CN107967461B - Svm差分模型训练及人脸验证方法、装置、终端及存储介质 - Google Patents
Svm差分模型训练及人脸验证方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN107967461B CN107967461B CN201711297473.2A CN201711297473A CN107967461B CN 107967461 B CN107967461 B CN 107967461B CN 201711297473 A CN201711297473 A CN 201711297473A CN 107967461 B CN107967461 B CN 107967461B
- Authority
- CN
- China
- Prior art keywords
- face
- positive
- negative sample
- svm
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种支持向量机差分模型训练方法,所述方法包括:构造正负样本集及训练SVM差分模型,其中正负样本集的特征为动态照片和证件照片进行人脸特征归一化并差分处理得到的特征,从所构造的正负样本集中生成正负样本训练集及正负样本测试集,输入正负样本训练集到SVM中,计算出最优组合参数c、g,逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g,随机选择正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行多次测试,保存准确率最高时所对应的参数及SVM模型。本发明还提供一种支持向量机差分模型训练装置、人脸验证方法、装置、终端及存储介质。本发明可以训练出适合人脸验证的支持向量机差分模型,获得较佳的人脸验证效果。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种SVM差分模型训练及人脸验证方法、装置、终端及存储介质。
背景技术
人脸验证(Face Verification)是人脸识别(Face recognition)的子领域,人脸验证是判断两张人脸图片是不是同一个人,最常用的场景是判断证件是不是本人,人脸识别则是给定一张人脸图片,然后判断这个人是谁,其实质相当于多次的人脸验证。
由于动态环境下的人脸图片存在光照、姿态、年龄、装束等多种影响,使得动态环境下的人脸验证难度非常大。近几年提出了很多方法来改善动态环境下的人脸验证,这些方法大概可以分为两类。一类是基于传统特征的方法,目标在于提取有区分性的特征,再结合欧式距离或者余弦夹角距离进行比对,经典的人脸特征描述算子包括:方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(Local Binary Patterns,LBP特征)、尺度不变特征变换(Scale-invariant feature transform,SIFT)、伽柏(Gabor)特征等。另一类是基于深度学习的特征表达。
基于传统特征的方法虽然能获得较快的速度,但是特征表达能力较弱,因而性能较差。基于深度学习的特征表达需要非常巨大的样本来进行模型的训练,其次,要想获得较好的表达效果需要更深的网络来保持。另外,由于证件照片与动态情况下任意采集的照片存在年龄、光照、表情和姿态等多种区别,因而二者之间的特征空间分布差异较大,即使采用基于深度学习的特征表达也很难进行模型的训练。
发明内容
鉴于以上内容,有必要提出一种SVM差分模型训练及人脸验证方法、装置、终端及存储介质,其可以训练出适合人脸验证的分类模型,在少量样本的情况下训练出的特征的区分能力较强,获得较佳的人脸验证效果。
本申请的第一方面提供一种SVM差分模型训练方法,所述方法包括:
构造正负样本集,包括:
1)提取每张证件照片上的人脸区域的第一人脸特征,提取每张动态照片上的人脸区域的第二人脸特征;
2)对所述第一人脸特征进行归一化处理得到第一归一化人脸特征,对所述第二人脸特征进行归一化处理得到第二归一化人脸特征;
3)对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征;
4)构造正负样本对,其中,所述正样本对为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第一类别属性,负样本对为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第二类别属性;
训练SVM差分模型,包括:
1):从所构造的正负样本集中生成正负样本训练集及正负样本测试集;
2):寻找惩罚参数c及核函数的参数g的最优组合,包括:将所述正负样本训练集输入到SVM中,计算出第一最优组合参数c、g;逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g;在所生成的正负样本测试集中随机选择预设数量的正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行多次测试,准确率最高时所对应的参数为第二最优组合参数c、g;
3):保存所述第二最优参数组合c、g及对应的SVM差分模型。
一种可能的实现方式中,所述从所构造的正负样本集中生成正负样本训练集及正负样本测试集包括:
在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练。
本申请的第二方面提供一种所述SVM差分模型训练方法训练出的SVM差分模型进行人脸验证方法,所述方法包括:
提取待验证人的证件照片中的人脸区域的第三人脸特征;
提取待验证人的场景照片中的人脸区域的第四人脸特征;
对所述第三人脸特征进行归一化处理得到第三归一化人脸特征,对所述第四人脸特征进行归一化处理得到第四归一化人脸特征;
对所述第三归一化人脸特征与第四归一化人脸特征进行做差以得到所述待验证人的差分人脸特征;及
根据所述SVM差分模型计算所述差分人脸特征的相似度;
判断所述相似度是否大于预设阈值;及
当所述相似度大于所述预设阈值时,确定所述证件照片与所述场景照片为同一个人;或者
当所述相似度小于或等于预设阈值时,确定所述证件照片与所述场景照片不为同一个人。
本申请的第三方面提供一种SVM差分模型训练装置,所述装置包括:
构造模块,用于构造正负样本集,包括:
特征提取子模块,用于提取每张证件照片上的人脸区域的第一人脸特征,提取每张动态照片上的人脸区域的第二人脸特征;
归一化子模块,用于对所述第一人脸特征进行归一化处理得到第一归一化人脸特征,对所述第二人脸特征进行归一化处理得到第二归一化人脸特征;
差分子模块,用于对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征;
构造子模块,用于构造正负样本对,其中,所述正样本对为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第一类别属性,负样本对为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第二类别属性;
训练模块,用于训练SVM差分模型,包括:
生成子模块,用于从所构造的正负样本集中生成正负样本训练集及正负样本测试集;
寻优子模块,用于寻找惩罚参数c及核函数的参数g的最优组合,包括:将所述正负样本训练集输入到SVM中,计算出第一最优组合参数c、g;逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g;在所生成的正负样本测试集中随机选择预设数量的正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行多次测试,准确率最高时所对应的参数为第二最优组合参数c、g;
保存子模块,用于保存所述第二最优参数组合c、g及对应的SVM差分模型。
一种可能的实现方式中,所述生成子模块从所构造的正负样本集中生成正负样本训练集及正负样本测试集包括:
在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练。
本申请的第四方面提供一种利用所述SVM差分模型训练装置训练出的SVM差分模型进行人脸验证装置,所述装置包括:
第一提取模块,用于提取待验证人的证件照片中的人脸区域的第三人脸特征;
第二提取模块,用于提取待验证人的场景照片中的人脸区域的第四人脸特征;
归一化模块,用于对所述第三人脸特征进行归一化处理得到第三归一化人脸特征,对所述第四人脸特征进行归一化处理得到第四归一化人脸特征;
差分模块,用于对所述第三归一化人脸特征与第四归一化人脸特征进行做差以得到所述待验证人的差分人脸特征;及
验证模块,用于根据所述SVM差分模型计算所述差分人脸特征的相似度;及
所述验证模块,还用于判断所述相似度是否大于预设阈值;及
当所述相似度大于所述预设阈值时,所述验证模块确定所述证件照片与所述场景照片为同一个人;或者
当所述相似度小于或等于预设阈值时,所述验证模块确定所述证件照片与所述场景照片不为同一个人。
本申请的第五方面提供一种终端,所述终端包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现支持向量机差分模型训练方法或所述人脸验证方法。
本申请的第六方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现支持向量机差分模型训练方法或所述人脸验证方法。
本发明所述的支持向量机差分模型训练、人脸验证方法、装置、终端及存储介质,将支持向量机和差分模型的思想相结合,将其应用在人脸验证上,能够解决证件照片的特征空间分布与动态情况下任意采集的照片的特征空间分布有差异的问题;在模型训练阶段只需要少量样本即可,从而解决了算法对数据量的需求问题,增加了算法的实用性,提高了人证验证的准确率。
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,还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的支持向量机差分模型训练方法的流程图。
图2是本发明实施例二提供的人脸验证方法的流程图。
图3是本发明实施例三提供的支持向量机差分模型训练装置的结构图。
图4是本发明实施例四提供的人脸验证装置的结构图。
图5是本发明实施例五提供的终端的示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明的人脸验证方法应用在一个或者多个终端中。所述终端是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述终端并不限定于个人电脑、智能手机、平板电脑、安装有摄像头的台式机或一体机,或者桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述支持向量机差分模型训练方法及人脸验证方法也可以应用于由终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中。网络包括但不限于:广域网、城域网或局域网。本发明实施例的支持向量机差分模型训练方法及人脸验证方法可以同时由服务器来执行,也可以同时由终端来执行;还可以是由服务器和终端共同执行,比如,所述支持向量机差分模型训练方法由服务器来执行,所述人脸验证方法由终端来执行,或者,所述人脸验证方法由服务器来执行,所述支持向量机差分模型训练方法由终端来执行。本申请在此不加以限制。
对于需要进行支持向量机差分模型训练方法及人脸验证方法的终端,可以直接在终端上集成本申请的方法所提供的支持向量机差分模型训练功能及人脸验证功能,或者安装用于实现本申请的方法的客户端。再如,本申请所提供的方法还可以软件开发工具包(Software Development Kit,SDK)的形式运行在服务器等设备上,以SDK的形式提供支持向量机差分模型训练功能及人脸验证功能的接口,终端或其他设备通过提供的接口即可实现人脸的验证。
实施例一
图1是本发明实施例一提供的支持向量机差分模型训练方法的流程图。根据不同的需求,图1所示流程图中的执行顺序可以改变,某些步骤可以省略。
101:构造正负样本集。
本较佳实施例中,准备不同人的一张证件照片及同一人对应的一张动态情况下任意采集的照片。
所述证件照片是指证件上用来证明身份的照片,可以是身份证照片,可以是护照照片,还可以是各种签证照片,或者驾驶证照片、毕业证照片等。
本较佳实施例中,可以采用LFW数据集来构造正负样本集,所述LFW数据集是为了研究非限制环境下的人脸识别问题而建立,其中包含了超过13000张人脸图像,人脸图像全部来自于Internet,而不是实验室环境。
为便于下文描述,将动态情况下任意采集的照片称之为动态照片。
所述构造正负样本集具体包括:
1)提取每张证件照片上的人脸区域的第一人脸特征,提取每张动态照片上的人脸区域的第二人脸特征;
本较佳实施例中,将第i个人的证件照片对应的人脸特征,即第i个人的第一人脸特征记为xi,将第i个人的动态照片对应的人脸特征,即第i个人的第二人脸特征记为Xi。
本较佳实施例中,在提取人脸特征之前,可以采用预先存储的人脸检测算法对证件照片上的人脸区域及动态照片上的人脸区域进行检测,然后采用预先存储的人脸特征提取算法对检测出的人脸区域进行人脸特征提取。
所述预先存储的人脸检测算法可以为以下算法中的一种或多种组合:基于模板的人脸检测方法、基于人工神经网络的人脸检测方法、基于模型的人脸检测方法、基于肤色的人脸检测方法或者基于特征子脸的人脸检测方法等。
所述预先存储的人脸特征提取算法可以为以下算法中的一种或多种组合:Gabor特征、方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(LocalBinary Patterns,LBP)、主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear Discriminant Analysis,LDA)或者独立成分分析(independent componentanalysis,ICA)等。优选地,因深度学习特征具有较好的特征表达能力,本实施例中,采用深度学习算法来提取证件照片及动态照片上的人脸区域的人脸特征。
本实施例中,所述预先存储的人脸检测算法及所述预先存储的人脸特征提取算法不限于上述列举的,任何适应于检测出人脸区域的算法及提取人脸区域的人脸特征的算法均可应用与此。另外,本实施例中预先存储的人脸检测算法及人脸特征提取算法均为现有技术,本文在此不再详细介绍。
2)对所述第一人脸特征进行归一化处理得到第一归一化人脸特征,对所述第二人脸特征进行归一化处理得到第二归一化人脸特征;
应当理解的是,||x||2为x向量各个元素平方和的1/2次方,即L2范数意义下的欧式距离。
3)对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征;
需要说明的是,对人脸特征进行归一化处理是为了使得处理后的数据能够在0-1之间分布,统一样本的统计分布特性不仅可以方便后续的数据处理,还能提高算法性能使得收敛加快。其次,将同一个人的归一化人脸特征进行差分处理,可表征该人在动态情况下任意采集的照片与证件照片由于年龄、光照、表情、姿态等变化而引起的差异信息。
4)构造正负样本对。
本较佳实施例中,对所有人的动态照片和证件照片进行人脸特征归一化并差分处理得到差分人脸特征。则第k个正样本特征为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征,记为k∈[1,K],正样本的类别属性为第一类别属性,记为1。第h个负样本特征为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征,记为h∈[1,H],负样本的类别属性为第二类别属性,记为0。即,正样本集合为多个正样本特征及第一类别属性组成的数据对,负样本集合为多个负样本特征及第二类别属性组成的数据对。
102:训练SVM差分模型。
本较佳实施例中,采用支持向量机(Support Vector Machine,SVM)作为分类器进行模型训练。SVM是一个有监督的学***面,使得学***面,将样本点分到不同的类。当且存在唯一的分类超平面,使得样本点距离分类超平面的距离最大。找到超平面后,对于待测点,通过计算该点相对于超平面的位置进行分类。在训练SVM模型的过程中,最重要的就是求取参数cost、gamma的最优组合值。其中,cost(-c)是惩罚参数,即对误差的宽容度,c值越高,对误差的宽容度越低,gamma(-g)是SVM核函数的参数,隐含地决定了数据映射到新的特征空间后的分布。本实施例中,可以选择径向基核函数。
所述训练SVM差分模型具体包括:
1):从所构造的正负样本集中生成正负样本训练集及正负样本测试集;
本较佳实施例中,训练SVM差分模型时可以采用交叉验证(Cross Validation)的思想,将构造的正负样本集按照合适的比例进行划分成正负样本训练集及正负样本测试集,合适的划分比例如6:4。
所述正负样本训练集用以训练SVM差分模型,所述正负样本测试集用以测试所训练出的SVM差分模型的性能,若测试的准确率越高,则表明所训练出的SVM差分模型的性能越好;若测试的准确率较低,则表明所训练出的SVM差分模型的性能较差。
进一步地,若划分出的正负样本训练集的总数量依旧较大,即将所有的正负样本训练集用来参与SVM差分模型的训练,将导致寻找SVM差分模型对应的最优参数c,g代价较大,因而,所述生成正负样本训练集还可以包括:在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练。
本较佳实施例中,为了增加参与训练的正负样本训练集的随机性,可以采用随机数生成算法进行随机选择。
本较佳实施例中,所述第一预设数量可以是一个预先设置的固定值,例如,40,即在所生成的正负样本训练集中随机挑选出40个样本参与SVM差分模型的训练。所述第一预设数量还可以是一个预先设置的比例值,例如,1/10,即,即在所生成的正负样本训练集中随机挑选1/10比例的样本参与SVM差分模型的训练。
2):寻找参数c,g的最优组合;
本较佳实施例中,c为惩罚参数,表示对误分类点的惩罚权重,g是核函数半径。所述寻找参数c,g的最优组合可以包括:将所述第一预设数量的正负样本训练集输入到SVM中,计算出第一最优组合参数c、g;在所述第一最优组合参数c、g的基础上,逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g,选择正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行测试,准确率最高时所对应的参数为第二最优组合参数c、g。
3):保存所述第二最优组合参数c、g及所对应的SVM差分模型。
进一步地,应当理解的是,当惩罚参数c过大时,易出现过拟合的情况。当惩罚参数c过小时,导致训练出的模型的分类功能丧失。因此,选择合适的惩罚参数c,会大大提高模型的分类性能。为了保证第二最优组合参数c、g的高度可靠性,提高所对应的SVM差分模型的验证效果,可以进行多次寻优,则所述选择正负样本测试集还可以包括:在所生成的正负样本测试集中随机选择第二预设数量的正负样本测试集参与测试。
本较佳实施例中,所述第二预设数量可以是一个预先设置的固定值,例如,30,即在所生成的正负样本测试集中随机挑选出40个样本参与SVM差分模型的测试。所述第二预设数量还可以是一个预先设置的比例值,例如,1/5,即,即在所生成的正负样本测试集中随机挑选1/5比例的样本参与SVM差分模型的测试。
实施例一的支持向量机差分模型训练方法,首先构造正负样本集,然后根据所述正负样本集训练SVM差分模型。在构造正负样本集时,对所有人的动态照片和证件照片进行人脸特征归一化并差分处理得到差分人脸特征,可有效表征由于年龄、光照、表情、姿态等变化而引起的人脸的差异信息。在训练SVM差分模型时,采用支持向量机(Support VectorMachine,SVM)作为分类器进行模型训练,支持向量机算法对二分类问题有着良好的表现效果,同时对训练样本的数量要求不高。为了获得最优参数c、g组合,采用交叉验证的方法,在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练,在所生成的正负样本测试集中随机选择第二预设数量的正负样本测试集参与测试。因此,实施例一的支持向量机差分模型训练方法将支持向量机、交叉验证及随机数的思想结合在一起,将其应用在人脸验证上,在样本量有限的前提下,能够训练出适合人脸验证的SVM差分模型。
实施例二
图2是本发明实施例二提供的人脸验证方法的流程图。
如图2所示,所述人脸验证方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
201:提取待验证人的证件照片中的人脸区域的第三人脸特征。
在一些实施例中,可以先使用读卡器读取所述证件照片中的人脸区域,再对所述待验证人的证件照片中的人脸区域进行检测。
202:提取待验证人的场景照片中的人脸区域的第四人脸特征。
为便于下文描述,将动态情况下采集的场景照片称之为场景照片。
本较佳实施例中,可以采用所述预先存储的人脸检测算法对待验证人的证件照片上的人脸区域及场景图片中的人脸区域进行检测,采用预先存储的人脸特征提取算法对检测出的人脸区域进行人脸特征提取。优选地,因深度学习特征具有较好的特征表达能力,本实施例中,采用深度学习算法来提取证件照片及场景照片上的人脸区域的人脸特征。本申请对人脸区域的检测及对人脸区域的特征提取过程不做详细赘述。
在一些实施例中,所述步骤201和步骤202可以是并行处理的。在一些实施例中,在利用人脸检测算法检测场景图片中的人脸区域之前,本发明所述的人脸验证方法还可以包括:对所述场景图片进行预处理。
本实施例中,所述对所述场景图片进行预处理可以包括,但不限于,图像去噪,光照归一化,姿态校准,灰度归一化等。例如,可以采用高斯滤波器对所述场景图片进行滤波,去除所述场景图片中的噪声;采用商图像技术除去高亮光照对所述场景图片的影响;采用正弦变换对所述场景图片中的人脸姿态进行校准。
203:对所述第三人脸特征进行归一化处理得到第三归一化人脸特征,对所述第四人脸特征进行归一化处理得到第四归一化人脸特征。
本较佳实施例中,采用L2范数意义下的欧式距离分别对所述第三人脸特征及所述第四人脸特征进行归一化处理。具体可以参见步骤101中2)的相应描述。
204:对所述第三归一化人脸特征与第四归一化人脸特征进行做差以得到所述待验证人的差分人脸特征。
本较佳实施例中,所述待验证人的差分人脸特征的获取过程,具体可以参见步骤101中3)的相应描述。
205:根据所述SVM差分模型计算所述差分人脸特征的相似度。
本较佳实施例中,所述SVM差分模型为根据本发明实施例一提供的支持向量机差分模型训练方法训练出的分类器模型。将所述待验证人的差分人脸特性输入所述SVM差分模型中,经过所述SVM差分模型的映射即可计算出所述差分人脸特征的相似度。
206:判断所述相似度是否大于预设阈值。
当所述相似度大于预设阈值时,执行步骤207;当所述相似度小于或等于预设阈值时,执行步骤208。所述预设阈值可以是,例如0.5。
207:确定所述证件照片与所述场景照片为同一个人。
208:确定所述证件照片与所述场景照片不为同一个人。
当计算出的差分人脸特征的相似度比所述预设阈值大时,确定待验证人的证件照片与待验证人的动态情况下采集的场景图片是同一个人的,即所述证件照片为待验证人本人;当计算出的差分人脸特征的相似度比所述预设阈值小或者相等时,确定待验证人的证件照片与待验证人的动态情况下采集的场景图片不是同一个人,即所述证件照片不为待验证人本人。
需要说明的是,本发明所述的人脸验证方法可以事先提取证件照片中的人脸区域的第三人脸特征,将所述第三人脸特征存储到预先设定的数据库中,所述数据库中关联存储证件照片的人脸特征及证件编号。待需要验证证件照片与场景图片是否为同一个人时,获取证件照片上的证件编号,根据所述证件编号从所述预先设定的数据库中查找对应的人脸特征,然后根据所述SVM差分模型计算所述差分人脸特征的相似度,从而缩短了提取证件照上的人脸特征的时间,进一步提高了比对的效率。
综上所述,本发明所述的人脸验证方法,使用深度学习算法提取证件照片及动态照片上的人脸区域的人脸特征(称之为深度学习特征)进行模型训练,训练出的模型具有较强的特征区域能力;本发明对深度学习特征再次进行归一化并差分处理得到差分人脸特征,可有效的表达证件照片和场景照片的特征空间分布的差异信息;在SVM差分模型训练阶段,使用少量不同人的证件照片和动态照片,从而减少了算法对样本量的需求,增加了算法的实用性。本发明所述的人脸验证方法能够根据所述SVM差分模型获得较佳的人脸验证效果。
实施例三
以上所述,仅是本发明的具体实施方式,但本发明的保护范围并不局限于此,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
下面结合第3至5图,分别对实现上述支持向量机差分模型训练方法及人脸验证方法的终端的功能模块及硬件结构进行介绍。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
参阅图3所示,是本发明支持向量机差分模型训练装置40的较佳实施例中的功能模块图。
在一些实施例中,所述支持向量机差分模型训练装置40运行于所述终端6中。所述支持向量机差分模型训练装置40可以包括多个由程序代码段所组成的功能模块。所述支持向量机差分模型训练装置40中的各个程序段的程序代码可以存储于所述存储器61中,并由所述至少一个处理器62所执行,以执行(详见图1描述)对支持向量机差分模型的训练。
本实施例中,所述终端1的支持向量机差分模型训练装置40根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:构造模块400及训练模块402,其中,所述构造模块400还包括:特征提取子模块4001、归一化子模块4002、差分子模块4003及构造子模块4004。所述训练模块402还包括:生成子模块4021、寻优子模块4022及保存子模块4023。本发明所称的模块是指一种能够被至少一个处理器62所执行并且能够完成固定功能的一系列计算机程序段,其存储在所述存储器61中。在一些实施例中,关于各模块的功能将在后续的实施例中详述。
构造模块400,用于构造正负样本集。
本较佳实施例中,准备不同人的一张证件照片及同一人对应的一张动态情况下任意采集的照片。
所述证件照片是指证件上用来证明身份的照片,可以是身份证照片,可以是护照照片,还可以是各种签证照片,或者驾驶证照片、毕业证照片等。
本较佳实施例中,可以采用LFW数据集来构造正负样本集,所述LFW数据集是为了研究非限制环境下的人脸识别问题而建立,其中包含了超过13000张人脸图像,人脸图像全部来自于Internet,而不是实验室环境。
为便于下文描述,将动态情况下任意采集的照片称之为动态照片。
所述构造模块400构造正负样本集具体包括:
1)特征提取子模块4001,用于提取每张证件照片上的人脸区域的第一人脸特征,提取每张动态照片上的人脸区域的第二人脸特征;
本较佳实施例中,将第i个人的证件照片对应的人脸特征,即第i个人的第一人脸特征记为xi,将第i个人的动态照片对应的人脸特征,即第i个人的第二人脸特征记为Xi。
本较佳实施例中,在提取人脸特征之前,可以采用预先存储的人脸检测算法对证件照片上的人脸区域及动态照片上的人脸区域进行检测,然后采用预先存储的人脸特征提取算法对检测出的人脸区域进行人脸特征提取。
所述预先存储的人脸检测算法可以为以下算法中的一种或多种组合:基于模板的人脸检测方法、基于人工神经网络的人脸检测方法、基于模型的人脸检测方法、基于肤色的人脸检测方法或者基于特征子脸的人脸检测方法等。
所述预先存储的人脸特征提取算法可以为以下算法中的一种或多种组合:Gabor特征、方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(LocalBinary Patterns,LBP)、主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear Discriminant Analysis,LDA)或者独立成分分析(independent componentanalysis,ICA)等。优选地,因深度学习特征具有较好的特征表达能力,本实施例中,采用深度学习算法来提取证件照片及动态照片上的人脸区域的人脸特征。
本实施例中,所述预先存储的人脸检测算法及所述预先存储的人脸特征提取算法不限于上述列举的,任何适应于检测出人脸区域的算法及提取人脸区域的人脸特征的算法均可应用与此。另外,本实施例中预先存储的人脸检测算法及人脸特征提取算法均为现有技术,本文在此不再详细介绍。
2)归一化子模块4002,用于对所述第一人脸特征进行归一化处理得到第一归一化人脸特征,对所述第二人脸特征进行归一化处理得到第二归一化人脸特征;
应当理解的是,||x||2为x向量各个元素平方和的1/2次方,即L2范数意义下的欧式距离。
3)差分子模块4003,用于对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征;
需要说明的是,对人脸特征进行归一化处理是为了使得处理后的数据能够在0-1之间分布,统一样本的统计分布特性不仅可以方便后续的数据处理,还能提高算法性能使得收敛加快。其次,将同一个人的归一化人脸特征进行差分处理,可表征该人在动态情况下任意采集的照片与证件照片由于年龄、光照、表情、姿态等变化而引起的差异信息。
4)构造子模块4004,用于构造正负样本对。
本较佳实施例中,对所有人的动态照片和证件照片进行人脸特征归一化并差分处理得到差分人脸特征。则第k个正样本特征为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征,记为k∈[1,K],正样本的类别属性为第一类别属性,记为1。第h个负样本特征为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征,记为记为h∈[1,H],负样本的类别属性为第二类别属性,记为0。即,正样本集合为多个正样本特征及正样本的类别属性组成的数据对,负样本集合为多个负样本特征及负样本的类别属性组成的数据对。
训练模块402,用于训练SVM差分模型。
本较佳实施例中,采用支持向量机(Support Vector Machine,SVM)作为分类器进行模型训练。
SVM是一个有监督的学***面,使得学***面,将样本点分到不同的类。当且存在唯一的分类超平面,使得样本点距离分类超平面的距离最大。找到超平面后,对于待测点,通过计算该点相对于超平面的位置进行分类。在训练SVM模型的过程中,最重要的就是求取参数cost、gamma的最优组合值。其中,cost(-c)是惩罚参数,即对误差的宽容度,c值越高,对误差的宽容度越低,gamma(-g)是SVM核函数的参数,隐含地决定了数据映射到新的特征空间后的分布。本实施例中,可以选择径向基核函数。
所述训练模块402训练SVM差分模型具体包括:
1)生成子模块4021,用于生成正负样本训练集及正负样本测试集;
本较佳实施例中,训练SVM差分模型时可以采用交叉验证(Cross Validation)的思想,将构造的正负样本集按照合适的比例进行划分成正负样本训练集及正负样本测试集,合适的划分比例如(6:4)。
所述正负样本训练集用以训练SVM差分模型,所述正负样本测试集用以测试所训练出的SVM差分模型的性能,若测试的准确率越高,则表明所训练出的SVM差分模型的性能越好;若测试的准确率较低,则表明所训练出的SVM差分模型的性能较差。
进一步地,若划分出的正负样本训练集的总数量依旧较大,即将所有的正负样本训练集用来参与SVM差分模型的训练,将导致寻找SVM差分模型对应的最优参数代价c,g较大,因而,所述生成正负样本训练集还可以包括:在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练。
本较佳实施例中,为了增加参与训练的正负样本训练集的随机性,可以采用随机数生成算法进行随机选择。
本较佳实施例中,所述第一预设数量可以是一个预先设置的固定值,例如,40,即在所生成的正负样本训练集中随机挑选出40个样本参与SVM差分模型的训练。所述第一预设数量还可以是一个预先设置的比例值,例如,1/10,即,即在所生成的正负样本训练集中随机挑选1/10比例的样本参与SVM差分模型的训练。
2)寻优子模块4022,用于寻找参数c,g的最优组合;
本较佳实施例中,c为惩罚参数,表示对误分类点的惩罚权重,g是核函数半径。所述寻优子模块4022寻找参数c,g的最优组合可以包括:将所述随机选择的正负样本训练集输入到SVM中,计算出第一最优组合参数c、g;在所述第一最优组合参数c、g的基础上,逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g,选择正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行测试,直到得到第二最优组合参数c、g。
应当理解的是,得到的准确率最高时所对应的参数为第二最优组合参数c、g,保存所述第二最优组合参数c、g及所对应的SVM差分模型。
进一步地,应当理解的是,当惩罚参数c过大时,易出现过拟合的情况。当惩罚参数c过小时,导致训练出的模型的分类功能丧失。因此,选择合适的惩罚参数c,会大大提高模型的分类性能。为了保证第二最优组合参数c、g的高度可靠性,提高所对应的SVM差分模型的验证效果,可以进行多次寻优,则所述生成子模块4021选择正负样本测试集还可以包括:在所生成的正负样本测试集中随机选择第二预设数量的正负样本测试集参与测试。
本较佳实施例中,所述第二预设数量可以是一个预先设置的固定值,例如,30,即在所生成的正负样本测试集中随机挑选出40个样本参与SVM差分模型的测试。所述第二预设数量还可以是一个预先设置的比例值,例如,1/5,即,即在所生成的正负样本测试集中随机挑选1/5比例的样本参与SVM差分模型的测试。
实施例一的支持向量机差分模型训练装置40,首先构造模块400构造正负样本集,然后训练模块402根据所述正负样本集训练SVM差分模型。在所述构造模块400构造正负样本集时,对所有人的动态照片和证件照片进行人脸特征归一化并差分处理得到差分人脸特征,可有效表征由于年龄、光照、表情、姿态等变化而引起的人脸的差异信息。在所述训练模块402训练SVM差分模型时,采用支持向量机(Support Vector Machine,SVM)作为分类器进行模型训练,支持向量机算法对二分类问题有着良好的表现效果,同时对训练样本的数量要求不高。为了获得最优参数c、g组合,采用交叉验证的方法,在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练,在所生成的正负样本测试集中随机选择第二预设数量的正负样本测试集参与测试。因此,实施例一的支持向量机差分模型训练装置40将支持向量机、交叉验证及随机数的思想结合在一起,将其应用在人脸验证上,在样本量有限的前提下,能够训练出适合人脸验证的SVM差分模型。
参阅图4所示,是本发明人脸验证装置50的较佳实施例中的功能模块图。
在一些实施例中,所述人脸验证装置50运行于所述终端1中。所述人脸验证装置50可以包括多个由程序代码段所组成的功能模块。所述人脸验证装置50中的各个程序段的程序代码可以存储于所述存储器61中,并由所述至少一个处理器62所执行,以执行(详见图2描述)对人脸的验证。
本实施例中,所述终端1的人脸验证装置50根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:第一提取模块500、第二提取模块502、预处理模块504、归一化模块506、差分模块508、验证模块510。本发明所称的模块是指一种能够被至少一个处理器62所执行并且能够完成固定功能的一系列计算机程序段,其存储在所述存储器61中。在一些实施例中,关于各模块的功能将在后续的实施例中详述。
第一提取模块500,用于提取待验证人的证件照片中的人脸区域的第三人脸特征。
在一些实施例中,可以先使用读卡器读取所述证件照片中的人脸区域,再对所述待验证人的证件照片中的人脸区域进行检测。
第二提取模块502,用于提取待验证人的场景照片中的人脸区域的第四人脸特征。
为便于下文描述,将动态情况下采集的场景照片称之为场景照片。
本较佳实施例中,可以采用所述预先存储的人脸检测算法对待验证人的证件照片上的人脸区域及场景图片中的人脸区域进行检测,采用预先存储的人脸特征提取算法对检测出的人脸区域进行人脸特征提取。优选地,因深度学习特征具有较好的特征表达能力,本实施例中,采用深度学习算法来提取证件照片及场景照片上的人脸区域的人脸特征。本申请对人脸区域的检测及对人脸区域的特征提取过程不做详细赘述。
在一些实施例中,所述第一提取模块500和第二提取模块502可以是并行处理的。在一些实施例中,在利用人脸检测算法检测场景图片中的人脸区域之前,本发明所述的人脸验证装置50还可以包括预处理模块504,用于:对所述场景图片进行预处理。
本实施例中,所述预处理模块504对所述场景图片进行预处理可以包括,但不限于,图像去噪,光照归一化,姿态校准,灰度归一化等。例如,可以采用高斯滤波器对所述场景图片进行滤波,去除所述场景图片中的噪声;采用商图像技术除去高亮光照对所述场景图片的影响;采用正弦变换对所述场景图片中的人脸姿态进行校准。
归一化模块506,用于对所述第三人脸特征进行归一化处理得到第三归一化人脸特征,对所述第四人脸特征进行归一化处理得到第四归一化人脸特征。
本较佳实施例中,采用L2范数意义下的欧式距离分别对所述第三人脸特征及所述第四人脸特征进行归一化处理。具体可以参见步骤归一化子模块4002的相应描述。
差分模块508,用于对所述第三归一化人脸特征与第四归一化人脸特征进行做差以得到所述待验证人的差分人脸特征。
本较佳实施例中,所述待验证人的差分人脸特征的获取过程,具体可以参见差分子模块4003的相应描述。
验证模块510,用于根据所述SVM差分模型计算所述差分人脸特征的相似度。
本较佳实施例中,所述SVM差分模型为根据本发明实施例一提供的支持向量机差分模型训练装置40训练出的分类器模型。将所述待验证人的差分人脸特性输入所述SVM差分模型中,经过所述SVM差分模型的映射即可计算出分类可得到所述差分人脸特征的相似度。
所述验证模块510,还用于判断所述相似度是否大于预设阈值。
当所述相似度大于预设阈值时,所述验证模块确定所述证件照片与所述场景照片为同一个人;当所述相似度小于或等于预设阈值时,所述验证模块确定所述证件照片与所述场景照片不为同一个人。所述预设阈值可以是,例如0.5。
当计算出的差分人脸特征的相似度比所述预设阈值大时,确定待验证人的证件照片与待验证人的动态情况下采集的场景图片是同一个人的,即所述证件照片为待验证人本人;当计算出的差分人脸特征的相似度比所述预设阈值小或者相等时,确定待验证人的证件照片与待验证人的动态情况下采集的场景图片不是同一个人,即所述证件照片不为待验证人本人。
需要说明的是,本发明所述的人脸验证装置50可以事先提取证件照片中的人脸区域的第三人脸特征,将所述第三人脸特征存储到预先设定的数据库中,所述数据库中关联存储证件照片的人脸特征及证件编号。待需要验证证件照片与场景图片是否为同一个人时,获取证件照片上的证件编号,根据所述证件编号从所述预先设定的数据库中查找对应的人脸特征,然后根据所述SVM差分模型计算所述差分人脸特征的相似度,从而缩短了提取证件照上的人脸特征的时间,进一步提高了比对的效率。
综上所述,本发明所述的人脸验证装置50,使用深度学习算法提取证件照片及动态照片上的人脸区域的人脸特征(称之为深度学习特征)进行模型训练,训练出的模型具有较强的特征区域能力;本发明对深度学习特征再次进行归一化并差分处理得到差分人脸特征,可有效的表达证件照片和场景照片的特征空间分布的差异信息;在SVM差分模型训练阶段,使用少量不同人的证件照片和动态照片,从而减少了算法对样本量的需求,增加了算法的实用性。本发明所述的人脸验证装置50能够根据所述SVM差分模型获得较佳的人脸验证效果。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,双屏设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
如图5所示,是实现本发明所述SVM差分模型训练方法及/或所述人脸验证方法的终端的硬件结构示意图。
在本发明较佳实施例中,所述终端6包括存储器61、至少一个处理器62、至少一条通信总线63及摄像头64。
本领域技术人员应该了解,图5示出的终端的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述终端6还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述终端6是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的终端,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器、嵌入式设备等。所述终端6还可包括用户设备,所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal DigitalAssistant,PDA)等任何具备双屏的电子产品等。
需要说明的是,所述终端6仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器61用于存储程序代码和各种数据,并在终端6的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器61包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器62可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器62是所述终端6的控制核心(Control Unit),利用各种接口和线路连接整个终端6的各个部件,通过运行或执行存储在所述存储器61内的程序或者模块,以及调用存储在所述存储器61内的数据,以执行终端6的各种功能和处理数据,例如执行支持向量机差分模型训练装置40及/或人脸验证装置50。
在一些实施例中,所述至少一条通信总线63被设置为实现所述存储器61、所述至少一个处理器62及所述摄像头64等之间的连接通信。
尽管未示出,所述终端6还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理***与所述至少一个处理器62逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端6还可以包括多种传感器、蓝牙模块、Wi-Fi模块、摄像头等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
在进一步的实施例中,结合图1与图2,所述至少一个处理器62可执行所述终端6的操作***以及安装的各类应用程序(如所述的支持向量机差分模型训练装置40)、程序代码等,例如,上述的各个模块,包括:构造模块400、训练模块402及特征提取子模块4001、归一化子模块4002、差分子模块4003、构造子模块4004、生成子模块4021、寻优子模块4022。所述至少一个处理器62还可执行所述终端6的操作***以及安装的各类应用程序(如所述的人脸验证装置50)、程序代码等,例如,上述的各个模块,包括:第一提取模块500、第二提取模块502、预处理模块504、归一化模块506、差分模块508、验证模块510。
具体地,所述至少一个处理器62对上述指令的具体实现方法可参考图1及图2对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种SVM差分模型训练方法,其特征在于,所述方法包括:
构造正负样本集,包括:
1)提取每张证件照片上的人脸区域的第一人脸特征,提取每张动态照片上的人脸区域的第二人脸特征;
2)对所述第一人脸特征进行归一化处理得到第一归一化人脸特征,对所述第二人脸特征进行归一化处理得到第二归一化人脸特征;
3)对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征;
4)构造正负样本对,其中,所述正样本对为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第一类别属性,负样本对为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第二类别属性;
训练SVM差分模型,包括:
1):从所构造的正负样本集中生成正负样本训练集及正负样本测试集;
2):寻找惩罚参数c及核函数的参数g的最优组合,包括:将所述正负样本训练集输入到SVM中,计算出第一最优组合参数c、g;逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g;在所生成的正负样本测试集中随机选择预设数量的正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行多次测试,准确率最高时所对应的参数为第二最优组合参数c、g;
3):保存所述第二最优组合参数c、g及对应的SVM差分模型。
2.如权利要求1所述的方法,其特征在于,所述从所构造的正负样本集中生成正负样本训练集及正负样本测试集包括:
在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练。
3.一种利用权利要求1或2所述的方法训练出的SVM差分模型进行人脸验证方法,其特征在于,所述方法包括:
提取待验证人的证件照片中的人脸区域的第三人脸特征;
提取待验证人的场景照片中的人脸区域的第四人脸特征;
对所述第三人脸特征进行归一化处理得到第三归一化人脸特征,对所述第四人脸特征进行归一化处理得到第四归一化人脸特征;
对所述第三归一化人脸特征与第四归一化人脸特征进行做差以得到所述待验证人的差分人脸特征;及
根据所述SVM差分模型计算所述差分人脸特征的相似度;
判断所述相似度是否大于预设阈值;及
当所述相似度大于所述预设阈值时,确定所述证件照片与所述场景照片为同一个人;或者
当所述相似度小于或等于预设阈值时,确定所述证件照片与所述场景照片不为同一个人。
4.一种SVM差分模型训练装置,其特征在于,所述装置包括:
构造模块,用于构造正负样本集,包括:
特征提取子模块,用于提取每张证件照片上的人脸区域的第一人脸特征,提取每张动态照片上的人脸区域的第二人脸特征;
归一化子模块,用于对所述第一人脸特征进行归一化处理得到第一归一化人脸特征,对所述第二人脸特征进行归一化处理得到第二归一化人脸特征;
差分子模块,用于对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征;
构造子模块,用于构造正负样本对,其中,所述正样本对为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第一类别属性,负样本对为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第二类别属性;
训练模块,用于训练SVM差分模型,包括:
生成子模块,用于从所构造的正负样本集中生成正负样本训练集及正负样本测试集;
寻优子模块,用于寻找惩罚参数c及核函数的参数g的最优组合,包括:将所述正负样本训练集输入到SVM中,计算出第一最优组合参数c、g;逐步扩大c、g的范围并缩小步长,保存每一次的组合参数c、g;在所生成的正负样本测试集中随机选择预设数量的正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行多次测试,准确率最高时所对应的参数为第二最优组合参数c、g;
保存子模块,用于保存所述第二最优组合参数c、g及对应的SVM差分模型。
5.如权利要求4所述的装置,其特征在于,所述生成子模块从所构造的正负样本集中生成正负样本训练集及正负样本测试集包括:
在所生成的正负样本训练集中随机选择第一预设数量的正负样本训练集参与训练。
6.一种利用权利要求4或5所述的装置训练出的SVM差分模型进行人脸验证装置,其特征在于,所述装置包括:
第一提取模块,用于提取待验证人的证件照片中的人脸区域的第三人脸特征;
第二提取模块,用于提取待验证人的场景照片中的人脸区域的第四人脸特征;
归一化模块,用于对所述第三人脸特征进行归一化处理得到第三归一化人脸特征,对所述第四人脸特征进行归一化处理得到第四归一化人脸特征;
差分模块,用于对所述第三归一化人脸特征与第四归一化人脸特征进行做差以得到所述待验证人的差分人脸特征;及
验证模块,用于根据所述SVM差分模型计算所述差分人脸特征的相似度;及
所述验证模块,还用于判断所述相似度是否大于预设阈值;及
当所述相似度大于所述预设阈值时,所述验证模块确定所述证件照片与所述场景照片为同一个人;或者
当所述相似度小于或等于预设阈值时,所述验证模块确定所述证件照片与所述场景照片不为同一个人。
7.一种终端,其特征在于:所述终端包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1或2所述SVM差分模型训练方法或者实现如权利要求3所述人脸验证方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1或2所述SVM差分模型训练方法或者实现如权利要求3所述人脸验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711297473.2A CN107967461B (zh) | 2017-12-08 | 2017-12-08 | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711297473.2A CN107967461B (zh) | 2017-12-08 | 2017-12-08 | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107967461A CN107967461A (zh) | 2018-04-27 |
CN107967461B true CN107967461B (zh) | 2020-07-24 |
Family
ID=61999557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711297473.2A Active CN107967461B (zh) | 2017-12-08 | 2017-12-08 | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967461B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648074B (zh) * | 2018-05-18 | 2023-06-09 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
CN108805048B (zh) * | 2018-05-25 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种人脸识别模型的调整方法、装置和存储介质 |
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 |
CN111522228B (zh) * | 2019-02-02 | 2023-09-22 | 北京京东乾石科技有限公司 | 一种飞行器的检测方法及装置 |
CN113556699A (zh) * | 2020-04-24 | 2021-10-26 | 北京沃东天骏信息技术有限公司 | 样本集构建、室内定位模型构建、室内定位方法和装置 |
CN112597493A (zh) * | 2020-12-25 | 2021-04-02 | 北京通付盾人工智能技术有限公司 | 一种移动设备人机操作检测方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582113A (zh) * | 2009-06-15 | 2009-11-18 | 江苏大学 | 一种具有身份的人脸图像分层比对识别方法 |
CN102004899A (zh) * | 2010-11-03 | 2011-04-06 | 无锡中星微电子有限公司 | 一种人脸认证***及方法 |
CN106407915A (zh) * | 2016-08-31 | 2017-02-15 | 广州精点计算机科技有限公司 | 一种基于svm的人脸特征识别方法及装置 |
-
2017
- 2017-12-08 CN CN201711297473.2A patent/CN107967461B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582113A (zh) * | 2009-06-15 | 2009-11-18 | 江苏大学 | 一种具有身份的人脸图像分层比对识别方法 |
CN102004899A (zh) * | 2010-11-03 | 2011-04-06 | 无锡中星微电子有限公司 | 一种人脸认证***及方法 |
CN106407915A (zh) * | 2016-08-31 | 2017-02-15 | 广州精点计算机科技有限公司 | 一种基于svm的人脸特征识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
支持向量机最优参数选择的研究;刘东辉等;《河北科技大学学报》;20090331;第30卷(第1期);第58-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107967461A (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
US10303982B2 (en) | Systems and methods for machine learning enhanced by human measurements | |
EP3074918B1 (en) | Method and system for face image recognition | |
US9697440B2 (en) | Method and apparatus for recognizing client feature, and storage medium | |
Rani et al. | Three dimensional objects recognition & pattern recognition technique; related challenges: A review | |
JP2022521038A (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、装置及び電子機器 | |
CN111898550B (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
Cai et al. | MIFAD-net: multi-layer interactive feature fusion network with angular distance loss for face emotion recognition | |
Liu et al. | Combining 2D gabor and local binary pattern for facial expression recognition using extreme learning machine | |
Bekhouche et al. | A comparative study of human facial age estimation: handcrafted features vs. deep features | |
CN106709490B (zh) | 一种字符识别方法和装置 | |
Galla et al. | Support vector machine based feature extraction for gender recognition from objects using lasso classifier | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
Boncolmo et al. | Gender Identification Using Keras Model Through Detection of Face | |
Hebda et al. | A compact deep convolutional neural network architecture for video based age and gender estimation | |
Liang et al. | A supervised figure-ground segmentation method using genetic programming | |
Sinha et al. | Age Invariant Face Recogntion Using Pca And Msvm | |
Biswas et al. | Smart city development: Theft handling of public vehicles using image analysis and cloud network | |
Fan et al. | Palmprint phenotype feature extraction and classification based on deep learning | |
CN116580442A (zh) | 基于可分离卷积的微表情识别方法、装置、设备及介质 | |
Kamarajugadda et al. | Stride towards aging problem in face recognition by applying hybrid local feature descriptors | |
Liu et al. | Construction of a smart face recognition model for university libraries based on FaceNet-MMAR algorithm | |
CN114913361A (zh) | 应用于抗人球蛋白试验结果图像的分类方法及*** | |
Laptev et al. | Integrating Traditional Machine Learning and Neural Networks for Image Processing | |
Vaish et al. | A Novel Approach for Pain Intensity Detection by KAZE Features |
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 |