CN114880636A - 基于人脸识别的身份验证方法和*** - Google Patents

基于人脸识别的身份验证方法和*** Download PDF

Info

Publication number
CN114880636A
CN114880636A CN202210607016.3A CN202210607016A CN114880636A CN 114880636 A CN114880636 A CN 114880636A CN 202210607016 A CN202210607016 A CN 202210607016A CN 114880636 A CN114880636 A CN 114880636A
Authority
CN
China
Prior art keywords
face
detected person
image
feature
classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210607016.3A
Other languages
English (en)
Inventor
张浩瑀
付昕
文国军
丁一斐
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210607016.3A priority Critical patent/CN114880636A/zh
Publication of CN114880636A publication Critical patent/CN114880636A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请公开一种基于人脸识别的身份验证方法和***，该方法和***针对采集并提取的人脸图像，进一步提取其人脸特征，并采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对所提取人脸特征的特征向量进行分类处理，最终通过分类处理验证被检测者的身份。从而，本申请实现了一种基于人脸识别的自动化、智能化的身份验证解决方案，且本申请采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对所提取人脸特征的特征向量进行分类处理，可有效杜绝基于人脸识别的身份验证中错判、漏判和其他人为因素等问题的影响，使得基于人脸识别技术可有效、精准地验证客户身份的真实性。

Description

基于人脸识别的身份验证方法和***
技术领域
本申请属于身份识别/验证技术领域，尤其涉及一种基于人脸识别的身份验证方法和***。
背景技术
目前，银行网点对客户的身份验证需要人工鉴别，也就是需要柜员和客户经理人工识别，缺乏自动化、智能化的执行能力，耗时耗力，且会出现识别不准确的问题，另一方面，随着科技发展身份伪造越来越多，导致传统识别方法识别难度加大，为金融安全带来了风险。
发明内容
有鉴于此，本申请提供一种基于人脸识别的身份验证方法和***，以解决传统技术存在的问题，提升对客户的身份验证效率，降低成本，以适应银行网点等业务场景的数字化转型的趋势。
具体技术方案如下：
一种基于人脸识别的身份验证方法，包括：
获取采集的被检测者头像图像；
对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像；
对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征；
采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份；
其中，所述加权距离分类器用于确定所述被检测者的人脸特征与预先存储的人脸特征模板集合中各个人脸特征模板的特征距离，并基于得到与所述被检测者人脸特征的特征距离满足距离条件的第一人脸特征模板，启动所述神经网络分类器基于所述第一人脸特征模板验证所述被检测者的身份。
可选的，所述对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像，包括：
基于包含肤色特征的肤色模型检测所述被检测者头像图像中的人脸区域；
基于所述人脸区域分割所述被检测者头像图像中的人脸与背景，得到所述被检测者的人脸图像。
可选的，所述对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征，包括：
定位所述人脸图像中的面部器官位置和人脸轮廓线；
基于所述面部器官位置和所述人脸轮廓线，确定并提取所述被检测者的人脸图像的几何特征；
基于所述被检测者的人脸图像的预设图像信息和所述几何特征，生成所述被检测者对应的特征脸；
根据所述特征脸，确定所述被检测者的人脸图像的统计特征，得到所述被检测者的包括所述几何特征和所述统计特征的人脸特征。
可选的，所述定位所述人脸图像中的面部器官位置和人脸轮廓线，包括：
对所述人脸图像进行灰度化处理，得到对应的灰度图像；
对所述灰度图像进行二值化处理，得到对应的二值化图像；
基于所述二值化图像中二值化后的灰度信息进行面部器官位置定位和人脸轮廓线定位。
可选的，所述预设图像信息包括所述被检测者的人脸图像的灰度特征；
所述根据所述特征脸，确定所述被检测者的人脸图像的统计特征，包括：
根据所述特征脸，确定所述被检测者的人脸图像灰度矩阵的统计特征。
可选的，在所述基于所述面部器官位置和所述人脸轮廓线，确定并提取所述被检测者的人脸图像的几何特征之前，上述方法还包括：
对所述人脸图像进行标准化处理；
其中，所述标准化处理包括如下至少一种：
根据两眼瞳孔位置对所述人脸图像进行旋转校正；
以两眼之间的距离作为图像尺寸归一化的依据对所述人脸图像的大小进行归一化处理；
采用预设方法对所述人脸图像的图像灰度值进行归一化处理。
可选的，所述采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份，包括：
利用所述加权距离分类器分别确定所述被检测者的人脸特征与人脸特征模板集合中各个人脸特征模板的特征距离；
如果所述人脸特征与各个人脸特征模板的特征距离分别未低于第一阈值，则所述被检测者未通过身份验证；
如果所述人脸特征与所述各个人脸特征模板中第一人脸特征模板的特征距离在所述第一阈值和第二阈值之间，且所述人脸特征与所述第一人脸特征模板除外的其他人脸特征模板的特征距离分别未低于所述第一阈值，启动所述神经网络分类器，利用所述神经网络分类器基于所述第一人脸特征模板和所述人脸特征，对所述被检测者进行身份验证；
如果所述人脸特征与所述各个人脸特征模板中第二人脸特征模板的特征距离未高于所述第二阈值，确定所述被检测者的身份为所述第二人脸特征模板对应的人员身份，则所述被检测者通过身份验证；
其中，所述第一阈值大于所述第二阈值。
可选的，所述神经网络分类器为反向传播BP网络分类器，所述BP网络分类器输入层的节点数I为所述人脸特征的特征矢量长度，输出层的节点数O为所述人脸特征模板集合所包含的人脸特征模板数，隐含层的节点数
Figure BDA0003671757830000031
一种基于人脸识别的身份验证***，包括：
头像图像获取模块，用于获取采集的被检测者头像图像；
人脸检测模块，用于对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像；
人脸特征提取模块，用于对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征；
身份验证模块，用于采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份；
其中，所述加权距离分类器用于确定所述被检测者的人脸特征与预先存储的人脸特征模板集合中各个人脸特征模板的特征距离，并基于得到与所述被检测者的人脸特征的特征距离满足距离条件的第一人脸特征模板，启动所述神经网络分类器基于所述第一人脸特征模板验证所述被检测者的身份。
可选的，所述身份验证模块，具体用于：
利用所述加权距离分类器分别确定所述被检测者的人脸特征与人脸特征模板集合中各个人脸特征模板的特征距离；
如果所述人脸特征与各个人脸特征模板的特征距离分别未低于第一阈值，则所述被检测者未通过身份验证；
如果所述人脸特征与所述各个人脸特征模板中第一人脸特征模板的特征距离在所述第一阈值和第二阈值之间，且所述人脸特征与所述第一人脸特征模板除外的其他人脸特征模板的特征距离分别未低于所述第一阈值，启动所述神经网络分类器，利用所述神经网络分类器基于所述第一人脸特征模板和所述人脸特征，对所述被检测者进行身份验证；
如果所述人脸特征与所述各个人脸特征模板中第二人脸特征模板的特征距离未高于所述第二阈值，确定所述被检测者的身份为所述第二人脸特征模板对应的人员身份，则所述被检测者通过身份验证；
其中，所述第一阈值大于所述第二阈值。
根据以上方案可知，本申请提供的基于人脸识别的身份验证方法和***，针对采集并提取的人脸图像，进一步提取其中的人脸特征，并采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对所提取人脸特征的特征向量进行分类处理，最终通过分类处理验证被检测者的身份。从而，本申请实现了一种基于人脸识别的自动化、智能化的身份验证解决方案，且本申请采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对所提取人脸特征的特征向量进行分类处理，可有效杜绝基于人脸识别的身份验证中错判、漏判和其他人为因素等问题的影响，使得基于人脸识别技术可有效、精准地验证客户身份的真实性。
附图说明
为了更清楚地说明本申请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申请的实施例，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是本申请提供的基于人脸识别的身份验证方法的流程示意图；
图2是本申请提供的对人脸图像进行人脸特征提取的过程图；
图3是本申请提供的基于人脸识别的身份验证的整体逻辑图；
图4是本申请提供的基于人脸识别的身份验证***的组成结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例公开一种基于人脸识别的身份验证方法和***，用于通过人脸识别实现对客户等被检测者的身份验证，并具体采用加权距离分类器与神经网络分类器相结合的组合分类器方式，解决传统技术针对客户等人员的身份验证业务场景存在的问题，提升身份验证效率，降低成本，适应银行网点等业务场景的数字化转型趋势。
参考图1，提供了本申请实施例中基于人脸识别的身份验证方法的流程图，该方法具体包括：
步骤101、获取采集的被检测者头像图像。
被检测者可以是银行网点客户等需进行身份识别/验证的人员。
其中，具体可采用摄像头作为身份验证***的外部采集与输入设备，以拍照或视频录制等方式现场动态捕捉、采集客户等被检测者的头像图像。
摄像头作为***的外部输入设备，在图像/视频采集中起着至关重要的作用，采集到的视频质量越高，对后续的身份识别/验证处理耗时越短。
所采集的头像图像为包含被检测者面部信息和背景的图像。
步骤102、对被检测者头像图像进行人脸检测，并提取其中的人脸图像。
申请人研究发现，肤色特征具有相对的稳定性，且不依赖于人脸面部的细节特征，同时基于肤色特征的人脸检测方法在单调背景下的检测率极高，因此本申请实施例主要采用肤色模型分割人脸图像与背景。
具体的，本实施例基于包含肤色特征的肤色模型，检测被检测者头像图像中的人脸区域，并基于检测的人脸区域分割被检测者头像图像中的人脸与背景，得到被检测者的人脸图像。
步骤103、对提取的人脸图像进行人脸特征提取处理，得到被检测者的人脸特征。
本申请实施例采用几何特征和统计特征的特征组合，反映人脸图像的整体特征，相应的，对提取的人脸图像进一步进行人脸特征提取所得到的被检测者人脸特征，包括被被检测者人脸的几何特征和统计特征，参见图2，该步骤103对提取的人脸图像进行人脸特征提取的过程，可进一步实现为：
步骤201、定位被检测者人脸图像中的面部器官位置和人脸轮廓线。
申请人发现，人脸眼睛、鼻子、嘴巴三个主要器官区域的灰度明显低于面部其他区域的灰度，基于此，在通过对人像图像进行人脸区域检测并分割出人脸图像的基础上，本实施例先对分割出的人脸图像进行灰度化处理，得到对应的灰度图像，之后再对灰度图像进行二值化处理，即具体将灰度图像进行动态阈值分割，转化成二值图像，最终，基于二值化图像中二值化后的灰度信息进行面部器官位置定位和人脸轮廓线定位。
步骤202、基于定位的面部器官位置和人脸轮廓线，确定并提取被检测者的人脸图像的几何特征。
在定位出人脸图像中的面部器官位置和人脸轮廓线后，进一步提取人脸图像的几何特征，提取的几何特征包括眼睛、鼻子和嘴等不同面部器官之间的几何关系信息，如不同面部器官之间的距离、一个面部器官或多个面部器官的组合的面积，不同面部器官之间的相对角度等等。
可选的，在基于定位的面部器官位置和人脸轮廓线，确定并提取被检测者的人脸图像的几何特征之前，还可以预先对人脸图像进行标准化处理。
人脸图像的标准化是本申请人脸识别中重要的一环，目的是将一些对人脸识别无用或造成干扰的冗余信息去除，从一定程度上消除由于人脸大小、偏头以及光照等因素造成的影响。可选的，本申请实施例主要对被检测者人脸图像做如下标准化处理中的至少一种：
11)根据两眼瞳孔的具***置对人脸图像进行旋转校正；
12)以两眼之间的距离作为图像尺寸归一化的依据对图像的大小进行归一化处理；
13)采用预设方法对人脸图像的图像灰度值进行归一化处理。
其中，具体可以但不限于采用直方图增强的方法对人脸图像的图像灰度值进行归一化处理。
步骤203、基于被检测者的人脸图像的预设图像信息和提取的几何特征，生成被检测者对应的特征脸。
优选的，预设图像信息包括被检测者的人脸图像的灰度特征。
本实施例主要基于被检测者的人脸图像的灰度特征和提取的几何特征，生成被检测者对应的特征脸。
步骤204、根据被检测者的特征脸，确定被检测者的人脸图像的统计特征，得到被检测者的包括所述几何特征和所述统计特征的人脸特征。
之后，利用“特征脸”的方法进行被检测者人脸图像的统计特征的提取，统计特征是指将人脸图像视为随机向量，并用统计方法辨别出的不同人脸特征。本实施例具体根据被检测者的特征脸，对标准化后的人脸图像进行统计特征提取，其中具体提取被检测者的人脸图像灰度矩阵的统计特征，得到被检测者人脸图像的统计特征。
本申请未直接采用人脸图像进行统计特征提取，而是采用“特征脸”的方法提取被检测者人脸图像的统计特征，可以有效地将识别到的人脸无用信息、干扰信息去除，进而提升基于人脸识别的身份验证的效率和准确率。
步骤104、采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对提取的人脸特征进行分类处理，通过分类处理验证被检测者的身份。
其中，加权距离分类器用于确定被检测者的人脸特征与预先存储的人脸特征模板集合中各个人脸特征模板的特征距离，并基于得到与被检测者的人脸特征的特征距离满足距离条件的第一人脸特征模板，启动神经网络分类器基于上述第一人脸特征模板验证被检测者的身份。
可选的，预先存储的人脸特征模板集合具体实现为一人脸特征库，即，本实施例以人脸特征库的方式实现该人脸特征模板集合，人脸特征库包含一系列已注册人员分别对应的人脸特征模板。其中，各个已注册人员分别对应的人脸特征模板，具体为一系列通过预先对不同客户等注册人员进行原始头像图片采集并经过处理所得的、用于在身份验证中作为比对模板/比对依据的人脸特征，本实施例将其称为人脸特征模板。
客户等已注册人员的原始头像图像采集是身份验证(以用于预防作弊等)的第一手资料，主要经由注册人员头像图片采集、对所采集头像图片的人脸检测、面部器官/人脸轮廓线定位、图像标准化、人脸特征提取(几何特征提取，和基于“特征脸”的统计特征提取)等处理最终形成人脸特征模板，一系列注册人员各自对应的人脸特征模板构成人脸特征库。
对注册人员的头像图片采集以及对所采集头像图片的各环节处理，与对对被检测者的头像图片采集和对所采集头像图片的各环节处理对应一致，具体可参见上文对被检测者的头像图片采集和对所采集头像图片的各环节处理过程，此处不再赘述。
其中，为进一步提升人脸特征库中人脸特征模板的参考价值，对每位注册人员采集多幅(如5幅)头像图片，并按照上述方法处理后以预设文件格式存放在PC机硬盘上，构成客户人脸特征库。
预设文件格式可以是但不限于BMP(Bitmap，位图图像)格式。
在对银行网点客户等被检测者进行身份验证的业务场景中，由于已经建立了人脸特征库，在业务现场只需要采集被检测者头像并将所采集头像与人脸特征库进行匹配即可，匹配成功者则被检测者通过身份验证，未匹配成功相应表征被检测者未通过身份验证。
为了快速、准确的识别客户身份，本申请主要采用加权距离分类器与神经网络分类器相结合的组合分类器，对被检测者进行身份识别、验证。该过程可进一步实现为：
21)利用组合分类器中的加权距离分类器分别确定被检测者的人脸特征与人脸特征模板集合(人脸特征库)中各个人脸特征模板的特征距离；
22)如果被检测者的人脸特征与各个人脸特征模板的特征距离分别未低于第一阈值，则被检测者未通过身份验证；
23)如果被检测者的人脸特征与所述各个人脸特征模板中第一人脸特征模板的特征距离在所述第一阈值和第二阈值之间，且被检测者的人脸特征与第一人脸特征模板除外的其他人脸特征模板的特征距离分别未低于第一阈值，启动神经网络分类器，利用神经网络分类器基于所述第一人脸特征模板和人脸特征，对被检测者进行进一步的身份验证；
其中，第一阈值大于第二阈值。
在启动神经网络分类器后，利用神经网络分类器基于第一人脸特征模板和人脸特征，对被检测者进行进一步的身份验证，具体是指，通过神经网络分类器的各个层进一步对被检测者的人脸特征和该第一人脸特征模板进行更精细化、更精准的特征比对、识别处理，并确定被检测者的身份是否为该第一人脸特征模板对应的人员身份。
可选的，神经网络分类器可以为BP(Back Propagation，反向传播)网络分类器，BP网络分类器包括输入层、输出层和隐含层等多个功能层，BP网络分类器输入层的节点数I为所述人脸特征的特征矢量长度，输出层的节点数O为所述人脸特征模板集合内所包含的人脸特征模板数，隐含层的节点数
Figure BDA0003671757830000091
24)如果被检测者的人脸特征与各个人脸特征模板中第二人脸特征模板的特征距离未高于上述第二阈值，确定被检测者的身份为第二人脸特征模板对应的人员身份，则被检测者通过身份验证。
具体的，预先为组合分类器中的加权距离分类器设定两个距离阈值：第一阈值和第二阈值，分别表示为t1和t2，其中，t1＞t2。实际应用中，可根据需求在保证t1＞t2的前提下，适应性调整t1和t2的具体取值，考虑到图像采集识别时光照、背景等因素的影响，可以将阈值t1设置的稍微高一些，同时考虑到***的准确性，可将阈值t2设置的稍微低一些，然后根据具体情况做出以下分类处理与判断：
①当dmin≥t1时，将被检测者视为陌生人；
②当dmin≤t2时，将被检测者视为某人；
③当t2<dmin<t1时，启动神经网络分类器做进一步确认。
其中，dmin表示被检测者人脸特征与人脸特征库中相应人脸特征模板之间的特征距离。
将被检测者视为陌生人，是指人脸特征库中不存在与被检测者的人脸特征匹配的人脸特征模板，被检测者未通过***的身份验证；将被检测者视为某人，即指，人脸特征库中存在与被检测者的人脸特征匹配的人脸特征模板，被检测者通过***的身份验证，并具体将被检测者身份识别为人脸特征库中与被检测者人脸特征的特征距离≤t2的人脸特征模板所对应的人员。
本实施例通过为加权距离分类器设定两个大小不同的距离阈值t1和t2(t1＞t2)，并首先对被检测者人脸特征与人脸特征库中的人脸特征进行特征距离判定，以及在dmin≥t1以及dmin≤t2时，直接根据加权距离分类器的分类情况给出被检测者的身份验证结果，不再启动神经网络分类器作进一步确认，提升了基于人脸识别的身份验证效率；而在t2<dmin<t1时，启动神经网络分类器做进一步确认，利用神经网络分类器的精准识别功能对被检测者身份进行精准识别/验证，进一步提升了基于人脸识别的身份验证的准确度，从而同时保证了基于人脸识别的身份验证的效率和准确度。
参见图3，提供了本申请基于人脸识别的身份验证的整体逻辑图，其中，当被检测者在摄像头前时，***会通过摄像头采集并输入被检测者的人像图片，快速的根据肤色检测与提取被检测者人脸图像，并提取其中的人脸特征，将被检测者的人脸特征通过组合分类器与人脸特征库进行匹配，当能有效的将人脸特征库中某人脸特征匹配被检测者人脸特征时，***会自动显示被检测者通过验证的身份验证结果，反之，则显示未通过验证果。
根据以上方案可知，本申请实施例的方法，针对采集并提取的人脸图像，进一步提取其人脸特征，并采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对所提取人脸特征的特征向量进行分类处理，最终通过分类处理验证被检测者的身份。从而，本申请实现了一种基于人脸识别的自动化、智能化的身份验证解决方案，且本申请采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对所提取人脸特征的特征向量进行分类处理，可有效杜绝基于人脸识别的身份验证中错判、漏判和其他人为因素等问题的影响，使得基于人脸识别技术可有效、精准地验证客户身份的真实性。
对应于上述的基于人脸识别的身份验证方法，本申请实施例还公开一种基于人脸识别的身份验证***，参见图4示出的该***的组成结构图，该***至少包括：
头像图像获取模块10，用于获取采集的被检测者头像图像；
人脸检测模块20，用于对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像；
人脸特征提取模块30，用于对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征；
身份验证模块40，用于采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份；
其中，所述加权距离分类器用于确定所述被检测者的人脸特征与预先存储的人脸特征模板集合中各个人脸特征模板的特征距离，并基于得到与所述被检测者的人脸特征的特征距离满足距离条件的第一人脸特征模板，启动所述神经网络分类器基于所述第一人脸特征模板验证所述被检测者的身份。
可选的，在一实施方式中，人脸检测模块20具体用于：基于包含肤色特征的肤色模型检测所述被检测者头像图像中的人脸区域；基于所述人脸区域分割所述被检测者头像图像中的人脸与背景，得到所述被检测者的人脸图像。
可选的，在一实施方式中，人脸特征提取模块30具体用于：定位所述人脸图像中的面部器官位置和人脸轮廓线；基于所述面部器官位置和所述人脸轮廓线，确定并提取所述被检测者的人脸图像的几何特征；基于所述被检测者的人脸图像的预设图像信息和所述几何特征，生成所述被检测者对应的特征脸；根据所述特征脸，确定所述被检测者的人脸图像的统计特征，得到所述被检测者的包括所述几何特征和所述统计特征的人脸特征。
可选的，在一实施方式中，人脸特征提取模块30在定位所述人脸图像中的面部器官位置和人脸轮廓线时，具体用于：对所述人脸图像进行灰度化处理，得到对应的灰度图像；对所述灰度图像进行二值化处理，得到对应的二值化图像；基于所述二值化图像中二值化后的灰度信息进行面部器官位置定位和人脸轮廓线定位。
可选的，在一实施方式中，所述预设图像信息包括所述被检测者的人脸图像的灰度特征；人脸特征提取模块30在根据所述特征脸，确定所述被检测者的人脸图像的统计特征时，具体用于：根据所述特征脸，确定所述被检测者的人脸图像灰度矩阵的统计特征。
可选的，在一实施方式中，所述***还包括：图像标准化模块，用于在所述基于所述面部器官位置和所述人脸轮廓线，确定并提取所述被检测者的人脸图像的几何特征之前对所述人脸图像进行标准化处理。
其中，所述标准化处理包括如下至少一种：
根据两眼瞳孔位置对所述人脸图像进行旋转校正；
以两眼之间的距离作为图像尺寸归一化的依据对所述人脸图像的大小进行归一化处理；
采用预设方法对所述人脸图像的图像灰度值进行归一化处理。
可选的，在一实施方式中，身份验证模块40具体用于：
利用所述加权距离分类器分别确定所述被检测者的人脸特征与人脸特征模板集合中各个人脸特征模板的特征距离；
如果所述人脸特征与各个人脸特征模板的特征距离分别未低于第一阈值，则所述被检测者未通过身份验证；
如果所述人脸特征与所述各个人脸特征模板中第一人脸特征模板的特征距离在所述第一阈值和第二阈值之间，且所述人脸特征与所述第一人脸特征模板除外的其他人脸特征模板的特征距离分别未低于所述第一阈值，启动所述神经网络分类器，利用所述神经网络分类器基于所述第一人脸特征模板和所述人脸特征，对所述被检测者进行身份验证；
如果所述人脸特征与所述各个人脸特征模板中第二人脸特征模板的特征距离未高于所述第二阈值，确定所述被检测者的身份为所述第二人脸特征模板对应的人员身份，则所述被检测者通过身份验证；
其中，所述第一阈值大于所述第二阈值。
可选的，在一实施方式中，组合分类器中的神经网络分类器为反向传播BP网络分类器，所述BP网络分类器输入层的节点数I为所述人脸特征的特征矢量长度，输出层的节点数O为所述人脸特征模板集合所包含的人脸特征模板数，隐含层的节点数
Figure BDA0003671757830000121
对于本申请实施例公开的基于人脸识别的身份验证***而言，由于其与上文方法实施例公开的基于人脸识别的身份验证方法相对应，所以描述的比较简单，相关相似之处请参见上文方法实施例的说明即可，此处不再详述。
综上所述，本申请实施例公开的基于人脸识别的身份验证方法和***，与现有技术相比，至少具备以下技术优势：
31)针对银行网点的客户身份验证等业务场景，可根据银行实际应用和业务特点，充分利用银行网点资源解决客户身份验证的业务难题，实现利用机器代替人工，将员工从繁杂的手工操作中解脱出来，提升了业务场景的自动化智能化的执行能力；
32)采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对提取的特征向量进行分类处理，可有效杜绝身份验证中的错判、漏判和其他人为因素等问题影响，使人脸识别技术可有效验证客户身份的真实性；
33)采用加权距离分类器与神经网络分类器相结合的组合分类器方式，对提取的特征向量进行分类处理，大幅提高了身份验证效率，降低成本并节省了时间。
需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。
为了描述的方便，描述以上***或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种基于人脸识别的身份验证方法，其特征在于，包括：
获取采集的被检测者头像图像；
对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像；
对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征；
采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份；
其中，所述加权距离分类器用于确定所述被检测者的人脸特征与预先存储的人脸特征模板集合中各个人脸特征模板的特征距离，并基于得到与所述被检测者人脸特征的特征距离满足距离条件的第一人脸特征模板，启动所述神经网络分类器基于所述第一人脸特征模板验证所述被检测者的身份。
2.根据权利要求1所述的方法，其特征在于，所述对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像，包括：
基于包含肤色特征的肤色模型检测所述被检测者头像图像中的人脸区域；
基于所述人脸区域分割所述被检测者头像图像中的人脸与背景，得到所述被检测者的人脸图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征，包括：
定位所述人脸图像中的面部器官位置和人脸轮廓线；
基于所述面部器官位置和所述人脸轮廓线，确定并提取所述被检测者的人脸图像的几何特征；
基于所述被检测者的人脸图像的预设图像信息和所述几何特征，生成所述被检测者对应的特征脸；
根据所述特征脸，确定所述被检测者的人脸图像的统计特征，得到所述被检测者的包括所述几何特征和所述统计特征的人脸特征。
4.根据权利要求3所述的方法，其特征在于，所述定位所述人脸图像中的面部器官位置和人脸轮廓线，包括：
对所述人脸图像进行灰度化处理，得到对应的灰度图像；
对所述灰度图像进行二值化处理，得到对应的二值化图像；
基于所述二值化图像中二值化后的灰度信息进行面部器官位置定位和人脸轮廓线定位。
5.根据权利要求3所述的方法，其特征在于，所述预设图像信息包括所述被检测者的人脸图像的灰度特征；
所述根据所述特征脸，确定所述被检测者的人脸图像的统计特征，包括：
根据所述特征脸，确定所述被检测者的人脸图像灰度矩阵的统计特征。
6.根据权利要求3所述的方法，在所述基于所述面部器官位置和所述人脸轮廓线，确定并提取所述被检测者的人脸图像的几何特征之前，还包括：
对所述人脸图像进行标准化处理；
其中，所述标准化处理包括如下至少一种：
根据两眼瞳孔位置对所述人脸图像进行旋转校正；
以两眼之间的距离作为图像尺寸归一化的依据对所述人脸图像的大小进行归一化处理；
采用预设方法对所述人脸图像的图像灰度值进行归一化处理。
7.根据权利要求1所述的方法，其特征在于，所述采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份，包括：
利用所述加权距离分类器分别确定所述被检测者的人脸特征与人脸特征模板集合中各个人脸特征模板的特征距离；
如果所述人脸特征与各个人脸特征模板的特征距离分别未低于第一阈值，则所述被检测者未通过身份验证；
如果所述人脸特征与所述各个人脸特征模板中第一人脸特征模板的特征距离在所述第一阈值和第二阈值之间，且所述人脸特征与所述第一人脸特征模板除外的其他人脸特征模板的特征距离分别未低于所述第一阈值，启动所述神经网络分类器，利用所述神经网络分类器基于所述第一人脸特征模板和所述人脸特征，对所述被检测者进行身份验证；
如果所述人脸特征与所述各个人脸特征模板中第二人脸特征模板的特征距离未高于所述第二阈值，确定所述被检测者的身份为所述第二人脸特征模板对应的人员身份，则所述被检测者通过身份验证；
其中，所述第一阈值大于所述第二阈值。
8.根据权利要求1所述的方法，所述神经网络分类器为反向传播BP网络分类器，所述BP网络分类器输入层的节点数I为所述人脸特征的特征矢量长度，输出层的节点数O为所述人脸特征模板集合所包含的人脸特征模板数，隐含层的节点数
Figure FDA0003671757820000031
9.一种基于人脸识别的身份验证***，其特征在于，包括：
头像图像获取模块，用于获取采集的被检测者头像图像；
人脸检测模块，用于对所述被检测者头像图像进行人脸检测，并提取其中的人脸图像；
人脸特征提取模块，用于对所述人脸图像进行人脸特征提取处理，得到所述被检测者的人脸特征；
身份验证模块，用于采用预先构建的包括加权距离分类器和神经网络分类器的组合分类器对所述人脸特征进行分类处理，通过分类处理验证所述被检测者的身份；
其中，所述加权距离分类器用于确定所述被检测者的人脸特征与预先存储的人脸特征模板集合中各个人脸特征模板的特征距离，并基于得到与所述被检测者的人脸特征的特征距离满足距离条件的第一人脸特征模板，启动所述神经网络分类器基于所述第一人脸特征模板验证所述被检测者的身份。
10.根据权利要求9所述的***，其特征在于，所述身份验证模块，具体用于：
利用所述加权距离分类器分别确定所述被检测者的人脸特征与人脸特征模板集合中各个人脸特征模板的特征距离；
如果所述人脸特征与各个人脸特征模板的特征距离分别未低于第一阈值，则所述被检测者未通过身份验证；
如果所述人脸特征与所述各个人脸特征模板中第一人脸特征模板的特征距离在所述第一阈值和第二阈值之间，且所述人脸特征与所述第一人脸特征模板除外的其他人脸特征模板的特征距离分别未低于所述第一阈值，启动所述神经网络分类器，利用所述神经网络分类器基于所述第一人脸特征模板和所述人脸特征，对所述被检测者进行身份验证；
如果所述人脸特征与所述各个人脸特征模板中第二人脸特征模板的特征距离未高于所述第二阈值，确定所述被检测者的身份为所述第二人脸特征模板对应的人员身份，则所述被检测者通过身份验证；
其中，所述第一阈值大于所述第二阈值。
CN202210607016.3A 2022-05-31 2022-05-31 基于人脸识别的身份验证方法和*** Pending CN114880636A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210607016.3A CN114880636A (zh) 2022-05-31 2022-05-31 基于人脸识别的身份验证方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210607016.3A CN114880636A (zh) 2022-05-31 2022-05-31 基于人脸识别的身份验证方法和***

Publications (1)

Publication Number Publication Date
CN114880636A true CN114880636A (zh) 2022-08-09

Family

ID=82680374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210607016.3A Pending CN114880636A (zh) 2022-05-31 2022-05-31 基于人脸识别的身份验证方法和***

Country Status (1)

Country Link
CN (1) CN114880636A (zh)

Similar Documents

Publication Publication Date Title
CN108520219B (zh) 一种卷积神经网络特征融合的多尺度快速人脸检测方法
RU2738325C2 (ru) Способ и устройство аутентификации личности
CN108985134B (zh) 基于双目摄像机的人脸活体检测及刷脸交易方法及***
WO2019153739A1 (zh) 基于人脸识别的身份认证方法、装置、设备和存储介质
JP4755202B2 (ja) 顔特徴の検出方法
CN102902959B (zh) 基于二代身份证存储证件照的人脸识别方法及***
CN104376250A (zh) 基于音型像特征的真人活体身份验证方法
CN110008909B (zh) 一种基于ai的实名制业务实时稽核***
US20150178547A1 (en) Apparatus and method for iris image analysis
US20060147093A1 (en) ID card generating apparatus, ID card, facial recognition terminal apparatus, facial recognition apparatus and system
CN106709402A (zh) 基于音型像特征的真人活体身份验证方法
WO2019200872A1 (zh) 身份验证方法和装置、电子设备、计算机程序和存储介质
CN105335691A (zh) 笑脸识别鼓励***
CN109635625B (zh) 智能身份核验方法、设备、存储介质及装置
Hebbale et al. Real time COVID-19 facemask detection using deep learning
CN110599187A (zh) 一种基于人脸识别的支付方法、装置、计算机设备和存储介质
CN107862298B (zh) 一种基于红外摄像装置下眨眼的活体检测方法
Ali et al. A robust and efficient system to detect human faces based on facial features
CN112200001A (zh) 一种指定场景下深度伪造视频识别方法
Kohlakala et al. Ear-based biometric authentication through the detection of prominent contours
CN113468954B (zh) 基于多通道下局部区域特征的人脸伪造检测方法
KR20200119425A (ko) 도메인 적응 기반 객체 인식 장치 및 그 방법
CN114880636A (zh) 基于人脸识别的身份验证方法和***
CN115565097A (zh) 交易场景人员行为是否合规检测方法及装置
JP2005084979A (ja) 顔認証システムおよび方法並びにプログラム

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