标全连接层;
待验证图像预处理模块,用于利用预存图像的尺寸对待验证图像预处理得到目标待验证图像;
分块模块,用于利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块,其中所述目标待验证图像块的总数与所述预存图像块的总数相同;
相似度计算模块,用于将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度;
验证模块,用于利用所述相似度验证所述待验证图像是否合法。
其中,所述目标网络获取模块,包括:
特征描述子获取单元,用于将测试样本输入初始网络,得到测试样本的特征描述子;
目标网络训练单元,用于利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
其中,所述目标全连接层获取模块,包括:
第一匹配结果获取单元,用于利用初始全连接层得到所述特征描述子的匹配结果;
目标全连接层训练单元,用于利用所述匹配结果与测试样本标签的差值,训练得到目标全连接层。
其中,所述相似度计算模块,包括:
匹配对特征描述子获取单元,将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对,利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子;
第二匹配结果获取单元,用于将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果;
统计单元,用于统计匹配成功的待匹配对成功总数,将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。
其中,所述待验证图像预处理模块,包括:
灰度处理单元,用于将所述待验证图像的人脸部分图像截取,并进行灰度化处理,得到灰度待验证图像;
缩放单元,用于将所述灰度待验证图像缩放至预存图像的尺寸,得到目标待验证图像。
通过以上方案可知,本发明提供的一种基于L1范数神经网络的身份验证方法,利用L1范数的代价函数与测试样本的特征描述子得到目标网络和目标全连接层后,将待验证图像与测试图像利用目标网络和目标全连接层进行匹配,最终得到两个图像的相似度,根据待验证图像与预存图像的相似度判断当前用户是否合法。由于基于LI范数的代价函数得到的目标网络中的参数是确定的,每次验证时不会根据测试图像的不同再重新定义参数,因此在下次匹配时,匹配速度快,耗时很少,同时,基于L1范数的代价函数确定的目标网络为深度学习的目标网络,因此有很强大的学习能力,能够充分地学习到测试图像特征信息,因此准确度很高。本发明实施例还提供一种基于L1范数神经网络的身份验证装置,同样可以实现上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于L1范数神经网络的身份验证方法流程图;
图2为本发明实施例公开的一种具体的基于L1范数神经网络的身份验证方法流程图;
图3为本发明实施例公开的一种神经网络示意图;
图4为本发明实施例公开的一种具体的基于L1范数神经网络的身份验证方法流程图;
图5为本发明实施例公开的一种具体的基于L1范数神经网络的身份验证方法流程图;
图6为本发明实施例公开的一种基于L1范数神经网络的身份验证装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于L1范数神经网络的身份验证方法身份验证的方法及装置,以利用耗时少而且精度高的人脸识别技术进行用户身份识别验证。
参见图1,本发明实施例提供的一种基于L1范数神经网络的身份验证方法,具体包括:
S101,利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络。
具体地,首先需要利用测试样本得到测试样本的特征描述子,根据特征描述子最小化基于L1范数的代价函数,训练的到目标网络,利用目标网络可以得到图像的特征描述子。
需要说明的是,在本方案中是利用毛孔训练样本作为测试样本,在验证时,也是对毛孔特征进行提取进行验证。由于毛孔尺度特征极其微小,排列独特,很难被伪造,因此不会造成信息泄露,安全性较高。
S102,利用所述特征描述子与初始全连接层得到目标全连接层。
具体地,利用S101得到的特征描述子与初始的全连接层进行训练,得到目标全连接层,两个特征描述子可以通过全连接层得到它们的匹配结果。
需要说明的是,目标全连接层与目标网络组成了神经网络,在本方案中就是通过神经网络中的目标网络得到待验证图像与预存图像的特征描述子,并将它们的特征描述子通过目标全连接层进行匹配得到匹配结果,根据匹配结果验证用户的身份。
S103,利用预存图像的尺寸对待验证图像预处理得到目标待验证图像。
具体地,确定预存图像的尺寸,并将待验证图像的尺寸处理为与预存图像相同的尺寸,并进行人脸部分截取、灰度化等操作,使进行过预处理的待验证图像符合条件,可以进行后续的验证操作。
S104,利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块,其中所述目标待验证图像块的总数与所述预存图像块的总数相同。
具体地,确定预存图像分为了多少块预存图像块,并将目标待验证图像进行遍历分块,分成同样块数的目标待验证图像块。
S105,将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度。
具体地,逐块地将每一块预存图像块与对应的每一块目标待验证图像块送入目标网络,得到每一块预存图像块的特征描述子,与每一块目标待验证图像块的特征描述子,并将对应的两种图像的图像块的特征描述子送入全连接层,得到对应的每一组图像块的匹配结果,可以根据匹配成功的图像块数与总块数的比例计算得出预存图像与待验证图像的相似度。
S106,利用所述相似度验证所述待验证图像是否合法。
具体地,判断相似度是否大于预设的一个阈值,也就是是否符合合法的条件,如果是,那么验证通过,如果否那么验证不通过,用户不合法。
通过以上方案可知,本发明提供的一种基于L1范数神经网络的身份验证方法,利用L1范数的代价函数与测试样本的特征描述子得到目标网络和目标全连接层后,将待验证图像与测试图像利用目标网络和目标全连接层进行匹配,最终得到两个图像的相似度,根据待验证图像与预存图像的相似度判断当前用户是否合法。由于基于LI范数的代价函数得到的目标网络中的参数是确定的,每次验证时不会根据测试图像的不同再重新定义参数,因此在下次匹配时,匹配速度快,耗时很少,同时,基于L1范数的代价函数确定的目标网络为深度学习的目标网络,因此有很强大的学习能力,能够充分地学习到测试图像特征信息,因此准确度很高。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证方法,区别于上一实施例本发明实施例对上述实施例中S101作了具体的限定与说明,其他步骤内容与上一实施例大致相同,此处不再赘述。具体地,参考图2,S101包括:
S201,将测试样本输入初始网络,得到测试样本的特征描述子。
具体地,将毛孔训练样本作为测试样本输入到初始网络,经过多层卷积、归一操作,得到毛孔尺度的特征描述子。
S202,利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
具体地,参照图3,图3由上至下分别为卷积层、批归一化层、卷基层、批归一化层、局部响应归一层、全连接层。
具体地,特征描述子获取单元将毛孔训练样本作为测试样本输入到初始网络,经过多层卷积、归一操作,得到毛孔尺度的特征描述子。
目标网络训练单元,用于利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
需要说明的是,第一图像为待测试图像,第二图像为待匹配图像。在测试样本中,包括两种图像样本,一个是待测试样本图像作为第一图像,另一个是待匹配测试图像作为第二图像。在下述步骤进行验证时,待验证图像为第一图像,预存图像为第二图像。
在训练过程中,会不断地产生特征描述子,利用特征描述子以最小化代价函数为手段,确定出目标特征描述子生成网络的参数,确定参数后,目标网络训练完成。
由此可见,在本方案中目标网络的参数在训练时已确定,在利用目标网络进行验证时参数不会再改变,因此耗费时间极少,同时深度学习的神经网络具有很强大的学习能力,能够充分地学习到毛孔尺寸特征的信息,因此准确度高。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证方法,区别于上一实施例本发明实施例对上述实施例中S102作了具体的限定与说明,其他步骤内容与上一实施例大致相同,此处不再赘述。具体地,参考图4,S102包括:
S301,利用初始全连接层得到所述特征描述子的匹配结果。
S302,利用所述匹配结果与测试样本标签的差值,训练得到目标全连接层。
具体地,将特征描述子通过全连接层得到匹配结果,最小化匹配结果和测试样本标签的差值,训练得到目标全连接层。
需要说明的是,匹配结果就是测试样本中待测试样本图像和一个待匹配测试图像的匹配结果,待测试样本图像和待匹配测试图像可以是整张图像,也可以是切块后的图像,在本方案中是切块后的图像。测试样本的标签为已知的毛孔训练样本中待测试样本图像和一个待匹配测试图像的预定匹配结果。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证方法,区别于上一实施例本发明实施例对上述实施例中S105作了具体的限定与说明,其他步骤内容与上一实施例大致相同,此处不再赘述。具体地,参考图5,S105包括:
S401,将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对,利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子。
具体地,目标待验证图像块与预存图像都被遍历分块为了多个图像块,其中,每一块目标待验证图像块对应一块预存图像块,对应的一块没进行匹配过的目标待验证图像块与一块没进行匹配过的预存图像块作为一个待匹配对,准备匹配。将一个待匹配对送入目标网络,既可以获得待匹配对的特征描述子,也就是目标待验证图像块的特征描述子与预存图像块的特征描述子,其中目标待验证图像块的特征描述子作为第一特征描述子,预存图像块的特征描述子作为第二特征描述子。
需要说明的是,遍历分块操作具体为以下步骤:
首先确定预存图像为多少块预存图像块,将目标待验证图像处理为同样的块数,根据块数与待验证图像的尺寸,确定目标待验证图像块的尺寸。利用目标待验证图像块的尺寸,不重叠地遍历目标待验证图像,并舍去多余的边缘。
S402,将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果。
具体地,将第一特征描述子和第二特征描述子送入目标全连接层,得到第一特征描述子和第二特征描述子的匹配结果,也就是判断对应的匹配对中的目标待验证图像块与预测图像块是否匹配。
S403,统计匹配成功的待匹配对成功总数,将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。
具体地,将每一块目标待验证图像块对应每一块预存图像块组成的所有匹配对均通过目标网络和目标全连接层进行匹配后,统计所有匹配成功的图像块数,将所有匹配成功的图像块数于所有图像块数的比例作为此次验证的目标待验证图像与预测图像的相似度。判断这个相似度是否大于一个阈值,例如2/3,如果大于等于2/3,那么验证通过,当前用户合法,如果小于2/3,那么验证不通过,当前用户不合法,可以给出相应的提示。也就是说如果待验证图像中的图像块与预存图像中的图像块匹配成功的总数量大于等于两个图像所所有图像块总数量的2/3,那么就可以确定当前用户为合法。需要说明的是,待验证图像为用户验证身份时的用户图像。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证方法,区别于上一实施例本发明实施例对上述实施例中S103作了具体的限定与说明,其他步骤内容与上一实施例大致相同,此处不再赘述。具体地,S103包括:
将所述待验证图像的人脸部分图像截取,并进行灰度化处理,得到灰度待验证图像;
将所述灰度待验证图像缩放至预存图像的尺寸,得到目标待验证图像。
具体地,首先对待验证图像进行人脸检测,定位人脸并截取出人脸部分图像,对截取后的人脸部分图像进行灰度化处理,得到灰度图像,根据检索的环境,预设一个图像尺寸,将灰度人脸图像缩放至预设尺寸,进行以上预处理后,就得到了目标待验证图像。
下面对本发明实施例提供的一种基于L1范数神经网络的身份验证装置进行介绍,下文描述的一种基于L1范数神经网络的身份验证装置与上文描述的一种基于L1范数神经网络的身份验证方法可以相互参照。
参见图6,本发明实施例提供的一种基于L1范数神经网络的身份验证装置,具体包括:
目标网络获取模块501,用于利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络。
具体地,首先目标网络获取模块501需要利用测试样本得到测试样本的特征描述子,根据特征描述子最小化基于L1范数的代价函数,训练的到目标网络,利用目标网络可以得到图像的特征描述子。
需要说明的是,在本方案中是利用毛孔训练样本作为测试样本,在验证时,也是对毛孔特征进行提取进行验证。由于毛孔尺度特征极其微小,排列独特,很难被伪造,因此不会造成信息泄露,安全性较高。
目标全连接层获取模块502,用于利用所述特征描述子与初始全连接层得到目标全连接层。
具体地,目标全连接层获取模块502利用目标网络获取模块501得到的特征描述子与初始的全连接层进行训练,得到目标全连接层,两个特征描述子可以通过全连接层得到它们的匹配结果。
需要说明的是,目标全连接层与目标网络组成了神经网络,在本方案中就是通过神经网络中的目标网络得到待验证图像与预存图像的特征描述子,并将它们的特征描述子通过目标全连接层进行匹配得到匹配结果,根据匹配结果验证用户的身份。
待验证图像预处理模块503,用于利用预存图像的尺寸对待验证图像预处理得到目标待验证图像。
具体地,待验证图像预处理模块503确定预存图像的尺寸,将待验证图像的尺寸处理为与预存图像相同的尺寸,并进行人脸部分截取、灰度化等操作,使进行过预处理的待验证图像符合条件,可以进行后续的验证操作。
分块模块504,用于利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块,其中所述目标待验证图像块的总数与所述预存图像块的总数相同。
具体地,分块模块504确定预存图像分为了多少块预存图像块,并将目标待验证图像进行遍历分块,分成同样块数的目标待验证图像块。
相似度计算模块505,用于将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度。
具体地,相似度计算模块505逐块地将每一块预存图像块与对应的每一块目标待验证图像块送入目标网络,得到每一块预存图像块的特征描述子,与每一块目标待验证图像块的特征描述子,并将对应的两种图像的图像块的特征描述子送入全连接层,得到对应的每一组图像块的匹配结果,可以根据匹配成功的图像块数与总块数的比例计算得出预存图像与待验证图像的相似度。
验证模块506,用于利用所述相似度验证所述待验证图像是否合法。
具体地,验证模块506判断相似度是否大于预设的一个阈值,也就是是否符合合法的条件,如果是,那么验证通过,如果否那么验证不通过,用户不合法。
通过以上方案可知,本发明提供的一种基于L1范数神经网络的身份验证方法,目标网络获取模块501与目标全连接层获取模块502利用L1范数的代价函数与测试样本的特征描述子得到目标网络和目标全连接层后,相似度计算模块505将待验证图像与测试图像利用目标网络和目标全连接层进行匹配,最终得到两个图像的相似度,验证模块506根据待验证图像与预存图像的相似度判断当前用户是否合法。由于基于LI范数的代价函数得到的目标网络中的参数是确定的,每次验证时不会根据测试图像的不同再重新定义参数,因此在下次匹配时,匹配速度快,耗时很少,同时,基于L1范数的代价函数确定的目标网络为深度学习的目标网络,因此有很强大的学习能力,能够充分地学习到测试图像特征信息,因此准确度很高。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证装置,区别于上一实施例本发明实施例对上述实施例中目标网络获取模块501作了具体的限定与说明,其他内容与上一实施例大致相同,此处不再赘述。具体地,目标网络获取模块501包括:
特征描述子获取单元,用于将测试样本输入初始网络,得到测试样本的特征描述子。
具体地,特征描述子获取单元将毛孔训练样本作为测试样本输入到初始网络,经过多层卷积、归一操作,得到毛孔尺度的特征描述子。
目标网络训练单元,用于利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
需要说明的是,第一图像为待测试图像,第二图像为待匹配图像。在测试样本中,包括两种图像样本,一个是待测试样本图像作为第一图像,另一个是待匹配测试图像作为第二图像。在下述步骤进行验证时,待验证图像为第一图像,预存图像为第二图像。
在训练过程中,会不断地产生特征描述子,目标网络训练单元利用特征描述子以最小化代价函数为手段,确定出目标特征描述子生成网络的参数,确定参数后,目标网络训练完成。
由此可见,在本方案中目标网络的参数在训练时已确定,在利用目标网络进行验证时参数不会再改变,因此耗费时间极少,同时深度学习的神经网络具有很强大的学习能力,能够充分地学习到毛孔尺寸特征的信息,因此准确度高。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证装置,区别于上一实施例本发明实施例对上述实施例中目标全连接层获取模块502作了具体的限定与说明,其他内容与上一实施例大致相同,此处不再赘述。具体地,目标全连接层获取模块502包括:
第一匹配结果获取单元,用于利用初始全连接层得到所述特征描述子的匹配结果;
目标全连接层训练单元,用于利用所述匹配结果与测试样本标签的差值,训练得到目标全连接层。
具体地,第一匹配结果获取单元将特征描述子通过全连接层得到匹配结果,目标全连接层训练单元最小化匹配结果和测试样本标签的差值,训练得到目标全连接层。
需要说明的是,匹配结果就是测试样本中待测试样本图像和一个待匹配测试图像的匹配结果,待测试样本图像和待匹配测试图像可以是整张图像,也可以是切块后的图像,在本方案中是切块后的图像。测试样本的标签为已知的毛孔训练样本中待测试样本图像和一个待匹配测试图像的预定匹配结果。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证装置,区别于上一实施例本发明实施例对上述实施例中相似度计算模块505作了具体的限定与说明,其他步骤内容与上一实施例大致相同,此处不再赘述。具体地,相似度计算模块505包括:
匹配对特征描述子获取单元601,将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对,利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子。
具体地,目标待验证图像块与预存图像都被遍历分块为了多个图像块,其中,每一块目标待验证图像块对应一块预存图像块,对应的一块没进行匹配过的目标待验证图像块与一块没进行匹配过的预存图像块作为一个待匹配对,准备匹配。匹配对特征描述子获取单元601将一个待匹配对送入目标网络,既可以获得待匹配对的特征描述子,也就是目标待验证图像块的特征描述子与预存图像块的特征描述子,其中目标待验证图像块的特征描述子作为第一特征描述子,预存图像块的特征描述子作为第二特征描述子。
需要说明的是,遍历分块操作具体为以下步骤:
首先确定预存图像为多少块预存图像块,将目标待验证图像处理为同样的块数,根据块数与待验证图像的尺寸,确定目标待验证图像块的尺寸。利用目标待验证图像块的尺寸,不重叠地遍历目标待验证图像,并舍去多余的边缘。
第二匹配结果获取单元602,用于将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果。
具体地,第二匹配结果获取单元602将第一特征描述子和第二特征描述子送入目标全连接层,得到第一特征描述子和第二特征描述子的匹配结果,也就是判断对应的匹配对中的目标待验证图像块与预测图像块是否匹配。
统计单元603,用于统计匹配成功的待匹配对成功总数,将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。
具体地,统计单元603将每一块目标待验证图像块对应每一块预存图像块组成的所有匹配对均通过目标网络和目标全连接层进行匹配后,统计所有匹配成功的图像块数,将所有匹配成功的图像块数于所有图像块数的比例作为此次验证的目标待验证图像与预测图像的相似度。验证模块506判断这个相似度是否大于一个阈值,例如2/3,如果大于等于2/3,那么验证通过,当前用户合法,如果小于2/3,那么验证不通过,当前用户不合法,可以给出相应的提示。也就是说如果待验证图像中的图像块与预存图像中的图像块匹配成功的总数量大于等于两个图像所所有图像块总数量的2/3,那么就可以确定当前用户为合法。需要说明的是,待验证图像为用户验证身份时的用户图像。
本发明实施例提供一种具体的基于L1范数神经网络的身份验证装置,区别于上一实施例本发明实施例对上述实施例中待验证图像预处理模块503作了具体的限定与说明,其他内容与上一实施例大致相同,此处不再赘述。具体地,待验证图像预处理模块503包括:
灰度处理单元,用于将所述待验证图像的人脸部分图像截取,并进行灰度化处理,得到灰度待验证图像;
缩放单元,用于将所述灰度待验证图像缩放至预存图像的尺寸,得到目标待验证图像。
具体地,灰度处理单元首先对待验证图像进行人脸检测,定位人脸并截取出人脸部分图像,对截取后的人脸部分图像进行灰度化处理,得到灰度图像,根据检索的环境,预设一个图像尺寸,缩放单元将灰度人脸图像缩放至预设尺寸,进行以上预处理后,就可以得到目标待验证图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于L1范数神经网络的身份验证方法,其特征在于,包括:
利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络;其中,基于LI范数的代价函数得到的目标网络中的参数是确定的,每次验证时不会根据测试样本的不同再重新定义参数;
利用所述特征描述子与初始全连接层得到目标全连接层;
利用预存图像的尺寸对待验证图像预处理得到目标待验证图像;
利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块,其中所述目标待验证图像块的总数与所述预存图像块的总数相同;
将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度;
利用所述相似度验证所述待验证图像是否合法;
其中,所述利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络,包括:将测试样本输入初始网络,得到测试样本的特征描述子;利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
2.根据权利要求1所述的身份验证方法,其特征在于,所述利用所述特征描述子与初始全连接层得到目标全连接层,包括:
利用初始全连接层得到所述特征描述子的匹配结果;
利用所述匹配结果与测试样本标签的差值,训练得到目标全连接层。
3.根据权利要求2所述的身份验证方法,其特征在于,所述预存图像块与所述目标待验证图像块利用所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度,包括:
将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对,利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子;
将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果;
统计匹配成功的待匹配对成功总数,将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。
4.根据权利要求1至3任意一项所述的身份验证方法,其特征在于,所述利用预存图像的尺寸对待验证图像预处理得到目标待验证图像,包括:
将所述待验证图像的人脸部分图像截取,并进行灰度化处理,得到灰度待验证图像;
将所述灰度待验证图像缩放至预存图像的尺寸,得到目标待验证图像。
5.一种基于L1范数神经网络的身份验证装置,其特征在于,包括:
目标网络获取模块,用于利用测试样本的特征描述子与基于L1范数的代价函数得到目标网络;其中,基于LI范数的代价函数得到的目标网络中的参数是确定的,每次验证时不会根据测试样本的不同再重新定义参数;
目标全连接层获取模块,用于利用所述特征描述子与初始全连接层得到目标全连接层;
待验证图像预处理模块,用于利用预存图像的尺寸对待验证图像预处理得到目标待验证图像;
分块模块,用于利用预存图像块的总数对所述目标待验证图像进行遍历分块得到目标待验证图像块,其中所述目标待验证图像块的总数与所述预存图像块的总数相同;
相似度计算模块,用于将所述预存图像块与所述目标待验证图像块送入所述目标网络与目标全连接层得到所述预存图像与所述待验证图像的相似度;
验证模块,用于利用所述相似度验证所述待验证图像是否合法;
其中,所述目标网络获取模块,包括:
特征描述子获取单元,用于将测试样本输入初始网络,得到测试样本的特征描述子;
目标网络训练单元,用于利用所述特征描述子最小化基于L1范数的代价函数,训练得到目标网络。
6.根据权利要求5所述的身份验证装置,其特征在于,所述目标全连接层获取模块,包括:
第一匹配结果获取单元,用于利用初始全连接层得到所述特征描述子的匹配结果;
目标全连接层训练单元,用于利用所述匹配结果与测试样本标签的差值,训练得到目标全连接层。
7.根据权利要求6所述的身份验证装置,其特征在于,所述相似度计算模块,包括:
匹配对特征描述子获取单元,将每一块未匹配的目标待验证图像块与对应的未匹配的预存图像块作为一个待匹配对,利用所述目标网络得到每一个待匹配对的第一特征描述子与第二特征描述子;
第二匹配结果获取单元,用于将每一个待匹配对的第一特征描述子与第二特征描述子利用目标全连接层得到每一个待匹配对的匹配结果;
统计单元,用于统计匹配成功的待匹配对成功总数,将所述待匹配对成功总数与所有待匹配对的总数的比例作为相似度。
8.根据权利要求5至7任意一项所述的身份验证装置,其特征在于,所述待验证图像预处理模块,包括:
灰度处理单元,用于将所述待验证图像的人脸部分图像截取,并进行灰度化处理,得到灰度待验证图像;
缩放单元,用于将所述灰度待验证图像缩放至预存图像的尺寸,得到目标待验证图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710651409.3A CN107391996B (zh) | 2017-08-02 | 2017-08-02 | 一种基于l1范数神经网络的身份验证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710651409.3A CN107391996B (zh) | 2017-08-02 | 2017-08-02 | 一种基于l1范数神经网络的身份验证方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107391996A CN107391996A (zh) | 2017-11-24 |
CN107391996B true CN107391996B (zh) | 2021-01-26 |
Family
ID=60343363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710651409.3A Active CN107391996B (zh) | 2017-08-02 | 2017-08-02 | 一种基于l1范数神经网络的身份验证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107391996B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950550B (zh) * | 2021-02-04 | 2023-11-14 | 广州中医药大学第一附属医院 | 一种基于深度学习的2型糖尿病肾脏病变图像分类方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114909B (zh) * | 2007-08-17 | 2011-02-16 | 上海博康智能信息技术有限公司 | 全自动视频身份认证***及方法 |
WO2011113478A1 (de) * | 2010-03-16 | 2011-09-22 | Carlo Trugenberger | Authentifizierungssystem, verfahren zur authentifizierung eines objekts, vorrichtung zur erzeugung einer identifikationseinrichtung, verfahren zur erzeugung einer identifikationseinrichtung |
CN102799870B (zh) * | 2012-07-13 | 2015-07-29 | 复旦大学 | 基于分块一致lbp和稀疏编码的单训练样本人脸识别方法 |
CN104484684B (zh) * | 2015-01-05 | 2018-11-02 | 苏州大学 | 一种手写体识别方法及*** |
CN105760821B (zh) * | 2016-01-31 | 2017-06-06 | 中国石油大学(华东) | 基于核空间的分类聚集稀疏表示的人脸识别方法 |
CN106778613A (zh) * | 2016-12-16 | 2017-05-31 | 广东工业大学 | 一种基于人脸分割区域匹配的身份验证方法及装置 |
CN106780906B (zh) * | 2016-12-28 | 2019-06-21 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的人证合一识别方法及*** |
-
2017
- 2017-08-02 CN CN201710651409.3A patent/CN107391996B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107391996A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10579784B2 (en) | System, device, and method of secure utilization of fingerprints for user authentication | |
EP2238562B1 (en) | Biometrics based identification | |
Alshehri et al. | Cross-sensor fingerprint matching method based on orientation, gradient, and gabor-hog descriptors with score level fusion | |
US20150248567A1 (en) | Behaviometric Signature Authentication System and Method | |
EP1821172B1 (en) | Collation method, collation system, computer, and program | |
US11062120B2 (en) | High speed reference point independent database filtering for fingerprint identification | |
WO1994020926A1 (en) | High precision on-line dynamic signature verification system | |
CN108288012A (zh) | 一种基于手机实现的艺术品备案验证方法及其*** | |
EP3655874B1 (en) | Method and electronic device for authenticating a user | |
CN111625792A (zh) | 一种基于异常行为检测的身份识别方法 | |
CN105787419A (zh) | 手掌图像的手掌检测方法及*** | |
CN106470192A (zh) | 身份验证方法、装置及*** | |
CN107391996B (zh) | 一种基于l1范数神经网络的身份验证方法及装置 | |
Buriro et al. | SWIPEGAN: swiping data augmentation using generative adversarial networks for smartphone user authentication | |
CN105227318A (zh) | 一种身份认证方法和装置 | |
US11586717B2 (en) | Method and electronic device for authenticating a user | |
CN100370471C (zh) | 指纹对称轴提取方法和利用指纹对称轴的指纹识别方法 | |
KR20000030122A (ko) | 멀티바이오메트릭정보를 이용한 사용자인증방법 및사용자인증시스템 | |
Kumar et al. | FPR using machine learning with multi‐feature method | |
CN113313034B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
WO2018018787A1 (zh) | 密码验证方法及装置、移动终端、计算机存储介质 | |
Ahmad et al. | Improving the performance of projection-based cancelable fingerprint template method | |
CN108230538B (zh) | 一种纸币鉴定方法、装置、设备和储存介质 | |
CN113822292A (zh) | 车辆特征信息存储方法、装置、计算机设备及存储介质 | |
CN111353139A (zh) | 一种持续认证的方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |