[发明专利]一种人脸特征验证的方法和装置

说明书

技术领域

本发明涉及图像处理技术，尤其涉及一种人脸特征验证的方法和装置。

背景技术

与人体的其它生物特征(指纹、虹膜等)一样，人脸和人的身份的对应性非常强，它的不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别方式进行比较，人脸特征识别方式具有如下特点：非强制性和非接触性，与虹膜指纹等其他认证方式不同，不需要用户的配合，在远距离上即可获取用户的脸部图像进行识别；单一设备可同时采集多个人脸，进行并发操作。人脸特征识别技术主要有两种不同的应用场景，一是人脸身份验证；二是人脸身份识别。其中人脸身份验证指的是给定两张人脸的图像，判断两张人脸图像中人的身份是否是同一个人。而人脸身份识别，指的是给定一个由多个人脸和其对应身份的数据库，对于一个给定的人脸，确定是否和数据库中某个人脸是同一身份，如果是，给出其身份信息。一般来说，人脸身份验证是人脸身份识别的基础。通过逐一验证给定人脸和数据库中的人脸是否是同一个人，就能够完成人脸身份识别的任务。

在人脸身份验证的过程中，人脸图像经过一定的预处理之后，成为一个样本x。在给定一个样本集x₁，…，x_K的情况下，通过机器学习的方法，训练得到一个判别函数f(·，·),对于给定的两个人脸得到的两个人脸样本y₁，y₂，根据f(y₁，y₂)得到的值判断两个人脸样本y₁，y₂是同一个人或是不同的人。一种通用方法是，当f(y₁，y₂)＞0时，样本代表相同身份的人，否则样本则代表不同身份的人。目前主流的人脸身份验证技术有很多种，目前最为成功的有两种，(1)贝叶斯建模方法；(2)深度学习的方法。

贝叶斯模型的主要的方法包含以下基本的部分，模型学习阶段与模型测试阶段。模型学习阶段包括以下的几个步骤：

训练样本集准备:收集人脸图像集V＝{v₁，…，v_M}，这M张图像来自N个不同身份的人。通常M＞＞N,每一个人在图像集中对应多张不同的图片，M和N均为正整数。

利用图像集V构建样本集X＝{x₁，…，x_M}，其中x_i＝g(v_i)，这里g是一个函数变换，将图像v_i转化为一个数字向量x_i。通常g包含图像预处理，如i)将人脸区域从图片中提取出来，ii)进行人脸对齐操作，iii)从对齐后的人脸图像区域中提取一定的特征。

通过人脸样本集构建人脸验证训练样本集Δ＝{δ₁，δ₂，…，δ_L}.,这里δ_j＝x_a-x_b，x_a，x_b∈X。

记δ＝x-y为两个人脸特征的差值对应的随机变量。通过学习样本集Δ,学习得到概率模型p(δ|Ω_I)，p(δ|Ω_E)。这里Ω_I和Ω_E分别表示δ是类内变化(同一身份的人在不同图片中表现出来的变化)，还是类间变化(不同身份的人在不同的图片中表现出来的变化)的假设。在一般的贝叶斯模型中，都预设p(δ|Ω_I)，p(δ|Ω_E)是高斯分布的模型，模型学习的目的是得到这两个高斯分布模型的参数。

在得到了贝叶斯模型之后，测试的步骤包括:

对于给定的两张图片v_α，v_β,经过和训练阶段相同的函数变换g,得到数字向量x_α，x_β。记δ_αβ＝x_α-x_β，通过概率模型p(δ|Ω_I)，p(δ|Ω_E)，计算

如果S(δ_αβ)＞0，则样本来自同一身份的人，否则样本来自不同身份的人。

以上给出的是经典的贝叶斯模型的应用步骤。经典的贝叶斯模型有以下的几个明显的缺点: